Sie sind auf Seite 1von 43

Teora de Probabilidades

Concepto de Probabilidad

Probabilidad es la posibilidad de ocurrencia de un cierto evento en un experimento dado. La teora de


probabilidades permite medir dicha posibilidad.

Estadstica y Probabilidad

La relacin entre probabilidad y estadstica puede verse mediante el siguiente ejemplo:

Un lote de 10,000 vlvulas de tubera se importan para la industria petroqumica. El fabricante


especifica que el lote contiene una proporcin p igual al 10 % o 0.1 de defectuosas. Si se toman
muestras de 100 vlvulas, se debe esperar que existan 10 defectuosas en cada muestra; sin embargo, al
tomar varias muestras, algunas tendrn 8 defectuosas, otras tendrn 9, 10, 11, etc. La Teora de
Probabilidades nos permite calcular la posibilidad o probabilidad de obtener un nmero determinado de
vlvulas defectuosas en una muestra, obtenida bajo ciertas condiciones. En la realidad, la Estadstica
nos permite estimar el valor de p.
27/3/2017 Jaime Ortega 1
Teora de Probabilidades
Concepto de Probabilidad

Estadstica y Probabilidad

Una situacin real implica el conocer varios parmetros o variables (en el ejemplo anterior el
parmetro es p).
Si stos no se conocen y tienen que ser estimados a partir de datos experimentales, se est en presencia
de un problema estadstico.
Una ves que dichos parmetros han sido estimados, ellos pueden ser utilizados para deducir el
comportamiento de una poblacin mediante la solucin a un problema probabilstico

27/3/2017 Jaime Ortega 2


Teora de Probabilidades
Concepto de Probabilidad

Estadstica y Probabilidad

En resumen:

La Estadstica Descriptiva acumula y analiza la masa de datos numricos provenientes de los resultados
de ciertas actividades o de la observacin de fenmenos.

La Probabilidad se encarga de evaluar la posibilidad de ocurrencia de los resultados de todas aquellas


actividades en donde se tiene incertidumbre acerca de los resultados que se pueden esperar.

27/3/2017 Jaime Ortega 3


Teora de Probabilidades

Definiciones y Conceptos

Experimento Aleatorio

Se llama experimento o fenmeno aleatorio a aqul cuyos resultados no se pueden predecir de


antemano en una experiencia concreta.

Se llama experimento determinista o determinstico al que, realizado en las mismas condiciones, es


posible predecir los resultados (Fsica del problema).

Espacio Muestral: Es el conjunto de todos los posibles resultados de un experimento aleatorio.

Punto Muestral: Es un posible resultado de un experimento (un evento) aleatorio.

27/3/2017 Jaime Ortega 4


Teora de Probabilidades

Definiciones y Conceptos

Probabilidad de La Place

Cuando se pueda asegurar que se cumple el postulado de indiferencia, es decir que todos los sucesos
elementales o posibles resultados de un experimento son igualmente posibles y mutuamente excluyentes
(no pueden ocurrir dos al mismo tiempo) entonces se define que la probalidad de ocurrencia de un evento
cualquiera (a) se la puede estimar mediante:

nmero de casos favorables


P(a)
nmero de casos posibles

27/3/2017 Jaime Ortega 5


Teora de Probabilidades

Definiciones y Conceptos

Probabilidad de La Place
Se observ que en 9 de cada 50 vehculos que pasan por una cierta esquina, los conductores no
tienen cinturn de seguridad. Si un vigilante de trnsito se para en esa misma esquina en un da
cualquiera Cul ser la probabilidad que detenga un vehculo sin cinturn de seguridad?

frecuencia observada de casos favorables 9


P(a) 0.18
frecuencia observada de casos posibles 50

Tanto el enfoque clsico (terico) como el enfoque emprico conducen a valores objetivos de
probabilidad, en el sentido de que los valores de probabilidad indican en el largo plazo la tasa
relativa de ocurrencia del evento.

27/3/2017 Jaime Ortega 6


Teora de Probabilidades

Definiciones y Conceptos

Probabilidad Puntual o Probabilidad del Punto Muestral

Es la frecuencia de ocurrencia del evento en muchas repeticiones del experimento.

Si se designa un evento con y, la probabilidad de su ocurrencia se expresa por P(y).

Ejemplos:

1.- Se lanza una moneda regular (experimento), el Espacio Muestral es Cara y Cruz, es decir Ca y Cr. La
probabilidad de ocurrencia de Cara es igual a la de Cruz y se denota por: P(Ca) = P(Cr) = 1/2.

27/3/2017 Jaime Ortega 7


Teora de Probabilidades

Definiciones y Conceptos
Probabilidad del Punto Muestral
2.- Se lanzan dos dados. El Espacio Muestral consiste de 36 combinaciones que se muestran abajo.
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 Cada uno de los 36 puntos
4,1 4,2 4,3 4,4 4,5 4,6 muestrales tiene la misma
probabilidad de ocurrencia. Por la
5,1 5,2 5,3 5,4 5,5 5,6
simple inspeccin de la tabla
6,1 6,2 6,3 6,4 6,5 6,6
anterior se tiene que:

P(suma de dos dados sea siete) = 6/36 = 1/6

P(suma de dos dados sea siete u once) = 6/36 + 2/36 = 2/9 Return
27/3/2017 Jaime Ortega 8
Teora de Probabilidades

Definiciones y Conceptos: Tipos de Eventos

a) Eventos Mutuamente Excluyentes

Dos eventos E1 y E2 son mutuamente excluyentes si ambos no pueden ocurrir al mismo tiempo. En
trminos de probabilidad esto se expresa por:

P(E1 E2) = P(E1) + P(E2)

b) Eventos que no son Mutuamente Excluyentes

Dos eventos E1 y E2 no son mutuamente excluyentes si ambos pueden ocurrir al mismo tiempo. En
trminos de probabilidad esto se expresa por:
P(E1 E2) = P(E1) + P(E2) - P(E1 y E2)

Donde P(E1 y E2) es la probabilidad que ambos eventos ocurran.


27/3/2017 Jaime Ortega 9
Teora de Probabilidades

Definiciones y Conceptos: Tipos de Eventos

Ejemplo: Se lanzan dos dados, cual es la probabilidad que la suma sea 7 (E1 ) o al menos uno de los dados
sea 3 (E2 )?

Examinando la tabla anterior se tiene:

Posibles resultados de E1 (1,6), (2,5), (3,4), (4,3) (5,2), (6,1) P(E1) = 6/36

Posibles resultados de E2 (1,3), (2,3), (3,3), (4,3), (5,3), (6,3), P(E2) =11/36
(3,1), (3,2), (3,4), (3,5), (3,6)

Posibles resultados de E1 y E2 (3,4), (4,3) P(E1 y E2) = 2/36

Por lo tanto P(E1 E2) = P(E1) + P(E2) - P(E1 y E2) = 6/36 + 11/36 - 2/36 = 15/36
10
27/3/2017 Jaime Ortega
Teora de Probabilidades

Definiciones y Conceptos: Tipos de Eventos


Ejemplo: Se tienen cinco libros de distintas materias: Matemtica, Biologa, Qumica, Fsica y Lenguaje.
Si se toma uno de ellos, cul es la probabilidad de que este sea de matemtica o de fsica?
Solucin:

Sean los eventos: E1 =Tomar el libro de Matemticas. E2 =Tomar el libro de Fsica.

La probabilidad pedida es: P(E1 E2) = P(E1) + P(E2) - P(E1 y E2)


P(E1 E2) = P(E1) + P(E2) - P(E1 E2)

Como E1 y E2 son eventos mutuamente excluyentes: P(E1 E2) = 0

Por lo tanto nos queda: P(E1 E2) = P(E1) + P(E2) = 1/5 + 1/5 = 2/5

27/3/2017 Jaime Ortega 11


Teora de Probabilidades

Definiciones y Conceptos : Probabilidad Condicional

La probabilidad condicional de un evento E1, dado que un evento E2, sucedi se calcula mediante:

P(E1/E2) = P(E1 y E2)/P(E2) o bien:

P(E1/E2) = P(E1 E2)/ P(E2)

Ejemplo: Se lanzan dos dados, dado que al menos un dado es 3, cual es la probabilidad que la suma sea 7?

E2 = al menos un dado es 3 = 11/36 E1 = la suma es 7 = 2/36 por tanto:

P(E1/E2) = P(E1 E2)/P(E2) = (2/36) / (11/36) = 2/11

27/3/2017 Jaime Ortega 12


Teora de Probabilidades

Definiciones y Conceptos : Probabilidad Condicional

Ejemplo: en una oficina existen 100 computadoras. Unas son marca Canon(C ) y otras Dell (D).
Adems algunas son nuevas (N) y otras usadas (U); segn la siguiente tabla:

C D Total Se escoge una computadora al azar y sta es nueva. Cul la probabilidad


N 40 30 70 que sea Canon?
U 20 10 30 Usando la definicin de probabilidad condicional:
Total 60 40 100

E2 = la computadora es nueva = 70/100 E1 = la computadora es Canon = 60/100

por tanto: P(E1/E2) = P(E1 E2)/P(E2) = (40/100) / (70/100) = 4/7

27/3/2017 Jaime Ortega 13


Teora de Probabilidades

Definiciones y Conceptos : Eventos Dependientes e Independientes

Se dice que dos eventos E1 y E2 son independientes si: P(E1/E2) = P(E1).

Se dice que dos eventos E1 y E2 son dependientes si: P(E1/E2) P(E1).

Ejemplo: dos lanzamientos sucesivos de dos dados son sucesos independientes. La probabilidad que la
suma sea 7: 6/36, es la misma en ambos lanzamientos !

Nota .- Existe una creencia popular llamada "ley del promedio". Segn esto, si en el primer lanzamiento la
suma fue 7, la probabilidad que la suma sea 7 en el segundo lanzamiento es menor. Esto implicara que
los dados tienen algn tipo de memoria !

Si dos sucesos E1 y E2 son independientes, entonces: P(E1 E2) = P(E1) P(E2)

27/3/2017 Jaime Ortega 14


Teora de Probabilidades

Definiciones y Conceptos : Permutaciones sin repeticin

El nmero de maneras en las cuales se puede seleccionar r objetos de n distintos, tomando en cuenta
el orden de seleccin y sin que estos objetos se repitan, se llama nmero de permutaciones de n
objetos tomados de r, y se denota por:
n
P r

La formula de clculo es:


n!
n
Pr n(n 1)......(n r 1)
(n r )!

Ejemplo: la combinacin de una cerradura es en realidad una permutacin en la que el orden importa

27/3/2017 Jaime Ortega 15


Teora de Probabilidades

Definiciones y Conceptos : Permutaciones sin repeticin

Ejemplo: se establece un mecanismo de seguridad de una cerradura en 4 dgitos (clave). Cuantas


claves se pueden establecer?

Aplicando la formula de clculo:

n! 10! 10 9 8 7 6!
n
Pr n(n 1)......(n r 1) 5040
(n r )! (10 4)! 6!

Con 5 dgitos: 30240


Con 6 dgitos: 151200

27/3/2017 Jaime Ortega 16


Teora de Probabilidades

Definiciones y Conceptos : Combinaciones

El nmero de maneras en las cuales se puede seleccionar r objetos de n distintos, sin tomar en cuenta el
orden de seleccin

En trminos matemticos, se llama nmero de combinaciones de n objetos tomados de r, se denota por:


n
C r

n n!
C r r (n r )!r!
n
La formula de clculo es:

Ejemplo: Un inspector toma muestras de 5 artculos de un lote de 100.

100 100!

100
Cuantas muestras distintas puede obtener? C5 5 (100 5)!5!
27/3/2017 Jaime Ortega 17
Teora de Probabilidades

Definiciones y Conceptos : Combinaciones

Si el lote tiene un articulo defectuoso, cuantas muestras distintas que contenga el articulo defectuoso
puede obtener ?.

Si es condicin que uno de los artculos sea defectuoso, entonces se necesita encontrar el nmero de
maneras muestras de cuatro artculos tomados de los restantes 99. Es decir:

99 99!
C 4 4 (99 4)!4!
99

27/3/2017 Jaime Ortega 18


Teora de Probabilidades

Definiciones y Conceptos : Combinaciones

Cual es la probabilidad de obtener una muestra que tenga el articulo defectuoso?

La probabilidad de tomar una muestra que contenga el articulo defectuoso estar dada por el
cociente entre las muestras que tienen el artculo defectuoso y todas las muestras que se puedan
extraer.

C4
99

p 0.05
100 C5

27/3/2017 Jaime Ortega 19


Teora de Probabilidades

Definiciones y Conceptos : Combinaciones

Ejemplo: El nmero de partidos de futbol de una liga de 11 equipos.

11 11! 11 10 9!
11
C 2 2 (11 2)!2! 55
9!2!

27/3/2017 Jaime Ortega 20


Teora de Probabilidades

Definiciones y Conceptos : Variables Aleatorias

La definicin formal menciona que una variable aleatoria o variable estocstica es una funcin que
asigna un valor, usualmente numrico (nmero real), a un resultado del Espacio Muestral de un
experimento aleatorio.

En trminos simples, una variable aleatoria es la forma de asignar un nmero particular, a un


resultado experimental dado.

Se utilizan letras maysculas X, Y, ... para designar variables aleatorias, y las respectivas minsculas
(x, y, ...) para designar valores concretos de las mismas.

De manera similar a los "datos" o caractersticas en observacin, mencionados en la Seccin de


Estadstica Descriptiva, la variables aleatorias tambin pueden ser discretas o continuas.

27/3/2017 Jaime Ortega 21


Teora de Probabilidades

Definiciones y Conceptos : Variables Aleatorias

Ejemplo 1:

Experimento: medir la temperatura en escala Kelvin.

Variable aleatoria: valores medidos de temperatura

La variable aleatoria es continua pues tomar valores entre cero e infinito

Si se denota a la variable con Y, entonces: Y= ( 0 T ) donde T es la temperatura.

27/3/2017 Jaime Ortega 22


Teora de Probabilidades

Definiciones y Conceptos : Variables Aleatorias

Ejemplo 2:

Experimento: se lanza una moneda dos veces

Variable aleatoria: nmero de caras

La variable es discreta pues tomar valores de 0,1 y 2. Es decir: Y=(0,1,2)

Otras variables son: la Media, la Varianza y la Desviacin Estndar.

27/3/2017 Jaime Ortega 23


Teora de Probabilidades

Distribuciones de Probabilidad

La distribucin de probabilidad de una variable aleatoria, es una funcin que asigna a cada valor
posible de dicha variable aleatoria, una probabilidad de ocurrencia del mencionado valor.

Distribucin de Probabilidades Discreta

Si una variable aleatoria discreta Y, puede tomar valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , donde pi 0, para todo i, entonces tal situacin define una
Distribucin de Probabilidades Discreta.

La probabilidad que Y tome un valor particular y, se denotar como P(Y = y) o simplemente como P(y).

27/3/2017 Jaime Ortega 24


Teora de Probabilidades

Distribuciones de Probabilidad Distribucin de Probabilidades Discreta

Definicin de funcin de distribucin

En trminos matemticos, una funcin de distribucin de probabilidades, en el caso de una variable


aleatoria discreta, es la funcin de distribucin acumulada:

= ;

Para dos nmeros reales cualesquiera a y b con a < b tenemos entonces que

P (a < y b) = P (y b) - P (y a)

P (a < y b) = F(b) F(a)

27/3/2017 Jaime Ortega 25


Teora de Probabilidades

Distribuciones de Probabilidad Distribucin de Probabilidades Discreta

Definicin de funcin de distribucin

Si a, b, c con a < b < c, son valores consecutivos de una variable aleatoria discreta, tenemos entonces
que:

P (y a ) = 1- P (y a-1 )

P (y b ) = 1- P (y a )

P (y c ) = 1- P (y b )

Donde a-1 es el nmero anterior a a

27/3/2017 Jaime Ortega 26


Teora de Probabilidades
Distribucin de Probabilidades Discreta

Ejemplo: Se lanzan dos dados regulares


Variable Aleatoria: La suma de los nmeros de los dos dados

Valores de la variable:Y = (2,3,4,............11,12)

Por inspeccin a la tabla anterior la Distribucin de Probabilidades ser: (trabajo de alumnos)

P(Y=2) = P(2) = 1/36 P(Y=3) = P(3) = 2/36 P(Y=4) = P(4) = 3/36

P(Y=5) = P(5) = 4/36 P(Y=6) = P(6) = 5/36 P(Y=7) = P(7) = 6/36

P(Y=8) = P(8) = 5/36 P(Y=9) = P(9) = 4/36 P(Y=10) = P(10) = 3/36

P(Y=11) = P(11) = 2/36 P(Y=12) = P(12) = 1/36

27/3/2017 Jaime Ortega 27


Teora de Probabilidades
Distribucin de Probabilidades Discreta

P(Y=2) = P(2) = 1/36 P(Y=3) = P(3) = 2/36 P(Y=4) = P(4) = 3/36

P(Y=5) = P(5) = 4/36 P(Y=6) = P(6) = 5/36 P(Y=7) = P(7) = 6/36

P(Y=8) = P(8) = 5/36 P(Y=9) = P(9) = 4/36 P(Y=10) = P(10) = 3/36

P(Y=11) = P(11) = 2/36 P(Y=12) = P(12) = 1/36

La tabla anterior constituye la "Distribucin de Probabilidades" para los resultados del experimento

Ntese que la suma de todas las probabilidades es igual a 1.

27/3/2017 Jaime Ortega 28


Teora de Probabilidades
Distribucin de Probabilidades Discreta

Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se
sabe que el nmero mximo de cras es 3.

Variable Aleatoria: Y = nmero de cras en una camada.

Y toma los valores: y = 0,1,2,3

Se sabe tambin ( por estudios de frecuencia) que las probabilidades son:

P(Y=0) = 0.2
P(Y=1) = 0.3
P(Y=2) = 0.3
P(Y=3) = 0.2

27/3/2017 Jaime Ortega 29


Teora de Probabilidades
Distribucin de Probabilidades Discreta

Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se
sabe que el nmero mximo de cras es 3.

La Funcin Acumulada de Distribucin de Probabilidades o Funcin de Probabilidades se presenta


como sigue:

0.0 <0
P(Y=0) = 0.2 0.2 0 < 1
P(Y=1) = 0.3 = 0.5 1 < 2
P(Y=2) = 0.3 0.8 2 < 3
P(Y=3) = 0.2 1.0 3

27/3/2017 Jaime Ortega 30


Teora de Probabilidades
Distribucin de Probabilidades Discreta

Ejemplo: Se desea realizar un estudio sobre el nmero de cras en una camada de algn mamfero. Se
sabe que el nmero mximo de cras es 3.

0.0 <0
0.2 0 < 1
= 0.5 1 < 2
0.8 2 < 3
1.0 3

Cul es la probabilidad que una camada


tenga dos cras?

P(Y=2) = F(2) F(1) =0.8-0.5= 0.3

27/3/2017 Jaime Ortega 31


Teora de Probabilidades
Distribucin Binomial

Supngase que se repiten n veces un experimento el cual puede ser un xito, con probabilidad p,
o un fracaso con probabilidad (1-p).

El nmero de xitos ser un nmero entero entre 0 y n.


Se define la variable aleatoria binomial, Y, como el nmero de xitos en las n repeticiones.

La variable binomial es una variable aleatoria discreta, slo puede tomar los valores 0, 1, 2, 3, 4, ...,
n suponiendo que se han realizado n pruebas.

Como hay que considerar todas las maneras posibles de obtener r-xitos y (n-r) fracasos, el total de
posible combinaciones de xitos y fracasos es:
n
Cr
27/3/2017 Jaime Ortega 32
Teora de Probabilidades
Distribucin Binomial

Considerar todas las maneras posibles de obtener r-xitos y (n-r) fracasos, el total de combinaciones de
xitos y fracasos es:

n
Cr
Por lo tanto, la probabilidad de tener r xitos (Distribucin Binomial ) est dada por:

n r
P(Y r ) P(r ) Cr p (1 p) n r

Es condicin indispensable que: P(r ) 1


r 0

27/3/2017 Jaime Ortega 33


Teora de Probabilidades
Media y Varianza de la Distribucin Binomial

Media

Si Y es una variable aleatoria discreta que toma valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , con pi 0, para todo i, entonces el valor esperado (medio) de Y esta dado
por:
n
E (Y ) yi pi
i 1

Para una distribucin Binomial se tiene:

n
E (Y ) C r p (1 p) nr r np
n r

r 0

27/3/2017 Jaime Ortega 34


Teora de Probabilidades
Media y Varianza de la Distribucin Binomial

Media

Es importante notar que si una poblacin puede ser descrita por una distribucin Binomial, entonces el
valor esperado de la distribucin es igual al valor terico de la media poblacional, es decir:

E (Y ) np

27/3/2017 Jaime Ortega 35


Teora de Probabilidades
Media y Varianza de la Distribucin Binomial

Varianza

Si Y es una variable aleatoria discreta que toma valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , con pi 0, para todo i, entonces la varianza de Y est dada por:

varianza(Y ) = E[ (Y - ) 2 ]

Para una distribucin Binomial se tiene:

N
(r np) 2 n C r pr (1 p) nr np(1 p)
2

r 0

27/3/2017 Jaime Ortega 36


Teora de Probabilidades
Media y Varianza de la Distribucin Binomial

Varianza

Al igual que en el caso de la media, si una poblacin puede ser descrita por una distribucin de
probabilidades, entonces el entonces la Varianza de la distribucin es igual a la Varianza poblacional. Es
decir:

N
i

2 2
( y ) pi
i 1

27/3/2017 Jaime Ortega 37


Teora de Probabilidades
Ejemplos

En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) ninguno est defectuoso

= 0 = 0 = = 0; = 10, = 0.2
10!
= 0.20 (1 0.2)100 = 0.810 = 0.1074
10 0 ! 0!

27/3/2017 Jaime Ortega 38


Teora de Probabilidades
Ejemplos

En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) ninguno est defectuoso

= 0 = 0 = = 0; = 10, = 0.2
10!
= 0.20 (1 0.2)100 = 0.810= 0.1074
10 0 ! 0!

27/3/2017 Jaime Ortega 39


Teora de Probabilidades
Ejemplos

En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) uno salga defectuoso

= 1 = 1 = = 1; = 10, = 0.2
10!
= 0.21 (1 0.2)101 = 0.2684
10 1 ! 1!

27/3/2017 Jaime Ortega 40


Teora de Probabilidades
Ejemplos

En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) dos salgan defectuosos

= 2 = 2 = = 2; = 10, = 0.2
10!
= 0.22 (1 0.2)102 = 0.3020
10 2 ! 2!

27/3/2017 Jaime Ortega 41


Teora de Probabilidades
Ejemplos

En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) al menos dos salgan defectuosos

2 =1 1
= 1 1; = 10, = 0.2
= 1 0.1074 + 0.6242 = 0.642

27/3/2017 Jaime Ortega 42


Teora de Probabilidades
Ejemplos

En un laboratorio de control de calidad de una empresa elctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores estn defectuosos. Cul es la
probabilidad de que en la muestra:
a) ms de tres estn con defectos

3 = 1 2 = 1 2; = 10, = 0.2
= 1 0.1074 + 0.2684 + 0.3020 = 0.3222

27/3/2017 Jaime Ortega 43