Módulo Distribuciones de Probabilidad

UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana

FACULTAD DE INGENIERA
ESCUELA ACADMICO PROFESIONAL: INGENIERA CIVIL
1.VARIABLE ALEATORIA
Se llama variable aleatoria (v.a.) a toda aplicacin o funcin que asocia a cada elemento del
espacio muestral () de un experimento, un nmero real.
Ejemplo 1:
Consideremos el experimento que consiste en revisar tres componentes de una bomba
centrfuga, que pueden ser defectuosos (D) y no defectuosos (N)
= Revisar tres componentes de una bomba centrfuga, el espacio muestral ser:
=
{ NNN, NND, NDN, DNN, NDD, DND, DDN, DDD }
Definimos la variable aleatoria (v.a.)

X = como el nmero de componentes defectuosos
X(CCC)=3
X(CCS)=X(CSC)= X(CSS) =2
X(SSC)=X (CSS)=X(SCS)=1
X(SSS)=0
La variable aleatoria toma 4 valores diferentes:
X = 3,2,1,0
Las variables aleatorias las podemos clasificar en:

Discretas, si puede tomar un nmero finito o infinito numerable de valores enteros
Porque solo puede tomar valores enteros y un nmero finito de ellos. Por ejemplo:
X: Variable que nos define el nmero de trabajadores aprobados en una capacitacin de un
grupo de 40 (1, 2 ,3 los 40).
pg. - 1 -

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA(X)
0p(x)1 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero y menores o iguales a 1
p (xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1
FUNCIN DE PROBABILIDAD DISCRETA
Sea X una variable aleatoria discreta. La funcin de probabilidad de X es una funcin p(x) tal
que:
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

El valor esperado y varianza de una variable aleatoria discreta X, se definen por:
EX x px
Continuas si dado un intervalo (a,b) la variable puede tomar todos los valores comprendidos
entre a y b.
X : Variable que nos define la concentracin en gramos de plata de algunas muestras de
mineral (14.8 gr, 12.1,10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, ,)
PROPIEDADES DE UNA VARIABLE ALEATORIA CONTINUA (X)
p(x) 0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores
o iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar solo
valores mayores o iguales a cero.
El rea definida bajo la funcin de densidad de probabilidad deber ser de 1
pg. - 2 -

EJERCICIOS DE VARIABLE ALEATORIA DISCRETA
1. Un ingeniero, jefe de una planta de produccin, sabe que todos los aos tienen
supervisiones generales de los procesos de produccin para detectar fallas y realizar
correcciones. Por la experiencia acumulada durante aos sabe que el nmero de
supervisiones anuales se distribuye con arreglo, segn la Tabla N 1:
a) Calcular el valor de A.
Tabla N 1
b) Calcular
el
nmero
2 3
4
5
esperado de supervisiones N de supervisiones 1
Probabilidad
(A-3)/15 A 1/15 3/15 (A-1)/15
anuales.
c) Calcular la varianza y la desviacin tpica del nmero de supervisiones anuales.
d) Probabilidad de que en un ao elegido al azar se celebren ms de 3 supervisiones.
e) Probabilidad de que en un ao elegido al azar se celebren menos de 2 supervisiones.
f) Probabilidad de que en un ao elegido al azar se celebren por lo menos 4 supervisiones.
g) Probabilidad de que en un ao elegido al azar se celebren a lo ms 2 supervisiones.
h) Probabilidad de que en un ao elegido al azar se celebren por lo menos 2 y a lo ms 4
supervisiones.
2. A partir del experimento aleatorio consistente en lanzar tres monedas a la vez,
consideramos la variable aleatoria X = n de caras obtenidas.
a) Determina la distribucin de probabilidad de la variable.
b) Calcula P( X 2) , P( X 3) , P(1 X 2,5)
c) Calcular la probabilidad P 1 X 3
d) Determine el nmero esperado de caras y su desviacin estndar.
3. Sea X el nmero de defectos diarios de artculos industriales que produce una Fbrica.
La funcin de probabilidad para X es:
N de defectos
Probabilidad
3k
K+0.2
0.2
Calcule:
a) El valor de la constante K sabiendo que la distribucin es de probabilidad.
b) La probabilidad de que el nmero de defectos diarios en los artculos sea menor a 3.
c) La probabilidad de que el nmero de defectos diarios en los artculos sea a lo ms 2.
d) La probabilidad de que el nmero de defectos diarios en los artculos sea ms de 2.
e) La probabilidad de que el nmero de defectos diarios en los artculos no sea a lo ms
3.
f) La probabilidad de que el nmero de defectos diarios en los artculos sea por lo
menos 1 y a lo ms 4.
g) Determine el nmero esperado de defectos diarios y su desviacin estndar.
pg. - 3 -

4. Sea X el nmero de fallas de una probeta de concreto. La funcin de probabilidad para X
es:
N de fallas
Probabilidad
0,01
0,4
0.2
0,1
0,09
Calcule:
a) El valor de a.
b) La probabilidad de que el nmero de fallas es 3.
c) La probabilidad de que el nmero de fallas es a lo ms 4
d) La probabilidad de que nmero de fallas es por lo menos 2.
e) La probabilidad de que nmero de fallas como mximo es 3.
f) Hallar el n esperado de accidentes mensuales y su desviacin estndar.
5.
Una variable aleatoria X puede tomar los valores 30, 40,50 y 60 con probabilidades
0.40; 0.20; 0.10 y 0.30. Represente en una tabla su funcin de probabilidad y
determine las siguientes probabilidades.
a)
P(X60)
b)
P(X<40)
c)
P(30X)
d)
P(50X)
e)
P(40<X)
f)
P( 40 X
60)
pg. - 4 -

2.
DISTRIBUCIONES DE PROBABILIDAD:
2.1. Distribuciones de Probabilidad Discreta
En una distribucin de probabilidad de la variable aleatoria discreta podemos calcular la
probabilidad de que la variable aleatoria tome un determinado valor
- Distribucin Bernoulli
- Distribucin Binomial
- Distribucin Poisson
2.2. Distribuciones de Probabilidad Continua
En una distribucin de probabilidad de la variable aleatoria continua podemos calcular la
probabilidad de que la variable pueda asumir cualquier valor dentro de un intervalo de
la recta numrica o de un conjunto de intervalos
- Distribucin Normal
- Distribucin Normal Estndar
- Distribucin t de Student
- Distribucin Chi-cuadrado
- Distribucin F
2.1. DISTRIBUCIONES DE PROBABILIDAD DISCRETA

Estudiaremos tres tipos de distribuciones de probabilidades discretas: la Bernoulli, la
Binomial y la de Poisson. Aunque existen otras distribuciones de probabilidades discretas
como la Distribucin Geomtrica y la Hipergeomtrica, slo nos ocuparemos de las tres
primeras
2.1.1. DISTRIBUCIN DE BERNOULLI

En teora de probabilidad y estadstica, la
dicotmica), nombrada as por el matemtico
distribucin de probabilidad discreta, que toma
valor 0 para la probabilidad de fracaso (q = 1
distribucin de Bernoulli (o distribucin

y cientfico suizo Jacob Bernoulli, es una
valor 1 para la probabilidad de xito (p) y
p).
Si X es una variable aleatoria que mide "nmero de xitos", y se realiza un nico

experimento con dos posibles resultados (xito o fracaso), se dice que la variable
aleatoria X se distribuye como una Bernouilli de parmetro p.
X
Be (p)
Su funcin de probabilidad es:
pg. - 5 -

La media o valor esperado y la varianza de una variable que sigue una Dist. De Bernoulli
queda definida de la siguiente manera :
Esperanza matemtica:
Varianza:
Un experimento al cual se aplica la distribucin de Bernoulli se conoce como Ensayo de Bernoulli o

simplemente ensayo, y la serie de esos experimentos como ensayos repetidos.
Ejemplos de Ensayos de Bernoulli
1. Lanzar una moneda
2. Rendir un Examen
3. Encender una mquina, etc
2.1.2. LA DISTRIBUCIN BINOMIAL
Esta distribucin se origina en los Ensayos o Experimentos Bernoulli que consiste en

realizar 1 experimentos que tiene dos resultados posibles, llamados xito y fracaso.
Experimento Binomial:
Es aquel que consiste en realizar n veces ensayos de Bernoulli, en el cual se debe
cumplir lo siguiente:
a. Cada ensayo tienen solo dos resultados posibles.
b. Los ensayos son independientes.
c. La probabilidad de xito p es constante en cada ensayo.
Esta distribucin tienen las siguientes caractersticas:

1. Su variable aleatoria est definida como:
X: Numero de xitos en n ensayos.
2. Su recorrido o rango es:
Rx = {0,1,2,3,4,5, , n}
3. Su funcin de probabilidad est dada por:
n
f ( x) P( X x) p x q n x , x 0,1,2,..., n
x
4. Sus parmetros son :
pg. - 6 -

n : Tamao de muestra.
p : Probabilidad de xito en cada uno de los ensayos o proporcin de inters.
5.
6.
Su notacin es : X
B ( n, p )
Uso de tabla: Para el uso de tabla tener en cuenta lo siguiente
A.
B.
C.
D.
E.
F.
G.
P
P
P
P
P
P
P
(
(
(
(
(
(
(
Xa
X>a
Xa
X=a
aX
aX
a<X
) = Usar directamente la tabla

)=1- P(Xa)
)=1- P(Xa-1)
)=P(Xa)-P(Xa-1)
b ) = P ( X b ) - P ( X a-1 )
< b ) = P ( X b-1 ) - P ( X a-1 )
< b ) = P ( X b-1 ) - P ( X a )
Ejemplo 1:
En una caja de un almacn, hay 12 artculos elctricos de los cuales 3 son defectuosos.
Si se extrae una muestra aleatoria de 5 a partir de los artculos de la caja.
Cul es la probabilidad de que:
Ninguno sea defectuoso.
Exactamente 1 sea defectuoso.
Menos de 2 sean defectuosos.
Ejemplo 2:
La probabilidad de error de un determinado programa de automatizacin industrial es
0,28. Calcular la probabilidad de que una vez instalado en 15 mquinas:
a) Ninguna tenga error
b) Todos tengan un error
c) Dos de ellas tengan error
Solucin:
Se trata de una Distribucin Binomial de parmetros B (15 , 0, 28)
a)
P ( X= 0 ) =
15
0
0.28
0.7215 = 0.00724
pg. - 7 -

b)
P(X= 15) =
c)
P (X = 2) =
15
15
15
2
0.28
15
0.28
0.72
0.72
= 5.097.10
13
= 0.11503
-9
Ejemplo 3:
Un ingeniero se presenta a un examen de seleccin mltiple que contiene 8 preguntas
cada una con tres respuestas opcionales. Si el ingeniero est adivinando al responder
cada pregunta y adems se sabe que para aprobar el examen debe responder
correctamente 6 o ms preguntas. Cul es la probabilidad de aprobar el examen?.
Solucin:
1. Definimos la variable aleatoria X tal que:
X = Nmero de respuestas correctas en las 8 preguntas
Rx =
0, 1, 2, 3, 4, 5, 6, 7, 8
2. Puesto que cada pregunta consta de una respuesta correcta y dos respuestas
incorrectas:
P ( E) = 1/3 = p
y
P ( F ) = 2/3 = q
3. Luego la distribucin de probabilidad de X es:
4. Sea A, el evento: Aprobar el examen, entonces:
Ejemplo 4:
La probabilidad de que un trabajador tenga un accidente es del 40 por 100.
Hallar:
a) El nmero esperado de trabajadores con accidentes en una fbrica de 1000.
b) La varianza
Solucin:
a)
1000* 0.40 = 400 trabajadores
b)
1000 * 0.40 * 0.60 = 240 trabajadores 2
pg. - 8 -

ESTUDIO DE CASOS
CASO N 01:
El almacenero del laboratorio reporta que de las treinta puntas de prueba de osciloscopios el
20% estn malogradas, l desea saber la probabilidad de que:
a) Estn malogradas 4 puntas de prueba.
b) Ninguna punta de prueba est malograda
c) A lo ms 3 puntas de prueba estn malogradas
d) Ms de 2 puntas de prueba estn malogradas
CASO N 02:
Una cadena grande de tiendas compra cierto tipo de
fabricante indica que el porcentaje de defectuosos es
a. El inspector de la cadena elige 20 artculos al azar
de que haya a lo mas dos artculo defectuoso?
b. El inspector de la cadena elige 10 artculos al azar
de que haya al menos un artculo defectuoso?
dispositivo electrnico de un fabricante. El

de 3%.
de un cargamento Cul es la probabilidad
de un cargamento Cul es la probabilidad
CASO N 03:
La probabilidad de fallar durante el vuelo para cada uno de los seis motores de un avin es de
0.0005. Suponiendo que los seis motores trabajan independientemente, determine la
probabilidad que en un vuelo determinado:
a) No ocurra ninguna falla de motor
b) No ocurra ms de una falla
c) Ocurra exactamente dos fallas
d) Hallar el valor esperado del nmero de fallas.
CASO N 04:
Cuando se prueban tarjetas de circuitos empleados en la manufactura de reproductores de
discos compactos, a la larga el porcentaje de partes defectuosas es de 5%. Sea X = nmero de
tarjetas defectuosas en una muestra aleatoria de tamao 25. Determine:
a) P ( X 2)
b) P ( X 5)
c) P ( 1 X 4)
d) Cul es la probabilidad de que ninguna de las 25 tarjetas est defectuosa?
e) Calcule el valor esperado y desviacin estndar de X.
CASO N 05:
Se conjetura que hay impurezas en 30% de los pozos de agua potable de cierta comunidad aledaa a una
actividad minera. Para obtener algn conocimiento del problema se determina que debera realizarse algn
tipo de prueba. Es muy costos probar todos los pozos del rea por lo que se eligieron 10 aleatoriamente
para la prueba.
a. Cul es la probabilidad de que exactamente tres pozos tengan impurezas, considerando que la
conjetura es cierta?
b. Cul es la probabilidad de que ms de tres pozos tengan impurezas?
c. Cul es la probabilidad de que ms de dos pozos pero menos o igual a 5 pozos tengan impurezas?
CASO N 06:
Una compaa que produce cristal fino sabe por experiencia que 10% de sus copas tienen
imperfecciones y deben clasificar como de segunda
a) Entre seis copas seleccionadas al azar Qu tan probable es que slo una sea de segunda?
b) Entre seis copas seleccionadas al azar Cul es la probabilidad de que por lo menos dos sean de
segunda?
c) Entre 5 copas seleccionadas al azar Cul es la probabilidad de que a lo ms 4 sean de segunda?
pg. - 9 -

2.1.3. LA DISTRIBUCIN POISSON
La Distribucin de Poisson es otra de las distribuciones de probabilidad discretas ms

importantes porque se aplica en muchos problemas reales.
Esta distribucin se origina en problemas que consiste en observar la ocurrencia de

eventos discretos en un intervalo continuo (unidad de medida).
Ejemplos:
1. Numero de manchas en un metro cuadrado de un esmaltado de un refrigerador.
2. Nmero de vehculos que llegan a una estacin de servicios durante una hora.
3. Nmero de llamadas telefnicas en un da.
4. Nmero de clientes que llegan a un banco durante las 10 y 12 p.m.
5. Numero de bacterias en un cm3 de agua.
Esta distribucin tienen las siguientes caractersticas:

1. Su variable aleatoria est definida como:
X: Numero de ocurrencias en 1 unidad de medida (Tiempo, Volumen,
Superficie, etc.)
2.
Su recorrido o rango es:
Rx = {0,1,2,3,4,5, .}
4.
e ( ) x
f ( x) P( X x)
,
x!
5. Su parmetro es
x 0,1,2,...
: tasa promedio de ocurrencia en 1 unidad de medida.
5. Su notacin es : X
P( )
Ejemplo 1:
Si como promedio un tablero electrnico recibe 0.05 llamadas por segundo, Cul es
la probabilidad de que en un determinado minuto:
a. Reciban exactamente dos llamadas.
b. Reciban no ms de dos llamadas.
SOLUCION:
Se tiene que = 0.05 llamadas por segundo
Entonces: = 0.05(60) = 3 llamadas por minuto
a. Reciban exactamente dos llamadas.
e 3 32
0.224
2! de dos llamadas.
b. Reciban no ms
PX 2
PX 2 P(X 0) P(X 1) P(X 2)
e 3 30 e 3 31 e 3 32
0.497 0.149 0.224 0.423

0!
1!
2!
pg. - 10
-

Ejemplo 2:
Un Jefe sanitario realiza una inspeccin en un centro educativo; sobre la calidad del
agua que consumen los estudiantes y que contiene un promedio de 4 bacterias por
cm3
a) Hallar la probabilidad de que el inspector no encuentre bacteria alguna en 0.5
cm3 de agua.
b) Hallar la probabilidad de que el inspector no encuentre bacteria alguna en 1 cm3
de agua.
c) Hallar la probabilidad de que el inspector encuentre a lo ms 2 bacterias en 1 cm
3 de agua.
Solucin:
Se define a X como el nmero de bacterias en una muestra de 1 cm3 de agua
a) La probabilidad de que el inspector no encuentre bacteria alguna en 0.5 cm 3 de
agua
2 2 0
0!
P(X = 0) =
= 0.1353
b) Hallar la probabilidad de que el inspector no encuentre bacteria alguna en 1 cm 3 de

agua.
4 4 0
0!
P(X = 0) =
= 0.0183
c) Hallar la probabilidad de que el inspector encuentre a lo ms 2 bacterias en 1 cm 3

de agua.
P(X 2) =
P(X = 0) + P(X = 1) + P(X = 2) = 0.0183 + 0.0733 + 0.1465 = 0.2381.
Ejemplo 3:
pg. - 11
-

ESTUDIO DE CASOS
CASO N 01:
En un paradero de mina, se determino que los trabajadores en horas no punta llegan

aleatoriamente a una tasa promedio de 24 trabajadores por hora. Se desea calcular las
siguientes probabilidades:
a. Cul es la probabilidad de que lleguen exactamente 20trabajadores durante esa hora?
b. Cul es la probabilidad de que lleguen ms de 15 trabajadores durante esa hora?
c. Cul es la probabilidad de que lleguen menos de 15 trabajadores durante esa hora?
d. Cul es la probabilidad de que lleguen ms de 18 trabajadores durante esa hora?
CASO N 02:
Un ingeniero Jefe del rea de Control de Calidad de la empresa Coca Cola, realiza un examen
de control respecto al agua que est utilizando para la elaboracin de Gaseosas. Este lquido
contiene ciertas bacterias no nocivas para la salud a razn de 5 bacterias por cm3. Si toma una
muestra de 1 cm3, calcular las siguientes probabilidades
a. Cul es la probabilidad que la muestra no contenga bacteria alguna?
b. Cul es la probabilidad de que en cm 3 haya por lo menos 2 bacteria?
c. Cul es la probabilidad de que en 2 cm3 haya a lo ms 8 caterias?
CASO N 03:
En un estudio por parte del Ministerio de Transporte y Comunicaciones (MTC), se ha
determinado que en la carretera panamericana con destino a Lima, hay en promedio de 18
accidentes por semana (7 das), calcular las siguientes probabilidades:
a. Cul es la probabilidad de que en una semana no haya ningn accidente.
b. Cul es la probabilidad de que en dos semanas haya 10 accidentes.
c. Cul es la probabilidad de que en 1semana ocurra menos de 15 accidentes.
REGLA: (aproximacin de la distribucin Binomial a la distribucin Poisson)
Si en una distribucin binomial, n es grande (n 100) y la probabilidad de ocurrencia es pequea
(p 0.05), aproximar la distribucin Binomial a la distribucin Poisson, calculando ( = np).
CASO N 04:
En un estudio de Control de Calidad de determino que el 0.01% de los relojes producidos por
una empresa Taiwanesa son defectuosos.
a. Cul es la probabilidad de que un pedido de 1000 relojes exista exactamente un reloj
defectuoso?.
b. Cul es la probabilidad de que en el mismo pedido de 1000 relojes existan al menos dos
defectuosos?
CASO N 05:
En un proceso productivo de tornillos el 0.8% son defectuosos.
a. Cul es la probabilidad de que un lote de 1000 tornillos contenga uno o ms defectuosos?
b. Cul es la probabilidad de que en este mismo lote exista exactamente 4 tornillos
defectuosos?
pg. - 12
-

ESTADISTICA Y PROBABILIDAD DE AUTOR JAY L DEVORE 7E
Desarrollar los ejercicios 79-84, propuestos en la Seccion 3.6 pg 125 (septima Edicin de Jay L.
Devore).
2.2. DISTRIBUCIONES DE PROBABILIDAD CONTNUA

Para comprender la diferencia entre las variables aleatorias discretas y las continuas,
recordemos primero que para una variable aleatoria discreta podemos calcular la
probabilidad de que la variable aleatoria tome un determinado valor. Para las v.a continuas
el caso es muy distinto ya que puede asumir cualquier valor dentro de un intervalo de la
recta numrica o de un conjunto de intervalos
2.2.1. LA DISTRIBUCIN NORMAL:
La distribucin normal, llamada tambin Curva de Gauss (en recuerdo al cientfico

que lo descubri), es la distribucin de probabilidad ms importancia en la Estadstica y
por ende del Clculo de Probabilidades.
Esta distribucin de probabilidad es importante porque las variables aleatorias continuas
(peso, edad, talla, produccin, gasto en publicidad, temperatura, ventas, PBI, ganancias,
etc) que son variables que ms se evalan en una investigacin cientfica o investigacin
de mercados se aproximan a esta distribucin de probabilidad.
Tambin es importante porque se utiliza como aproximacin de las distribuciones
discretas tales como: la Binomial, la Poisson, etc.
CARACTERSTICAS
1. Tiene como parmetros a y
f ( x)
1 X
Adems:
Donde:
- < < +
>0
pg. - 13
-

3. El promedio puede tomar valores entre y + mientras que > 0, entonces
existen infinitas curvas normales.
4. Esta funcin de probabilidad es asinttica con respecto al eje X, (a pesar de tener
recorrido infinito, la curva nunca toca el eje X); adems es unimodal y es simtrica con
respecto a la media .
5. El are bajo esta funcin o curva es 1 100%, de la misma manera se sabe que las
reas comprendidas bajo la curva normal son:
1.
= 68.3%
2. 2 =
3. 3 =
95.5%
99%
7. Para calcular probabilidades en la distribucin normal se necesitaran infinitas tablas de

probabilidad.
2.2.2. LA DISTRIBUCIN NORMAL ESTNDAR:

1. Es una distribucin a la cual se le ha modificado la escala original; esta modificacin se
ha logrado restando la media al valor de la variable original y dividiendo este resultado
por , la nueva variable se denota por Z y recibe el nombre de variable estandarizada
2. La modificacin de la escala ha permitido elaborar una tabla para el clculo de las

probabilidades; si esto no hubiera sido posible, sera necesario construir una tabla para
cada valor de y .
3. La funcin de densidad de la variable estandarizada es:
1
f ( z)
1
2
e2
4. El promedio (valor esperado) y la varianza de Z son:

E(Z) = 0 , V(Z) = 1
5. Notacin:
Si X es v.a. continua distribuida normalmente con media y varianza 2 , la denotamos
por : X N( , 2).
Aplicando esta notacin a la variable normal estandarizada Z, escribimos:
Z N(0 , 1) , esto se interpreta como, Z tiene distribucin normal con media 0 y
varianza 1.
6. La superficie bajo la curva normal Z estandarizada tambin es igual a 1. Por
consiguiente, las probabilidades pueden representarse como reas bajo la curva normal
escandalizada entre dos valores.
pg. - 14
-

7. Debido a que la distribucin normal es simtrica muchas de las tablas disponibles
contienen solo probabilidades para valores positivos de Z.
USO DE TABLA:
Si se conoce el comportamiento de una variable, es decir, se sabe que tienen una
distribucin normal, para calcular las diferentes probabilidades se tiene que estandarizar la
variable. Una vez estandarizada la variable, recin utilizar la tabla de la distribucin normal
estandarizada o tabla Z.
FORMULAS:
a.
b.
c.
P( x a) P(
) P( Z
P( x a) 1 P( x a) 1 P(
P ( a x b) P (
) 1 P( Z
Ejemplo 1:
Las calificaciones de los 500 aspirantes presentados a un examen para contratacin laboral,
se Distribuye normalmente con media 6,5 y varianza 4.
a.
Calcule la probabilidad de que un

aspirante obtenga 8 puntos o ms.
P ( x 8)
Luego: P ( z 0.75) = 1 P ( z 0.75) = 1 0.773372648 = 0.22662735

b.
Determine
aspirantes con calificaciones inferiores o iguales a 5 puntos. P ( x
el
porcentaje
5)
de
pg. - 15
-

c.
calificaciones comprendidas entre 5 y 7,5 puntos?
P(5
Cuntos aspirantes obtuvieron

P ( 5 X 7.5 )
X 7.5 ) = P ( X 7.5 ) - P ( X 5 ) =
P ( z 0.5 ) - P ( z -0.75 ) = 0.69146246 - 0.22662735 = 0.46483511
Multiplicando la probabilidad por el total de aspirantes

obtenemos el nmero de ellos que tienen
calificaciones comprendidas entre 5 y 7,5.
= 0.46483511 x 500 = 232 aspirantes.
ESTUDIO DE CASOS
CASO N 01:
El tiempo de duracin de los focos de alumbrado elctrico producidos por una compaa
elctrica tiene una distribucin normal con una media de 1000 horas y una desviacin estndar
de 250 horas. Determinar la probabilidad de que:
a. Un foco tomado al azar se queme antes de las 990 horas de funcionamiento
b. Un foco se que queme entre 980 y 1120 horas de funcionamiento.
c. Un foco dure ms de 998 horas
CASO N 02:
NEUMA Per, es una empresa que produce llantas para automviles en nuestro pas. La vida til
de estas llantas se distribuye aproximadamente como una normal con media y desviacin
estndar iguales a 32000 y 1000 millas respectivamente. Esta empresa quiere exportar estas
llantas por lo que empieza a hacer ciertos clculos acerca de la calidad de estas llantas, para lo
cual se hace las siguientes preguntas:
a. Cul es la probabilidad de una llanta producida por esta empresa tenga una vida til de
31900 millas.
b. Cul es la probabilidad de una llanta producida por esta empresa tenga una vida til desde
31000 y 33000 millas.
pg. - 16
-

c. Si las empresa fija una garanta de 30000 millas. Qu porcentaje de esta produccin
necesitar ser reemplazada?
CASO N 03:
El tiempo requerido para realizar una pregunta de examen es una variable aleatoria cuya
distribucin es aproximadamente normal con media 12.9 minutos y una desviacin estndar de
2.0 minutos. Cules son las probabilidades de que un alumno resuelva una pregunta del
examen en?
a. Al menos 11.5 minutos.
b. Entre 11.0 y 14.8 minutos. A lo ms 12 minutos. Entre 10 y 13 minutos.
CASO N 04:
Una COMPAA recibe importante cargamento de pernos. Estos se utilizaran en una aplicacin
que necesita de una torsin de 100J. Antes de que se acepte el cargamento, un ingeniero
especialista en control de calidad sacara una muestra de 12 pernos y medir la torsin para
romper a cada uno de ellos. El cargamento ser aceptado si el ingeniero concluye que menos de
1% de los pernos tiene torsin de ruptura menor a 100 J.
a) Si los doce valores son: 107, 109, 111, 113, 113, 114, 114, 115, 117, 119, 122, 124,
calcule la media y la desviacin estndar muestral.
b) Suponga que se saca una muestra de 12 valores de una poblacin normal, y suponga
que la media y la desviacin estndar muestrales calculadas en el inciso a) son
realmente la media y desviacin estndar de la poblacin. Calcule la proporcin de
pernos cuya torsin de ruptura es a lo ms 100 J. Sera aceptado el cargamento?
c) Qu pasara si los 12 valores hubieran sido 108, 110, 112, 114, 114, 115, 115, 116,
118, 120, 123, 140? Utilice el mtodo descrito en los incisos a) y b) para determinar si el
cargamento hubiera sido aceptado?
d) Compare los conjuntos de 12 valores en los incisos a) y c) En que muestra los pernos
son ms resistentes?
CASO N 05:
La Empresa AJE est produciendo su producto Agua Cielo litro y medio en envase de PET. El
contenido promedio de envasado por unidades es de 1500 mililitros con una desviacin
estndar de 50 mililitros. Segn resoluciones de Indecopi, si el producto elaborado no alcanza
los 1450 mililitros la empresa ser penalizada. Segn el Inspector de Calidad las botellas
tampoco deben de superarlos 1550 mililitros dado a que puede ocasionar prdida de lquido al
encapsular. Si se envasan 200000 botellas en forma diaria y se selecciona al azar a una unidad
cualquiera. Cul es la probabilidad de que:
a. La empresa sea penalizada?
b. Se pierda contenido?
c. No exista problemas con Indecopi ni al encapsular?
d. Determinar cuntas botellas se derramarn si cada envase tiene una
capacidadde1575mililitros?
e. Si control de calidad debe separar a todas las unidades envasadas con menos de1450oms
de 1550mililitros,probablemente,Cuntas botellas sern separadas?
ESTADISTICA Y PROBABILIDAD DE AUTOR JAY L DEVORE 7E
Desarrollar los ejercicios 28,29, 32, 33, 36, 37y 46 propuestos en la Seccion 4.3 pg 154
(septima Edicin de Jay L. Devore).
pg. - 17
-

2.2.3. LA DISTRIBUCION t DE STUDENT
Hallar las siguientes probabilidades
pg. - 18
-

2.2.4. LA DISTRIBUCION CHI CUADRADO
Sea X una variable que sigue una distribucin Chi cuadrado con 10 gl. Hallar a
siguientes probabilidades
pg. - 19
-

2.2.5. LA DISTRIBUCION F DE SNEDECOR

Es una distribucin de probabilidad de gran aplicacin en la inferencia estadstica ,
fundamentalmente en la contrastacin de la igualdad de varianzas de dos poblaciones
normales, y , fundamentalmente en el anlisis de la varianza , tcnica que permite detectar
la existencia o inexistencia de diferencias significativas entre muestras diferentes y que es,
por tanto esencial , en todos aquellos casos en los que se quiere investigar la relevancia de
un factor en el desarrollo y naturaleza de una caracterstica.
La distribucin se plantea partiendo de dos variables X e Y tales que :
es decir una chi2 con m grados de libertad
es decir una chi2 con n grados de libertad ;

de manera que si establecemos el cociente
, es decir el cociente entre ambas chi2
divididas a su vez, por sus correspondientes grados de libertad tendremos que la funcin F
corresponde a una distribucin F de Snedecor con m y n grados de libertad ; es decir una
Sea X una variable que sigue una distribucin F con 8 y 10 gl.

Hallar a siguientes probabilidades
pg. - 20
-

Módulo Distribuciones de Probabilidad

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Módulo Distribuciones de Probabilidad

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD NACIONAL DE CAJAMARCA

Norte de la Universidad Peruana

{ NNN, NND, NDN, DNN, NDD, DND, DDN, DDD }

Definimos la variable aleatoria (v.a.)

Las variables aleatorias las podemos clasificar en:

UNIVERSIDAD NACIONAL DE CAJAMARCA

VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

UNIVERSIDAD NACIONAL DE CAJAMARCA

UNIVERSIDAD NACIONAL DE CAJAMARCA

UNIVERSIDAD NACIONAL DE CAJAMARCA

2.1. DISTRIBUCIONES DE PROBABILIDAD DISCRETA

2.1.1. DISTRIBUCIN DE BERNOULLI

distribucin de Bernoulli (o distribucin

Si X es una variable aleatoria que mide "nmero de xitos", y se realiza un nico

Su funcin de probabilidad es:

UNIVERSIDAD NACIONAL DE CAJAMARCA

Un experimento al cual se aplica la distribucin de Bernoulli se conoce como Ensayo de Bernoulli o

2.1.2. LA DISTRIBUCIN BINOMIAL

Esta distribucin se origina en los Ensayos o Experimentos Bernoulli que consiste en

Esta distribucin tienen las siguientes caractersticas:

UNIVERSIDAD NACIONAL DE CAJAMARCA

) = Usar directamente la tabla

Ninguno sea defectuoso.

Exactamente 1 sea defectuoso.

Menos de 2 sean defectuosos.

UNIVERSIDAD NACIONAL DE CAJAMARCA

4. Sea A, el evento: Aprobar el examen, entonces:

UNIVERSIDAD NACIONAL DE CAJAMARCA

dispositivo electrnico de un fabricante. El

UNIVERSIDAD NACIONAL DE CAJAMARCA

2.1.3. LA DISTRIBUCIN POISSON

La Distribucin de Poisson es otra de las distribuciones de probabilidad discretas ms

Esta distribucin se origina en problemas que consiste en observar la ocurrencia de

Esta distribucin tienen las siguientes caractersticas:

Su recorrido o rango es:

: tasa promedio de ocurrencia en 1 unidad de medida.

PX 2 P(X 0) P(X 1) P(X 2)

0.497 0.149 0.224 0.423

UNIVERSIDAD NACIONAL DE CAJAMARCA

b) Hallar la probabilidad de que el inspector no encuentre bacteria alguna en 1 cm 3 de

c) Hallar la probabilidad de que el inspector encuentre a lo ms 2 bacterias en 1 cm 3

P(X = 0) + P(X = 1) + P(X = 2) = 0.0183 + 0.0733 + 0.1465 = 0.2381.

UNIVERSIDAD NACIONAL DE CAJAMARCA

En un paradero de mina, se determino que los trabajadores en horas no punta llegan

UNIVERSIDAD NACIONAL DE CAJAMARCA

2.2. DISTRIBUCIONES DE PROBABILIDAD CONTNUA

2.2.1. LA DISTRIBUCIN NORMAL:

La distribucin normal, llamada tambin Curva de Gauss (en recuerdo al cientfico

UNIVERSIDAD NACIONAL DE CAJAMARCA

7. Para calcular probabilidades en la distribucin normal se necesitaran infinitas tablas de

2.2.2. LA DISTRIBUCIN NORMAL ESTNDAR:

2. La modificacin de la escala ha permitido elaborar una tabla para el clculo de las

4. El promedio (valor esperado) y la varianza de Z son:

UNIVERSIDAD NACIONAL DE CAJAMARCA

Calcule la probabilidad de que un

Luego: P ( z 0.75) = 1 P ( z 0.75) = 1 0.773372648 = 0.22662735

UNIVERSIDAD NACIONAL DE CAJAMARCA

Cuntos aspirantes obtuvieron

P ( z 0.5 ) - P ( z -0.75 ) = 0.69146246 - 0.22662735 = 0.46483511

Multiplicando la probabilidad por el total de aspirantes

UNIVERSIDAD NACIONAL DE CAJAMARCA

UNIVERSIDAD NACIONAL DE CAJAMARCA

2.2.3. LA DISTRIBUCION t DE STUDENT

Hallar las siguientes probabilidades