Estadística aplicada - Introducción a las probabilidades

ESTADISTICA APLICADA ARACELLI POEMAPE Pgina - 1 -
Aracelli Pomape Grados


No hay secretos para el xito. Este se alcanza preparndose,
trabajando arduamente y aprendiendo del fracaso.

ANONIMO

La vida no se divide en semestres. No tendrs vacaciones de verano largas en
lugares lejanos y muy pocos jefes se interesarn en ayudarte a que te encuentres
a ti mismo. Todo esto tendrs que hacerlo -si lo deseas en tu tiempo libre.
BILL GATES


INTRODUCCION

En pocas pasadas con lentos procesos de cambio,
los cuales resultaban casi imperceptibles en el tiempo, se poda
administrar una empresa con pocos datos estadsticos. Hoy en un
mundo de profundos y veloces cambios en todos los rdenes ya no
es posible actuar con displicencia. Hoy un empresario necesita
predecir a tiempo los cambios de tendencia, debe no slo saber
en qu se gast, sino como se gast en el tiempo y en que
conceptos.
No se puede gestionar lo que no se mide. Las
mediciones son la clave. Si usted no puede medirlo, no puede
controlarlo. Si no puede controlarlo, no puede gestionarlo. Si no
puede gestionarlo, no puede mejorarlo. La falta sistemtica o
ausencia estructural de estadsticas en las organizaciones impide
una administracin cientfica de las mismas. Dirigir slo en base a
datos financieros del pasado, realizar predicciones basadas ms en
la intuicin o en simples extrapolaciones, y tomar decisiones
desconociendo las probabilidades de xito u ocurrencia, son slo
algunos de los problemas o inconvenientes ms comunes hallados
en las empresas.

Toda decisin, todo anlisis, todo presupuesto, est
prcticamente en el aire si no se cuenta con datos estadsticos
suficientes y fiables.

No solo a nivel de empresa, sino tambin a nivel de
pas, los que ms han avanzado han sido aquellos que hicieron de
las estadsticas una herramienta fundamental.

El presente material de consulta sobre Estadstica
Aplicada que se le facilita pretende proporcionar una
introduccin clara y concisa a la estadstica inferencial,
proporcionando una preparacin para resolver los problemas de
la toma de decisiones en la empresa y una buena base para el
anlisis estadstico.


Primera
UNIDAD

PROBABILIDADES
Herramienta para la toma de decisiones.


COMPETENCIAS

CONCEPTUAL

Explica que es:
- Probabilidad. Experimento Aleatorio. Espacio Muestral. Eventos o Sucesos.

Identifica
- Variable aleatoria. Eventos.
- Teorema de Bayes

Reconoce
- Distribuciones de probabilidad Discretas. Bernoulli, Binomial y Poisson.
- Distribuciones de probabilidad contina. Distribucin Normal
- Manejo de la tabla estadstica de probabilidades.

PROCEDIMENTAL

- Observar fenmenos de nuestra realidad y plantearlos como experimentos
aleatorios, sealando sus respectivos espacios muestrales.
- Determinar eventos o sucesos en los diferentes experimentos aleatorios
expuestos anteriormente calculando su respectiva probabilidad.
- Explicar y construir una distribucin de probabilidad.
- Explicar los elementos que forman una distribucin de probabilidad discreta.
- Explicar los elementos que forman una distribucin de probabilidad
continua.
- Resolver casos respecto a fenmenos probabilsticos discretos.
- Resolver casos respecto a fenmenos probabilsticos continuos.

ACTITUDINAL

- Valora el Clculo de probabilidades para la toma de decisiones de tipo
personal o gerencial.
- Aprecia la necesidad y la utilidad de los modelos de probabilidad


Conceptos
Bsicos
Experimento
Aleatorio
Espacio
Muestral
Eventos o
Sucesos
Relaciones
entre Eventos
Reglas de
Probabilidad
Enfoques de
Probabilidad
rbol de
Probabilidades
Frecuencia
relativa

Subjetivo
Clsico

E. Mutuamente
excluyentes
E. Colect.
Exhaustivos
Eventos
Independientes
Regla de
Adicin
Regla de
Multiplicacin
Probabilidad
Condicional
Teorema de
Bayes
Probabilidad


Cualquiera que sea la profesin que se haya elegido, algo si es seguro: en
algn momento se han de tomar decisiones. Con mucha frecuencia esto
tendr que hacerse sin conocer todas las consecuencias de tales
decisiones.

Por Ejemplo:

a) Los inversionistas deben decidir sobre la conveniencia en invertir en una
accin en particular, con base en sus expectativas sobre rendimientos
futuros.

b) Los empresarios, al decidir comercializar un producto enfrentan la
incertidumbre sobre la posibilidad de xito.

En cada caso, como sucede con la mayora de los asuntos comerciales, se
han de tomar decisiones sin toda la informacin pertinente.

Todo esfuerzo por reducir el nivel de incertidumbre en el proceso de toma de
decisiones incrementar la probabilidad de que se tomen decisiones ms
inteligentes y bien informadas.

El propsito de sta unidad es ilustrar las formas en las cuales puede medirse
la posibilidad o probabilidad de ocurrencia de eventos futuros. Al mejorar la
habilidad para juzgar la ocurrencia de eventos futuros, se puede minimizar el
riesgo y la especulacin arriesgada relacionados con el proceso de toma de
decisiones


- La aficin al juego fue lo que impulso el desarrollo de la probabilidad.

- En un esfuerzo por aumentar sus ganancias pidieron a los matemticos que
les proporcionaran las estrategias ptimas para varios juegos de azar.

- Como resultado de este primer desarrollo de la teora de probabilidad, se
extiende junto con la estadstica a muchos campos.


I. PROBABILIDADES

La inferencia estadstica es el conjunto de mtodos con los que se hacen generalizaciones, o
la inferencia sobre una poblacin utilizando una muestra. La inferencia puede contener
conclusiones que pueden ser o no ser ciertas en forma absoluta, por lo que es necesario que estas
sean dadas con una medida de confiabilidad que es la Probabilidad.

El trmino PROBABILIDAD se utiliza comnmente cuando existe una incertidumbre sobre:

- Que ocurri en el pasado
- Que est ocurriendo en la actualidad o
- Que ocurrir en el futuro.

El hombre de negocios puede decidir la comercializacin de un nuevo producto, porque la
probabilidad de su xito es elevada.
El agricultor quiz no riegue su arroz o trigo porque es probable que llueva.

Posiblemente, ni el hombre de negocios, ni el agricultor sepan cmo definir o medir la
probabilidad, sin embargo cada uno de ellos encontr til esta idea cuando se tuvo que tomar
una decisin.

Entonces, debemos saber lo siguiente:

Qu es una probabilidad, como puede medirse, de qu modo se puede utilizar?

Para responder a esto debemos saber algunas definiciones preliminares

II. CALCULO DE PROBABILIDADES:

1. DEFINICIONES PRELIMINARES:

1.1. EXPERIMENTO ALEATORIO ():

Un experimento aleatorio se caracteriza porque tienen las siguientes propiedades:

a. Aunque en general no podemos indicar cul ser un resultado particular, podemos
describir en conjunto de todos los resultados posibles del experimento.
b. Se pueden repetir infinitas veces sin cambiar sus condiciones.

Ejemplos:
1= Lanzamiento de un dado y ver su puntaje obtenido.

2= Se lanza una moneda tres veces y se observa la sucesin de sellos y caras obtenidos.

3= Se fabrican artculos en una lnea de produccin y se cuenta el nmero de artculos
defectuosos producidos en un periodo de 24 horas.


1.2. ESPACIO MUESTRAL ():
Es el conjunto de todos los resultados posibles de un experimento aleatorio. As por
ejemplo, los espacios muestrales asociados a los respectivos experimentos mencionados
anteriormente, son:

Experimento Espacio Muestral
1
1= {1,2,3,4,5,6}
2
2= {ccc, ccs,csc,scc,,sss}; c=cara, s=sello
3
3 = {0, 1, 2,, N}; en donde N es el nmero mximo
que pudo ser producido en 24 horas.

Ejercicios de Aula:

1. Indique Ud. si los siguientes experimentos son aleatorios:

a. Elegir una carta de una baraja (52 cartas) y sealar la figura obtenida. V F
a. Verificar el estado de dos transistores (apagado y prendido) V F
b. Lanzar una piedra a una tina con agua. V F
c. Lanzar 4 monedas y ver el nmero de caras. V F
d. Jugar un partido de fulbito V F
e. Soltar un plumn en el aire. V F
f. Rendir un examen. V F
g. Jugar la tinka V F

2. Indique el espacio muestral para los siguientes experimentos: (Utilice el diagrama del
rbol)

a. Lanzar 2 monedas: = {..}

b. Lanzar 3 monedas = {..}

c. Lanzar 1 dado y una moneda = {..}

d. Lanzar 2 dados = {..}

e. Jugar un partido de ftbol = {..}

f. Rendir un examen = {..}

1.3. EVENTO O SUCESO:
Se llama Evento a cualquier subconjunto o parte del Espacio Muestral. As por ejemplo,
considerando los experimentos de los ejemplos anteriores:

En el 1:
A: el puntaje obtenido es un nmero impar.
Entonces, A= {1,3,5}


Tipos de Eventos

a) Evento Imposible: Cuando un suceso no puede ocurrir. No contiene elementos y por
lo tanto es un conjunto vaco. Un evento imposible tiene una probabilidad igual a
0.Ejemplo: De una Urna que contiene esferas rojas, un evento imposible sera sacar
una esfera blanca.

b) Evento seguro: Cuando un suceso siempre ocurre. Contiene todos los elementos
posibles del experimento. Por lo tanto un evento seguro tiene una probabilidad igual
a 1. Ejemplo: De una Urna que contiene esferas rojas, un evento seguro sera sacar
una esfera roja.

c) Evento Mutuamente Excluyentes: Dos eventos A y B definidos en el mismo espacio
muestral se dice que son mutuamente excluyente si no pueden ocurrir juntos. Es decir
la ocurrencia de uno excluye la ocurrencia del otro. Ejemplo: Del Experimento de
verificar el estado de una cuenta esta tiene como posibilidades de pagada y no
pagada, si asume una de las dos condiciones ya no puede asumir la otra.

d) Evento Colectivamente exhaustivos: Se dice que la coleccin de n eventos A1An,
definidos sobre el mismo espacio muestral son colectivamente exhaustivos si la unin
de todos ellos es igual espacio muestral
Ejemplo: De los 500 empleados de una empresa cajamarquina, 170 estn
clasificados como miembros del personal administrativo, 290 como
trabajadores de lnea y los 40 trabajadores restantes son empleados auxiliares.
Los eventos colectivamente exhaustivos son S, L y A. Si un empleado se
selecciona al azar
P ( S ) = 170/500 = 0.34
P ( L ) = 290/500 = 0.58
P (A ) = 40/500 = 0.08
Debido a que ocurre la certeza de que el empleado seleccionado provenga de estas tres
categoras colectivamente exhaustivas, P(S o L o A)= 0.34+0.58+0.08 =1

Ejemplo de Experimento, Espacio Muestral y Evento

( 1): Lanzar dos monedas al aire

( 1) = (CC, CS, SC, SS)
n (1 ) = 4

A: Que salga una cara al lanzar dos monedas

A: CS, SC

n (A) = 2
P (A) = n (A) /n = 2 / 4 = 0.50

( 2): Lanzar dos dados simultneamente y se observan las caras superiores

( 2) =


n (2 ) = 36
B: Que salga las caras iguales al lanzar dos dados
B: (1,1) (2,2) (3,3) (4,4) (5,5) (6,6)
n (B ) = 6
P (B) = n (B) /n = 6 / 36 = 0.17

1.4. REGLAS BSICAS DE PROBABILIDAD

1.4.1 Ley Fundamental de Probabilidad. Una probabilidad siempre estar comprendida
entre 0 y 1.
0 P ( A) 1
1.4.2 P (A) = 1. La suma de las probabilidades de todos los eventos simples posibles del
espacio muestral es 1.

1.4.3 Ley del Complemento. Si A c es el complemento de A, entonces:
P (A
c)
+ P (A) = 1
P (A
c)
= 1 P (A)
P (A) = 1 P (A
c
)

1.5. ENFOQUES DE PROBABILIDAD.

Hay tres enfoques de la probabilidad, Clsico, Subjetivo y Frecuentista.

1.5.1 Enfoque Clsico de la Probabilidad
El enfoque clsico o a priori de la probabilidad est basado en la suposicin de que
todos los resultados del experimento son igualmente posibles. La probabilidad se
calcula de la siguiente manera:

Probabilidad del evento =

Ejemplo:
El experimento es lanzar un dado. Cul es la probabilidad de que caiga un dos hacia
arriba?
P (caiga 2) = 1= 1/6 = 0.166

Nmero de posibles resultados del evento
Nmero total de resultados posibles del experimento


1.5.2 Enfoque Subjetivo
Si no hay experiencia anterior o hay muy poca sobre la cual basar una probabilidad,
esta se fundamenta en la intuicin, opiniones, creencias personales y otra informacin
indirecta. Este tipo de probabilidad es el enfoque subjetivo de la probabilidad.

Ejemplo:

P (Que una Mujer sea elegida presidente del Per) = 0.40

1.5.3 Enfoque Frecuentista
La probabilidad de que suceda un evento es determinada observando como sucede
el evento en el pasado. En trminos de frmula:

Probabilidad de que =
suceda un evento

Ejemplo:

Se sabe que una moneda est sesgada. Para determinar la probabilidad de que caiga
cara se lanza 60 veces la moneda al aire, de las cuales 25 veces cay cara. Si
aplicamos la frmula:

P (cae cara) = 25/ 60 = 0.42

1.6. ALGEBRA DE EVENTOS

1.6.1 Sub Eventos

Dados dos eventos, A y B se dice que A est contenido en B, o que A es sub evento de B y
denotado por A B, si todo suceso favorable a A, es favorable a B. En otras palabras si
ocurre el evento A, entonces ocurre el evento B. En smbolos:

A B, si w A w B

Nmero de veces que sucedi el evento en el pasado

Nmero total de observaciones

Ejemplo: Consideremos el experimento: Verificar el estado de cuentas bancarias
hasta que ocurra pagada y contar el nmero de cuentas verificadas:

En este experimento el espacio muestral es:

= 1, 2, 3, 4, 5,
Se define los siguientes eventos
A: Se necesita por lo menos 20 cuentas = 20, 21,22,
B: Se necesita ms de 5 cuentas = 6, 7, 8,

Es claro que A B.


1.6.2 Igualdad de Eventos

Dados dos eventos, A y B se dice que A y B son iguales A = B, si A B y B A

Ejemplo: Consideremos el experimento, Verificar el estado de cuentas bancarias hasta
que ocurra pagada y contar el nmero de cuentas verificadas


= 1, 2, 3, 4, 5,


A: Se necesita a lo ms 10 cuentas = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10

B : Se necesita menos de 11cuentas = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10

Es claro que A = B

1.6.3 Unin de Eventos

Dados dos eventos, A y B, se llama unin de A con B y se denota por A U B al
evento formado por los sucesos que pertenecen a A a B de ambos, es decir si ocurre
el evento A B ambos. En smbolos:

A U B = si w / w A v w B

Ejemplo: Consideremos el experimento, Verificar el estado de cuentas bancarias hasta que
ocurra pagada y contar el nmero de cuentas verificadas


= 1, 2, 3, 4, 5,


A: Se necesita un nmero par de cuentas = 2, 4, 6, 8, 10

B : Se necesita ms de 10 cuentas = 11, 12, 13, 14

Es claro que A U B = 2, 4, 6, 8, 10, 11, 12, 13, 14,. . .


1.6.4 Interseccin de Eventos

Dados dos eventos, A y B, se llama interseccin de A con B y se denota por A B
AB al evento formado por los sucesos que pertenecen a A y a B. Es decir, ambos
eventos A y B ocurren (la ocurrencia conjunta de A y B). En smbolos:

A B = si w / w A ^ w B



= 1, 2, 3, 4, 5,


A: Se necesita un nmero par de cuentas = 2, 4, 6, 8, 10, 12,14...

B: Se necesita ms de 10 cuentas = 11, 12, 13, 14

Es claro que A B = 12, 14,. . .

1.6.5 Complemento de Evento

Si A es un evento del espacio muestral , se llama complemento de A, denotado por A
o A al evento formado por todos los sucesos que no pertenecen a A. Es decir, no
ocurre el evento A. En smbolos:



= 1, 2, 3, 4, 5,


A: Se necesita un nmero par de cuentas = 2, 4, 6, 8, 10, 12,14...

B: Se necesita ms de 10 cuentas = 11, 12, 13, 14

Sus complementos son:

A = 1, 3 , 5 , 7 , 9 , B= 1,2,3,4,5,6,7,8,9,10
A


1.7. TEOREMAS DE PROBABILIDAD

1.7.1 Regla de Adicin

La Regla de Adicin nos da la forma de calcular la probabilidad de que ocurra el
evento A B ambos.

Ejemplo:

Si el experimento es lanzar un dado una vez, el espacio muestral es:

= {1, 2, 3, 4, 5, 6}

Si el evento A es cae un nmero par

A = {2, 4, 6}

Si el evento B es cae un nmero menor de 3

B = {1, 2}

Cul ser la probabilidad de que suceda alguno de estos dos eventos?

Entonces la probabilidad de A y la probabilidad de B es:

P(A) =3/6= 0.50 P (B) =2/6= 0.3366

Para aplicar el teorema es necesario conocer la probabilidad de la interseccin de estos
dos eventos, es decir, la probabilidad de que caiga un nmero par y menor de 3.
A B =Es el elemento {2} = P(A B) = 1/6 = 0 .17

Si aplicamos la regla de adicin:

P( A U B ) = P( A ) + P( B ) P( A B )

P(A U B) = 0.50 + 0.33 0.17 = 0.66


1.7.2 Regla de Multiplicacin

La Regla de Multiplicacin nos da la forma de calcular la probabilidad de la
interseccin de dos eventos.

1.7.3 Probabilidad Condicional

La probabilidad de que ocurra un evento dado que otro evento ya ha ocurrido se
llama Probabilidad Condicional

Ejemplo:

El experimento es extraer aleatoriamente dos canicas de una urna que contiene 5
canicas rojas y 5 canicas verdes. Cul es la probabilidad de que ambas canicas sean
rojas?

P (AB) ={probabilidad de que las dos canicas son rojas}
P(A) = {probabilidad de que la primer canica es roja}
P (B) = {probabilidad de que la segunda canica es roja}
P (BA) = {la segunda canica es roja dado que la primer canica es roja}


Solucin:

* Al extraer la primera canica hay en la urna 5 canicas rojas de un total de 10, por lo
que la probabilidad es:

P(A) = 5/ 10 = 0.50

** Al extraer la segunda canica hay en la urna 4 canicas rojas de un total de 9, por lo
que la probabilidad de que la segunda sea roja dado que la primera fue roja es:

P (BA) =4/9 = 0.44

P (AB) = P (A) * P (BA) = 0.5*0.44 = 0.22

1.8. PERMUTACIN Y COMBINACIN

1.8.1 PERMUTACIN

Factorial de un nmero: Sea n un nmero entero positivo, el factorial de n, se denota
por n! y se define como el producto de todos los enteros consecutivos de 1 hasta n
inclusive, es decir:
n! = n* (n-1)** 2*1
5! = 5*4*3*2*1 =120
Observe que
n! = n* (n-1)!
Si n =1; 1! = 1* 0!;. Luego definimos que 0! = 1

Permutacin: Es un arreglo de todos o parte de un conjunto de objetos donde el orden es
importante.

Teorema 1: El nmero de permutaciones de n objetos diferentes es:

Pn = n P n = n!

Ejemplo:

Suponga que tenemos un conjunto de tres elementos:
A = ( a,b,c) y estamos interesados en el nmero de arreglos ( las posibles permutaciones)
con los elementos del conjunto A. Las posibles permutaciones son: abc, acb, bac, bca,cab
y cba
Vemos que hay 6 permutaciones distintas: 3!= 3*2*1 = 6

Teorema 2: El nmero de permutaciones de n objetos diferentes tomados r a r es:

Pn = n P r = n! / ( n-r)!

Ejemplo: Un grupo est formado por 5 alumnos y se desea formar una comisin integrada
por presidente y secretario. De cuntas maneras puede nombrarse sta comisin?

5 P 2 = 5! / (5-2)! = 5* 4 = 20

n
r


Ejercicio: Se va a colorear un mapa de cuatro pases , con colores diferentes para cada
pas. Si hay disponibles 6 colores diferentes De cuntas maneras puede colorear el mapa?.

Teorema 3: El nmero de permutaciones de n objetos diferentes alrededor de un crculo es:
P
c
= ( n-1)!

Ejemplo:

De cuntas formas diferentes pidieron sentarse, en la ltima cena, alrededor de la mesa
Jesucristo y sus apstoles?.

El nmero de formas es: P
c
= (13-1)!= 12!

Observacin:
Si la mesa no fuese circular se tendr una permutacin de las 13 personas: 13 P 13 = 13!

1.8.2 COMBINACIN

En muchos casos estaremos interesados en el nmero de formas de seleccionar r objetos de
n, sin importar el orden. A estas selecciones se le llaman combinaciones.

Combinacin: Un subconjunto de r elementos de un conjunto que tiene n elementos
diferentes, se llama una combinacin de los n elementos tomados r a r.

Determinaremos ahora, el nmero de combinaciones de r elementos que se pueden formar
con los n objetos diferentes de un conjunto. Este nmero se denota por:

Llamado Coeficiente Binomial, porque aparece como coeficiente en el desarrollo del
binomio (a+b)
n

Ejemplo:

Se extraen dos cartas de una baraja de 52 cartas. De cuntas maneras se puede hacer
esto?

Se necesita solo subconjuntos de dos cartas, sin importar el orden entonces, en nmero de
forma de seleccionar estas dos cartas es:

Solucin:


Ejemplo:

Un estudiante tiene que contestar 8 de 10 preguntas en un examen:
a) De cuntas maneras puede el estudiante escoger las 8 preguntas?
b) Si las tres primeras son obligatorias, de cuntas maneras puede escoger las preguntas?

Solucin:

a) Como interesa subconjuntos de 8 preguntas de un conjunto de 10 sin importar el orden, esto
sera de C10 = 10! / (8! 2!) = 45
b) Puesto que las tres primeras preguntas son obligatorias; las 5 restantes tendr que escoger
de las 7 preguntas sobrantes. Luego, esto se hace de: 1 * C7 = 7!/ (5!*2!) = 21

1.9. TEOREMA DE PROBABILIDAD TOTAL Y TEOREMA DE BAYES

Se presenta el teorema ms importante del clculo de probabilidades y el camino para
llegar a l exige la definicin de particin de un espacio muestral y el teorema de
probabilidad total.

1.9.1 Particin de un espacio muestral:

Se dice que la coleccin de eventos B1, B2, , B k del espacio muestral representa una
particin del espacio muestral , si cumple las siguientes condiciones:

a) Los eventos B1, B2, , B k , son mutuamente excluyentes:

En smbolos Bi B j = i= j ; i,j = 1,2,3.,k

b) Los eventos B1, B2,, B k, son colectivamente exhaustivos.

En smbolos:

c) P(Bi) >0 i = 1,2,3.k

1.9.2 Probabilidad Total

Sea B1, B2,, Bk; una particin del espacio muestral , entonces para cualquier evento A
en se cumple:

P (A) = P (Bi) P (A/Bi)

= P (B1) P (A/B1) + P (B2) P(A/B2) ++ P(Bk) P(A/Bk).
5
8
Teorema de Probabilidad
Total


Fig. Relacin entre el evento A en y la particin de

1.9.3 Teorema de Bayes

Sea B1, B2, , B k; forman una particin del espacio muestral y A es un evento
cualquiera de entonces :

El numerador resulta del teorema de multiplicacin y el
denominador del teorema de probabilidad total.

Diagrama del rbol: Un diagrama de rbol es una representacin grfica que muestra los
resultados posibles de una serie de experimentos y sus respectivas probabilidades.
Construccin Del Diagrama De rbol
a) Fijar un nodo inicial (Un punto situado a la izquierda, representa la raz del rbol);
b) Abrir a partir del mismo, tantas ramas como elementos tenga el conjunto A;
c) Abrir a partir de cada una de estas, tantas ramas como elementos tenga el conjunto B;
d) Leer el conjunto ordenado resultante sobre cada secuencia de ramas

Ejemplo1. Teorema de Bayes:

En una Universidad, producto de un examen en una determinada materia, hay alumnos
aprobados y desaprobados. En el aula A hay un 20% de desaprobados, en B hay 25% y en
el aula C un 15% de desaprobados. En una muestra de 300 alumnos hay 150 alumnos del
aula A, 100 alumnos del aula B y el resto del aula C.
a) Si se selecciona a un alumno al azar, hallar la probabilidad de que est desaprobado.
b) Si result aprobado. Halle la probabilidad de que sea del Aula A.

Solucin:

Se definen los siguientes eventos:

A= Alumno seleccionado result Aprobado

A= Alumno seleccionado result Desaprobado

B1 = Alumno seleccionado es del Aula A

B2 = Alumno seleccionado es del Aula B

B3 = Alumno seleccionado es del Aula C
Teorema de Bayes


Se distribuyen las probabilidades utilizando un Diagrama del rbol

a. Si se selecciona a un alumno al azar, hallar la probabilidad de que est Aprobado.

Se desarrolla utilizando la frmula de la Probabilidad Total

La probabilidad de que el alumno seleccionado resulte aprobado es de 0.792 o 79.2%

b. Si result aprobado. Halle la probabilidad de que sea del Aula A.

Se desarrolla utilizando la frmula del Teorema de Bayes.

La probabilidad de que el alumno seleccionado sea del Aula A es 0.5052 o 50.52%

P (B2) = 100/300= 0.33

B1
B2
B3
P ( A / B1 ) =0.80
P ( A / B2 ) =0.75
P ( A / B3 ) =0.85
P ( A / B1 ) =0.20
P ( A / B2 ) =0.25
P ( A / B3 ) =0.15
= 0.50 (0.80) + 0.33 (0.75) + 0.17 (0.85)
= P (B1) P (A/B1) + P (B2) P(A/B2) + P(B3) P(A/B3).

= 0.40 + 0.25 +0.142 = 0.792
= 0.50 (0.80) / 0.792

= 0.5052


Ejemplo 2. Teorema de Bayes:

Una empresa manufacturera la cual Ud. Administra, recibe embarques de partes de tres
proveedores distintos. El 40% de las partes provienen del proveedor A, el 35% de proveedor B
y el resto del proveedor C. Adems por datos histricos se sabe que el 90% de las partes de
A son de buena calidad, el 88% de B presentan la misma caracterstica y el 75% de C
tambin presentan buena calidad.
a) Si se extrae una parte del embarque .Hallar la probabilidad de que sea defectuosa.
b) Si al extraer la parte result defectuosa, halle la probabilidad de que sea del proveedor.


PRACTICA N 1

1. D 2 ejemplos de experimento que es de inters para su carrera profesional, con su
respectivo espacio muestral
2. Una moneda se lanza 4 veces. (Utilice Diagrama del rbol para determinar ) Describa los
siguientes eventos
o Ocurre por lo menos 2 caras
o Ocurre a los ms una cara
o Ocurre sello en el tercer lanzamiento
o Ocurre cara en el cuarto lanzamiento.
3. Ocho amigos juegan boliche una vez a la semana. Este grupo est formado por 2 parejas
de casados, 3 jvenes y una joven. Antes del juego cada uno coloca S/. 10 en una bolsa
cuyo contenido ganar el que obtenga mayor puntuacin. Si las mujeres tienen la mitad de
la habilidad que los varones poseen para el juego. Se le pide encontrar:
a) Cul es la probabilidad que un soltero gane?
b) Cul es la probabilidad que una mujer gane?
c) Cul es la probabilidad que un hombre casado gane?
4. La probabilidad que la seora hablantina reciba a lo ms 5 llamadas telefnicas en un da
es 0.20; y por lo menos 9 llamadas en un da es 0.50. Cul es la probabilidad que la seora
hablantina reciba 6, 7 u 8 llamadas en un da?
5. El cuadro siguiente contiene la clasificacin de 432 obreros de un sindicato respecto a dos
caractersticas:
a) El nmero de aos de pertenencia de cada uno al sindicato
b) Su respuesta a la pregunta: Desea Ud. Ir a la huelga para obtener un aumento de
salarios
Respuesta
a la
pregunta
Nmeros de aos en el sindicato
Total
Menos de
1 (A)
De 1 a 3
(B)
De 4 a 10
(C)
Ms de 10
(D)
Si ( S) 57 54 137 39 287
No (N ) 34 18 34 3 89
No s (NS) 16 14 6 20 56
Total 107 86 177 62 432
*) Encuentre la probabilidad de cada uno de los siguientes eventos:
S U B ; S / B ; NS/A ; A/NS ; N U C ; S (C U D)

6. Considere el experimento contar el n de personas que degustan un producto :
o A: Degustan un nmero par de persona
o B: El nmero de personas que degustan es mltiplo de 6
o C: Degustan por lo menos 15 personas
o D: Degustan a lo ms 20
o E: Degustan menos o igual a 20 personas
Verificar si los eventos son mutuamente excluyentes.(A y B, A y C, B y C)
7. Un mayorista tiene 200 clientes clasificados en la siguiente tabla segn si realizan pedidos
regularmente o de forma espordica y segn si efectan el pago al contado o a travs de
crdito.

Forma de Pago
Total
Tipo de Pedido Al Contado Crdito
Regular 10 15 25
Espordico 20 155 175
Total 30 170 200


En el marco de la campaa publicitaria, el mayorista decide sortear un viaje entre sus
clientes eligiendo uno de ellos al azar.
a. Cul es la probabilidad de que el cliente afortunado con el viaje realice pedidos
regularmente o bien utilice crditos para efectuar sus pagos?
b. Calcule la probabilidad de que el cliente afortunado con el viaje realice pedidos
regularmente si sabemos que el elegido efecta sus pagos mediante crdito
c. Calcule la probabilidad de que el cliente afortunado con el viaje realice los pagos
mediante crdito si sabemos que realiza pedidos regularmente.
d. Son independientes los sucesos comprar a crdito y comprara regularmente.

8. En un sistema de alarma, la probabilidad de que sta funcione habiendo peligro es 0.95, y
la de que funcione por error sin haber peligro es 0.03. Si la probabilidad de haber peligro es
0.1
a. Hallar el porcentaje de veces que habiendo funcionado la alarma no haya peligro.
b. Calcular la probabilidad de que no habiendo funcionado la alarma haya peligro
c. Cul es la probabilidad de que la alarma funcione.

9. Una empresa multinacional desea elegir un candidato para ocupar la plaza de
administrador de la filial que va abrir en Cajamarca. Tras las tres primeras pruebas de
seleccin de los 100 candidatos inciales, tres han quedado para la cuarta y ltima prueba
que consistir en una entrevista personal. A la revisin de los curriculums presentados y de
las puntuaciones obtenidas en las pruebas anteriores, se cuenta con probabilidades de 0.3;
0.5 y 0.2 de elegirlos para el puesto a los candidatos 1, 2 y 3 respectivamente. Se estima
en un 80% las posibilidades de incrementar las ventas en el prximo ao en la multinacional
si se elige al primer candidato. Para el segundo y tercer candidato, respectivamente se
estiman el 10% y el 40% de posibilidades de incremento de ventas.
El tercer candidato est seguro de conseguir dicho puesto en la multinacional.

Con respecto a la informacin anterior Est Ud, de acuerdo con el pensamiento del tercer
candidato? Si no es as, segn sus clculos qu candidato sera el ganador
(Extrado del libro Problemas de probabilidades y estadsticas. Romera y Alonso: Facultad de
Informtica de la UPM 1992)

10. De cuantas formas diferentes se pueden sentar 5 candidatos al puesto de administrador,
en una banca?

11. En una reunin de profesionales de 20 integrantes de cuantas formas se pueden
seleccionar tres representantes: presidente, vicepresidente y secretaria?.

12. De cuntas maneras distintas hay que formar un equipo de tenis de 4 elementos entre 8
jugadores?

13. Suponga que una bolsa contiene cuatro pelotas negras y siete blancas. De cuntas
maneras puede sacarse un grupo de tres pelotas de la bolsa en las combinaciones
siguientes:

a. Una pelota negra y dos blancas.
b. Tres pelotas de un solo color
c. Por lo menos una pelota negra.


LECTURA

El jefe de la lotera de Connecticut pierde su empleo
*Deniss Hevesi
1989

En 1989, el jefe de la lotera de Connecticut, J Blaine Lewis hijo, perdi su empleo.

En un tiempo, cuando la lotera del estado capt 513 millones de dlares por ao y
conserv 225 millones para el fondo general del estado, el jefe de ingresos especiales
orden al seor Lewis ir a la Connecticut Gaming Policy Board y recomendar un cambio: la
sustitucin del actual juego en el que los ganadores del premio mayor deben acertar a seis
de 40 nmeros, por un juego nuevo en el que seran seis de 44 nmeros de los que debera
escogerse. El cambio tan pequeo, se dijo, mejorara la participacin de la lotera del
estado.

Al aplicar la frmula de combinaciones, Mr Lewis no estuvo de acuerdo. Mientras que 40C6
es igual a 3 838 380, lo que implicaba una oportunidad de 3.8 millones para ganar el premio
mayor, 44C6 es igual a 7059 052, lo que reduca considerable la oportunidad a uno en 7.1
millones.

Mr. Lewis no quiso decepcionar al pblico, pero quiz pas por alto una consideracin.

Es concebible que los premios mayores, que son los ms difciles de ganar, produzcan ms
desplazamiento de dinero no ganado y as, premios ms grandes. Este prospecto podra
aumentar las ventas y los ingresos netos del estado.

*Fuente: Dennis Hevesi, Connecticut Lotto Chief Loses Job in
Odds Battle, the New York Times, 28 de mayo de 1989.p36.


Fuente: ALLEN L. WEBSTER ESTADISTICA APLICADA A LOS NEGOCIOS Y A LA ECONOMIA.
TERCERA EDICION. EDITORIAL MC GRAW HILL.

de la parte superior



III. VARIABLE ALEATORIA

Se llama variable aleatoria (v.a.) a toda aplicacin o funcin que asocia a cada elemento del
espacio muestral () de un experimento, un nmero real.

Ejemplo 1 Variable Aleatoria:

Consideremos el experimento que consiste en lanzar tres monedas al aire ( = Lanzar tres monedas).

Llamaremos C a Cara y S a Sello, el espacio muestral ser:

= {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}

Definimos la variable aleatoria (v.a.) X como el nmero de caras (X = N de caras),
estamos asociando a cada suceso un nmero, as:

X(CCC)=3

X(CCS)=X(CSC)= X(CSS) =2

X(SSC)=X (CSS)=X(SCS)=1

X(SSS)=0

Entonces los valores diferentes que ha tomado la variable son:

X = 3, 2, 1, 0


Ejemplo 2 Variable Aleatoria:

Consideremos el experimento:

= Lanzar dos dados.

= {(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1)
(4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6) }

Definimos la variable aleatoria (v.a.) X

X = Suma de las puntuaciones de las caras superiores, entonces

X((1,1))=2

X((1,2) (2,1))= 3

X((1,3) (3,1) (2,2))= 4

X((1,4) (4.1) (2,3) (3,2))= 5

X((1,5) (5,1) (2,4) (4,2) (3,3))= 6

X((1,6) (6,1) (2,7)(3,4) (4,3))=7

X((2,6) (6,2) ( 3,5) (5,3) ( 4,4)= 8

X((3,6)(6,3) (4,5) (5,4))= 9

X((1,4) ( 4,1) (4,6) (6,4) )=10

X((5,6) (6,5))=11

X((6,6))= 12

Las variables aleatorias las podemos clasificar en:

discretas, si puede tomar un nmero finito o infinito numerable de valores enteros
continuas si dado un intervalo (a,b) la variable puede tomar todos los valores
comprendidos entre a y b.

Ejercicios de Aula:

X = 2, 3,, 12


IV. DISTRIBUCIONES DE PROBABILIDADES:

1. LA DISTRIBUCIN BINOMIAL

- La Distribucin Binomial es una las distribuciones de probabilidad discretas ms importantes,
la cual tiene muchas aplicaciones en Ingeniera, Administracin, etc..

- Esta distribucin se origina en los Ensayos o Experimentos Bernoulli que consiste en realizar 1
experimentos que tiene dos resultados posibles, llamados xito y fracaso.

Ejemplos:

1. Lanzar una moneda
2. Rendir un examen. Ensayos de Bernoulli
3. Observar el sexo de un recin nacido.
4. Encender una maquina, etc

- Experimento Binomial:

Es aquel que consiste en realizar n veces ensayos de Bernoulli, en el cual se debe cumplir
lo siguiente:
a. Cada ensayo tienen solo dos resultados posibles.
b. Los ensayos son independientes.
c. La probabilidad de xito p es constante en cada ensayo.

- Esta distribucin tienen las siguientes caractersticas:
1. Su variable aleatoria est definida como:

X: Numero de xitos en n ensayos.

2. Su recorrido o rango es:

Rx = {0,1,2,3,4,5, , n}

3. Su funcin de probabilidad est dada por:

4. Sus parmetros son :

n : Numero de veces que se repite el experimento o tamao de muestra.

p : Probabilidad de xito en cada uno de los ensayos o proporcin de inters.

5. Su notacin es : X B ( n, p )

n x q p
x
n
x X P x f
x n x
,..., 2 , 1 , 0 , ) ( ) ( =
|
|
.
|
\
|
= = =


6. Uso de tabla: Para el uso de tabla tener en cuenta lo siguiente

TABLA DE DISTRIBUCION BINOMIAL ACUMULADA

A. P ( X a ) = Usar directamente la tabla
B. P ( X > a ) = 1 - P ( X a )
C. P ( X a ) = 1 - P ( X a - 1 )
D. P ( X = a ) = P ( X a ) - P ( X a - 1 )
E. P ( a X b ) = P ( X b ) - P ( X a-1 )
F. P ( a X < b ) = P ( X b-1 ) - P ( X a-1 )
G. P ( a < X < b ) = P ( X b-1 ) - P ( X a )


2. LA DISTRIBUCIN POISSON

- La Distribucin de Poisson es otra de las distribuciones de probabilidad discretas ms
importantes porque se aplica en muchos problemas reales.

- Esta distribucin se origina en problemas que consiste en observar la ocurrencia de eventos
discretos en un intervalo continuo (unidad de medida).

Ejemplos:

a. Numero de manchas en un metro cuadrado de un esmaltado de un refrigerador.

b. Nmero de vehculos que llegan a una estacin de servicios durante una hora.

c. Nmero de llamadas telefnicas en un da.

d. Nmero de clientes que llegan a un banco durante las 10 y 12 p.m.

e. Numero de bacterias en un cm
3
de agua.

- Esta distribucin tienen las siguientes caractersticas:

Su variable aleatoria est definida como:

X: Numero de ocurrencias en 1 unidad de medida (Tiempo, Volumen, Superficie, etc.)

Su recorrido o rango es:

Rx = {0,1,2,3,4,5, .}

Su funcin de probabilidad est dada por:

Su parmetro es : tasa promedio de ocurrencia en 1 unidad de medida.

Su notacin es : X P( )

,... 2 , 1 , 0 ,
!
) (
) ( ) ( = = = =

x
x
e
x X P x f
x


Uso de tabla: Para el uso de tabla tener en cuenta lo siguiente

H. P ( X a ) = Usar directamente la tabla
I. P ( X > a ) = 1 - P ( X a )
J. P ( X a ) = 1 - P ( X a - 1 )
K. P ( X = a ) = P ( X a ) - P ( X a - 1 )
L. P ( a X b ) = P ( X b ) - P ( X a-1 )
M. P ( a X < b ) = P ( X b-1 ) - P ( X a-1 )
N. P ( a < X < b ) = P ( X b-1 ) - P ( X a )


3. LA DISTRIBUCIN NORMAL:

- La distribucin normal, llamada tambin Curva de Gauss (en recuerdo al cientfico que lo
descubri), es la distribucin de probabilidad ms importancia en la Estadstica y por ende
del Clculo de Probabilidades.
- Esta distribucin de probabilidad es importante porque las variables aleatorias continuas
(peso, edad, talla, produccin, gasto en publicidad, temperatura, ventas, PBI, ganancias,
etc) que son variables que ms se evalan en una investigacin cientfica o investigacin
de mercados se aproximan a esta distribucin de probabilidad.
- Tambin es importante porque se utiliza como aproximacin de las distribuciones discretas
tales como: la Binomial, la Poisson, etc.

CARACTERSTICAS
1. Tiene como parmetros a y o
2. Su funcin de probabilidad est dada por:

+ < < =
|
.
|
\
|
X x f
X
,
2
1
) (
2
2
1
o
c
to

Adems:

- +

Donde: - < < + y o > 0

3. El promedio puede tomar valores entre y + mientras que o > 0, entonces existen
infinitas curvas normales.
4. Esta funcin de probabilidad es asinttica con respecto al eje X, (a pesar de tener recorrido
infinito, la curva nunca toca el eje X); adems es unimodal y es simtrica con respecto a la
media .
5. El are bajo esta funcin o curva es 1 100%, de la misma manera se sabe que las reas
comprendidas bajo la curva normal son:


1. o = 68.3%

2. 2o = 95.5%

3. 3o = 99%

- -3 -2 -1 1 2 3 +

7. Para calcular probabilidades en la distribucin normal se necesitaran infinitas tablas de
probabilidad.

LA DISTRIBUCIN NORMAL ESTNDAR:

1. Es una distribucin a la cual se le ha modificado la escala original; esta modificacin se ha
logrado restando la media al valor de la variable original y dividiendo este resultado por o,
la nueva variable se denota por Z y recibe el nombre de variable estandarizada

Z
X
=

o

2. La modificacin de la escala ha permitido elaborar una tabla para el clculo de las
probabilidades; si esto no hubiera sido posible, sera necesario construir una tabla para cada
valor de y o.
3. La funcin de densidad de la variable estandarizada es:

f z e
z
( ) =

1
2
1
2
2
t

4. El promedio (valor esperado) y la varianza de Z son: E(Z) = 0 , V(Z) = 1
5. Notacin:
Si X es v.a. continua distribuida normalmente con media y varianza o
2
, la denotamos por :
X N( , o
2
).
Aplicando esta notacin a la variable normal estandarizada Z, escribimos:
Z N(0 , 1) , esto se interpreta como, Z tiene distribucin normal con media 0 y varianza 1.
6. La superficie bajo la curva normal Z estandarizada tambin es igual a 1. Por consiguiente, las
probabilidades pueden representarse como reas bajo la curva normal escandalizada
entre dos valores.
7. Debido a que la distribucin normal es simtrica muchas de las tablas disponibles contienen
solo probabilidades para valores positivos de Z.


USO DE TABLA:

Si se conoce el comportamiento de una variable, es decir, se sabe que tienen una distribucin
normal, para calcular las diferentes probabilidades se tiene que estandarizar la variable. Una
vez estandarizada la variable, recin utilizar la tabla de la distribucin normal estandarizada o
tabla Z.

FORMULAS:

a. ) ( ) ( ) (
o

o

o

s =
= s
a
Z P
a x
P a x P
b. ) ( 1 ) ( 1 ) ( 1 ) (
o

o

o

s =
= s = >
a
Z P
a x
P a x P a x P
c. ) ( ) ( ) (
o

o
o

s s
s s
= s s
a
Z
b
P
b
x
a
P b x a P

1.


2.
3.


Ejemplo Distribucin Normal

Las calificaciones de los 500 aspirantes presentados a un examen para contratacin laboral,
se distribuye normalmente con media 6,5 y varianza 4.

a) Calcule la probabilidad de que un aspirante obtenga 8 puntos o ms. P ( x 8)

Luego: P ( z 0.75) = 1 P ( z 0.75) = 1 0.773372648 = 0.22662735

b) Determine el porcentaje de aspirantes con calificaciones inferiores o iguales a 5 puntos.
P ( x 5)

c) Cuntos aspirantes obtuvieron calificaciones comprendidas entre 5 y 7,5 puntos ?

P ( 5 X 7.5 ) = P ( X 7.5 ) - P ( X 5 ) =

P ( z 0.5 ) - P ( z -0.75 ) = 0.69146246 - 0.22662735 = 0.46483511


PRACTICA N 2

CASO N 01:

En el almacn de una empresa ferretera, donde Ud. es el administrador, hay 10 artculos elctricos
de los cuales 3 de ellos son defectuosos. Si se extrae una muestra aleatoria de 5 a partir del grupo.
Cul es la probabilidad de que:

a. Exactamente 1 sea defectuosos.
b. Ninguno sea defectuoso.
c. Menos de 2 sean defectuosos.
d. Ms de 3 sean defectuosos.

CASO N 02:

En la empresa MODASA S.A. se realiza la produccin de tornillos para motores diesel por parte de
una mquina automtica italiana. Esta mquina dependiendo de factores externos produce el 1%
de tornillos defectuosos. El jefe del rea de Control de Calidad selecciona en forma aleatoria 18
tornillos al azar de la produccin:

a. Cul es la probabilidad de que exista a los ms 3 defectuosos.
b. Cul es la probabilidad de que exista por lo menos 3 defectuosos.
c. Cul es la probabilidad de que haya entre 2 y 4 defectuosos inclusive.

CASO N 03:

Si el 10% de los trabajadores de una empresa tienen estudios de post grado, determinar la
probabilidad de que entre 15 trabajadores elegidos al azar:

a. Haya un post graduado.
b. Haya por lo menos dos post graduado.
c. A lo ms cuatro sean post graduado.

CASO N 04:

CASO N 05:

En un estudio de factibilidad del BCP, se determino que las personas llegan aleatoriamente a la
ventanilla de un banco, con una tasa promedio de 20 personas por hora, durante la hora punta
comprendida entre 11:00 am y 12:00 am de cierto da. El Gerente desea calcular las siguientes
probabilidades:


a. Cul es la probabilidad de que lleguen exactamente 5 personas durante esa hora?
b. Cul es la probabilidad de que lleguen ms de 5 personas durante esa hora?
c. Cul es la probabilidad de que lleguen menos de 5 personas durante esa hora?
d. Cul es la probabilidad de que lleguen ms de 8 personas durante esa hora?

CASO N 06:

En una compaa fabricantes de gaseosas, se realiza un examen de control respecto al agua que
est sacando del subsuelo para la elaboracin de Gaseosas. Este lquido contiene ciertas bacterias
no nocivas para la salud a razn de 6 bacterias por cm
3
. Si toma una muestra de 1 cm
3
, calcular las
siguientes probabilidades
a. Cul es la probabilidad que la muestra no contenga bacteria alguna?
b. Cul es la probabilidad de que en cm
3
haya por lo menos 1 bacteria?

CASO N 07:

En un estudio por parte del Ministerio de Transporte y Comunicaciones (MTC), se ha determinado
que en la carretera panamericana con destino a Lima, hay en promedio de 21 accidentes por
semana (7 das), calcular las siguientes probabilidades:
a. Cul es la probabilidad de que en una semana no haya ningn accidente.
b. Cul es la probabilidad de que en dos semanas haya 10 accidentes.
c. Cul es la probabilidad de que en 5 dias ocurra menos de 15 accidentes.

CASO N 08:

Ciertos autos llegan a una garita de peaje aleatoriamente a una tasa de 300 autos por hora.
Calcular la probabilidad de que:
a. Un auto llegue durante un periodo de 1 minuto
b. Por lo menos dos autos lleguen durante un periodo dado de un minuto.

REGLA: (aproximacin de la distribucin Binomial a la distribucin Poisson)

CASO N 09:

Se determino que el 0.01% de los relojes producidos por una empresa Taiwanesa son defectuosos.
a. Cul es la probabilidad de que un pedido de 1000 relojes exista exactamente un reloj
defectuoso?.
b. Cul es la probabilidad de que en el mismo pedido de 1000 relojes existan al menos dos
defectuosos?

CASO N 10:

En un proceso productivo de tornillos el 0.8% son defectuosos.
a. Cul es la probabilidad de que un lote de 1000 tornillos contenga a lo mas 5 ms defectuosos?
b. Cul es la probabilidad de que en este mismo lote exista exactamente 4 tornillos defectuosos?

Si en una distribucin binomial, n es grande (n 100) y la probabilidad de
ocurrencia es pequea (p 0.05), aproximar la distribucin Binomial a la distribucin
Poisson, calculando ( = np).


CASO N 11:

CASO N 12:

CASO N 13:

El tiempo requerido para realizar una pregunta de examen es una variable aleatoria cuya
distribucin es aproximadamente normal con media 12.9 minutos y una desviacin estndar de 2.0
minutos. Cules son las probabilidades de que un alumno resuelva una pregunta del examen en?

a. Al menos 11.5 minutos.
b. Entre 11.0 y 14.8 minutos.
c. A lo ms 12 minutos.
d. Entre 10 y 13 minutos.

CASO N 14:

La fbrica de Neumticos DURAMAS, produce un tipo de neumticos que tiene una vida til media
de 80 000 km y una desviacin estndar de 8000 km. Suponiendo que esta vida til est distribuida
normalmente:

a) Cul es la probabilidad que un neumtico dure ms de 96 000 km?
b) Cul es la probabilidad que un neumtico dure entre 92 000 y 95 000 km?


Fuente: ALLEN L. WEBSTER ESTADISTICA APLICADA A LOS NEGOCIOS Y A LA ECONOMIA.
TERCERA EDICION. EDITORIAL MC GRAW HILL.








Estadística aplicada - Introducción a las probabilidades

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadística aplicada - Introducción a las probabilidades

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA APLICADA ARACELLI POEMAPE Pgina - 1 -

Aracelli Pomape Grados

También podría gustarte