Académique Documents
Professionnel Documents
Culture Documents
Estadstica
MUESTREO Y DISTRIBUCIONES
MUESTRALES
El objetivo de la inferencia estadstica es obtener informacin acerca de una poblacin, partiendo de la
informacin que contiene una muestra. Comenzaremos con la descripcin de dos casos en los que se lleva acabo
un muestreo para proporcionar informacin, sobre una poblacin, a un gerente o a quien tome decisiones.
1. Un fabricante de neumticos ha desarrollado un nuevo producto que, segn cree, tendr una mayor
duracin en relacin con las millas recorridas comparada con la lnea actual de neumticos. Para evaluar
el nuevo neumtico, los gerentes necesitan un estimado (o una estimacin de la medida de las millas que
dura el nuevo producto. Selecciona una muestra de 120 neumticos nuevos para probarlos. El resultado de
la prueba es una medida de la muestra de 36,500 millas. En consecuencia, se usan 36,500 millas como
estimado de la medida para la poblacin de neumticos nuevos.
2. Los miembros de un partido poltico desean respaldar a determinado candidato en la eleccin sanatorial.
Para decidir si el candidato participar en la eleccin primaria, los dirigentes necesitan un estimado de la
proporcin de votantes empadronados que respaldan al candidato. Por el tiempo y el costo necesarios para
recabar los datos de cada individuo de la poblacin de votantes registrados resultan prohibitivos. En
consecuencia, se selecciona una muestra de 400 votantes registrados. Si 160 de ellos indican preferencia
hacia el candidato, un estimado de la proporcin de la poblacin de votantes registrados que favorece al
candidato, un estimado de la proporcin de la poblacin de votantes registrados que favorece al candidato
es 160/400= .40.
Una medida de muestra suministra un estimado de una medida
poblacional, y una proporcin de muestra suministra un estimado de una
proporcin poblacional. Con estimados como los anteriores cabe esperar
cierto error de muestreo, o valor +. En este captulo, un argumento clave
es que pueden aplicar mtodos estadsticos para hacer afirmaciones
probabilsticas acerca del tamao del error de muestreo.
Los ejemplos anteriores muestran cmo se pueden emplear el muestro y los resultados de una muestra
para obtener estimados de las caractersticas de una poblacin. Observe que en el ejemplo de la duracin de millas,
el reunir datos sobre la vida implica gastar cada neumtico probado. Claramente no es posible probar todos los
neumticos de la poblacin, una muestra es el nico mtodo realista para obtener los datos buscados de duracin.
En el ejemplo de la eleccin primaria, tericamente es posible entrevistar a cada votante registrado en la poblacin,
pero el tiempo y costo de hacerlos son prohibitivos, as que se prefiere una muestra de los votantes registrados.
Los ejemplos ilustran algunas de las razones por las que se recurre a las muestras. Sin embargo, es
importante darse cuenta de que los resultados de la muestra slo dan estimados (o estimaciones) de los valores de
las caractersticas de la poblacin. Esto es, no esperamos que la media de la muestra 36,500 millas sea exactamente
igual que la media, en millas, de todos los neumticos de la poblacin; tampoco esperamos que sea exactamente el
40% de la poblacin registrada de votantes el que favorezca al candidato. La razn simplemente es que la muestra
contiene slo una parte de la poblacin. Con los mtodos adecuados de muestreo, los resultados muestrales darn
buenos estimados de las caractersticas de la poblacin. Pero qu tan buenos esperamos que sean estos
resultados? Por fortuna, disponemos de procedimientos estadsticos para contestar esta pregunta.
Estadstica
Una muestra aleatoria simple de tamao n, de una poblacin N, es una muestra seleccionada de tal manera
que cada muestra posible de tamao n tenga la misma posibilidad de ser seleccionada.
Un procedimiento para identificar una muestra aleatoria simple a partir de una poblacin finita es
seleccionar uno por uno los elementos que constituyen a la muestra, de tal modo que cada uno de los elementos
que an queden en la poblacin tenga la misma posibilidad de ser seleccionados. Al muestrear n elementos de esa
forma, se satisfar la definicin de una muestra aleatoria simple de una poblacin finita.
Para seleccionar una muestra aleatoria simple de la poblacin finita en el problema de EAI, supondremos
primero que se han numerado los 2500 gerentes, asignndoles un nmero progresivo, es decir, 1, 2, 3,.., 2499 y
2500, en el orden en que aparecen en el archivo del personal de la empresa. A continuacin, consultaremos la tabla
7.1 de nmeros aleatorios. En el primer rengln de la tabla cada dgito: 6, 3, 2,.., es aleatorio, porque tiene igual
probabilidad de presentarse. Como el nmero en la lista de la poblacin de gerentes EAI es 2500 y tiene 4 dgitos,
seleccionaremos nmeros aleatorios de la tabla en grupos o conjuntos de cuatro dgitos. Al usar el primer rengln
de la tabla7.1, los nmeros aleatorios de 4 dgitos son:
6327
1599
8671
7445
1102
1514
1807
En vista de que los nmeros de la tabla son aleatorios, esos grupos de cuatro dgitos son igualmente
probables. Ahora podemos usar los nmeros de la tabla que son aleatorios, esos grupos de cuatro dgitos son
igualmente probables.
Ahora podemos usar los nmeros de cuatro dgitos para dar, a cada elemento de la poblacin, la misma
oportunidad de ser seleccionado para la muestra. El primer nmero, 6327, es mayor que 2500, no corresponde a un
elemento de la poblacin y, en consecuencia, lo descartamos. El segundo nmero, 1599, est entre 1 y 2500. As, el
primer individuo seleccionado para la muestra es el gerente nmero 1599 en la lista de los gerentes de EAI. Al
continuar el proceso pasamos por alto 8671 y 7445 e identificamos a los individuos 1102, 1514 y 1807 como los
siguientes de la muestra. Este proceso de seleccin de gerentes contina hasta haber obtenido la muestra aleatoria
simple de tamao 30.
Al llevar a acabo el proceso de seleccin de la muestra aleatoria simple, es posible que aparezca de nuevo,
en la tabla, un nmero aleatorio que antes ya se ha usado antes de completar la seleccin de la muestra de 30
gerentes de EAI. Como se trata de seleccionar tan slo una vez a los gerentes, todos los nmeros aleatorios que ya
se han empleado no se vuelven a tomar en cuanta, porque los gerentes correspondientes ya son parte de la muestra.
La seleccin de una muestra en esta forma se llama muestrear sin remplazo. Si hubiramos seleccionado la muestra
en tal forma que los nmeros aleatorios usados antes se aceptaran, y algunos gerentes se pudieran incluir dos o ms
veces en la muestra, hubiramos muestreado con remplazo. El muestro con remplazo es una forma vlida de
identificar una muestra aleatorio. Sin embargo, lo que se usa con ms frecuencia es el muestreo con remplazo.
Cuando digamos muestreo aleatorio simple supondremos que ese muestreo es sin remplazo.
Tabla 7.1 Nmeros aleatorios
M.A.C. Ing. Josu Salvador Snchez Rodrguez
Estadstica
Se pueden seleccionar aleatorios en cualquier lugar de la tabla. Aunque comenzamos por el primer rengln
como ejemplo, podramos haber comenzado en cualquier otro punto de la tabla continuado en cualquier direccin.
Una vez elegido el punto de partida, se recomienda usar un procedimiento sistemtico predeterminado, por
ejemplo avanzar por columnas o por reglones, para seleccionar los nmeros siguientes.
Una muestra aleatoria simple de una poblacin es aquella que se selecciona en tal forma que se satisfacen
las siguientes condiciones.
1. Cada elemento seleccionado proviene de la misma poblacin.
2. Cada elemento se selecciona en forma independiente.
En el caso del problema de seleccionar una variable aleatoria simple de asistencias de clientes a un
restaurante de comida rpida, vemos que se satisface la primera condicin antes mencionada, para cualquier
asistencia de cliente durante el horario del almuerzo, estando trabajando el restaurante con su personal regular y
bajo condiciones normales de funcionamiento. La segunda condicin se satisface asegurando que la seleccin de
determinado cliente no influye sobre la seleccin de cualquier otro. Esto es, los clientes son seleccionados en
forma independiente.
Un restaurante muy conocido de comita rpida implemento un procedimiento de muestreo aleatorio
simple para este caso. El procedimiento de muestreo se basa en el hecho de que algunos clientes presentan cupones
de descuento en precios de emparedados, bebidas, papas fritas, etc. Siempre que un cliente presenta un cupn de
descuento, se selecciona para la muestra al siguiente cliente que llega. Como los clientes que presentan cupones
de descuento lo hacen al azar e independientemente, la empresa considera que el plan de muestro satisface las dos
condiciones del muestro aleatorio simple de poblaciones infinitas.
Estadstica
MUESTRO SISTEMTICO
En algunos casos, en especial cuando hay grandes poblaciones, es tardada la eleccin de una muestra
aleatoria simple cuando se determina primero un nmero aleatorio y despus se cuenta o se busca en la lista de
elementos de la poblacin hasta encontrar el elemento correspondiente. Una alternativa al muestreo aleatorio
simple es el muestreo sistemtico. Por ejemplo, si se desea una muestra de tamao 50 de una poblacin con 5000
elementos, podramos muestrear un elemento de cada 5000/50 = 100 en la poblacin. Una muestra sistemtica en
este caso implica seleccionar al azar uno de los primeros 100 elementos de la lista de la poblacin. Se identifican
los dems elementos de la muestra comenzando por el primero obtenido al azar y a continuacin seleccionando
cada 100o. elemento. En efecto, se identifica la muestra de 50 recorriendo la poblacin en forma sistemtica, e
identificado cado 100o. elemento despus del primero que se seleccion al azar. Por lo general ser ms fcil
identificar la muestra de 50 de este modo que si se usara el muestreo aleatorio simple. Est hiptesis de aplica en
especial cuando la lista de los elementos de la poblacin es una ordenacin aleatoria de ellos.
Estadstica
Estadstica
PROBABILIDAD
En nuestra vida nos enfrentamos a situaciones de toma de decisiones cuando interviene la incertidumbre.
Quiz alguna vez hemos analizado algunas de las siguientes situaciones:
1.-
Cul es la posibilidad de que las ventas disminuyan si aumenta el precio del producto?
2.-
3.-
4.-
Los mtodos de mayor eficacia para manejar tales incertidumbres se basan en el concepto de la
probabilidad. En lenguaje cotidiano la probabilidad indica una medida numrica de la certidumbre de que suceder
determinado evento. Por ejemplo, si consideramos el evento llover maana entendemos que, cuando el
pronstico climtico en la TV indica una probabilidad de lluvia cercana a cero casi no hay posibilidad de lluvia.
Sin embargo, si el pronstico es 90% de probabilidad, sabemos que hay una gran posibilidad, cercana a la certeza,
de que llueva. Una probabilidad del 50% indica que es tan probable que llueva como que no llueva.
Los valores de probabilidad siempre se asignan en una escala de 0 a 1. Una probabilidad cercana a 0 indica
que es difcil que el evento ocurra; una cercana a 1 indica que es casi seguro que suceder. Otras probabilidades
entre 0 y 1 representan grados de certeza de que el evento ocurra.
LA PROBABILIDAD COMO MEDIDA NUMRICA DE LA POSIBILIDAD DE OCURRENCIA
.5
1.0
Probabilidad:
Estadstica
El primer paso para analizar un determinado experimento consiste en definir con cuidado los resultados
experimentales. Cuando hayamos definido todos los resultados posibles, habremos identificado el espacio
muestral, o espacio de una muestra del experimento. Esto es, se define al espacio muestral como el conjunto de
todos los resultados experimentales posible. Cualquier resultado experimental particular se llama punto muestral, y
es un elemento del espacio muestral.
Veamos el experimento de lanzar una moneda. El resultado experimental se define por la cara superior de
la moneda -un sol o una cruz-. Si S representa al espacio muestral podremos usar la siguiente notacin para
describirlo a l y a sus puntos muestrales para el experimento.
S = {sol, guila}
Con esta notacin, el experimento de seleccionar una parte e inspeccionarla tendra el siguiente espacio
muestral y los siguientes puntos maestrales:
S={defectuosa, no defectuosa }
REGLAS DE CONTEO
La capacidad de identificar y contar los puntos muestrales de un experimento es un paso importante para
comprender lo que puede suceder en l. Veamos un experimento que consiste en lanzar dos monedas, donde los
resultados experimentales se definen en funcin del comportamiento de soles o guilas que dan hacia arriba en las
dos monedas. Cuntos resultados experimentales (o puntos muestrales) son posibles en este experimento?
Podemos considerar que el experimento de lanzar dos monedas se lleva a cabo en dos etapas: la etapa 1
corresponde a lanzar la primera moneda, y la etapa 2 a lanzar la segunda. El diagrama de rbol es un dispositivo
grfico til para visualizar un experimento de varias etapas y enumerar los resultados experimentales.
Estadstica
Etapa 2
Segunda moneda
Punto muestra
Sol
(S, S)
Sol
(S, A)
guila
Sol
(A, S)
guila
(A, A)
guila
Sin el diagrama de rbol se podra creer
fcilmente que solo hay tres resultados
experimentales de dos lanzamientos de
moneda: 0 soles, 1 sol y 2 soles-
La figura anterior, es un diagrama de rbol para el experimento de lanzar las monedas, con ramas de sol o
guila para la primera moneda (etapa 1) seguidas de ramas que corresponden a sol o guila en la segunda moneda
(etapa 2). Se usa la notacin (S,S) para representar el resultado que corresponde a un sol en la primera moneda y
un sol en la segunda. Igualmente, (S,A) indica el resultado de un sol en la primera moneda y un guila en la
segunda. As, cada uno de los puntos del lado derecho del rbol corresponde a un punto muestral un resultado
experimental-.
Vemos que hay cuatro resultados experimentales del hecho de lanzar dos monedas, y el espacio muestral
del mismo se puede representar mediante:
S= {(S,S), (S,A), (A,S), (A,A)}
Una regla til para determinar la cantidad de puntos muestrales para un experimento de varias etapas es la
siguiente.
Estadstica
Para describirlos usaremos una notacin de dos nmeros; por ejemplo (2, 6) indicar que la etapa de
diseo se termina en 2 meses y la de la construccin en 6 meses. Este resultado experimental da un total de 2+6=8
meses para terminar todo el proyecto. La siguiente tabla resume los nueve resultados experimentales del proyecto:
Etapa 2
(construccin)
6
7
8
6
7
8
6
7
8
Notacin del
resultado
experimental
(punto muestral)
Tiempo total de
terminacin del
proyecto (meses)
(2, 6)
(2, 7)
(2, 8)
(3, 6)
(3, 7)
(3, 8)
(4, 6)
(4, 7)
(4, 8)
8
9
10
9
10
11
10
11
12
El diagrama de rbol siguiente muestra como se generan los nueve resultados (puntos muestrales):
DIAGRAMA DE RBOL PARA EL PROYECTO
Etapa 1
(Diseo)
Etapa 2
(Construccin)
Resultados
Experimentales
Tiempo total de
terminacin
del proyecto
6 meses
(2, 6)
8 meses
7 meses
(2, 7)
9 meses
8 meses
(2, 8)
10 meses
6 meses
(3, 6)
9 meses
7 meses
(3, 7)
10 meses
8 meses
(3, 8)
11 meses
6 meses
(4, 6)
10 meses
7 meses
(4, 7)
11 meses
8 meses
(4, 8)
12 meses
2 meses
3 meses
4 meses
Estadstica
Hemos aplicado la regla de conteo y el diagrama de rbol para ayudar al gerente del proyecto a identificar
los resultados experimentales y determinar los tiempos de terminacin posibles del proyecto. Vemos que el tiempo
para terminarlo ser de 8 a 12 meses, y que seis de los resultados cumplen con el tiempo deseado, que es de 10
meses o menos. Si bien fue til haber identificado los resultados experimentales, necesitaremos considerar como se
le pueden asignar valores de probabilidad para poder hacer una evaluacin final de la probabilidad de terminar el
proyecto dentro de los 10 meses deseados. Las asignaciones de probabilidades a los resultados experimentales se
analizaran ms delante....
Otra regla de conteo que con frecuencia es de utilidad nos permite contar la cantidad de resultados
experimentales cuando se han de seleccionar n objetos entre un conjunto de N objetos. Se llama regla de conteo
para combinaciones.
Reglas de Conteo para Combinaciones.
N!
(1)
=
n
n! (N n )!
En donde:
N!= N(N 1)(N 2) ... (2)(1)
n! = n(n 1)(n 2) ... (2)(1)
y
0! = 1
La notacin ! significa factorial; por ejemplo, 5 factorial es 5!=(5)(4)(3)(2)(1) = 120.
Por definicin, 0! es igual a 1.
Un ejemplo de la regla de conteo para combinaciones es un procedimiento de control de calidad en el que
el inspector selecciona al azar dos de cinco partes, para examinarlas y ver si tiene defectos. En un grupo de cinco
partes, cuntas combinaciones de dos partes se pueden seleccionar? La regla de conteo de la ecuacin 1 indica
que para N=5 y n=2 el resultado es:
5
2
5!
= (5)(4)(3)(2)(1) = 120 = 10
2! (5 2)!
(2)(1)(3)(2)(1) 12
10
Estadstica
La regla de conteo para combinaciones nos dice que hay ms de 10 millones de resultados experimentales
para determinar al ganador de la lotera. Si una persona compra un boleto de lotera y elige seis de los 47 nmeros,
tiene una posibilidades de ganar entre 10,737,573.
Las reglas de conteo como la de experimentos de etapas mltiples y la de las combinaciones ayudan a
determinar la cantidad de resultados en un experimento estadstico.
NOTA.- En estadstica, la nocin de experimento es algo distinta de la nocin en
ciencias fsicas. En las ciencias fsicas, por lo general, un experimento se lleva a cabo en un
laboratorio o en un ambiente controlado, para aprender acerca de un hecho cientfico. Cuando se
repiten los experimentos en fsica bajo condiciones idnticas, se espera obtener el mismo resultado.
En los experimentos estadsticos, los resultados estn determinados por el azar. Aun cuando el
experimento se repita exactamente en la misma forma, puede obtenerse un resultado
completamente distinto. Debido a esta diferencia de resultados, se dice que los experimentos en
estadsticas son experimentos aleatorios.
EJERCICIOS
1) De cuntas maneras se pueden seleccionar tres artculos de un grupo de seis? Use las letras A, B, C, D, E y F
para identificar los artculos, y haga una lista de cada una de las distintas combinaciones de tres artculos.
2) Un experimento consiste en hacer tres llamadas de venta. En cada una habr compra o no compra.
a) Trace un diagrama de rbol de este experimento en tres etapas.
b) Identifique cada punto muestral y el espacio muestral. Cuntos puntos muestrales hay?
c) Cuntos puntos muestrales habra si el experimento consistiera en cuatro llamadas de venta?
3) A un gran hotel en Florida le interesan las condiciones climticas en el noroeste y en el propio estado de
Florida. Al caracterizar la temperatura en ambas zonas se usaron las tres categoras siguientes: debajo del
promedio, en el promedio o sobre el promedio. Una combinacin de temperaturas debajo del promedio en el
noroeste con temperaturas sobre el promedio en Florida indica un mayor volumen de negocios en el hotel. El
experimento consiste en observar las condiciones climticas en determinado da.
a) Cuntos resultados experimentales son posibles?
b) Trace un diagrama de rbol para el experimento.
4) Un inversionista tiene dos acciones: de A y de B. Cada una puede aumentar o disminuir de valor, o
permanecer inalterada. El experimento consiste en invertir en las dos acciones y observar el cambio (si es que
lo hay) en su valor.
a) Cuntos resultados experimentales son posibles?
b) Trace un diagrama de rbol para el experimento.
c) Cuntos de los resultados experimentales originan un aumento en el valor de al menos una de las
acciones?
d) Cuntos de los resultados experimentales originan un aumento en el valor de las dos acciones?
5) Cuntas manos de cinco cartas de pquer son posibles con una baraja de 52 cartas?
11
Estadstica
para toda i
(A.1)
2. La suma de todas las probabilidades de resultados experimentales debe ser 1. Si un espacio muestral tiene k
resultados experimentales, se debe cumplir.
P(E1) + P(E2) +... + P(Ek) = P(Ei) = 1
(A.2)
Se puede aceptar cualquier mtodo de asignar valores de probabilidad a los resultados experimentales,
siempre que cumpla con estos dos requisitos y produzca medidas numricas razonables de la posibilidad de los
resultados. En la prctica se usa uno de los tres mtodos siguientes.
1.
2.
3.
Mtodo clsico
Mtodo de frecuencia relativa
Mtodo subjetivo
MTODO CLSICO
Para ilustrar el mtodo clsico de asignacin de probabilidades veamos nuevamente el experimento de
lanzar una moneda. En cualquier lanzamiento observaremos uno de dos resultados experimentales: sol o guila.
Parecera razonable suponer que los dos resultados son igualmente probables. En consecuencia, como uno de los
resultados igualmente probables es sol, lgicamente debemos llegar a la conclusin de que la probabilidad de
observar un sol es o 0.50. De igual manera, la probabilidad de observar un guila es 0.50. Cuando se usa la
hiptesis de resultados igualmente probables como base para asignar probabilidades, al mtodo se le llama mtodo
clsico. Si un experimento tiene n resultados posibles, con el mtodo clsico se asignara una probabilidad de 1/n a
cada resultado experimental.
Otro ejemplo del mtodo clsico es el experimento de tirar un dado, el espacio muestral y los puntos
muestrales para este experimento son:
S = { 1, 2, 3, 4, 5, 6}
Parece razonable llegar a la conclusin de que los seis resultados experimentales son igualmente posibles,
y en consecuencia a cada uno de ellos se le asigna la probabilidad 1/6. As, si P(1) representa la probabilidad de
que aparezca un punto en la cara superior del dado, entonces P(1) =1/6. En igual forma P(2) = 1/6, P(3) = 1/6, P(4)
= 1/6, P(5) = 1/6 y P(6) = 1/6. Observe que esta asignacin de probabilidades cumple con los dos requisitos
bsicos que mencionamos. De hecho, cuando se usa el mtodo clsico siempre se satisfacen los requisitos de las
ecuaciones (A.1) y (A.2) porque a cada uno de los n puntos muestrales se le asigna una probabilidad de 1/n.
12
Estadstica
El mtodo clsico fue desarrollado en un principio para analizar problemas de juego, donde con frecuencia
parece razonable la hiptesis de resultados igualmente posibles. Sin embargo, en muchos problemas comerciales
esta hiptesis no es valida. Por consiguiente se requieren mtodos alternativos para asignar probabilidades.
MTODO SUBJETIVO
Los mtodos clsico y de frecuencia relativa no se pueden aplicar a todos los casos en donde se desean
evaluar probabilidades. Por ejemplo, hay casos en que los resultados experimentales no son igualmente posibles, y
en los que no se cuenta con datos de frecuencia relativa. Por ejemplo, considrese un juego de ftbol en el que
participan los Acereros de Pittsburgh. Qu probabilidad tienen de ganar? Los resultados experimentales de ganar,
perder o empatar no necesariamente tienen la misma posibilidad. Tambin, como los equipos que participan no han
jugado varias veces antes en este ao, no hay datos de frecuencia relativa de los cuales se pueda hechar mano para
el juego venidero. As si deseamos un estimado de la probabilidad que tiene de ganar los Acereros, debemos
recurrir a una opinin subjetiva sobre su valor (el de la probabilidad).
Con el mtodo subjetivo de asignar probabilidades a los resultados experimentales podemos usar cualquier
dato disponible, y tambin nuestra experiencia e intuicin. Sin embargo, despus de considerar toda la informacin
disponible, se debe especificar un valor de probabilidad que exprese el grado de creencia de que se presente el
resultado experimental. A este mtodo de asignar probabilidades de le llama mtodo subjetivo. Como la
probabilidad subjetiva expresa el grado de creencia de una persona, entonces tiene un carcter personal. Cabe
entonces esperar que dos personas distintas asignen diferentes probabilidades al mismo evento. No obstante, se
debe tener cuidado al aplicar el mtodo subjetivo, para asegurar que se cumpla con los requisitos (A.1) y (A.2).
Esto es, independientemente del grado de creencia de una persona, el valor de probabilidad, asignado a cada
resultado experimental, debe estar entre 0 y 1, y la suma de todas las probabilidades de esos resultados debe ser
igual a 1.
Aun en casos en que se pueda aplicar el mtodo clsico o el de frecuencia relativa, la administracin
puede desear conocer estimados de probabilidades subjetivas. En tales casos, los mejores estimados se consiguen,
con frecuencia, combinando los del mtodo clsico o de la frecuencia relativa, con estimados subjetivos de
probabilidad.
13
Estadstica
Etapa 2
2
2
2
3
3
3
4
4
4
6
7
8
6
7
8
6
7
8
Punto Muestral
(2, 6)
(2, 7)
(2, 8)
(3, 6)
(3, 7)
(3, 8)
(4, 6)
(4, 7)
(4, 8)
Despus de revisar los resultados del estudio, la gerencia decidi emplear el mtodo de la frecuencia
relativa para asignar las probabilidades. Podran haber optado por estimados subjetivos de probabilidades, pero les
pareci que el proyecto actual era muy similar a los 40 anteriores. Por ello fue que se juzgo que el mejor mtodo
era el de la frecuencia relativa.
Al emplear los datos de la tabla anterior para calcular probabilidades, observemos que el resultado (2,6)
-etapa 1 terminada en 2 meses y etapa 2 en 6-, se presentaba seis veces en los 40 proyectos. Con el mtodo de la
frecuencia relativa se puede asignar una probabilidad de 6/40= 0.15 a este resultado. Similarmente, el resultado
(2,7) tambin se present en 6 de los 40 proyectos, dando como resultado una probabilidad de 6/40= 0.15.
Continuando de esta forma obtenemos las asignaciones de probabilidad para los puntos muestrales del proyecto
KPyL que vemos en la siguiente tabla:
(2, 6)
(2, 7)
(2, 8)
(3, 6)
(3, 7)
(3, 8)
(4, 6)
(4, 7)
(4, 8)
8 meses
9 meses
10 meses
9 meses
10 meses
11 meses
10 meses
11 meses
12 meses
14
Estadstica
Observe que P (2,6) representa la probabilidad del punto muestral (2,6), P (2,7) la del punto muestral (2,7)
y as sucesivamente.
EJERCICIOS
1) Un experimento con tres resultados se ha repetido 50 veces, y se vio que E 1 sucedi 20 veces, E2 13 y E3 17.
Asigne las probabilidades a los resultados. Qu mtodo us?
2) Un experimento consiste en seleccionar una carta de un mazo de 52.
a) Cuntos puntos muestrales son posibles?
b) Qu mtodo (clsico, de frecuencia relativa o subjetivo) recomendara usted para asignar probabilidades
a los puntos muestrales?
c) Cul es la asignacin de probabilidad para cada carta?
d) Demuestre que sus asignaciones de probabilidad satisfacen los dos requisitos bsicos.
3) Un pequeo almacn de electrodomsticos ha reunido datos sobre las ventas de refrigeradores en las ltimas
50 semanas. Los datos aparecen en la tabla siguiente. Suponga que nos interesa el experimento de observar la
cantidad de refrigeradores vendidos en una semana de actividades del almacn.
Nmero de refrigeradores
vendidos
Cantidad de semanas
0
1
2
3
4
5
6
12
15
10
5
2
50
Total
a) Cuntos resultados experimentales hay?
b) Qu mtodo recomendara usted para asignar probabilidades a los resultados experimentales?
c) Asigne las probabilidades y asegrese de que su asignacin satisfaga los dos requisitos bsicos.
4) Hay muchas escuelas en la actualidad que permiten a sus alumnos el acceso a Internet. En 1996 se inscribieron
21,733 escuelas elementales, 7286 secundarias y 10,682 preparatorias en Internet (Statistical Abstract of The
United States, 1997). Hay un total de 51,745 escuelas elementales, 14,012 secundarias y 17,229 preparatorias.
a) Si el lector visitara una escuela elemental al azar, qu probabilidad tiene de encontrar acceso a Internet?
b) Si usted escoge al azar visitar una escuela elemental, cul es la probabilidad de que sta tenga acceso a
Internet?
c) Cul sera la probabilidad si visitara una escuela secundaria al azar?
d) Y si visitara una preparatoria al azar?
15
Estadstica
PROBABILIDAD DE UN EVENTO
La probabilidad de un evento es igual a la suma de las probabilidades de los puntos muestrales en el
evento.
Con esta definicin calcularemos la probabilidad de determinado evento, sumando las probabilidades de
los resultados experimentales que lo forman. Ya podemos calcular la probabilidad de que el proyecto dure 10
meses o menos en terminarse. Como este evento est definido por C = {(2,6), (2,7), (2,8), (3,6), (3,7), (4,6)}, la
probabilidad P del evento C es:
P(C) = P(2,6) + P(2,7) + P(2,8) + P(3.6) + P(3,7) + P(4,6)
Al consultar en la tabla 1 las probabilidades de los puntos muestrales, llegamos a
P(C) = 0.15+0.15+0.05+0.10+0.20+0.05 =0.70
Igualmente, como el evento de que el proyecto se termine en menos de 10 meses se expresa como
= {(2,6), (2,7), (3,6)}, la probabilidad de este evento es:
16
Estadstica
EJERCICIOS
1) Un experimento tiene tres resultados, con P(E1) = 0.35, P(E2) = 0.40, P(E3) = 0.25.
a) Cul es la probabilidad de que ocurra E1 o E2?
b) Cul es la probabilidad de que ocurra E1 o E3?
c) Cul es la probabilidad de que ocurra E1, E2 o E3?
2) Suponga que un gerente de un gran complejo de apartamentos elabora los estimados subjetivos de
probabilidad que vemos en la tabla de abajo, sobre la cantidad de apartamentos que estarn vacos el prximo
mes.
de
Vacantes
0
1
2
Probabilidad
0.05
0.15
0.35
Vacantes
3
4
5
Probabilidad
0.25
0.10
0.10
Haga
una lista
los
puntos
muestrales que forman cada uno de los siguientes eventos y determine su probabilidad.
a) No hay apartamentos vacos
b) Cuando menos hay cuatro apartamentos vacos
c) Hay dos o menos apartamentos vacos
3) El gerente de una mueblera vende de 0 a 4 cofres de porcelana cada semana. Con base en la experiencia, se
asignan las siguientes probabilidades de vender 0, 1, 2, 3 o 4 cofres: P(0) = 0.08; P(1) = 0.18; P(2) = 0.32;
P(3) = 0.30; y P(4) = 0.12.
a)
Son vlidas estas asignaciones de probabilidad? Por qu s o por qu no?
b)
Sea A el evento en el cual se venden 2 o menos en una semana. Determine P(A).
c)
Sea B el evento en el cual se venden 4 o ms en una semana. Determine P(B).
4) El estudio de suscriptores de Wall Street Journal de 1995 revel caractersticas como responsabilidades en los
negocios, actividades de inversin, caractersticas del estilo de vida e ingresos personales. Los datos siguientes
muestran el valor total de las acciones posedas por las 2,536 personas que respondieron.
Cantidad (dlares)
Menor que $15,000
$ 15,000 49,999
$ 50,000 99,999
$100,000 299,999
$300,000 o ms
Suscriptores
347
411
335
619
824
Suponga que se selecciona un suscriptor al azar. Cules son las probabilidades de los siguientes eventos?
a) Sea A el evento en que el valor total de las acciones posedas es al menos de $50,000 dlares, pero
menor de $100,000 dlares. Determine P(A).
b) Sea B el evento en que el valor total de las acciones posedas es menor de $50,000 dlares. Determine
P(B).
M.A.C. Ing. Josu Salvador Snchez Rodrguez
17
c)
Estadstica
Sea C el evento en que el valor total de las acciones posedas es $100,000 dlares o ms. Determine
P(C).
P(A) + P(Ac) = 1
Al despejar P(A) obtenemos el siguiente resultado:
Clculo de probabilidad mediante el complemento
P(A) = 1 P(Ac)
Figura 1
(3)
Espacio
muestral
S
Evento A
Ac
La ecuacin (3) indica que la probabilidad de un evento A se puede calcular con facilidad si se conoce la
probabilidad de su complemento, P(Ac).
Por ejemplo, veamos el caso de un gerente de ventas que, despus de revisar los informes de ventas, dice
que el 80% de los contactos con nuevos clientes no resultan en venta alguna. Si se define a A como el evento de
una venta y Ac el de no venta, lo que el gerente dice es que P(Ac) = 0.80. Al aplicar (3) tenemos:
P(A) = 1 P(Ac) = 1 - 0.80 = 0.20
M.A.C. Ing. Josu Salvador Snchez Rodrguez
18
Estadstica
Podemos concluir que la probabilidad de que se haga una venta al entrar en contacto con un nuevo cliente
es 0.20.
En otro ejemplo, un agente de compras dice que hay una probabilidad de 0.90 de que un proveedor mande
un embarque sin partes defectuosas. Recurriendo al complemento, podemos decir que hay una probabilidad de 1 0.90 = 0.10 de que el embarque contenga partes defectuosas.
Ley aditiva
La ley aditiva es til cuando se tienen dos eventos, y se desea conocer la probabilidad de que ocurra al
menos uno de ellos. Esto es, con los eventos A y B nos interesa conocer la probabilidad de que suceda el evento A,
o el evento B, o ambos.
Antes de presentar la ley aditiva, necesitamos analizar dos conceptos relacionados con la combinacin de
eventos: la unin de eventos y la interseccin de stos. Dados dos eventos, A y B, la unin de A y B se define como
sigue.
Figura 2
Espacio
Muestral
S
Evento A
Evento B
19
Estadstica
El diagrama de Venn que muestra la interseccin de los dos eventos es el de la figura 3. El rea donde se
traslapan los dos crculos es la interseccin; contiene los puntos muestrales que estn en A y tambin en B.
Figura 3
Evento A
Evento B
Nota: El rea de
traslape representa
a A B.
Continuemos ahora con la descripcin de la ley aditiva. Esta ley proporciona una forma de calcular la
probabilidad de que ocurra el evento A o el B, o de ambos. En otras palabras, la ley se enuncia como sigue.
Ley aditiva
P(A U B) = P(A) + P(B) P(AB)
(4)
Para captar intuitivamente la ley aditiva observe que los primeros trminos en ella, P(A) + P(B), se asocian
con todos los puntos muestrales en A U B. Sin embargo, como los puntos muestrales en la interseccin AB estn
en A y en B al mismo tiempo, al calcular P(A) + P(B) de hecho contamos dos veces a cada uno de los puntos en
AB. Al restar P(AB) corregimos el doble conteo.
Como ejemplo de aplicacin de la ley aditiva, consideremos el caso de una pequea ensambladora con 50
empleados. Se espera que cada trabajador termine a tiempo sus labores de trabajo adems de que el producto
armado pase una inspeccin final. A veces, algunos de los trabajadores no pueden cumplir con los estndares de
desempeo porque terminan su trabajo tarde y/o arman productos defectuosos. Al terminar un periodo de
evaluacin de desempeo, el gerente de produccin vio que 5 de los 50 trabajadores haban terminado tarde su
trabajo, que 6 de los 50 trabajadores haban armado productos defectuosos, y que 2 haban terminado el trabajo
tarde y tambin haban armado productos defectuosos.
Sean
20
Estadstica
50
P(LD) = _2_= 0.04
50
Despus de revisar los datos, el gerente de produccin opt por asignar una mala calificacin de
desempeo al empleado cuyo trabajo se presentara tarde o fuera defectuoso; en consecuencia, el evento de inters
es L U D. Qu probabilidad hay de que asigne una mala calificacin a un empleado?
Observe que desde el punto de vista probabilstico, la cuestin se relaciona con la unin de dos eventos. En
forma especfica, queremos conocer P(L U D). Aplicamos (4) y obtenemos
P(L U D) = P(L) + P(D) P(LD)
Conocemos los valores de las tres probabilidades del lado derecho de esta ecuacin, y podemos escribir
P(L U D) = 0.10 + 0.12 - 0.04 = 0.18
Esto nos dice que hay probabilidad de 0.18 de que un empleado reciba una mala calificacin de
desempeo.
En otro ejemplo de la ley aditiva veamos un estudio reciente que llev a cabo el gerente de personal de una
gran empresa de programas de cmputo. Encontr que el 30% de los empleados que salieron de la compaa de los
dos ltimos aos lo hicieron principalmente por no estar satisfechos con su salario; el 20% sali por no estar
satisfechos con las actividades en su trabajo y el 12% de todos los anteriores manifestaron no estar satisfechos ni
con su salario ni con sus trabajos. Cul es la probabilidad de que un empleado que haya salido en los dos ltimos
aos lo haya hecho por no estar satisfecho con su sueldo, su trabajo o con ambas cosas?
Sean
S = el evento de que el empleado sale debido al salario.
W = el evento de que el empleado sale por sus actividades en el trabajo.
Entonces P(S) = 0.30, P(W) = 0.20, y P(SW) = 0.12. Aplicando (4), la ley aditiva, vemos que
P(S U W) = P(S) + P(W) P(SW) = 0.30 + 0.20 - 0.12 = 0.38
Resulta que hay 0.38 de probabilidad de que un empleado salga por motivos de sueldo o de actividades en
el trabajo.
Antes de terminar nuestra descripcin de la ley aditiva veamos un caso especial que surge con los eventos
mutuamente excluyentes.
Figura 4
21
Estadstica
Evento A
Evento B
Esto es, los eventos A y B son mutuamente excluyentes si, cuando ocurre uno, el otro no puede ocurrir.
As, un requisito para que A y B sean mutuamente excluyentes, es que su interseccin no debe contener puntos
muestrales. El diagrama de Venn donde se muestran dos elementos, A y B, mutuamente excluyentes, se presenta en
la figura 4. En este caso, P(AB)=0 y la ley aditiva se puede expresar como sigue.
EJERCICIOS
1)
Suponga que un espacio muestral tiene cinco resultados experimentales igualmente posibles: E 1, E2, E3, E4, E5.
Sean
A = { E1, E2}
B = { E3, E4}
C = { E2, E3, E5}
a)
Determine P(A), P(B) y P(C).
b)
Determine P(A U B). Son A y B mutuamente excluyentes?
c)
Determine Ac, Cc, P(Ac), y P(Cc).
d)
Determine A U Bc, y P(A U Bc).
e)
Determine P(B U C).
2)
Segn una encuesta de Business Week/Harris, el 14% de los adultos crea muy posible un colapso burstil
durante 1988, y el 43% lo crea poco probable (Business Week, 29 de diciembre de 1997). Si se preguntara a
un adulto al azar, cul es la probabilidad de que responda que no es probable un colapso burstil durante
1988?
3)
Una encuesta de la publicacin News/UCLA realizada con 867 directivos de empresas de entretenimiento en
Hollywood estudi cmo se considera a s misma la industria de entretenimiento en trminos de la cantidad de
violencia en la televisin y de la calidad en general de la programacin de TV (U. S. News & World Report, 9
de mayo de 1994). Los resultados indicaron que 624 directivos pensaron que haba aumentado la cantidad de
programas violentos en los ltimos 10 aos, 390 opinaron que la calidad de la programacin haba disminuido
durante los mismos 10 aos, y 234 ejecutivos respondieron que haba aumentado la cantidad de programas
violentos y tambin que la calidad de la programacin haba disminuido.
a)
Si V es el evento en que la cantidad de programas violentos ha aumentado y Q el evento en que la
calidad de la programacin ha disminuido, calcule las siguientes probabilidades: P(V), P(Q), y P(VQ).
b)
Use las probabilidades del inciso a para determinar la probabilidad que un ejecutivo haya hecho al
menos uno de los dos comentarios siguientes: La cantidad de programas violentos ha aumentado, o la
calidad de la programacin ha disminuido.
c)
Cul es la probabilidad de que un ejecutivo no est de acuerdo con cualquiera de los dos comentarios?
4)
La encuesta entre suscritores de Forbes indic que el 45.8% haban rentado un automvil durante los ltimos
12 meses por motivos de negocios, 54% por motivos personales y 30% por motivos de negocios y personales
a la vez (Forbes, Estudio de suscriptores 1993).
a)
Cul es la probabilidad de que un suscriptor rente un automvil durante los ltimos 12 meses por
motivos de negocios o personales?
b)
Cul es la probabilidad de que un suscriptor no rente un automvil durante los ltimos 12 meses por
motivos de negocios o personales?
5) Durante el invierno en Cincinnati, el Sr. Krebs tiene dificultades para arrancar sus dos automviles. La
probabilidad de que el primero arranque es de 0.80 y la del segundo es 0.40. Hay una probabilidad de 0.30 de
que arranquen.
a)
Defina los eventos que intervienen y emplee notacin de probabilidades para mostrar la informacin
anterior.
M.A.C. Ing. Josu Salvador Snchez Rodrguez
22
b)
c)
Estadstica
PROBABILIDAD CONDICIONAL
Con frecuencia, la probabilidad de un evento se ve influida por la ocurrencia (o no presentacin) de otro
evento relacionado. Supongamos que tenemos un evento A con probabilidad P(A). Si obtenemos nueva
informacin y vemos que ha ocurrido un evento relacionado, representado por B, quisiramos aprovechar esta
informacin para calcular una nueva probabilidad del evento A. Esa nueva probabilidad se representa como
P(A
B). La notacin indica el hecho de que se considera la probabilidad del evento A dada la condicin de que ha
ocurrido el evento B. En consecuencia, la notacin P(A B) se lee la probabilidad de A dado B.
Como ejemplo de la aplicacin de la probabilidad condicional, veamos el caso de la promocin de
oficiales, hombres y mujeres, de una gran polica metropolitana. La fuerza policial esta formada de 1,200 oficiales,
960 hombres y 240 mujeres. En los ltimos dos aos fueron ascendidos 324 oficiales. En la tabla 2 se muestra el
detalle especfico de las promociones de oficiales hombres y mujeres.
Tabla 2
Ascendidos
No ascendidos
Totales
Hombres
Mujeres
Totales
288
672
960
36
204
240
324
876
1200
Despus de revisar el registro de promociones, un comit de oficiales mujeres interpuso una demanda por
discriminacin, con base en que 288 oficiales hombres haban recibido el ascenso, mientras que solo 36 oficiales
mujeres haban sido promovidas. La administracin dijo que la cantidad relativamente baja de ascensos de oficiales
mujeres no se deba a la discriminacin, sino a la cantidad relativamente reducida de oficiales mujeres en la fuerza
policial. Veamos como se puede usar la probabilidad condicional para analizar la demanda por discriminacin.
Sean
Dividiendo los valores de los datos de la tabla 2 entre el total de 1200 oficiales podemos resumir la
informacin disponible en los siguientes valores de probabilidad.
P(MA) = 288/1200= 0.24 = probabilidad de que un oficial seleccionado al azar sea hombre y tambin
que sea ascendido.
P(MAc) = 672/1200= 0.56 = probabilidad de que un oficial seleccionado al azar sea hombre y tambin
que no sea ascendido.
P(WA) = 36/1200= 0.03 = probabilidad de que un oficial seleccionado al azar sea mujer y tambin que
sea ascendido.
M.A.C. Ing. Josu Salvador Snchez Rodrguez
23
Estadstica
P(WAc) = 204/1200= 0.17 = probabilidad de que un oficial seleccionado al azar sea mujer y tambin que
no sea ascendido.
Como cada uno de esos valores expresa la probabilidad de la interseccin de dos eventos, las
probabilidades se llaman probabilidades conjuntas. La tabla 3, que muestra un resumen de la informacin sobre los
ascensos en la polica, se llama tabla de probabilidad conjunta, o de probabilidades conjuntas.
Tabla 3
Las probabilidades
conjuntas aparecen en el
interior de la tabla
Hombres (M)
Ascendidos
No ascendidos
Totales
Mujeres (W)
Totales
0.24
0.56
0.03
0.17
0.27
0.73
0.80
0.20
1.00
Las probabilidades
marginales aparecen en los
mrgenes de la tabla
Los valores en los mrgenes de la tabla de probabilidad conjunta muestran por separado las probabilidades
de cada evento. Esto es, P(M) =0.80, P(W) =0.20, P(A) =0.27 y P(A c) =0.73. Esas probabilidades se llaman
probabilidades marginales, por su ubicacin en los mrgenes de la tabla de probabilidad conjunta. Observamos que
las probabilidades marginales se determinan sumando las probabilidades conjuntas de un mismo rengln o columna
de esta tabla. Por ejemplo, la probabilidad marginal de ser ascendido es P(A) = P(MA) + P(WA) =0.24 + 0.03 =
0.27. Vemos, en las probabilidades marginales, que el 80% de la polica son hombres, que el 20% son mujeres, que
el 27% de todos los oficiales recibieron ascenso y que el 73% no lo recibieron.
Comenzaremos el anlisis de las probabilidades condicionales calculando la probabilidad de que un oficial
sea ascendido dado que es hombre. En notacin de probabilidad condicional, lo que tratamos de calcular es P(A
M). Para hacerlo, primero vemos que esta notacin indica simplemente que estamos considerando la probabilidad
del evento A (promocin) dado que se sabe que existe la condicin llamada evento M (el oficial es hombre). As,
P(A M) nos indica que ahora slo nos ocupamos sobre la promocin de los 960 oficiales hombres. Como 288 de
los 960 oficiales hombres fueron ascendidos, la probabilidad de ser promovido, cuando el oficial es hombre, es
288/960 = 0.30. En otras palabras, dado que el oficial es hombre, hubo un 30% de probabilidades de recibir un
ascenso en los dos ltimos aos.
El procedimiento anterior fue fcil de aplicar en nuestro ejemplo, porque los valores de los datos en la
tabla 2 indican la cantidad de oficiales en cada categora. Ahora demostraremos como se pueden calcular las
probabilidades condicionales, como P(A M) directamente a partir de probabilidades de evento y no de datos de
frecuencia como los de la tabla 2.
Hemos demostrado que P(A M) = 288/960 = 0.30. Dividamos ahora el numerador y el denominador de
esta fraccin entre 1,200, la cantidad total de oficiales en el estudio.
P(A M)= 288 = 288/1200 = 0.24 = 0.30
960 960/1200 0.80
M.A.C. Ing. Josu Salvador Snchez Rodrguez
24
Estadstica
Vemos ahora que la probabilidad condicional P(A M) se puede calcular como 0.24/0.80. En la tabla 3 de
probabilidad conjunta, observamos en particular que 0.24 es la probabilidad conjunta de A y M; esto es,
P(AM) = 0.24. Tambin observamos que 0.80 es la probabilidad marginal de que un oficial seleccionado al azar
sea hombre; esto es P(M) = 0.80. As, la probabilidad condicional P(A M) se puede calcular como la relacin de la
probabilidad conjunta, P(AM) entre la probabilidad marginal P(M).
P(A M) = P(AM) = 0.24 = 0.30
P(M)
0.80
El hecho de que se puedan calcular las probabilidades condicionales como la relacin de una probabilidad
conjunta entre una probabilidad marginal justifica la siguiente ecuacin general de los clculos de probabilidad
condicional para dos eventos, A y B.
Probabilidad condicional
P(A B) = P(AB)
P(B)
(5)
P(B A) = P(AB)
P(A)
(6)
o sea
El diagrama de Venn de la figura 5 ayuda a obtener una idea intuitiva de la probabilidad condicional. El
crculo de la derecha muestra que ha ocurrido el evento B; la parte del crculo que se traslapa con el evento A
representa al evento (AB). Sabemos que una vez que ha sucedido el evento B, la nica forma en que podamos
observar tambin al evento A es que suceda el evento (AB). As, la relacin P(AB)/P(B) da como resultado la
probabilidad condicional de que observemos al evento A, dado que ya ocurri el evento B.
Figura 5
PROBABILIDAD CONDICIONAL
Evento A B
Evento A
Evento B
25
Estadstica
Eventos independientes
En el ejemplo anterior, P(A) = 0.27, P(A M) = 0.30 y P(A W) = 0.15. Vemos que la probabilidad de un
ascenso (evento A) se ve afectada o influida por el hecho de que el oficial sea hombre o mujer. En especial, como
P(A M) P(A), diramos que los eventos A y M son dependientes. Esto es, la probabilidad del evento A (ascenso)
se altera o cambia con la ocurrencia (o no ocurrencia) de M (el oficial es hombre). Igualmente, con P(A W)
P(A), diramos que los eventos A y W son dependientes. Si no cambia la probabilidad del evento A por la
ocurrencia del evento M, esto es, P(A M) = P(A), diramos que los eventos A y M son independientes. Esto nos
conduce a la siguiente definicin de la independencia entre dos eventos.
Eventos independientes
Dos eventos, A y B, son independiente si
P(A B) = P(A)
(7)
P(B A) = P(B)
(8)
o si
Ley multiplicativa
Mientras que la ley aditiva de la probabilidad se usa para determinar la probabilidad de una unin entre dos
eventos, la ley multiplicativa se usa para determinar la probabilidad de una interseccin de dos eventos. La ley
multiplicativa se basa en la definicin de la probabilidad condicional. Al Aplicar las ecuaciones (5) y (6) y despejar
P(AB) obtenemos la ley multiplicativa.
Ley multiplicativa
(9)
26
Estadstica
o tambin
P(AB) = P(A) P(B A)
(10)
Para ilustrar la aplicacin de la ley multiplicativa, supongamos que en el departamento de circulacin de
un diario se sabe que el 84% de las familias de una determinada colonia tiene una suscripcin para recibir el
peridico de lunes a sbado. Si hacemos que D represente el evento de que una familia tiene tal tipo de suscripcin,
P(D) = 0.84. Se sabe que la probabilidad de que una familia, cuya suscripcin, adems de ser de lunes a sbado,
tambin se suscriba a la edicin dominical (evento S), es de 0.75; esto es, P(S D) = 0.75. Cul es la probabilidad
de que la suscripcin de una familia incluya tanto a la edicin dominical como a la de lunes a sbado? Con la ley
multiplicativa calculamos la P(SD) necesaria como sigue:
P(SD) = P(D) P(S D) = 0.84(0.75) = 0.63
Sabemos ahora que el 63% de las familias tiene suscripcin de las ediciones dominicales y entre semana.
Antes de terminar esta temtica estudiaremos el caso especial de la ley multiplicativa cuando los eventos
implicados en ella son independientes. Recordemos que dos eventos son independientes entre s siempre y cuando
P(A B) = P(A) o P(B A) = P(B). Por consiguiente, aplicando las ecuaciones (9) y (10) para el caso especial de dos
eventos independientes obtenemos la siguiente ley multiplicativa.
(11)
Para calcular la probabilidad de la interseccin de dos eventos independientes, tan slo se multiplican las
probabilidades correspondientes. Observe que la ley multiplicativa para eventos independientes representa otro
mtodo para determinar si A y B son independientes. Esto es, si P(AB) = P(A)P(B), entonces A y B son
independientes; si P(AB) P(A)P(B), entonces A y B son dependientes.
Como una aplicacin de la ley multiplicativa para eventos independientes, veamos el caso de un gerente de
una gasolinera que sabe, por su experiencia, que el 80% de los clientes usan tarjeta de crdito al comprar gasolina.
Cul es la probabilidad de que los dos clientes siguientes que compren gasolina usen tarjeta de crdito? Si
hacemos que:
A = el evento en que el primer cliente usa tarjeta de crdito
B = el evento en que el segundo cliente usa tarjeta de crdito
Entonces el evento de inters es AB. Como no contamos con ms informacin, podemos suponer
razonablemente que A y B son eventos independientes. Entonces,
P(AB) = P(A)P(B) = (0.80)(0.80) = 0.64
NOTA: No se debe confundir entre s el concepto de eventos mutuamente
excluyentes con el de eventos independientes. Dos eventos cuyas
probabilidades son distintas de cero no pueden ser de manera simultnea
mutuamente excluyentes e independientes entre s. Si ocurre uno de los
eventos mutuamente excluyentes, la probabilidad de que suceda el otro se
reduce a cero. En consecuencia, son dependientes.
EJERCICIOS
1)
Suponga que hay dos eventos, A y B, con P(A) = 0.50, P(B) = 0.60, y P(A B) = 0.40.
a)
Calcule P(A | B).
b)
Calcule P(B | A).
c)
Son independientes A y B? Por qu s o por qu no?
2)
Suponga que hay dos eventos, A y B, mutuamente excluyentes. Suponga adems que se sabe que P(A) = 0.30
y P(B) = 0.40.
27
a)
b)
c)
d)
3)
Un club nocturno tiene los siguientes datos sobre la edad y el estado civil de 140 clientes.
Estado civil
Soltero
Casado
Menor de 30
77
14
Edad
30 o mayor
28
21
a)
b)
c)
d)
e)
f)
4)
Estadstica
Los siguientes datos pertenecen a una muestra de 80 familias de cierta poblacin, stos muestran la
escolaridad de los padres y la de sus hijos.
Hijo
Fue a la
No fue a la
universidad
universidad
Fue a la universidad
18
7
Padre
No fue a la universidad
22
33
a)
b)
c)
d)
e)
5)
En el estudio de Suscriptores 1995 de The Wall Street Journal se obtuvo la siguiente tabla acerca de TV va
satlite. Los datos se separan para las cuatro partes del pas en las que se publica una edicin diferente de ese
diario.
Regin geogrfica
Este Medioeste Suroeste
Oeste
La tiene
17
8
7
13
Televisin Probablemente la compre 107
95
30
93
por satlite
Ninguna
488
403
98
275
a)
Forme una tabla de probabilidades conjuntas.
b)
Cul es la probabilidad de que un suscriptor posea TV va satlite?
c)
Cul es la probabilidad de que uno de los suscriptores encuestados sea del suroeste?
d)
Cul es la probabilidad de que un suscriptor del suroeste posea TV va satlite?
e)
En qu regin del pas es mayor la probabilidad de poseer TV va satlite?
f)
En qu regin del pas es mayor la probabilidad de poseer TV va satlite dentro de un ao?
6)
Un agente de compras coloc pedidos urgentes de determinada materia prima con dos proveedores distintos,
A y B. Si ningn pedido llega en cuatro das, debe parar su proceso de produccin hasta que llegue, al menos
28
Estadstica
uno de ellos. La oportunidad de que el proveedor A pueda entregar el material en cuatro das es de 0.55, y de
que el proveedor B pueda entregar en cuatro das es de 0.35.
a)
Cul es la probabilidad de que ambos proveedores surtan su material en cuatro das? Como se trata de
dos proveedores diferentes, se puede suponer que son independientes entre si.
b)
Cul es la probabilidad de que al menos un proveedor entregue el material en cuatro das?
c)
Cul es la probabilidad de que se detenga
d)
0 el proceso de produccin dentro de cuatro das por falta de materia prima (esto es, de que ambos
pedidos se entreguen tarde)?
GLOSARIO
Probabilidad.
Experimento.
Espacio muestral.
Punto muestral.
Diagrama de rbol.
Requisitos bsicos de probabilidad.
Mtodo clsico
Mtodo de la frecuencia relativa.
Mtodo subjetivo.
Evento.
Complemento del evento A.
Diagrama de Venn.
Unin de eventos A y B.
Interseccin de A y B.
Ley aditiva.
Eventos mutuamente excluyentes.
Probabilidad condicional.
Eventos independientes.
Ley multiplicativa.
FORMULAS CLAVE
Regla de conteo para combinaciones
N
n
N!_____
n!(N n)!
29
Estadstica
VARIABLES ALEATORIAS
Anteriormente definimos el concepto de un experimento y sus resultados asociados. Una variable aleatoria
es un medio de describir los resultados experimentales con valores numricos. Veamos la definicin de variable
aleatoria.
Variable aleatoria
Una variable aleatoria es una descripcin numrica del resultado de un experimento.
En efecto, una variable aleatoria asocia un valor numrico con cada resultado posible. El valor numrico
de la variable aleatoria depende del resultado del experimento. Se puede clasificar una variable como discreta o
continua, dependiendo de los valores numricos que asume.
Experimento
0, 1, 2, 3, 4, 5
0, 1, 2, ... 49, 50
Cantidad de clientes
0, 1, 2, 3, ...
0 si es hombre; 1 si es
mujer
Inspeccionar un embarque de 50
radios
Funcionamiento
de unRodrguez
restaurante
M.A.C. Ing.
Josu Salvador Snchez
durante un da
Vender un automvil
30
Estadstica
Tabla B
Experimento
Funcionamiento de un banco
Valores posibles de
La variable aleatoria
x>0
0 < x < 12.2
0 < x < 100
150 < x < 212
EJEMPLOS
1. El experimento consiste en lanzar una moneda dos veces.
a. Haga una lista de los resultados experimentales.
b. Defina una variable aleatoria que represente la cantidad de soles que pueden presentarse en los dos
lanzamientos.
M.A.C. Ing. Josu Salvador Snchez Rodrguez
31
Estadstica
2. Un experimento consiste en un trabajador que ensambla un producto, y se registra el tiempo que tarda en
hacer esto.
a. Defina una variable aleatoria que represente el tiempo, en minutos, requerido para ensamblar el
producto.
b. Qu valores puede asumir la variable aleatoria?
c. Esa variable aleatoria es discreta o continua?
3. Las tasas de inters de prstamos hipotecarios fueron publicadas por 12 instituciones crediticias de Florida
(The Tampa Tribune, 25 de febrero de 1995). Suponga que la variable aleatoria de inters es la cantidad de
instituciones crediticias de este grupo que ofrecen una tasa fija a 30 aos, de 8.5% o menos. Qu valores
puede asumir esta variable aleatoria?
4. La tabla adjunta es una lista de experimentos y variable aleatoria asociada. En cada caso, identifique los
valores que puede asumir la variable aleatoria y diga si esa variable es discreta o continua.
Experimento
32
Estadstica
Tabla C
f(x)
0.18
0.39
0.24
0.14
0.04
0.01
Total
M.A.C. Ing. Josu Salvador Snchez Rodrguez
1.00
33
Estadstica
f(x) > 0
f(x) = 1
(1)
(2)
La tabla C muestra que las probabilidades de la variable aleatoria x satisfacen la condicin (1), ya que f(x)
es mayor o igual a 0, para todos los valores de x. Adems, las probabilidades suman 1, de modo que tambin se
satisface la ecuacin (2). Por consiguiente, en el caso de DiCarlo Motors, la funcin de probabilidad indicada es
una funcin de probabilidad discreta vlida.
Tambin podemos presentar grficamente las distribuciones de probabilidad. En la figura 1 se muestran
los valores de la variable aleatoria x en el eje horizontal, y la probabilidad asociada con ellos en el eje vertical.
Adems de las tablas y las grficas, una frmula que expresa f(x) para todo valor de x puede definir la
distribucin de probabilidad para algunas variables aleatorias discretas. El ejemplo ms sencillo de distribucin de
probabilidad discreta expresada con una frmula es la distribucin uniforme de probabilidad discreta, cuya
funcin de probabilidad es la siguiente:
f(x) = 1/n
(3)
en donde
n = cantidad de valores que puede asumir la variable aleatoria.
Figura 1
f(x)
Probabilidad
Probabilidad
0.40
0.30
0.20
0.10
0.00
x
0
34
Estadstica
Por ejemplo, imaginemos el experimento de tirar un dado y definamos a x, la variable aleatoria, como el
nmero en la cara superior. Hay n = 6 valores posibles de la variable aleatoria, que son x = 1, 2, 3, 4, 5 y 6. Por
consiguiente, la funcin de probabilidad para esta variable aleatoria es:
f(x) = 1/6
x = 1, 2, 3, 4, 5 y 6
Los valores posibles de la variable aleatoria, y de sus probabilidades asociadas, Son los siguientes:
f(x)
1/6
1/6
1/6
1/6
1/6
1/6
Observe que los valores de la variable aleatoria son los igualmente probables.
Otro ejemplo: se tiene la variable aleatoria x con la siguiente distribucin de probabilidad.
f(x)
1/10
2/10
3/10
4/10
para x = 1, 2, 3 o 4
Al evaluar f(x) para determinado valor de la variable aleatoria se conocer la probabilidad asociada. Por
ejemplo, aplicando la funcin anterior de probabilidad, vemos que f(2) = 2/10 da la probabilidad de que la variable
aleatoria asuma el valor de 2.
Las distribuciones discretas de probabilidad que ms se usan se especifican, por lo general mediante
formulas. Hay tres casos importantes, que son los de las distribuciones binomial, de Poisson e hipergeomtrica, y
se describirn ms adelante.
35
Estadstica
EJERCICIOS
1. La distribucin de probabilidades de la variable x aparece en la tabla siguiente.
x
f(x)
20
0.20
25
0.15
30 0.25
35 0.40
Total 1.00
a.
b.
c.
d.
Es correcta esta distribucin de probabilidad? Compruebe que se cumplan las ecuaciones (1) y (2).
Cul es la probabilidad de que x = 30?
Cul es la probabilidad de que x sea menor que o igual a 25?
Cul es la probabilidad de que x sea mayor que 30?
2. Se recabaron los siguientes datos a partir del conteo de la cantidad de salas de operacin en uso en el
Hospital General de Tampa durante 20 das: en 3 das slo se us 1 sala de operaciones, en 5 se usaron 2, en
8 se usaron 3 y en 4 das se usaron las cuatro salas de operaciones del hospital.
a. Emplee el mtodo de la frecuencia relativa para formar una distribucin de probabilidad para la
cantidad de salas de operacin que se usan en un da determinado.
b. Trace una grfica de la distribucin de probabilidad.
c. Demuestra que su distribucin de probabilidad satisface las condiciones requeridas.
3. El director de admisiones de una escuela evalu subjetivamente una distribucin de probabilidades de x, la
cantidad de alumnos de nuevo ingreso, que se muestra en la tabla siguiente.
x
1000
1100
1200
1300
1400
f(x)
0.15
0.20
0.30
0.25
0.10
36
Estadstica
(4)
Se pueden usar las notaciones E(x) y para representar el valor esperado de una variable aleatoria.Vemos,
en la ecuacin (4), que para calcular el valor esperado de una variable aleatoria discreta debemos multiplicar x,
cada valor de ella, por f(x), su probabilidad correspondiente, y despus sumar todos los productos obtenidos.
Volviendo al ejemplo de las ventas de automviles en DiCarlo Motors que se vio anteriormente, en la tabla D
describimos el clculo del valor esperado de la cantidad de automviles que se venden en un da. La suma de los
elementos de la columna x f(x) muestra que el valor esperado es de 1.50 automviles por da. En consecuencia,
sabemos que, aunque es posible vender 1, 2, 3, 4 o 5 automviles en cualquier da, DiCarlo puede esperar, a la
larga, la venta de un promedio de 1.50 automviles por da. Si suponemos que la operacin durante un mes,
equivale a 30 das podemos usar el valor esperado de 1.50 para anticipar que las ventas mensuales promedio son
30(1.50) = 45 automviles.
Tabla D
f(x)
0.18
0.39
0.24
0.14
0.04
0.01
x f(x)
0(.18) = 0.00
1(.39) = 0.39
2(.24) = 0.48
3(.14) = 0.42
4(.04) = 0.16
5(.01) = 0.05
1.50
E(x) = = xf(x)
Varianza
Si bien el valor esperado representa el valor promedio de la variable aleatoria, con frecuencia se necesita
conocer una medida de dispersin o variabilidad. As como usamos la varianza en el captulo 3 para resumir la
dispersin en un conjunto de datos, ahora la usaremos para resumir la variabilidad en los valores de una variable
aleatoria. La ecuacin matemtica de la varianza de una variable aleatoria es la siguiente.
37
Estadstica
Var(x) = 2 = (x - )2 f(x)
(5)
Como indica esta ecuacin, una parte esencial de la frmula de la varianza es la desviacin, x - , que
mide lo alejado que se encuentra un valor determinado del valor esperado o media, , de la variable aleatoria. Para
calcular la varianza de una variable aleatoria se elevan al cuadrado las desviaciones y se ponderan con el valor
correspondiente de la funcin de probabilidad. La suma de esas desviaciones elevadas al cuadrado y ponderadas,
para todos los valores de la variable aleatoria, se llama varianza. Se usan las notaciones Var(x) y 2 para
representar la varianza de una variable aleatoria.
El clculo de la varianza para la distribucin de probabilidad de la cantidad de automviles vendidos en
DiCarlo Motors durante un da se resume en la tabla E. Vemos que la varianza es de 1.25. La desviacin estndar,
, se define como la raz cuadrada positiva de la varianza. As, la desviacin estndar de la cantidad de autos
vendidos en un da es
= 1.25 = 1.118
La desviacin estndar se mide con las mismas unidades que la variable aleatoria ( = 1.118 automviles)
y en consecuencia se prefiere en muchas ocasiones para describir la variabilidad de una variable aleatoria. La
varianza 2 se mide con las unidades elevadas al cuadrado, y por ello es ms difcil de interpretar.
Tabla E
x
0
1
2
3
4
5
(x )2
2.25
0.25
0.25
2.25
6.25
12.25
f (x)
0.18
0.39
0.24
0.14
0.04
0.01
(x )2 f(x)
2.25 (.18) = 0.4050
0.25 (.39) = 0.0975
0.25 (.24) = 0.0600
2.25 (.14) = 0.3150
6.25 (.04) = 0.2500
12.25 (.01) = 0.1225
1.2500
= (x )2 f(x)
38
Estadstica
EJERCICIOS
1. La tabla siguiente es una distribucin de probabilidad para la variable aleatoria x.
x
f(x)
3
0.25
6
0.50
9 0.25
Total 1.00
y
2
4
7 0.40
8
f(y)
0.20
0.30
0.10
Total 1.00
a. Calcule E(y)
b. Calcule Var (y) y .
3. El Statistical Abstract of the United States de 1997 muestra que la cantidad promedio de televisores por
familia es de 2.3. Suponga que la distribucin de probabilidad de la cantidad de televisores por familia es la
que se muestra en la tabla siguiente.
x
0
1
2 0.41
3
4 0.10
5
f(x)
0.01
0.23
0.20
0.05
a. Calcule el valor esperado de la cantidad de televisores por familia, y comprelo con el promedio que
menciona el Statistical Abstract.
b. Cules son la varianza y la desviacin estndar de la cantidad de televisores por familia?
39
Estadstica
UN EXPERIMENTO BINOMIAL
Un experimento binomial tiene cuatro propiedades:
Figura 1
1 2 3 4 5 6 7 8
Resultados
S F F S S F S S
En un experimento binomial nos interesa la cantidad de xitos que suceden en los n intentos. Si hacemos
que x represente la cantidad de xitos en los n intentos, vemos que x puede asumir los valores 0, 1, 2, 3,..., n.
Como la cantidad de valores es finita, x es una variable aleatoria discreta. La distribucin de probabilidad asociada
con esa variable aleatoria se llama distribucin binomial de probabilidad. Por ejemplo, veamos el experimento de
lanzar una moneda cinco veces y, en cada tirada, observar si la moneda cae con el sol o el guila hacia arriba.
Suponga que nos interese contar la cantidad de soles que aparece en las cinco tiradas. Tiene este experimento las
propiedades de un experimento binomial? Cul es la variable aleatoria de inters? Observe que:
1. El experimento consiste en cinco intentos idnticos, y cada intento implica lanzar una moneda.
2. Son posibles dos resultados para cada intento: un solo sol o un guila. Podemos convenir en que sol es un
xito y guila un fracaso.
3. La probabilidad de un sol y la probabilidad de un guila son iguales para cada intento, siendo p = 0.5 y
1- p = 0.5.
4. Los intentos, o lanzamientos, son independientes, porque el resultado de cualquier intento no se afecta por
lo que suceda en los dems intentos o lanzamientos.
40
Estadstica
Entonces, vemos que satisfacen las propiedades de un experimento binomial. La variable aleatoria de
inters es x = la cantidad de soles en los cinco intentos. En este caso, x puede asumir los valores de 0, 1, 2, 3, 4 o 5.
Como otro ejemplo, supongamos que un vendedor de seguros visita a 10 familias seleccionadas al azar. El
resultado asociado con cada visita se clasifica como un xito si la familia compra una pliza de seguro, y como un
fracaso si no lo hace. De acuerdo con la experiencia, el vendedor sabe que la probabilidad de que una familia
seleccionada al azar compre una pliza de seguro es de 0.10. Al comprobar si se satisfacen las propiedades de un
experimento binomial vemos que:
1. El experimento consiste en 10 intentos idnticos, y cada experimento implica llegar a una familia.
2. En cada intento son posibles dos resultados: la familia compra una pliza (xito) o la familia no la compra
(fracaso).
3. Se supone que las probabilidades de una compra y de una no compra son iguales para cada llamada de
ventas, siendo p = 0.10 y 1 - p = 0.90.
4. Los intentos son independientes, porque las familias se seleccionan aleatoriamente.
En vista de que se cumplieron las cuatro hiptesis, el experimento es binomial. La variable aleatoria de
inters es la cantidad de ventas obtenidas al interactuar con 10 familias. En este caso, x puede asumir los valores 0,
1, 2, 3, 4, 5, 6, 7, 8, 9 y 10.
La propiedad 3 del experimento binomial se llama supuesto de estacionariedad, y a veces se confunde con
la propiedad 4, de independencia de los intentos. Para visualizar esa diferencia, pensemos de nuevo en el caso del
vendedor que llama a las familias para venderles plizas de seguro. Si al avanzar el da, el vendedor se cans y
perdi su entusiasmo, la probabilidad de xito (vender una pliza) podra bajar a 0.05, por ejemplo, a la dcima
llamada. En este caso no se cumplira la propiedad 3 (hay constancia), y no tendramos un experimento binomial.
Esto sera valido aun si se conservara la propiedad 4, esto es, las decisiones de cada familia fueron hechas
independientemente.
En aplicaciones donde intervienen los experimentos binomiales se puede aplicar una frmula matemtica
especial, llamada funcin de probabilidad binomial, para calcular la probabilidad de x xitos en los n intentos. Con
los conceptos de probabilidad que presentamos en los temas anteriores, mostraremos cmo se puede deducir la
frmula en el contexto de un problema ilustrativo.
3.
El experimento se puede describir como una sucesin de tres intentos idnticos, uno para cada uno de los
tres clientes que entran a la tienda.
En cada experimento son posibles dos resultados; el cliente hace una compra (xito) o el cliente no lo hace
(fracaso).
La probabilidad de que el cliente haga una compra (0.30) o que no lo haga (0.70) se supone igual para
todos los clientes.
41
4.
Estadstica
La decisin de compra de cada cliente haga es independiente de las decisiones de los dems clientes.
En consecuencia, estn presentes las propiedades de un experimento binomial.
Figura 2
Primer
cliente
Segundo
cliente
Tercer
cliente
Resultados
Valor de x
(S,S,S)
(S,S,F)
(S,F,S)
(S,F,F)
(F,S,S)
(F,S,F)
(F,F,S)
(F,F,F)
S
F
F
S = Compra
F = No compra
x = Cantidad de clientes que compran
La cantidad de resultados experimentales que dan exactamente x xitos en n intentos se puede calcular con
la siguiente frmula.
0 = 1
(3)
42
Estadstica
Regresaremos ahora al experimento de Martn Clothing Store donde intervienen las decisiones de compra
de tres clientes. Se puede aplicar la ecuacin (3) para determinar la cantidad de resultados experimentales que
implican dos compras; esto es, la cantidad de maneras de obtener x = 2 xitos en los n = 3 intentos. De acuerdo
con esta misma ecuacin,
n
x
3
2
3____ = (3)(2)(1) = 6 = 3
2(3 2) (2)(1)(1) 2
La ecuacin (3) indica que tres de los resultados producen dos xitos. En la figura 2 vemos que esos tres
xitos se representan por SSF, SFS y FSS.
Al aplicar la ecuacin (3) para determinar cuntos resultados experimentales tienen tres xitos (compras)
en los tres intentos, obtenemos:
n = 3
x
3
3____ = 3_ = (3)(2)(1)_ = 6 = 1
3(3 3)
30 (3)(2)(1)(1) 6
Vemos en la figura 2 que el nico resultado experimental con tres xitos se representa con SSS.
Sabemos que la ecuacin (3) se puede usar para determinar la cantidad de resultados experimentales que
conducen a x xitos. Pero si hay que determinar la probabilidad de x xitos en n intentos, tambin debemos
conocer la probabilidad asociada con cada uno de los resultados experimentales. Como los intentos de un
experimento binomial son independientes, tan slo con multiplicar las probabilidades asociadas con cada resultado
de la prueba podemos determinar la probabilidad de una determinada serie de resultados.
La probabilidad de compras por parte de los dos primeros clientes, y de no compras por el tercer cliente es
p p (1 p)
Con una probabilidad de 0.30 de compra en cualquier intento, la probabilidad de una compra en cada uno
de los dos primeros y de no compra en el tercero es
(0.30)(0.30)(0.70) = (0.30)2(0.70) = 0.063
Las otras dos series de resultados producen dos xitos y un fracaso. Las probabilidades de que las tres
series tengan dos xitos se muestran a continuacin.
Resultados de la prueba
Primer
Segundo
Tercer
cliente
cliente
cliente
Compra
Compra
No compra
Compra
No compra
Compra
No compra
Compra
Compra
Notacin
xitofracaso
Probabilidad del
resultado
experimental
SSF
pp(1 - p) = p2(1 - p)
= (.30)2(.70) = .063
SFS
FSS
(1 - p)pp= p2(1 - p)
= (.30)2(.70) = .063
43
Estadstica
Observe que los tres resultados con dos xitos tienen exactamente la misma probabilidad. Esta
observacin tiene validez general. En cualquier experimento binomial, todas las series de resultado que producen x
xitos en n intentos tienen la misma probabilidad de ocurrir. La probabilidad de que cada serie de intentos
produzca x xitos en n intentos es:
Probabilidad de determinada
serie de resultados con x xitos = px (1 p)(n x)
en n intentos
(4)
Para el almacn Martn Clothing Store, esta ecuacin indica que cualquiera de los resultados con dos
xitos tiene la probabilidad p2(1 p)(3 2) = p2(1 p)1 = (0.30)2(0.70)1 = 0.063, como ya se haba demostrado.
Como la ecuacin (3) indica la cantidad de resultados en un experimento binomial que alcanzan x xitos, y
la ecuacin (4) expresa la probabilidad de cada sucesin que tiene x xitos, combinamos las dos ecuaciones para
obtener la siguiente funcin de probabilidad binomial.
n
x
px (1 p)
(n - x)
(5)
en donde
f(x) = la probabilidad de x xitos en n intentos
n = la cantidad de intentos
n
x
n!____
= x! (n x)!
44
Estadstica
Tabla 1
f(x)
3! (.30)0(.70)3 = .343
0!3!
3! (.30)1(.70)2 = .441
1!2!
3! (.30)2(.70)1 = .189
2!1!
3! (.30)3(.70)0 = .027
3!0!
1.000
0
1
2
3
Figura 3
f(x)
.50
PROBABILIDAD
.40
.30
.20
.10
.00
x
1
45
Estadstica
A continuacin emplearemos esta tabla para comprobar la probabilidad de cuatro xitos en 10 intentos, en
el problema de Martn Clothing Store. Observe que el valor de f(4) = 0.2001 se puede leer directamente de la tabla
de probabilidades binomiales, con n = 10, x = 4, y p = 0.30.
Con las calculadoras modernas esas tablas son
casi innecesarias. Es fcil evaluar directamente
la ecuacin (5)
Si bien las tablas de probabilidades binomiales son relativamente fciles de usar, es imposible contar con
tablas que muestren todos los valores posibles de n y p que pudieran encontrarse en une experimento binomial. Sin
embargo, contando con las calculadoras actuales y aplicando la ecuacin (5), no es difcil calcular la probabilidad
que se desea, en especial si la cantidad si la cantidad de intentos no es grande. En los ejercicios el estudiante debe
practicar, con la ecuacin (5), el clculo de las probabilidades binomiales, a menos que en el problema se le pida
especficamente usar la tabla de probabilidad binomial. Los paquetes de programas estadsticos, como Minitab y
algunas hojas de clculo, como Excel, tiene la capacidad de calcular propiedades binomiales.
(6)
(7)
Para el problema de Martn Clothing Store con tres clientes, podemos aplicar la ecuacin (6) para calcular
la cantidad esperada de clientes que hacen una compra.
E(x) = np = 3(0.30) = 0.9
Supongamos que para el mes prximo, Martn Clothing Store pronostica que 1000 clientes entrarn a su
tienda. Cul es la cantidad esperada de clientes que harn una compra? La respuesta es = np = (1000)(.3) = 300.
As, para aumentar la cantidad esperada de ventas, Martn debe inducir a ms clientes a entrar a su tienda y/o
aumentar la probabilidad, de alguna manera, de que cualquier cliente individual haga una compra despus de
entrar.
Para el problema de Martn Clothing Store con tres clientes, vemos que la varianza y la desviacin
estndar de la cantidad de clientes que hacen una compra son
2 = np(1 p) = 3(0.30)(0.70) = 0.63
= 0.63 = 0.79
46
Estadstica
Para los siguientes 1000 clientes que entren a la tienda, la varianza y la desviacin estndar de la cantidad
de clientes que hacen una compra son:
2 = np(1 p) = 1000(0.30)(0.70) = 210
= 210 = 14.49
NOTAS: Algunas tablas binomiales muestran valores de p slo hasta p = 0.50. Sin
embargo, s se pueden usar, si se observa que la probabilidad de n x fracasos es
tambin la probabilidad de x xitos. Cuando la probabilidad de xito es mayor que p =
0.50, se puede calcular, en su lugar, la probabilidad de n x fracasos. La probabilidad
de un fracaso, 1 p, ser menor que 0.50 cuando p > 0.50.
Algunas fuentes presentan las tablas binomiales en forma acumulada. Al usar esas
tablas se debe hacer una resta para determinar la probabilidad de x xitos en n intentos.
Por ejemplo, f(2) = P(x < 2) P(x < 1). Las tablas en algunos libros se muestran
directamente estas probabilidades. Para calcular las probabilidades acumuladas con
este tipo de tablas, tan slo se suman las probabilidades individuales. Por ejemplo,
para calcular P(x < 2) con las tablas, se suman f(0) + f(1) + f(2).
EJERCICIOS
1. Se tiene un experimento binomial con n = 10 y p = 0.10. Emplee las tablas binomiales para responder del
inciso a al d.
a. Determine f(0).
b. Determine f(2).
c. Determine P(x < 2).
d. Determine P(x > 1).
e. Determine E(x).
f. Var (x) y
2. La mayor cantidad de quejas de propietarios de automviles con dos aos de uso se debe al funcionamiento
del sistema elctrico (Consumer Reports 1995 Buyers Guide). Suponga que un cuestionario anual se manda a
propietarios de ms de 300 modelos y marcas de automvil, y resulta que el 10% de los propietarios de
automviles de dos aos de antigedad han tenido problemas con los componentes del sistema elctrico,
incluyendo el motor de arranque, al alternador, la batera, los interruptores, los instrumentos, el cableado, las
luces y el radio.
a. Cul es la probabilidad de que en una muestra de 12 propietarios de automviles con dos aos de uso
haya exactamente dos con problemas en el sistema elctrico?
b. Cul es la probabilidad de que en una muestra de 12 propietarios haya cuando menos dos con
problemas en el sistema elctrico?
c. Cul es la probabilidad de que en una muestra de 20 propietarios haya cuando menos uno con
problemas en el sistema elctrico?
3. Cuando una mquina nueva funciona bien, slo el 3% de los artculos que produce tienen defectos. Suponga
que se seleccionan al azar dos partes producidas en las mquinas, y que interesa la cantidad de partes
defectuosa encontradas.
a. Describa las condiciones bajo las cuales este caso sera un experimento binomial.
b. Trace un diagrama de rbol como el de la figura 2, que muestre un experimento binomial.
c. Cuntos de los resultados experimentales consisten en encontrar exactamente un defecto?
d. Calcule las probabilidades asociadas con no encontrar defectos, encontrar exactamente un defecto, y dos
defectos.
47
Estadstica
4. El 5% de los camioneros en Estados Unidos son mujeres. Suponga que se seleccionan al azar 10 camioneros
para una encuesta acerca de las condiciones de trabajo.
a. Cul es la probabilidad de que dos de los camioneros sean mujeres?
b. Cul es la probabilidad de que al menos uno sea mujer?
5. En el libro 100% American, de Daniel Evan Weiss se informan ms de 1000 resultados estadsticos acerca de
Estados Unidos y su gente. Uno de los resultados dice que el 64% de las personas viven en el estado en que
nacieron.
a. Cul es la probabilidad de que en una muestra aleatoria de 10 personas haya al menos ocho que vivan
en el estado donde nacieron?
b. Cul es la probabilidad de que en una muestra aleatoria de tres personas haya exactamente una persona
en el estado donde naci?
6. Los sistemas militares de radar y de deteccin de misiles deben advertir a un pas de los ataques del enemigo.
Una interrogante sobre su confiabilidad consiste en determinar si un sistema de deteccin podr identificar un
ataque y emitir una alarma. Suponga que determinado sistema de deteccin tiene un .90 de probabilidad de
detectar un ataque con misiles. Aplique la distribucin binomial de probabilidad para contestar las siguientes
preguntas.
a. Cul es la probabilidad de que un solo sistema de deteccin descubra un ataque?
b. Si se instalan dos sistemas de deteccin en la misma zona y funcionan independientemente, cul es la
probabilidad de que al menos uno de los sistemas advierta sobre un ataque?
c. Si se instalan tres sistemas, cul es la probabilidad de que al menos uno de ellos descubra el ataque?
d. Recomendara usted usar sistemas mltiples de deteccin? Explique su respuesta.
7. Una encuesta de la American Association of Individual Investors encontr que el 23% de sus miembros haba
comprado acciones directamente a travs de una oferta pblica inicial (OPI) (AAII Journal, julio de 1994). En
una muestra de 12 miembros de la AAII.
a. Cul es la probabilidad de que exactamente tres miembros hayan comprado OPI?
b. Cul es la probabilidad de que al menos un miembro haya compra OPI?
c. Cul es la probabilidad de que dos o ms miembros hayan comprado OPI?
8. Una universidad se enter de que el 20% de sus alumnos se dan de baja del curso de introduccin a la
estadstica. Suponga que en este trimestre se inscribieron 20 alumnos a ese curso.
a. Cul es la probabilidad de que dos o menos se den de baja?
b. Cul es la probabilidad de que se den de baja exactamente cuatro?
c. Cul es la probabilidad de que se den de baja ms de tres?
d. Cul es la cantidad esperada de deserciones?
48
Estadstica
(8)
en donde
f(x) = probabilidad de x ocurrencias en un intervalo
= valor esperado o cantidad promedio de ocurrencias en un intervalo
e = 2.71828
Antes de pasar a un ejemplo especfico para ver cmo se aplica la distribucin de Poisson, observemos
que no hay lmite superior para x, la cantidad de ocurrencias. Es una variable aleatoria discreta que puede asumir
una secuencia infinita de valores (x = 0, 1, 2, ...). La variable aleatoria de Poisson no tiene lmite superior.
49
Estadstica
Si la gerencia deseara conocer la probabilidad de que hayan exactamente cinco llegadas en 15 minutos,
igualaramos x = 5 para obtener as:
Probabilidad exacta
= f(5) = 105 e-10 = 0.0378
5 llegadas en 15 minutos
5!
Aunque esta probabilidad se determin evaluando la funcin de probabilidad con = 10 y x = 5, muchas
veces es ms fcil consultar tablas de la distribucin de probabilidades de Poisson. En esas tablas aparecen las
probabilidades por valores especficos de x y . Por lo que una recomendacin es que debers buscar dichas tablas
para consultarlas. Por comodidad, en la tabla 5.9 vemos reproducida una parte de dicha tabla. Observe que para
usarla, slo necesitamos conocer los valores de x y . Vemos en la tabla 5.9 que la probabilidad de 5 llegadas en un
periodo de 15 minutos se determina ubicando el valor en el rengln que corresponde a x = 5 y en la columna que
corresponde a = 10. En consecuencia, obtenemos el valor f(5) = 0.0378.
En nuestro ejemplo se calcula la probabilidad de cinco llegadas en un periodo de 15 minutos, pero se
pueden usar otros intervalos de tiempo. Supongamos que deseamos calcular la probabilidad de una llegada en un
periodo de tres minutos. Como 10 es la cantidad esperada de llegadas en un intervalo de 15 minutos, vemos que
10/15 = 2/3 es la cantidad esperada de llegadas en un periodo de un minuto, y que (2/3)(3 minutos) = 2 es la
cantidad esperada de llegadas en un periodo de tres minutos. Entonces, la probabilidad de x llegadas en un periodo
de tres minutos con = 2 se expresa con la siguiente funcin de probabilidad de Poisson.
f(x) = 2x e-2
x!
Para determinar la probabilidad de que haya una llegada en un periodo de tres minutos, podemos usar la tabla
de la distribucin de probabilidades de Poisson, o bien calcularla directamente.
Probabilidad de exactamente = f(1) = 21 e-2 = 0.2707
1 llegada en 3 minutos
1!
50
Estadstica
Por ejemplo, se desea calcular la probabilidad binomial de x = 3 xitos en n = 250 intentos, cuando p =
0.01. Para usar la aproximacin de Poisson, igualamos = np = 250(0.01) = 2.5. Al ver las tablas de distribucin
de Poisson vemos que f(3) = 0.2138. Por consiguiente, diramos que aproximadamente, la probabilidad binomial
de tres xitos es f(3) = 0.2138.
EJERCICIOS
1. Se tiene una distribucin de probabilidad de Poisson con = 3
a. Escriba la funcin correcta de probabilidad de Poisson.
b. Calcule f(2)
c. Calcule f(1)
d. Calcule P (x > 2)
2. Al Departamento de Reservaciones de Aerolneas Regionales llegan en promedio 48 llamadas por hora.
a. Calcule la probabilidad de recibir tres llamadas en un intervalo de cinco minutos.
b. Calcule la probabilidad de recibir exactamente 10 llamadas en 15 minutos.
c. Suponga que actualmente no hay llamadas esperando si el agente tarda cinco minutos en atender una
llamada. Cuntas llamadas cree que estarn esperando cuando cuelgue la bocina? Cul es la
probabilidad de que ninguna este esperando?
d. Si actualmente no hay llamadas pendientes. Cul es la probabilidad de que el agente pueda ausentarse
tres minutos sin interferir con la atencin a las llamadas?
3. El promedio anual de las veces de los suscriptores de Barrons toman vuelos locales por motivos personales es
4 (Barrons 1995 Primary Reader Survey)
a. Cul es la probabilidad de que un suscriptor tome dos vuelos locales en un ao, por motivos
personales?
b. Cul es la cantidad promedio de vuelos locales por motivos personales en un trimestre?
c. Cul es la probabilidad de que un suscriptor tome uno o ms vuelos locales, por motivos personales,
durante un semestre?
4. Durante las horas de trfico intenso los accidentes se presentan en una zona urbana con una frecuencia de dos
por hora. El periodo matutino de trfico intenso dura una hora y 30 minutos, y el vespertino dos horas.
a. En determinado da, cul es la probabilidad de que no haya accidentes durante el periodo matutino de
trfico intenso?
b. Cul es la probabilidad de dos accidentes durante el periodo vespertino de trfico intenso?
c. Cul es la probabilidad de cuatro o ms accidentes durante el periodo matutino de trfico intenso?
5.
Los pasajeros de las aerolneas llegan al azar e independientemente a la seccin de documentacin en un gran
aeropuerto internacional. La frecuencia promedio de llegadas es de 10 pasajeros por minuto.
a. Cul es la probabilidad de no llegadas en un intervalo de un minuto?
b. Cul es la probabilidad de que lleguen tres pasajeros o menos en un intervalo de un minuto?
c. Cul es la probabilidad de no llegadas en un periodo de 15 segundos?
d. Cul es la probabilidad de al menos una llegada en un periodo de 15 segundos?
51
Estadstica
f(x) =
N- r
n- x
(9)
N
n
en donde
f(x) = probabilidad de x xitos en n intentos
n = la cantidad de intentos
N = la cantidad de elementos en la poblacin
r = cantidad de elementos identificados como xito en la poblacin .
N
Observe que
n representa la cantidad de formas en las que se puede seleccionar una muestra de tamao n de
una poblacin de tamao N; que
r
representa la cantidad de maneras en las que se pueden seleccionar x
x
xitos de un total de r xitos de la poblacin, y que N - r representa la cantidad de maneras en que se pueden
n- x
seleccionar n - x fracasos de un total de N r fracasos en la poblacin.
Para demostrar los clculos implicados al usar la ecuacin (9), veamos el problema de seleccionar dos
miembros de comit, entre cinco, que asistan a una convencin en Las Vegas. Suponga que el comit de cinco
miembros est formado por tres mujeres y dos hombres. Para determinar la probabilidad de seleccionar dos
mujeres al azar, podemos aplicar la ecuacin (9) con n = 2, N = 5, r = 3, y x = 2.
3
f(2) = 2
2
0
3!
2!1!
5
2
2!
2!0!
5!
2!3!
= 3 = 0.30
10
52
Estadstica
Supongamos que despus nos enteramos de que los que harn el viaje sern tres personas del comit. Si
usamos n = 3, N = 5, r = 3, y x = 2, la probabilidad de que exactamente dos de los tres miembros sean mujeres es
f(2) =
3
2
2
1
3!
= 2!1!
5
2
2!
1!1!
5!
2!3!
= 6 = 0.60
10
Como otro ejemplo, supongamos que una poblacin consiste en 10 artculos, cuatro de los cuales son
defectuosos y los seis restantes son no defectuosos. Cul es la probabilidad de que una muestra aleatoria de
tamao tres contenga dos artculos defectuosos? En este caso podemos imaginar que un xito consiste en obtener
un artculo defectuoso. Aplicando la ecuacin (9) con n = 3, N = 10, r = 4, y x = 2, podemos calcular f(2) como
sigue:
4
f(2) = 2
6
1
10
3
4!
2!2!
10!
3!7!
6!
1!5!
= 36 = 0.30
120
EJERCICIOS
1. Suponga que N = 10 y r = 3. Calcule las probabilidades hipergeomtricas para los siguientes valores de n y x:
a. n = 4, x = 1.
b. n = 2, x = 2.
c. n = 2, x = 0.
d. n = 4, x = 2.
2. Segn la revista Beverage Digest, La Coca clsica y la Pepsi ocuparon el primero y segundo lugares en la
preferencia de las personas (The Wall Street Journal Almanac, 1988). Suponga que en un grupo de 10
personas, seis prefieren Coca clsica y cuatro prefieren Pepsi. Se selecciona una muestra aleatoria de tres
miembros de ese grupo.
a. Cul es la probabilidad de que exactamente dos prefieran Coca clsica?
b. Cul es la probabilidad de que la mayora (dos o tres) prefieran Pepsi?
3. Epsilon fabrica computadoras personales en dos plantas, una en el Oriente y la otra en el Sur de Estados
Unidos. Hay 40 empleados en la planta del Oriente y 20 en la del Sur. A una muestra aleatoria de 10 empleados
se le pedir que llene un cuestionario sobre ventajas laborales.
a. Cul es la probabilidad de que ninguno sea de la planta del Sur?
b. Cul es la probabilidad de que nueve sean de la planta del Oriente?
4. Un embarque de 10 artculos contiene dos unidades defectuosas y ocho no defectuosas. Al revisarlo, se tomar
una muestra y las unidades se inspeccionarn. Si se encuentra una unidad defectuosa, se rechazar todo el
embarque.
a. Si se selecciona una muestra de tres artculos, cul es la probabilidad de rechazar el embarque?
b. Si se selecciona una muestra de cuatro artculos, cul es la probabilidad de rechazar el embarque?
c. Si se selecciona una muestra de cinco artculos, cul es la probabilidad de rechazar el embarque?
d. Si la gerencia estuviera de acuerdo en que hubiera una probabilidad de 0.90 de rechazar un embarque
con dos unidades defectuosas y ocho no defectuosas, de qu tamao se debe seleccionar la muestra?
M.A.C. Ing. Josu Salvador Snchez Rodrguez
53
Estadstica
GLOSARIO
Variable aleatoria
Variable aleatoria discreta
Variable aleatoria continua
Distribucin de probabilidad
Funcin de probabilidad
Funcin de distribucin uniforme de probabilidad discreta
Valor esperado
Varianza
Desviacin estndar
Experimento binomial
Distribucin binomial de probabilidad
Distribucin de probabilidad de Poisson
Distribucin hipergeomtrica de probabilidad
Funcin de probabilidad binomial
Funcin de probabilidad de Poisson
Funcin hipergeomtrica de probabilidad
FORMULAS CLAVE
Funcin de probabilidad uniforme discreta
f (x) = 1/n
donde n = cantidad de valores que puede asumir la variable aleatoria
Valor esperado de una variable aleatoria discreta
E(x) = = xf(x)
Varianza de una variable aleatoria discreta
Var(x) = 2 = (x - )2 f(x)
Cantidad de resultados experimentales con exactamente x xitos en n intentos
n =
n____
x
x(n x)
Funcin de probabilidad binomial
f(x) =
n
x
p x (1 p)
(n - x)
54
Estadstica
1/20
f(x) =
Figura 1
f(x)
1
20
x
120
125
130
135
140
ba
0
(10)
55
Estadstica
Figura 2
f(x)
1
20
10
120
125
130
135
140
56
Estadstica
Observe que P(120< x <140) = 20(1/20) = 1. Esto es, el rea total bajo la grfica de f(x) es igual a 1. Esta
propiedad es vlida para todas las distribuciones continuas de probabilidad, y es el anlogo de la condicin que la
suma de las probabilidades debe ser igual a 1 para una funcin de probabilidad discreta. Para una funcin continua
de densidad de probabilidad tambin se requiere que f(x)>0 para las funciones discretas de probabilidad.
Hay dos diferencias principales entre el manejo de las variables aleatorias continuas y el de sus
contrapartes las variables discretas.
1.
2.
El clculo del valor esperado y la varianza para una variable aleatoria continua es anlogo al de una
variable aleatoria discreta. Sin embargo, como el procedimiento de determinacin interviene el clculo integral,
dejaremos la deduccin de las ecuaciones para textos ms avanzados.
Para la distribucin continua uniforme de probabilidades que presentamos en esta temtica, las ecuaciones
para el valor esperado y la varianza son:
Para visualizar que la probabilidad de cualquier punto
nico es 0, vase la figura 2 y calcule la probabilidad
en determinado punto, por ejemplo, x = 125.
P(x = 125) = P(125< x <125) = 0(1/20) = 0.
E(x) = a + b
2
Var(x) = (b a)2
12
NOTAS:
1. Ya que para una variable continua la probabilidad de determinado valor es cero, P(a< x
<b) = P(a< x <b). Esta ecuacin indica que la probabilidad de que una variable aleatoria
asuma un valor en cualquier intervalo es igual, estn incluidos o no los extremos del
intervalo.
2. Para ver con ms claridad por qu la altura de una funcin de densidad de probabilidad no
es una probabilidad, imaginemos una variable aleatoria con la siguiente distribucin
uniforme de probabilidad.
2
f(x) =
La altura de la funcin de densidad de probabilidad es 2 para valores de x entre 0 y 0.5. Sin
embargo, sabemos que las probabilidades nunca pueden ser mayores que uno.
M.A.C. Ing. Josu Salvador Snchez Rodrguez
57
Estadstica
EJERCICIOS
1.
2.
Delta Airlines cita un tiempo de vuelo de 2 horas 5 minutos de Cincinnati a Tampa. Suponiendo que los
tiempos reales de vuelo se distribuyen uniformemente entre 2 horas y 2 horas 20 minutos.
a)
Trace la grfica de la funcin de densidad de probabilidad de los tiempos de vuelo.
b)
Cul es la probabilidad de que el vuelo no llegue ms de cinco minutos tarde?
c)
Cul es la probabilidad de que el vuelo llegue ms de 10 minutos tarde?
d)
Cul es el tiempo esperado de vuelo?
3.
La mayora de los lenguajes de cmputo tienen una funcin para generar nmeros aleatorios. En Excel, de
Microsoft, se usa la funcin ALEATORIO para generar nmeros aleatorios entre 0 y 1. Si x representa el
nmero aleatorio generado, debe ser una variable continua con la siguiente funcin de densidad de
probabilidad:
1 cuando 0 < x < 1
f(x) =
0 en cualquier otro lugar
a)
b)
c)
d)
4.
La etiqueta de una botella de detergente lquido indica que el contenido es de 12 onzas. En las operaciones de
produccin se llenan las botellas uniformemente, de acuerdo con la siguiente funcin de densidad de
probabilidad.
8 cuando 11.975 < x < 12.10
f(x) =
0 en cualquier otro lugar
a)
b)
c)
Cul es la probabilidad de que una botella sea llenada con un peso entre 12 y 12.05 onzas?
Cul es la probabilidad de que la una botella sea llenada con un peso de 12.02 onzas o ms?
El departamento de control de calidad acepta botellas con un peso de llenado con una desviacin hasta
de 0.02 onzas respecto al contenido mencionado en la etiqueta. Cul es la probabilidad de que una
botella de este detergente lquido no pueda cumplir con la norma de control de calidad?
CUESTIONARIO
1.
2.
3.
4.
5.
6.
58
Estadstica
Abraham de
Moivre matemtico
francs, public la doctrina de las
probabilidades en 1733.
Dedujo la distribucin normal de
probabilidad
La curva normal
La forma de la distribucin normal de probabilidad es la curva acampanada de la figura 1. La funcin de
densidad de probabilidad que la define es la siguiente.
en donde
Figura 1
1 e -(x - ) / 2
2
(11)
= promedio
= desviacin estndar
= 3.14159
e = 2.71828
CURVA ACAMPANADA DE LA DISTRIBUCIN DE PROBABILIDAD
NORMAL
Desviacin estndar
Promedio
59
Estadstica
Hay ciertas observaciones por hacer acerca de las caractersticas de la distribucin normal de probabilidad.
1.
Hay toda una familia de distribuciones normales de probabilidad. Cada distribucin normal especfica
se distingue por su media y su desviacin estndar .
2.
3.
La media de la distribucin puede ser cualquier valor numrico: negativo, cero o positivo. A
continuacin vemos tres curvas normales con la misma desviacin estndar, pero con tres medias
distintas (-10, 0, y 20).
x
-10
20
4.
5.
=5
= 10
x
6.
El rea total bajo la curva de la distribucin normal de probabilidad es 1. Esto es vlido para todas las
distribuciones continas de probabilidad.
60
Figura 2
Estadstica
99.72%
95.44%
68.26%
x
- 3
- 1
- 2
7.
+ 1
+ 3
+ 2
La probabilidad de la variable aleatoria normal se determinan con las reas bajo la curva. Las
probabilidades de ciertos intervalos que ms se usan son:
a. El 68.26% de las veces, una variable aleatoria normal asume una valor entre ms o menos una
desviacin estndar respecto a su media.
b. El 95.44% de las veces, una variable aleatoria normal toma un valor entre ms o menos dos
desviaciones estndar respecto a su media.
c. El 99.72% de las veces, una variable aleatoria normal asume un valor entre ms o menos tres
desviaciones estndar respecto a su media. En la figura 2 se representan grficamente las
propiedades de los incisos a, b y c.
Estos porcentajes son la base de
la regla emprica.
Figura 3
6.5
=1
0
M.A.C. Ing. Josu Salvador Snchez Rodrguez
z
61
Estadstica
Como con otras variables aleatorias continuas, los clculos de probabilidad con cualquier distribucin
normal se lleva a cabo determinando las reas bajo la grfica de la funcin de densidad de probabilidad. As, para
determinar la probabilidad de que una variable aleatoria normal est dentro de un intervalo especfico, debemos
calcular el rea bajo la curva normal en ese intervalo. Para la distribucin normal estndar de probabilidad se han
determinado las reas bajo la curva normal, y se muestran en tablas que se pueden usar par calcular probabilidades.
Para la distribucin uniforme, la altura de la funcin de
densidad de probabilidad es constante, y por eso es fcil
calcular el rea bajo la curva. En el caso de la funcin de
densidad de probabilidad normal, la altura vara y se
requiere de clculo infinitesimal para calcular las reas que
representan la probabilidad. La tabla 6.1 se elabor
recurriendo al clculo integral.
Para conocer el empleo de la tabla de reas bajo la curva de la distribucin normal estndar (vase la tabla
6.1) en la determinacin de probabilidades, analicemos algunos ejemplos. Despus veremos cmo se puede usar
esa misma tabla para calcular las probabilidades de cualquier distribucin normal. Empezaremos demostrando
cmo se puede calcular la probabilidad de que el valor z, para la variable aleatoria normal estndar, quede entre
0.00 y 1.00, esto es, P(0.00< z <1.00). La parte sombreada de la siguiente grfica muestra esa rea, o probabilidad.
P(0.00 < z < 1.00)
z
0
Los elementos de la tabla 6.1 proporcionan el rea bajo la curva normal estndar entre la media, z = 0, y el
valor positivo correspondiente de z (vase la grfica en la parte superior de la tabla). En este caso nos interesa el
rea entre z = 0 y z = 1.00. Por lo tanto, debemos encontrar el elemento de la tabla que corresponde a z = 1.00.
Para hacerlo, primero localizamos 1.0 en la columna izquierda de la tabla, y despus localizamos a .00 en el
rengln superior. Buscando en el interior de la tabla, vemos que el rengln de 1.0 y la columna de .00 se intersecan
en el valor 0.3413. Hemos determinado la probabilidad que buscbamos: P(.00< z <1.00 ) = 0.3413. A
continuacin vemos una parte de esa tabla, donde se indica el procedimiento.
Z
.
.
.
.9
1.0
1.1
1.2
.
.00
.01
.02
.3159
.3413
.3643
.3849
.3186
.3438
.3665
.3869
.3212
.3461
.3686
.3888
.
.
P (.00 < z < 1.00)
62
Estadstica
Siguiendo el mismo mtodo podemos determinar P(.00< z <1.25). Primero encontramos el rengln de 1.2,
y despus avanzamos por l hasta la columna de .05, y encontramos que P(.00< z <1.25) = .3944.
Como otro ejemplo del empleo de la tabla de reas para la distribucin normal estndar, calcularemos la
probabilidad de obtener un valor z entre z = -1.00 y z = 1.00; esto es, P(-1.00< z <1.00).
Recuerde que ya hemos usado la tabla para demostrar que la probabilidad de un valor de z entre z = .00 y
z = 1.00 es .3413, y tambin que la distribucin normal de probabilidades es simtrica. As, la probabilidad de un
valor de z entre z =.00 y z = -1.00 es la misma probabilidad de un valor de z entre z = -1.00 y z = +1.00 es:
P(-1.00< z <.00) + P(.00< z <1.00) = .3413 + .3413 = .6826
En la siguiente figura vemos grficamente esta rea.
z
-3
-2
-1
+1
+2
+3
Del mismo modo podemos usar los valores de la tabla 6.1 para demostrar que la probabilidad de un valor
z entre 2.00 y +2.00 es .4772 +.4772 = .9544 y que la de un valor de z entre 3.00 y +3.00 es .4986 + .4986 = .
9972. Como sabemos que la probabilidad total, o rea total bajo la curva, de cualquier variable aleatoria continua
debe ser 1.0000, la probabilidad .9972 nos dice que el valor de z estar casi siempre entre 3.00 y +3.00.
A continuacin calcularemos la probabilidad de obtener un valor mnimo de z de 1.58; esto es, P(z >1.58).
Comenzamos en el rengln z = 1.5 y la columna .08 de la tabla 6.1, para encontrar que P(.00< z <1.58) = .4429. A
continuacin, como la distribucin normal de probabilidades es simtrica, y el rea total es igual a 1, sabemos que
el 50% del rea debe estar arriba del promedio (es decir, de z = 0) y el 50% abajo del promedio. Como .4429 es el
rea entre el promedio y z = 1.58, el rea de probabilidad corresponde a z > 1.58 debe ser .5000 - .4429 = .0571.
La siguiente figura muestra esta probabilidad.
63
Estadstica
-3
-2
-1
+1
+2
+3
Otro ejemplo: determinemos la probabilidad de que la variable aleatoria z asuma un valor de -.50 o mayor,
esto es, P(z > -.50). Para este clculo observamos que la probabilidad que buscamos se puede escribir en forma de
la suma de dos probabilidades: P(z > - .50) = P(-.50 < z < .00) + P(z > 0.00). Ya vimos antes que P(z > .00) = .50.
Tambin sabemos que, como la distribucin normal es simtrica, P(-.50 < z < .00) = P(.00 < z <.50). Al consultar
la tabla 6.1 vemos que P(.00<z<.50) = .1915. Por consiguiente, P(z>-.50) = .1915 + .5000 = .6915. La siguiente
grfica muestra esta rea.
-2
-1
+1
+2
+3
Ahora calcularemos la probabilidad de obtener un valor de z entre 1.00 y 1.58; esto es, P(1.00 < z <1.58).
De acuerdo con los ejemplos anteriores, sabemos que hay una probabilidad de .3413 de un valor entre z = 0.00 y z
= 1.00 y que hay una probabilidad de .4429 de un valor entre z = 0.00 y z = 1.58. Por consiguiente, debe haber una
probabilidad de .4429 - .3413 = .1016 de un valor entre z = 1.00 y z = 1.58. Es decir, P(1.00 < z < 1.58) = .1016.
La presentacin grfica aparece en la siguiente figura.
64
Estadstica
-2
-1
+1 +2
+3
Como ejemplo final determinaremos un valor de z tal que la probabilidad de obtener uno mayor slo
sea .10. En la siguiente figura vemos representado este caso.
-3
-2
-1
+1
+2
+3
Cul es el valor de z?
Este problema es el inverso de los ejemplos anteriores. Antes especificbamos el valor de z que nos
interesaba, para despus determinar la probabilidad o rea correspondiente. En este ejemplo el dato es la
probabilidad o rea, y se nos pide determinar el valor correspondiente de z. Para hacerlo usamos la tabla de reas
para la distribucin normal estndar de probabilidad (tabla 6.1), en forma algo distinta.
Recordamos que en el cuerpo de la tabla 6.1 aparece el rea bajo la curva, entre la media y
determinado valor de z. Contamos con la informacin que el rea en la cola derecha (o superior) de la curva es .10.
En consecuencia, debemos determinar cunto del rea est entre la media y el valor de z que nos interesa. Como
sabemos que .5000 del rea est arriba de la media, .5000 - .1000 = .4000 debe ser el rea bajo la curva entre la
media y el valor deseado de z. Al buscar en el cuerpo de la tabla encontramos que .3997 es el valor de probabilidad
que ms se acerca a .4000. A continuacin vemos la seccin de la tabla donde aparece este resultado.
65
Z
.
.
.
1.0
1.1
1.2
1.3
1.4
.
.
Estadstica
.06
.07
.08
.09
.3554
.3770
.3962
.4131
.4279
.3577
.3790
.3980
.4147
.4292
.3599
.3810
.3997
.4162
.4306
.3621
.3830
.4015
.4177
.4319
Al leer el valor de z desde la columna de la izquierda y el rengln superior de la tabla, vemos que ese
valor es 1.28. As, habr un rea aproximada de .4000 (en realidad, .3997) entre el promedio y z = 1.28. En
trminos de lo que originalmente se pregunt, hay una probabilidad aproximada de .10 de que el valor de z sea
mayor que 1.28.
Los ejemplos demuestran que se puede usar la tabla de reas de la distribucin normal estndar de
probabilidad, para determinar las probabilidades asociadas con los valores de la variable aleatoria normal estndar
z. Pueden surgir dos tipos de preguntas. El primero especifica uno o ms valores de z y pide determinar las reas o
probabilidades correspondientes por medio de la tabla. El segundo cita un rea o probabilidad y pide determinar el
valor correspondiente de z, mediante la tabla. As, necesitamos ser flexibles al usar la tabla de distribucin normal
estndar de probabilidad para contestar la duda especfica. En la mayora de los casos es til trazar una grfica de
esta distribucin, sombreando el rea o la probabilidad que se trate, para visualizar el caso correspondiente y as
obtener la respuesta correcta.
z=x-
(12)
Un valor de x igual a su media da como resultado z = ( -)/ = 0. Vemos entonces que un valor de x
igual a su media corresponde a un valor de z en su media 0. Supongamos ahora que x est a una desviacin
estndar arriba de su media; esto es, que, x = + . Al aplicar la ecuacin (12), vemos que el valor
correspondiente de z es z = [( + ) - ]/ = / = 1. Por consiguiente, un valor que est a una desviacin estndar
arriba de su media da como resultado z = 1.En otras palabras, podemos interpretar a z como la cantidad de
desviaciones estndar que la variable aleatoria x se aleja de su promedio .
Para ver cmo esta conversin nos permite calcular las probabilidades de cualquier distribucin normal,
supongamos que cierta distribucin tiene = 10 y = 2. Cul es la probabilidad de que la variable aleatoria x est
entre 10 y 14? Aplicando la ecuacin (12), tenemos que cuando x = 10, z = (x - )/ = (10 10)/2 = 0 y que
cuando x = 14, z = (14 10)/2 = 4/2 = 2. As, la respuesta a nuestra pregunta sobre que la probabilidad de que x
est entre 10 y 14 queda determinada por la probabilidad equivalente de que z est entre 0 y 2 en la distribucin
M.A.C. Ing. Josu Salvador Snchez Rodrguez
66
Estadstica
normal estndar. En otras palabras, la probabilidad que buscamos es la de que la variable aleatoria x est entre su
media y dos desviaciones estndar arriba de la media. Si usamos z = 2.00 en la tabla 6.1, vemos que esa
probabilidad es .4772. En consecuencia, la probabilidad de que x est entre 10 y 14 es .4772.
5000
5000
Veamos la parte inferior de la figura 4. Un valor de x = 40,000 en la distribucin normal de Grear Tire
corresponde a un valor de z = .70 en la distribucin normal estndar. Al emplear la tabla 6.1 vemos que el rea
entre el promedio y z = .70 es .2580. En la figura 4, adems, vemos que el rea entre x = 36,500 y x = 40,000 en la
distribucin normal de Grear Tire tambin es de .2580. As, .5000 - .2580 = .2420 es la probabilidad de que x sea
mayor que 40,000. Podemos concluir que un 24.2% de los neumticos durarn ms de 40,000 millas.
Figura 4
= 5000
P(x > 40,000) = ?
x
40,000
= 36,500
z
0
Nota: z = 0 corresponde
a x = = 36,500
.70
Nota: z = .70 corresponde
a x = 40,000
67
Estadstica
Ahora supongamos que Grear planea una garanta segn la cual el usuario recibir un descuento en sus
neumticos de repuesto si los neumticos originales no rebasan la distancia en millas especificada en la garanta.
Cules deben ser las millas recorridas para que no haya ms de 10% de los neumticos que aprovechen el
descuento de la garanta? Esta pregunta se interpreta grficamente en la figura 5.
Segn esa misma figura, el 40% del rea debe estar entre la media y las millas recorridas, segn la
garanta, que por el momento se desconocen. Buscamos .4000 en el cuerpo de la tabla 6.1 y vemos que esa rea
est aproximadamente a 1.28 desviaciones estndar abajo de la media. Esto es, z = - 1.28 es el valor de la variable
aleatoria normal que corresponde a la garanta deseada de millas recorridas en la distribucin normal para Grear
Tire. Para calcular x, la distancia recorrida que corresponde a z = -1.28, hacemos lo siguiente:
z = x - = -1.28
x - = -1.28
x = - 1.28
o sea que = 36,500 y = 5000,
x = 36,500 1.28(5000) = 30,100
En consecuencia, una garanta de 30,100 millas cumplir con el requisito de que aproximadamente el 10%
de los neumticos sean elegibles para aprovechar la garanta. Quiz con esta informacin la empresa establezca en
30,000 su garanta de millas recorridas.
Vemos nuevamente el papel importante que desempean las distribuciones de probabilidad para obtener
informacin en la toma de decisiones. Una vez establecida una distribucin de probabilidad para determinada
aplicacin, se puede emplear con rapidez y facilidad para obtener informacin acerca del problema. Las
probabilidades no establecen directamente una recomendacin para la decisin, sino que producen informacin
que ayuda, a quien toma las decisiones, a comprender mejor los riesgos e incertidumbre relacionados con el
problema. En ltimo trmino, esta informacin puede ayudar a que quien toma decisiones se decida por una buena
opcin.
Figura 5
= 5000
El 10% de los neumticos califican
para la garanta del descuento
x
Duracin bajo la garanta en millas = ?
= 36,500
68
Estadstica
EJERCICIOS
1.
Con la figura 2 como gua, trace una curva normal para una variable aleatoria x que tiene media = 100 y
desviacin estndar = 10. Indique los valores 70, 80, 90, 100, 110, 120 y 130 en el eje horizontal.
2.
Si z es una variable aleatoria normal estndar, trace su curva normal. Indique los valores -3, -2, -1, 0, 1, 2, y 3
en el eje horizontal. A continuacin use la tabla de probabilidades de la distribucin normal estndar para
determinar las probabilidades siguientes:
a)
P(0 < z < 1)
b)
P(0 < z < 1.5)
c)
P(0 < z < 2)
d)
P(0 < z < 2.5)
3.
4.
5.
El tiempo promedio que emplea un suscriptor de The Wall Street Journal en leer esa publicacin es de 49
minutos (The Wall Street Journal Estudio de Suscriptores, 1996). Suponga que la desviacin estndar es de
16 minutos, y que los tiempos de lectura tienen distribucin normal.
a)
Cul es la probabilidad de que un suscriptor tarde cuando menos 1 hora en leer la publicacin?
b)
Cul es la probabilidad de que un suscriptor no tarde ms de 30 minutos en leerla?
c)
Cul es el intervalo de tiempo de lectura en el que el 10% de los lectores tardan ms leyndola?
6.
Durante los ltimos aos ha crecido el volumen de acciones negociadas en la Bolsa de Nueva York. Durante
las dos primeras semanas de enero de 1998, el volumen diario promedio fue de 646 millones de acciones
(Barrons enero de 1998). La distribucin de probabilidad del volumen diario es aproximadamente normal,
con desviacin estndar de unos 100 millones de acciones.
a)
Cul es la probabilidad de que el volumen negociado sea menor de 400 millones de acciones?
b)
Qu porcentaje de las veces el volumen negociado es mayor de 800 millones de acciones?
c)
Si la Bolsa quiere emitir un boletn de prensa sobre el 5% de los das ms activos, qu volumen activar
la publicacin?
69
Estadstica
7.
Los chferes miembros del Sindicato de Traileros ganan un salario promedio de $17.15 dlares por hora (U.S.
News World Report, 11 de abril de 1994). Suponga que los datos disponibles indican que los sueldos se
distribuyen normalmente con desviacin estndar de $2.25 dlares.
a)
Cul es la probabilidad de que los salarios estn entre $15.00 y $20.00 dlares por hora?
b)
Cul es el salario por hora correspondiente al 15% mejor pagado de los chferes del Sindicato?
c)
Cul es la probabilidad de que los sueldos sean menores de $12.00 dlares por hora?
8.
La edad promedio que tiene una persona al casarse por primera vez es de 26 aos (U.S. News World
Report, 6 de junio de 1994). Suponga que las edades en el primer casamiento tienen una distribucin normal,
con desviacin estndar de 4 aos.
a)
Cul es la probabilidad de que una persona que se casa por primera vez tenga menos de 23 aos de
edad?
b)
Cul es la probabilidad de que una persona que se casa por primera vez tenga entre 20 y 30 aos de
edad?
c)
El 90% de las personas que se casan por primera vez, a que edad lo hacen?
Mensa es una asociacin internacional de personas con alto coeficiente intelectual. Para pertenecer a ella, una
persona debe tener un coeficiente de 132 o ms alto (USA Today, 13 de febrero de 1992). Si las calificaciones
del coeficiente de inteligencia se distribuyen normalmente con promedio 100 y desviacin estndar 15, qu
porcentaje de las personas califica para ser miembro de Mensa?
10 El tiempo necesario para terminar un examen final en determinado curso se distribuye normalmente con 80
minutos de media y 10 minutos de desviacin estndar. Con estos datos conteste lo siguiente:
a. Cul es la probabilidad de terminar el examen en una hora o menos?
b. Cul es la probabilidad de que un alumno termine el examen en ms de 60 minutos, pero en
menos de 75 minutos?
c. Suponga que en el grupo hay 60 alumnos, y que el tiempo del examen es de 90 minutos. Cuntos
alumnos espera que no puedan terminar el examen en el tiempo indicado?
70
Estadstica
np (1 p) =
No olvidemos que, con una distribucin continua de probabilidades, stas se calculan como reas bajo la
funcin de densidad de probabilidad. Como resultado de lo anterior, la probabilidad de cualquier valor nico de la
variable aleatoria es cero. Para aproximar la probabilidad binomial de 12 xitos debemos calcular el rea bajo la
curva normal correspondiente entre 11.5 y 12.5. El .5 que sumamos y restamos de 12 se llama factor de correccin
por continuidad. Se introduce porque se usa una distribucin continua de probabilidad para aproximar una
distribucin discreta. As, P(x = 12) para la distribucin binomial discreta se aproxima mediante P(11.5 < x < 12.5)
en la distribucin normal continua.
Para una n dada, la aproximacin
normal ser ptima cuando p = .
50.
Figura 6
=3
rea = .1052
x
11.5
= 10 12.5
Al pasar a la distribucin normal estndar, para calcular P(11.5 < x < 12.5), tenemos que
M.A.C. Ing. Josu Salvador Snchez Rodrguez
71
Estadstica
en x = 12.5
en x = 11.5
En la tabla 6.1 encontramos qu el rea bajo la curva (vase la figura 6) entre 10 y 12.5 es de .2967.
Igualmente, el rea bajo la curva entre 10 y 11.5 es de .1915. En consecuencia, el rea bajo la curva entre 11.5 y
12.5 es de .2967 - .1915 = .1052. La aproximacin normal a la probabilidad de 12 xitos en 100 intentos es de .
1052.
En otro caso, supongamos que se desea calcular la probabilidad de 13 errores o menos en la muestra de
100 facturas. En la figura 7 vemos que el rea bajo la curva normal se aproxima a ese valor. Observe que el empleo
del factor de correccin por continuidad produce el valor 13.5, que se usa para calcular la probabilidad deseada. El
valor de z que corresponde a x = 13.5 es
Figura 7
La probabilidad
de 13 errores o menos
es .8790
x
10
13.5
EJERCICIOS
M.A.C. Ing. Josu Salvador Snchez Rodrguez
72
Estadstica
1.
2.
Una encuesta de Customer Reports cit a los distribuidores de los automviles Saturn. Infiniti y Lexus como
los tres mejores en lo que respecta a servicio al cliente (Consumer Reports, abril de 1994). Saturn qued en
primer lugar, y slo el 4% de sus clientes mencion alguna inconformidad con la agencia. Conteste las
siguientes preguntas acerca de un grupo de 250 clientes de Saturn.
a. Cul es la probabilidad de que 12 clientes o menos tengan cierta inconformidad con la agencia?
b. Cul es la probabilidad de que 5 o ms clientes estn descontentos con la agencia?
c. Cul es la probabilidad de que 8 clientes estn descontentos con la agencia?
3.
El departamento de Justicia de Estados Unidos present una demanda contra Microsoft Corporacin, en
diciembre de 1997, por ligar su navegador de red Internet Explorer, con su sistema operativo Windows
95, (Fortune, 2 de febrero de 1998). La opinin pblica se dividi acerca de si Microsoft es un monopolio.
En una encuesta de Fortune, el 41% de quienes contestaron concordaron con la afirmacin Microsoft es un
monopolio
a. En una muestra de 800 personas, cuntas espera el lector que coincidan en que Microsoft es un
monopolio?
b. En esa muestra, cul es la probabilidad de que 300 personas o menos coincidan en que Microsoft es
un monopolio?
c. Nuevamente en una muestra de 800 personas, cul es la probabilidad de que ms de 450 personas no
concuerden en que Microsoft es un monopolio?
4.
Un hotel de Baha Tranquila tiene 120 cuartos. En los meses de primavera, la ocupacin aproximada en ese
hotel es de 75%.Aplique la aproximacin normal a la distribucin binomial para contestar lo siguiente.
a. Cul es la probabilidad de que al menos se ocupe la mitad de los cuartos en cierto da?
b. Cul es la probabilidad de que se ocupen 100 o ms cuartos en cierto da?
c. Cul es la probabilidad de que se ocupen 80 cuartos o menos en cierto da?
73
Estadstica
Una distribucin continua de probabilidad que es til para describir el tiempo que se tarda en realizar una
actividad es la distribucin exponencial de probabilidad. Se puede usar la variable aleatoria exponencial para
describir cosas tales como el tiempo entre llegadas a un autobao, el tiempo necesario para cargar un camin, la
distancia entre los principales defectos en una carretera, etc. A continuacin presentamos la funcin de densidad de
probabilidad exponencial.
Si las llegadas se apegan a una
distribucin de Poisson, el tiempo entre
llegadas debe apegarse a una
distribucin exponencial.
f(x) = 1 e-x/
(13)
Como ejemplo de una distribucin exponencial de probabilidad, supongamos que el tiempo que se tarda
en cargar un camin en el muelle de Mercurio sigue esa distribucin. Si la media del tiempo, o tiempo promedio
para cargarlo es de 15 minutos ( = 15), su funcin de densidad de probabilidad es
f(x) = 1 e-x/15
15
La figura 8 es la grfica de esta funcin de densidad.
Figura 8
f(x)
.07
.05
.03
.01
x
0
15
25
35
45
Tiempo de carga
74
Estadstica
Como en cualquier distribucin continua de probabilidad, el rea bajo la curva que corresponde a cierto
intervalo equivale a la probabilidad de que la variable aleatoria asuma un valor en ese intervalo. En el ejemplo del
muelle de Mercurio, la probabilidad de que la carga de un camin dure 6 minutos o menos (x < 6) se define como
el rea bajo la curva de x = 0 a x = 6 en la figura 8. Igualmente, la probabilidad de que la carga de un camin dure
18 minutos o menos (x < 18) es el rea bajo la curva, de x = 0 a x = 18. Tambin observamos que la probabilidad
de que la carga de un camin dure de 6 a 18 minutos (6 < x < 18) se expresa por el rea bajo la curva de x = 6 a
x = 18.
Para calcular probabilidades exponenciales como las que acabamos de describir empleamos la siguiente
ecuacin, que cada como resultado la probabilidad de obtener un valor de la variable aleatoria exponencial igual o
menor que determinado valor especfico de x, representado por x0.
(14)
La figura 9 muestra el rea o la probabilidad de un tiempo de carga de seis minutos o menos. Tambin observe que
la probabilidad de cargar un camin en 18 minutos o menos (x < 18) es
P(tiempo de carga < 18) = 1 e-18/15 = .6988
PROBABILIDAD DE UN TIEMPO DE CARGA DE 6 MINUTOS O MENOS
Figura 9
.07
f(x)
.06
.05
10
15
20
25
30
35
40
45
Tiempo de carga
As, la probabilidad de que la carga de un camin tarde de seis a 18 minutos es igual a .6988 - .3297 = .
3691. De este modo se pueden calcular las probabilidades para cualquier otro intervalo.
M.A.C. Ing. Josu Salvador Snchez Rodrguez
75
Estadstica
EJERCICIOS
1.
2.
3.
El tiempo entre llegadas de vehculos a determinado crucero sigue una distribucin exponencial de
probabilidad, con una media de 12 segundos.
a. Grafique esta distribucin exponencial de probabilidad
b. Cul es la probabilidad de que el tiempo entre las llegadas de dos vehculos sea de 12 segundos o
menos?
76
c.
d.
4.
Estadstica
Con frecuencia se supone que los tiempos de espera siguen una distribucin exponencial de probabilidad. Un
estudio de tiempos de espera en restaurantes de comida rpida, efectuado por The Orlando Sentinel en octubre
de 1993 demostr que el tiempo promedio de espera para recibir la comida, despus de hacer el pedido en
Burguer King, McDonals y Wendys era de 60 segundos. Suponga que se aplica a los tiempos de espera una
distribucin exponencial de probabilidad.
a. Cul es la probabilidad de que un cliente espere 30 segundos o menos?
b. Cul es la probabilidad de que un cliente espere 45 segundos o menos?
c. Cul es la probabilidad de que un cliente esper ms de dos minutos?
GLOSARIO
FORMULAS CLAVE
Funcin de densidad uniforme de probabilidad
f(x) =
1__
ba
0
1
e -(x - ) / 2
2
77
Estadstica
BIBLIOGRAFA RECOMENDADA
78