Probabilidad y Estadistica Segunda Parte
Probabilidad y Estadistica Segunda Parte
MODALIDAD NO PRESENCIAL
Trimestre 14-P
Departamento de Sistemas
Unidad Azcapotzalco
ÍNDICE GENERAL
5 semana 5 41
5.1 Variable aleatoria discreta 41
5.2 Esperanza y varianza de una variable aleatoria discreta 45
5.3 Distribución de Bernoulli 47
5.4 Distribución discreta uniforme 48
6 semana 6 51
6.1 Distribución binomial 51
6.2 Distribución geométrica 54
6.3 Distribución binomial negativa 55
7 semana 7 57
7.1 Distribución hipergeométrica 57
7.2 Distribución de Poisson 60
8 semana 8 63
8.1 Autoevaluación 2 63
a anexos 65
a.1 Tabla de ecuaciones 65
bibliografía 67
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. iii
SEMANA 5
5
5.1 variable aleatoria discreta
Ejemplo 5.1 Para hablar de una variable aleatoria es necesario definir un experimento
y sus posibles resultados.
Ejemplo 5.2 Considera que realizamos dos lanzamientos de un dado. Los posibles
resultados de este experimento son 36 y se pueden representar como coordenadas, por
ejemplo si en el primer lanzamiento sale 5 y en el segundo 3, el resultado es (5,3). Aho-
ra se debe definir una variable aleatoria para estos posible resultados, por ejemplo:
X : {(1, 1), (1, 2), (1, 3), ..., (6, 5), (6, 6)} −→ <
dada por:
X(x, y) = x + y
Observa que se pueden definir muchos tipos de variable aleatoria para cada experimen-
to, y es importante definir la variable adecuada para el análisis que se deba realizar.
Un tema que resultará central en el resto del curso es la función de probabilidad (tam-
bién llamada distribución de probabilidad o función de masa de probabilidad), que se
define de la siguiente manera.
Denición 5.1.2 Para una variable aleatoria discreta X, que puede tomar los valores
x1 , x2 , . . . , xn , con probabilidades p(x1 ), p(x2 ), . . . , p(xn ), la distribución de probabi-
lidad, que va del rango de X al intervalo [0, 1], se define como:
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 41
semana 5
Observación 1 Como fX (x) está dada por una probabilidad, se tienen los siguientes
resultados:
1. fX (xi ) > 0 para toda i.
Xn
2. fX (xi ) = 1.
i
Ejemplo 5.3 En una compañía que se eligieron 6 lotes para ser revisados y contar el
número de componentes defectuosos que contienen. Los resultados se presentan en la
siguiente tabla.
Lote 1 2 3 4 5 6
No. de componentes defectuosos 0 2 0 1 2 0
X
FX (x) = P(X 6 x) = fX (xi ) (2)
xi 6x
1 1 4
FX (1) = (P 6 1) = P(X = 0 ∪ X = 1) = P(X = 0) + P(X = 1) = f(0) + f(1) = 2 + 6 = 6
42 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
5.1 variable aleatoria discreta
Ejemplo 5.5 Se prueban tres componentes cada uno clasifica como falla o pasa. Se
considera que la probabilidad de que un componente pase es 0.8 para cada componente
y además pasar o fallar son eventos independientes entre componentes distintas.
a) Determina el espacio de soluciones para este experimento
Primero se definen los eventos cuya probabilidad se desea calcular, sean: P =
pasan; F = fallan. De esta forma:
S = {PPP, PPF, PFP, FPP, PFF, FPF, FFP, FFF}
b) Determina la probabilidad de que los tres componentes pasen la prueba.
Entonces se está buscando P(P ∩ P ∩ P), como los componentes son independien-
tes tenemos lo siguiente:
P(P ∩ P ∩ P) = P(P)P(P)P(P) = (0.8)(0.8)(0.8) = 0.512
c) Determina la distribución de probabilidad para la siguiente variable aleatoria X:
X = número de componentes que pasan la prueba.
Primero se observa que la variable aleatoria funciona de la siguiente forma:
X(P, F, P) = 2; X(P, F, F) = 1; X(F, F, F) = 0; X(P, P, P) = 3; etc.
Ahora se debe determinar la probabilidad asociada a cada posible valor que pue-
da tomar X.
P(X = 0) = 18 entonces fX (0) = 81
3 3
P(X = 1) = 8 entonces fX (1) = 8
3 3
P(X = 2) = 8 entonces fX (2) = 8
1 1
P(X = 3) = 8 entonces fX (3) = 8
1 3 4 1
FX (1) = fX (1) + fX (0) = 8 + 8 = 8 = 2
1 3 3 7
FX (2) = fX (0) + fX (1) + fX (2) = 8 + 8 + 8 = 8
1 3 3 1 8
FX (3) = fX (0) + fX (1) + fX (2) + fX (3) = 8 + 8 + 8 + 8 = 8 =1
Proposition 5.1.1 Para cualesquiera dos números a y b con a 6 b se tiene lo siguiente:
b) P(2 6 X 6 3)
1 1
P(2 6 X 6 3) = FX (3) − FX (2−) = FX (3) − FX (1) = 1 − 2 = 2
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 43
semana 5
Para graficar FX (x) en el caso discreto se sigue la siguiente regla. Si la variable alea-
toria X toma los valores x1 ,x2 , ..., xn entonces:
FX (xi ), si xi 6 x < xi+1
FX (x) = 0, si x 6 x1
1, si x 6 x n
X 1 2 3 4
fX (x) 0.4 0.3 0.2 0.1
0, si x < 1
0.4, si 1 6 x < 2
FX (x) = 0.7, si 2 6 x < 3
0.9,
si 3 6 x < 4
1, si 4 6 x
Realizando el gráfico se obtiene el siguiente resultado:
44 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
5.2 esperanza y varianza de una variable aleatoria discreta
0.06, si 0 6 x < 1
0.19, si 1 6 x < 2
0.39, si 2 6 x < 3
FX (x) = 0.67, si 3 6 x < 4
0.92, si 4 6 x < 5
0.97, si 5 6 x < 6
1, si 6 6 x.
Responde las siguientes preguntas.
Denición 5.2.1 La media de una variable aleatoria discreta que puede tomar n valo-
res, x1 , x2 , ..., xn , está dada por:
X
n
µX = E(X) = xi fX (xi ) (4)
i=1
X
n
σ2X = Var(X) = E(X − µX ) = (x − µX )2 fX (x) = E(X2 ) − µ2X (5)
i=1
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 45
semana 5
Donde:
X, Y son variables aleatorias.
a, b son constantes reales.
Es importante destacar que las propiedades anteriores indican que el operador espe-
ranza es un operador lineal.
En el caso de la varianza se puede demostrar que cumple con las siguientes propieda-
des:
1. Var(X) > 0
2. Var(b) = 0
3. Var(aX + b) = a2 Var(X)
Donde:
X, Y son variables aleatorias
a, b son constantes reales
En particular, la propiedad 3 indica que la varianza, a diferencia de la esperanza, no
es un operador lineal ya que no distribuye ni la suma ni el producto de una variable
aleatoria con escalares.
Ejemplo 5.9 Considera el experimento de lanzar un dado. Entonces el espacio mues-
tral S es:
Ahora considera la variable aleatoria que asigna a cada lanzamiento del dado, el nú-
mero de puntos obtenido, entonces:
X = {1, 2, 3, 4, 5, 6}
Ahora se determinará la distribución de probabilidad.
Como los únicos valores de la variable aleatoria son 1, 2, 3, 4, 5 y 6, y todos tienen la
misma probabilidad de ser elegidos, se tiene lo siguiente:
P(X = 1) = P(X = 2) = P(X = 3) = P(X = 4) = P(X = 5) = P(X = 6) = 61
Por lo tanto:
fX (1) = fX (2) = fX (3) = fX (4) = fX (5) = fX (6) = 16
46 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
5.3 distribución de bernoulli
3
fX (1) = P(X = 1) = 8
3
fX (2) = P(X = 2) = 8
fX (3) = P(X = 3) = 18
d) Encuentra la media y la varianza de X.
µX = E(X) = fX (0) ∗ 0 + fX (1) ∗ 1 + fX (2) ∗ 2 + fX (3) ∗ 3 = 1.5
Es frecuente que en diferentes procesos se den variables del tipo “se acepta, se recha-
za”. Por ejemplo, un artículo cumple con las especificaciones o no, un foco prende o no,
una pieza resiste cierta fuerza o no. Un experimento donde los posibles resultados de
cada ensayo son éxito o fracaso se conoce como un experimento o ensayo de Bernoulli.
Cualquier variable aleatoria X cuyos únicos valores posibles son 0 y 1, éxito o fracaso,
se llama variable aleatoria de Bernoulli.
La distribución de probabilidad para una variable aleatoria de Bernoulli está dada por:
si x = 1
p,
fX (x) = 1 − p, si x = 0 (6)
0, en otro caso
µX = E(X) = p (7)
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 47
semana 5
Ejemplo 5.12 Considera que el 80 por ciento de las familias de una ciudad son pro-
pietarias de sus hogares. Sea X la variable aleatoria que toma el valor de 1 cuando una
familia elegida al azar en la ciudad es propietaria y 0 cuando no lo es. Encuentra la
media y la varianza de X.
Si se define como éxito a elegir una familia propietaria de su casa se tendrá:
p = 0.80
q = 1 − p = 1 − 0.80 = 0.20
µX = p = 0.80
σ2X = (0.80)(0.20) = 0.16
Una variable aleatoria discreta es uniforme si cada uno de sus posibles valores tiene
la misma probabilidad. Si X es una variable aleatoria discreta uniforme con posibles
valores x1 , x2 , x3 , ..., xn , entonces su distribución de probabilidad está dada por:
1
fX (xi ) = para toda i = 1, 2, 3, ..., n (9)
n
Mientras que su media y varianza se pueden calcular de la siguiente forma:
P
n
xi
i=1
µX = E(x) = (10)
n
P
n
(xi − µ)2
i=1
Var(X) = σ2X = (11)
n
Ejemplo 5.13 Considera que la variable aleatoria X tiene una distribución discreta
uniforme en los enteros 0 6 x 6 100.
a) Determina la distribución de probabilidad de X.
1
fX (x) = 101 = 0.0099
Por lo tanto:
fX (0) = fX (1) = fX (2) =, ..., = fX (100) = 0.0099.
48 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
5.4 distribución discreta uniforme
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 49
SEMANA 6
6
6.1 distribución binomial
Donde n n!
x = x!(n−x)! es el número de combinaciones de elementos tomados de x en
x.
Es importante tener en cuenta que los términos éxito y fracaso sólo son etiquetas, aun-
que pueden ser engañosas; por ejemplo si X es el número de piezas defectuosas, enton-
ces la producción de una pieza defectuosa será llamada un éxito.
Si X es una variable aleatoria con distribución binomial (n, p), su media y varianza
están dadas por:
µX = E(X) = np (13)
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 51
semana 6
Ejemplo 6.2 La probabilidad de que cada muestra de aire contenga una molécula par-
ticular es del 10 por ciento. Suponga que las muestras son independientes con respecto
a la presencia de la molécula.
a) Encuentra la probabilidad de que entre las 18 muestras tomadas hace una hora,
exactamente dos contengan la molécula rara.
Lo primero que se debe hacer es definir la variable aleatoria que se utilizará:
Sea X = número de muestras que contienen la molécula rara.
De esta forma la probabilidad de éxito es p = 0.1.
Ahora ya es posible responder a la pregunta inicial:
18
P(x = 2) = 2 (0.1) (0.9)18−2 = 0.2835121
2
52 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
6.1 distribución binomial
x P(X = x)
2
(0.4)0 (0.6)2−0 = 0.36
0 P(0) = 0
2
(0.4)1 (0.6)2−1 = 0.48
1 P(1) = 1
2
(0.4)2 (0.6)2−2 = 0.16
2 P(0) = 2
Ejemplo 6.4 Juan compró una caja con 30 copas que utilizará en una cena familiar. Sa-
be por experiencia que el 5 % de las piezas pueden ser inservibles por estar fracturadas
o astilladas.
a) Determina la probabilidad de que las 30 copas sean inservibles.
En este ejemplo las copas tienen dos opciones: buen estado o mal estado. El
número de repeticiones es 30 y la probabilidad de que una copa esté en mal
estado es fija, 5 %. Por lo tanto, se adapta a una distribución binomial.
Éxito = Copa fracturada o astillada; p = 0.05; n = 30.
Entonces, la respuesta a la pregunta se obtiene de la siguiente forma.
30
P(X = 30) = 30 (0.05) (1 − 0.05)30−30 = 9.31323E − 40
30
A partir de ahora considera que Juan sólo requerirá de 25 copas para la cena
familiar.
c) Determina la probabilidad de que las 30 copas compradas sean suficientes para
cubrir los requisitos de la cena.
Se requieren 25 copas en buen estado, lo cual es equivalente a 5 o menos copas
inservibles, por lo tanto la respuesta se obtiene de la siguiente manera.
P(X 6 5) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5)
= 0.214639 + 0.3389033 + 0.2586367 + 0.1270496 + 0.0451360 + 0.0123530
= 0.9967175
d) Determina la probabilidad de las copas compradas cubran de forma exacta los re-
querimientos de la cena.
Ahora se requiere
que5 el número30−5
de copas inservibles sea exactamente 5.
30
P(X = 5) = 5 (0.05) (1 − 0.05) = 0.0123530
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 53
semana 6
e) Determina la probabilidad de que hagan falta copas para cubrir los requerimientos
de la cena.
Para este caso se debe determinar la probabilidad de que el número de copas en
buen estado sea menor a 25, esto implica que las copas inservibles deben ser 6 o
más.
P(X > 6) = P(X = 6) + P(X = 7) + ... + P(X = 29) + P(X = 30)
= 1 − P(X 6 5)
= 1 − 0.9967175
= 0.00328
f) ¿Cuántas copas inservibles espera encontrar Juan en la caja que compró?
µX = (0.05)(30) = 1.5
(1 − p)
σ2X = Var(X) = (17)
p2
Nuevamente resulta sencillo entender el valor de la media µX , si se considera el
lanzamiento de una moneda. En este caso se quiere saber cuántas veces se espera que
deba lanzarse antes de obtener la primera águila. Como cada cara de la moneda tiene la
misma probabilidad, entonces se espera tener que lanzar la moneda en promedio dos
veces antes de obtener la primer águila, que corresponde exactamente a p1 = 0.5
1
= 2.
Ejemplo 6.5 En una zona de Veracruz, la probabilidad de que una tormenta fuerte
ocurra en un día cualquiera durante el invierno entre enero y febrero es igual a 0.1.
Considerando que el clima de un día es independiente de cualquier otro. ¿Cuál es la
probabilidad de que la primera tormenta ocurra el 3 de febrero?
Consideremos que el mes de enero cuenta con 31 días. Por consiguiente si X es el
54 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
6.3 distribución binomial negativa
r(1 − p)
σ2X = Var(X) = (20)
p2
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 55
semana 6
Ejemplo 6.7 Suponga que un dispositivo transmite bits con una probabilidad p = 0.1
Ejemplo 6.8 Si la probabilidad de que un futbolista anote un gol cada vez que realiza
un tiro a la portería es 0.40.
a) Determina la probabilidad
3 de que10−3
deba realizar 10 tiros para anotar tres goles.
10−1
P(X = 10) = 3−1 0.4 (1 − 0.4) = 0.0644973
b) Cuántos tiros se espera que realice para poder anotar tres goles.
µ = E(X) = pr = 0.43
= 7.5
56 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
SEMANA 7
7
7.1 distribución hipergeométrica
k
µX = E(X) = n = np (22)
N
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 57
semana 7
N−n
σ2X = Var(X) = np(1 − p)( ) (23)
N−1
k
Donde p = N corresponde a la probabilidad inicial de éxitos.
Observa que el valor de la probabilidad de éxito p, se deduce del hecho de que inicial-
mente se cuenta con una población de tamaño N, en la cual hay k individuos catalo-
k
gados como éxito. Por lo tanto, la probabilidad de elegir a uno de estos individuos es N .
Ejemplo 7.1 En una empresa industrial cada día se producen 250 piezas. Por experien-
cia se sabe que en promedio se obtendrán 50 piezas defectuosas. Si se eligen de forma
aleatoria y sin reemplazo 5 piezas de la producción de un día.
a) ¿Cuál es la probabilidad de que las 5 piezas sean defectuosas?
Sea X el número de piezas defectuosas en la muestra. Entonces X tiene una dis-
tribución hipergeométrica con parámetros N = 250, k = 50, n = 5, y se pide la
probabilidad P(X = 5).
Entonces
(50)(250−50)
P(X = 5) = 5 2505−5 = 0.00027
(5)
miento después de instalar en ellas chips semiconductores. Un lote contiene 140 tarjetas,
y se seleccionan 20 sin remplazo para las pruebas de funcionamiento.
a) Si hay 15 tarjetas defectuosas, ¿Cuál es la probabilidad de que al menos una de las
tarjetas defectuosas esté en la muestra?
(15)(140−15
20−0 )
P(x > 1) = 1 − P(x = 0) = 1 − 0 140 = 1 − 0.0865117 = 0.9134883
( 20 )
b) Si hay cinco tarjetas defectuosas, ¿Cuál es la probabilidad de que al menos una de
las tarjetas defectuosas aparezca en la muestra?
(5)(135)
P(x > 1) = 1 − P(x = 0) = 1 − 0 14020 = 0.54294057
( 20 )
c) Si hay 10 tarjetas defectuosas, ¿cuántas tarjetas defectuosas se esperan encontrar en
la muestra?
k 10
µX = E(X) = n( N ) = 20( 140 ) = 1.4285714
En una mesa se colocaron 15 tazas de café, de las cuales sólo 7 fueron endulzadas.
a) Si se eligen 2 tazas al azar, ¿cuál es la probabilidad de que ambas tenga azúcar?
En este caso se tiene una población de 15 tazas, de las cuales 7 pueden conside-
rarse como éxito, tienen azúcar. Además, las probabilidades de éxito se modifican
cada vez que se toma una taza, por lo tanto es conveniente emplear una distribu-
ción hipergeométrica con los siguientes parámetros.
58 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
7.1 distribución hipergeométrica
N = 15; k = 7; n = 2.
La pregunta inicial se resuelve de la siguiente manera.
(7)(15−7)
P(X = 2) = 2 152−2 = 0.2
(2)
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 59
semana 7
e−λ λx
fX (x) = , x = 0, 1, 2, ... (24)
x!
Donde e = 2.718 y λ es el número esperado de eventos en el intervalo.
Por ejemplo es frecuente que el número de variaciones de voltaje por hora, el número
de defectos por rollo de tela, el número de partículas contaminantes en un líquido, etc.,
se analicen como variables con una distribución de Poisson.
Si X es una variable aleatoria con distribución de Poisson con parámetro λ entonces su
media y varianza son:
µX = E(X) = λ (25)
Ejemplo 7.3 Suponga que en una carretera estatal hay en promedio 3.5 baches cada 5
kilómetros. Sea X la cantidad de baches que se observan en esta distancia. Si el número
de baches sigue una distribución de Poisson con λ = 3.5.
a) ¿Cuál es la probabilidad de encontrar exactamente 4 baches en un recorrido de 5
kilómetros?
Esto se obtiene con:
−3.5 (3.5)4
P(X = 4) = e 4! = 0.1888
b) Determina la probabilidad de encontrar a lo sumo 4 baches es:
X 4
P(X 6 4) = P(X = x)
x=0
(3.5)2 (3.5)3 (3.5)4
= e−3.5 [1 + 3.5 + 2! + 3! + 4! ]
= 0.7254
Uno de los errores más comunes al utilizar la distribución de Poisson proviene del
uso incorrecto del factor λ. En el ejemplo anterior, se consideró λ = 3.5, lo cual se
interpreta como 3.5 baches cada 5 kilómetros. Este valor de λ resultó adecuado para
determinar la probabilidad de encontrar 4 baches en un recorrido de 5 kilómetros, pero
si se modifica el tamaño del recorrido también debe modificarse el valor de λ.
60 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
7.2 distribución de poisson
Ejemplo 7.4 Utilizando la misma información que en el ejemplo anterior resuelve las
siguientes preguntas.
a) Determina la probabilidad de encontrar exactamente 4 baches en un recorrido de
10 kilómetros.
Nuevamente se pide determinar P(X = 4), pero en este caso sería un error utilizar
λ = 3.5. Para resolver este ejemplo es necesario determinar el número de baches
esperados en 10 kilómetros. Se sabe que se esperan 3.5 baches en 5 kilómetros,
por lo tanto en 10 kilómetros se esperan 7 baches (el doble). De esta forma la
probabilidad buscada es:
−7 4
P(X = 4) = e 4!(7) = 0.09122
b) Determina la probabilidad de encontrar exactamente 4 baches en un recorrido de 2
kilómetros.
Nuevamente, se debe establecer el valor de λ, en este caso para 2 kilómetros. Co-
mo λ = 3.5 para 5 kilómetros, entonces λ = (3.5)( 52 ) = 1.4 baches en 2 kilómetros.
Por lo tanto:
−1.4 (1.4)4
P(X = 4) = e 4! = 0.03947
Es importante recordar que una de las características de un proceso de Poisson es
que la probabilidad de que ocurra un evento en un subintervalo es proporcional a
su longitud, por lo tanto resulta coherente que las probabilidades calculadas en cada
ejemplo sean diferentes, ya que el tamaño del recorrido fue modificado.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 61
SEMANA 8
8
8.1 autoevaluación 2
Utiliza los siguientes ejercicios para evaluar tu nivel de comprensión del material
estudiado. Entre los corchetes se encuentra la respuesta correcta de cada pregunta.
1. Una marca de perfume tiene dos tamaños de presentación: pequeño y mediano.
Treinta y cinco por ciento de todos los clientes de cierta tienda buscan el tamaño
pequeño.
a) Entre 12 clientes seleccionados al azar, ¿cuál es la probabilidad de que por lo
menos 3 busquen el tamaño pequeño? = {0.8487}
b) Entre 12 clientes seleccionados al azar, ¿cuál es la probabilidad de que exacta-
mente 3 busquen el tamaño pequeño? = {0.1954}
2. Un lote de 55 jugos enlatados contiene seis en los que el contenido está por abajo
del límite permitidos. Se seleccionan al azar una muestra de 10 latas para ser
enviadas y analizadas por control de calidad.
a) ¿Cuál es la probabilidad de que a lo sumo uno de los jugos inaceptables esté
en la muestra? = {0.7024}
b) ¿Cuál es la probabilidad de que ninguno de los jugos inaceptables esté en la
muestra? = {0.28096}
3. El número de imperfecciones superficiales en el material utilizado para construir
la puerta de cierto tipo de refrigeradores tiene una distribución de Poisson con
una media de 0.04 imperfecciones por metro cuadrado.
a) Suponga que cada puerta requiere de 4 metros cuadrados de dicho material.
¿Cuál es la probabilidad de que no haya imperfecciones superficiales en la
puerta de un refrigerador? = {0.8521}
b) Por solicitud de una fábrica de helados se construirá una puerta de 150 metros
cuadrados, ¿cuántas imperfecciones esperaría encontrar? = {6}
4. Suponga que la probabilidad de que un arquero le atine al centro de la diana es
p = 0.5.
a) Cierto día establece que continuará practicando hasta atinar dos veces en el
centro. ¿Cuál es la probabilidad de que tenga que realizar a lo más cinco
disparos? = {0.8125}
b) ¿Cuántos disparos espera hacer antes de poder detener el entrenamiento?
= {4}
5. Un examen de opción múltiple contiene 25 preguntas, cada una con cuatro res-
puestas. Suponga que un estudiante sólo adivina las respuestas.
a) ¿Cuál es la probabilidad de que el estudiante conteste de manera correcta
menos de cuatro preguntas? = {0.09621}
b) ¿Qué calificación se espera que obtenga un estudiante tomado al azar? = {6.25
respuestas correctas, ó 2.5 de calificación }
6. Las tarjetas de circuito impreso se envían a una prueba de funcionamiento des-
pués de haber montado en ellas todos los chips. Un lote contiene 140 tarjetas y se
toman 20 tarjetas diferentes para hacerles la prueba de funcionamiento.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 63
semana 8
64 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
ANEXOS
A
a.1 tabla de ecuaciones
Semana 5
fX (xi ) = P(X = xi )
Variable aleatoria X
n
µX = E(X) = xi fX (xi )
discreta i=1
X
n
σ2X = (x − µX )2 fX (x) = E(X2 ) − µ2X
i=1
si x = 1
p,
fX (x) = 1 − p, si x = 0
Distribución de Bernoulli 0, en otro caso 6
µX = E(X) = p
σ2X = Var(X) = p(1 − p) = pq
1
fX (xi ) = n para toda i = 1, 2, 3, ..., n
P
n
Distribución uniforme xi 9
i=1
µX = E(x) = n
P
n
(xi −µ)2
Var(X) = σ2X = i=1
n
Semana 6
n
x
fX (x) = x p (1 − p)n−x , x = 0, 1, 2, ...
Bistribución binomial 12
µX = E(X) = np
σ2X = Var(X) = np(1 − p)
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 65
anexos
x−1
(1 − p)x−r pr , x = r, r + 1, r + 2, ...
Distribución binomial f(x) = r−1
r
18
negativa µX = E(X) = p
r(1−p)
σ2X = Var(X) = p2
Semana 7
(kx)(N−k
n−x )
fX (x) = , donde máx {0, n − N + k} 6 x 6 min {n, k}
Distribución (Nn)
µX = E(X) = n N k
= np 21
hipergeométrica
σ2X = Var(X) = np(1 − p)( N−n
N−1 )
k
p= N
e−λ λx
Distribución de Poisson
fX (x) = x! , x = 0, 1, 2, ...
24
µX = E(X) = λ
σ2X = Var(X) = λ
Rb
Variable aleatoria P(a 6 X 6 b) = a fX (x)dx
R∞
continua µX = E(X) = −∞ xfX (x)dx
R∞
σ2X = Var(X) = −∞ (x − µ)2 fX (x)dx
66 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
BIBLIOGRAFÍA
[3] Grabinsky J., Ramírez R. J., Rivera B. J., Alonso J., López B. R., “Problemas de
probabilidad y estadística”. Universidad Autónoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/101416/101416.html.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 67