Professional Documents
Culture Documents
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
3
6
17
17
22
29
30
38
47
55
60
62
CAPITULO
Contenido
3.1
Variables aleatorias . . . . . . . . . . . . . . . . . . . . . .
3.2
6
17
3.3
3.3.1
3.3.2
3.4
3.5
La distribuci
on uniforme (discreta) . . . . . . . . . . . . .
La distribuci
on binomial . . . . . . . . . . . . . . . . . . .
29
30
3.6
3.7
La distribuci
on de Poisson . . . . . . . . . . . . . . . . . .
La distribuci
on hipergeom
etrica . . . . . . . . . . . . . . .
38
47
3.8
3.9
55
60
Ejercicios complementarios . . . . . . . . . . . . . . . . . . .
62
Empleo de la estadstica
Una empresa informa que el 25% de los contadores tienen empleo en contadura
p
ublica. Suponga que este porcentaje se aplica a un grupo de 15 egresados de universidades que van a ejercer la profesi
on de contadura. Cu
al es la probabilidad
de que cuando menos tres egresados tengan empleo en contadura p
ublica?
3.1
Variables aleatorias
(C, S),
(S, C),
(S, S),
Ejemplo 3.1.4 (Ejemplos de variables aleatorias discretas) La tabla 3.1 muestra ejemplos de variables aleatorias discretas. En ella aparece un experimento, la correspondiente
variable aleatoria X y sus posibles valores x.
1.
2.
3.
Experimento
Lanzar tres monedas
Sacar dos fichas, sin reemplazo, de
una caja con 4 fichas rojas y 3 negras
Lanzar dos dados
4.
5.
6.
7.
Funcionamiento de un restaurante
durante un da
Lanzar un dado
8.
Variable aleatoria X
N
umero de sellos
N
umero de fichas
rojas
Suma de los n
umeros
de las caras
N
umero de clientes
Cantidad de clientes
que hacen pedido
Cantidad de radios
defectuosos
Sexo del cliente
N
umero de la cara
Valores x
0, 1, 2, 3
0, 1, 2
2, 3, . . . , 12
0, 1, 2, . . .
0, 1, 2, 3, 4, 5
0, 1, 2, . . ., 50
0 si es hombre;
1 si es mujer
1, 2, 3, 4, 5, 6
Ejemplo 3.1.6 (Ejemplos de variables aleatorias continuas) La tabla 3.2 muestra ejemplos de variables aleatorias continuas. En ella aparece un experimento, la correspondiente
variable aleatoria X y sus posibles valores x.
1.
2.
3.
4.
5.
6.
Experimento
Medir el tiempo en que aparece una letra en la pantalla
del computador
Escoger una serpiente al azar
Atenci
on al p
ublico de un
banco
Llenar una lata de bebida
(m
ax = 12,1 onzas)
Proyecto para construir una
nueva biblioteca
Ensayar un nuevo proceso
qumico
Variable aleatoria X
Tiempo que demora en
aparecer la letra A
Longitud de una serpiente
Tiempo, entre llegadas de
clientes
Cantidad de onzas
Porcentaje terminado del
proyectado en seis meses
Temperatura en que se lleva a
cabo la reacci
on deseada
(min 150 F; m
ax 212 F)
Valores x
x>0
x>0
x0
0 x 12, 1
0 x 100
150 x 212
Ejercicios de la secci
on 3.1
1. Identifique las siguientes variables aleatorias en discretas o continuas:
(a) El n
umero de transistores defectuosos en un lote de 1000 transistores.
(b) El n
umero de robos ocurridos en un almacen en determinado perodo de tiempo.
(c) El tiempo requerido por un bus de una ruta determinada para realizar el trayecto
Centro-Universidad.
(d) El n
umero de polizas de seguros vendidos en un determinado mes por un agente de
seguros.
(e) El tiempo de vida de un bombillo.
(f) El punto de fatiga, en kg por cm2 , de un cable de acero de 1,5 cm de diametro.
(g) El tiempo que dura un semaforo, de una determinada esquina en la Ciudad, en cambiar
de rojo a verde.
(h) La cantidad de gasolina consumida por un vehculo en un trayecto de 50 km.
2. Se determinara el n
umero de computadores en uso, tanto en una oficina con cinco computadores, como en una con tres. De los posibles valores para cada una de las siguientes
variables aleatorias.
(a) X = n
umero total de computadores en uso.
(b) Y = la diferencia entre los n
umeros de computadores en uso de las oficinas 1 y 2.
(c) Z = n
umero maximo de computadores en uso en cada una de las oficinas.
(d) W = n
umero de oficinas que tienen exactamente dos computadores en uso.
3.2
Esta informaci
on tambien se puede resumir como se muestra en la tabla de la figura 3.1.
Nos piden calcular1 P(X = 0), P(X = 1) y P(X = 2). Con base en lo anterior, obtenemos
1
P(X = x) se lee la probabilidad de que la variable aleatoria X tome el valor x. Por ejemplo,
P(X = 0) significa la probabilidad de que el valor resultante de X sea 0.
Evento muestral
Valores de X
(S, S)
0
(C, S)
1
(S, C)
1
(C, C)
2
Fig. 3.1: Valores de una variable aleatoria para el lanzamiento de dos monedas
1
P(X = 0) = P (S, S) = .
4
1 1
1
P(X = 1) = P (C, S) o (S, C) = P (C, S) + P (S, C) =
+
= .
4 4
2
1
P(X = 2) = P (C, C) = .
4
Funci
on de probabilidad y su representaci
on gr
afica
La distribuci
on de probabilidad de una variable aleatoria describe c
omo se distribuyen
las probabilidades de los diferentes valores de la variable aleatoria.
Ejemplo 3.2.2 Consideremos nuevamente el lanzamiento de dos monedas y X la variable
aleatoria definida como en el ejemplo 3.2.1. Entonces, teniendo en cuenta las probabilidades
calculadas en ese ejemplo, la distribucion de probabilidad de X se puede visualizar a traves de
n de probabilidades (o tabla de probabilidades)
la llamada tabla de distribucio
que se muestra en la tabla 3.3 (Recuerde que x interpreta a los valores de X).
x
P(X = x)
1
4
1
2
1
4
Ejemplo 3.2.4 Consideremos otra vez el lanzamiento de dos monedas y X la variable aleatoria definida como en el ejemplo 3.2.1. Sea f : R [0, 1] definida por f(x) = P(X = x), en
donde x es un posible valor de X, es decir, f se define as:
f(0) = P(X = 0) =
1
,
4
f(1) = P(X = 1) =
1
,
2
f(2) = P(X = 2) =
1
.
4
f(x) =
1
4,
si x = 0 o x = 2;
1
2,
si x = 1;
0,
en otros casos.
Ejemplo 3.2.5 Se sabe que en un grupo de cuatro componentes hay dos que tienen un
defecto. Una inspectora los prueba de uno en uno hasta encontrar las dos piezas defectuosas.
Una vez que las localiza interrumpe las pruebas, pero prueba la segunda pieza defectuosa
por seguridad. Si X es el n
umero de pruebas en la que se detecta la segunda pieza defectuosa,
determine la funci
on de probabilidad de X.
SOLUCION:
Sea f la funci
on de probabilidad de X. Debido a que los posibles valores de X son 2, 3 o 4,
entonces,
2
4
2
f(3) = P(X = 3) =
4
2
f(4) = P(X = 4) =
4
f(2) = P(X = 2) =
1
3
2
3
1
=
1
2
2
1
;
6
2 2 1
1
+
= ;
4 3 2
3
1
1
3 = .
1
2
Ejemplo 3.2.6 Para verificar la exactitud de sus estados financieros, las empresas a menudo
emplean auditores que verifiquen sus ingresos. Los empleados de la empresa se equivocan
al registrar los ingresos 5% de las veces. Suponga que un auditor revisa aleatoriamente
tres ingresos. Determine la funci
on de probabilidad del n
umero de errores detectado por el
auditor.
SOLUCION:
Para i = 1, 2, 3, sea Mi el evento que representa al hecho de que el auditor detect
o un error
en el ingreso i. De igual manera, sea Bi el evento que representa al hecho de que el auditor
no detect
o un error en un ingreso i. De los datos del problema, P(Mi ) = 0, 05. Por tanto,
P(Bi ) = 1 P(Mi ) = 0, 95. Ahora, sean X la variable aleatoria que representa al n
umero de
errores detectado por el auditor y f su correspondiente funci
on de probabilidad. Tenemos
que Como X puede tomar los valores 0, 1, 2 o 3, entonces (utilizaremos la independencia de
f(3)
Fig. 3.2: Gr
afica de la funci
on de probabilidad del ejemplo 3.2.4
2. En lugar de la representaci
on anterior, con mas frecuencia la funci
on de distribuci
on
de probabilidad se representa graficamente a traves del llamado histograma de
probabilidad. Como en el captulo ??, este histograma es un diagrama de
barras, en donde los rectangulos estan dibujados de tal forma que sus bases, con
el mismo ancho, estan centradas en cada valor x de X, y sus alturas son iguales
a las correspondientes probabilidades dadas por f(x) (vease el ejemplo 3.2.8).
Puesto que cada base tiene un ancho igual a 1, P(X = x) es igual al area del
rectangulo centrado en x.
Ejemplo 3.2.8 El histograma de probabilidad del ejemplo 3.2.4 es como se muestra
en la figura ??.
10
Funci
on de distribuci
on acumulada y su representaci
on gr
afica
Hay muchos problemas en los cuales se desea calcular la probabilidad de que el valor
observado de una variable aleatoria X sea menor o igual a alg
un n
umero real x. Si
se escribe F(t) = P(X t) para cada n
umero real t, se dice que F es la funci
on de
distribuci
on acumulada o, simplemente, la funci
on de distribuci
on de X.
n de distribucio
n (acumulada) F : R R de
Definici
on 3.2.9 La funcio
una variable aleatoria discreta X cuya est
a definida por F(t) = P(X t), para todo
t real.
Observemos que si X tiene distribuci
on de probabilidad f, entonces,
X
f(x), para todo t real
F(t) =
x; xt
en donde la suma anterior recorre todos los valores x de X que son menores o iguales que t.
1
,
4
f(1) = P(X = 1) =
1
,
2
f(2) = P(X = 2) =
1
.
4
11
f(x) = f(0) =
x; x0
1
.
4
x; x1
1 1
3
+
= .
4 2
4
x; x2
1 1 1
+ +
= 1.
4 2 4
= P(X 0, 5) = P() = 0.
= P(X 10) = P() = 0.
1
.
4
1
= P(X 0, 53) = P(X 0) = .
4
1
= F(0) = .
4
1
= F(0) = .
4
= P(X 0, 1) = P(X 0) =
3
.
4
3
.
4
3
= F(1) = .
4
= F(1) =
F(45) = F(2) = 1.
12
Teniendo en cuenta las conclusiones formuladas en los dos pasos anteriores, podemos afirmar
que la funci
on de distribucion acumulada esta dada por
0, si t < 0;
14 , si 0 t < 1;
F(t) =
4 , si 1 t < 2;
1, si t 2.
Fig. 3.4: Gr
afica de la funci
on de distribuci
on acumulada del ejemplo 3.2.10
Ejemplo 3.2.11 Sea X la variable aleatoria definida como en el ejemplo 3.2.5. Entonces,
la funci
on de distribucion acumulada F de X esta dada por
0, si t < 2;
16 , si 2 t < 3;
F(t) =
12 , si 3 t < 4;
1, si t 4.
13
C
alculo de f a partir de F
En el ejemplo 3.2.10, la funci
on de distribuci
on acumulada F se ha determinado a partir
de la funci
on de probabilidad f. Es posible invertir este procedimiento y obtener f a partir
de F cuando esta disponible esta u
ltima funci
on. Esto u
ltimo se ilustra en el siguiente
ejemplo:
Ejemplo 3.2.13 Sea X una variable aleatoria discreta con valores 0, 1, 2 y 3 y con funci
on
de distribucion acumulada F definida por
0, si t < 0;
, si 0 t < 1;
1
F(t) =
3 , si 1 t < 2;
4 , si 2 t < 3;
1, si t 3,
=
.
4 3
12
f(1) = P(X = 1) = P(X toma valores 0, 1) P(X toma valores 0)
4
1 1
=
.
= P(X 1) P(X 0) = F(1) F(0) =
3 7
21
f(0) = 1 f(1) f(2) f(3) =
1
.
7
14
C
alculo de probabilidades de la forma P(a X b) a partir de f o F
Por regla general, la probabilidad de que X se ubique en un intervalo especfico se obtiene
facilmente de la funci
on de distribuci
on acumulada, como se muestra en el siguiente
ejemplo.
Ejemplo 3.2.14 Sean X y F la variable aleatoria y su correspondiente funci
on de distribucion acumulada, definidas como en el ejemplo 3.2.13. Ademas, sea f la funci
on de
probabilidad de X. Entonces,
P(2 X 3) = P(X toma valores 2 o 3)
=
2
.
3
5
.
12
4
.
21
15
Ejercicios de la secci
on 3.2
7. Determine el valor de k de modo que cada una de las siguientes funciones sea una funcion
de probabilidad de una variable aleatoria discreta X:
(a) f(x) = k(x3 + 4), para x = 0, 2, 3.
4
(b) f(x) = k x3 4x
, para x = 0, 1, 2.
8. Un casa editorial sabe que 35% de las textos universitarios que se editan se efect
uan en
textos de estadsticas con 332 paginas, 20% en con 400 paginas y 45% en textos con 450
paginas. Sea X la variable aleatoria que representa al n
umero de paginas del siguiente
texto universitario de estadstica que se editara. Calcule la funci
on de probabilidad de X
y representela graficamente a traves de un grafico lineal y un histograma de probabilidad.
9. Una pizzera, que atiende pedidos por correo, tiene cinco lneas telef
onicas. Sea X la
variable aleatoria que representa al n
umero de lneas en uso en un momento especfico.
Supongamos que la funcion de probabilidad f de X esta dada en la siguiente tabla:
Valor x de X
f(x)
0
0,20
1
0,25
2
0,10
3
0,15
4
0,09
5
0,21
0
0,21
1
0,28
2
0,10
3
0,25
4
0,16
16
13. Un almacen de electrodomesticos ofrece a sus clientes diferentes opciones para el pago de
sus cuotas. Para un cliente seleccionado al azar, sea X la variable aleatoria que representa
al n
umero de meses entre pagos sucesivos. Supongamos que la funcion de distribuci
on
acumulada F de X esta dada por
0,
si t < 1,
0, 39, si 1 t < 4,
0, 53, si 4 t < 6,
F(t) =
0, 69, si 6 t < 8,
1,
si 12 t.
(a) Calcule la probabilidad de que el n
umero de meses entre pagos sucesivos es estrictamente mayor que 4, pero menor o igual que 12.
3.3
3.3.1
17
5
= 0, 50,
10
P(X = 2.000) =
4
= 0, 40,
10
P(X = 5.000) =
1
= 0, 10.
10
Para decidir cu
anto debe cobrar usted por jugar dinero en el sombrero necesitamos calcular
la ganancia promedio por jugada. Ahora, como se jugo n = 100 veces durante el da,
entonces, esperaramos que
n P(X = 1.000) = (100)(0, 50) = 50 veces los jugadores sacaran un billete de $1.000
para una perdida de (50)($1.000) = $50.000 para el due
no de la feria;
n P(X = 2.000) = (100)(0, 40) = 40 veces los jugadores sacaran un billete de $2.000
para una perdida de (40)($2.000) = $80.000 para el due
no de la feria;
n P(X = 1.000) = (100)(0, 10) = 10 veces los jugadores sacaran un billete de $5.000
para una perdida de (10)($5.000) = $50.000 para el due
no de la feria;
Como la perdida total para el due
no de la feria (o las ganancias totales para los jugadores)
es
$50.000 + $80.000 + $50.000 = $180.000
para los 100 jugadores, la perdida promedio por jugar es
$180.000
= $1.800.
100
3
Si selecciona m
as de un billete, el jugador no recibe ninguno, un incentivo suficientemente fuerte
para excluir esto como una posibilidad
18
Por lo tanto, para tener un promedio de $1.000 de ganancia por cliente, debemos cobrar
$2.800, para el privilegio de sacar un billete del sombrero. Otra manera de considerar la
perdida promedio para el due
no de la feria por cliente es:
$1.000P(X = 1000) + $2.000P(X = 2.000) + $5.000P(X = 5.000) = $1.800.
Este valor de $1.800, que corresponde a la ganancia promedio del cliente por jugada la
llamaremos el valor esperado de X.
Definici
on 3.3.2 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea
f la funci
on de probabilidad de X. Entonces, la esperanza ( valor esperado o
media) de X, simbolizada por o E(X), se define como
X
= E(X) =
xk f(xk).
k
La interpretaci
on del concepto de esperanza se puede dar en terminos de frecuencias
relativas a largo plazo. Supongamos que un experimento aleatorio se repite n veces, y
que el evento {X = x} ocurre en f ocasiones. El promedio de los valores que toma la
variable aleatoria sobre las n repeticiones sera, entonces, la suma de xf/n sobre todos los
posibles valores de x. Cuando el n
umero de repeticiones tiende a infinito, el coeficiente
f/n tiende a la probabilidad de ocurrencia del evento {X = x}, es decir, a P(X = x).
Por tanto, xf/n tiende a xP(X = x). De este modo, la esperanza puede interpretarse
como el valor promedio que tomara una variable aleatoria sobre un n
umero grande
de repeticiones y representa una medida de localizaci
on localizado a lo largo del eje
horizontal que dara equilibrio a la distribuci
on de la variable aleatoria. Es importante
recalcar que la esperanza puede no ser un valor que la variable aleatoria pueda asumir
en un ensayo del experimento.4
4
Por ejemplo, E(X) = $1.800 en el ejemplo 3.3.1, aunque los valores posibles de X sean $1.000,
$2.000
o $5.000.
19
1
,
4
f(1) = P(X = 1) =
1
,
2
f(2) = P(X = 2) =
1
.
4
N
umero x
de ocupantes
por autom
ovil
1
2
3
4
5
6
Total
Frecuencia
f
425
235
205
52
22
6
945
xf
425
470
615
208
110
36
1.864
Frecuencia
relativa
f/n
0,450
0,249
0,217
0,055
0,023
0,006
1
1.864
945
= 1, 97.
= (1)(0, 45) + (2)(0, 249) + (3)(0, 217) + (4)(0, 555) + (5)(0, 023) + (6)(0, 006)
= 1, 97.
Observe que esto concuerda con valor calculado anteriormente.
Ejemplo 3.3.5 Una empresa considera dos inversiones posibles. Como aproximacion inicial, asigna probabilidades (subjetivas) a cada uno de los siguientes eventos: perder un 20%
por cada dolar invertido, perder un 10%, ni ganar ni perder, ganar un 10% y ganar un 20%.
Sea X el rendimiento por cada dolar invertido en el primer proyecto y Y el rendimiento por
cada dolar invertido en el segundo. Las probabilidades asignadas son
x
P(X = x)
-0,20
0,1
-0,10
0,2
0
0,4
+0,10
0,2
+0,20
0,1
y
P(Y = y)
-0,20
0,01
-0,10
0,04
0
0,10
+0,10
0,50
+0,20
0,35
20
Calcule los rendimientos esperados por cada dolar invertido en cada proyecto. Cu
al proyecto
le parece a usted que representa la inversion m
as atractiva.
SOLUCION:
El proyecto X, de acuerdo con cualquier estandar razonable, parece menos atractivo. Resulta
igualmente posible perder un 20% que ganarlo, o ganar un 10% que perderlo. El proyecto
Y ofrece mayores posibilidades de ganar un 10 o un 20% y relativamente pocas de perder.
Ahora, E(X) = 0 y E(Y) = 0, 114. Por o tanto, el rendimiento esperado de X es (como hemos
anticipado) menor que el rendimiento esperado de Z.
El siguiente teorema nos sugiere una forma sencilla de calcular la esperanza de una
funci
on h(X).
5
Es importante enfatizar que toda funci
on h(X) de una variable aleatoria discreta X es tambien
una variable aleatoria discreta.
21
Teorema 3.3.8 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea f
la funci
on de probabilidad de X. Entonces, la esperanza o media de cualquier
n h(X) de X, simbolizada por E h(X) , se define como
funcio
X
E h(X) =
h(xk) f(xk).
k
La esperanza E h(X) puede entenderse como el valor promedio que tomara h(X) sobre un n
umero
muy grande de repeticiones.
Ejemplo 3.3.9 Si en el ejemplo 3.3.7, la variable X toma los valores 0, 1, 2 y 3 con las
probabilidades 0,1, 0,2, 0,3 y 0,4, respectivamente, entonces, la utilidad esperada es
E h(X) = h(0) f(0) + h(1) f(1) + h(2) f(2) + h(3) f(3)
= (21.000)(0, 1) + (4.000)(0, 2) + (13.000)(0, 3) + (30.000)(0, 4)
=
13.000.
Es decir, sobre un n
umero muy grande de repeticiones, se espera que el comprador tenga
una utilidad de $13.000.
Propiedades de la esperanza
Hemos definido la esperanza de una funci
on h(X) de una variable aleatoria X. La funci
on
lineal h(X) = aX +
b,
donde
a
y
b
son
n
u
meros
reales
fijos,
es
de
particular
inter
e
s.
En
este caso, E h(X) se calcula facilmente a partir de E(X).
Teorema 3.3.10 Sean X una variable aleatoria discreta definida sobre un espacio
muestral y a, b n
umeros reales fijos. Entonces,
(a) E(aX + b) = aE(X) + b.
(b) E(aX) = aE(X) (si se toma b = 0).
(c) E(b) = b (si se toma a = 0).
3.3.2
22
Hay varias maneras de evitar esta dificultad y mantener nuestra idea de un distancia
ponderanda para medir la dispersi
on. Al usar xi E(X), nuestra medida de distancia
fue a veces positiva y otras negativa. Al elevar al cuadrado esa diferencia, [xi E(X)]2,
conservamos una medida de distancia, pero el valor numerico es siempre positivo. Podemos ponderar nuestra nueva medida de distancia por la probabilidad de ocurrencia
de aquel valor de X y, entonces, tenemos una medida de dispersi
on. Los matematicos
han utilizado tradicionalmente esta medida y la llaman la varianza de la variable aleatoria.
Antes de introducir el concepto de varianza, recordemos que la varianza poblacional
de una conjunto de datos 2 esta definida por
P
f (x )2
2
,
=
n
donde f es la frecuencia de un dato particular x y n es el tama
no de la poblaci
on. Esta
f
ormula puede reescribirse como
X
2
2 f
=
[x ]
.
n
23
Definici
on 3.3.12 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o enumerable).
Sean f y la funci
on de probabilidad y esperanza de X, respectivamente. Entonces,
la varianza de X, simbolizada por 2 o V(X), se define como
X
2 = V(X) = E (X )2 =
(xk )2 f(xk).
k
n esta
ndar de X, denotada por , se define como la raz cuadrada
La desviacio
positiva de la varianza.
Tomar la raz cuadrada de la varianza para obtener la desviaci
on est
andar proporciona un
valor en las unidades de medidas originales, como se
nalamos en el captulo ??.
1
,
4
f(1) = P(X = 1) =
1
,
2
f(2) = P(X = 2) =
1
.
4
24
consiguiente, seg
un la definicion 3.3.12, la varianza de X esta dada por
= (0 1)2 f(0) + (1 1)2 f(1) + (2 1)2 f(2)
1
1
1
1
= .
= 1 + 0 + 1
4
2
4
2
p
Con esto, la desviacion estandar de X es = 1/2 = 0, 707. La varianza de X pudimos
haberla hallado aplicando el teorema 3.3.13 de la siguiente manera:
V(X)
Ejemplo 3.3.15 Consideremos los datos del uso compartido del automovil presentados en
el ejemplo 3.3.4 y sea X la variable aleatoria definida en ese mismo ejemplo. All se encontro
que la esperanza de X es = 1, 97. Con esto, la varianza de esta variable aleatoria es
V(X)
1, 197
1, 197 = 1, 094.
X = 0, 110,
V(Y) = 0, 006804,
Y = 0, 082.
25
Teorema 3.3.17 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea
n
f la funci
on de probabilidad de X. Entonces,
la varianza de cualquier funcio
h(X) de X, simbolizada por V h(X) , se define como
X
2
h(xk) V h(X)
f(xk).
V h(X) =
k
n esta
ndar de h(X) es igual a la raz cuadrada positiva
Como antes, la desviacio
de la varianza de h(X).
Ejemplo 3.3.18 Supongamos que, en el ejemplo 3.3.7, la variable X toma los valores 0, 1,
2 y 3 con las probabilidades 0,1, 0,2, 0,3 y 0,4,
respectivamente. En el ejemplo 3.3.7 hemos
calculado que la utilidad esperada es E h(X) = $13.000, siendo h(X) la utilidad neta. Por
consiguiente, la varianza de h(X) es
V h(X) = [h(0) 13.000]2 f(0) + [h(1) 13.000]2 f(1) + [h(2) 13.000]2 f(2) +
+ [h(3) 13.000]2 f(3)
= (21.000 13.000)2 (0, 1) + (4.000 13.000)2 (0, 2) +
28, 9 107 .
Reglas de la varianza
Cuando h(X) es unafunci
on lineal de la forma h(X) = aX+b, donde a y b son n
umeros
reales fijos, V h(X) se calcula facilmente a partir de V(X).
Teorema 3.3.19 Sean X una variable aleatoria discreta definida sobre un espacio
muestral y a, b n
umeros reales fijos. Entonces,
(a) V(aX + b) = a2V(X).
(b) V(aX) = a2V(X) (si se toma b = 0).
(c) V(b) = 0 (si se toma a = 0).
(d) La desviaci
on est
andar de aX + b es igual a |a| por la desviaci
on est
andar de
la variable X.
Observemos que las partes (a) y (b) dicen que la inclusi
on de la constante b no afecta la varianza, lo
cual es intuitivo porque la suma (o la resta) de una constante b cambia la ubicaci
on (valor medio),
pero no la dispersi
on de los datos. Adem
as, la raz
on para el valor absoluto de a en la parte (d) es
que a puede ser negativa, mientras que la desviaci
on est
andar no puede ser negativa.
26
1
,
k2
para cualquier n
umero k > 1. Si X tiene m
as o menos un histograma de probabilidad
con forma de campana, entonces,
P(|X | ) 0, 68,
P(|X 2| ) 0, 95.
Ejemplo 3.3.21 Para la variable aleatoria X de los ejemplos 3.3.5 y 3.3.16, tenemos que
E(X) = 0 y X = 0, 110. Las verdaderas probabilidades son
P(|X | ) = P(|X 0, 110| 0)
=
=
0, 80
y
P(|X 2| ) = P(|X 0, 220| 0) = P(0, 220 Y 0, 220) = 1.
La regla de Tchebychev indica que estas probabilidades deben ser al menos 1 1/(12 ) = 0 y
1 1/(22 ) = 0, 75, respectivamente. Como de costumbre, las desigualdades son ciertas con
un margen muy grande. En este caso, la aproximacion que nos da la regla emprica es muy
mediocre, en parte porque X toma un n
umero muy peque
no de valores. Si la empresa hubiese
estimado probabilidades subjetivas para los rendimientos de, digamos, 0, 25, 0, 20, 0, 15,
. . ., 0, 15, 0, 20, 0, 20, lo m
as probable es que la regla emprica hubiese sido una mejor
aproximacion, aunque la distribucion no tenga una forma de campana.
Ejercicios de la secci
on 3.3
18. Encuentre la media de la variable aleatoria X que representa al total de las tres monedas
en el ejercicio 16 e interprete su respuesta.
19. Una distribuidora de aparatos electrodomesticos calcula la proporcion de estufas nuevas
vendidas que han sido devueltas varias veces para repararles alg
un defecto durante el
perodo de garanta. Los resultados se presentan en la siguiente tabla:
Devoluciones
Proporcion
0
0,20
1
0,30
2
0,21
3
0,09
4
0,06
5
0,14
27
0
0,21
1
0,28
2
0,10
3
0,25
4
0,16
Encuentre el n
umero promedio de imperfecciones en 4 metros de papel y su desviaci
on
estandar.
21. Un distribuidor de computadores, vende tres modelos diferentes de computadores con
capacidad de 20 GB, 25 GB y 30 GB del disco duro . Sea X la variable aleatoria que
representa a la cantidad de espacio del disco duro de un computador comprado por el
siguiente cliente. Supongamos que X tiene la funcion de probabilidad f dada por
x
f(x)
20
0,29
25
0,31
30
0,40
1
0,18
2
0,32
3
0,30
4
0,12
5
0,08
28
0
1/4
1
3/16
2
1/4
3
5/16
Si el costo del modelo que se desea permanece fijo a $2.830.451 a lo largo de este a
no y
se obtiene un descuento de $100.000X2 en cualquier compra, cuanto espera gastar esta
empresa en nuevos computadores al final de este a
no?
26. Suponga que las probabilidades de 0,1; 0,3; 0,4 y 0,2 son las de que 0, 1, 2 o 3 personas
compren cierto artculo que esta en oferta en un peque
no almacen y en cierto da dado.
Encuentre la media y la varianza del n
umero de personas que compran el artculo en oferta.
27. Una empresa esta especializada en la instalacion y mantenimiento de diversos tipos de
alarmas para bancos. Cada vez que se inicia un nuevo a
no, las demandas de servicios
que reciben suelen ser para la instalacion de una nueva alarma. La tabla muestra las
probabilidades estimadas para el n
umero de peticiones de una nueva alarma en las tres
u
ltimas semanas de enero.
Peticiones
Probabilidad
0
0,12
1
0,16
2
0,27
3
0,29
4
0,16
7
0,21
8
0,29
9
0,03
10
0,20
11
0,10
12
0,04
13
0,13
3.4 La distribuci
on uniforme (discreta)
3.4
29
La distribuci
on uniforme (discreta)
0, si t < 0,
1
, si x N,
k
y F(t) = n
f(x) = n
, si k t < k + 1, con k = 1, . . . , n 1.
0, si x 6 N,
1, si n t.
Teorema 3.4.3 Suponga que X es una variable aleatoria que tiene distribuci
on uniforme discreta sobre el intervalo [a, b]. Entonces,
E(X) =
a+b
2
V(X) =
(b a + 1)2 1
.
12
48 + 0
= 24,
2
2 =
(48 0 + 1)2 1
= 199, 396.
12
3.5 La distribuci
on binomial
30
Ejercicios de la secci
on 3.4
30. La variable X tiene una distribuci
on uniforme sobre los enteros 7 x 10. Determine la
media y la varianza de X.
31. La variable X tiene una distribuci
on uniforme sobre los enteros 15 x 40. Determine
la media y la varianza de X.
32. En un proceso de recubrimiento se toman varias mediciones del espesor, hasta la centesima
de milmetro mas cercana. Las mediciones estan distribuidas de manera uniforme, con
valores 0,12; 0,13; 0,14, 0,15; 0,16 y 0,17. Para este proceso, calcule la media y la varianza
del espesor del recubrimiento. Interprete la media.
33. Sea X una variable aleatoria discreta que puede asumir con la misma probabilidad los
valores 3, 7 o 14. Determine la media y la varianza de X.
34. Se mide la longitud de varias placas de vidrio, hasta la decima de milmetro mas cercana.
Las longitudes estan distribuidas de manera uniforme, con valores que estan espaciados
una decima de milmetro comenzando en 320,0 y continuando hasta 320,9. Calcule la
media y la varianza de las longitudes. Interprete la media.
3.5
La distribuci
on binomial
Experimento de Bernoulli
En la vida diaria podemos encontrar experimentos, llamados experimentos de Bernouilli,
en donde s
olo hay dos resultados posibles como, por ejemplo, masculino y femenino;
letrado e iletrado; miembro o no miembro; soltero o casado; que va a la escuela y que
no va, etc. A estos experimentos se les puede asociar una variable aleatoria para identificar la ocurrencia o no ocurrencia de cierto evento. La ocurrencia de tal evento
se le considerara un exito y la no ocurrencia, un fracaso. En conclusi
on, podemos
formular la siguiente
Definici
on 3.5.1 Un experimento de Bernoulli es un experimento aleatorio
con s
olo dos resultados posibles: exito y fracaso y en donde un exito ocurre con
probabilidad p, siendo 0 < p < 1.
3.5 La distribuci
on binomial
31
Experimento binomial
Considere el experimento de lanzar una moneda 10 veces y observar el n
umero de
caras que resultan. Como puede observarse, este experimento tiene las siguientes
caractersticas:
El experimento lanzar una moneda es un experimento de Bernoulli (hay dos
resultados posibles: cara y sello).
Este experimento se ejecuta n = 10 veces.
Todos los 10 experimentos son identicos (por ser el mismo experimento de Bernoulli).
Todos los 10 experimentos son independientes, es decir, el resultado de un experimento no afecta al del otro.
La probabilidad p = 21 de obtener una cara permanece constante de un experimento a otro (por ser el mismo experimento de Bernoulli).
Este experimento que se acaba de describir es un ejemplo de un tipo especial de experimento llamado experimento binomial.
Definici
on 3.5.3 Un experimento binomial es un experimento de Bernoulli que
se ejecuta n veces, de tal manera que las diferentes ejecuciones se efect
uen independientemente unas de las otras, es decir, el resultado de cualquier experimento
particular no influye sobre el resultado de cualquier otro experimento.
Distribuci
on binomial
Si se conoce la probabilidad de que un ensayo determinado producira un exito, es posible
estimar cuantos exitos habra en un n
umero dado de experimentos, como se muestra en
el siguiente ejemplo:
Ejemplo 3.5.4 Supongamos que una moneda se lanza tres veces. Entonces, los posibles
resultados del espacio muestral correspondiente seran:
CCC,
CCS,
CSC,
CSS,
SSS,
SSC,
SCS,
SCC.
1
2
y P(S) = P(sello") =
3.5 La distribuci
on binomial
32
3 p1 (1 p)2
1
3
31
1 p (1 p)
3.5 La distribuci
on binomial
33
on los
(d) La probabilidad de que resulten 3 caras es P(X = 3) = 18 , porque en esta situaci
casos posibles sera CCC (o sea, 1 caso de 8 en total).
Esta probabilidad se puede calcular de otra manera:
P(X = 3) = P(CCC) = P(C) P(C) P(C) = p3
= 1 p3 (1 p)0 = 33 p3 (1 p)33
n
La correspondiente distribuci
on de X se conoce con el nombre de distribucio
binomial con par
ametros n y p.
Observemos que, en el teorema 3.5.5, la probabilidad P(X = k) se calcula multiplicando los siguientes
tres factores:
umero de posibilidades en que se puede escoger k exitos de un grupo de n elementos.
nk , el n
pk , la probabilidad de un exito elevada al n
umero de exitos (que es k).
b(k; n; p),
kt
respectivamente, en donde la suma anterior recorre todos los enteros no negativos que
son menores o iguales que t. Como vemos, en el caso n = 1, la distribuci
on binomial
coincide con la distribuci
on de Bernoulli con parametro p. En la figura 3.6 se muestran
graficas de la distribuci
on de binomial para varios valores de n, pero manteniendo fijo
el producto entre n y p.
3.5 La distribuci
on binomial
34
3.5 La distribuci
on binomial
35
Esta probabilidad tambien se puede calcular con ayuda de la tabla binomial, a saber,
P(X = 7) = P(X 7) P(X 6) = B(7; 10; 0, 5) B(6; 10; 0, 5)
=
La probabilidad de tener a lo m
as 7 exitos es
P(X 7) = B(7; 10; 0, 5) = 0, 945.
La probabilidad de tener por lo menos 3 exitos se puede calcular de la siguiente
manera:
P(X 3) = 1 P(X < 3) = 1 P(X 2)
= 1 B(2; 10; 0, 5) = 1 0, 055 = 0, 945.
La probabilidad de ning
un exito es
P(X = 0) = b(0; 10; 0, 5) = (0, 5)10 =
1
9.766 104 .
1.024
Para (b), debemos encontrar n tal que P(X 1) > 0, 77, es decir, encontrar n tal que
0, 77
es decir, tal que 1 (0, 6)n > 0, 77. Resolviendo esta desigualdad, encontramos que n > 2, 9.
Es decir, la persona debe disparar al objetivo 3 o m
as veces para mantener una probabilidad
mayor que 0, 77 de dar en el blanco por lo menos una vez.
3.5 La distribuci
on binomial
36
Ejercicios de la secci
on 3.5
35. Utilizando la formula binomial, calcule las siguientes probabilidades binomiales:
(a) b(2; 7; 0, 4).
(b) b(4; 4; 0, 9).
(c) P(2 X < 4) cuando n = 3 y p = 0, 2.
3.5 La distribuci
on binomial
37
43. De una produccion de 2.000 tornillos, se sabe que el 5% estan defectuosos. Supongamos
que se selecciona un muestra al azar de 20 tornillos.
(a) Cual es la probabilidad de que el n
umero de tornillos defectuosos en la muestra no
exceda a 3?
(b) Cual es la probabilidad de que el n
umero de tornillos defectuosos en la muestra es
por lo menos 6?
(c) Cual es la probabilidad de que el n
umero de tornillos defectuosos en la muestra sea
estrictamente mayor que 2, pero menor o igual de 6?
(d) Cual es la probabilidad de que ninguno de los 20 tornillos este defectuoso?
(e) Calcule e inteprete el valor esperado y la desviacion estandar del n
umero de tornillos
defectuosos en la muestra.
44. En un peaje se cobra 1.500 pesos por cada bus de transporte p
ublico y 2.500 pesos por
carros particulares. Supongamos que durante las horas diurnas, 70% de todos los vehculos
son buses de transporte p
ublicos. Si 15 vehculos pasan por el peaje durante un perodo
particular diurno, cual es el ingreso de cuotas esperado? (Sugerencia: sea X el n
umero
de buses de transporte p
ublico, entonces, el ingreso de cuotas h es una funcion lineal de
X.)
45. Un fabricante de celulares, desea controlar la calidad de su producto y rechazar cualquier
lote en el que la proporcion de celulares defectuosos sea demasiado alta. Con este fin, de
cada lote grande (digamos, 20.000 celulares) selecciona y prueba 25. Si por lo menos 3
de estos estan defectuosos, todo el lote sera rechazado.
(a) Cual es la probabilidad de que un lote sea rechazado si 5% de los celulares estan
defectuosos?
(b) Cual es la probabilidad de que un lote sea rechazado si 10% de los celulares estan
defectuosos?
(c) Cual es la probabilidad de que un lote sea rechazado si 30% de los celulares estan
defectuosos?
(d) Que sucedera con las probabilidades anteriores si el n
umero crtico para rechazo
aumentara de 3 a 5?
46. Un jefe de produccion sabe que el 4% de 200 artculos producidos en cierto tipo de maquina
tiene alg
un defecto. Se examinan cinco de estos artculos. Cual es la probabilidad de
que (a) ninguno, (b) dos, (c) al menos dos de estos artculos tengan un defecto?
47. Una instituci
on beneficiaria contrata personal para que soliciten donaciones por telefono.
Despues de un breve perodo de preparaci
on, las personas telefonean a los potenciales
donantes y se les paga una comisi
on. La experiencia indica que, normalmente, estas
personas logran solo un exito moderado, y el 70% de ellas deja el trabajo en las tres
primeras semanas. La instituci
on contrata seis personas, las cuales se pueden considerar
como una muestra aleatoria. Cual es la probabilidad de que al menos dos de las cinco
personas (a) dejen, (b) no dejen el trabajo en las tres primeras semanas?
48. Una empresa se dedica a la instalacion de nuevos paquetes computacionales. Se ha
comprobado que en el 10% de 250 instalaciones es necesario volver para realizar algunas modificaciones. En una semana determinada se realizaron 10 instalaciones. Asumir
independencia en los resultados de esas instalaciones.
(a) Cual es la probabilidad de que sea necesario volver en cinco casos?
(b) Cual es la probabilidad de que no sea necesario volver en ninguno los casos?
3.6 La distribuci
on de Poisson
38
3.6
La distribuci
on de Poisson
3.6 La distribuci
on de Poisson
39
9. El n
umero de mordeduras de serpientes venenosas en un tiempo determinado.
10. El n
umero de huelgas anuales en un empresa.
Cada una de estas variables aleatorias se caracteriza por ser el n
umero de ocurrencia de
cierto suceso durante un perodo de tiempo. Estas variables aleatorias estan asociadas a
experimentos aleatorios que son conocidos con el nombre de experimentos de Poisson.
Definici
on 3.6.1 Los experimentos que resultan en valores numericos de una variable aleatoria que representa el n
umero de resultados durante un intervalo de tiempo
dado se llaman experimentos de Poisson.
Un experimento de Poisson surge del llamado proceso de Poisson, el cual explicaremos
a continuaci
on. Consideremos la situaci
on ilustrada en la figura 3.7, donde se mide el
tiempo a lo largo de la lnea horizontal, y supongamos que estamos interesados en el
perodo que comienza en 0 y termina en t. Las ocurrencias de sucesos a lo largo del eje
temporal se indican con el smbolo . Por tanto, en esta ilustraci
on ocurren seis sucesos
en el perodo de tiempo relevante.
para un n
umero real > 0.
3.6 La distribuci
on de Poisson
40
Distribuci
on de Poisson
La experiencia indica que, para una amplia gama de problemas como los mostrados al
comienzo de esta secci
on, la llamada distribuci
on de probabilidad de Poisson representa
adecuadamente la estructura probabilstica del n
umero de eventos que ocurren en un
intervalo de tiempo [0, t]. La demostraci
on de la f
ormula para la probabilidad de que
ocurra una cantidad determinada de eventos en un intervalo de tiempo peque
no, la cual
se basa en las propiedades del proceso de Poisson indicadas anteriormente, esta fuera
del alcance de este texto. Por esta raz
on s
olo se presentara lo que se utiliza para el
calculos de diferentes tipos de probabilidades.
Teorema 3.6.2 Consideremos un proceso de Poisson con par
ametro > 0 (es
decir, es el n
umero promedio de ocurrencias por unidad de tiempo) y sea X el
n
umero de eventos que ocurren en un intervalo de tiempo [0, t]. Entonces, la
probabilidad de que ocurran k eventos en el intervalo [0, t] est
a dada por
P(X = k) =
1 k
e ,
k!
k = 0, 1, 2, 3, . . . .
respectivamente, en donde la suma anterior recorre todos los enteros no negativos que
son menores o iguales que t. En la figura 3.8 se muestran graficas de la distribuci
on de
Poisson para varios valores de .
Ejemplo 3.6.3 Los sabados por la ma
nana, los clientes entran en una peque
na tienda de un
centro comercial suburbano a una tasa esperada de 0,50 por minuto. Halle la probabilidad
de que el n
umero de clientes que entran en un intervalo especfico de 10 minutos es (a) 3,
(b) a lo m
as 3.
SOLUCION:
Las hipotesis del proceso de Poisson parecen ser razonables en este contexto. Damos por
sentado que los clientes no llegan en grupos (o podemos contar al grupo entero como un
solo cliente) y que la entrada de un cliente no aumenta ni disminuye la probabilidad de que
llegue otro. Para obtener , observamos que auna tasa media de 0,50 por minuto durante
un periodo de 10 minutos, podemos esperar = (0, 50)(10) = 5 entradas. Sea X la variable
aleatoria que representa al n
umero de clientes que entran en un intervalo especfico de 10
minutos.
(a) Nos piden calcular P(X = 3). Para ello, aplicaremos el teorema 3.6.2 con = 5 y k = 3:
P(X = 3) =
1 5 3
e 5 = 0, 1403.
3!
3.6 La distribuci
on de Poisson
41
3.6 La distribuci
on de Poisson
42
Ejemplo 3.6.6 El n
umero promedio de partculas radiactivas que pasan a traves de un
contador durante un milisegundo en un experimento de laboratorio es 4. Cu
al es la probabilidad de que entren entre 3 y 6 (inclusives) partculas al contador en un milisegundo
determinado?
SOLUCION:
Sea X la variable aleatoria que representa al n
umero de partculas que entran al contador.
Si se utiliza la distribucion de Poisson con k = 6 y = 4, se tiene que
P(3 X 6) = P(X 6) P(X 2) = P(6; 4) P(2; 4)
= 0, 889 0, 238 = 0, 651.
3.6 La distribuci
on de Poisson
43
Aproximaci
on de la distribuci
on binomial a la de Poisson
Como hemos visto, la distribuci
on de Poisson aparece de manera natural para representar el n
umero de ocurrencias de un suceso en un perodo de tiempo. Esta distribuci
on
tiene tambien otro uso. Ella tambien juega un papel importante como distribuci
on lmite
de la distribuc
on binomial, en especial, para el calculo numerico de las probabilidades
b(k; n; p) cuando n es grande, p peque
na y el producto np tiene un tama
no moderado.8
Las situaciones siguientes satisfacen estas condiciones:
1. Una compa
na aseguradora mantiene un gran n
umero de p
olizas de seguro de vida en individuos de determinada edad, y la probabilidad de que durante el a
no se produzca una
reclamaci
on en una p
oliza es muy peque
na. La distribuci
on del n
umero de reclamaciones es
binomial, con n grande y p muy peque
no.
2. Una compa
na puede tener un gran n
umero de m
aquinas trabajando en un proceso simult
aneamente. Si la probabilidad de que cada una de ellas se avere en un da concreto es
muy peque
na, entonces, la distribuci
on del n
umero de averas es binomial, con n grande y p
muy peque
no.
k = 0, 1, 2, 3, . . .
o, que es equivalente,
B(k; n; p) P(k; np),
8
k = 0, 1, 2, 3, . . . .
3.6 La distribuci
on de Poisson
44
p = 0, 01 es peque
no,
Como se cumplen estos tres supuestos exigidos por el teorema, las probabilidades pedidas pueden ser calculadas (en forma aproximada) usando la distribucion de Poisson con
par
ametro = np = 6.
(a) Nos piden calcular P(X = 5). Por tanto, por el teorema de aproximacion de la binomial
a la de Poisson (teorema 3.6.9), se tiene
P(X = 5)
(b) Nos piden calcular P(X 3). Por tanto, por el teorema de aproximacion de la binomial
a la de Poisson (teorema 3.6.9), se tiene
P(X 3)
(c) Nos piden calcular P(X 1). Por tanto, por el teorema de aproximacion de la binomial
a la de Poisson (teorema 3.6.9), se tiene
P(X 1) = B(1; 600; 0, 01) P(1; 6) = 0, 017.
3.6 La distribuci
on de Poisson
45
Ejemplo 3.6.12 En la tabla de la figura 3.9 damos los resultados del famoso experimento
fsico, dirigido por Rutherford y Geigner, en donde se observaron partculas emitidas por
una sustancia radioactiva en 2.068 periodos de 7, 5 segundos cada uno. Aqu k es el n
umero
de partculas emitidas y fo es el n
umero de perodos de 7, 5 segundos observados.
0
57
k
fo
1
203
2
383
3
525
4
532
5
408
6
273
7
139
8
45
9
27
10
16
= x =
10
P
kfobservado
k=0
0 57 + 1 203 + 2 383 + + 10 16
= 3, 87
2.608
k = 0, 1, . . . , 10.
k
pk
0
0,021
1
0,08
2
0,156
3
0,201
4
0,195
5
0,151
6
0,097
7
0,054
8
0,026
9
0,011
10
0,0065
3.6 La distribuci
on de Poisson
k
fo
fe
0
57
54,7
1
203
210,5
2
383
407,4
3
525
525,5
46
4
532
508,4
5
408
393,5
6
273
253,8
7
139
140,3
8
45
67,9
9
27
29,2
10
16
17,1
Ejercicios de la secci
on 3.6
53. Sea X la cantidad de huecos en la superficie de una instrumento metalico de cierto tipo,
seleccionado al azar, con una distribuci
on de Poisson con parametro = 15 y utilice la
tabla del apendice para calcular las siguientes probabilidades: (a) P(X 9), (b) P(X = 9),
(c) P(X 10), (d) P(7 X 11), (e) P(4 < X < 9).
54. Suponga que el n
umero X de tormentas electricas observadas en cierta region durante un
periodo de 6 meses tiene una distribuci
on de Poisson con = 9.
(a) Calcule P(X 11), P(7 X 12) y P(X 13).
(b) Cuantas tormentas electricas se espera que se podran ver durante un perodo de seis
meses,y cual es la desviacion estandar del n
umero observado de tormentas electricas?
55. El n
umero de cartas perdidas en el correo en un da tiene un promedio de 4. Cual es la
probabilidad de que en un da determinado
(a) se pierdan a lo mas dos cartas en el correo?
(b) se pierdan tres cartas en el correo?
(c) se extraven cuatro o cinco?
(d) al menos desaparezca una carta en el correo?
56. En un lote de 1.000 bombillas fabricadas por una compa
na, 10 son defectuosas. Utilice
la aproximaci
on de la distribuci
on binomial por la de Poisson para calcular la probabilidad
de que en una muestra de 20 bombillas, (a) 2, (b) 0, (c) por lo menos 3 sean defectuosas.
57. Las estadsticas muestran que hay un promedio de tres accidentes por semana en una
ruta determinada. Determine la probabilidad de que durante cierta semana seleccionada
al azar haya (a) 4, (b) 3 o 4, (c) a lo mas tres, (d) al menos 4 accidentes.
58. En cierto estudio se reporta que de cada 100 personas, una fuma. Consideremos una
muestra aleatoria de 2.000 personas.
(a) Cual es la distribuci
on aproximada del n
umero de quienes fuman?
(b) Utiliza la aproximaci
on de la parte (a) para calcular la probabilidad aproximada de
que entre 8 y 20 (ambos inclusive) personas fumen.
(c) Utiliza nuevamente la aproximaci
on de la parte (a) para calcular la probabilidad aproximada de que estrictamente entre 12 y 30 personas fumen.
59. A traves de un anuncio de television se le informa a todas las familias que deben llevar
a sus ni
nos menores de 4 a
nos (si los tienen) al hospital de la ciudad para hacerles un
chequeo medico debido a la presencia de un peligroso virus en la ciudad. Suponga que el
1% de tales ni
nos tienen el virus. Considere una muestra aleatoria de 1.000 ni
nos.
(a) Cuales son el valor esperado y la desviacion estandar del n
umero de ni
nos de la
muestra que tienen el virus.
3.7 La distribuci
on hipergeometrica
47
3.7
La distribuci
on hipergeom
etrica
Experimento hipergeom
etrico
En esta secci
on queremos considerar experimentos que obedezcan las propiedades de
un experimento binomial, pero debilitando la propiedad de independencia entre los experimentos individuales, es decir, supondremos que los experimentos individuales son
dependientes. Este nuevo tipo de experimento resultante se llamara experimento hipergeometrico y se usan com
unmente cuando el muestreo se hace sin reemplazo. En general,
3.7 La distribuci
on hipergeometrica
48
Distribuci
on hipergeom
etrica
En un experimento hipergeometrico con parametros n, M y N, como el descrito en la
secci
on anterior, la variable de interes X es siempre el n
umero de exitos obtenidos en
la muestra. La distribuci
on de probabilidad de X, llamada distibuci
on hipergeometrica,
depende de los parametros n, M y N y la probabilidad que inicialmente nos interesa estudiar es la de obtener k exitos en la muestra, la cual simbolizaremos con h(k; n, M, N).
Es decir, estaremos interesados en calcular la probabilidad
P(X = k) = h(k; n, M, N),
cuya f
ormula aparece despues de analizar el siguiente ejemplo que identifica a un tipo
de experimento hipergeometrico.
Ejemplo 3.7.1 Una caja contiene, al comienzo de un experimento, 2 bolas blancas y 4
bolas negras. Ahora se sacan n = 3 bolas aleatoriamente, sin reemplazo. Determinar la
probabilidad de que entre las 3 bolas sacadas haya (a) 1 negra, (b) 2 negras y (c) 3 negras.
Ademas, (d) determine la distribucion de probabilidad de X.
SOLUCION:
En la caja hay N = 6 bolas en total. Sea X la variable aleatoria que representa al n
umero
de bolas negras elegidas de entre las 3 bolas sacadas. Esto quiere decir que sacar una bola
negra es un exito y que M = 4. Es claro que los valores posibles de X son k = 0, 1, 2, 3.
Ahora, el n
umero de formas de seleccionar una muestra de de n = 3 bolas de un total
de N = 6 bolas disponibles en la caja es
N
6
=
= 20.
n
3
3.7 La distribuci
on hipergeometrica
49
2
2
6
3
4
1
=
= 0, 20.
20
5
(b) Nos piden calcular P(X = 2). Determinemos la cantidad de maneras de escoger una
muestra de tama
no n = 3 que contiene k = 2 bolas negras y n k = 1 blancas:
k = 2 bolas negras de un total
de M = 4 bolas negras que hay en la caja se
4
=
6
formas.
=
pueden escoger de M
2
k
n k = 1 bola blanca de un total
de N M = 2 bolas blancas que hay en la
2
=
caja se puede escoger de NM
1 = 2 formas.
nk
2
1
6
3
3
12
=
= 0, 60.
20
5
(c) Nos piden calcular P(X = 3). Determinemos la cantidad de maneras de escoger una
muestra de tama
no n = 3 que contiene k = 3 bolas negras y n k = 0 blancas:
k = 3 bolas negras de un total
de M = 4 bolas negras que hay en la caja se
4
pueden escoger de M
=
=
4
formas.
k
3
n k = 0 bolas blancas de un total
de
N M = 2 bolas blancas que hay en la
2
caja se pueden escoger de NM
=
nk
0 = 1 forma.
2
0
6
3
1
4
=
= 0, 20.
20
5
3.7 La distribuci
on hipergeometrica
50
P(X=k)
(41) (22)
=
(63)
1
5
(42) (21)
=
(63)
3
5
(43) (20)
=
(63)
1
5
Para generalizar el metodo que usamos en el ejemplo 3.7.1 (vease la figura 3.14), supongamos que una poblaci
on (en nuestro ejemplo, la caja) contiene N objetos (en nuestro
ejemplo, N = 6 bolas), dentro de los cuales hay M exitos (en nuestro ejemplo, M = 4
bolas negras) y N M fracasos (en nuestro ejemplo, N M = 2 bolas blancas).
Supongamos que se sacan, aleatoriamente (sin reemplazo y sin orden) n objetos de la
poblaci
on (en nuestro ejemplo, n = 3 bolas). Nuestro interes determinar el n
umero de
exitos escogidos que hay en los n objetos sacados. Ahora,
1. El n
umero total de formas de escoger n objetos de N objetos de la poblaci
on es
el coeficiente binomial N
.
n
2. Supongamos que entre los n objetos escogidos hay k exitos (esto quiere decir que
hay n k fracasos). Como
k exitos
on se pueden escoger
de un total de M exitos que hay en la poblaci
formas
y
de M
k
n k fracasos de un total
on se
de N M fracasos que hay en la poblaci
NM
puede escoger de nk formas,
3.7 La distribuci
on hipergeometrica
51
nk
N
n
donde
k = 0, 1, 2, . . . , n
n N.
(3.1)
n
La correspondiente distribuci
on de X se conoce con el nombre de distribucio
trica con par
hipergeome
ametros n, M y N.
Como podemos verificar, las funciones de probabilidad f y de distribuci
on F de una
variable aleatoria hipergeometrica con parametros n, M y N estan dadas por
M NM
( k ) ( nk )
, si k = 0, 1, 2, . . . , n y n N;
(N )
h(k; n, M, N) := f(k) =
0, n
de otra manera.
h(k; n, M, N),
kt
respectivamente, en donde la suma anterior recorre todos los enteros k no negativos que
son menores o iguales que t.
Aplicaciones de la distribuci
on hipergeom
etrica
La distribuci
on hipergeometrica encuentra aplicaciones en los controles de calidad de
la producci
on colectiva. Por ejemplo, un cargamento de mercanca se compone de B
ejemplares buenos y de M ejemplares defectuosos. El buen ejemplar juega el papel de
un bola blanca y el defectuoso, de una bola negra. Para el control de calidad, escogemos
una cargamento de n ejemplares al azar y el ejemplar, precisamente escogido, no se echa
al cargamento, antes de la pr
oxima escogencia. Si B y M fuesen conocidos, entonces,
se podra aplicar la f
ormula (3.1) para calcular la probabilidad de que, entre los n
ejemplares escogidos, hayan k en mal estado. Sin embargo, en la practica, B y M no
son conocidos y la investigaci
on de la calidad de un determinado n
umero de ejemplares
sirve precisamente para la estimaci
on de estos n
umeros desconocidos.
3.7 La distribuci
on hipergeometrica
52
y
P(X 3) =
3
X
48
j
j=0
12
15j
60
15
3
X
48
j
j=3
4
= 0, 21026.
60
15
12
15j
60
15
48
3
12
12
60
15
3, 251 1010 .
16
16
16
6
20
6
5
20
6
Por consiguiente, la probabilidad de que sea aceptado un pedido con cinco artculos defectuosos es de 0,516.
3.7 La distribuci
on hipergeometrica
53
Ejercicios de la secci
on 3.7
65. Una caja con 24 calculadoras contiene 4 que estan defectuosas. Si se eligen al azar 4 de
esa caja (sin reemplazo y sin importar el orden), cual es la probabilidad de que:
(a) tres esten defectuosas?
(b) a lo mas una este defectuosa?
(c) por lo menos dos esten defectuosas?
(d) Calcule la media, la varianza y la desviacion estandar del n
umero de calculadoras
defectuosas entre las 4 seleccionadas.
66. Se embarcan abanicos electricos en lotes de diez. Antes de aceptar un lote, un inspector
elige tres de esos abanicos y los inspecciona. Si ninguno de los abanicos probados esta
defectuosos, el lote se acepta; si uno o mas salen con defectos, revisan todo el lote.
Suponga que hay dos abanicos deficientes. Cual es la probabilidad de que se necesite un
100% de inspeccion?
67. En un almacen hay diez impresoras, de las cuales cuatro estan defectuosas. Un cliente
selecciona, si reemplazo, cinco impresoras al azar. Cual es la probabilidad de que las
cinco esten en buen estado.
3.7 La distribuci
on hipergeometrica
54
68. Se dispone de diez resistencias, entre las cuales se van a elegir tres sin reemplazo y sin
orden . Sea X la variable aleatoria que representa al n
umero de resistencias defectuosas.
Construya la funcion de probabilidad de X con las siguientes condiciones:
(a) Hay dos resistencias, entre las diez, que son defectuosas.
(b) Entre las diez resistencias hay cuatro que son defectuosas.
69. Una empresa recibe un pedido de 20 artculos. Dado que la inspeccion de cada artculo
es cara, se sigue la poltica de analizar una muestra aleatoria de 6 artculos de cada envo,
aceptando la remesa si no hay mas de un artculo defectuoso en la muestra. Cual es la
probabilidad de que sea aceptado un pedido con cinco artculos defectuosos?
70. Una empresa recibe un pedido de 1.000 artculos. Se analiza una muestra aleatoria de
15 artculos y se acepta el pedido si menos de tres resultan defectuosos. Cual es la
probabilidad de aceptar un envo que contenga un 5% de artculos defectuosos?
71. El rector de un colegio p
ublico esta considerando la posibilidad de darle trabajo a nueve
personas que lo han solicitado. El perfil de todos los solicitantes es similar, excepto en
que cuatro son licenciados y el resto a
un no lo es. Al final, el rector aprueba cinco
solicitudes. Si estas cinco solicitudes han sido elegidas aleatoriamente del total, cual es
la probabilidad de que menos de la mitad de las aprobadas sean solicitudes de personas
que son licenciados?
72. Una persona ha recibido una caja de 12 manzanas, de las cuales 5 son verdes y las otras
7, rojas. Supongamos que ella selecciona al azar 5 manzanas de la caja. Cual es la
probabilidad de que entre las 5 seleccionadas (a) hallan 2 manzanas rojas, (b) hallan por
lo menos 4 manzanas verdes, (c) no hallan manzanas rojas, (d) hallan a lo mas 2 manzanas
verdes.
73. Cada uno de los 13 computadores de cierta marca ha sido devuelto a un proveedor debido al mal funcionamiento de ciertos programas bajo un determinado sistema operativo.
Supongamos que 7 de estos 13 tienen problemas con la memoria RAM y los otros 6 tienen
problemas con los ejecutables EXE. Si se examinan al azar y sin reemplazo 6 de estos
computadores, cual es la probabilidad de que (a) exactamente 3, (b) a lo mas 2, (c)
estrictamente entre 2 y 5 computadores tengan problemas con la memoria RAM?
74. En el da de su cumplea
nos, un joven recibi
o 5 discos compactos de m
usica romantica y
4 de m
usica clasica. Despues de recibidos todos los discos compactos, los apilo en orden
aleatorio antes de comenzar a escucharlos. Considere los 3 primeros discos compactos que
ha escuchado Brian.
(a) Cual es la probabilidad de que exactamente 2 de ellos sean de m
usica romantica?
(b) Cual es la probabilidad de que al menos 2 de ellos sean de m
usica romantica?
(c) Cuales son el valor medio y la desviacion estandar de la cantidad entre los 3, que
sean de m
usica romantica?
(d) Cuales son el valor medio y la desviacion estandar, del n
umero de discos compactos
que no esten entre los 3 primeros y que sean de m
usica romantica?
75. El jefe de personal de cierta empresa entrevista a 9 personas para cinco vacantes. Para
ello ha programado 5 entrevistas para el primer da de entrevistas y 4 para el segundo da.
Suponga que los candidatos son entrevistados al azar.
(a) Cual es la probabilidad de que k de los mejores cuatro candidatos sean entrevistados
el primer da?
(b) Cuantos de los mejores cuatro candidatos pueden esperar ser entrevistados el primer
da?
55
3.8
Distribuci
on binomial negativa
La variable de interes en un experimento binomial negativo con parametros r y p es X =
n
umero de fracasos que preceden al r-esimo exito. Observese que X tiene valores 0,
1, 2, . . .. La distribuci
on de probabilidad de X, llamada distribuci
on binomial negativa,
depende de los parametros r y p y la probabilidad que inicialmente nos interesa estudiar
56
es la de obtener k fracasos antes del r-esimo exito, la cual simbolizaremos con bn(k; r; p).
Es decir, estaremos interesados en calcular la probabilidad
P(X = k) = bn(k; r; p),
cuya f
ormula deduciremos a continuaci
on. Observese que el evento {X = k} es equiva9
lente al evento r 1 exitos en los primeros k + r 1 experimentos y un exito en en
(k + r)-esimo experimento. Sean A y E los eventos que representan a r 1 exitos en
los primeros k + r 1 experimentos y un exito en en (k + r)-esimo experimento,
respectivamente. Con esto, el evento {X = k} es equivalente al evento A E. Como
todos los experimentos son independientes (y, por lo tanto, tambien A y E), entonces,
bn(k; r, p) = P(X = k) = P(A E) = P(A) P(E).
Ahora, debido a que p = P(E) y a que la probabilidad
k + r 1 r1
p
(1 p)k
P(A) = b(r 1; k + r 1, p) =
r1
es una probabilidad binomial con parametros k + r 1 y p, entonces,
k+r1 r
k + r 1 r1
p (1 p)k.
p
(1 p)k p =
bn(k; r, p) =
r1
r1
Esto conduce al siguiente teorema:
Teorema 3.8.1 Sea X el n
umero de fracasos que preceden al r-esimo exito en un
experimento binomial negativo con par
ametros r y p. Entonces, la probabilidad de
que hayan k fracasos antes del r-esimo exito est
a dada por
k+r1 r
bn(k; r, p) = P(X = k) =
p (1 p)k,
k = 0, 1, 2, . . . .
r1
n
La correspondiente distribuci
on de X se conoce con el nombre de distribucio
binomial negativa con par
ametros r y p.
Las funciones de probabilidad f y de distribuci
on F de una variable aleatoria X que tiene
distribuci
on binomial negativa con parametros r y p estan dadas por
k+r1 r
r1 p (1 p)k, si k = 0, 1, 2, . . .;
bn(k; r, p) := f(k) =
0,
de otra manera.
bn(k; r, p),
kt
respectivamente, en donde la suma anterior recorre todos los enteros no negativos que
son menores o iguales que t.
9
Por ejemplo, si r = 6 y k = 13, entonces, debe haber 4 exitos en los primeros 18 experimentos
y el experimento 19 debe ser 1 exito.
57
r(1 p)
p
V(X) =
r(1 p)
.
p2
58
(a) Nos piden calcular la esperanza de X, la cual, por el teorema 3.8.3, esta dada por
E(X) =
2(1 0, 5)
= 2.
0, 5
Distribuci
on geom
etrica
Como caso especial, la distribuci
on binomial negativa con parametros r = 1 y p se
conoce con el nombre de distribuci
on geometrica con parametro p. Como caso particular de los teoremas 3.8.1 y 3.8.3, con r = 1, tenemos el siguiente teorema:
Teorema 3.8.5 Sea X el n
umero de fracasos que preceden al primer exito en un
experimento binomial negativo con par
ametros 1 y p. Entonces, la probabilidad de
que hayan k fracasos antes del primer exito est
a dada por
P(X = k) = bn(k; 1, p) = p (1 p)k,
k = 0, 1, 2, . . . .
n
La correspondiente distribuci
on de X se conoce con el nombre de distribucio
1p
trica con par
geome
ametros p. Adem
as, E(X) = 1p
y
V(X)
=
.
p
p2
Ejemplo 3.8.6 Las etiquetas en los frascos de los medicamentos se examinan con un lector
optico para comprobar que estan debidamente adheridas a las botellas. Suponga que la
probabilidad de descubrir una etiqueta mal adherida es 0,0001.
(a) Calcule la probabilidad de que el proceso detecte una etiqueta con tales caractersticas
en el primer ensayo.
(b) Calcule la probabilidad de que el proceso descubra por primera vez una etiqueta mal
adherida en diezmilesima botella.
(c) Encuentre el valor esperado y la desviacion estandar del n
umero de etiquetas examinadas
hasta que se encuentra una etiqueta mal adherida.
SOLUCION:
Sea X es la variable aleatoria que representa al n
umero de ensayos realizados antes de encontrar la primera etiqueta mal adherida. Dando por sentado que los ensayos son de Bernoulli,
con p := P(exito) = 0, 0001, empleamos una distribucion geometrica. Por consiguiente,
(a) P(X = 0) = p(1 p)0 = p = 0, 0001.
(b) P(X = 10.000) = p(1 p)10.000 = (0, 0001)(0, 9999)10.000 = 0, 0000368.
Observemos que, aun cuando esperamos una etiqueta mal adherida en cada 10.000 botellas,
la probabilidad de que en la siguiente botella se encuentre una de ellas es m
as alta que la
probabilidad de que se encuentre despues de 10.000 botellas.
59
(c) Tenemos que p = 0, 0001, de modo que E(X) = 1/(0, 0001) = 10.000. Es razonable
pensar que si una de cada 10.000 etiquetas esta mal adherida, tendremos que esperar
un promedio de 10.000 botellas para encontrar una botella con tales caractersticas.
La varianza es
1 0, 0001
= 99.990.000.
V(Y) =
(0, 0001)2
Ejercicios de la secci
on 3.8
80. El 10% de los motores armados en una fabrica de montaje estan defectuosos. Si se
seleccionan en forma aleatoria uno por uno y se prueba, calcule la probabilidad de localizar
el tercer motor sin defecto (a) en el quinto ensayo,(b) en el quinto ensayo o antes.
81. De acuerdo con un estudio geologico, en un pozo de exploraci
on petrolera hay 0,2 de probabilidad de encontrar petroleo. Calcule la probabilidad de localizar petroleo por primera
vez en el tercer pozo que se perfore.
82. Nubia y Jorge deciden tener hijos hasta que tengan cuatro del mismo sexo. Si se supone
que la probabilidad de que nazca varon es de 0,5, cual es la funcion de probabilidad del
n
umero de hijos de Nubia y Jorge?
83. Tres hermanos y sus respectivas esposas deciden tener hijos hasta que cada familia tenga
dos ni
nas.
(a) Cual es la funcion de probabilidad del n
umero total de varones nacidos de los hermanos?
(b) Cual es la esperanza del n
umero total de varones nacidos de los hermanos y c
omo
se compara con el n
umero esperado de varones nacidos de cada hermano?
84. Encuentre la probabilidad de que una persona que lanza tres monedas obtenga solo caras
o sellos por segunda vez en el sexto lanzamiento.
85. Se sabe que en cierto proceso de fabricaci
on, en promedio, uno de cada 100 artculos esta
defectuoso. Cual es la probabilidad de que el sexto artculo que se inspecciona sea el
primer defectuoso que se encuentra.
86. Si la probabilidad de que un ladr
on sea atrapado en un robo cualquiera es 0,20. Cual es
la probabilidad de que lo capturen por primera vez en su cuarto robo?
87. Si 0,05 es la probabilidad de que cierto instrumento de medicion sufra una desviaci
on
excesiva, cual es la probabilidad de que el sexto de los instrumentos probados sea el
primero en mostrar esa desviacion?
88. Un tirador experto da en el blanco el 95% de las veces. Cual es la probabilidad de que
falle por primera vez en su decimoquinto disparo?
89. Los expedientes de una compa
na de albercas indican que la probabilidad de que una de
sus nuevas albercas requiera reparaci
on en el plazo de un a
no es 0,20. Cual sera la
probabilidad de que la sexta alberca construda en un a
no determinado sea la primera en
requerir reparaci
on en ese lapso?
3.9
60
Introducci
on
A traves del programa Statgraphics se escoge una de las distribuciones que incluye el
programa y se introducen los valores de los parametros de la distribuci
on. El programa
permite calcular probabilidades para puntos en variables aleatorias discretas y para intervalos en variables aleatorias discretas y continuas (en esta secci
on nos limitaremos
al caso discreto y en la secci
on ?? al caso continuo). As mismo, permite calcular
cuantiles o percentiles para ambos tipos de variables aleatorias. Tambien representa
graficamente las distribuciones de probabilidad. En esta secci
on se presenta en primer
lugar una descripci
on de las opciones para calculo de probabilidades (en el caso discreto)
con Statgraphics, junto con algunos ejemplos.
Opciones num
ericas
Situandose en el icono de Tabular options (de color amarillo) y pulsando el bot
on
izquierdo del rat
on, el programa ofrece cuatro posibilidades:
Analysis Summary (opci
on por defecto).
El programa presenta un recordatorio de la distribuci
on escogida y los valores de
los parametros.
Cumulative Distribution Function (calculo de probabilidad).
Dado un valor x de la variable aleatoria X, el programa calcula tres probabilidades:
P(X < x), P(X = x) y P(X > x). El valor x se introduce pulsando el bot
on derecho
del rat
on, escogiendo Pane Options y rellenando o modificando uno (o varios) de
los recuadros blancos que aparecen mediante el teclado.
Inverse CDF (calculo de percentiles o cuantiles).
Dado un valor de probabilidad p, el programa calcula el valor x tal que F(x) = p.
El valor de p se introduce pulsando el bot
on derecho del rat
on, escogiendo Pane
Options y rellenando o modificando uno (o varios) de los recuadros blancos que
aparecen.
Random Numbers (generaci
on de n
umeros aleatorios).
El programa genera n valores aleatorios de una distribuci
on elegida. El valor de n
61
Opciones gr
aficas
Las opciones graficas se seleccionan pulsando el icono Graphical Options (tercer icono,
en el que aparece una grafica) de la barra de herramientas con el bot
on izquierdo del
rat
on. El programa ofrece cinco posibilidades, a saber:
Density/Mass Function.
Esta opci
on crea una grafica de la funci
on de probabilidad (o de densidad en el
caso continuo) que se esta evaluando.
CDF : Esta opci
on crea una grafica de la funci
on de distribucion acumulada que
se esta evaluando.
Survivor Function: Esta opci
on crea una grafica de la funci
on complementaria
de la funci
on de distribuci
on acumulada (funci
on de supervivencia) que se esta
evaluando. La funci
on indica la probabilidad de obtener un valor mayor o igual a
los valores sobre el eje X.
Log Survivor Function: Esta opci
on crea una grafica de la logaritmo de la funci
on
n de supervivencia indica
de supervivencia que se esta evaluando. La funcio
la probabilidad de obtener un valor mayor o igual a los valores sobre el eje X.
Hazard Function: Esta opci
on crea un grafica de la funci
on de riesgo para la
n de riesgo es igual a la funci
distribuci
on que se esta evaluando. La funcio
on
de probabilidad (o de densidad en el caso continuo) dividida por la funci
on de
supervivencia.
Ejemplo 3.9.1 El porcentaje de piezas defectuosas producidas en un proceso es del 5%.
Calcular la probabilidad de que de 150 piezas producidas mediante el proceso en cuestion
hayan como m
aximo seis defectuosas.
SOLUCION:
Se eligen las opciones Plot, a continuacion Probability Distributions y seguidamente se
escoge la distribucion binomial. Marcando en el cono Input dialog (primer cono, rojo) se
podra posteriormente cambiar de tipo de distribucion en el mismo analisis. Pulsando el
boton derecho del rat
on y escogiendo Analysis Options, se fija el valor de n (Trials) en 150
y el de p (Event probability) en 0,05. Pulsando en el cono Tabular Options (segundo cono,
amarillo) se escoge CDF. Pulsando otra vez el boton derecho del rat
on y escogiendo ahora
62
Ejercicios de la secci
on 3.9
s 90. Un agente de seguros vende polizas a 5 individuos, todos de la misma edad. De acuerdo
con las tablas actuariales, la probabilidad de que un individuo con esa edad viva 30 a
nos
mas es de 3/5. Determinar la probabilidad de que dentro de a
nos vivan (a) los 5 individuos,
(b) al menos 3, (c) solo 2, (d) al menos 1.
s 92. En el primer curso de una facultad hay cinco asignaturas y se permite pasar al segundo
curso a todos los alumnos que hayan aprobado un mnimo de 3 asignaturas. Si la probabilidad de aprobar cada asignatura es del 60%, cual es la de pasar a segundo curso?
s 93. El numero medio de automoviles que llega a una estacion de suministro de gasolina es
de 210 por hora. Si dicha estacion puede atender a un maximo de 10 autom
oviles por
minuto, determinar la probabilidad de que en un minuto dado lleguen a la estacion de
suministro mas autom
oviles de los que puede atender.
s 95. Un equipo de seis medicos se turna para hacer las guardias. Si la probabilidad de causar
baja para cada uno de ellos en un periodo de dos meses es de 0,1 y la baja de un facultativo
es independiente de las de los demas, cual es la probabilidad de que haya que suplir al
menos a uno de ellos en dicho perodo?
Ejercicios complementarios
96. Son las siguientes afirmaciones verdaderas o falsas? Justificar cada respuesta.
(a) Toda variable aleatoria discreta es un n
umero.
(b) Si f es la funcion de probabilidad de una variable aleatoria discreta X y 0 es un posible
valor de X, entonces, f(0) = 0.
(c) Para cualquier variable aleatoria discreta X se cumple que P(X = 1) = 1, en donde 1
es un posible valor de X.
(d) Si F es la funcion de distribuci
on acumulada de una variable aleatoria X discreta,
entonces, F es una funcion escalonada
(e) Si X es una variable aleatoria discreta con funcion de distribuci
on acumulada F, entonces, se cumple que P(3 X < 5) = F(5) F(3).
(f) Si X es cualquier varaible aleatoria discreta, entonces, la desviacion estandar de la
variable aleatoria X + 2 es diferente a la desviacion estandar de X.
63
97. Dos dados no cargados se tiran independientemente. Sea X la variable aleatoria que
representa al maximo n
umero que resulta en ambas caras.
(a) Halle la funcion de probabilidad f de X.
(b) Halle la funcion de distribuci
on acumulada F de X y representela graficamente.
98. Una caja contiene cuatro tornillos de cuerda derecha y seis de cuerda izquierda. Se
seleccionan dos tornillos (uno por uno). Sea X la variable aleatoria que representa al
n
umero de tornillos de cuerda izquierda que se obtienen.
(a) Si la seleccion es sin reemplazo, construya la funcion de probabilidad y grafquela;
construya la funcion de distribuci
on acumulada y grafquela; calcule la media e interpretela y calcule la varianza. Que tipo de experimento aleatorio es este? Por
que?
(b) Si la seleccion es con reemplazo, construya la funcion de probabilidad y grafquela;
construya la funcion de distribuci
on acumulada y grafquela; calcule la media e interpretela y calcule la varianza. Que tipo de experimento aleatorio es este? Por
que?
99. Una determinada revista, que eval
ua la calidad del funcionamiento de computadores
nuevos, reporta regularmente el n
umero de defectos importantes que tiene cada computador en cada examen. Sea X la variable aleatoria que representa al n
umero de defectos
importantes en un computador de cierto tipo seleccionado al azar. Supongamos que la
funcion de distribuci
on acumulada F de X es como sigue:
0,
si t < 0,
0, 18, si 0 t < 1,
0, 39, si 1 t < 2,
F(t) =
0, 63, si 2 t < 3,
0, 89, si 3 t < 4,
1,
si 4 t.
(a) Calcule la probabilidad de que el n
umero de defectos importantes en un computador
de cierto tipo seleccionado al azar sea igual a 1.
(b) Calcule la probabilidad de que el n
umero de defectos importantes en un computador
de cierto tipo seleccionado al azar sea estrictamente mayor que 2.
(c) Calcule la probabilidad de que el n
umero de defectos importantes en un computador
de cierto tipo seleccionado al azar sea mayor o igual que 2, pero menor o igual que 4.
(d) Calcule la probabilidad de que el n
umero de defectos importantes en un computador
de cierto tipo seleccionado al azar sea estrictamente mayor que 1 y estrictamente
menor que 4.
(e) Halle la funcion de probabilidad f de X.
(f) Utilizando f, encuentre las probabilidades de los incisos (a) hasta (d).
100. La probabilidad de que una persona, que vive en cierta ciudad de Colombia, tenga un gato
es de 0,6. Encuentre la probabilidad de que la undecima persona entrevistada al azar en
esta ciudad sea la cuarta que tiene un gato.
101. Un empresario necesita conocer algunos detalles sobre el proyecto financiero que debe
presentar ante el consejo directivo el proximo martes y decide llamar por telefono a los
compa
neros que hacen parte del proyecto para preguntarles. Cree que, en cada llamada,
la probabilidad de obtener la informacion necesaria es 0,30. Decide seguir llamando a sus
compa
neros hasta que consiga la informacion. Sea X la variable aleatoria que representa
el n
umero de llamadas necesarias para obtener la informacion.
64
65
66
Halle c para que f sea en realidad una funcion de probabilidad. Es E(X) finita? Justifique
su respuesta.
117. Encuentre la esperanza y varianza de una variable X si esta se define de modo que
E([X 2]2 ) = 5,
E([X 4]2 ) = 5.
118. Suponga que E(X) = 5 y E(X[X 1]) = 27, 5. Calcule E(X2 ) y V(X).
119. Demuestre que la funcion de distribucion acumulada F de una variable aleatoria discreta
X es una funcion no decreciente, es decir, si x1 < x2 , entonces, F(x1 ) F(x2 ). En que
condicion sera F(x1 ) = F(x2 )?
122. Si X es una variable aleatoria binomial con parametros n y p, demuestre que E(X) = np
y V(X) = np(1 p).
M
N
y V(X) =
Nn
N1
M
N
M
N
124. Si X tiene distribucion de Poisson con parametro , demuestre que E(X) = V(X) = .
Captulo 3
7. (a) 1/37 (b) 1/31
9. (a) 0,55 (b) 0,70 (c) 0,45 (d) 0,34 (e)
0,70 (f) 0,45
3
11. (b) f(k) = k2 2k
/10, con
k = 0, 1, 2
13. (a) 0,47 (b) 0,70 (d) 0,41 (e) 0,31
15. (c) 15/28 (d) 45/56
51. 0,834
53. (a) 0,070 (b) 0,033 (c) 0,93 (d) 0,177
(e) 0,036
55. (a) 0,195 (b) 0,352 (c) 0,982 (d)
0,238
33. 8; 60,7
68
87. 0,038689
89. 0,000256
99. (a) 0,21 (b) 0,37 (c) 0,61 (d) 0,50
101. (a) f(k) = (0, 30)(0, 70)k1 , con
k = 1, 2, 3, . . . (b) F(t) = 1 (0, 70)t si
t = 1, 2, 3, . . .; F(t) = 0, de otra forma
(c) 0,657
103. (a) 0,0630 (b) 0,9730
105. (a) El asma (b) La dieta
107. (a) 0,099 (b) 0,135 (c) 2
79. 0,9517
109. 0,011114
81. 0,128
6+k
, con
83. (a) f(k) = k+5
5 (0, 5)
k = 0, 1, 2, . . . (b) 6
85. 0,0095099
117. 3; 4
Indice
Conjunto
enumerable, 4
Desviaci
on
estandar
de una funcion, 25
de una variable aleatoria, 23
Distribucion
binomial, 33
binomial negativa, 56
de Poisson, 40
geometrica, 58
hipergeometrica, 51
uniforme (discreta), 29
Esperanza
de una funcion, 21
de una variable aleatoria, 18
Experimento
binomial, 31
binomial negativo, 55
de Bernoulli, 30
de Poisson, 39
hipergeometrico, 48
Factor de correcci
on
por poblacion finita, 53
Funcion de
distribuci
on acumulada, 10
probabilidad, 7
riesgo, 61
supervivencia, 61
Media
de una funcion, 21
de una variable aleatoria, 18
Proceso de Poisson, 39
Regla
de Tchevichev, 26
emprica, 26
Teorema
de aproximaci
on
de la binomial a la de Poisson, 43
Valor esperado, ver esperanza
Variable aleatoria, 3
continua, 4
discreta, 4
Varianza
de una funcion, 25
de una variable aleatoria, 23