PROBABILIDAD ESTADISTICA 1

TECNICAS DE CONTEO

Se estudian en este aparte algunos técnicas especiales que facilitan el trabajo de contar
los casos favorables y posibles que definen la medida de probabilidad.

PRINCIPIOS BASICOS 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.
Ejemplo

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 número total de formas diferentes de viajar de A hasta C es: n x n = 3 x 4 = 12 El

número total de las placas de los carros en Colombia, si se asumieran 3 letras de las 28 y 3
dígitos de los 10 se puede calcular como:

n x n x n x n x n x n = 10 * 28 = 21.952.000

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

n :número de formas de colocar la letra J, J=4, 5, 6

PRINCIPIO DE LA ADICION

Sea un experimento que se puede realizar de n ó n ,..., ó n formas diferentes. El

experimento completo se podrá ejecutar de n + n + ...+ n maneras diferentes.

Ejemplo

Las formas de hacer un viaje a un sitio determinado al cual viajan 3 empresas de buses, el
tren y 4 compañías de aviación son por lo tanto 3 + 1 + 4 = 8 maneras diferentes para
realizar el viaje.

MUESTRAS ORDENADAS

Sea un conjunto de N elementos distinguibles, llamado población. Cualquier subconjunto o

arreglo de n elementos se denomina muestra. La selección de los elementos de la muestra
puede cumplirse de dos formas: i. Sin repetición o sin reemplazo. (Permutaciones) La
selección 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 selección y aplicando el principio
de la multiplicación se tiene que el total de formas diferentes de obtener la muestra es:

Muestras ordenadas sin repetición:

MOSR ii. Con repetición o con reemplazo Igual al caso anterior, pero cada vez que se realice
una selección se vuelve a tener en cuenta el elemento extraído anteriormente, así que el
total de formas diferentes con repetición es: N * N *... *N =N Muestras ordenadas con
repetición : 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:

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 dígitos a. Sin que ninguno
dígito sea repetido. Los números del 0 a 9 son distintos y se desean cifras sin que ningún
digito se repita, la solución es a partir de MOSR, es decir:

P . b. No empiece con cero y no se repita ningún dígito. La cifra debe empezar con
cualquiera de los 9 dígitos distintos de cero, como no se puede repetir un dígito entonces
para el segundo número se cuenta con 9 dígitos, por la anterior razón las posiciones tres y
cuatro se pueden llenar con 8 y 7 dígitos, respectivamente. Aplicando el principio de la
multiplicació

n se tiene un total de cifras igual a: 9* 9*8*7 c. Teniendo en cuenta que uno o más dígitos
estén repetidos. La distinción entre los dígitos se mantiene, pero ahora se considera la
repetición, por lo tanto la solución es través de MOCR ( 10 ), aquí se hace necesario
reflexionar porque no se desean cifras sin dígitos repetidos( P ), por tanto la respuesta
es: 10 - P =4960

MUESTRAS NO ORDENADAS

Los N elementos de la población aunque diferentes no requieren distinguirse, el total de

muestras posibles depende de la forma como se realice la selección pudiendo ser: i. Sin
repetición o sin reemplazo. (Combinatoria). Equivalen a las permutaciones eliminando los n!
términos ordenados. Por lo tanto el total de muestras lo da la expresión:

formas diferentes.

i. Muestras no Ordenadas sin repetición: MNOSR

ii. Con repetición o con reemplazo. En este caso se puede asumir que en cada etapa de
selección se va agregando un elemento "nuevo", desde luego a excepción de la primera etapa,
equivale esto a aumentar la población en el número de etapas de selección menos una. Implica
decir que (n-1) de los N elementos pueden volver a ser seleccionados. La combinatoria que
aparece a continuación permite contar el total de

muestras Muestras no ordenadas con

repetición MNOCR

Ejemplo
De acuerdo al ejemplo 38, el total de subconjuntos de tamaño 2 tomados de el conjunto de 4

elementos que no requieren ser distinguidos es: a.

b.

PARTICION DE UN CONJUNTO
El total de formas diferentes en que se pueden repartir N elementos en K subconjuntos cada

uno de tamaño N , i = 1,2,....k se representa por:

Es equivalente a tener N individuos de los cuales N , i = 1,2,....,k son iguales

constituyéndose así 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
idénticas por tanto el total de ordenaciones diferentes se calcula según 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 números impares y al cuarto
las demás cartas. De cuántas maneras se puede lograr esta partición? Solución: En una baraja
de póquer hay 4 ases, en cada una de las cuatro pintas se tienen 3 figuras y las demás
cartas están numeradas del 2 al 10. Por lo tanto: N = 52 N = 4 N = 12 N = 16 N = 20 El
total de particiones es igual a:

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

INTRODUCCION

Afirmaciones en términos probabilisticos hacen parte de nuestro lenguaje diario: chance,

riesgo, probable, posible, pueda que ocurra o no, casi cierto y otras más. Todas estas son
utilizadas para comunicar un cierto grado de aunque su uso no tecnico no
permite establecer una clara diferencia entre probable y verosimil o entre improbable e
imposible. Uno de los objetivos de este capítulo es introducir una medida numérica de
incertidumbre.

MODELO

Frecuentemente el objetivo de un investigador es establecer una adecuada descripción

matemática de algún fenómeno natural o artificial. Un modelo puede ser definido como una
idealización matemática utilizada para aproximar un fenómeno observable. En esta
idealización, ciertas suposiciones son hechas. El éxito de un modelo depende si o no estas
suposiciones son válidas. Para chequear la validez de un modelo, se toman observaciones.
Este proceso es llamado experimento.

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

MODELO DETERMINISTICO

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 automóvil en horas a una velocidad constante de

kilómetros por hora es determinada por la relación . El conocimiento de y
determina el valor de .

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 oxígeno, se produce gas
carbónico más agua.

5. Se hace actuar sobre un cuerpo de un kg. de masa una fuerza de un Newton, se obtiene una
aceleración de un metros/segundo

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

MODELO NO DETERMINISTICO

Un modelo no deterministico (o estocástico), es aquel en el cual información pasada, no

permite la formulación de una regla para determinar el resultado preciso de un experimento.
Muchos fenómenos naturales o artificiales son aleatorios en el sentido de que el resultado
exacto no puede ser predicho, y sus resultados producen un patrón a largo término.

Ejemplos

1. Considérese el género de un nuevo nacimiento en cierto hopital . Sea la denotación para

un niño y una niña. Suponga que se registran los géneros en orden de cumpleaños. Entonces
se observará una secuencia de letras y , tales como:

Esta secuencia muestra una no aparente regularidad. Sin embargo, uno no puede predecir el
género del próximo nacimiento , pero si se puede predecir a lo largo de muchas ejecuciones
la poporción de niños (o niñas) en esta secuencia será cercana a . Este comportamiento a
lo largo de muchas ejecuciones es llamado regularidad estadística y es evidente, por
ejemplo, en todos los juegos de azar.

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

3. El querer determinar la cantidad de lluvia que caerá debido a una tormenta que pasa por
una zona específica, el origen de la tormenta, la dirección de la tormenta, etc.

4. La velocidad de una partícula 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 fútbol.

7. El número de llamadas telefónicas por minuto, la duración de cada llamada.

8. La intensidad del ruido de un sistema de comunicación.

9. La resistencia mínima de un conjunto de resistencias en una línea de producción

En este capítulo se estudiarán sólamente experimentos de fenómenos que muestren aleatoriedad

y regularidad estadística. Los modelos de probabilidad son utilizados para describir tales
fenómenos.

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

CONCEPTOS BASICOS
Definición de experimento estadístico

Un experimento que tiene las siguientes características es llamado experimento aleatorio o

estadístico.

1.Todos los posibles resultados del experimento son conocidos antes de hacer una realización
del experimento.

2.El resultado exacto en cualquier ejecución del experimento no es predecible (aleatoriedad)

3.El experimento puede ser repetido bajo (más o menos) identicas condiciones.

4.Existe un patrón predictible a lo largo de muchas ejecuciones (regularidad estadística)

Ejemplos

1.Algunos ejemplos de típicos 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
duración de una bombilla es registrado.. En este caso no se conoce cual será el tiempo de
duración de la bombilla seleccionada, pero claramente se puede conocer de antemano que será
un valor entre y horas

c.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 tipos de defectos.

El número de defectos encontrado en cada refigerador inspeccionado es registrado.

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

1.Algunos ejemplos de experimentos no estadísticos son:

a.Seleccionar al azar un bus de ruta (no alimentador) de transmilenio y observar el color.
Aqui no se cumple la condición (ii), ya que se puede predecir una ejecución del experimento,
el color del bus.

b.Seleccionar al azar un estudiante de un colegio masculino y observar su género. Aqui no se

cumple la condición (ii), ya que se puede predecir una ejecución del experimento, el género
del alu.mno

Ejercicio
Describa un experimento estadístico y otro no estadístico y explique porque lo es o no.

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

ESTADISTICA VS PROBABILIDAD

Existen tres componentes esenciales de un modelo estocástico (o probabilistico):

1.Identificación de todos los posibles resultados del experimento.

2.Identificación de todos los eventos de interés

3.Asignación de probabilidades para estos eventos de interés.

El más importante como tambien el más interesante y difícil parte en la construcción del
modelo es la signación de probabilidades. Es pertinente en este momento distinguir entre
probabilidad y estadística. En probabilidad, nosotros hacemos ciertas suposiciones acerca de
la población y entonces decimos algo acerca de la muestra. Esto es, el problema en
probabilidad es:

Dado un modelo estocástico, qué podemos decir acerca de los resultados?

En estadística, el proceso es inverso. El problema en estadística es:

Dada una muestra (conjunto de resultados), qué se puede decir acerca de la población (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 estocástcio 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, cúal es la probabilidad de observar caras
en lanzamientos? . En estadística, nos preguntamos: Dado que en lanzamientos de una
moneda se obtuvieron caras, puede asegurarse que la moneda no está cargada?.

2 Gasolina.

Cuando un nuevo modelo de carro es introducido al mercado, la compañia automovilistica

anuncia (un estimado) a la agencia de protección al medio ambiente la trazón de consumo de
gasolina (miles por gaslón) paara propósitos de comparación. El problema inicial de la
determinación de la distribución de probabilidad del cosumo para este modelo es un problema
estadístico. Una vez esto ha sido solucionado, el calculo de la probabilidad de que un carro
particular consuma al menos 30 millas por galón es un problema de probabilidad.
Similarmente, la estimación de promedio de gasolina para este modelo es un problema
estadístico.
3.Número de llamadas telefónicas. El número de llamadas telefónicas iniciadas en u intervalo
de tiempo de logitud horas es registrado en una central telefónica. El problema inicial de
estimar la probabilidad de que llamadas sean iniciadas en un periodo de tiempo de logitud
horas es un problema estadístico. Una vez esas probabilidades han sido establecidas para
cada el calculo de la probabilidad de que más de llamadas sean iniciadas en
un periodo de tiempo de una hora es un problema de probabilidad.

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

ESPACIO MUESTRAL

Un espacio muestral, denotado por , asociado con un experimento aleatorio es un conjunto

de puntos tales que:

1.Cada elemento de denota un resultado del experimento, y

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

a un elemento de .

Los elementos del espacio muestral son llamados puntos muestrales.

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 números pueden ponerse en una correspondencia uno a uno con el conjunto
de los enteros positivos o cuando contiene un número contable de elementos. Contínuo: Se
dice que un espacio muestral es continuo si sus resultados consisten de todos los puntos
de un intervalo de números reales, o todos los puntos de un plano, o en general algún
rectángulo 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 .donde denota el resultado cara y
denota sello.

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

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

EJERCICIOS

1. Un club tiene cinco miembros A,B,C,D y E. Se requiere seleccionar un presidente y una

secretaria.

Asumiendo que un miembro no puede ocupar ambas posiciones, escriba el espacio muestral
asociado con este experimento.

2. En cada uno de los siguientes experimentos cual es el espacio muestral

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 página y el número de errores de impresión es
contado.
c) Dos cartas son seleccionadas con reemplazamiento, sin reemplazamiento de una
baraja de cartas.

EVENTOS Y SIGMA ALGEBRA

Definición de Evento

Sea un espacio muestral. Un evento (con respecto a ) es una colección de puntos

muestrales. Cada punto del espacio muestral es conocido como evento simple o elemental.

El conjunto vacío y son subconjuntos de por tanto son eventos; se denomina algunas
veces el evento imposible o nulo, y algunas veces se denomina el evento cierto o seguro.

Definición de Álgebray-Sigma Álgebra

Una álgebra es una colección no vacia de conjuntos de tales que:

Ω A

Si A ,entonces A

Si A entonces A

σ- álgebra A ,es una colección no vacia de subconjuntos de Ω tales que:

Ω A

Si A ,entonces A

Si A entonces A

Si A entonces A

Es de notar que:

1. se sigue de y .

2. Con todo espacio muestral se asocia una álgebra A.

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

Si contiene un número contable de puntos, siempre se puede tomar a A como la colección de

todos los subconjuntos de .

Si contiene un número no contable de puntos, tambien se puede tomar a A como la colección

de todos los subconjuntos de , pero es mucho más larga esta colección. 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
1.Supongamos que el experimento consiste en lanzar una moneda.
El espacio muestral es y una álgebra sobre sería

Veamos que se cumplen las tres condiciones:

(i)

(ii)

(iii) y

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

Definición de Eventos mutuamente excluyentes

Se dice que dos o más 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 teoría de conjunto eventos mutuamente excluyentes son conjuntos disjuntos.

EJERCICIOS

Los eventos son denotados por letras mayúsculas y así sucesivamente. Es común
denotar algunos eventos en terminos de operaciones entre conjunto. Se supone que el lector
eatá familiarizado con operaciones entre conjuntos.

Sea un espacio muestral.

= 2 es - Algebra # : número de elementos de

 = {Ø, } es - Algebra

Sea = {a, b, c} 2 = 2 = 8.

4. Sea = {a, b, c} 2 = 2 = 8.

a. = {Ø, {a}, {b}, {c}, } es - Algebra? No

i. Ø

ii. {a} pero {a} , por lo tanto no es - Algebra

b. = {Ø, {a}, {b, c}, } es - Algebra? Sí, es - Algebra

i. Ø

ii. {a} {a}

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

Ø Ø =

Ø = Ø

iii. Ø, {a}, {b, c} Ø {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 más de una salida =
{0,1}.

DEFINICION DE PROBABILIDAD
Axiomas de Probabilidad

Sea un espacio muestral asociado a un experimento estadístico y A una álgebra . Una

función con dominio en y rango el intervalo
se llama medida de probabilidad o simplemente probabilidad si satisface los siguientes
axiomas:

P( A) es llamada la probabilidad del evento A. Observese que la definición anterior

solamente expresa cúales son las propiedades que tiene que cumplir una probabilidad, pero no
expresa como asignar las probabilidades específicas a los eventos.

PROBABILIDAD DE EVENTOS
REGLA DE LA ADICION

Los eventos compuestos se generan al aplicar las operaciones básicas de los conjuntos a los
eventos simples. Las uniones, intersecciones y complementos de eventos son de interés
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
básicas de los conjuntos también son útiles para determinar la probabilidad de un evento
compuesto.

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

Demostración:

Se conoce que

por otro lado se tiene que Entonces

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 ocurrió A". Esta probabilidad se define como:
La probabilidad condicional es una función de probabilidad, definida como

¿ Es una función de probabilidad?

es una función de probabilidad porque satisface los tres axiomas

Axioma I

para todo evento .

Como

entonces dividiendo por se tiene los términos de la desigualdad se tiene

Axioma II

Como

Axioma III

Si es una sucesión de eventos mutuamente excluyentes, entonces

Como
como los eventos son mutuamente excluyentes, entonces los eventos
son también mutuamente excluyentes y así

Ejemplo
1. La antena de una instalación de radar recibe, con probabilidad , una señal útil con una
interferencia superpuesta, y con probabilidad solo la interferencia pura. Al suceder
una señal útil interferida, la instalación indica la existencia de cualquier señal con
probabilidad , cuando aparece una interferencia pura con la probabilidad . Sí la
instalación ha indicado la existencia de cualquier señal, determinar la probabilidad de que
esta indicación haya sido ocasionada por una señal útil con interferencia superpuesta.
Solución:

Sean U: el evento la señal es útil con interferencia superpuesta

I : el evento la señal es útil con interferencia pura

S: el evento que indica ocurre una señal

Con base en el diagrama , la probabilidad se puede calcular así:

 EJEMPLO

Entre los 200 empleados de una empresa hay 150 graduados, 60 del total consagran parte de su
tiempo por lo menos a trabajos técnicos, 40 de los cuales son graduados. Sí se toma al azar
uno de estos empleados, cuál es la probabilidad de que:

a. Sea graduado dado que se sabe no consagra su tiempo al trabajo técnico?

b. No sea graduado dado que se sabe no consagra su tiempo al trabajo técnico?

Solución:

Sean los eventos:

: el empleado es graduado

el empleado dedica parte de su tiempo a trabajos

:
técnicos

De la información dada se puede elaborar parcialmente una tabla de contingencia

Trabajos Otros
técnicos trabajos Total

Graduados 40 150

No graduados
Total 60 200

La cual se puede completar como se muestra a continuación

Trabajos Otros
técnicos trabajos Total

Graduados 40 150

No graduados
Total 60 200

a. La probabilidad de que sea graduado dado que se sabe no consagra su tiempo al trabajo
técnico, , se puede calcular en este caso de manera fácil utilizando la tabla de
contingencia, en la cual esta proabbilidad es calcual determinando proporción de los de
otros trabajos son graduados es decir,dada como el cociente entre es

También es posible calcularla mediante la definición de probabilidad condicional

b. La probababilidad de que no sea graduado dado que se sabe no consagra su tiempo al
trabajo técnico es también determinada por medio de la tabla de contingencia

También por la definición de probabilidad condicional se tiene

y por la ley de Morgan

y como . Luego

REGLA DE LA MULTIPLICACION

De la definición de probabilidad condicional se tienen los siguientes resultados al despejar

Las relaciones y son casos especiales de la llamada Regla de la multiplicación, la

cual es útil para:

Calcular probabilidades de intersecciones de eventos con base en

probabilidades condicionales.

Esta regla de manera general se puede expresar como:

Sea eventos tales que . Entonces

Ejemplo

1. (Inspección 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). ¿ Cúal es la probabilidad de que los dos items seleccionados sean defectuosos?.

Solución

Sea los eventos

entonces dos items seleccionados seran defectuosos, cuando ocurre el evento que es
la intersección entre los eventos y . De la información dada se tiene que:

así 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

EJEMPLOS

Ejemplo 2 La probabilidad de que la batería de un automóvil sujeta a altas temperaturas

dentro del compartimiento del motor reciba una corriente de carga mayor que la normal, es
. La probabilidad de que la batería quede expuesta a altas temperaturas es . ¿ Cúal
es probabilidad de que la batería experimente tanto una corriente de carga alta como una
temperatura alta?

Solución

Sean
 : el evento donde la batería experimenta una corriente de carga mayor que la normal, y

: el evento donde la batería está expuesta a altas temperaturas.

el evento condicional, la batería de un automóvil que esta sujeta a altas temperaturas

dentro del compartimiento del motor recibe una corriente de carga mayor que la normal

De la información dada se tiene:

Luego, la probabilidad de que la batería experimente tanto una corriente de carga alta como
una temperatura alta, es :

Ejemplo 3 El de la población de una ciudad sufre de presión sanguínea alta. De la

población con presión sanguínea alta el toman licor mientras que solamente el que
no sufren de presión sanguínea alta lo toman. Calcule el porcentaje de personas que toman
licor y sufren de presión sanguínea alta.

Solución:

Sean los eventos:

La probabilidades asociadas a estos eventos son:

Y la probabilidad a calcular es . El diagrama de árbol, ayuda a entender problemas

relacionados con la regla de la multiplicación, como es el caso del presente problema:
El porcentaje de personas que toman licor y sufren de presión sanguínea alta es determinado
como

4. Un lote contien artículos de los cuales son defectuosos y no defectuosos son

inspeccionados uno por uno. Si los artículos son seleccionados al azar sin reemplazamiento,
calcular la probabilidad de que:

a. Los primeros dos artículos sean defectuosos

b. Entre los tres primeros artículos, dos sean buenos

c. El tercer artículo es defectuoso

d. Si se tine la siguiente regla: se acepta el lote de artículos si al observar

artículos máximo uno es defectuoso, calcular la probabilidad de rechazar el lote.

Solución:

Sean los eventos:

a El evento de interés es y su probabilidad es

b. El evento de interés es y su probabilidad es

c. El evento de interés es y su
probabilidad es

d. Como no se rechaza el lote cuando esxista defectuoso y defectuoso, entonces

Luego

rechazar Aceptar
EVENTOS INDEPENDIENTES
DEFINICIÓN. Independencia para dos eventos

Sea y dos eventos. Se dice que y independientes si

Si y no son independientes se dice que ellos son dependientes.

NOTAS

1. Con la anterior definición, 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:

DEFINICIÓN. Eventos mutuamente independientes

Los eventos son Mutuamente independientes si las las siguientes
relaciones se tienen

Ejemplo

Se sacan tres cartas de un juego en sucesión, sin reemplazo, de un paquete ordinario.

Encuentre la probabilidad de que se presente , donde es el evento de que la
primera carta sea un as rojo, que la segunda carta sea un 10 o una jota y que la
tercera carta es mayor que 3 y menor que 7.

Así, 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 está particionado por una colección de eventos ,

mutuamente exluyentes

La probabilidad de cada evento .

 La probabilidad de ocurrencia de un evento cualquiera dado un evento de la
partición . Esto es,

Entonces es recomendable utilizar el llamado Teorema de probabilidad total

para

calcular la probabilidad total de un evento cualquiera ,

Teorema

Sea un espacio muestral y , , una colección de eventos mutuamente

excluyentes tal que

para . Entonces para cualquier evento de ,

Demostración

Considere el diagrama de Venn en la figura 1.

Se observa que el evento A es la unión 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 multiplicación. Se tiene que:

Ejemplo

Considere una fábrica de colchones, quien realiza una campaña publicitaria para
mejorar sus ventas. Para evaluar la efectividad de la campaña, la fábrica 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 , la probabilidad
condicional de que una venta se haya realizado dado que el cliente ha visto el
aviso es , y la probabilidad condicional de que una venta se haya realizado dado
que el cliente no ha visto el aviso es . ¿ Cuál es la probabilidad de que una
selección aleatoria de un cliente sea la un cliente que hará una compra?.

Solución

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

La probabilidad de cada evento es:

, ,
La probabilidad de ocurrencia del evento dado un evento de la partición
. Esto es,

Entonces
 EJERCICIOS
1

La policía planea reforzar los límites 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, ¿ cuál es la probabilidad de que reciba una
multa por conducir con exceso de velocidad?

La irregularidad del corte de productos de papel aumenta a medida que las hojas de la
cuchilla se desgastan. Sólo 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 están desgastadas, ¿cuál es la proporción de productos que tendrán
cortes irregulares?

TEOREMA DE BAYES

En muchas situaciones es posible que se conozca

que el espacio muestral está particionado por una colección de eventos ,

mutuamente exluyentes

La probabilidad de cada evento

La probabilidad de ocurrencia de un evento cualquiera dado un evento de la partición .

Esto es,

Entonces es recomendable utilizar el llamado Teorema de Bayes para calcular la probabilidad

condicional de que un evento de la partición dado que ocurre el evento ,

Teorema
Sea un espacio muestral y , , una colección de eventos mutuamente excluyentes
tal que

para . Entonces para cualquier evento de ,

Ejemplo

En cierta planta de montaje, tres máquinas 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 máquina, respectivamente, tiene defectos. Ahora, suponga que
se selecciona de forma aleatoria un producto terminado y se encuentra que es defectuoso, ¿
cuál es la probabilidad de que esté ensamblado por la máquina B ?

Solución:

Considere los eventos siguientes:

A: el producto está defectuoso,

B : el producto está ensamblado por la máquina B .

B : el producto está ensamblado por la máquina B .

B : el producto está ensamblado por la máquina B .

Al aplicar el teorema, podemos escribir:

De los datos del problema sabemos que:

Entonces:
Así, al seleccionar de forma aleatoria un producto terminado y encontrar que es defectuoso,
la probabilidad de que esté haya sido ensamblado por la máquina B es del 20%.

EJERCICIOS 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,
¿ cuál 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 diseños preliminares de varios

productos. En el pasado, el 95% de los productos que con mayor éxito en el mercado
recibieron buenas evaluaciones, el 60% de los productos con éxito moderado
recibieron buenas evaluaciones y, el 10 % de productos de escaso éxito recibieron
buenas evaluaciones. Además, el 40% de los productos ha tenido mucho éxito, el 35%
un éxito moderado, y el 25% una baja aceptación.

a. ¿ Cuál es la probabilidad de que un producto obtenga una buena evaluación?

b. Si un nuevo diseño obtiene una buena evaluación, ¿ cuál es la probabilidad de

que se convierta en un producto de gran éxito?

c. Si un producto no obtiene una buena evaluación, ¿ cuál es la probabilidad de que

se convierta en un producto de gran éxito?

__

VARIABLES ALEATORIAS
DEFINICI\'ON GENERAL

En lecciones anteriores se estudiaron probabilidades de eventos asociados a los resultados

físicos del espacio muestral . Por ejemplo cuando se lanza una moneda 2 veces se obtiene
como espacio muestral

y un evento de interés es ocurrir una cara cuyos elementos son

. este evento tiene como probabilidad

En la práctica resulta de mayor interés el estudio de eventos tales como:

A: ``número 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 líneas perpendiculares, entonces el espacio muestral es el conjunto de pares
ordenados de números reales positivos correspondientes a sus distancias desde el
punto de inicio

Ahora si y representan sus velocidades en kilómetros por hora y si estamos interesados

en la distancia entre los dos después de horas, entonces la variable aleatoria de interés
es

Así, para todo punto (resultado del espacio muestral) en se puede asignar un número

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 del espacio

muestral sino en en algun número real asignado a .

Frecuentemente el resultado es en sí mismo un número real.

Definición

Sea un espacio muestral con una clase de eventos . cualquier regla que asigna a cada
elemento un número real 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 función (o variable

aleatoria) toma valores sobre la recta real, y así se induce otro espacio muestral
que puede ser tomado como . En este caso es un caso de espacio
muestral no contable

¿ Cúales son los eventos en el espacio muestral ?.

Todos los subconjuntos de un solo punto y todos los intervalos (cerrados, abiertos, o
semicerrados) son eventos. También uniones, diferencias e intersecciones de intervalos.

¿ Cúal es la álgebra asociada al espacio muestral ?

La álgebra asociada al espacio muestral es la llamada álgebra de Borel conformada
por todos los subconjuntos . Esta álgebra es generada por la colección 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 será denotadas con letras mayúsculas , ,U,V,W, etc. El valor
asignado por será denotado por . Esto es, se escribira por .

Ejemplo 1

Número de hijos en una familia, número de cuartos en una casa, el ingreso de una familia, el
tiempo de duración de una pieza de un equipo, el número de errores en un página de un libro,
la corriente eléctrica que pasa por un punto dado.

Ejemplo 2

Un dado es lanzado una vez. En este caso el espacio muestral es . Se

oberva que la ejecución es un número real. Se define la variable aleatoria como:

la cual asigna a cada elemento del espacio muestral un número real como se muestra
de manera explicita a continuación:

2
3
4
5
6

Luegos se dice que la variable aleatoria toma valores

Ahora otra variable aleatoria para este experimento se definiría como:

entonces toma los valores

Ejemplo 3
Un dado es lanzado dos veces, entonces . Algunas variables
aleatorias que se podrían definir son:

El rango o los valores que toman las anteriores variables son respectivamente:

CASO DISCRETO
Definición

Una variable aleatoria (v.a.) es discreta si los valores que asigna forman un conjunto
contable (finito o infinito).

Ejemplo

Sea el número de caras al lanzar dos monedas. Los valores que asigna son , el cual
es un conjunto contable (finito).

FUNCION DE PROBABILIDAD

Sea una variable discreta. La colección de números que satisface las propiedades:

Se llamará una función de probabilidad o función 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 función de probabilidad sobre una sigma álgebra asociada al espacio muestral es
dada por:

donde es definida como

Explicación: Esta es una de las maneras de definir una función de probabilidad sobre la
sigma álgebra. En este caso debido a que el espacio muestral es finito, se define la función
de probabilidad para cada elemento de como:

Sea la variable aleatoria que representa la suma de los números obtenidos en las caras,
entonces la variable aleatoria asigna números reales a cada uno de los elementos de
espacio muestral como se muestra Aquí

De esta manera se dice que la variable aleatoria toma los valores

La función de probabilidad para la variable se determina como se muestra a continuación:

El valor se obtiene de la función de probabilidad definida sobre la sigma álgebra que

fué denotado anteriormente como .

Explicación: Observe que la letra representa l aprobabilidad de un evento para la variable

aleatoria y la letra representa la probabilidad para un elemento del espacio muestral.
Análogamente la probabilidad para los otros valores de la variable se presenta en la
siguiente tabla:

Probabilida
d
=

= =

= =

= =

= =

= =

= =

= =

= =

= =

Para poder observar mejor el comportamiento de la distribución de la probabilidad de la

variable observe la figura que se presenta a continuación.

En la gráfica se observa que la distribución de probabilidad es simétrica esto implica que

las medidas de tendencia: Media Aritmética, Mediana y La moda , son iguales. La manera
de calcular estas medidas se estudia en la lección Valor esperado. Observe que lo más
probable que puede ocurrir al lanzar dos es que la suma de las caras sea 7.

FUNCION DE PROBABILIDAD ACUMULADA

La función distribución acumulada de la variable aleatoria discreta , cuya
distribución de probabilidad es , es la probabilidad de que la variable sea menor o
igual al valor Esto es,

Ejemplo

Para el ejemplo tratado anteriormente, La función distribución acumulada de la variable

aleatoria discreta es determinada así:

1. Divida el rango de la variable en subintervalos: y . Esta división

es realizada de acuerdo a la partición de la recta real dada en la función de probabilidad.

2. Calcule la función de probabilidad acumulada para un un valor que se encuentre en el

intervalo como la suma de las probabilidades de los valores de la variable menores a .

ya que según la definición de la función de probabilidad cuando como es

en este caso.

Luego La función distribución acumulada de la variable aleatoria discreta es dada por

 EJERCICIOS

Ejercicio 1

Verifique que la siguiente fuunción es función de probabilidad y calcule las probabilidades

pedidas.

x -2 -1 0 1 2
f(x
)
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.

5.Si la variable aleatoria es la longitud (redondeada a la décima de

milímetro más cercana) de una parte moldeada seleccionada al azar,
determine la función de probabilidad de .
6.¿Cuál es el valor de
7.¿Cuál 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 rechazará todo el
lote). Sea Y el número de percutores que debe probar el ingeniero de control de calidad.
Calcule y grafique la distribución 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.

FUNCION DE DENSIDAD
Sea una variable aleatoria definida sobre La función de densidad es dada
por alguna función integrable sobre tal que

para todo evento

Teorema

Sea una variable aleatoria definida sobre . Toda función que es integrable
sobre y satisface:

es la función de densidad de alguna variable aleatoria continua .

Este teorema nos sirve para determinar cuando una función integrable sobre es una función
de densidad de alguna variable aleatoria continua .

Ejemplo

Sea una función sobre dada por

Esta es una función integrable que satisface que para todo como se puede
observar en la figura 1.

Figura 1. Gráfico de función de probabilidad

Además
Sea el evento A= entonces la probabilidad de A puede ser calculada como

FUNCION DE PROBABILIDAD ACUMULADA

La función de probabilidad acumulada o función de distribución de una variable aleatoria

sobre , denotada por , es definida por la relación

Ejemplo

para el ejemplo tratado anteriormente la función de distribución es determinada como sigue:

1. Divida el rango de la variable en subintervalos: , y .

esta división es realizada de acuerdo a la partición de la recta real dada en la función de
probabilidad. cambie la notación de por para evitar confuciones.

2. Calcule la función de probabilidad acumulada para un un valor que se encuentre en el

intervalo como la suma de las probabilidades de los valores de la variable menores a .

ya que según la definición de la función de probabilidad cuando

Luego la función distribución acumulada de la variable aleatoria continua es dada por

y el gráfico es dado
 Figura 2. Gráfico de función de probabilidad acumulada

Sea el evento A= entonces la probabilidad de A puede ser calculada como

Teorema

Sea una función de distribución. Entonces

para todo
así F es no decreciente

lím para todo F es continua a la derecha

lím y lím
Ejemplo

Sea una variable aleatoria con función de distribución acumulada dada por (Figura 3)

Figura 3. Gráfico de función de probabilidad

Diferenciando con respecto a se tiene

La función no es continua en , o en

VALOR ESPERADO

Los promedios son parte de nuestro diario vivir. Nosotros escuchamos el promedio de lluvia
en una ciudad en un año, el promedio de temperatura en Agosto, el promedio de edad de los
trabajadores de una empresa, entre otros. El objetivo de esta seccióon es mostrar algunas
características numéricas de una distribución poblacional. El más comun promedio utilizado
en estadística es la media o valor esperado o esperanza matemática.

Sea una variable aleaoria definida sobre y sea una función real definida sobre .
defina por

Definición

Caso discreto

Suponga que es una variable aleatoria es discreta. Si ,

entonces se define la media de o el valor esperado de por

Caso continuo

Suponga que es una variable aleatoria continua y la función de densidad de . Si

, entonces se define la media de o el valor esperado de por

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 después de tres intentos. Si no cae cara en los tres lanzamientos pierde
$20.
¿Cuál es la esperanza de ganancia o perdida en el juego?

La probabilidad de que en la 1ra ocasión salga cara es

La probabilidad de que en la 2ra ocasión salga cara es

La probabilidad de que en la 3ra ocasión salga cara es

La probabilidad de que no salga ninguna cara en los tres lanzamientos es

Así, el jugador esperará ganar luego de muchos juegos $0.5. Cabe notar que 50 centavos
no es ninguno de los posibles valores de la variable aleatoria, así, es completamente
posible que una variable aleatoria nunca tome el valor de su esperanza.
Ejemplo 2 Suponga que el número 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 distribución de
probabilidad:

Sea la cantidad de dinero en dólares, que el

administrador paga al dependiente. Encuentre las ganancias esperadas del dependiente en
este periodo particular.
Solución:

Ejemplo 3
Sea la variable aleatoria continua el diámetro de un agujero taladrado en una placa
de metal. El diámetro requerido es 12.5 milímetros, pero muchas perturbaciones
aleatorias en el proceso dan como resultado diáme-tros más grandes. La recopilación de
datos indica que la distribución de puede modelarse con la función de densidad de
probabilidad ¿Cuál es el valor esperado de la ?,
¿Cuál es su varianza?

EJERCICIOS
Ejercicio 1 En un estudio de exploración petrolera Kinchen (1986) cita un ejemplo en el que
un presupuesto de exploración de 50.000 dólares 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 y .

1.Calcule la media y la desviación estándar de la longitud del cable.

2.Si las especificaciones para la longitud son milímetros,¿Qué valor de la
media da la mayor proporción de cables que cumplen con las especificaciones?

Ejercicio 3 Demostrar las características de las medias y las varianzas (del 1 al 5).

EJERCICIOS PROPUESTOS

3.(Ejercicio 3.22 Montgomery) Una persona pide prestado un llavero con

cinco llaves, y no sabe cuál es la que abre un candado. Por tanto,
intenta con cada llave hasta que consigue abrirlo. Sea la variable
aleatoria el número de intentos necesarios para abrir el candado.
Determine la función de probabilidad de .
a. ¿Cuál es el valor de
b. ¿Cuál es el valor de
c. ¿Cuál es el valor de
4.(Ejercicio 3.26 Montgomery). Determine la función de distribución acumulada para
la variable aleatoria del ejercicio 1; asimismo, calcule las probabilidades
siguientes:
a.
b.
c.
d.
5.(Ejercicio 3.36 Montgomery). Si el rango de es el conjunto y
, determine la media y la varianza de la variable aleatoria.
DISTRIBUCION UNIFORME
Notacion:
X UD( )
Definición

Es la más simple de todas las distribuciones modelo y en ella la variable aleatoria asume
cada uno de los valores con una probabilidad idéntica.
" Sea la variable aleatoria X que puede asumir valores con idéntica probabilidad.
Entonces la distribución uniforme discreta viene dada por:

O sea que el parámetro clave en esta distribución es =número de valores que asume la
variable aleatoria X y que sería un parámetro de contéo.

Así por ejemplo cuando se lanza un dado correcto, cada una de las seis caras posibles
conforman el espacio muestral: La v.a X: número de puntos en la
cara superior del dado tiene una distribución de probabilidad Uniforme discreta, puesto que:

= para
en otro caso.

La representación gráfica de esta distribución de probabilidad puede hacerse con un

histograma para v.a. discreta, es en este caso la altura de

Planteemos sus características principales de tendencia central y dispersión.

El valor esperado y varianza de una distribución discreta uniforme se obtienen así:

Valor esperado ( )

Varianza (
Para el caso del lanzamiento del dado: el valor esperado y la varianza del número de puntos
en la cara superior son:

Ejercicio

(Walpole, pág 122) Selección de un empleado entre equipo de 10 con el fin de supervisar un
proyecto especifico. Esa selección se hace al azar utilizando papeleta con números.

a- Cuál es la probabilidad de que el número de la papeleta seleccionado sea menor de 4?

(

b- Cuál es la media y la varianza de la distribución de probabilidad del número de la

papeleta.? y

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

DITRIBUCION MULTINOMIAL
Notación:

Definición

Es una distribución de probabilidad conjunta para múltiples variables aleatorias

( discretas donde cada , dándose cuando en cada prueba ó ensayo
independiente (con reposición) del E.A. interesa contar el número 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.

Critérios ó características:

1. Son pruebas ó ensayos repetidos e idénticos (con reposición).

2. En cada prueba ó ensayo se pueden producir resultados.

3. Las probabilidadeds de cada uno de los resultados permanecen constantes

en todas las pruebas ó ensayos.

4. Son pruebas ó ensayos independientes.

5. El interes se centra en contar los éxitos que se producen en los ensayos de

cada una de las categorias posibles de observar cada vez.
Si una prueba ó intento puede dar cualquiera de los resultados posibles con
probabilidades , entonces la distribución multinomial dara la probabilidad de
que:

En pruebas independientes.

y donde: y

Como son pruebas independientes, cualquier orden específico que produzca

ocurrirá con de probabilidad.

El número de ordenes ó arreglos que pueden producir resultados similares será:

Combinando los dos componentes, se tiene entonces que:

Con y
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 bombas mediante proceso aleatorio. Cúal sera la

probabilidad de que quede conformada por: y ?

Ejercicio

(Walpole, pag 123)

Un estudiante que va a la universidad en carro encuentra un semáforo, 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 hábiles. Sea el número de
veces que encuentra el semaforo en verde, en luz amarilla y en luz roja. Hallar la
distribución conjunta de y .

VARIABLE ALEATORIA DE BERNOULLI

Experimento Bernoulli

Las características de un experimento aleatorio Bernoulli son:

1.El experimento tiene solamente dos posibles resultados mutuamente excluyente denominados
éxito (E) y fracaso (F). de esta manera el espacio muestral es dado por

2.La probabilidad de éxito y fracaso son constantes y se denotan por y

respectivamente

Variable aleatoria Bernoulli y su función de probabilidad

Una variable aleatoria Bernoulli se define como el resultado numérico de una prueba
Bernoulli

o de manera formal como una función

éxito

y así el rango de la variable aleatoria es , el cual es denotado como .

Una variable aleatoria de Bernoulli, por sí sola, tiene poco interés en las aplicaciones de
ingeniería. En cambio la realización de una serie de experimentos bernhoulli conduce a
varias distribuciones de probabilidad discretas muy útiles.

La función de probabilidad de una variable bernoulli es dada por

donde

es la probabilidad de éxito en una sola prueba.

es el número de éxitos en la prueba.

El parámetro 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 éxito y no ser defectuoso como el fracaso.

Media y Varianza de la distribución bernoulli

La media y varianza de una variable aleatoria bernoulli son respectivamente

DISTRIBUCION BINOMIAL
Notación:

Definición

Es una de las distribuciones de probabilidad más útiles ( control de calidad, producción,

investigación). 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
característica específico (llamado éxito) y no ocurrencia de éste (llamado fracaso). Los
términos o calificativos de "éxito y fracaso" son solo etiquétas y su interpretación puede
no corresponder con el resultado positivo o negativo de un experimento en la realidad.

Ejemplo

Éxito podría ser hallar en un ensayo específico que la unidad es defectuosa al examinarla.
Cada experimento aleatorio consiste en una serie de ensayos o pruebas repetidas realizadas
en idénticas condiciones ( veces), o sea que cada uno de ellos es independiente de los
demás.
Sea la probabilidad de éxito cada vez que el experimento se realiza y la
probabilidad de fracaso. Sea X la variable aleatoria que representa el número de éxitos en
los ensayos o pruebas. El interés se centra en conocer la probabilidad de obtener
exactamente éxitos en esos ensayos.

Criterios o propiedades para definir la Distribución Binomial

Resumiendo, podemos definir estos criterios:

1- El experimento aleatorio consiste en ensayos o pruebas repetidas, e idénticas y fijadas

antes del experimento (pruebas de Bernoulli). Son pruebas con reemplazamiento o con
reposición.

2- Cada uno de los ensayos o pruebas arroja solo uno de dos resultados posibles
resultados: éxito ó fracaso.

3- La probabilidad del llamado éxito ( , pemanece costante para cada ensayo o

prueba.

4- Cada prueba o ensayo se repite en idénticas condiciones y es independiente de las demás.

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 interés recae en hallar la probabilidad de obtener número de éxitos al realizar

ensayos del mismo E.A.

La función de probabilidad de X en esas condiciones será:

Para entero y

Planteamiento Básico

Supongamos un proceso productivo en serie de una misma unidad metalmecánica y en él que:

Probabilidad de una unidad defectuosa : y probabilidad de unidad no defectuosa:
.

Supongamos que el interés está en evaluar el proceso mediante una muestra aleatoria de 4
unidades y por tanto se define la v.a X como el número de unidades defectuosas en la
muestra. Para garantizar que los ensayos resulten independientes hacemos la selección con
reemplazamiento o sustitución.

Supongamos que centramos nuestro interes en unidad defectuosa en las cuatro pruebas o
ensayos. Sea B=bueno y D= defectuoso. Por lo tanto el esta conformado por 16 resultados
posibles
 .....

Se puede entonces notar que los eventos favorables a constiuyen el subconjunto

. Como no importa el orden de aparición de la unidad
defectuosa sino que aparezca exactamente una unidad con esa característica tenemos:

o sea: para cada

posible resultado de una unidad defectuosa

Como son cuatro resultados los que satisfacen el interés específico de una unidad defectuosa
entonces

Si generalizamos: donde: son las distintas maneras como

éxitos se producen dentro de los ensayos; es la probabilidad de éxitos en
cada una de las maneras distintas de producirse los éxitos .

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 electrónicos ó utilizando las tablas de la
distribución binomial que proporcionan la solución de estas operaciones, a veces largas o
laboriosas.
Con los resultados de esos cálculos podemos construir la tabla de distribución de
probabilidades, hacer su gráfica y definir sus principales características.

Tomemos como ejemplo la distribución binomial de parámetros y

Características de la distribución binomial.

Tendencia central: = aplicando la definición de valor

esperado se obtiene que para esta distribución :

Dispersión ó variación: : = lo que conduce a

que una v.a. binomial X tiene como varianza

Por lo tanto su desviación estandar: .

Asimetria ó deformacíon (Forma): con base en la razón entre los momentos centrales de
orden dos y tres como quedo definido antes:

sobre la base de que si:

Generalmente la distribución binomial es sesgada ó asimetrica hacia la derecha, sesgo que se

va perdiendo cuanto más grande sea el valor de (# de pruebas) y en la medida en que se
acerque a (por lo tanto tienda a ), limite en el cual se torna simétrica

Para el caso considerado y utilizando tanto la metodología tradicional de la definición de

conceptos como usando las fórmulas simplificadas, tenemos:

Tota
0
l

; tambien
 ;

Su función de distribución acumulada sera:

Ejemplo

Una empresa adoptó un proceso de control ded calidad consistente en diariamente seleccionar
al azar 20 unidadeds del total producido y conocer el número de unidades defectuosas. El
plan establece que si al examinar diariamente las veinte unidades, tres ó mas salen
defectuosas, algo esta pasando y se ordena detener el proceso productivo para buscar la
falla. Cúal 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 solución más corta para este planteamiento sería entonces:

o sea que sera la

probabilidad de que cualquier dia se ordene parar el proceso de producción según el
planteamiento de control del mismo.

Si consideramos las características, tenemos:

Valor esperado unidades defectuosas.

Varianza

Valores que como es lógico tambien pueden ser hallados por el método tradicional.

Si se hace la grafica para determinar la forma (aunque se deduce que como será
sesgada a la derecha). Veremos sin embargo que dado , no es tan sesgada como en el
caso del otro ejemplo tratado aqui.

Si se hace crecer , por ejemplo, hasta , todavía se torna más simétrica, tendiendo
hacia una normal a pesar de que no sea tan cercano a pero si alejado de cero ( ) ó de
uno ( ). En la práctica, si irá tornandose simétrica para valores de
( )

Se puede obtener la función de distribución acumulada y obtener asi los cuantiles ó

fractiles de la distribución.
La siguiente figura muestra tres funciones de distribución binomial con y valores
de y

La A con es ligeramente sesgada a la derecha ó con sesgo positivo. La B con

es simetrica y la C con tendra sesgo negativo, interpretaciones que
resultan consecuentes con el indice de sesgo ya planteado.

Ejercicios

1. Una empresa fabricante de neumáticos para tractomulas realiza pruebas de ponchaduras en

un terreno difícil. Se encuentra que el de los neumáticos probados presentaron pinchazo
en el recorrido total. Se prueban 15 neumáticos más tomados al azar: Halle la probabilidad
de las siguientes cantidades de neumáticos con pinchaduras :

Entre 3 a 6 .

Mas de 5 .

DISTRIBUCION HIPERGEOMETRICA
Notación:

Definición

Muchas veces en la práctica es difícil realizar pruebas con reposición ó reemplazamiento.

Por ejemplo, si en el control de calidad se pierde el elemento que se prueba, pues no se
puede hacer reposición directamente. Se plantéa entonces la prueba sin reposición, donde los
elementos de la muestra se toman todos a la vez y no individualmente ó donde el elemento
seleccionado no se reintegra al experimento ó 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 ó ensayos.

: Muestreo sin reemplazamiento y sin independeencia entre pruebas ó ensayos.

Sus aplicaciones estan en areas con uso considerable de muestreo de aceptación, pruebas
electronicas y de aseguramiento de la calidad, fabricación de piezas, etc.

Definición

En la distribución Hipergeométrica cantidad de resultados éxitos en una muestra

aleatoria (sin reposición) de tamaño , tomada de una población de tamaño y de la cual
satisface una caracteristica ó propiedad (éxito) antes del muestreo y no la satisface
(fracaso).

Criterios ó propiedades que la caracterizan.

1. La población del conjunto de unidades ó elementos es de orden fínito, de los cuales una
parte: "son éxitos", y otra parte: son "fracasos".

2. Cada elemento puede ser caracterizado como éxito ó 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 tamaño de la muestra aleatoria es grande relativamente en comparación con el tamaño

de la población. Generalmente:

5. Se busca la probabilidad de número de éxitos a partir de los resultados ó

elementos y fracasos a partir de los elementos asi clasificados, al obtener una
muestra aleatoria de tamaño

Planteamiento:.

Supongamos un lote de productos de los cuales:

Obtenemos muestra de productos, todos a la vez. Interesa entonces la probabilidad de sacar

productos defectuosos (Exito), o sea:

Planteado así el (E.A.) Podemos hacer el siguiente raciocinio:

De una población de elementos se pueden extraer muestras de tamño de formas

diferentes (distintas muestras de tamaño ). Al extraer muestras de tamaño productos, el

número de formas de obtener productos defectuosos de de ellos será: y entonces

sera el número de formas de obtener productos no defectuosos entre de ellos.

Como es el mismo evento compuesto, entonces el número de formas de seleccionar productos

defectuosos esta ligado con el número de formas de obtener productos no defectuosos.
Luego el total de formas posibles sera:

Combinando los casos

Los parámetros de la distribución Hipergeométrica son entonces:

 Tamaño de población.

Número de elementos de con una caracteristica ó propiedad específica (éxitos).

Tamaño de muestra aleatoria extraida.

Nota: Algunos tratadistas simbolizan esta distribución con:

Características de la Distribución Hipergeométrica.

En la practica, si , no se aplica el pues su valor tendera a cero

La función de distribución acumulativa quedará definida entonces por:

Pueden ser calculos tediosos ó laborosos cuando es grande. Por ello hay quienes aplican la
forma simplificada ó de recurrencia:

Ejemplo

En una empresa industrial diariamente se producen 90 unidades de unidad metalmecánica, 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 distribución de probabilidad:

Si representamos gráficamente la tabla resultante, tenemos:

Calculamos el valor de sus principales medidas características:

 Media:

Que simplificadamente:

Varianza:

ó tambien.

y que aún de forma mas simplificada:

Sesgo: Hacia la derecha ó positivo como se vé graficamente. Además, aqui: pues

y pues

DISTRIBUCION DE POISON
Notación:

Introducción

Llamada asi por su autor Siméon Denis Poisson, probabilista del siglo XIX, pues fue el
primero en describirla. Es una generalización de la distribución binomial cuando sobre un
. se define una variable aleatoria que representa el número de éxitos independientes
que ocurren para intervalos de medida específicos ( tiempos, lugares, espacios) , ademas con
una probabilidad de ocurrencia pequeña.

Se le llama distribución de los "eventos raros" pues se usa como aproximación a la binomial
cuando el tamaño de muestra es grande y la proporción de éxitos es pequeña.

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, galón, onza, etc.)

Ejemplo

Número de defectos por .en piezas similares de un material ..

Número de personas que llegan a un taller automotriz en un lapso de tiempo específico.

Número de impulsos electrónicos errados transmitidos durante espacio de tiempo específico.

Número de llamadas telefónicas que ingresan a un conmutador por minuto.

Número de interrupciones en servicios de energía en intervalos de un dia.

Cantidad de átomos que se desintegran en sustancia radioactiva.

Número de accidentes automovilísticos en un cruce específico durante una semana.

Criterios ó propiedades

1. Se da un intervalo de medida que divide un todo de números reales y donde el contéo de

ocurrencias es aleatorio. Esa división puede ser un subintervalo de medida.

2. El número de ocurrencias ó de resultados en el intervalo ó subintervalo de medida, es

independiente de los demás intervalos ó 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 ó

pequeño es la misma para todos los demás intervalos de igual tamaño y es proporcional a la
longitud del mismo ó al tamaño de medida.

4. La probabilidad de que más de un resultado ocurra en un intervalo ó subintervalo corto es

tan pequeña que se considera insignificante (cercana ó igual a cero).

Procesos que se ajustan a estos criterios, se dice, son procesos de Poisson.

Definición

Sea una variable aleatoria que representa el número de eventos aleatorios independientes
que ocurren con igual rapidez en un intervalo de medida. Se tiene entonces que la función de
probabilidad de esta variable, se expresa por:

Donde es parámetro de tendencia central de la distribución y representa el número promedio

ó cantidad esperada de ocurrencias (éxitos) del evento aleatorio por unidad de medida ó por
muestra; y Número 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 ó igual a un valor de se halla por la función de distribución acumulativa, planteada
entonces como:

Los resultados de las probabilidades individuales para valores de serán más pequeños
conforme la variable aleatoria toma valores cada vez más grandes.

Ejemplo

El número promedio de partículas radioactivas que registra un contador en un milisegundo en

la realización de un experimento aleatorio es de cinco (5) partículas. Hallar la
probabilidad de que se registre distinto número de partículas en un mismo milisegundo.
Acudiendo a las tablas existentes para tal fín ó a los medios electrónicos, se llega a
construir la tabla de distribución de probabilidades, dando:

y valores de más grandes pero con probabilidad mas pequeña. Se nota el punto de inflexión
entre y y no es tan sesgada a la derecha por el valor

Características de la distribución de Poisson

Valor Esperado: , el cual debe ser conocido.

Varianza:

Forma ó sesgo: Hacia la derecha ó con sesgo positivo y que se va perdiendo a medida que
crece. Veamos una gráfica de funciones de probabilidad para diferentes valores de

Se puede calcular un coeficiente de asimetría mediante la expresión Es de observar que

mientras en una distribución binomial: en Poisson se puede dar que

Alternativa: Si se da la probabilidad de tener, de manera exacta, ocurrencias en un

intervalo veces mayor que el de refencia en la medición entonces la distribución de
probabilidades de Y número de éxitos en la nueva unidad de referencia viene dada por

donde Promedio de ocurrencias por intervalo ó unidad de medida considerada en X y

Número de intervalos ó unidades de medida especificados.

Aqui y

Ejemplo

El número 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.

DISTRIBUCION NORMAL
Importancia de la distribución normal

La distribución normal es de suma importancia en estadística por tres razones principales:

1.Numerosas variables continuas de fenómenos aleatorios tienden a comportarse

probabilisticamente mediante ésta.

2.Es el límite al que convergen tanto variables aleatorias continuas como discretas.

3.Proporciona la base de la inferencia estadística clásica debido a su relación con el

teorema del límite central.

Propiedades de la distribución 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 dispersión media es igual a 1.33 desviaciónes estándar. Es decir, el alcance

intercuartil está contenido dentro de un intervalo de dos tercios de una desviación estándar
por debajo de la media a dos tercios de una desviación estándar por encima de la media.

En la práctica, algunas de las variables que observamos sólo pueden aproximar estas
propiedades. Así que si el fenómeno puede mediarse aproximadamente mediante la distribución
normal se tendrá:

1.Que el polígono puede verse en forma de campana y simétrico.

2.Sus mediciones de tendencia central tienen bastante parecido.

3.El valor intercuartil puede diferir ligeramente de 1.33 desviaciones estándar.

4.El dominio de la variable aleatoria normalmente distribuida generalmente caerá dentro de 3

desviaciones estándar por encima y por debajo de la media.

El modelo matemático

El modelo o expresión matemática que representa una función de densidad de probabilidad se

denota mediante el símbolo . Para la distribución normal, se tiene la siguiente función
de probabilidad.

donde
 es la constante matemática aproximada por 2.71828

es la constante matemática aproximada por 3.14159

Parámetros

es cualquier valor de la variable aleatoria continua, donde

Así,

A continuación se presentan las gráficas de las funciones de densidad Normal con el objetivo
de observar cambios en la distribución 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: ( y )
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 máximo ocurre cuando
.

2.La curva es simétrica alrededor de un eje vertical a través del valor esperado .

3.La curva tiene sus puntos de inflexión en , es cóncava hacia abajo si

, y es cóncava hacia arriba en cualquier otro punto.

4.La curva normal se aproxima al eje horizontal de manera asintótica conforme nos alejamos
de la media en cualquier dirección.

Haciendo una transformación a la variable aleatoria normal , ésta se puede llevar a un

nuevo conjunto de observaciones de una variable aleatoria normal con media cero y varianza
1. A dicha transformación se le conoce como estadarización de la variable aleatoria normal
:

Definición:

La distribución de probabilidad de una variable aleatoria normal con media cero y varianza 1
se llama distribución normal estándar.

Función de Densidad
Normal (0,1)
 Gráfico 6.

En la distribución normal estándar se sabe que las áreas se distribuyen de la siguiente

manera:

Función de Densidad

Normal (0,1)

Manejo de tablas

La tabla anexa representa las probabilidades o áreas bajo la curva normal calculadas hasta
los valores partículares de interés (Transformados). Al observar la tabla se observa que
todos los valores deben registrarse primero con hasta dos lugares decimales. Por ejemplo,
para leer el área de probabilidad bajo la curva hasta , podemos recorrer hacia
abajo la columna Z de la tabla hasta que ubiquemos el valor de interés (en décimas). Así
pues, nos detenemos en la fila . A continuación, leemos esta fila hasta que
intersecamos la columna que contiene el lugar de centésimas del valor ( ). Por tanto,
en el cuerpo de la tabla, la probabilidad tabulada para z=1.57 corresponde a la intersección
de la fila z=1.5 con la columna z=0.07 y es 0.9418.

METODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD

En las siguientes clases se aprenderá a hacer inferencias acerca de la población con base en
información de la muestra. Varias de estas técnicas se basan en el supuesto de que la
población presenta una distribución normal aproximada. Por tanto, será importante determinar
si los datos de la muestra provienen de una población normal, antes de aplicar dichas
técnicas.

Para determinar si los datos provienen de una distribucón aproximadamente normal, se pueden
considerar tres métodos:

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 gráfica será similar a
la de la curva normal. (Con forma de joroba y simétrica alrededor de la media.)

2.Calcular el rango intercuartílico ( ) y la desviación estándar ( ), para la muestra, y

luego calcular el cociente . Si los datos son aproximadamente normales,

3.Construir una gráfica de probabilidad normal para los datos Si los datos son
aproximadamente normales, los puntos caerán (aproximadamente) en una línea recta.

Construcción De Una Gráfica 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 representa el i-ésimo valor ordenado.

2.Para cada observación, calcule el área de cola correspondiente de la dsitribución normal

estándar ( ), . Empiricamente condición de continuidad.

donde es el tamaño de la muestra.

3.Calcule el valor esperado estimado de suponiendo normalidad, mediante la siguiente

fórmula:

donde es la desviación estándar de la muestra y es el valor de que recorta un área

de la cola inferior de la distribución normal estándar.

4.Grafique las observaciones ordenadas en el eje vertical y los valores esperados

estimados correspondientes, en el eje horizontal.

NOTA: Las verificaciones de normalidad dadas son sólo técnicas 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. Sólo podemos decir que es razonable pensar
que los datos provienen de una distribución normal.

Aproximación para la distribución binomial

La distribución normal frecuentemente es una buena aproximación a una distribución discreta

cuando la última adquiere una forma de campana simétrica. Desde un punto de vista teórico
algunas distribuciones convergen a la normal conforme sus parámetros se acercan a ciertos
límites. La distribución normal es una aproximación conveniente pues la distribución
acumulada se tabula más fácil. La distribución binomial se aproxima bien por la normal en
problemas prácticos cuando se trabaja con la función de distribución acumulada.

Teorema. (Aplicación del Teorema del Límite Central)

Si es una variable aleatoria binomial con media y varianza entonces

la forma limitante de la distribución de

cuando , es la distribución normal estándar

La distribución normal proporciona una buena aproximación de la binomial aún cuando es

pequeña y está razonablemente cercana a 0.5.