Académique Documents
Professionnel Documents
Culture Documents
VARIABLES ALEATORIAS
Por lo tanto, un mismo experimento se puede llevar a cabo para tomar distintas
decisiones, pero a pesar de que el propósito sea distinto cuando se lleva a cabo
un experimento aleatorio, éste no cambia su comportamiento por el simple hecho
de que los propósitos cambien.
O sea, una cosa son los distintos resultados de un experimento (espacio muestral)
y otra son los propósitos que perseguimos cuando realizamos el experimento.
Una variable aleatoria es una variable que toma valores numéricos determinados
por el resultado de un experimento aleatorio.
Es decir, una variable aleatoria, es una función que asocia un número real a cada
elemento del espacio muestral. Y estos valores pueden considerarse como los
valores que asume la variable aleatoria.
Se utilizará una letra mayúscula, por ejemplo una X, para designar una variable
aleatoria y su correspondiente letra minúscula, x en este caso, para uno de sus
valores.
1
Probabilidad y Estadística
Por tanto, una variable cuyos valores numéricos quedan determinados por los
resultados de un experimento, se llama VARIABLE ALEATORIA.
Ejemplo
2
Probabilidad y Estadística
Cuando una variable aleatoria puede tomar valores en una escala continua, se le
llama VARIABLE ALEATORIA CONTÍNUA.
Sea X una variable aleatoria discreta. Su distribución viene dada por los valores
que puede tomar, x1 , x 2 , x 3 , ... , x k y las probabilidades de que aparezcan
f x 1 p1 , f x 2 p 2 , f x 3 p 3 , ... , f x k p k . Estas cantidades f x i P X x i
reciben el nombre de función de probabilidad o función de masa. La
representación gráfica más usual de la función de probabilidad es un diagrama de
barras no acumulativo.
3
Probabilidad y Estadística
Ejemplo
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
Ejemplo
4
Probabilidad y Estadística
Entonces, sea cual sea el resultado del experimento, la variable X puede tomar
únicamente los valores x = 0, 1, 2 o 3. Así:
f 0 P X 0 1 0.125
8
f 1 P X 1 3 0.375
8
f 2 P X 2 3 0.375
8
f 3 P X 3 1 0.125
8
En resumen:
5
Probabilidad y Estadística
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0 1 2 3
1. f x 0
2. f x 1
P a X b f a f a 1 ... f b 1 f b
P X a P X a 1 ... P X b 1 P X b
3. b
P X xi
xi a
P X 2 ?
P X 2 P X 0 P X 1 P X 2
0,125 0,375 0,375
0,875
P 1 X 2 ?
P 1 X 2 P X 1 P X 2
0,375 0,375
0, 75
6
Probabilidad y Estadística
F x P X x f t para x
tx
Ejemplo
F 0 P X 0 1 0.125
8
F 1 P X 1 P X 0 P X 1 0,125 0.375 0,5
F 2 P X 2 P X 0 P X 1 P X 2 0,5 0.375 0,875
F 3 P X 3 P X 0 P X 1 P X 2 P X 3 0,875 0,125 1
FUNCIÓN DE FUNCIÓN DE DISTRIBUCIÓN O
No. CARAS
PROBABILIDAD PROBABILIDAD ACUMULADA
(x) f x P X x F x P X x
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 8/8
7
Probabilidad y Estadística
1.0
0.8
0.6
0.4
0.2
0.0
0 1 2 3
Ejemplo
Solución:
FUNCIÓN DE DISTRIBUCIÓN O
No. PUNTOS FUNCIÓN DE PROBABILIDAD
PROBABILIDAD ACUMULADA
x f x P X x
F x P X x
2 1/36 1/36
3 2/36 3/36
4 3/36 6/36
5 4/36 10/36
6 5/36 15/36
7 6/36 21/36
8 5/36 26/36
9 4/36 30/36
10 3/36 33/36
11 2/36 35/36
12 1/36 36/36
8
Probabilidad y Estadística
E X Y E X EY
d. Si X e Y son dos variables aleatorias independientes se cumple que:
E X Y E X EY
n
μ E X
i 1
xi f(xi )
x 1 f (x1 ) x 2 f (x 2 ) . . . x n f (x n )
Ejemplo:
μ E X 1 1 6 2 1 6 3 1 6 4 1 6 5 1 6 6 1 6 21 6 3.5
9
Probabilidad y Estadística
Ejemplo
Sea X una variable aleatoria que expresa el Nº de personas que habitan en una
vivienda elegida al azar. La distribución de probabilidad de X es la siguiente:
xi 1 2 3 4 5 6 7 8ó+
f (xi ) 0,230 0,322 0,177 0,155 0,067 0,024 0,015 0,010
F ( 4 ) P (X 4 ) P (X 1 ) P (X 2 ) P (X 3 ) P (X 4 )
0.23 0.322 0.177 0.155
0.884
Calcular la probabilidad de que al menos dos personas vivan en una vivienda.
P (X 2) P (X 2) P (X 3) ... P (X 8)
1 P (X 2)
1 0.23
0.77
Obtener el nº medio de personas que habitan en una vivienda.
μ E x x1 f ( x1 ) x 2 f ( x2 ) . . . x n f ( xn )
1 0.23 2 0.322 3 0.177 . . . 7 0.015 8 0.01
2.689
Ejemplo
10
Probabilidad y Estadística
2 1/36 2/36
3 2/36 6/36
4 3/36 12/36
5 4/36 20/36
6 5/36 30/36
7 6/36 42/36
8 5/36 40/36
9 4/36 36/36
10 3/36 30/36
11 2/36 22/36
12 1/36 12/36
12
x f x 252 36
2
La Esperanza Matemática será:
n
μ E x xi f( xi )
i 1
x1 f ( x1 ) x 2 f ( x 2 ) . . . x n f ( x n )
2 36 ... 12 36
252 36
7
Ejemplo
Una caja contiene 3 balotas negras y 7 blancas. Se extrae una balota de esta
caja. Si ésta es de color negro usted gana $2.000.oo. Pero si es blanca usted
pierde $1.000.oo. ¿Cuál es la esperanza matemática de éste juego?
Solución
x f x x f x
(Cantidad de Ganancia o Pérdida)
+ $2.000.oo (Negra) 3/10 + $6.000/10
- $1.000.oo (Blanca) 7/10 - $7.000/10
E X x f x 1.000 10 100
Es decir, suponiendo que usted realice este juego varios de miles de veces, cada
vez usted ganará $2.000.oo o perderá $1.000.oo; Sin embargo, en estos miles de
juegos usted puede esperar una pérdida promedio de $100.oo.
Ejemplo
11
Probabilidad y Estadística
Una caja contiene 4 balotas rojas, 6 negras y 8 verdes. Se extrae una balota de
esta caja. Si ésta es de color roja usted gana $3.000.000.oo. , si es negra usted
gana $2.000.000.oo. ¿Cuánto debería pagar usted si se extrae una balota verde
para asegurar que el juego fuera equitativo?
Solución
X P(x) xP(x),
(Cantidad de Ganancia o Pérdida)
+ $3.000.000.oo (Roja) 4/18 12.000.000
18
+ $2.000.000.oo (Negra) 6/18 12.000.000
18
- $L (Verde) 8/18 8 L
18
8 L 24.000
E X x f x
18 18
8 L 24.000.000
0 8 L 24.000.000
18 18
24.000.000
L 3.000.000
8
Luego, si usted paga $3.000.000.oo cuando extrae la balota verde, la Esperanza
Matemática del juego es cero y éste es equitativo.
Ejemplo
Solución
12
Probabilidad y Estadística
P E1 1 , P E 2 1 , ... P En 1
5 5 5
Y = 0 mujeres es:
3 3
3
0 2
Ya que el supervisor debe seleccionar ninguna mujer y dos de los tres hombres,
de modo que hay 3 puntos muestrales en el evento Y = 0, por lo que:
13
Probabilidad y Estadística
33
0 2 3 1
f0 P(Y 0)
6 15 5
2
Y = 1 mujeres es:
14
Probabilidad y Estadística
3 3
11 9 3
f1P(Y1) , y
6 15 5
2
Y= 2 mujeres es:
15
Probabilidad y Estadística
3 3
2 0 3 1
f2 P(Y 2) ,
6 15 5
2
Observe que (Y = 1) es el resultado más probable, lo cual parece adecuado, ya
que el número de mujeres es igual al número de hombres en el grupo original.
y f y P(Y y)
0 1/5
1 3/5
2 1/5
16
Probabilidad y Estadística
34
f(x) x3x
7
3
Ejemplo
SOLUCION:
17
Probabilidad y Estadística
P A y B P A B P A P B / A
P A B C P A P B / A P C / A B
18
Probabilidad y Estadística
P A B C D P A P B / A P C / A B P D / A B C
Por tanto,
x f(x) P(X x)
B 1 5 8
DB 2 15 56
DDB 3 5 56
DDDB 4 1 56
SOLUCIÓN:
19
Probabilidad y Estadística
4 3
x 3 x
f(x)
7
3
Si se realizan los cálculos correspondientes se tiene que:
f 0 1
35
f 1 12
35
f 2 18
35
f 3 4
35
Por lo tanto,
3
μ E(X) x f x
0
35 1 12 35 2 18 35 3 4 35
μ E X 0 1
μ E X 12 1,7
7
20
Probabilidad y Estadística
Ejemplo
Una compañía ha vendido 205 tiquetes para un avión de 200 puestos. Sea X la
variable aleatoria que expresa el Nº de viajeros que va al aeropuerto para viajar en
el avión. Hallar:
La función de distribución
La probabilidad de que todos los viajeros que van al aeropuerto tengan puesto.
Obtener la probabilidad de que se quede sin puesto alguno de los viajeros que
va al aeropuerto.
Calcular el Nº esperado de viajeros que acude al aeropuerto
¿Cuál es la probabilidad de que la primera persona de la lista de espera tenga
sitio en el vuelo?
Solución:
Su distribución es:
La probabilidad de que todos los viajeros que van al aeropuerto tengan puesto
es:
21
Probabilidad y Estadística
n
E x x i f ( x i )
i 1
E x 198 0.05 199 0.09 200 0.15 201 0.2 202 0.23
203 0.17 204 0.09 205 0.02
201.44
X2 V X E X 2
n
f x x
i 1
i i
2
f x1 x1 2 f x2 x2 2 ... f xn xn 2
PROPIEDADES DE LA VARIANZA
2
σX
V X E X 2 E X 2
Si a y b son constantes se cumple que: V a X b a 2 V X
22
Probabilidad y Estadística
V X Y V X V Y
f xi x i 2
n
X
i 1
X
CV X
E x
Ejemplo
Se lanza tres veces una moneda. Sea X la variable aleatoria que expresa el Nº de
caras en los tres lanzamientos.
CCC , CCS , CSC , SCC SSC , SCS , CSS , SSS . Por tanto,
23
Probabilidad y Estadística
1
x 0 SSS
0.125 f (0) P (X 0)
8
3
x 1 SSC , SCS , CSS f (1) P (X 1) 0.375
8
3
x 2 CCS , CSC , SCC f (2) P (X 2) 0.375
8
1
x 3 CCC f (3) P (X 3) 0.125
8
Calcular el Nº esperado de caras al lanzar la moneda. ¿Era previsible el
resultado?
n
E X xi f(xi ) 0 0.125 1 0.375 2 0.375 3 0.375 1.5
i 1
Sí, ya que en cada lanzamiento P(C)=1/2 y al lanzar tres veces se tiene que
3 1 / 2 1 ,5 .
Hallar la desviación típica de X
n
σx (x i E X )
2
f(xi )
i 1
2 2 2 2
(0 1.5) (0.125) (1 1.5) (0.375) (2 1.5) (0.375) (3 1.5) (0.125)
También podemos calcular la desviación de la siguiente manera:
n
σx x i2 f(x i ) (E X ) 2
i 1
Ejemplo
Solución
24
Probabilidad y Estadística
σ 2
X
V X E X 2 E X
2
Sugerencia, elabore una tabla como la anterior.
Ejemplo
x 0, 1, 2, 3
p(x)= 4/35 18/35 12/35 1/35
Comprobar que es una fdp y hallar E(x), E(x2) y V(x).
Solución
3
También E(x )
2
0 x 2 p(x) 1 0 2 4 1 2 18 2 2 12 3 2 1 15
35 7
Entonces
V x E x 2 E 2 x
24
49
Ejemplo
25
Probabilidad y Estadística
Solución
3 ! 12
12
3
!
12 - 3 !
120
3 negras y o blancas
4
5
3 0
2 negras y 1 blanca
4
5
2 1
1 negra y 2 blancas
4
5
1 2
Por tanto,
P( X 0)
84
4
3
5
0
4
2
5
1
4
1
5
2
4
0
12
3 120
26
Probabilidad y Estadística
1 Roja 2 negras y 0
blancas
3
1
4
2
5
0
1 Roja 1 negras y 1
blanca
3
1
4
1 5
1
1 Roja 0 negra y 2
blancas
3
1
4
0
5
2
Ahora la probabilidad de que dentro de las tres balotas seleccionadas haya una
balota roja P ( X 1) . Por tanto:
3 4 5 4 5 4 5 4 5
1
3 0 2 1 1 2 0 3
108
P(X 1)
12
3 220
Para x = 2, es decir, debemos calcular el número de maneras posibles de
seleccionar dos (2) balotas rojas, dentro de las tres que se seleccionan.
Entonces como ya se sabe que dentro de las tres que se seleccionan debe
existir dos (2) balotas rojas, entonces, se pueden elegir:
2 Rojas 1 negras y 0
blancas
3
2
4
1
5
0
2 Roja 0 negras y 1
2
3 4 5
blanca
0 1
Ahora la probabilidad de que dentro de las tres balotas seleccionadas haya una
balota roja P ( X 2 ) . Por tanto,
3 4 5 4 5
2 1 0 0 1
27
P(X 2)
12
220
3
Para x = 3, es decir, debemos calcular el número de maneras posibles de
seleccionar tres (3) balotas rojas, dentro de las tres que se seleccionan.
Entonces como ya se sabe que dentro de las tres que se seleccionan debe
existir tres (3) balotas rojas, entonces, se pueden elegir:
27
Probabilidad y Estadística
3 Rojas 0 negras y 0
3
3 4 5
blancas
0
0
3
3
Total (tres Rojas)
x f(x) P(X x) F x P X x
0 84 220
1 208 220
2 27 220
3 1 220 1
3
μ E(X) x f x
Por lo tanto, 0
μ E X 0 3.3818 1 0.4909 2 0.1227 3 0.0046
μ E X ?
Ejemplo
SOLUCIÓN
Primero debemos tener en cuenta que la variable puede tomar solamente los
valores x = 0,1, 2, 3
28
Probabilidad y Estadística
10
Ω 210
4
Ahora se debe encontrar de cuántas maneras posibles se pueden seleccionar
cero (0) bombillas defectuosas de las 10 existentes, conociendo que de estas
10 bombillas existen 7 en buen estado. Es decir, para hallar cuando x = 0 se
hace:
3 7
35
0 4
Por último hallamos la probabilidad de que la primera bombilla seleccionada esté
en buen estado, es decir, que no sea defectuosa, o sea, hallar P X 0 .
Entonces usamos el Concepto clásico o de Laplace: La probabilidad es el
cociente entre el número de casos favorables dividido por el número de
casos posibles cuando se realiza un experimento aleatorio.
29
Probabilidad y Estadística
3 7
0 4 35
f(0) XP 0
10 210
4
Ahora se debe encontrar de cuántas maneras posibles se pueden seleccionar
una (1) bombilla defectuosa de las 10 existentes, conociendo que de estas 10
bombillas existen 7 en buen estado. Es decir, para hallar cuando x = 1 se hace:
3 7
105
1 3
Por tanto:
30
Probabilidad y Estadística
3 7
1 3 105
f(1) XP 1
10 210
4
Ahora se debe encontrar de cuántas maneras posibles se pueden seleccionar
dos (2) bombillas defectuosas de las 10 existentes, conociendo que de estas
10 bombillas existen 7 en buen estado. Es decir, para hallar cuando x = 2 se
hace:
3 7
21
2 1
Por tanto:
31
Probabilidad y Estadística
3 7
2 1 21
f(2) XP 2
10 210
4
Ahora se debe encontrar de cuántas maneras posibles se pueden seleccionar
las tres (3) bombillas defectuosas de las 10 existentes, conociendo que de
estas 10 bombillas existen 7 en buen estado. Es decir, para hallar cuando x = 3
se hace:
3 7
1
3 0
Por tanto:
32
Probabilidad y Estadística
3 7
3 0 1
f(3) XP 3
10 210
4
En resumen, la Distribución de Probabilidad y la Función de Distribución es:
x f(x) x f(x) 2
x f(x)
0 35 210 0 0
1 105 210 105 210 105 210
2 21 210 42 210 84 210
3 1 210 3 210 9 210
Total 150 210 198 210
33
Probabilidad y Estadística
La esperanza será:
150 5
EX 0.714
210 7
Para hallar la varianza, aplicamos la fórmula: σ 2 E X 2 E X
Es decir, primero hallamos: 2 198
E X
210
33
35
Y reemplazando tenemos que:
2
2 33 5
σ
35 7
33 25
35 49
106
0,4327
245
σ 0,6578
Ejemplo
Cinco animales de una población considerados especie en vía de extinción en
cierta región han sido atrapados, marcados y puestos en libertad para que se
mezclen con la población (M = 5). Después de mezclarse se eligió una muestra
aleatoria de 10 (n = 10).
Solución:
Los parámetros de distribución son n = 10, M = 5 y N = 25 así
34
Probabilidad y Estadística
5 20
x 10 - x
hx,10,525 x 0,12,34,5
25
10
35
Probabilidad y Estadística
5 20
2 8
a)
P(X 2) 0.385
25
10
P(X 2) P(X 0) P(X 1) P(X 2)
b) 0.057 0.257 0.385
0.699
E(X) n M
N
c) 10 5
25
2
N n M M
V(X) n 1
N 1 N N
15 5 5
10 1
f) 24 25 25
15
(10) (0.2) (0.8)
24
1
36
Probabilidad y Estadística
n M
N̂ entonces, reemplazando tenemos :
x
100 40
N̂
16
N̂ 250
Ejercicio
1. Un embarque de 8 computadores portátiles similares que se envía a un distribuidor contiene 3 aparatos defectuosos. Si
una escuela realiza una compra aleatoria de 2 de estos computadores, encuentre la distribución de probabilidad para el
número de computadores portátiles defectuosos.
Una VARIABLE ALEATORIA CONTINUA, es aquella que puede tomar todos los
valores de un intervalo dado.
Ejemplos
37
Probabilidad y Estadística
f x 0
f x dx 1
Ejemplo
1 si 0 x 1
f(x)
0 resto
Esta función así definida cumple las dos condiciones:
f x 0
38
Probabilidad y Estadística
1
f x dx dx 1
0
Ejemplo
Determinar el valor de k para que la función dada, sea una función de densidad
2 x k si 1 x 2
f(x)
0 resto
Solución
2 2
f x dx 2 x k dx
1 1
x 2 kx 1 2
2
k 2 12 k 1
2
4 2 k 1 k
4 2 k 1 k
3 k
E ntonces :
2
f x dx 3 k, ,
1
como :
f x dx 1
entonces :
f x dx 3 k,
1
1 3 k
k 2
39
Probabilidad y Estadística
Ejemplo
3 x 2 si 0 x 1
f(x)
0 resto
Determinar su Función de Distribución.
a. Si x < 0
0 0
F( 0 ) P X 0 f t dt 0 dt 0
b. Si 0 ≤ x ≤ 1
x 1
3 1
F(x) f t dt P 0 x 1 F 0 0 3 t
2
dt 0 t 0 x
3
c. Si x > 1
x 1
F(x) f t dt P x 1 F 1 1 3 t dt 1 0 1
2
0
En resumen:
40
Probabilidad y Estadística
0 si x 0
F(x) x 3 si 0 x 1
1 si x 1
Donde x son los valores que toma la variable y f(x) es la función de densidad
Propiedades:
1. Dada una variable aleatoria continua que toma siempre el mismo valor C, es
decir, la variable es constante. Su esperanza es esa misma constante.
E C C f x dx C f x dx C ya que f x dx 1
2. E X - E X 0 veámoslo:
E X - E X xi E X f x dx xi f x dx E X f x dx
xi f x dx E X f x dx
E X E X
0
3. Sean X e Y dos variables aleatorias, Ε X Y Ε X Ε Y
4. En general, Ε a X b a Ε X b
Ejemplo
1 si 1 x 2
f x
0 En el resto
41
Probabilidad y Estadística
Solución:
1 2
E X x f x dx x f x dx 1 x f x dx 2 x f x dx
2
1 x dx
2
2
x
2 1
2 1
2
3
2
Ejemplo
6 x x 1 si 0 x 1
f x
0 En el resto
Solución:
1
E X x f x dx x 6 x x - 1 dx
0
6 x dx
1
3 2
6x
0
1
3 x 2x
4 3
2 0
3 1 4 2 1 3 3 0 4 2 0 3
2 2
3 2
2
1
2
42
Probabilidad y Estadística
f x x μ donde E X μ
2
dx ,
PROPIEDADES DE LA VARIANZA
DESVIACIÓN TÍPICA
43
Probabilidad y Estadística
σ X VAR X
f xi xi μ
2
CV X σX
E x
Ejemplo
1 si 1 x 2
f x
0 En el resto
Determinar la varianza de X.
SOLUCIÓN
1 2
E X x f x dx x f x dx x f x dx x f x dx
1 2
2
x dx
1
2
2
x
2 1
2 1
2
3
2
44
Probabilidad y Estadística
x
1 2
E X2 2
f x dx x f
2
x dx x2 f x dx x2 f x dx
1 2
2
2
x3
x dx
2
1 3 1
8 1
3 3
7
3
Por tanto,
V X E X E X
2 2
7 3
3 2
2
7 9
3 4
V X 1
12
Ejemplo
6 x x 1 si 0 x 1
f x
0 En el resto
Halla su varianza.
1
E X x f x dx x 6 x x - 1 dx
0
6 x
1
3
6 x 2 dx
0
1
3 x4 2 x3
2 0
3 1 4 2 1 3 3 0 4 2 0 3
2 2
3 2
2
1
2
45
Probabilidad y Estadística
x
1
E X
2 2
f x dx x
2
6 x x - 1 dx
0
6 x dx
1
4 3
6x
0
1
6 x 3 x
5 4
5 2 0
6 3
5 2
3
10
Por tanto,
X E X
2
V X E 2 2
3 1 3 1
10 2 10 4
V X 1
20
Ejemplo
Las marcas obtenidas por un lanzador de peso sigue una v.a con función de
densidad:
x2
f x k 9 si 0 x 3
0 En el resto
Donde las distancias, X, se miden en metros (m).
a) Calcular el valor de K.
b) Calcular la distancia media esperada, así como una medida de dispersión de
la variable.
SOLUCIÓN:
Hallamos el valor de K
46
Probabilidad y Estadística
2 3 x2
f x dx k
1 0
9
dx
3
k x3
9 3 0
k
27
x3 0
3
k
27
33 0 3
k
27
27
k
Entonces:
3
f x dx
0
k,
Ahora como:
f x dx
1 entonces al igualar tenemos:
1 k
k 1
1
36
x4 0
3
1
36
34 04
1
81
36
9
4
Para hallar la varianza, primero debemos hallar E X 2 :
47
Probabilidad y Estadística
3 x2
E X 2 x 2 f x dx x 2 dx
9
0
3
1 4
x dx
90
3
1 x5
9 5
0
1 5 3
x
45 0
1 5
3 05
45
1
243
45
27
5
Por tanto,
2
V X E X2 E X 2 27 9 27 81
5 4 5 36
V X 27 0.3375
80
Ejemplo
SOLUCIÓN
f(x) dx 1
48
Probabilidad y Estadística
2
En efecto
f(x) dx 2 x 1 dx
1
2
x2
2 x
2
1
2 2 12
2 * 2 1
2 2
4 1
2 * 2 1
2 2
1
2 * 0
2
1
2*
2
1
2
2 x3 x2
1
E x x f(x) dx 2 x 1 x dx 2
3
2
1
3
2 2 2 13 1 2
2 *
3 2 3 2
8 4 1 1
2 *
3 2 3 2
16 12 2 3
2 *
6 6
4 1
2 *
6 6
5
2*
6
5
3
49
Probabilidad y Estadística
2
2 x 4 x3
E x x f(x) dx 2 x 1 x dx 2
2 2 2
4 3
- 1 1
24 23 14 13
2 *
4 3 4 3
16 8 1 1
2 *
4 3 4 3
48 32 3 4
2 *
12 12
16 1
2 *
12 12
16 1
2 *
12
17
2*
12
17
6
Y por lo tan to :
VAR X E x 2 E x
2
2
17 5
6 3
17 25
6 9
153 150
54
3
54
1
18
50
Probabilidad y Estadística
EJEMPLO:
k 2 x 3x 2 Si 0 x 2
f x
0 Re sto
k 2 x 3x dx 1
2
2
k 2 x 3 x dx 1
2
2
2 2x 2 3x 3
k 0
2
3
1
2
x
2 x3 1
k
0
k 2 2 23 1
k 4 8 1
4k 1
1
k
4
1
E x x 2x 3x 2 dx
2
0
4
2
1 1 2x3 3x4
2x 3x dx
2
2 3
4 0 4 3
4
0
12 3
23 24
4 3 4
1 16 48
4 3 4
1 16 1 48
4 3 4 4
4
3
3
49
3
5
E x
3
51
Probabilidad y Estadística
σ 2 x E x 2 E x
2
1
E x 2 x 2 2 x 3 x 2 dx
2
0
4 27 5
2
1
2 x 3 x 2 dx
2
10 3
0
4 27 25
1 2 2 x4 3 x5 10 9
4
0
4 5
252 250
1 1 x4 3 x5
2 90
4 0
2
5
2
90
1 1 3
2 4 25 1
42 5 σ2 x
45
1 96
8
4 5
1 40 96
4 5
1 56
4 5
56
20
28
10
14
E x 2
5
EJEMPLO:
k 3 x 2 2 x Si 0 x 2
f x
0 Resto
52
Probabilidad y Estadística
3x 2 x dx 1
2
2
k
0
2 3x 3 2x 2
k 0
3 2 1
x x2 1
2
k 3
k23 22 1
k 8 4 1
4k 1
1
k
4
x 4 3 x 2 x dx
2
1
E x 2
3 x 2 x dx
2
1
4
3 2
1 3x 2x
2 4 4
4 4
0 3
13 4
2 2
44
2 3
3
13 2
16 8
44 3
1 16
12
4 3
1 36 16
4 3
1
20
12
5
E x
3
53
Probabilidad y Estadística
x
2
1
E x2 2
3 x 2 2 x dx
0 4
3 x 2 x dx
2
1
4 3
4 0
1 3x 2
2x 5 4
4 5
0 4
13 5
2 2
45 2
1 4
1 96 8
4 5 1
1 96 40
4 5
1 56
4 5
56
20
E x2
28
10
Var X σ 2 x E x 2 E x 2
2
28 5
10 3
28 25
10 9
252 250
90
2
90
1
σ2 x
45
4 3x
1
F x 2
2 x dx
1 3x 3 2 x 2
4 3 2
F x
1 3
4
x x2 2
EJEMPLO:
54
Probabilidad y Estadística
k 3 x x 2 Si 0 x 2
f x
0 Resto
k 3x x dx 1
2
2
k 3 x x dx 1
2
0
2
3x
2
x
2 3
k
2 3 dx 1
0
3 2
k
2
2 3
3
1
2
8
k6 1
3
18 8
k 1
3
10k
1
3
3
k
10
x 10 3 x x dx
2
3
E x 2
3 x x dx
2
10
3 2 3
0
3x 2
x 3 4
10 3
3
0 4
24
3 x3 x
10
0 4
1 16 48
4 3 4
1 3 2 4
2
4 4
3
8 4
10
12
10
6
E x
5
55
Probabilidad y Estadística
2
3
E x2
0
x2
10
3 x x 2 dx
2 x E x
2
E x 2
3 x
2 2
3 3 42 6
x 4 dx
10 0 25 5
2 5
4
28 36
3 3x x
4
10 0 5 10 25
3 3 2 4
25
2
x
6
25
10 4 5
3 48 32
10 3x x dx
10 4 5 F x 3 2
3 32
12 2 3
10 5 3 3x x
3 60 32
10 2 3
10 5
3 28
10 5
E x2
42
25
EJERCICIOS
x2
k ( ) si 0 x 3
f(x) 9
0 en el resto
donde las distancias, X, se miden en decámetros.
a) Calcula el valor de k.
56
Probabilidad y Estadística
2. Una urna contiene 3 bolas rojas, 4 bolas negras y 5 blancas. Se extraen sin
reemplazamiento 3 bolas. Calcula la distribución de probabilidad, función de
distribución, media y desviación típica de las siguientes variables aleatorias
asociadas:
k (x 2 )2 si 2 x 4
f(x)
0 en el resto
a) Calcula el valor de k.
b) Calcula la duración media de una batería.
c) Calcula la probabilidad de que una batería dure más de 2 años y
medio.
d) Sabiendo que una batería tiene más de un año, calcula la
probabilidad de que dure menos de 3.
k ( 2 x2 ) si 2 x 2
f(x)
0 en el resto
57
Probabilidad y Estadística
a) Calcula el valor de k.
b) Calcula la función de distribución.
c) Calcula la probabilidad de que el termómetro dé la temperatura
exacta.
d) Probabilidad de que el termómetro cometa un error de entre -1 y 1
grado.
e) Probabilidad de que el error sea menor que 1 sabiendo que es
mayor que -1
f) Estima el error esperado.
0 si x 0
2
F(x) x si 0 x 5
25
1 si x 5
a) Calcula la probabilidad de que una llamada dure tres minutos.
b) Calcula la probabilidad de que una llamada dure menos de tres minutos.
c) Calcula la función de densidad de la variable.
d) Calcula la duración esperada de una llamada.
e) Calcula la probabilidad de que una llamada dure menos de 4 minutos
sabiendo que ha durado más de tres
x si 2 x 4
10
f(x) k si 4 x 5
0 en el resto
a) Calcula el valor de k.
b) Calcula la función de distribución.
c) Calcula P ( 3 X 4)
58
Probabilidad y Estadística
0 si x 1
1
F(x) k (1 ) si 1 x 2
x
1 si x 2
a) Calcula la función de densidad de la variable.
b) Calcula el valor de k.
c) Calcula la probabilidad de que la variable tome valores comprendidos entre
0.5 y 1.5.
d) Calcula la probabilidad de que X sea mayor que 1.5 sabiendo que X < 1.75.
kx si 3 x 5
f(x)
0 en el resto
a) Calcula k para que f(x) sea función de densidad.
b) Calcula la función de distribución.
c) Calcula media, varianza y desviación típica.
d) Calcula la probabilidad de que la primera reparación importante deba
hacerse antes de los dos años.
x si 0 x 1
f(x)
2 x si 1 x 2
Hallar el tiempo medio y su varianza. ¿Cuál es la probabilidad de que el
tiempo de atención a un nuevo cliente esté entre tres cuartos de hora y una
hora y cuarto?
59
Probabilidad y Estadística
x
11. Sea X una v.a. con f(x) 1 , 0 x 2 Calcular la media, la varianza y el
2
coeficiente de variación.
8
f(x) 3 4 x 2 x , 0 x 2
2
( x en millones de unidades )
13. Una muestra aleatoria con reposición de tamaño n=2 se selecciona del
conjunto {1, 2, 3} produciendo el espacio equiprobable de 9 elementos.
S= {(1,1),(1,2),(1.3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3)}. Sea X la suma de los
dos números.
14. Una caja contiene 8 bombillos, de los cuales están 3 están defectuosos. Se
selecciona un bombillo de la caja y se prueba. Si este sale defectuoso se
selecciona y se prueba otro bombillo, hasta que se escoja un bombillo no
defectuoso. Encuentre:
x 1 3 5 7
f(x) P X x 0.3 0.1 0.4 0.2
60
Probabilidad y Estadística
EJERCICIOS EN CLASE
8
f(x) 3 4 x 2 x , 0 x 2
2
( x en millones de unidades )
k (x3 2) si 0 x 5
f(x)
0 en el resto
a) Calcula k para que f(x) sea función de densidad.
b) Calcula la función de distribución.
c) Calcula media, varianza y desviación típica.
k ( 2 x2 ) si 2 x 2
f(x)
0 en el resto
a) Calcula el valor de k.
b) Calcula la función de distribución.
61
Probabilidad y Estadística
15 DE MARZO DE 2018
En este tema sobre VARIABLE ALEATORIA, aún queda la sensación de que los
problemas relacionados con la probabilidad, se pueden resolver o estudiar
62
Probabilidad y Estadística
Sin embargo, son pocos los problemas prácticos que pueden ser resueltos de
esta manera. Por ello se recurre más bien al estudio de la RELACIÓN existente
entre los RESULTADOS del experimento y la PROBABILIDAD asociada a tales
resultados. De este estudio surgen modelos probabilísticos que resuelven
problemas de variables discretas como de variables continuas, tales como los
modelos: Modelo Binomial, el Modelo de Poisson, el Modelo Hipergeometrico, el
Modelo de la Normal, etc.
1. DISTRIBUCIÓN DE BERNOULLI
63
Probabilidad y Estadística
Ejemplos
p=1/2
EJEMPLOS
Solución.
64
Probabilidad y Estadística
Solución.
En los dos ejemplos anteriores hemos visto cómo enunciar los resultados de un
experimento en forma de estimación de parámetros en distribuciones de Bernoulli.
2. DISTRIBUCIÓN BINOMIAL
65
Probabilidad y Estadística
Una V. A. Binomial está definida como el Número de Éxitos (X) en los n ensayos.
Por lo tanto, la Función de Probabilidad de la V. A depende de las constantes o
parámetros de la Distribución Binomial, desconocidas:
n x n x
b x n,;( p) f x)( P(X x) p q x 0,1, 2
x
n n n!
Donde es un símbolo que representa
x x !( xnx )!
Y la función de distribución Acumulada de la V. A. Binomial es:
66
Probabilidad y Estadística
n n x n x
F x)( P(X x) p q
x 0 x
La cual es la fórmula para determinar la probabilidad de un número designado de
éxitos (x) en una Distribución Binomial
EJEMPLOS
Solución
n! a na 5!
P ( X a ) a! ( n a )! p q = 2!(5 2)! (1 / 4) (3 / 4)
2 5 2
Solución
n! 4!
P (x = a) = p a q n a =
(0.20) 2 (0.80) 2 = 0.1536
a!( n a )! 2!( 2)!
67
Probabilidad y Estadística
= n p = n pq
Ejemplo
Solución
0
1
2
3
4
TOTAL (xP(x)) = [(x - E(x))2 P(x)]=
= n p = 4 (1/2) = 2 = n pq = 4 (1 / 2) (1 / 2) =1
68
Probabilidad y Estadística
P (x 2) = P (x = 2) + P (x = 3) + P (x = 4)
P (x 2) =?
SOLUCIÓN
n! x n x 4! 2 2
a. P ( X 2) p q ( 0.20) ( 0.80) 0.1536
x! ( n x )! 2! ( 2 )!
69
Probabilidad y Estadística
b. P ( X 2 ) P ( X 2 ) P ( X 3) P ( X 4 )
1 P ( X 2)
1 [ P ( X 0 ) P ( X 1)]
1 4! ( 0.20) 0 ( 0.80) 4 4! ( 0.20 )( 0.80) 3
0! ( 4 )! 1! ( 3)!
1 0.4090
0.1808
En resumen:
70
Probabilidad y Estadística
P (x 2) = P (x = 2) + P (x = 3) + P (x = 4) (A)
P (x 3) = P (x = 3) + P (x = 4) (B)
_______________________________________ Restando A - B
P (x 2) - P (x 3) = P (x = 2)
P (x = 2) = P (x 2) - P (x 3) = 11/16 - 5/16
n = 100 p = 1/2
71
Probabilidad y Estadística
Como ustedes pueden haberlo notado, el uso de la fórmula Binomial en este caso
involucra la realización de muchos cálculos.
Ejemplo
Para n = 4 y p = 0,23
Encontrar:
a) P (x 2) b) P (x = 0) c) P (x 3) d) P (x = 2) e) P (x 2)
Ejemplo
Para n = 4 y p = 0,73
Encontrar:
a) P (x 2) b) P (x = 0) c) P (x 3) d) P (x = 2) e) P (x 2)
EJERCICIOS
a) P(x 4) b) P(x = 4)
72
Probabilidad y Estadística
DISTRIBUCION DE POISSON
DEFINICION
73
Probabilidad y Estadística
x
n x n x e
lim xp q x! x0,12., e2.718 ,
pn 0
Donde n * p es el parámetro del cual depende la Distribución de Poisson
que presentaremos con P (x; µ).
e x
f x;
x!
74
Probabilidad y Estadística
Esta función esta tabulada para diferentes valores de µ y en la misma forma como
en la tabla de la Binomial encontramos las probabilidades acumuladas para los
diferentes valores de x.
EJEMPLO
Solución
x e
a) Tenemos que P ( X x ) y conocemos que
x!
2 (Promediode demandaspor dia)
x1 (Numerode demandaspresentada
s)
(Promedio de demandas por día)
x = 1 (número de demandas presentadas), entonces:
(2) 2 (2.71828) 2
P( X 1) 0.27067
1!
b) Conocemos: 2 y x=0
(2) 0 (2.71828) 2
P ( X 0) 0.13534
0!
( 2 ) 3 ( 2.71828 ) 2
P ( X 3) 0.18045
3!
75
Probabilidad y Estadística
Solución:
a.
P( X x) aparecedirectamen
te enla tabla
P ( X 4 ) 0.8912
b.
Solución:
µ=0.7
P( X > 2) = 1 - P(X 2) = 1 - 0.9659 = 0.0345
76
Probabilidad y Estadística
100!
P ( X 3) (0.02) 3 (0.98) 2 0.1825
3!97!
Como usted puede notar, en e uso de esta fórmula Binomial en este caso, requiere
de cálculos tediosos.
APROXIMACIÓN
CONCLUSIÓN
Solución:
77
Probabilidad y Estadística
DISTRIBUCIÓN HIPERGEOMÉTRICA
Los experimentos que tienen este tipo de distribución tienen las siguientes
características:
a) Al realizar un experimento con este tipo de distribución, se esperan dos tipos
de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repetición del experimento no es independiente de los demás.
d) El número de repeticiones del experimento (n) es constante.
78
Probabilidad y Estadística
d N d
x n x
(XP x)
N
n
a
Aquí, se refiere al coeficiente binomial, o al número de combinaciones
b
posibles al seleccionar b elementos de un total a.
E ( X ) n d
N
Y su varianza
79
Probabilidad y Estadística
2 VAR ( X ) N n n d 1 d
N 1 N N
80
Probabilidad y Estadística
N1 N 2
x n x
xf )( P(X x)
N
n
Donde:
N1 N1 !
x !( 1xNx )!
N 2 N2 !
nx (n )! Nx 2 (( n x)!
81
Probabilidad y Estadística
N N!
n n!( nN )!
Vamos a tratar de explicarlo:
Ejemplos
N = 12; N1 = 7; N2 = 5; k = 3; n = 4
Si aplicamos el modelo:
82
Probabilidad y Estadística
7 5
3 1
( XP 3) 0.35
12
4
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas
es del 35,3%.
Pero este modelo no sólo se utiliza con experimentos con bolas, sino que también
se aplica con experimentos similares:
83
Probabilidad y Estadística
6 14
3 0
P(X 3) 0. 175
20
3
Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas
sean solteras es tan sólo del 1,75%.
3. En una urna o recipiente hay un total de N objetos, entre los cuales hay una
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n
objetos al azar, y sin reemplazo, ¿cuál es la probabilidad de obtener x objetos
defectuosos?
Solución:
84
Probabilidad y Estadística
a N a
x n x
P(X x)
N
n
C x * N a C n x
p( x ,n ) a
N Cn
donde:
a aN
x xn
85
Probabilidad y Estadística
N
donde hay x que son defectuosos y n-x buenos. Y
n
son todas las muestras posibles de seleccionar de n objetos tomadas de entre los
N objetos en total, que es igual al espacio muestral
Solución:
N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra
86
Probabilidad y Estadística
3 10 3
( XP 2) 2 42 ?
10
4
Es la probabilidad asociada a cada muestra de 4 objetos que se seleccionaron,
con lo que se demuestra que las probabilidades no son constantes
Solución:
87
Probabilidad y Estadística
p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3 tabletas
seleccionadas haya 1 o más tabletas de narcótico)
88
Probabilidad y Estadística
6 9 6 9 6 9
1 2 1 3 0
P(X12 3) 0.8153
1 5
3 89
Probabilidad y Estadística
p(el viajero sea arrestado por posesión de narcóticos) = 1 – p(de que entre las
tabletas seleccionadas no haya una sola de narcótico)
C0* 9 C3
1 p( x 0; n 3 ) 1 6
15 C3
( 1 )( 84 )
1 0.184615 0.815385
455
b) p(no sea arrestado por posesión de narcóticos)
C0* 9 C3
p( x 0; n 3 ) 6
15 C3
( 1 )( 84 )
0.184615
455
a) las 4 enciendan
b) al menos 2 no enciendan?
Solución:
a)
N = 10 bombillas en total
N1 = 7 bombillas que encienden
N2= 3 bombillas que no encienden
n = 4 bombillas seleccionadas
x = 0, 1, 2, 3 o 4 Posibles bombillas que encienden
C4* 3 C0 ( 35 )( 1 ) 35
p( x 4; n 4 ) 7
0.16667
10 C4 210 210
b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
90
Probabilidad y Estadística
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan
C2* 7 C2 3 C3* 7 C1 ( 3 )( 21 ) ( 1 )( 7 ) 63 7 70
3
0.333333
10 C4 210 210 210
a) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el número de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad
4 C2 * 5 C3 ( 3 )( 10 )
p( x 2,n 5 ) 0.238095
9 C5 126
b) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el número de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad
1 20 60 81
0.64286
126 126
91
Probabilidad y Estadística
92
Probabilidad y Estadística
5. En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al
azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces.
Calcular la media y la desviación típica.
12. La probabilidad de que un artículo producido por una fabrica sea defectuoso
es p 0.002. Se envió un cargamento de 10.000 artículos a unos almacenes.
Hallar el número esperado de artículos defectuosos, la varianza y la
desviación típica.
93
Probabilidad y Estadística
13. En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al
azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces.
Calcular la media y la desviación típica.
14. Un laboratorio afirma que una droga causa efectos secundarios en una
proporción de 3 de cada 100 pacientes. Para contrastar esta afirmación, otro
laboratorio elige al azar a 5 pacientes a los que aplica la droga. ¿Cuál es la
probabilidad de los siguientes sucesos:
SOLUCIÓN
94
Probabilidad y Estadística
5. En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al
azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces.
Calcular la media y la desviación típica.
6. Un gru p o de 4 a mi g o s so n a fi ci o n ad o s a l a l e ctu ra :
95
Probabilidad y Estadística
b . ¿Y a l men o s 2?
96
Probabilidad y Estadística
B(10 , 1 /4 ) p = 1 /4 q = 3 /4
En un a s p ru eb a s de a l coh o le mi a se h a o b se rva d o qu e el
5% de l o s co nd u cto re s co n tro la d o s d an po si ti vo en la pru e ba
y qu e el 10 % de l o s co n d u cto re s co n trol a d o s no ll e van
ap ro ve cha d o el cin tu ró n de se gu ri da d . Ta mb i é n se ha
ob se rva do qu e l a s do s in fra cci on e s so n i n de p e nd i en te s.
97
Probabilidad y Estadística
2. D e te rmi n e la p rob a bi l i da d de q ue a l me n o s un o de l os
con d u cto re s con tro l a do s ha ya co me ti do al g un a d e l a s d o s
in fra cci on e s.
98
Probabilidad y Estadística
En un a u rn a h a y 30 bo l a s, 1 0 ro ja s y el re sto bl a n ca s. Se
el i ge un a b ol a al a za r y se an o ta si e s ro ja ; e l p ro ce so se
rep i te , de vo l vi e n do la b o la , 10 ve ce s. Ca l cul a r la me di a y la
de svi a ci ó n típ i ca .
B(10 , 1 /3 ) p = 1 /3 q = 2 /3
99
Probabilidad y Estadística
B(10 0 , 0 .03 ) p = 0 .0 3 q = 0 .9 7
2. Al men o s d o s te n g an e fe cto s se cu n d a ri o s.
3. ¿C uá l e s e l nú me ro me d io d e pa cie n te s q ue e spe ra
la b o ra to ri o que su fran e fe cto s se cun d a ri o s si el ig e 100
pa ci en te s al aza r?
100
Probabilidad y Estadística
Este tipo de leyes se aplican a sucesos con probabilidad muy baja de ocurrir, obteniéndose
,y (por tanto ).
101
Probabilidad y Estadística
La ley de Poisson la podemos encontrar tabulada en la tabla número 2, para ciertos valores
usuales de .
La función característica de es
6.4.12.1 Ejemplo
102
Probabilidad y Estadística
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000. Calcular la
probabilidad de que en una ciudad con 500.000 habitantes haya más de 3 personas con
dicha enfermedad. Calcular el número esperado de habitantes que la padecen.
Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la
enfermedad, es claro que sigue un modelo binomial, pero que puede ser muy bien
aproximado por un modelo de Poisson, de modo que
n p (500.000) * 1
5
100000
Así el número esperado de personas que padecen la enfermedad es 5. Como
, existe una gran dispersión, y no sería extraño encontrar que en realidad hay
muchas más personas o menos que están enfermas. La probabilidad de que haya más de tres
personas enfermas es:
P( X 3) 1 P( X 3) 1 0.2650 0.735
103
Probabilidad y Estadística
Por ejemplo : En el experimento aleatorio "lanzar un dado" asignamos a cada cara del dado su valor
numérico (esta asignación aparece de forma natural). Así generamos una variable aleatoria que toma seis
valores, del 1 al 6 con igual probabilidad (1/6) cada uno de ellos. Pero, con este mismo experimento, podemos
generar otras variables aleatorias (no tan naturales) como puede ser : asignar el valor 1 a las caras que son
104
Probabilidad y Estadística
múltiplos de tres y el valor 0 a las que no lo son, apareciendo una variable aleatoria que tiene dos valores, el 1
con probabilidad 1/3 y el 0 con probabilidad 2/3.
Crear una variable aleatoria no tiene mucho sentido sino la vamos a utilizar en un
determinado contexto, por ejemplo, podemos utilizar la segunda variable aleatoria que
hemos creado para apostar si sale o no múltiplo de tres.
Como hemos visto hay variables aleatorias que pueden tomar cualquier valor de un
intervalo real de la forma (a, b), (a, +), (-, b), (-, +) o uniones de ellos. A las
variables de este tipo se las denomina variables aleatorias continuas.
Por ejemplo : Supongamos que vamos a realizar un experimento aleatorio que consiste en seleccionar una
persona y apuntar su peso. Podemos crear una variable aleatoria cuyos valores sean el número de kilogramos
que pesa la persona observada. En este caso, el rango de valores posibles se extiende entre los límites
naturales, pero la continuidad de esta variable aleatoria radica en el carácter continuo de lo que medimos, el
peso, es decir, en el hecho de que entre dos valores posibles se podrían obtener infinitos valores intermedios,
también posibles si utilizáramos aparatos con suficiente precisión. Estos "infinitos" en el interior del rango de
la variable es lo que diferencia a las variables continuas de las discretas.
105
Probabilidad y Estadística
Si la variable aleatoria es continua hay infinitos valores posibles de la variable y entre cada
dos de ellos se podrían definir infinitos valores más. En estas condiciones, y como ya
hemos dicho, no es posible deducir la probabilidad de un valor puntual de la variable, como
se puede hacer en el caso de variables aleatorias discretas. Pero sí es posible calcular la
probabilidad acumulada hasta un cierto valor (función de distribución), más tarde podremos
analizar como cambia la probabilidad acumulada en cada punto (estos cambios no son
probabilidades sino otro concepto que denominamos densidad de probabilidad).
Ejemplo 1
Pretendemos observar la altura de un grupo de personas y vamos a seleccionar a una persona de forma
totalmente aleatoria. La probabilidad de que la altura de esa persona sea exactamente 1,62894635... m es cero.
Pero la probabilidad de que la altura de esa persona esté entre 1,62 m y 1,63 m tendrá un valor concreto y casi
con certeza que será mayor que la probabilidad de que esté entre 2,10 m y 2,11 m. Por tanto, la densidad de
probabilidad en el entorno de 1,625 m es mayor que la densidad de probabilidad en el entorno de 2,105 m. Sin
embargo, que el valor exacto 1,62894635 tenga probabilidad cero de ocurrir no implica que sea imposible
que ocurra. De hecho, cualquier persona que seleccionemos tendrá una altura concreta y exacta que tenía
probabilidad cero de suceder.
Ejemplo 2
Sea X la v.a. que describe la duración de los neumáticos de una determinada marca y modelo. Los valores de
una variable estadística continua siempre se consideran agrupados en intervalos de clase, luego no tiene
sentido plantearse la probabilidad de resultados "aislados" (como, por ejemplo, la probabilidad de que un
neumático dure, exactamente, 56.000 km , 235 m , 47 cm y 6 mm). En todo caso, esas probabilidades deben
valer cero. Pero sí podemos preguntarnos, por ejemplo, ¿cuál es la probabilidad de que un neumático dure
menos de 50.000 km? o ¿cuál es la probabilidad de que un neumático dure entre 60.000 y 70.000 km?.
106
Probabilidad y Estadística
A partir de una situación real con densidades de frecuencias se crea un modelo teórico con
asignación de probabilidades.
Sea X una variable aleatoria continua que toma valores en un intervalo [a, b]. Si
procedemos a dividir el intervalo cada vez en más partes el polígono de frecuencias
relativas (densidades de frecuencias) se va aproximando a una curva con un determinado
aspecto.
Una vez realizado este proceso de dividir sucesivamente el intervalo, las densidades de
frecuencias pasan a ser, en el límite, densidades de probabilidad.
La probabilidad de que la variable X tome los valores entre x0 y x0+h es P(x0 X
x0+h) y corresponde al área bajo la curva en el intervalo [x0 , x0+h]. La función
correspondiente a esta curva, y=f(x), la denominamos Función de densidad.
FUNCIÓN DE DENSIDAD
Una función y=f(x) es una función de densidad de una variable aleatoria continua si
cumple las siguientes condiciones :
FUNCIÓN DE DISTRIBUCIÓN
Ser creciente
Tomar valores de 0 a 1
Si X es una variable aleatoria continua con valores en un intervalo [a, b], entonces F(x) será
la probabilidad de que la variable X tome valores entre a y x. F(x)=P(a X x).
107
Probabilidad y Estadística
Indica la probabilidad de que la variable aleatoria continua X sea menor o igual que un
valor dado, es decir, proporciona la probabilidad acumulada hasta un determinado valor de
la variable.
Por analogía con las definiciones de estos conceptos para variables aleatorias discretas, se
definen la esperanza matemática o media , la varianza y la desviación típica de una
variable aleatoria continua de la siguiente forma :
108
Probabilidad y Estadística
Aun cuando la variable tomase un número infinito de valores, x1, x2, ..., no hay ningún
problema en comprobar que cada xi contribuye con una cantidad f(xi) al total de modo que
Cuando la variable es continua, no tiene sentido hacer una suma de las probabilidades de
cada uno de los términos en el sentido anterior, ya que el conjunto de valores que puede
tomar la variable es no numerable. En este caso, lo que generaliza de modo natural el
De este modo es necesario introducir un nuevo concepto que sustituya en v.a. continuas, al
de función de probabilidad de una v.a. discreta. Este concepto es el de función de densidad
de una v.a. continua, que se define como una función integrable, que
verifica las dos propiedades siguientes:
109
Probabilidad y Estadística
5.6.0.1 Observación
110
Probabilidad y Estadística
y por ello al calcular la probabilidad de un intervalo no afectara nada el que este sea abierto
o cerrado por cualquiera de sus extremos, pues estos son puntos y por tanto de probabilidad
nula:
5.6.0.2 Observación
111
Probabilidad y Estadística
5.6.0.3 Proposición
112
Probabilidad y Estadística
Demostración
Los sucesos
113
Probabilidad y Estadística
114
Probabilidad y Estadística
media de
SOLUCION:
Por los datos que nos dan el problema se resuelve por la distribución
exponencial por lo que debemos de aclarar primero que es cada dato
que nos dan:
= 1000 = E (x)
= 1 / E (x) = 1/1000
-t
115
Probabilidad y Estadística
- t --
P( t > 900) = e = e -(1/1000)*900 = 0.4065
SOLUCION:
Primero debemos de tomar encuentra los datos que nos dan para
entender que es lo que se nos esta preguntando.
116
Probabilidad y Estadística
P( X 3.375) = 0.25
SOLUCION:
117
Probabilidad y Estadística
m =10 s =2
= 0.0011364
28.Los trenes de cierta línea del Metro corren cada media hora
entre media noche y las 6 de la mañana. ¿Cuál es la probabilidad
de que un hombre que entre en la estación en un tiempo al azar
durante ese periodo tenga que esperar por lo menos 20 minutos;
esto es el tiempo hasta la salida del siguiente tren sea mayor o
igual a 20 minutos?
PLANTEAMIENTO
118
Probabilidad y Estadística
PREGUNTA
SOLUCION:
P(0 < X £ 10) = P(0 < X £ 10) + P(30 < X £ 40) + P(60 < X £ 70)
+ .......................... + P(330 < X £ 340)
119
Probabilidad y Estadística
PLANTEAMIENTO
SOLUCION
Los costos de las dos alternativas son iguales cuando A = 2546 unidades
35 A = 24 A + 28000
11 A = 28000
A = 2545.45
120
Probabilidad y Estadística
PLANTEAMIENTO
SOLUCION
121
Probabilidad y Estadística
P( 42 £ X £ 48)= 0.2916
PLANTEAMIENTO
SOLUCION
122
Probabilidad y Estadística
V = 0.99999
123
Probabilidad y Estadística
Enunciado 1
RESPUESTA 1.
124
Probabilidad y Estadística
Enunciado 2
RESPUESTA 2.
125
Probabilidad y Estadística
y análogamente :
Este último resultado se puede obtener siguiendo el mismo proceso que en los
dos primeros, es decir:
Enunciado 3
RESPUESTA 3.
126
Probabilidad y Estadística
y a partir de ahí :
127
Probabilidad y Estadística
Observamos que hay cuatro sucesos simples, seis parejas, cuatro temas y un
cuarteto.
Como los sucesos son independientes, la probabilidad compuesta es igual al
producto de las probabilidades simples correspondientes, y como éstas son
uniformes, podemos agrupar los términos del mismo grado escribiendo :
P(F) = 4.(0,1) - 6.(0,1)2 + 4.(0,1)3 - (0,1)4 = 0,4 - 0,06 + 0,004 - 0,0001 = 0,3439
Vemos que, aunque este método de solución es mucho más complicado que el
primero y no es recomendable en una situación en la que aquel se pueda aplicar,
conduce a la respuesta correcta, e ilustra el hecho general de que todos los
métodos que utilizan los principios matemáticos adecuados de forma válida,
llevarán a los mismos resultados.
Enunciado 4
RESPUESTA 4.
128
Probabilidad y Estadística
misma clase que se hayan despachado antes, este problema ilustra la ley general
de la probabilidad compuesta, expresada en la Ley general de la probabilidad
compuesta :
Como el suceso de que uno de los pedidos sea de la mercancía A puede ocurrir
de cuatro formas mutuamente excluyentes, su probabilidad total es :
y la probabilidad buscada es :
129
Probabilidad y Estadística
Enunciado 5
RESPUESTA 5.
Los principios que intervienen en este problema son casi los mismos que los del
ejemplo anterior. Según el teorema que expresa la ley general de la probabilidad
compuesta, la probabilidad P(E) de obtener una sucesión de c objetos defectuosos
seguida de n-c objetos en buenas condiciones viene dada por un producto de
fracciones tales que cada numerador es igual al número de objetos de la clase
correspondiente que se pueden elegir al ejecutar la prueba, y cada denominador
es igual al correspondiente número total de todos los objetos que hay en ese
momento. Luego :
130
Probabilidad y Estadística
Podemos reagrupar estos términos para obtener una fórmula mas elegante :
131