Tema 2

Captulo 2 : DISTRIBUCIONES DE PROBABILIDAD
Objetivos:
Al terminar la unidad, el alumno ser capaz de Conocer y diferenciar los tipos de eventos asociados con los
experimentos aleatorios. Calcular y evaluar el valor numrico de su probabilidad.
Identificar los tipos de variables aleatorias relacionadas con experimentos aleatorios y con base en sus
valores probabilsticos poder describir su comportamiento.
Calcular e interpretar probabilidades asociadas a eventos de datos provenientes de variables aleatorias

discretas: Uniforme, Binomial, Poisson y Normal.
Analizar los tipos de variables aleatorias: Uniforme, Bernoulli, Binomial, hipergeomtrica y Poisson.
Determinar descriptivamente cuando la variable de la cual provienen unos datos se desva de la normalidad
Modelo
Frecuentemente el objetivo de un investigador es establecer una adecuada descripcin matemtica de algn
fenmeno natural o artificial. Un modelo puede ser definido como una idealizacin matemtica utilizada para
aproximar un fenmeno observable. En esta idealizacin, ciertas suposiciones son hechas. El xito de un modelo
depende si o no estas suposiciones son vlidas. Para chequear la validez de un modelo, se toman observaciones.
Este proceso es llamado experimento.
Modelo determinstico
Un modelo deterministico, es aquel en el cual se establecen las condiciones para que al ejecutar el experimento se
determine el resultado.
Ejemplos
1. La distancia
recorrida por un automvil en horas a una velocidad constante de
determinada por la relacin
. El conocimiento de
y determina el valor de
kilmetros por hora es

.
2. Leyes gravitacionales (un cuerpo baja en ciertas condiciones).

3. Leyes de Kepler (comportamiento de los planetas).
4. Al quemar un hidrocarburo como el gas propano en presencia del oxgeno, se produce gas carbnico ms
agua.
5. Se hace actuar sobre un cuerpo de un kg. de masa una fuerza de un Newton, se obtiene una aceleracin de
un metros/segundo
Modelo no determinstico
Un modelo no deterministico (o estocstico), es aquel en el cual informacin pasada, no permite la formulacin de
una regla para determinar el resultado preciso de un experimento. Muchos fenmenos naturales o artificiales son
aleatorios en el sentido de que el resultado exacto no puede ser predicho, y sus resultados producen un patrn a
largo trmino.
Ejemplos
1. Considrese el gnero de un nuevo nacimiento en cierto hopital . Sea
la denotacin para un nio y
una nia.
Suponga que se registran los gneros en orden de cumpleaos. Entonces se observar una secuencia de letras
, tales como:
Esta secuencia muestra una no aparente regularidad. Sin embargo, uno no puede predecir el gnero del prximo
nacimiento , pero si se puede predecir a lo largo de muchas ejecuciones la poporcin de nios (o nias) en esta
secuencia ser cercana a
. Este comportamiento a lo largo de muchas ejecuciones es llamado regularidad
estadstica y es evidente, por ejemplo, en todos los juegos de azar.
2. Seleccionar de un lote un artculo para conocer su calidad.

3. El querer determinar la cantidad de lluvia que caer debido a una tormenta que pasa por una zona especfica, el
origen de la tormenta, la direccin de la tormenta, etc.
4. La velocidad de una partcula en un ambiente determinado.
5. La amplitud y la fase de la intensidad de la luz emitida por una fuente.
6. El resultado de un partido de ftbol.
7. El nmero de llamadas telefnicas por minuto, la duracin de cada llamada.
8. La intensidad del ruido de un sistema de comunicacin.
9. La resistencia mnima de un conjunto de resistencias en una lnea de produccin
En este captulo se estudiarn slamente experimentos de fenmenos que muestren aleatoriedad y regularidad
estadstica. Los modelos de probabilidad son utilizados para describir tales fenmenos.
Conceptos Bsicos
Definicin de experimento estadstico
Un experimento que tiene las siguientes caractersticas es llamado experimento aleatorio o estadstico.
1. Todos los posibles resultados del experimento son conocidos antes de hacer una realizacin del experimento.
2. El resultado exacto en cualquier ejecucin del experimento no es predecible (aleatoriedad)
3. El experimento puede ser repetido bajo (ms o menos) identicas condiciones.
4. Existe un patrn predictible a lo largo de muchas ejecuciones (regularidad estadstica)
Ejemplos 1. Algunos ejemplos de tpicos experimentos aleatorios son:
a. Lanzar una moneda y observar la cara
b. Una bombilla manufacturada en una planta es expuesta a una pueba de vida y el tiempo de duracin de una
bombilla es registrado.. En este caso no se conoce cual ser el tiempo de duracin de la bombilla
seleccionada, pero claramente se puede conocer de antemano que ser un valor entre
c.
horas
Un lote de items que contiene defecuosos es muestreado. Un item muestreado no se reemplaza, y se

registra si el item muestreado es o no defectuoso. El proceso continua hasta que todos los items defectuosos
sean encontrados.
d. Una manufacturera de refigeradores inspecciona sus regiradores para

defectos encontrado en cada refigerador inspeccionado es registrado.
tipos de defectos. El nmero de
e. Seleccionar una planta de una parcela y observar si padece alguna enfermedad, es decir es sana o enferma
f.
Seleccionar una planta y medir su altura
2. Algunos ejemplos de experimentos no estadsticos son:

a. Seleccionar al azar un bus de ruta (no alimentador) de transmilenio y observar el color. Aqui no se cumple la
condicin (ii), ya que se puede predecir una ejecucin del experimento, el color del bus.
b. Seleccionar al azar un estudiante de un colegio masculino y observar su gnero. Aqui no se cumple la
condicin (ii), ya que se puede predecir una ejecucin del experimento, el gnero del alumno
Ejercicio
Describa un experimento estadstico y otro no estadstico y explique porque lo es o no.
Conceptos Bsicos
Estadstica vs probabilidad
Existen tres componentes esenciales de un modelo estocstico (o probabilistico):
1. Identificacin de todos los posibles resultados del experimento.
2. Identificacin de todos los eventos de inters
3. Asignacin de probabilidades para estos eventos de inters.
El ms importante como tambien el ms interesante y difcil parte en la construccin del modelo es la signacin de
probabilidades. Es pertinente en este momento distinguir entre probabilidad y estadstica. En probabilidad, nosotros
hacemos ciertas suposiciones acerca de la poblacin y entonces decimos algo acerca de la muestra. Esto es, el
problema en probabilidad es:
Dado un modelo estocstico, qu podemos decir acerca de los resultados?
En estadstica, el proceso es inverso. El problema en estadstica es:
Dada una muestra (conjunto de resultados), qu se puede decir acerca de la poblacin (o el modelo)?
Ejemplos
1.Lanzamiento de una moneda.
Suponga un experimento aleatorio que consiste en el lanzamiento de una moneda y observar el resultado. Hay dos
posibles resultados, llamados cara o sello. El modelo estocstcio puede ser que la moneda no esta cargada. Este
hecho especifica completamente la probabilidad de cara
y por consiguiente tambien de sello
. En
probabilidad nosostros nos preguntamos: Dado que la moneda no esta cargada, cal es la probabilidad de observar
caras en
obtuvieron
2 Gasolina.
lanzamientos? . En estadstica, nos preguntamos: Dado que en

caras, puede asegurarse que la moneda no est cargada?.
lanzamientos de una moneda se
Cuando un nuevo modelo de carro es introducido al mercado, la compaia automovilistica anuncia (un estimado) a la
agencia de proteccin al medio ambiente la trazn de consumo de gasolina (miles por gasln) paara propsitos de
comparacin. El problema inicial de la determinacin de la distribucin de probabilidad del cosumo para este modelo
es un problema estadstico. Una vez esto ha sido solucionado, el calculo de la probabilidad de que un carro particular
consuma al menos 30 millas por galn es un problema de probabilidad. Similarmente, la estimacin de promedio de
gasolina para este modelo es un problema estadstico.
3.Nmero de llamadas telefnicas. El nmero de llamadas telefnicas iniciadas en u intervalo de tiempo de logitud
horas es registrado en una central telefnica. El problema inicial de estimar la probabilidad de que
llamadas sean
iniciadas en un periodo de tiempo de logitud horas es un problema estadstico. Una vez esas probabilidades han
sido establecidas para cada
el calculo de la probabilidad de que ms de llamadas sean iniciadas
en un periodo de tiempo de una hora es un problema de probabilidad.
Conceptos Bsicos
Espacio Muestral
Un espacio muestral, denotado por
1.Cada elemento de
, asociado con un experimento aleatorio es un conjunto de puntos tales que:
denota un resultado del experimento, y
2.Cualquier ejecucin de el experimento da lugar a un resultado que corresponde exactamente a un elemento de
Los elementos del espacio muestral son llamados puntos muestrales.ral

De acuerdo a la naturaleza de los elementos que conforman un espacios muestral, este se puede clasificar en:
Discreto: Se dice que un espacio muestral es discreto si al enumerar sus elementos, estos nmeros pueden
ponerse en una correspondencia uno a uno con el conjunto de los enteros positivos o cuando contiene un nmero
contable de elementos. Contnuo: Se dice que un espacio muestral es continuo si sus resultados consisten de
todos los puntos de un intervalo de nmeros reales, o todos los puntos de un plano, o en general algn rectngulo en
el espacio
dim
Los espacios muestrales considerados en los ejemplo 9, 10 y 13 son todos
discretos. el del ejemplo 11 es continuo
Ejemplo
Lanzamiento de monedas.
1. Una moneda es lanzada una vez. Entonces
sello.
.donde
denota el resultado cara y
2. Si la misma moneda es lanzada dos veces, entonces

3. Ahora si contamos el nmero de caras en el resultado del caso (a) y (b), entonces
denota
.
y
como los respectivos espacios muestrales

4. Ejercicios
5. 1. Un club tiene cinco miembros A,B,C,D y E. Se requiere seleccionar un presidente y una secretaria.
6. Asumiendo que un miembro no puede ocupar ambas posiciones, escriba el espacio muestral asociado con
este experimento.
7. 2. En cada uno de los siguientes experimentos cual es el espacio muestral
8. a) El experimento consiste en seleccionar en una empresa manufacturera cuatro productos y observar si son
defectuosos o no.
b) Un libro dado es abierto en cualquier pgina y el nmero de errores de impresin es contado.
c) Dos cartas son seleccionadas
cartas.
con reemplazamiento,
sin reemplazamiento de una baraja de
Conceptos Bsicos
Eventos y sigma algebra
Definicin de Evento
Sea un espacio muestral. Un evento (con respecto a ) es una coleccin de puntos muestrales. Cada punto del
espacio muestral es conocido como evento simple o elemental.
El conjunto vaco
imposible o nulo, y
son subconjuntos de
por tanto son eventos;
algunas veces se denomina el evento cierto o seguro.
Definicin de lgebra y Sigma lgebra
Una lgebra es una coleccin no vacia de conjuntos de
tales que:
A
Si
A ,entonces
Si
A entonces
- lgebra A ,es una coleccin no vacia de subconjuntos de tales que:

A
Si
A ,entonces
Si
A entonces
Si
A entonces
Es de notar que:
1.
se denomina algunas veces el evento
se sigue de
2. Con todo espacio muestral
.
se asocia una
lgebra A.
3. La probabilidad se asigna solamente a eventos (conjunto de A).
Si
contiene un nmero contable de puntos, siempre se puede tomar a A como la coleccin de todos los
subconjuntos de
Si
contiene un nmero no contable de puntos, tambien se puede tomar a A como la coleccin de todos los
subconjuntos de , pero es mucho ms larga esta coleccin. Si

o es un intervalo den , entonces cada
uno de los subconjuntos de un punto y todos los intervalos (cerrados, abiertos, o semicerrados) serian eventos.
Ejemplo
Supongamos que el experimento consiste en lanzar una moneda.
El espacio muestral es
y una lgebra sobre
sera
Veamos que se cumplen las tres condiciones:

(i)
(ii)
(iii)
y
y
y
y anlogamente para todas las uniones entre dos conjunto de A.

Definicin de Eventos mutuamente excluyentes
Se dice que dos o ms eventos son mutuamente excluyentes si la ocurrencia de cualquiera de ellos impide la
ocurrencia de uno de los otros; es decir, para dos evento se cumple que
En lenguaje de la teora de conjunto eventos mutuamente excluyentes son conjuntos disjuntos.

Ejercicios
Los eventos son denotados por letras maysculas
y as sucesivamente. Es comn denotar algunos
eventos en terminos de operaciones entre conjunto. Se supone que el lector eat familiarizado con operaciones entre
conjuntos.
Sea
un espacio muestral.
=2
es
= {,
} es
Sea
4. Sea
a.
- Algebra #
: nmero de elementos de
- Algebra
= {a, b, c} 2
= {a, b, c} 2
=2
=2
= {, {a}, {b}, {c},
= 8.
= 8.
} es
- Algebra? No
i.
ii. {a}
b.
pero {a}
= {, {a}, {b, c},
, por lo tanto
} es
- Algebra? S,
no es
- Algebra
es
- Algebra
i.
ii. {a}
{a}
{b, c}
{b, c} = {a}
=
=
iii. , {a}, {b, c}
{a}
{b, c}
por lo tanto
es una
- Algebra.
5. Del ejemplo 7 de espacio muestral. Se puede definir el evento: E: El equipo A no pierde = {G , E}

6. Del ejemplo 8 de espacio muestral, el evento E: El resultado es exactamente un ''4'' = {1}
7. Del ejemplo 9 de espacio muestral el suceso E: Al menos dura 50 horas = {W ! W
50}
8. Del ejemplo 10 de espacio muestral, el evento E: El sistema tiene no ms de una salida = {0,1}.
Conceptos Bsicos
Definicin de Probabilidad
Axiomas de Probabilidad
Sea
en
un espacio muestral asociado a un experimento estadstico y A una
lgebra . Una funcin
y rango el intervalo
se llama medida de probabilidad o simplemente probabilidad si satisface los siguientes axiomas:
con dominio
P( A) es llamada la probabilidad del evento A. Observese que la definicin anterior solamente expresa cales son las
propiedades que tiene que cumplir una probabilidad, pero no expresa como asignar las probabilidades especficas a
los eventos.
Tcnicas de Conteo
Se estudian en este aparte algunos tcnicas especiales que facilitan el trabajo de contar los casos favorables y
posibles que definen la medida de probabilidad.
Principios bsicos del conteo
Sea un experimento que se tiene que realizar en K diferentes etapas, cada una se puede hacer de ni formas distintas,
entonces el experimento completo puede hacerse en:
formas.
Ejemplos
Las maneras diferentes de viajar de una ciudad A a otra C pasando por una B, asumiendo que hay 3 alternativas para
ir de A a B, y 4 de B a C
El nmero total de formas diferentes de viajar de A hasta C es: n x n = 3 x 4 = 12 El nmero total de las placas de
los carros en Colombia, si se asumieran 3 letras de las 28 y 3 dgitos de los 10 se puede calcular como:
n
xn
xn
xn
xn
xn
= 10
* 28
= 21.952.000
con n :nmero de formas de colocar el digito i, i=1, 2, 3

n :nmero de formas de colocar la letra J, J=4, 5, 6
Tcnicas de Conteo
Principio de la Adicin
Sea un experimento que se puede realizar de n
ejecutar de n
+n
+ ...+ n
n ,..., n
formas diferentes. El experimento completo se podr
maneras diferentes.
Ejemplo
Las formas de hacer un viaje a un sitio determinado al cual viajan 3 empresas de buses, el tren y 4 compaas de
aviacin son por lo tanto 3 + 1 + 4 = 8 maneras diferentes para realizar el viaje.
Tcnicas de Conteo
Muestras Ordenadas
Sea un conjunto de N elementos distinguibles, llamado poblacin. Cualquier subconjunto o arreglo de n elementos se
denomina muestra. La seleccin de los elementos de la muestra puede cumplirse de dos formas: i. Sin repeticin o
sin reemplazo. (Permutaciones) La seleccin de un elemento corresponde a cada etapa del experimento, cada vez
que se elija un elemento no se vuelve a tener en cuenta para la siguiente seleccin y aplicando el principio de la
multiplicacin se tiene que el total de formas diferentes de obtener la muestra es:
Muestras ordenadas sin repeticin: MOSR
ii. Con repeticin o con reemplazo Igual al caso anterior, pero cada vez que se realice una seleccin se vuelve a tener
en cuenta el elemento extrado anteriormente, as que el total de formas diferentes con repeticin es: N * N *... *N =N
Muestras ordenadas con repeticin : MOCR
Ejemplo
Suponga el conjunto
= {a, b, c, d} N = 4 El total de formas diferentes de seleccionar n = 2 elementos de los 4
teniendo en cuenta que se pueden distinguir uno de otro es: a. MOSR:
b. MOCR: 42 = 16 = {(a, a), (b, b), (c, c), (d, d), A}

Cuantas alternativas son posibles para obtener una cifra de 4 dgitos a. Sin que ninguno dgito sea repetido. Los
nmeros del 0 a 9 son distintos y se desean cifras sin que ningn digito se repita, la solucin es a partir de MOSR, es
decir:
P . b. No empiece con cero y no se repita ningn dgito. La cifra debe empezar con cualquiera de los 9 dgitos
distintos de cero, como no se puede repetir un dgito entonces para el segundo nmero se cuenta con 9 dgitos, por
la anterior razn las posiciones tres y cuatro se pueden llenar con 8 y 7 dgitos, respectivamente. Aplicando el
principio de la multiplicaci
n se tiene un total de cifras igual a: 9* 9*8*7 c. Teniendo en cuenta que uno o ms dgitos estn repetidos. La
distincin entre los dgitos se mantiene, pero ahora se considera la repeticin, por lo tanto la solucin es travs de
MOCR ( 10
), aqu se hace necesario reflexionar porque no se desean cifras sin dgitos repetidos(
la respuesta es: 10
P ), por tanto
P =4960
Tcnicas de Conteo
Muestras no Ordenadas
Los N elementos de la poblacin aunque diferentes no requieren distinguirse, el total de muestras posibles depende
de la forma como se realice la seleccin pudiendo ser: i. Sin repeticin o sin reemplazo. (Combinatoria). Equivalen a
las permutaciones eliminando los n! trminos ordenados. Por lo tanto el total de muestras lo da la expresin:
formas diferentes.
i. Muestras no Ordenadas sin repeticin: MNOSR
ii. Con repeticin o con reemplazo. En este caso se puede asumir que en cada etapa de seleccin se va agregando
un elemento "nuevo", desde luego a excepcin de la primera etapa, equivale esto a aumentar la poblacin en el
nmero de etapas de seleccin menos una. Implica decir que (n-1) de los N elementos pueden volver a ser
seleccionados. La combinatoria que aparece a continuacin permite contar el total de muestras
Muestras no ordenadas con repeticin

MNOCR
Ejemplo
De acuerdo al ejemplo 38, el total de subconjuntos de tamao 2 tomados de el conjunto de 4 elementos que no
requieren ser distinguidos es: a.
b.
Particin de un conjunto
El total de formas diferentes en que se pueden repartir N elementos en K subconjuntos cada uno de tamao N , i =
1,2,....k se representa por:

Es equivalente a tener N individuos de los cuales N , i = 1,2,....,k son iguales constituyndose as k clases, por tanto
el total de ordenaciones posibles N! incluyen algunas N-uplas iguales las cuales se corrigen conociendo los N i que
causan esas formas idnticas por tanto el total de ordenaciones diferentes se calcula segn la formula anterior.
Ejemplo
Se reparte un naipe de 52 cartas entre cuatro personas de tal manera que al primero le correspondan los ases, al
segundo las figuras, al tercero los nmeros impares y al cuarto las dems cartas. De cuntas maneras se puede
lograr esta particin? Solucin: En una baraja de pquer hay 4 ases, en cada una de las cuatro pintas se tienen 3
figuras y las dems cartas estn numeradas del 2 al 10. Por lo tanto: N = 52 N
total de particiones es igual a:
=4N
= 12 N
= 16 N
= 20 El
E
j Probabilidad de eventos
Regla de Adicin
Los eventos compuestos se generan al aplicar las operaciones bsicas de los conjuntos a los eventos simples. Las
uniones, intersecciones y complementos de eventos son de inters frecuente. La probabilidad de un evento
compuesto a menudo pueden obtenerse a partir de las probabilidades de cada uno de los eventos que lo forman. En
ocasiones, las operaciones bsicas de los conjuntos tambin son tiles para determinar la probabilidad de un evento
compuesto.
De esta manera para A y B eventos del espacio muestral S, entonces:
Demostracin:
Se conoce que
por otro lado se tiene que
Entonces
er Probabilidad de eventos
Probabilidad Condicional
La probabilidad de que un evento
ocurra cuando se sabe que ya ocurrio un evento
se llama probabilidad
condicional y se denota por

que por lo general se lee como probabilidad de que "ocurra B dado que ocurri
A". Esta probabilidad se define como:
La probabilidad condicional es una funcin de probabilidad,
Es
definida como
una funcin de probabilidad?

es una funcin de probabilidad porque satisface los tres axiomas
Axioma I
para todo evento
Como
entonces dividiendo por
se tiene los trminos de la desigualdad se tiene
Axioma II
Como
Axioma III
Si
es una sucesin de eventos mutuamente excluyentes, entonces
Como
como los eventos

son mutuamente excluyentes, entonces los eventos
son tambin mutuamente excluyentes y as
Ejemplo
1. La antena de una instalacin de radar recibe, con probabilidad
y con probabilidad
, una seal til con una interferencia superpuesta,
solo la interferencia pura. Al suceder una seal til interferida, la instalacin indica la
existencia de cualquier seal con probabilidad

, cuando aparece una interferencia pura con la probabilidad
. S
la instalacin ha indicado la existencia de cualquier seal, determinar la probabilidad de que esta indicacin haya sido
ocasionada por una seal til con interferencia superpuesta.
Solucin:
Sean U: el evento la seal es til con interferencia superpuesta

I : el evento la seal es til con interferencia pura
S: el evento que indica ocurre una seal
Con base en el diagrama , la probabilidad se puede calcular as:
Mas ejemplos
Entre los 200 empleados de una empresa hay 150 graduados, 60 del total consagran parte de su tiempo por lo
menos a trabajos tcnicos, 40 de los cuales son graduados. S se toma al azar uno de estos empleados, cul es la
probabilidad de que:
a. Sea graduado dado que se sabe no consagra su tiempo al trabajo tcnico?
b. No sea graduado dado que se sabe no consagra su tiempo al trabajo tcnico?
Solucin:
Sean los eventos:
: el empleado es graduado
: el empleado dedica parte de su tiempo a trabajos tcnicos

De la informacin dada se puede elaborar parcialmente una tabla de contingencia
Graduados
Trabajos
Otros
tcnicos
trabajos
Total
40
150
60
200
No graduados
Total
La cual se puede completar como se muestra a continuacin
Graduados
Trabajos
Otros
tcnicos
trabajos
Total
40
150
60
200
No graduados
Total
a. La probabilidad de que sea graduado dado que se sabe no consagra su tiempo al trabajo tcnico,
, se
puede calcular en este caso de manera fcil utilizando la tabla de contingencia, en la cual esta proabbilidad es calcual
determinando proporcin de los de otros trabajos son graduados es decir,dada como el cociente entre es
Tambin es posible calcularla mediante la definicin de probabilidad condicional
b. La probababilidad de que no sea graduado dado que se sabe no consagra su tiempo al trabajo tcnico es tambin
determinada por medio de la tabla de contingencia
Tambin por la definicin de probabilidad condicional se tiene
y por la ley de Morgan
y como
. Luego
Probabilidad de eventos
Regla de Multiplicacin
De la definicin de probabilidad condicional se tienen los siguientes resultados al despejar
Las relaciones
son casos especiales de la llamada Regla de la multiplicacin, la cual es til para:
Calcular probabilidades de intersecciones de eventos

condicionales.
con base en probabilidades
Esta regla de manera general se puede expresar como:

Sea
eventos tales que
. Entonces
Ejemplo
1. (Inspeccin de Lotes)
Un lote contiene
items de los cuales
son defectuosos. Los items son seleccionados uno despues del otro
para ver si ellos son defectuosos. Suponga que dos items son seleccionados sin reemplazamiento (Significa que el
objeto que se selecciona al azar se deja por fuera del lote). Cal es la probabilidad de que los dos items
seleccionados sean defectuosos?.
Solucin
Sea los eventos
entonces dos items seleccionados seran defectuosos, cuando ocurre el evento

los eventos
. De la informacin dada se tiene que:
que es la interseccin entre
as probabilidad de que los dos items seleccionados sean defectuosos es
Ahora suponga que selecciona un tercer item, entonces la probabilidad de que los tres items seleccionados sean
defectuosos es
Mas ejemplos
Ejemplo 2 La probabilidad de que la batera de un automvil sujeta a altas temperaturas dentro del compartimiento
del motor reciba una corriente de carga mayor que la normal, es
. La probabilidad de que la batera quede
expuesta a altas temperaturas es

. Cal es probabilidad de que la batera experimente tanto una corriente de
carga alta como una temperatura alta?
Solucin
Sean
: el evento donde la batera experimenta una corriente de carga mayor que la normal, y
: el evento donde la batera est expuesta a altas temperaturas.
Solucin
Sean
: el evento donde la batera experimenta una corriente de carga mayor que la normal, y
: el evento donde la batera est expuesta a altas temperaturas.
el evento condicional, la batera de un automvil que esta sujeta a altas temperaturas dentro del
compartimiento del motor recibe una corriente de carga mayor que la normal
De la informacin dada se tiene:
,
Luego, la probabilidad de que la batera experimente tanto una corriente de carga alta como una temperatura alta,
es :
Ejemplo 3
El
de la poblacin de una ciudad sufre de presin sangunea alta. De la poblacin con presin sangunea alta el
toman licor mientras que solamente el

que no sufren de presin sangunea alta lo toman. Calcule el
porcentaje de personas que toman licor y sufren de presin sangunea alta.
Solucin:
Sean los eventos:
La probabilidades asociadas a estos eventos son:
Y la probabilidad a calcular es
. El diagrama de rbol, ayuda a entender problemas relacionados con la
regla de la multiplicacin, como es el caso del presente problema:
El porcentaje de personas que toman licor y sufren de presin sangunea alta es determinado como
4. Un lote contien
artculos de los cuales
son defectuosos y no defectuosos son inspeccionados uno por uno.
Si los artculos son seleccionados al azar sin reemplazamiento, calcular la probabilidad de que:
a. Los primeros dos artculos sean defectuosos
b. Entre los tres primeros artculos, dos sean buenos
c. El tercer artculo es defectuoso
d. Si se tine la siguiente regla: se acepta el lote de
calcular la probabilidad de rechazar el lote.
artculos si al observar
artculos mximo uno es defectuoso,
Solucin:
Sean los eventos:
,
a
El evento de inters es
y su probabilidad es
b. El evento de inters es
c. El evento de inters es
d. Como no se rechaza el lote cuando esxista
defectuoso y
Luego
rechazar
Aceptar
Eventos Independientes
DEFINICIN. Independencia para dos eventos
Sea
dos eventos. Se dice que
independientes si
defectuoso, entonces
Si
no son independientes se dice que ellos son dependientes.
NOTAS
1. Con la anterior definicin, si A y B son independientes, la probabilidad de B dado que ya ocurrio A es:
2. La probabilidad de A dado que ya ocurrio B es:
DEFINICIN. Eventos mutuamente independientes

Los eventos
tienen
son Mutuamente independientes si las las siguientes
relaciones se
Ejemplo
Se sacan tres cartas de un juego en sucesin, sin reemplazo, de un paquete ordinario. Encuentre la probabilidad de
que se presente
carta sea un 10 o una jota y
, donde
es el evento de que la primera carta sea un as rojo,
que la tercera carta es mayor que 3 y menor que 7.
que la segunda
As, la probabilidad de que al sacar tres cartas de una baraja, la primera carta sea un as rojo, la segunda carta sea un
10 o jota y la tercera carta sea mayor que 3 y menor que 7 es de 0.0014 o 0.14%.
Probabilidad Total
En muchas situaciones es posible que se conozca
que el espacio muestral est particionado por una coleccin de eventos
exluyentes
La probabilidad de cada evento
mutuamente
La probabilidad de ocurrencia de un evento cualquiera
dado un evento de la particin
. Esto es,
Entonces es recomendable utilizar el llamado Teorema de probabilidad total para

calcular la probabilidad total de un evento cualquiera
Teorema
Sea
para
un espacio muestral y
una coleccin de eventos mutuamente excluyentes tal que
. Entonces para cualquier evento
Demostracin
Considere el diagrama de Venn en la figura 1.
de
Se observa que el evento A es la unin de los eventos mutuamente excluyentes,
es decir,
con base en la parte (c) de los axiomas de probabilidad se tiene que:
Utilizando la regla de multiplicacin. Se tiene que:
Ejemplo
Considere una fbrica de colchones, quien realiza una campaa publicitaria para mejorar sus ventas. Para evaluar la
efectividad de la campaa, la fbrica guarda los registros de si o no un cliente ha visto el aviso publicitario y si o no el
cliente ha hecho una compra. Con base en este registro, es estimado que la probabilidad de que un cliente haya visto
el aviso es
es
, la probabilidad condicional de que una venta se haya realizado dado que el cliente ha visto el aviso
, y la probabilidad condicional de que una venta se haya realizado dado que el cliente no ha visto el aviso es
. Cul es la probabilidad de que una seleccin aleatoria de un cliente sea la un cliente que har una compra?.
Solucin
Sean los eventos
:
el cliente ha visto el aviso
el cliente no ha visto el aviso
el cliente hace una compra
entonces el espacio muestral formado por todos los clientes es particionado como

,
es:
,
La probabilidad de ocurrencia del evento
. Esto es,
Entonces
Ejercicios
1. La polica planea reforzar los lmites de velocidad mediante el uso de un sistema de radar en cuatro
diferentes puntos de la ciudad. Las trampas de radar en cada uno de los sitios
operan 40%,
30%, 20% y 30% del tiempo, y is una persona que maneja a gran velocidad cuando va a su trabajo tiene las
probabilidades de 0.2, 0.1, 0.5 y 0.2, respectivamente, de pasar por esos lugares, cul es la probabilidad de
que reciba una multa por conducir con exceso de velocidad?
2. La irregularidad del corte de productos de papel aumenta a medida que las hojas de la cuchilla se desgastan.
Slo el 1% de productos cortados con cuchillas nuevas tienen cortes irregulares, el 3% de los cortados con
cuchillas de filo promedio exhiben irregularidades y el 5% de los cortados con cuchillas desgastadas
presentan irregualridades. Si el 25% de las cuchillas utilizadas en el proceso de corte son nuevas, el 60%
tiene un filo promedio y el 15% de las cuchillas estn desgastadas, cul es la proporcin de productos que
tendrn cortes irregulares?
Teorema de Bayes
En muchas situaciones es posible que se conozca
que el espacio muestral est particionado por una coleccin de eventos
exluyentes
mutuamente

La probabilidad de ocurrencia de un evento cualquiera
. Esto es,
Entonces es recomendable utilizar el llamado Teorema de Bayes para calcular la probabilidad condicional de que un
evento de la particin
dado que ocurre el evento
Teorema
Sea
para
una coleccin de eventos mutuamente excluyentes tal que
. Entonces para cualquier evento
de
Ejemplos
En cierta planta de montaje, tres mquinas B B B , montan 30%, 45% y 25% de los productos,
respectivamente. Se sabe de la experiencia pasada que 2%, 3%, y 2% de los productos ensamblados por cada
mquina, respectivamente, tiene defectos. Ahora, suponga que se selecciona de forma aleatoria un producto
terminado y se encuentra que es defectuoso, cul es la probabilidad de que est ensamblado por la mquina B ?
Solucin:
Considere los eventos siguientes:
A: el producto est defectuoso,
B : el producto est ensamblado por la mquina B .
Al aplicar el teorema, podemos escribir:
De los datos del problema sabemos que:
Entonces:
As, al seleccionar de forma aleatoria un producto terminado y encontrar que es defectuoso, la probabilidad de que
est haya sido ensamblado por la mquina B
es del 20%.
Ejercicio 1 Si en el ejercicio 1 de teorema de probabilidad total la persona es multada por conducir con exceso de
velocidad en su camino al trabajo, cul es la probabilidad de que pase por el sistema de radar que se ubica en L ?
Ejercicio 2 Los clientes se encargan de evaluar los diseos preliminares de varios productos. En el pasado, el 95%
de los productos que con mayor xito en el mercado recibieron buenas evaluaciones, el 60% de los productos con
xito moderado recibieron buenas evaluaciones y, el 10 % de productos de escaso xito recibieron buenas
evaluaciones. Adems, el 40% de los productos ha tenido mucho xito, el 35% un xito moderado, y el 25% una baja
aceptacin.
a. Cul es la probabilidad de que un producto obtenga una buena evaluacin?
b. Si un nuevo diseo obtiene una buena evaluacin, cul es la probabilidad de que se convierta en un
producto de gran xito?
c.
Si un producto no obtiene una buena evaluacin, cul es la probabilidad de que se convierta en un

producto de gran xito?
Variables Aleatorias
Definicin general
En lecciones anteriores se estudiaron probabilidades de eventos asociados a los resultados fsicos del espacio
muestral
. Por ejemplo cuando se lanza una moneda 2 veces se obtiene como espacio muestral
y un evento de inters es
evento tiene como probabilidad
ocurrir una cara
cuyos elementos son
. este
En la prctica resulta de mayor inters el estudio de eventos tales como:

A: ``nmero de caras que ocurren al lanzar dos monedas''
Similarmente, si dos personas empiezan a caminar desde el mismo punto al mismo tiempo a lo largo de lneas
perpendiculares, entonces el espacio muestral es el conjunto de pares ordenados de nmeros reales
positivos
correspondientes a sus distancias desde el punto de inicio
Ahora si
representan sus velocidades en kilmetros por hora y si estamos interesados en la distancia
entre
los dos despus de horas, entonces la variable aleatoria de inters es
As, para todo punto (resultado del espacio muestral)
en
se puede asignar un nmero real positivo
que representa la distancia entre las dos personas despues de horas.

En ambos ejemplos estamos interesados no en la ocurrencia de un elemento
algun nmero real asignado a
Frecuentemente el resultado
del espacio muestral
sino en en
.
es en s mismo un nmero real.
Definicin
Sea
un espacio muestral con una clase de eventos
nmero real
. cualquier regla que asigna a cada elemento
un
es llamada variable aleatoria.
El concepto de variable aleatoria (v.a.) proporciona un medio para relacionar cualquier resultado de un experimento
aleatorio con una medida cuantitativa, lo cual significa que a cada elemento de un espacio muestral se le asigna un
valor sobre la recta de los reales.
Nota 1.
Suponiendo que
es una variable aleatoria sobre
Entonces la funcin (o variable aleatoria)
sobre la recta real, y as se induce otro espacio muestral

como
toma valores
que puede ser tomado
. En este caso es un caso de espacio muestral no contable
Cales son los eventos en el espacio muestral
?.
Todos los subconjuntos de un solo punto y todos los intervalos (cerrados, abiertos, o semicerrados) son eventos.
Tambin uniones, diferencias e intersecciones de intervalos.
Cal es la
La
lgebra asociada al espacio muestral
lgebra asociada al espacio muestral
subconjuntos
. Esta
es la llamada
lgebra de Borel conformada por todos los
lgebra es generada por la coleccin de todos los intervalos semicerrados de la forma
y es denotada por
Los conjuntos de
son llamados conjuntos de Borel.
Nota 2.
Las variables aleatorias ser denotadas con letras maysculas
ser denotado por
. Esto es, se escribira
por
, ,U,V,W, etc. El valor
asignado por
Ejemplo 1
Nmero de hijos en una familia, nmero de cuartos en una casa, el ingreso de una familia, el tiempo de duracin de
una pieza de un equipo, el nmero de errores en un pgina de un libro, la corriente elctrica que pasa por un punto
dado.
Ejemplo 2
Un dado es lanzado una vez. En este caso el espacio muestral es
ejecucin es un nmero real. Se define la variable aleatoria
la cual asigna a cada elemento

a continuacin:
del espacio muestral
como:
un nmero real
2
3
4
5
6
Luegos se dice que la variable aleatoria toma valores
Ahora otra variable aleatoria para este experimento se definira como:
entonces
toma los valores
. Se oberva que la
como se muestra de manera explicita
Ejemplo 3
Un dado es lanzado dos veces, entonces
se podran definir son:
. Algunas variables aleatorias que
El rango o los valores que toman las anteriores variables son respectivamente:
Otra definicin de variable aleatoria

Sea
la
lgebra asociada Una funcin de valor real que proyecta
variable aleatoria si la imagen inversa bajo
Determinar si una funcin
de todo conjunto de Borel en
en
es llamada
son eventos, esto es,
es una variable aleatoria por la definicin no es fcil ya que se tendria que
probar que la imagen inversa bajo

teorema
. Por ello se recomienda aplicar el siguiente
Teorema
Sea
la
lgebra asociada Una funcin de valor real que proyecta
variable aleatoria si la imagen inversa bajo
Determinar si una funcin

probar que la imagen inversa bajo
teorema
en
es llamada
son eventos, esto es,
es una variable aleatoria por la definicin no es fcil ya que se tendria que

Teorema
es una variable aleatoria si y solo si para cada
. Por ello se recomienda aplicar el siguiente
Ejemplo 1
Sea el experimento: lanzar una moneda, entonces el espacio muestral es
todos los subconjuntos de
dada por
y sea
. Defina la variable aleatoria
lgebra de
como
Entonces
luego para
la imgen inversa
es siempre un conjunto de la
lgebra
Ejemplo 2
Sea el experimento: lanzar dos monedas, entonces el espacio muestral es
lgebra de todos los subconjuntos de
. Defina la variable aleatoria
nmero de caras
y sea
como
en
Entonces
luego para
la imgen inversa
es siempre un conjunto de la
Ejercicios
1. Sea
el nmero de caras al lanzar tres monedas.
a. Determine el espacio muestral

b. Escriba los valores que
asigna a los elementos de
c. Escriba los elementos del evento
lgebra
d. Escriba los elementos del evento

2. Un dado es lanzado dos veces. Sea
las caras.
la suma de los valores de las caras , y
el valor absoluto de la diferencia en
a. Determine el espacio muestral

b. Escriba los valores que
c. Escriba los valores que
d. Chequear si
es una variable aleatoria
e. Chequear si
es una variable aleatoria
Etiqueta 2
Contenido 2
Caso Discreto
Definicin
Una variable aleatoria (v.a.)
es discreta si los valores que asigna forman un conjunto contable (finito o infinito).
Ejemplo
Sea el nmero de caras al lanzar dos monedas. Los valores que asigna son
contable (finito).
, el cual es un conjunto
Funcin de Probabilidad
Sea
una variable discreta. La coleccin de nmeros
que satisface las propiedades:
.
Se llamar una funcin de probabilidad o funcin de masa de probabilidad de la variable aleatoria discreta
Ejemplo de 2 dados
Se realiza el siguiente experimento: se lanzan dos dados, uno rojo y otro azul.
El espacio muestral para este experimento es:
En una funcin de probabilidad sobre una sigma lgebra asociada al espacio muestral
es dada por:
donde
es definida como
Explicacin: Esta es una de las maneras de definir una funcin de probabilidad sobre la sigma lgebra. En este caso
debido a que el espacio muestral es finito, se define la funcin de probabilidad para cada elemento de
Sea la variable aleatoria

aleatoria
que representa la suma de los nmeros obtenidos en las caras, entonces la variable
asigna nmeros reales a cada uno de los elementos de espacio muestral
De esta manera se dice que la variable aleatoria
La funcin de probabilidad para la variable
El valor
como:
como se muestra Aqu
toma los valores
se determina como se muestra a continuacin:
se obtiene de la funcin de probabilidad definida sobre la sigma lgebra que fu denotado
anteriormente como
Explicacin: Observe que la letra representa l aprobabilidad de un evento para la variable aleatoria
representa la probabilidad para un elemento del espacio muestral.
Anlogamente la probabilidad para los otros valores de la variable se presenta en la siguiente tabla:
y la letra
Probabilidad
=
=
=
Para poder observar mejor el comportamiento de la distribucin de la probabilidad de la variable observe la figura que
se presenta a continuacin.
En la grfica se observa que la distribucin de probabilidad es simtrica esto implica que las medidas de tendencia:
Media Aritmtica, Mediana y La moda , son iguales. La manera de calcular estas medidas se estudia en la leccin
Valor esperado. Observe que lo ms probable que puede ocurrir al lanzar dos es que la suma de las caras sea 7.
Caso Discreto
Funcin de Probababilidad Acumulada
La funcin distribucin acumulada
de la variable aleatoria discreta
, es la probabilidad de que la variable
sea menor o igual al valor
, cuya distribucin de probabilidad es
Esto es,
Ejemplo
Para el ejemplo tratado anteriormente, La funcin distribucin acumulada
determinada as:
1. Divida el rango de la variable en subintervalos:

y
acuerdo a la particin de la recta real dada en la funcin de probabilidad.
. Esta divisin es realizada de
2. Calcule la funcin de probabilidad acumulada para un un valor

las probabilidades de los valores de la variable menores a
ya que segn la definicin de la funcin de probabilidad
Luego La funcin distribucin acumulada
es
que se encuentre en el intervalo como la suma de
cuando
como es en este caso.
es dada por
Se extraen dos pelotas de una urna que contiene 4 pelotas rojas

probabilidad para la variable aleatoria
y 3 blancas (B). Determine una funcin de
que cuenta el nmero de pelotas rojas para los casos siguientes:
a. Cuando una pelota se extrae y se devuelve a la urna. (con reemplazamiento)

b. Cuando una pelota se extrae y no se devuelve a la urna. (sin reemplazamiento)
Solucin.
Los elementos del espacio muestral en este experimento son:
a.La funcin de probabilidad asociada con ese espacio muestral es:
La asignacin de las probabilidades es as:
Para el caso de
, al extraer la primera pelota, la probabilidad de que sea roja es
y como la pelota se
regresa de nuevo a la urna, la probabilidad de que la segunda pelota salga blanca es

ya que hay 3 pelotas blancas
entre las 7 de la urna. Un razonamiento anlogo permite determinar los otros valores de probabilidad.
La variable aleatoria
es dada por:
2
0
As, los valores que toma la variable
son:
y la distribucin de probabilidad, para este caso en el que se hace con reemplazamiento

Los resultados posibles y los valores
El evento
de la variable aleatoria Y, donde Y es el nmero de pelotas rojas, son:
para la variable aleatoria
se obtiene cuando ocurre la interseccin de los dos eventos
Sacar una pelota blanca en la primera extraccin y

eventos estn dados explicitamente por:
B,R
B,B
R,B
Sacar una pelota blanca en la segunda extraccin. Estos
B,B
la interseccin es dada por:

B,R
B,B
R,B
B,B
luego el eveto mpara la variable aleatoria
B,B
es equivalente al evento
B,B , as:
donde las probabilidades

y
son obtenidas con la funcin de probabilidad
lgebra como se mostr anteriormente. Asi:
y por ser
luego
definida sobre la sigma
una funcin de probabilidad, se cumple que
Un razonamiento anlogo nos permite llegar a que
Por tanto
Una manera ms sencilla de obtener el resultado anterior es conociendo que en este caso la variable aleatoria se
distribuye binomial , en donde
y as:
haciendo
un
razonamiento
similar
al
de
se
obtiene
que
0
1
2
El grfico de esta funcin de probabilidad aparece en la figura.
b. Para el caso sin reemplazamiento, defina a
como:
y proceda de una manera similar a la anterior, pero utilizando las probabilidades anteriores para obtener los valores
de la variable aleatoria, con lo cual llegara a que
0
1
2
2. El espacio muestral de un experimento aleatorio es

probable. Se define una variable aleatoria de la siguiente manera
1. Determine la funcin de probabilidad de x, hacer grfico.
2. Determinar las siguientes probabilidades
, y cada resultado es igualmente
3 El espacio muestral de un experimento aleatorio es

Se define una variable aleatoria de la siguiente manera
, y cada resultado es igualmente probable.
b
c
1.5
d
e
La funcin de probabilidad acumulada para la variable aleatoria
es
Ejercicios
Ejercicio 1
Verifique que la siguiente fuuncin es funcin de probabilidad y calcule las probabilidades pedidas.
x
f(x)
-2
-1
1. P( X/2)
2. P( X>-2)
3. P( -1/X/1)
4. P( X/-1/text o X=2)
Ejercicio 2
Un grupo de partes moldeadas se clasifica de acuerdo con su longitud, de la siguiente manera.
1. Si la variable aleatoria
es la longitud (redondeada a la dcima de milmetro ms cercana) de una parte
moldeada seleccionada al azar, determine la funcin de probabilidad de
2. Cul es el valor de
3. Cul es el valor de
Ejercicio 3
Un ingeniero de control de calidad muestrea cinco piezas de un lote grande de percutores fabricados y determina si
tiene defectos. Aunque el inspector no lo sabe, tres de los cinco percutores muestreados tiene defectos. El ingeniero
prueba los cinco percutores en un orden escogido al azar hasta que observa un percutor defectuoso (en cuyo caso se
rechazar todo el lote). Sea Y el nmero de percutores que debe probar el ingeniero de control de calidad. Calcule y
grafique la distribucin de probabilidad de Y.
Caso Continuo
Una variable
es llamada continua si toma todos sus valores sobre un intervalo de la recta real. Esto es, el conjunto
es un intervalo sobre
. Como ejemplo este caso se pueden considerar variables tiempo,
edad y estatura.
Funcin de Densidad
Sea
una variable aleatoria definida sobre
integrable sobre
La funcin de densidad
es dada por alguna funcin
tal que
para todo evento

Teorema
Sea
una variable aleatoria definida sobre
. Toda funcin
que es integrable sobre
y satisface:
es la funcin de densidad de alguna variable aleatoria continua
Este teorema nos sirve para determinar cuando una funcin integrable sobre
variable aleatoria continua
es una funcin de densidad de alguna
Ejemplo
Sea
una funcin sobre
dada por
Esta es una funcin integrable que satisface que

1.
para todo
como se puede observar en la figura
Figura 1. Grfico de funcin de probabilidad

Adems
Sea el evento A=
entonces la probabilidad de A puede ser calculada como
Caso Continuo
Funcin de Densidad Acumulada
La funcin de probabilidad acumulada o funcin de distribucin de una variable aleatoria
, es definida por la relacin
sobre
, denotada por
Ejemplo
para el ejemplo tratado anteriormente la funcin de distribucin es determinada como sigue:
1. Divida el rango de la variable en subintervalos:
. esta divisin es
realizada de acuerdo a la particin de la recta real dada en la funcin de probabilidad. cambie la notacin de
por
para evitar confuciones.

2. Calcule la funcin de probabilidad acumulada para un un valor
las probabilidades de los valores de la variable menores a
ya que segn la definicin de la funcin de probabilidad
que se encuentre en el intervalo como la suma de
cuando
Luego la funcin distribucin acumulada
y el grfico
de la variable aleatoria continua
es dada por
es dado
Figura 2. Grfico de funcin de probabilidad acumulada

Sea el evento A=
entonces la probabilidad de A puede ser calculada como
Teorema
Sea
una funcin de distribucin. Entonces
para todo
as F es no decreciente
para todo
lm
lm
F es continua a la derecha
y lm
Ejemplo
Sea
una variable aleatoria con funcin de distribucin acumulada dada por (Figura 3)
Figura 3. Grfico de funcin de probabilidad

Diferenciando
La funcin
con respecto a
no es continua en
se tiene
, o en
Mas ejemplos
Ejemplo 1
El error en la temperatura de reaccin, en grados centgrados, para un cierto experimento controlado de laboratorio
es una variable aleatoria continua
, que tiene la funcin de densidad de probabilidad:
Ejercicio 1
El nmero total de horas, medidas en unidades de 100 horas, que una familia utiliza una aspiradora en un periodo de
un ao es una variable aleatoria continua
que tiene la funcin de densidad
Encuentre la probabilidad de que en un periodo de un ao, una familia utilice su aspiradora

a. menos de 120 horas
b. entre 50 y 100 horas
Ejercicio 2
Sea c una constante y consideremos la funcin de densidad
a. Calcule el valor de
b. Obtenga la funcin de distribucin acumulativa

c. Calcule
d. Calcule
Caso Continuo
Valor Esperado
Los promedios son parte de nuestro diario vivir. Nosotros escuchamos el promedio de lluvia en una ciudad en un ao,
el promedio de temperatura en Agosto, el promedio de edad de los trabajadores de una empresa, entre otros. El
objetivo de esta seccion es mostrar algunas caractersticas numricas de una distribucin poblacional. El ms
comun promedio utilizado en estadstica es la media o valor esperado o esperanza matemtica.
Sea
una variable aleaoria definida sobre
y sea una funcin real definida sobre
. defina
por
Definicin
Caso discreto
Suponga que
media de
es una variable aleatoria es discreta. Si

o el valor esperado de
por
, entonces se define la
Caso continuo
Suponga que
es una variable aleatoria continua y la funcin de densidad de
entonces se define la media de
o el valor esperado de
. Si
por
Mas ejemplos
Ejemplo 1
Un jugador tiene tres oportunidades de lanzar una moneda normal y obtener cara, si cae cara la 1ra vez el jugador
gana $2, si cae cara la 2da vez gana $4 y si cae cara en la 3ra vez gana $8, el juego termina en el momento en que
cae una cara o despus de tres intentos. Si no cae cara en los tres lanzamientos pierde $20.
Cul es la esperanza de ganancia o perdida en el juego?
La probabilidad de que en la 1ra ocasin salga cara es
La probabilidad de que no salga ninguna cara en los tres lanzamientos es
As, el jugador esperar ganar luego de muchos juegos $0.5. Cabe notar que 50 centavos no es ninguno de los
posibles valores de la variable aleatoria, as, es completamente posible que una variable aleatoria nunca tome el
valor de su esperanza.
Ejemplo 2
Suponga que el nmero de autos que pasa por un lavado de autos entre 4:00 p.m. y 5:00 pm en cualquier viernes
soleado tiene la siguiente distribucin de probabilidad:
Sea
la cantidad de dinero en dlares, que el administrador paga al dependiente. Encuentre las
ganancias esperadas del dependiente en este periodo particular.
Solucin:
Ejemplo 3
Sea la variable aleatoria continua el dimetro de un agujero taladrado en una placa de metal. El dimetro requerido
es 12.5 milmetros, pero muchas perturbaciones aleatorias en el proceso dan como resultado dime-tros ms
grandes. La recopilacin de datos indica que la distribucin de
probabilidad
puede modelarse con la funcin de densidad de
Cul es el valor esperado de la
?, Cul es su varianza?
Ejercicios
Ejercicio 1
En un estudio de exploracin petrolera Kinchen (1986) cita un ejemplo en el que un presupuesto de exploracin de
50.000 dlares se asigna a un solo prospecto. El resultado puede ser un pozo seco, 50.000 barriles (bbl), 100.000
bbl, 500.000 bbl o 1.000.000 bbl, con las probabilidades y resultados monetarios que se muestran en la tabla. Sea
el valor monetario de un solo prospecto petrolero. Calcule
1. Calcule la media y la desviacin estndar de la longitud del cable.

2. Si las especificaciones para la longitud son
milmetros,Qu valor de la media da la
mayor proporcin de cables que cumplen con las especificaciones?
Ejercicio 3
Demostrar las caractersticas de las medias y las varianzas (del 1 al 5).
EJERCICIOS PROPUESTOS
1. (Ejercicio 3.22 Montgomery) Una persona pide prestado un llavero con cinco llaves, y no sabe cul es la que abre
un candado. Por tanto, intenta con cada llave hasta que consigue abrirlo. Sea la variable aleatoria
intentos necesarios para abrir el candado. Determine la funcin de probabilidad de
Cul es el valor de
Cul es el valor de
Cul es el valor de
el nmero de
2. (Ejercicio 3.26 Montgomery). Determine la funcin de distribucin acumulada para la variable aleatoria del ejercicio
1; asimismo, calcule las probabilidades siguientes:
3. (Ejercicio 3.36 Montgomery). Si el rango de

y la varianza de la variable aleatoria.
es el conjunto
4. (Ejercicio 5.4 Mendenhall) Sea una constante y consideremos la funcin de densidad
Calcule el valor de .
Obtenga la funcin de distribucin acumulativa
Calcule
, determine la media
Calcule
5. (Ejercicio 3.36 Montgomery) Determine la funcin de densidad de probabilidad asociada con cada una de las
siguientes funciones de distribucin acumulada.
(Ejercicio 5.13 Mendenhall) Investigadores de la University of Rochester estudiaron la friccin que ocurre en el
proceso de alimentacin de papel de una fotocopiadora (Journal of Engineering for Industry, mayo de 1993). El
coeficiente de friccin es una proporcin que mide el grado de friccin entre dos hojas de papel adyacente en la pila
de alimentacin. En un experimento se utiliz una distribucin triangular para modelar el coeficiente de friccin. La
funcin de densidad para la distribucin de friccin triangular est dada por:
f(y)=
Demuestre que
Calcule la media de la distribucin de friccin triangular.
Calcule la varianza de la distribucin de friccin triangular.
Encuentre la probabilidad de que en un periodo de un ao, una familia utilice su aspiradora

a. menos de 120 horas
b. entre 50 y 100 horas
Ejercicio 2 Sea c una constante y consideremos la funcin de densidad
a. Calcule el valor de
b. Obtenga la funcin de distribucin acumulativa

c. Calcule
d. Calcule
Distribuciones de variables aleatorias discretas
Distribucin Uniforme
Notacin:
X
UD(
Definicin
Es la ms simple de todas las distribuciones modelo y en ella la variable aleatoria asume cada uno de los valores con
una probabilidad idntica.
" Sea la variable aleatoria X que puede asumir valores
distribucin uniforme discreta viene dada por:
O sea que el parmetro clave en esta distribucin es

sera un parmetro de conto.
con idntica probabilidad. Entonces la
=nmero de valores que asume la variable aleatoria X y que
As por ejemplo cuando se lanza un dado correcto, cada una de las seis caras posibles conforman el espacio
muestral:
La v.a X: nmero de puntos en la cara superior del dado tiene una
distribucin de probabilidad Uniforme discreta, puesto que:
para
en otro caso.
La representacin grfica de esta distribucin de probabilidad puede hacerse con un histograma para v.a. discreta,
es en este caso la altura de
Planteemos sus caractersticas principales de tendencia central y dispersin.

El valor esperado y varianza de una distribucin discreta uniforme se obtienen as:
Valor esperado (
Varianza (
Para el caso del lanzamiento del dado: el valor esperado y la varianza del nmero de puntos en la cara superior son:
Ejercicio
(Walpole, pg 122) Seleccin de un empleado entre equipo de 10 con el fin de supervisar un proyecto especifico. Esa
seleccin se hace al azar utilizando papeleta con nmeros.
a- Cul es la probabilidad de que el nmero de la papeleta seleccionado sea menor de 4? (
b- Cul es la media y la varianza de la distribucin de probabilidad del nmero de la papeleta.?
y

Distribucin Multinomial
Notacin:
Definicin
Es una distribucin de probabilidad conjunta para mltiples variables aleatorias (
discretas donde
cada
, dndose cuando en cada prueba ensayo independiente (con reposicin) del E.A. interesa
contar el nmero de exitos en cada una de la k maneras como se puede dar un atributo.
Ejemplo
El atributo calidad de un producto se puede dar como: Excelente, bueno, regular y malo. icas:
1. Son
pruebas ensayos repetidos e idnticos (con reposicin).
2. En cada prueba ensayo se pueden producir

3. Las probabilidadeds de cada uno de los
pruebas ensayos.
resultados.
resultados
permanecen constantes en todas las
4. Son pruebas ensayos independientes.

5. El interes se centra en contar los
categorias posibles de observar cada vez.
xitos que se producen en los
Si una prueba intento puede dar cualquiera de los
resultados posibles
, entonces la distribucin multinomial dara la probabilidad de que:
En
y donde:
pruebas independientes.
Como son pruebas independientes, cualquier orden especfico que produzca
ocurrir con
de probabilidad.
ensayos de cada una de las
con probabilidades
El nmero de ordenes arreglos que pueden producir resultados similares ser:
Combinando los dos componentes, se tiene entonces que:
Con
Ejemplo
Se sabe que las bombas de gasolina para autos existentes en el mercado se pueden clasificar en:
de rendimiento excelente
de rendimiento bueno
de rendimiento regular
de rendimiento malo
.
.
Se selecciona una muestra de

conformada por:
bombas mediante proceso aleatorio. Cal sera la probabilidad de que quede

y
Ejercicio
(Walpole, pag 123)
Un estudiante que va a la universidad en carro encuentra un semforo, el cual permanece en verde durante 35
segundos, en amarillo 5 segundos y en rojo 60 segundos. Su viaje a la universidad es entre 8:00 y 8:30 AM en la
semana de 6 dias hbiles. Sea
el nmero de veces que encuentra el semaforo en verde,
en luz roja. Hallar la distribucin conjunta de
en luz amarilla y

Variable Aleatoria Bernoull
Experimento Bernoulli
Las caractersticas de un experimento aleatorio Bernoulli son:
1.El experimento tiene solamente dos posibles resultados mutuamente excluyente denominados xito (E) y fracaso
(F). de esta manera el espacio muestral es dado por
2.La probabilidad de xito y fracaso son constantes y se denotan por
respectivamente
Variable aleatoria Bernoulli y su funcin de probabilidad

Una variable aleatoria Bernoulli
se define como el resultado numrico de una prueba Bernoulli
o de manera formal como una funcin
xito
y as el rango de la variable aleatoria es
, el cual es denotado como
Una variable aleatoria de Bernoulli, por s sola, tiene poco inters en las aplicaciones de ingeniera. En cambio la
realizacin de una serie de experimentos bernhoulli conduce a varias distribuciones de probabilidad discretas muy
tiles.
La funcin de probabilidad de una variable bernoulli es dada por
donde
es la probabilidad de xito en una sola prueba.
es el nmero de xitos en la prueba.
El parmetro es
Media y Varianza
La media y varianza de una variable aleatoria bernoulli son respectivamente
Ejemplo
El experimento de seleccionar un producto y observar si tiene defectos o no.
Aqui se puede definir ser defectuoso como el xito y no ser defectuoso como el fracaso.
Media y Varianza de la distribucin bernoulli
La media y varianza de una variable aleatoria bernoulli son respectivamente

Distribucin Binomial
Notacin:
Definicin
Es una de las distribuciones de probabilidad ms tiles ( control de calidad, produccin, investigacin). Tiene que ver
con el experimento aleatorio que produce en cada ensayo o prueba uno de dos resultados posibles mutuamente
excluyentes: ocurrencia de un criterio o caracterstica especfico (llamado xito) y no ocurrencia de ste (llamado
fracaso). Los trminos o calificativos de "xito y fracaso" son solo etiqutas y su interpretacin puede no corresponder
con el resultado positivo o negativo de un experimento en la realidad.
Ejemplo
xito podra ser hallar en un ensayo especfico que la unidad es defectuosa al examinarla. Cada experimento
aleatorio consiste en una serie de ensayos o pruebas repetidas realizadas en idnticas condiciones (
que cada uno de ellos es independiente de los dems.
Sea
la probabilidad de xito cada vez que el experimento se realiza y
veces), o sea
la probabilidad de fracaso. Sea
X la variable aleatoria que representa el nmero de xitos en los
ensayos o pruebas. El inters se centra en
conocer la probabilidad de obtener exactamente
ensayos.
xitos en esos
Criterios o propiedades para definir la Distribucin Binomial

Resumiendo, podemos definir estos criterios:
1- El experimento aleatorio consiste en ensayos o pruebas repetidas, e idnticas y fijadas antes del experimento
(pruebas de Bernoulli). Son pruebas con reemplazamiento o con reposicin.
2- Cada uno de los
ensayos o pruebas arroja solo uno de dos resultados posibles resultados: xito fracaso.
3- La probabilidad del llamado xito (
, pemanece costante para cada ensayo o prueba.
4- Cada prueba o ensayo se repite en idnticas condiciones y es independiente de las dems.

Cuando estas propiedades se cumplen en el experimento aleatorio se dice que el constituye un proceso de Bernoulli
y cada uno de los ensayos que lo conforman se llama experimento de Bernoulli.
5. El inters recae en hallar la probabilidad de obtener
nmero de xitos al realizar
La funcin de probabilidad de X en esas condiciones ser:
Para
entero y
Planteamiento Bsico
ensayos del mismo E.A.
Supongamos un proceso productivo en serie de una misma unidad metalmecnica y en l que: Probabilidad de una
unidad defectuosa :
y probabilidad de unidad no defectuosa:
Supongamos que el inters est en evaluar el proceso mediante una muestra aleatoria de 4 unidades y por tanto se
define la v.a X como el nmero de unidades defectuosas en la muestra. Para garantizar que los ensayos resulten
independientes hacemos la seleccin con reemplazamiento o sustitucin.
Supongamos que centramos nuestro interes en
B=bueno y D= defectuoso. Por lo tanto el
unidad defectuosa en las cuatro pruebas o ensayos. Sea
esta conformado por 16 resultados posibles
.....
Se puede entonces notar que los eventos favorables a
constiuyen el subconjunto
. Como no importa el orden de aparicin de la unidad defectuosa sino

que aparezca exactamente una unidad con esa caracterstica tenemos:
o sea:
para cada
posible resultado de una unidad defectuosa

Como son cuatro resultados los que satisfacen el inters especfico de una unidad defectuosa entonces
Si generalizamos:
donde:
producen dentro de los

de producirse los
ensayos;
son las distintas maneras como
es la probabilidad de
xitos se
xitos en cada una de las maneras distintas
xitos .
Para el caso del ejemplo:

Consideremos el caso ya no de
defectuoso; sino todos los valores que puede asumir X en las cuatro pruebas.
Como son 4 ensayos y consideramos todos los posibles valores de
entonces la
Los valores de
se pueden calcular por medios electrnicos utilizando las tablas de la distribucin binomial que
proporcionan la solucin de estas operaciones, a veces largas o laboriosas.
Con los resultados de esos clculos podemos construir la tabla de distribucin de probabilidades, hacer su grfica y
definir sus principales caractersticas.
Tomemos como ejemplo la distribucin binomial de parmetros
Caractersticas de la distribucin binomial.

Tendencia central:
aplicando la definicin de valor esperado se
obtiene que para esta distribucin :

Dispersin variacin:
lo que conduce a que una
v.a. binomial X tiene como varianza
Por lo tanto su desviacin estandar:
Asimetria deformacon (Forma): con base en la razn entre los momentos centrales de orden dos y tres como
quedo definido antes:
sobre la base de que si:

Generalmente la distribucin binomial es sesgada asimetrica hacia la derecha, sesgo que se va perdiendo cuanto
ms grande sea el valor de
a
(# de pruebas) y en la medida en que
se acerque a
(por lo tanto
tienda
), limite en el cual se torna simtrica
Para el caso considerado y utilizando tanto la metodologa tradicional de la definicin de conceptos como usando las
frmulas simplificadas, tenemos:
Total
; tambien
;
Su funcin de distribucin acumulada sera:

Ejemplo
Una empresa adopt un proceso de control ded calidad consistente en diariamente seleccionar al azar 20 unidadeds
del total producido y conocer el nmero de unidades defectuosas. El plan establece que si al examinar diariamente
las veinte unidades, tres mas salen defectuosas, algo esta pasando y se ordena detener el proceso productivo para
buscar la falla. Cal es la probabilidad de que se ordene parar el proceso productivo si se sabe por experiencia que la
probabilidad de una unidad defectuosa es 10%?
Se pide:
La solucin ms corta para este planteamiento sera entonces:
o sea
que sera la probabilidad
de que cualquier dia se ordene parar el proceso de produccin segn el planteamiento de control del mismo.
Si consideramos las caractersticas, tenemos:
Valor esperado
unidades defectuosas.
Varianza
Valores que como es lgico tambien pueden ser hallados por el mtodo tradicional.
Si se hace la grafica para determinar la forma (aunque se deduce que como

Veremos sin embargo que dado
Si se hace crecer
pesar de que
, por ejemplo, hasta
no sea tan cercano a
tornandose simtrica para valores de (
ser sesgada a la derecha).
, no es tan sesgada como en el caso del otro ejemplo tratado aqui.

, todava se torna ms simtrica, tendiendo hacia una normal a
pero si alejado de cero ( ) de uno ( ). En la prctica, si
ir
Se puede obtener la funcin de distribucin acumulada y obtener asi los cuantiles fractiles de la distribucin.
La siguiente figura muestra tres funciones de distribucin binomial con
y valores
de
La A con
es ligeramente sesgada a la derecha con sesgo positivo. La B con
la C con
planteado.
tendra sesgo negativo, interpretaciones que resultan consecuentes con el indice de sesgo
Ejercicios
es simetrica y
ya
1. Una empresa fabricante de neumticos para tractomulas realiza pruebas de ponchaduras en un terreno difcil. Se
encuentra que el
de los neumticos probados presentaron pinchazo en el recorrido total. Se prueban 15
neumticos ms tomados al azar: Halle la probabilidad de las siguientes cantidades de neumticos con pinchaduras :
Entre 3 a 6 .
Mas de 5 .
Distribucin Hipergeomtrica
Notacin:
Definicin
Muchas veces en la prctica es difcil realizar pruebas con reposicin reemplazamiento. Por ejemplo, si en el
control de calidad se pierde el elemento que se prueba, pues no se puede hacer reposicin directamente. Se planta
entonces la prueba sin reposicin, donde los elementos de la muestra se toman todos a la vez y no individualmente
donde el elemento seleccionado no se reintegra al experimento a la muestra nuevamente.
La diferencia mas simple con la binomial es la forma de aplicar el muestreo. En efecto, en:
: Muestreo con reemplazamiento e independencia de pruebas ensayos.
: Muestreo sin reemplazamiento y sin independeencia entre pruebas ensayos.
Sus aplicaciones estan en areas con uso considerable de muestreo de aceptacin, pruebas electronicas y de
aseguramiento de la calidad, fabricacin de piezas, etc.
Definicin
En la distribucin Hipergeomtrica
tamao
cantidad de resultados xitos en una muestra aleatoria (sin reposicin) de
, tomada de una poblacin de tamao
antes del muestreo y
y de la cual
satisface una caracteristica propiedad (xito)
no la satisface (fracaso).
Criterios propiedades que la caracterizan.

1. La poblacin
del conjunto de unidades elementos es de orden fnito, de los cuales una parte:
xitos", y otra parte:
"son
son "fracasos".
2. Cada elemento puede ser caracterizado como xito fracaso.

3. Se obtiene una muestra aleatoria de elementos todos a la vez (sin reemplazamiento) y no de forma
independiente. No son pruebas repetidas.
4. El tamao de la muestra aleatoria
Generalmente:
es grande relativamente en comparacin con el tamao de la poblacin.
5. Se busca la probabilidad de
fracasos a partir de los
Supongamos un lote de
Obtenemos muestra de
nmero de xitos a partir de los
resultados elementos y
elementos asi clasificados, al obtener una muestra aleatoria de tamao
productos de los cuales:

productos, todos a la vez. Interesa entonces la probabilidad de sacar
productos
defectuosos (Exito), o sea:

Planteado as el (E.A.) Podemos hacer el siguiente raciocinio:
De una poblacin de
elementos se pueden extraer muestras de tamo
muestras de tamao
). Al extraer muestras de tamao
defectuosos de
de ellos ser:
productos no defectuosos entre
de
formas diferentes (distintas
productos, el nmero de formas de obtener
y entonces
sera el nmero de formas de obtener
de ellos.
Como es el mismo evento compuesto, entonces el nmero de formas de seleccionar

ligado con el nmero de formas de obtener
sera:
productos defectuosos esta
productos no defectuosos. Luego el total de formas posibles
Combinando los casos
Los parmetros de la distribucin Hipergeomtrica son entonces:

Tamao de poblacin.
Nmero de elementos de
con una caracteristica propiedad especfica (xitos).
Tamao de muestra aleatoria extraida.

Nota: Algunos tratadistas simbolizan esta distribucin con:
Caractersticas de la Distribucin Hipergeomtrica.
En la practica, si
productos
, no se aplica el
pues su valor tendera a cero
La funcin de distribucin acumulativa quedar definida entonces por:
Pueden ser calculos tediosos laborosos cuando

recurrencia:
es grande. Por ello hay quienes aplican la forma simplificada de
Ejemplo
En una empresa industrial diariamente se producen 90 unidades de unidad metalmecnica, de las cuales
generalmente 5 salen defectuosas. Se examina en un dia cualquiera una muestra de 5 unidades. Hallar la
probabilidad de
unidades defectuosas.
para
que resolviendo permite definir la tabla de distribucin de probabilidad:
Si representamos grficamente la tabla resultante, tenemos:

Calculamos el valor de sus principales medidas caractersticas:
Media:
Que simplificadamente:
Varianza:
tambien.
y que an de forma mas simplificada:
Sesgo: Hacia la derecha positivo como se v graficamente. Adems, aqui:

pues
pues

Distribucin Poison
Notacin:
X
Introduccin
Llamada asi por su autor Simon Denis Poisson, probabilista del siglo XIX, pues fue el primero en describirla. Es una
generalizacin de la distribucin binomial cuando sobre un
. se define una variable aleatoria que representa el
nmero de xitos independientes que ocurren para intervalos de medida especficos ( tiempos, lugares, espacios) ,
ademas con una probabilidad de ocurrencia pequea.
Se le llama distribucin de los "eventos raros" pues se usa como aproximacin a la binomial cuando el tamao de
muestra es grande y la proporcin de xitos es pequea.
Esos intervalos de medida pueden referirse a: Tiempo: (Segundo , minuto, hora, dia, semana, etc.) Area: (Segmento
de linea, pulgada cuadrada, Centimetro cuadrado, etc). Volumen:( Litro, galn, onza, etc.)
Ejemplo
Nmero de defectos por
Nmero de personas que llegan a un taller automotriz en un lapso de tiempo especfico.
Nmero de impulsos electrnicos errados transmitidos durante espacio de tiempo especfico.
Nmero de llamadas telefnicas que ingresan a un conmutador por minuto.
Nmero de interrupciones en servicios de energa en intervalos de un dia.
Cantidad de tomos que se desintegran en sustancia radioactiva.
Nmero de accidentes automovilsticos en un cruce especfico durante una semana.
.en piezas similares de un material ..
Criterios propiedades
1. Se da un intervalo de medida que divide un todo de nmeros reales y donde el conto de ocurrencias es
aleatorio. Esa divisin puede ser un subintervalo de medida.
2. El nmero de ocurrencias de resultados en el intervalo subintervalo de medida, es independiente de los
dems intervalos subintervalos. por eso se dice que el proceso de Poisson no tiene memoria.
3. La probabilidad de que un solo resultado ocurra en un intervalo de medida muy corto pequeo es la misma
para todos los dems intervalos de igual tamao y es proporcional a la longitud del mismo al tamao de
medida.
4. La probabilidad de que ms de un resultado ocurra en un intervalo subintervalo corto es tan pequea que
se considera insignificante (cercana igual a cero).
Procesos que se ajustan a estos criterios, se dice, son procesos de Poisson.
Definicin
Sea una variable aleatoria que representa el nmero de eventos aleatorios independientes que ocurren con igual
rapidez en un intervalo de medida. Se tiene entonces que la funcin de probabilidad de esta variable, se expresa por:
Donde
es parmetro de tendencia central de la distribucin y representa el nmero promedio cantidad esperada
de ocurrencias (xitos) del evento aleatorio por unidad de medida por muestra;
Nmero de
ocurrencias especificas para el cual se desea conocer la probabilidad respectiva. Segun sea el valor de de
se define toda una familia de probabilidades de Poisson. La probabilidad de que una variable aleatoria de Poisson
sea menor igual a un valor de
se halla por la funcin de distribucin acumulativa, planteada entonces como:
Los resultados de las probabilidades individuales para valores de

aleatoria toma valores cada vez ms grandes.
sern ms pequeos conforme la variable
Ejemplo
El nmero promedio de partculas radioactivas que registra un contador en un milisegundo en la realizacin de un
experimento aleatorio es de cinco (5) partculas. Hallar la probabilidad de que se registre distinto nmero de
partculas en un mismo milisegundo.
Acudiendo a las tablas existentes para tal fn a los medios electrnicos, se llega a construir la tabla de distribucin
de probabilidades, dando:
y valores de
ms grandes pero con probabilidad mas pequea. Se nota el punto de inflexin entre
y no
es tan sesgada a la derecha por el valor

Caractersticas de la distribucin de Poisson
Valor Esperado:
, el cual debe ser conocido.
Varianza:
Forma sesgo: Hacia la derecha con sesgo positivo y que se va perdiendo a medida que
crece. Veamos una
grfica de funciones de probabilidad para diferentes valores de
Se puede calcular un coeficiente de asimetra mediante la expresin

distribucin binomial:
en Poisson se puede dar que
Es de observar que mientras en una
Alternativa: Si se da la probabilidad de tener, de manera exacta, ocurrencias en un intervalo veces mayor que el de
refencia en la medicin entonces la distribucin de probabilidades de Y nmero de xitos en la nueva unidad de
referencia viene dada por
donde
Promedio de ocurrencias por intervalo unidad de medida considerada en X y
unidades de medida especificados.
Aqui
Nmero de intervalos
Ejemplo
El nmero de pulsos que llegan a un contador GEIGER se presentan en promedio de 6 pulsos por minuto. Hallar la
probabilidad de que en 15 minutos se reciban exactamente 20 pulsos.
es decir, que una frecuencia de 6 pulsos por minuto es eqyivalente a una de 1
por
minutos.
Distribuciones de variables aleatorias continuas

Distribucin normal
Importancia de la distribucin normal
La distribucin normal es de suma importancia en estadstica por tres razones principales:
1. Numerosas variables continuas de fenmenos aleatorios tienden a comportarse probabilisticamente mediante
sta.
2. Es el lmite al que convergen tanto variables aleatorias continuas como discretas.
3. Proporciona la base de la inferencia estadstica clsica debido a su relacin con el teorema del lmite central.
Propiedades de la distribucin normal
1. Su grafica tiene forma acampanada.
2. El valor esperado, la mediana y la moda tienen el mismo valor cuando la variable aleatoria se distribuye
normalmente.
3. Su dispersin media es igual a 1.33 desviacines estndar. Es decir, el alcance intercuartil est contenido
dentro de un intervalo de dos tercios de una desviacin estndar por debajo de la media a dos tercios de una
desviacin estndar por encima de la media.
En la prctica, algunas de las variables que observamos slo pueden aproximar estas propiedades. As que si el
fenmeno puede mediarse aproximadamente mediante la distribucin normal se tendr:
1. Que el polgono puede verse en forma de campana y simtrico.
2. Sus mediciones de tendencia central tienen bastante parecido.

3. El valor intercuartil puede diferir ligeramente de 1.33 desviaciones estndar.
4. El dominio de la variable aleatoria normalmente distribuida generalmente caer dentro de 3 desviaciones
estndar por encima y por debajo de la media.
El modelo matemtico
El modelo o expresin matemtica que representa una funcin de densidad de probabilidad se denota mediante el
smbolo
. Para la distribucin normal, se tiene la siguiente funcin de probabilidad.
donde
es la constante matemtica aproximada por 2.71828
es la constante matemtica aproximada por 3.14159
Parmetros
es cualquier valor de la variable aleatoria continua, donde
As,
A continuacin se presentan las grficas de las funciones de densidad Normal con el objetivo de observar cambios en
la distribucin de probabilidad:
caso 1:
Cuando se mantiene la misma media, pero cambia la varianza.
Ejemplo:
caso 2:
Cuando se mantiene la misma varianza, pero cambia la media.
Ejemplo: (
Ahora, al examinar la primera y segunda derivada de
, se pueden listar otras propiedades de la curva normal:
1. La moda, que es el punto sobre el eje horizontal donde la curva es un mximo ocurre cuando
2. La curva es simtrica alrededor de un eje vertical a travs del valor esperado
3. La curva tiene sus puntos de inflexin en
, es cncava hacia abajo si
, y es cncava hacia arriba en cualquier otro punto.

4. La curva normal se aproxima al eje horizontal de manera asinttica conforme nos alejamos de la media en
cualquier direccin.
Haciendo una transformacin a la variable aleatoria normal
observaciones de una variable aleatoria normal
, sta se puede llevar a un nuevo conjunto de
con media cero y varianza 1. A dicha transformacin se le conoce
como estadarizacin de la variable aleatoria normal
Definicin
La distribucin de probabilidad de una variable aleatoria normal con media cero y varianza 1 se llama distribucin
normal estndar.
Funcin de Densidad
Normal (0,1)
Grfico 6.
En la distribucin normal estndar se sabe que las reas se distribuyen de la siguiente manera:
Funcin de Densidad
Normal (0,1)
Manejo de tablas
La tabla anexa representa las probabilidades o reas bajo la curva normal calculadas hasta los valores partculares
de inters (Transformados). Al observar la tabla se observa que todos los valores
deben registrarse primero con
hasta dos lugares decimales. Por ejemplo, para leer el rea de probabilidad bajo la curva hasta
recorrer hacia abajo la columna Z de la tabla hasta que ubiquemos el valor de inters
detenemos en la fila
, podemos
(en dcimas). As pues, nos
. A continuacin, leemos esta fila hasta que intersecamos la columna que contiene el
lugar de centsimas del valor (

). Por tanto, en el cuerpo de la tabla, la probabilidad tabulada para z=1.57
corresponde a la interseccin de la fila z=1.5 con la columna z=0.07 y es 0.9418.

Mtodos descriptivos para determinar la normalidad
En las siguientes clases se aprender a hacer inferencias acerca de la poblacin con base en informacin de la
muestra. Varias de estas tcnicas se basan en el supuesto de que la poblacin presenta una distribucin normal
aproximada. Por tanto, ser importante determinar si los datos de la muestra provienen de una poblacin normal,
antes de aplicar dichas tcnicas.
Para determinar si los datos provienen de una distribucn aproximadamente normal, se pueden considerar tres
mtodos:
1. Construir en histograma de frecuencia relativa o bien un diagrama de tallos y hojas para los datos. Si los
datos son aproximadamente normales, la forma de la grfica ser similar a la de la curva normal. (Con forma
de joroba y simtrica alrededor de la media.)
2. Calcular el rango intercuartlico (
cociente
) y la desviacin estndar ( ), para la muestra, y luego calcular el
. Si los datos son aproximadamente normales,
3. Construir una grfica de probabilidad normal para los datos Si los datos son aproximadamente normales, los
puntos caern (aproximadamente) en una lnea recta.
Construccin De Una Grfica de Probabilidad Normal Para Un Conjunto De Datos
1.Haga una lista de las observaciones del conjunto de datos de muestra en orden ascendente, donde
i-simo valor ordenado.
representa el
2.Para cada observacin, calcule el rea de cola correspondiente de la dsitribucin normal estndar ( ),
. Empiricamente condicin de continuidad.
donde
es el tamao de la muestra.
3.Calcule el valor esperado estimado de
suponiendo normalidad, mediante la siguiente frmula:
donde es la desviacin estndar de la muestra y

la distribucin normal estndar.
4.Grafique las observaciones ordenadas
es el valor de que recorta un rea
de la cola inferior de
en el eje vertical y los valores esperados estimados correspondientes,
en el eje horizontal.
NOTA: Las verificaciones de normalidad dadas son slo tcnicas descriptivas. Es posible (aunque poco probable) que
los datos no sean normales a pesar de que las verificaciones se satisfacen razonablemente. Por tanto, se debe tener
cuidado de no asegurar que las mediciones, de hecho, se distribuyen normalmente. Slo podemos decir que es
razonable pensar que los datos provienen de una distribucin normal.
Aproximacin para la distribucin binomial
La distribucin normal frecuentemente es una buena aproximacin a una distribucin discreta cuando la ltima
adquiere una forma de campana simtrica. Desde un punto de vista terico algunas distribuciones convergen a la
normal conforme sus parmetros se acercan a ciertos lmites. La distribucin normal es una aproximacin
conveniente pues la distribucin acumulada se tabula ms fcil. La distribucin binomial se aproxima bien por la
normal en problemas prcticos cuando se trabaja con la funcin de distribucin acumulada.
Teorema. (Aplicacin del Teorema del Lmite Central)
Si es una variable aleatoria binomial con media
limitante de la distribucin de
cuando
y varianza
entonces la forma
, es la distribucin normal estndar
La distribucin normal proporciona una buena aproximacin de la binomial an cuando

razonablemente cercana a 0.5.
es pequea y
est

Distribucin Exponencial
Notacin:
Introduccin
Antes de introducir la variable exponencial puede mirarse un origen natural de sta a partir de una variable aleatoria
Poisson, la cual indica el nmero de veces que ocurre un evento en una unidad de tiempo. Si se escribe la funcin de
probabilidad Poisson de la siguiente manera:
la probabilidad de que no ocurra algn evento, en el periodo hasta el tiempo est dada por:
De esta manera, puede definirse ahora una variable aleatoria continua

primer evento de Poisson. Es decir,
que mide el tiempo que tarda en ocurrir el
Lo que permite construir la funcin de distribucin acumulada as:
Al derivar, con respecto a

Definicin
se tiene la funcin de densidad de la variable aleatoria exponencial
La variable aleatoria
con media
que es igual a la distancia (o tiempo) entre ocurrencias sucecesivas de un proceso Poisson
tiene una distribucin exponencial con parmetro
Funcin de densidad de Probabilidad:
Valor esperado:
Varianza:
Observaciones:
1. En la definicin de la variable aleatoria exponencial, sta se plantea como tiempo que tarda en ocurrir el primer
evento Poisson. Sin embargo, esta definicin puede hacerse extensiva a las dems unidades de medicin
consideradas en los eventos de Poisson, por ejemplo, cantidad de metros de carretera que deben recorrerse hasta
que aparezca el primer bache, cantidad de
primer cafetal de broca, etc.
que deben inspeccionarse en una hacienda hasta que aparezca el
2. En el lenguaje de las aplicaciones tambin se utiliza la distribucin exponencial para modelar tiempo entre eventos,
distancia entre eventos, volumen entre eventos.
Ejemplo
Supngase que la duracin de los instrumentos electrnicos D
yD
tienen distribuciones Exponenciales asi : D
D
Cual se debe preferir para usarlo durante un periodo de 45 horas?
Debera preferirse aquel instrumento que de mayor garanta de duracin para un mnimo de tiempo como el
requerido, es decir, debe calcularse la probabilidad de que el instrumento dure por lo menos 45 horas, en cada caso.
El instrumento dos tiene mayor probabilidad de tener duracin de 45 o ms horas.

Comprueba los anteriores resultados utilizando la funcin de distribucin.
Calculo de los percentiles en Excel

Tema 2

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Tema 2

Hochgeladen von

Copyright:

Verfügbare Formate

Captulo 2 : DISTRIBUCIONES DE PROBABILIDAD

Calcular e interpretar probabilidades asociadas a eventos de datos provenientes de variables aleatorias

recorrida por un automvil en horas a una velocidad constante de

determinada por la relacin

kilmetros por hora es

2. Leyes gravitacionales (un cuerpo baja en ciertas condiciones).

la denotacin para un nio y

2. Seleccionar de un lote un artculo para conocer su calidad.

Un lote de items que contiene defecuosos es muestreado. Un item muestreado no se reemplaza, y se

d. Una manufacturera de refigeradores inspecciona sus regiradores para

tipos de defectos. El nmero de

Seleccionar una planta y medir su altura

2. Algunos ejemplos de experimentos no estadsticos son:

lanzamientos? . En estadstica, nos preguntamos: Dado que en

lanzamientos de una moneda se

, asociado con un experimento aleatorio es un conjunto de puntos tales que:

denota un resultado del experimento, y

2.Cualquier ejecucin de el experimento da lugar a un resultado que corresponde exactamente a un elemento de

Los elementos del espacio muestral son llamados puntos muestrales.ral

denota el resultado cara y

2. Si la misma moneda es lanzada dos veces, entonces

como los respectivos espacios muestrales

sin reemplazamiento de una baraja de

por tanto son eventos;

algunas veces se denomina el evento cierto o seguro.

Definicin de lgebra y Sigma lgebra

Una lgebra es una coleccin no vacia de conjuntos de

- lgebra A ,es una coleccin no vacia de subconjuntos de tales que:

se denomina algunas veces el evento

2. Con todo espacio muestral

3. La probabilidad se asigna solamente a eventos (conjunto de A).

subconjuntos de , pero es mucho ms larga esta coleccin. Si

y una lgebra sobre

Veamos que se cumplen las tres condiciones:

y anlogamente para todas las uniones entre dos conjunto de A.

En lenguaje de la teora de conjunto eventos mutuamente excluyentes son conjuntos disjuntos.

= {, {a}, {b}, {c},

iii. , {a}, {b, c}

5. Del ejemplo 7 de espacio muestral. Se puede definir el evento: E: El equipo A no pierde = {G , E}

un espacio muestral asociado a un experimento estadstico y A una

lgebra . Una funcin

se llama medida de probabilidad o simplemente probabilidad si satisface los siguientes axiomas:

con n :nmero de formas de colocar el digito i, i=1, 2, 3

formas diferentes. El experimento completo se podr

b. MOCR: 42 = 16 = {(a, a), (b, b), (c, c), (d, d), A}

Muestras no ordenadas con repeticin

requieren ser distinguidos es: a.

1,2,....k se representa por:

De esta manera para A y B eventos del espacio muestral S, entonces:

por otro lado se tiene que

ocurra cuando se sabe que ya ocurrio un evento

condicional y se denota por

La probabilidad condicional es una funcin de probabilidad,

una funcin de probabilidad?

entonces dividiendo por

se tiene los trminos de la desigualdad se tiene

es una sucesin de eventos mutuamente excluyentes, entonces

como los eventos

, una seal til con una interferencia superpuesta,

existencia de cualquier seal con probabilidad

Sean U: el evento la seal es til con interferencia superpuesta

: el empleado dedica parte de su tiempo a trabajos tcnicos

La cual se puede completar como se muestra a continuacin