Libroestadistica PDF

UNIVERSIDAD POPULAR DEL CESAR
FACULTAD DE CIENCIAS B
ASICAS Y EDUCACI
ON
DEPARTAMENTO DE MATEM
ATICAS Y ESTAD
ISTICA
INTRODUCCI

ON A LA PROBABILIDAD Y A LA
ESTAD
ISTICA CON APLICACIONES

A B C D E
0
5
1
0
1
5
2
0
2
5
3
0
3
5
HUMBERTO BARRIOS ESCOBAR
Indice general
1. ESTAD
ISTICA DESCRIPTIVA 41
1.1. INTRODUCCI
ON . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.2. DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES . . . . . . . . . . . . . . . . . . . . . . 43
1.2.1. DISTRIBUCIONES DE FRECUENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.2.2. M
ETODO GR
AFICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.3. MEDIDAS NUM
ERICAS DESCRIPTIVAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1.3.1. MEDIDAS DE TENDENCIA CENTRAL . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1.3.2. MEDIDAS DE DISPERSI
ON . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
1.3.3. OTRAS MEDIDAS DESCRIPTIVAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
1.4. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2. PROBABILIDAD 67
2.1. INTRODUCCI
ON . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.2. PROPIEDADES B
ASICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.3. DIFERENTES MANERAS DE ASIGNAR PROBABILIDADES . . . . . . . . . . . . . . . . . . . . 73
2.4. PROBABILIDAD CONDICIONAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.5. EVENTOS INDEPENDIENTES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.6. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3. VARIABLES ALEATORIAS 98
3.1. VARIABLES ALEATORIAS DISCRETAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.2. VARIABLES ALEATORIAS CONTINUAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.3. VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA . . . . . . . . . . . . . . 106
3.4. FUNCIONES GENERADORAS DE MOMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.5. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
II
INDICE GENERAL Universidad Popular del Cesar

4. DISTRIBUCIONES DISCRETAS 127
4.1. Distribuci on Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.2. Distribuci on Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.3. Distribuci on Geom etrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4.4. Distribuci on Binomial Negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.5. DISTRIBUCI
ON HIPERGEOM
ETRICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.6. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5. ALGUNAS DISTRIBUCIONES CONTINUAS 107
5.1. Distribuci on Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.2. Distribuci on Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.3. Distribuci on Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.4. Distribuci on Chi Cuadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.5. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6. VECTORES ALEATORIOS Y DENSIDADES CONJUNTAS 123
6.1. INTRODUCCI
ON . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.2. Distribuciones de probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6.3. Variables aleatorias independientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
6.4. Variables aleatorias independientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.5. Valor esperado y momentos para distribuciones conjuntas . . . . . . . . . . . . . . . . . . . . . . . . 135
6.6. La distribuci on multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
6.7. Distribuci on normal bidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
6.8. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
III Humberto Barrios. mail: hbarrios@unicesar.edu.co
CAPITULO 1
ESTAD
ISTICA DESCRIPTIVA
1.1. INTRODUCCI

ON
Estamos en una epoca en la que nos agobian acontecimientos y n umeros, las llamadas, estadsticas, acerca de
cualquier tema comprensible. Se escuchan o se leen indagaciones de los medios de comunicaciones del n umero de
personas desplazadas por la violencia a las que ayuda el gobierno, el n umero de hect areas sembradas de coca radicadas
diariamente por el actual gobierno y cr onicas deportivas sobre el n umero promedios de goles en los partidos de f utbol
en una semana determinada. En este sentido para mucha gente, el t ermino estadstica signica descripci on num erica.
En un sentido m as amplio, se puede establecer que el objetivo de la estadstica es hacer inferencias con respecto a una
poblaci on a partir de la informaci on contenida en una muestra y proporcionar una medida (probabilidad) correspondi-
ente para la bondad de la inferencia. Es decir, la estadstica trata del dise no de experimento o encuestas (investigaci on)
mediante muestras para obtener una cantidad determinada de informaci on a un costo mnimo y del uso optimo de esta
informaci on para sacar conclusiones (inferencias inductivas) con respecto a una poblaci on.
En estadstica la inferencia es inductiva porque se proyecta de lo especico (la muestra) hacia lo general (poblaci on).
En un procedimiento de esta naturaleza siempre existe la posibilidad de error. Nunca se tendra el cien por ciento de
seguridad sobre una proporci on en la que se basa la inferencia estadstica. Sin embargo, lo que hace de la estadstica
una ciencia (separ andola del arte de adivinar la suerte) es que, unida cualquiera proposici on o armaci on, existe una
medida de la conabilidad de esta. En estadstica se mide la conabilidad en t erminos de probabilidad (un tema que
se estudiara m as adelante). En otras palabras, para cada inferencia estadstica se identica la probabilidad de que la
inferencia sea correcta. Los problemas estadsticos se caracterizan por los siguientes cuatro elementos:
1. La poblaci on de inter es y el procedimiento cientco que se emplea para seleccionar la muestra.
2. La muestra y el an alisis matem atico de la informaci on.
3. Las inferencias estadsticas que resulten del an alisis de la muestra.
4. La probabilidad o conabilidad de que las inferencias sean correctas.
41
1.1. INTRODUCCI
ON Universidad Popular del Cesar

Para comprender la naturaleza de la estadstica inferencial, es necesario precisar algunos conceptos.
Denici on 1.1. Una poblaci on es el conjunto de todas las mediciones de inter es para determinado problema. En
estadstica, poblaci on es un concepto mucho m as general del que tiene el concepto com un de esta palabra.
En este sentido, una poblaci on es cualquier colecci on ya sea de un n umero nito de mediciones o una colecci on grande,
virtualmente innita, de datos acerca de algo de inter es.
Denici on 1.2. Una muestra es un subconjunto de la poblaci on que contiene las mediciones obtenidas mediante un
experimento. De esta forma, una buena muestra es aquella que reeja las caractersticas esenciales de la poblaci on
de la cual se obtuvo.
En estadstica, el objetivo de las t ecnicas de muestreo es asegurar que cada observaci on en la poblaci on tiene una
oportunidad igual e independiente de ser incluida en la muestra. Tales procesos de muestreo conducen a una muestra
aleatoria. Las observaciones de la muestra aleatoria se usan para calcular ciertas caractersticas de la muestra llamadas
estadsticas. Las estadsticas se usan como base para hacer inferencias de ciertas caractersticas de la poblaci on, que
reciben el nombre de par ametros.
En cada uno de los siguientes casos se describe la poblaci on correspondiente, el objetivo inferencial y qu e es lo que se
hara para obtener una buena muestra.
Ejemplo 1.1. La Facultad de Ciencias de la Salud de la UPC quiere hacer un estudio acerca de los niveles de
resistencia fsica de estudiantes varones que recientemente ingresaron a la universidad.
Poblaci on: Son todos los estudiantes varones de primer semestre de la UPC.
Objetivo inferencial: Estimar la distribuci on de frecuencias, por edades, la resistencia fsica de estudiantes varones
que recientemente ingresaron a la universidad.
Muestra: Seleccionar una muestras de estudiantes varones que ingresaron a la UPC, en el primer semestre.
Ejemplo 1.2. Un ingeniero desea estimar el consumo semanal promedio de agua por familias en Valledupar.
Poblaci on: Todas las familias que viven en Valledupar.
Objetivo inferencial: Estimar el consumo semanal promedio de agua por familias.
Muestra: Tomar un subconjunto de todas las familias de Valledupar, de tal manera que estas familias sean represen-
tativas.
42 Humberto Barrios. mail: hbarrios@unicesar.edu.co
1.2. DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES Universidad Popular del Cesar
Ejemplo 1.3. Un ingeniero electr onico desea determinar si la duraci on promedio de cierto tipo de transistores supera
las 500 horas.
Poblaci on: En este caso, la poblaci on puede estar constituida por todos los transistores producidos por una f abrica
durante una semana o tambi en se puede considerar los que se pueden fabricar en el futuro. En este caso, la poblaci on
es virtualmente innita.
Objetivo inferencial: Estimar si la duraci on promedio de cierto tipo de transistores supera las 500 horas.
Muestra: Seleccionar una muestra aleatoria de la producci on de un lote de varios das.
1.2. DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES
1.2.1. DISTRIBUCIONES DE FRECUENCIAS
En el sentido m as amplio, hacer inferencias implica la descripci on parcial o total de un fen omeno u objeto fsico.
Por consiguiente, un preludio necesario a la explicaci on de como hacer inferencias, es la elaboraci on de un m etodo
para describir un conjunto de n umeros. La descripci on debe ser tal, que el conocimiento de las medidas descriptivas
nos permita tener una apreciaci on clara del conjunto de datos. Adem as es de esperarse que la descripci on posea un
sentido pragm atica, para que el conocimiento de las medidas descriptivas de una poblaci on nos ayude a resolver un
problema pr actico no estadstico, por ejemplo, en la toma de decisiones.
Ejemplo 1.4. Si se seleccionaron aleatoriamente en un proceso de fabricaci on de una semana, 100 bateras para
hallar alg un tipo de regularidad en el proceso de fabricaci on. En el cuadro 1.1 se dan los datos que representan el
tiempo de duraci on en das de las 100 bateras:
Cuadro 1.1: Tiempo de duraci on de 100 bateras
178 221 157 153 107 188 220 157 184 173
221 153 177 173 182 185 111 151 178 167
164 234 151 169 174 229 192 109 118 135
205 181 155 176 146 187 168 188 222 156
200 134 174 200 191 165 187 175 169 162
206 139 176 160 226 188 155 185 187 184
199 174 165 168 124 149 203 159 164 166
226 191 195 182 160 193 140 167 218 183
122 224 187 104 173 194 181 151 198 172
218 236 176 150 158 199 144 202 208 178
Si quisi eramos buscar alg un tipo de regularidad en este conjunto de datos sera imposible encontrarla a simple vista.
Una manera sencilla para organizar datos es preparar un arreglo ordenado. Un arreglo ordenado es una lista de valores
de una poblaci on o muestra en orden de magnitud de menor a mayor valor. Un arreglo ordenado permite determinar con
rapidez los valores de las mediciones m as peque nos, de los m as grandes. A continuaci on se muestra la construcci on
de un arreglo ordenado con los datos que se muestran en el cuadro 1.1.
Cuadro 1.2: Tiempo de duraci on de 100 bateras ordenadas de menor a mayor
104 107 109 111 118 122 124 134 135 139
140 144 146 149 150 151 151 151 153 153
155 155 156 157 157 158 159 160 160 162
164 164 165 165 166 167 167 168 168 169
169 172 173 173 173 174 174 174 175 176
176 176 177 178 178 178 181 181 182 182
183 184 184 185 185 187 187 187 187 188
188 188 191 191 192 193 194 195 198 199
199 200 200 202 203 205 206 208 218 218
220 221 221 222 224 226 226 229 234 236
F acilmente es posible identicar r apidamente la batera que duro menos das (104) y la que duro m as das (236).
Pero para identicar los patrones en un conjunto de datos es necesario agrupar las observaciones en un n umero rel-
ativamente peque no de clases que no se intercepten entre s, de tal manera que no exista ninguna ambig uedad con
respecto a la clase que pertenece una observaci on en particular. El n umero de observaciones que caen en una clase
recibe el nombre de frecuencia de clase ( f
i
), mientras que el cociente de una frecuencia de clase con respecto al
n umero de observaciones (n) en la muestra se conoce como frecuencia relativa ( f
i
/n) de la clase. Los lmites de las
clases se denominan fronteras de clases, y el promedio aritm etico entre los lmites superior (L
i
) e inferior (L
s
) recibe
el nombre de marca de clase o punto medio de clase (x
i
).
El n umero de clase que se emplean para clasicar a un conjunto de datos depende del n umero total de observaciones.
Si el n umero de observaciones es relativamente peque no, el n umero a emplear sera cinco o m as. Si existe un n umero
sustancial de datos, el n umero de clases debe ser de quince clases o menos. Es decir, el n umero de clases que se deben
tomar no debe ser mayor a quince ni menor de cinco. Un n umero muy peque no de clases puede ocultar la distribuci on
real del conjunto de datos, mientras que una muy numerosa puede dejar sin observaciones a algunas clases, limitando
de esta forma su uso.
Para determinar el n umero aproximado de clases, tambi en se puede hacer uso de la Regla de Sturges:
k = 1+3.3logn
donde
K es el n umero de clases
n es el n umero total de observaciones de la muestra
log es el logaritmo com un base 10.
Se debe dejar en claro que la Regla de Sturges es una aproximaci on del n umero de clases, siempre es posible tomar
una m as o una menos de lo que la formula nos da.
Una buena pr actica es la creaci on de clases que tengan longitudes iguales. Esto puede lograrse tomando la diferencia
entre los valores extremos del conjunto de los datos, lo que se conoce como rango (R), y dividi endolo sobre el n umero
de clases, el resultado ser a aproximadamente la longitud para cada clase. Sin embargo, existen casos donde esta regla
no se puede aplicar o no debe aplicarse. Como ilustraci on, tomemos los datos de la tabla 1, para establecer un esquema
de agrupamiento para este conjunto de datos y determinar las frecuencias de clases, frecuencias relativas de clases,
marcas de clases y fronteras de clases. Agrupar los datos en clases de igual longitud.
El rango = valor mayor - valor menor = 236104 = 132
Por ejemplo, si aplicamos la Regla de Sturges el n umero de clases que deberamos sera de 8.
Pero supongamos que decidimos tomar diez clases: clases = 10
Por lo tanto, la Longitud de clase = 13.1 13.
Para establecer las fronteras de cada clase, es necesario considerar la unidad m as cercana con respecto a la cual se
mide las observaciones. As, las diez clases a considerar son:
104-117, 118-131, 132-145, 146-159, 160-173
174-187, 188-201, 202-215, 216-229, 230-243
Por lo tanto, una manera de representar a un conjunto de datos es como se muestra en el siguiente cuadro, distribuci on
de frecuencias correspondiente a la duraci on de 100 bateras, seleccionadas de manera aleatoria, de la producci on de
una f abrica en una semana.
Cuadro 1.3: Distribuci on de frecuencias del tiempo de duraci on de 100 bateras
L
i
L
s
L
I
L
S
x
i
f
i
f
i
% F
i
F
i
%
104 117 103.5 117.5 110.5 4 4% 4 4%
118 131 117.5 131.5 124.5 3 3% 7 7%
132 145 131.5 145.5 138.5 5 5% 12 12%
146 159 145.5 159.5 152.5 15 15% 27 27%
160 173 159.5 173.5 166.5 18 18% 45 45%
174 187 173.5 187.5 180.5 24 24% 69 69%
188 201 187.5 201.5 194.5 14 14% 83 83%
202 215 201.5 215.5 208.5 5 5% 88 88%
216 229 215.5 229.5 222.5 10 10% 98 98%
230 243 229.5 243.5 236.5 2 2% 100 100%
Donde
L
i
limite inferior de la clase i- esima.
L
s
limite superior de la clase i- esima.
x
i
marca de clase de la clase i- esima.
L
I
limite inferior real de la clase i- esima.
L
S
limite superior real de la clase i- esima.
f
i
frecuencia absoluta de la clase i- esima.
f
i
% frecuencia porcentual de la clase i- esima.
F
i
frecuencia acumulada absoluta de la clase i- esima.
F
i
% frecuencia acumulada porcentual de la clase i- esima.
El cuadro 1.3 de frecuencias proporciona mucha m as informaci on a simple vista que los datos originales, cuadro
1.1. En un estudio de la vida de las bateras, hay muchas preguntas que pueden ahora responderse. Qu e fracci on o
porcentaje de las bateras puede esperarse de la poblaci on en estudio tengan una duraci on entre 174 a 187 das?
Es claro, que si la muestra es el reejo de la poblaci on, o como dicen mis compa neros de la UPC es representativa,
entonces la respuesta es 0.25, es decir, el 25%. Muchas preguntas m as se pueden responder con la tabla anterior,
como por ejemplo, Cu antas bateras fallaran antes de 187 horas? La respuesta a esta pregunta sera sumar todas las
frecuencias que ocurren antes de 187, esto es, sumar las frecuencias: 4%, 3%, 5%, 15%, 16%, y 25% lo que suma
68%. La suma de las frecuencias ( f
i
) de las observaciones cuyos valores son menores o iguales al lmite superior de
una clase dada se denomina frecuencia acumulada (F
i
). De la misma manera se denen la frecuencia acumulada
relativa (F
i
/n).
1.2.2. M
ETODO GR
AFICO
Otra manera util de representar los datos de una muestra es a trav es de gr acos. El principal objetivo de la rep-
resentaci on gr aca de las frecuencias de clases como las frecuencias acumuladas es mostrar el perl de distribuci on
de los datos. El conocimiento de este perl es util en varias formas, para los an alisis apropiados para las inferencias
estadsticas o con el n de comparar los perles de dos o m as conjunto de datos.
Histograma de frecuencias. Un histograma es una representaci on gr aca de los datos que muestra la frecuencias de
los casos (valores de los datos) en categoras. Las frecuencias se representan para examinar la forma de la distribuci on
de las respuestas. El histograma de frecuencias se construye levantando rect angulos con centros en las marca de
clases, con base de longitud igual a la longitud real del intervalo de clase (L = L
S
L
I
) y altura igual a la frecuencia
de la respectiva clase, en un eje de coordenadas. Para la distribuci on de frecuencias del cuadro 1.3, el histograma de
frecuencias es:
Frecuencias del tiempo de duracin de 100 bateras
Duracin en das
F
r
e
c
u
e
n
c
i
a
s
100 120 140 160 180 200 220 240
0
5
1
0
1
5
2
0
2
5
Polgono de frecuencias. Los polgonos de frecuencias son otra forma de representar gr acamente distribuciones de
clases (o distribuciones relativas de clases). Para construir un polgono de frecuencias se nalamos en el eje horizon-
tal las marcas de clases, en el eje vertical las frecuencias correspondientes y en los extremos se a naden dos clases
con frecuencia cero, en un sistema de coordenadas, y conectamos con segmentos los puntos sobre el plano. Para la
distribuci on de frecuencias del cuadro 1.3, el polgono de frecuencias es:
100 150 200 250
0
5
1
0
1
5
2
0
2
5
Frecuencias del tiempo de duracin de 100 bateras
Duracin en das
F
r
e
c
u
e
n
c
i
a
s
Los histogramas y los polgonos de frecuencias son parecidos. Como se puede observar en los gr acos anteriores. Pero
se pueden se nalar las ventajas de los histogramas, las que se pueden resumir as: los rect angulos muestran cada clase
de la distribuci on por separado y el area de cada rect angulo, en relaci on con el resto, muestra la proporci on del n umero
total de observaciones que se encuentra en cada clase.
Los polgonos, sin embargo, tambi en poseen ciertas ventajas, de las cuales se pueden resaltar: el polgono de frecuen-
cias es m as sencillo que el histograma, traza con m as claridad el perl de patr on de los datos y por ultimo, el polgono
se vuelve m as liso y parecido a una curva conforme aumenta el n umero de clases y el n umero de observaciones. Un
polgono como el que acabamos de describir, alisado mediante el aumento de clases y de puntos de datos, se conoce
como curva de frecuencias.
Diagrama de tallo y hojas. Una variante del histograma es el diagrama de tallo y hoja que tiene la misma similitud y
prop osito pero que tambi en proporciona una enumeraci on completa de los valores de los datos reales. Para construirlo
basta separar en cada dato el ultimo dgito de la derecha (que constituye la hoja) del bloque de cifras restantes (que
formar a el tallo). El siguiente ejemplo ilustra la construcci on del diagrama de tallo y hojas.
Ejemplo 1.5. Utilice los datos de los tiempo de duraci on del cuadro 1.1 para construir diagrama de tallo y hojas.
Soluci on 4. Puesto que todas las mediciones son n umeros de tres dgitos, se tiene tallos de dos dgitos y hojas de un
solo dgito. Por ejemplo, la medici on 175 tiene un tallo 17 y una hoja de 5. La siguiente gura muestra el diagrama
de tallo y hojas para los datos.
Cuadro 1.4: Diagrama de tallo y hojas para la
duraci on de 100 bateras
10 47918
12 24459
14 04690111335567789
16 00244556778899233344456667888
18 1122344557777888112345899
20 002356888
22 0112466946
Ojiva. Para gracar la distribuci on de frecuencias acumulada (o relativa acumulada), sobre un eje de coordenadas, se
ubican los limites reales de las clases sobre el eje horizontal contra las frecuencias acumuladas (o relativas acumuladas)
en el eje vertical y se unen todos los puntos consecutivos. Para la distribuci on de frecuencias acumulada del cuadro
1.3 , la ojiva de las frecuencias acumuladas (o relativas acumuladas) es:
100 150 200 250
0
2
0
4
0
6
0
8
0
1
0
0
Ojiva de la duracin de 100 bateras
Duracin en das
F
r
e
c
u
e
n
c
i
a
s

a
c
u
m
u
l
a
d
a
s
En este contexto el principal uso de la distribuci on acumulada (o acumulada relativa) es lo que com unmente se denom-
ina como cantiles. Con respecto a una distribuci on relativa acumulada, se dene un cuantil como el valor bajo el cual
se encuentra una determinada proporci on de los valores de la distribuci on. En la pr oxima secci on se dar a una f ormula
para calcular los cantiles correspondiente a una distribuci on de frecuencia acumulada.
1.3. MEDIDAS NUM
ERICAS DESCRIPTIVAS Universidad Popular del Cesar

1.3. MEDIDAS NUM
ERICAS DESCRIPTIVAS
Las descripciones gr acas de los datos presentadas en la secci on anterior proporcionan una informaci on util re-
specto al conjunto de mediciones, pero no es adecuado para hacer inferencias, sobre todo porque ninguna de las
representaciones (tablas y gr acas) no est an bien denidas. Por ejemplo, se podran elaborar muchos histogramas sim-
ilares a partir del mismo conjunto de mediciones. Para poder hacer inferencias con respecto a una poblaci on, basada
en la informaci on contenida en una muestra y medir la conabilidad de la inferencia, en t erminos de probabilidades, se
requieren cantidades obtenidas de expresiones rigurosamente denidas para analizar la informaci on de la muestra. Es
posible obtener, mediante las matem aticas, ciertas propiedades de esas cantidades muestrales y establecer conclusiones
probabilsticas con respecto a la validez de las inferencias.
Las cantidades que se pretenden denir son medidas num ericas descriptivas de un conjunto de datos. Se buscan
n umeros que describan la distribuci on de frecuencias para cualquier conjunto de mediciones.
Existen dos medidas de inter es para cualquier conjunto de datos: la localizaci on de su centro y su variabilidad.
1.3.1. MEDIDAS DE TENDENCIA CENTRAL
Las medidas de tendencia central de un conjunto de datos es la disposici on de estos para agruparse ya sea alrededor
del centro o de ciertos valores num ericos. Existen principalmente tres medidas de tendencia central: la media, la
mediana y la moda.
Denici on 1.3. Sean x
1
, x
2
, x
3
, . . ., x
k
marcas de clases con frecuencias de clases f
1
, f
2
, f
3
, . . . f
k
, respectivamente,
en una distribuci on de frecuencias. Entonces la media es
x =
1
n
k
i=1
x
i
f
i
(1.1)
Donde n = f
1
+ f
2
+ f
3
+. . . + f
k
. En el caso, f
1
= f
2
= f
3
=. . . = f
k
=1 entonces los datos se dicen no agrupados.
As, la f ormula para la media se convierte en
x =
1
n
n
i=1
x
i
(1.2)
La media es una medida apropiada de tendencia central para muchos conjuntos de datos. Sin embargo, dado que todas
las mediciones se emplean para su c alculo, el valor de la media puede afectarse por la existencia de algunos valores
extremos.
1.3. MEDIDAS NUM

Denici on 1.4. La mediana en un conjunto de datos no agrupados, ordenados de menor a mayor, es el valor medio
si el n umero de datos es impar o el promedio de los dos valores centrales cuando el n umero de datos es par. Se notara
la mediana por x.
Para el caso de datos agrupados o para una distribuci on de frecuencias, se procede como sigue:
a. Se identica la clase mediana, la cual ser a la que contiene el elemento para el cual la mitad de todas las observa-
ciones es menor y la otra mitad es mayor.
b. L
m
= limite real inferior de la clase mediana
c. f
m
= frecuencia de la clase mediana
d. F
m1
= frecuencia acumulada anterior a la clase mediana
e. c = ancho real de la clase mediana
f. n = n umero de observaciones en la muestra o tama no de muestra.
Por consiguiente, la ecuaci on para la mediana con datos agrupados sera:
x = L
m
+
n
2
F
m1
f
m
c (1.3)
Puesto que la mediana es un valor que se basa en la secuencia ordenada de las n mediciones, es necesario saber que la
existencia de valores extremos y agregado muy alto de observaciones, no afecta su valor, en este sentido la mediana es
mejor que la media. Generalmente los conjuntos de datos que describen informaci on de ingresos caen en esta categora.
Denici on 1.5. La moda para un conjunto de datos no agrupados es el valor de las observaciones que ocurre con
mayor frecuencia. La cual notaremos por: M
o
.
Cuando los datos se encuentran agrupados en una distribuci on de frecuencias, se puede suponer que la moda est a lo-
calizada en la clase de mayor frecuencia. Para determinar un solo valor para la moda a partir de esta clase modal,
identica:
a. L
M
o
= limite real inferior de la clase modal
b.
1
= frecuencia de la clase modal menos la frecuencia que se encuentra inmediatamente por encima de ella
c.
2
= frecuencia de la clase modal menos la frecuencia que se encuentra inmediatamente por debajo de ella
d. c = ancho real de la clase modal
1.3. MEDIDAS NUM

Entonces se utiliza la siguiente ecuaci on:
M
o
= L
M
o
+
_

1
1
+
2
_
c (1.4)
En muchas ocasiones en una serie de datos, puede ocurrir m as de una observaci on con la misma frecuencia. En este
caso, se dice que la distribuci on de frecuencias es multimodal. Como en todos los aspectos de la vida, el azar puede
desempe nar un papel importante en la organizaci on en un conjunto de mediciones. En ocasiones, el azar hace que un
solo elemento no representativo se repita lo suciente para ser el valor m as frecuente del conjunto de mediciones. Es
por esta raz on que rara vez se utilice la moda de un conjunto de datos no agrupados como medida de tendencia central.
Se explicar an el c alculo de la media, mediana y moda con los ejemplos siguientes:
Ejemplo 1.6. (Para datos no agrupados). El tiempo de reparaci on, medido en horas, de un instrumento electr onico
tiene un comportamiento aleatorio. Los tiempos de reparaci on de 16 de tales instrumentos, elegidos a trav es de un
mecanismo aleatorio, son los siguientes:
5 6 3 6 11 7 9 10 2 4 10 6 2 8 1 5
Calcular la media, mediana y moda de este conjunto de datos.
Para calcular la media se utiliza la f ormula (1.2), es decir,
x =
1
n
n
i=1
x
i
=
1
16
(5+6+3+6+11+7+9+10+2+4+10+6+2+8+1+5) = 5.94
Para el caso de la mediana se ordenan los datos de menor a mayor, como en este caso el n umero de elementos es par,
la mediana ser a el promedio de los dos valores centrales.
1 2 2 3 4 5 5 6 6 6 7 8 9 10 10 11
Es decir,
x =
6+6
2
= 6
La moda en una serie de datos es el valor con mayor frecuencia, en este caso el valor con mayor frecuencia es el 6.
Entonces
1.3. MEDIDAS NUM

M
o
= 6
Ejemplo 1.7. (Para datos agrupados). Con la distribuci on de frecuencias del cuadro 1.5. Calcular la media, mediana
y moda.
Soluci on 5. De la distribuci on de frecuencias correspondiente a la duraci on de 100 bateras, para calcular la media
multiplicamos las marcas de clases por las respectivas frecuencias de clase y dividimos por las suma de las frecuen-
cias. Es decir,
x =
1
n
L
i=1
x
i
f
i
=
1
100
[110.50(4) +124.50(3) +138.50(5) +152.50(15) +166.50(18)
+180.50(24) +194.50(14) +208.50(5) +222.50(10) +236.50(2)] = 175.88
Otra manera para calcular la media es utilizando la tabla 2, en este caso multiplicamos las marcas de clases por sus
respectivas frecuencias. As:
Cuadro 1.5: C alculo de la media en una distribuci on de frecuencias
x
i
L
i
L
s
f
i
x
i
f
i
110.5 103.5 117.5 4 442.0
124.5 117.5 131.5 3 373.5
138.5 131.5 145.5 5 692.5
152.5 145.5 159.5 15 2287.5
166.5 159.5 173.5 18 2997.5
180.5 173.5 187.5 24 4332.0
194.5 187.5 201.5 14 2723.0
208.5 201.5 215.5 5 1042.5
222.5 215.5 229.5 10 2225.0
236.5 229.5 243.5 2 473.0
Total 100 17588.0
1.3. MEDIDAS NUM

x =
1
n
L
i=1
x
i
f
i
=
1
100
(17588) = 175.88
Para calcular la mediana de la distribuci on de frecuencias de la Tabla 3.
1. Se identica la clase mediana, la cual ser a la que contiene el elemento para el cual la mitad de todas las
observaciones es menor y la otra mitad es mayor. Por lo tanto la clase mediana es: 173.5-187.5.
2. L
m
= limite real inferior de la clase mediana = 173.5
3. f
m
= frecuencia de la clase mediana = 24
4. F
m1
= frecuencia acumulada anterior a la clase mediana = 45
5. c = ancho real de la clase mediana = 14
6. n = n umero de observaciones en la muestra o tama no de muestra = 100.
Por consiguiente, la ecuaci on para la mediana con datos agrupados sera:
x = L
m
+
_
n
2
F
m1
f
m
_
c = 173.5+
_
5045
24
_
(14) = 176.42
Para determinar el valor para la moda, identicamos la clase modal es: 173.5-187.5.
a. L
M
o
= lmite real inferior de la clase modal= 173.5
b.
1
= frecuencia de la clase modal menos la frecuencia que se encuentra inmediatamente por encima de ella =
24-18 = 6
c.
2
= frecuencia de la clase modal menos la frecuencia que se encuentra inmediatamente por debajo de ella = 24
-14 = 10
d. c = ancho real de la clase modal = 14
Entonces se utiliza la siguiente ecuaci on:
M
o
= L
M
o
+
_

1
1
+
2
_
c = 173.5+
_
6
6+10
_
(14) = 178.75
1.3. MEDIDAS NUM

Cuando se trabaja un problema en estadstica, se debe decidir cual de las medidas de tendencia central se va ha utilizar.
Por ejemplo, si la distribuci on es sim etrica, es claro que en este caso solo tienen una moda. Por lo tanto el mismo valor
para la media, la mediana y la moda. En tales casos, no es necesario escoger la medida de tendencia central, pues ya
esta hecha la selecci on, cualquiera de ellas es una buena opci on.
En una distribuci on sesgada positiva. Es decir, sesgada hacia la derecha, la moda se encuentra en el punto m as alto de
la distribuci on, la mediana est a a la derecha de la moda y la media se encuentra todava m as a la derecha de la moda y
la mediana. Es decir, se tiene la siguiente relaci on:
M
o
< x < x
En una distribuci on sesgada negativa. Es decir, sesgada hacia la izquierda, la moda se encuentra en el punto m as alto
de la distribuci on, la mediana est a hacia la izquierda de la moda y la media se encuentra todava m as a la izquierda de
la moda y la mediana. Es decir, se tiene la siguiente relaci on:
M
o
> x > x
Cuando la poblaci on est a sesgada negativamente o positivamente, con frecuencia la mediana resulta ser la mejor
medida de posici on, debido a que siempre est a entre la moda y la media. La mediana no se ve inuida por la frecuencia
de aparici on de un solo valor como es el caso de la moda, ni se distorsi on con la presencia de valores extremos como
la media.
En cualquier otro caso, no existen reglas universales para la aplicaci on de la media, la mediana o la moda como
medidas de tendencia central para diferentes poblaciones. Cada caso deber a considerarse de manera independiente, de
acuerdo con las lneas generales que se ha analizado.
1.3.2. MEDIDAS DE DISPERSI

ON
Las medidas de tendencia central de un conjunto de mediciones solamente localizan el centro de la distribuci on de
los datos. Por si mismo, no ofrecen una descripci on adecuada de los datos. Por ejemplo, dos conjuntos de mediciones
podran tener sus distribuciones de frecuencias muy diferentes pero con la misma media. La diferencias entre dos
distribuciones, puede estar en variaci on o dispersi on a ambos lados de la media. Una descripci on adecuada de los
datos requiere de la denici on de una medida de variabilidad de los datos. La medida m as com un de variabilidad
usada en la estadstica es la varianza, que es una funci on de las desviaciones (o distancia) de las mediciones con
respecto a su media.
1.3. MEDIDAS NUM

1
, x
2
, x
3
, . . ., x
k
1
, f
2
, f
3
, . . . f
k
, respectivamente,
en una distribuci on de frecuencias. Entonces la varianza es
s
2
=
1
n1
k
i=1
(x
i
x)
2
f
i
(1.5)
Donde n = f
1
+ f
2
+ f
3
+. . . + f
k
. En el caso, f
1
= f
2
= f
3
= . . . = f
k
= 1 entonces los datos se dicen no agrupados.
As, la f ormula para la varianza se convierte en
s
2
=
1
n1
n
i=1
(x
i
x)
2
(1.6)
La varianza es util en la comparaci on de la variaci on relativa de dos conjuntos de mediciones, pero s olo aporta infor-
maci on con respecto a la variaci on en un solo conjunto cuando se interpreta en t erminos de la desviaci on est andar. La
desviaci on est andar de un conjunto de medidas es la raz cuadrada positiva de la varianza, es decir,
s =
s
2
(1.7)
La varianza y la desviaci on est andar no son medidas de variabilidad distintas, debido a que la ultima no puede deter-
minarse a menos que se conozca la primera. A menudo se preere la desviaci on est andar en relaci on con la varianza,
porque se expresa en las mismas unidades fsicas de las observaciones.
Otra medida util de la variabilidad tiene base en el valor absoluto de las diferencias entres el conjunto de mediciones
y la media o la mediana, dependiendo de cual de las dos se emplee como medida de tendencia central.
1
, x
2
, x
3
, . . ., x
k
1
, f
2
, f
3
, . . . f
k
, respectivamente,
en una distribuci on de frecuencias. Entonces la desviaci on media est a dada por
DM =
1
n
k
i=1
|x
i
x| f
i
(1.8)
Donde n = f
1
+ f
2
+ f
3
+. . . + f
k
. En el caso, f
1
= f
2
= f
3
= . . . = f
k
= 1 entonces los datos se dicen no agrupados.
As, la f ormula para la desviaci on media est a se convierte en
DM =
1
n
n
i=1
|x
i
x| (1.9)
1.3. MEDIDAS NUM

Cuando se sustituye la media por la mediana en (1.8) y (1.9) se obtiene la desviaci on mediana, la que se notara por
DMd.
La desviaci on media es una medida de la variaci on de un conjunto de mediciones, especialmente en el contexto de la
evidencia emprica, debido a que en muchas ocasiones el inter es se centra en las desviaciones y no en los signos de
estas. Sin embargo, desde un punto de vista te orico, el empleo de desviaci on media como medida de dispersi on est a en
desventaja dado que, matem aticamente, es difcil de obtener. De cualquiera manera, la desviaci on media es menos
sensible a los efectos inducidos por las observaciones extremas del conjunto de datos que la varianza o la desviaci on
est andar. Sin importar la presencia de pocos valores extremos, la desviaci on media puede proporcionar una medida de
dispersi on mucho m as real que la obtenida por la desviaci on est andar.
Cuando la mediana se utiliza como medida de tendencia central con el prop osito de amortiguar los efectos de la
existencia de algunos valores extremos en el conjunto de mediciones, debe preferirse a la desviaci on mediana como
una medida de dispersi on por la misma raz on, es decir, con la intenci on amortiguar los efectos de la existencia de
valores extremos en el conjunto de mediciones.
Acontinuaci on se ilustran los pasos que se deben seguir para los c alculos de la varianza, desviaci on est andar, desviaci on
media y desviaci on mediana, para los datos no agrupados del ejemplo 1 y para los datos agrupados de la tabla 2.
Ejemplo 1.8. El tiempo de reparaci on, medio en horas, de un instrumento electr onico tiene un comportamiento
aleatorio. Los tiempos de reparaci on de 16 de tales instrumentos, elegidos a trav es de un mecanismo aleatorio, son
los siguientes:
5 6 3 6 11 7 9 10 2 4 10 6 2 8 1 5
Calcular la varianza, desviaci on est andar, desviaci on media y desviaci on mediana de este conjunto de datos.
Soluci on 6. Para la varianza se tiene
1.3. MEDIDAS NUM

s
2
=
1
n1
n
i=1
(x
i
x)
2
=
1
161
[(55.94)
2
+(65.94)
2
+(35.94)
2
+(65.94)
2
+(25.94)
2
+(45.94)
2
+(115.94)
2
+(75.94)
2
+(95.94)
2
+(105.94)
2
+(105.94)
2
+(65.94)
2
+(25.94)
2
+(85.94)
2
+(15.94)
2
+(55.94)
2
]
= 9.53
La desviaci on est andar es
s =
9.5333 = 3.0876
Para la desviaci on media se tiene
DM =
1
n
n
i=1
|x
i
x|
=
1
16
[|55.94| +|65.94| +|35.94| +|65.94|
+|25.94| +|45.94| +|115.94| +|75.94|
+|95.94| +|105.94| +|105.94| +|65.94|
+|25.94| +|85.94| +|15.94| +|55.94|
= 2.445
Para la desviaci on mediana se tiene
1.3. MEDIDAS NUM

DMd =
1
n
n
i=1
|x
i
x|
=
1
16
[|56| +|66| +|36| +|66|
+|26| +|46| +|116| +|76| +|96|
+|105.94| +|106| +|66| +|26|
+|86| +|16| +|56|
= 2.4375
Ejemplo 1.9. Con la distribuci on de frecuencias de la tabla 2. Calcular la varianza, desviaci on est andar, desviaci on
media y desviaci on mediana.
Soluci on 7. Utilicemos el cuadro 1.5, para la varianza, desviaci on est andar, desviaci on media y desviaci on mediana.
Cuadro 1.6: C alculo de las medidas de dispersi on en una distribuci on de frecuencias
x
i
f
i
(x
i
x)
2
f
i
|x
i
x| f
i
|x
i
x| f
i
110.5 4 17098.18 261.52 263.68
124.5 3 7919.71 154.14 155.76
138.5 5 6986.32 186.90 189.60
152.5 15 8199.37 350.70 358.80
166.5 18 1583.72 168.84 178.56
180.5 24 512.27 110.88 97.92
194.5 14 4853.86 260.68 253.12
208.5 5 5320.32 163.10 160.40
222.5 10 21734.24 466.20 460.80
236.5 2 7349.57 121.24 120.16
total 100 81557.56 2244.20 2238.8
Por lo tanto la
varianza es: s
2
= 823.81
Desviaci on est andar es: s = 28.70
Desviaci on media es: D.M. = 22.44
Desviaci on mediana es: D.Md. = 22.39
1.3. MEDIDAS NUM

1.3.3. OTRAS MEDIDAS DESCRIPTIVAS
El principal uso de la distribuci on acumulada es lo que com unmente se conoce como cuantiles. Con respecto a
una distribuci on de frecuencias relativa acumulada, se dene un cuantil como el valor bajo el cual se encuentra una
determinada proporci on de los valores de la distribuci on. Para identica la clase cuantil, la cual ser a la que contiene el
elemento para el cual la proporci on 100q% de todas las observaciones es menor y la otra proporci on 100(1q)% es
mayor en una distribuci on de frecuencias.
Denici on 1.8. Para calcular el cuantil q se utiliza la siguiente f ormula
x
q
= L
q
+
nqF
q1
f
q
c (1.10)
a. Se identica la clase cuantil, la cual ser a la que contiene el elemento para el cual la q% de todas las observaciones
es menor y la otra (100q)% es mayor.
b. L
q
= limite real inferior de la clase cuantil
c. f
q
= frecuencia de la clase cuantil
d. F
q1
= frecuencia acumulada anterior a la clase cuantil
e. c = ancho real de la clase cuantil
f. n = n umero de observaciones en la muestra o tama no de muestra.
Denici on 1.9. Una medida que compara la dispersi on relativa de dos distribuciones de frecuencias es el coeciente
de variaci on, que est a denido por:
cv =
s
x
100% (1.11)
Los cantiles com unmente m as utilizados son los percentiles, deciles y cuartiles. Los percentiles son los puntos que
dividen a la distribuci on de frecuencias en 100 pares iguales, cada uno con una frecuencia relativa q =0.01; los deciles
y cuartiles son los puntos que dividen a la distribuci on de frecuencias en 10 y 4 partes iguales, cada uno con frecuencia
relativa q = 0.1 y q = 0.01, respectivamente. N otese que la mediana es el cincuentavo percentil, el quinto decil y el
segundo cuartil.
Denici on 1.10. La diferencia entre los percentiles 90 avo y 10 avo recibe el nombre de recorrido interdecil.
Denici on 1.11. La diferencia entre los percentiles 75avo y 25avo recibe el nombre de recorrido intercuartil.
1.3. MEDIDAS NUM

En este contexto el recorrido interdecil es una medida de la dispersi on del 80% de la distribuci on de frecuencia,
en tanto que el recorrido intercuartil reeja la variaci on del 50% de la distribuci on de frecuencia. En ambos casos,
al excluir los efectos de los valores extremos de la distribuci on de frecuencia, se tiene la capacidad de medir la
variabilidad del conjunto de mediciones de la mitad de una distribuci on de frecuencia.
Los recorridos interdecil e intercuartil, son dos medidas de dispersi on que se emplean en disciplinas como educaci on,
economa, nazas e ingeniera. El recorrido interdecil se emplea muchas veces en pruebas educacionales para medir la
variabilidad en el desempe no sin importar los valores por arriba o por debajo de un 10% de un valor predeterminado.
El recorrido intercuartil se emplea en muchas ocasiones, en economa y nanzas, para medir la variabilidad de un
conjunto de mediciones de una proporci on de su distribuci on de frecuencia.
El coeciente de variaci on expresa la magnitud de la dispersi on de un conjunto de mediciones con respecto a la
media, es una medida estandarizada de la variaci on con respecto a la media, especialmente util para comparar dos
distribuciones de frecuencias cuando la escala de medici on diere de manera apreciable entre estas. Es decir, como
el coeciente de variaciones la raz on de dos promedios, es independiente de las unidades de medidas usadas, por
ejemplo, da igual que se usen libras o gramos para medir el peso.
Ejemplo 1.10. . Para la distribuci on de frecuencia de la Tabla 2. Calcular los recorrido interdecil, recorrido inter-
cuartil y el coeciente de variaci on.
Soluci on 8. Las clases percentiles 10ava y 90ava son respectivamente (132-145) y (216-229), entonces para calcular
a x
0.1
se tiene:
(a) Se identica la clase cuantil, la cual ser a la que contiene el elemento para el cual la q%de todas las observaciones
es menor y la otra (100q)% es mayor.
(b) L
q
= limite real inferior de la clase 10ava = 131.5
(c) f
q
= frecuencia de la clase 10ava = 5
(d) F
q1
= frecuencia acumulada anterior a la clase cuantil =7
(e) c = ancho real de la clase cuantil =14
(f) n = n umero de observaciones en la muestra o tama no de muestra =100.
Se utiliza la siguiente f ormula:
x
q
= L
q
+
nqF
q1
f
q
c = 131.5+
0.1(100) 7
5
(14) = 139.5
De la misma manera se calcula x
0.9
,
1.3. MEDIDAS NUM

x
q
= L
q
+
nqF
q1
f
q
c = 215.5+
0.9(100) 88
10
(14) = 217.8
As, el recorrido interdecil es = 217.80-139.50 = 78.3.
De igual forma se realizan los c alculos para el recorrido intercuartil.
El coeciente de variaci on es:
cv =
s
x
100 =
28.70
175.88
(100) = 0.16 = 16%
En la siguiente tabla se resumen las medidas num ericas descriptivas para la distribuci on de frecuencia de la Tabla 2.
Medidas descriptivas
Media 175.88
Mediana 176.42
Moda 178.75
Varianza 823.81
Desviaci on est andar 28.70
Desviaci on media 22.44
Desviaci on mediana 22.39
Recorrido 140.00
Recorrido intercuartil 34.89
Recorrido interdecil 78.3
Obs ervese (tabla 5) que los valores de las medidas de tendencias central se encuentran muy cerca entre si, tambi en se
puede armar lo mismo de las desviaciones est andar, media y mediana. Sin embargo, no es de esperar que todas las
distribuciones de frecuencia tengan este comportamiento.
Estas comparaciones aclaran lo que las medidas num ericas y las distribuciones de frecuencia pueden hacer para de-
scubrir la naturaleza inherente de un conjunto de mediciones. En consecuencias, el usuario debe tener cuidado tanto
en la elecci on como en la interpretaci on de estas medidas. A pesar que la media y la desviaci on est andar se han em-
pleado de manera extensa como medidas de tendencia central y dispersi on respectivamente, aunque tiene propiedades
matem aticas muy interesantes existen problemas para los cuales no puede ser las medidas m as deseables. Para con-
juntos de mediciones fsicas como lecturas de instrumentos, especicaciones de partes, pesos, etc., la media y la
desviaci on est andar o desviaci on media, son medidas anheladas. Para conjunto de mediciones anes con ingresos y
otras informaciones de tipo econ omico y nancieros, la mejor elecci on para la medida de tendencia central y dispersi on
son la media y la desviaci on de la mediana respectivamente.
1.4. EJERCICIOS Universidad Popular del Cesar
En muchas investigaciones de tipo econ omico y social proporcionan informaci on en tablas de frecuencia que no solo
contienen clases de diferentes amplitudes sino tambi en clases abiertas como mayores que o menor que con el prop osito
de tener mayor cobertura de los datos. Estas clases se presentan en los extremos de la distribuci on de frecuencia y no
se especica los lmites de las clases. Como resultado, no se encuentra denido el punto medio de la clase abierta y
en consecuencias no se puede calcular la media, varianza, desviaci on est andar y desviaci on media, a menos que se
conozca un valor particular de la clase o que sea conocido su promedio aritm etico.
1.4. EJERCICIOS
1. Los siguientes datos son los tiempos, en minutos, correspondiente a una muestra aleatoria de 50 personas que
estuvieron cobrando un cheque, un n de mes en un banco de la cuidad
17 16 39 30 23 38 32 20 43 32
44 41 23 17 29 26 21 34 44 24
21 27 36 21 17 28 29 34 24 28
25 29 45 23 16 34 20 30 23 35
35 27 19 31 45 40 14 29 23 19
a) Construir una distribuci on de frecuencias, de clases, relativa, acumulada y relativa acumulada.
b) Construir histograma, polgono y ojiva con los resultados obtenidos en a.
c) Con los datos agrupados calcula: la media, mediana, moda, desviaci on est andar, desviaci on media, desviaci on
mediana, y los recorridos intercuartil e interdecil.
2. Con los siguiente tres conjuntos de datos:
1 2 3 4 5 6
1 1 1 6 6 6
13 2 3 4 5 20
Calcular la media y la varianza para cada conjunto de datos. Qu e se puede concluir?
3. Con los datos del ejercicio 1, sea x
i
el tiempo que gasta el i- esimo cliente en cobrar un cheque para i =
1, 2, . . . , 50. Transformar los datos por medio de la relaci on
z
i
= (x
i
28.2)/8.928
Con los datos transformados
a) Construir una distribuci on de frecuencias, de clases, relativa, acumulada y relativa acumulada.
c) Con los datos agrupados calcula: la media, mediana, moda, desviaci on est andar, desviaci on media, desviaci on
mediana, y los recorridos intercuartil e interdecil.
d) Ha ocurrido alg un cambio en la naturaleza de la distribuci on de frecuencia cuando esta se compara con
los del ejercicio 1?
4. Los datos que tienen una distribuci on acampanada tienen caractersticas bien denidas con respecto a la variaci on,
que se puede expresar en el siguiente enunciado:
Regla emprica. Para una distribuci on de mediciones que es aproximadamente acampanada (forma normal), el
intervalo
( , +) Contiene aproximadamente el 68% de las mediciones
( 2, +2) Contiene aproximadamente el 95% de las mediciones
( 3, +3) Contiene casi todas las mediciones
Donde y son la media poblacional y desviaci on est andar poblacional respectivamente.
Calcular el intervalo ( x k, x +k) para k =1, 2, y 3, del ejercicio 1, cuenta el n umero de mediciones que se
ubican dentro de cada intervalo y compara estos resultados con el n umero que podra esperarse de acuerdo a la
regla emprica.
5. Los siguientes datos agrupados representan las ventas ($1000) de 50 tiendas, seleccionadas aleatoriamente del
municipio de Valledupar, de un da cualquiera de la semana.
Clases Frecuencias
110-186 4
187-263 14
264-340 11
341-417 9
418-494 7
495-571 1
572-648 2
649-727 2
a) Construir una distribuci on de frecuencia acumulada y relativa acumulada.
c) Calcular la media, mediana, moda, desviaci on est andar, desviaci on media, desviaci on mediana, y los recor-
ridos intercuartil e interdecil.
La regla emprica se nala que se puede aproximar la desviaci on est andar de un conjunto de mediciones por una
cuarta parte del rango. Calcule esta aproximaci on para la desviaci on est andar en los conjunto de datos de la tabla
1 y del ejercicio 1.
6. Las siguiente tres propiedades son importante cuando se emplea el smbolo de la sumatoria.
a)
n
i=1
c = nc
b)
n
i=1
cx
i
= c
n
i=1
x
i
c)
n
i=1
(x
i
+y
i
) =
n
i=1
x
i
+
n
i=1
y
i
1. Demostrar las siguientes identidades algebraicas:
a)
n
i=1
(x
i
x) = 0
b) s
2
=
1
n1
_
k
i=1
x
2
i
f
i
n x
2
_
2. Demuestre que la funci on
h(y) =
n
i=1
(x
i
y)
2
Tiene un mnimo en x . Utilice sus conocimientos de Calculo Diferencial.
7. Sea k 1. Demuestre que para cualquier conjunto de n mediciones, la fracci on que queda incluida en el intervalo
( x ks, x +ks) es por lo menos (1
1
k
2
). Este resultado se conoce con el nombre de teorema de Tchbysheff.
8. Supongamos que tenemos las siguientes medias: x
1
= 37, x
2
= 41 y x
3
= 28, basadas en 50, 20 y 10 observa-
ciones respectivamente. Si hay que escoger una sola media, Cu al sera su elecci on? Por qu e? Cu ales son los
totales de las muestras originales? C omo se usara estos totales para hallar la media de las 80 observaciones?
9. Sea x
1
, x
2
, . . . , x
n
una muestra aleatoria de una poblaci on. Demuestre que
m ax
1in
|x
i
x| <
(n1)s
n
a menos que todas las n observaciones sean iguales o exactamente n1 de las x
i
son iguales.
10. Sean x
1
, x
2
, . . . , x
k
marcas de clases diferentes con frecuencias f
1
, f
2
, . . . , f
k
respectivamente. Si y
i
= ax
i
+c, son
las marcas de clases de una nueva variable aleatoria y
i
. Demuestre que:
a) y = a x +c
b) s
2
y
= a
2
s
2
.
11. Los siguientes datos corresponden a una muestra aleatoria simple de tama no n = 100 seleccionadas de los
N = 365 das de las ventas (en millones) de un supermercado de la ciudad, los datos se muestra en la tabla
siguiente:
Cuadro 1.7: Datos
78 113 94 101 87 88 75 87 110 92
100 116 102 105 89 104 111 93 114 95
107 117 109 117 100 104 127 112 120 117
108 121 126 127 124 106 127 120 121 118
108 124 128 135 131 114 128 122 129 119
126 131 129 138 139 121 129 128 129 126
129 136 130 140 140 124 130 141 130 135
137 143 132 141 143 133 137 143 138 140
139 144 146 153 146 135 142 151 142 147
142 146 149 175 155 135 167 151 147 152
a) Encuentre las clases para el conjunto de datos anteriores, si se sabe que la primera clase tiene como limite
inferior 75 y la longitud de cada clase es c = 10.
b) Hallar las frecuencias absolutas y acumuladas para cada clase.
c) Qu e interpretaci on se le da a las frecuencias absolutas y acumuladas en cada clase.
d) Hallar los limites reales para cada clase y sus marcas de clases e interprete.
e) Qu e porcentajes de das al a no tienen ventas superiores a $140.000.000 (ciento cuarenta millones de pesos).
f ) Qu e porcentajes das tiene ventas superiores o iguales a $173.000.000 y superiores o iguales $108.000.000.
g) Construir el histograma de frecuencias, polgono de frecuencias y ojiva e indicar cu al debe ser el perl de
la poblaci on.
h) Calcular la media, mediana y moda e interprete su signicados en t erminos poblacionales.
i) Calcular el rango, varianza, desviaci on est andar, desviaci on media y desviaci on mediana e interprete su
signicados.
j) Calcular todos los deciles y cuartiles de la distribuci on de frecuencias.
k) Calcular el recorrido interdecil y el recorrido intercuartil e interprete.
CAPITULO 2
PROBABILIDAD
2.1. INTRODUCCI

ON
La teora de probabilidad comenz o en siglo XVII con dos grandes matem aticos franceses, Blaise Pascal (1961-
1668) y Pierre de Fermat (1623-1662), aunque algunos matem aticos anteriores, como Gerolamo Cardano (1501-1576)
en el siglo XVI, haban hecho importantes contribuciones a su desarrollo. La probabilidad, como una rama de la
matem atica, comenz o como un intento de responder a varias preguntas que surgan en los juegos de azar, convir-
ti endose en una herramienta poderosa en las m as variadas ramas del conocimiento. Es as, que encuentra aplicaciones
en cada una de las area de la actividad humana desde la m usica a la fsica, y en experiencia diarias como es la de
pronosticar el tiempo a la predicci on de los riesgos de nuevos tratamientos m edicos.
El objetivo principal de este captulo es proporcionar al estudiante una formaci on s olida y sistem atica en los
principios, m etodos, resultados y aplicaciones de la teora de la probabilidad, as como la habilidad de razonar bajo
estos modelos. El primer paso de est a captulo es describir la estructura gen erica del concepto de probabilidad a trav es
de un conjunto de axiomas, y sus propiedades b asicas. Para esto, se empezara con una revisi on corta de la teora de
conjuntos.
2.2. PROPIEDADES B
ASICAS
La teora de la probabilidad fue establecida sobre una base axiom atica id onea por el matem atico ruso Andr ei
Nikol ayevich Kolmog orov (1903-1987) en la d ecada de los a nos treinta. Por supuesto, los axiomas y teoremas de
Kolmog orov son m as rigurosos que la versi on simplicada que presentaremos a continuaci on, para ilustrar el enfoque
axiom atico comenzaremos con la siguiente denici on.
Denici on 2.1. Un experimento aleatorio es el proceso por medio del cual se obtiene una observaci on.
Por ejemplo, el lanzamiento de un dado, el n umero de carros que llegan a la universidad en una hora determinada, se
les puede considerar un experimento. En el contexto de las ciencias sociales, la mayor parte de los procedimientos de
67
2.2. PROPIEDADES B
ASICAS Universidad Popular del Cesar

recogida de datos se pueden considerar como experimentos aleatorios. Cuando se efect ua un experimento se pueden
tener uno o m as resultados posibles, los cuales se denominan eventos.
Denici on 2.2. Un espacio muestral asociado a un experimento es el conjunto de todo los resultados posibles de
un experimento.
Por ejemplo, para el lanzamiento del dado el espacio muestral puede ser
={1, 2, 3, 4, 5, 6}
o tambi en
={pares, impares}.
Para el n umero de carros que llegan a la universidad en una hora determinada, el espacio muestral es
={x| x un n umero entero mayor o igual a cero}.
Donde x es el n umero de carros que llegan en una hora determinada.
Si w es un elemento de lo notaremos w , y diremos que w pertenece a . La denici on de un espacio muestral
en un problema concreto depende de cuales son los aspectos que se desean analizar.
Denici on 2.3. Un evento es cualquier subconjunto A del espacio muestral , y lo notaremos A .
Para el espacio muestral asociado con el lanzamiento de un dado, se tiene que cualquier subconjunto de
={1, 2, 3, 4, 5, 6}
es un evento de .
Al conjunto formado por todos los subconjuntos de , el cual notaremos P(), lo denominaremos el conjunto de
partes . Por ejemplo, si ={a, b, c} conjunto de partes de es:
P() ={/ 0, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, }.
Denici on 2.4. Sean A y B eventos cualesquiera del espacio muestral . Entonces
1. La intersecci on de los eventos A y B es otro evento, lo cual escribimos AB, cuyo elementos son los elementos
comunes a A y B.
x AB si y solo si x A y x B
2.2. PROPIEDADES B

2. La uni on de los eventos A y B es otro evento, lo cual escribimos AB, cuyos elementos son todos los elementos
de A o B.
x AB si y solo si x A y x B
3. Los eventos A y B se dicen disjuntos o mutuamente excluyentes si su intersecci on es el conjunto vaco:
AB = / 0
4. El complemento de A es otro evento, lo escribimos A
c
, cuyos elementos son todos los del espacio muestral
Omega excepto los que est an en A:
x A
c
si y solo si x no esta en A
En lo sucesivo, cualquier evento de un espacio muestral se puede representar mediante los diagramas de Veen. Por
ejemplo, la intersecci on, la uni on, la disyunci on y el complemento entre conjuntos se representan como se muestran
en las guras siguientes respectivamente
AB
AB
A B
AB
A B
AB = / 0
A
A
c
2.2. PROPIEDADES B

Ejemplo 2.1. Sea = {1, 2, 3, 4, 5, 6} el espacio muestral asociado al experimento el lanzamiento de un dado, y
sean los eventos A ={2, 4, 6} y B ={3, 6}. Entonces
AB ={6}
AB ={2, 3, 4, 6}
A
c
={2, 3, 4, 6}
Denici on 2.5. Sea un espacio muestral asociado a un experimento. Una probabilidad es una funci on P de valor
real que asigna a cada evento A de un n umero real de tal manera que sean validos los siguientes axiomas:
P1. Para todo evento A de P(A) 0. Es decir, la probabilidad de cualquier evento A de es un n umero real no
negativo.
P2. P() = 1
P3. Si A
1
, A
2
, A
3
, . . . es una sucesi on de eventos de mutuamente excluyentes, es decir, A
i
A
j
= para todo i = j ,
entonces
P(
_
n=1
A
n
) =
n=1
P(A
n
).
La pareja (, P) se llama un espacio de probabilidad. Un espacio de probabilidad es una descripci on del experimento
que informa de cu al es el conjunto de posibles resultados del experimento, de los sucesos cuya realizaci on interesa,
los eventos A de , los cuales permiten cuanticar la incertidumbre de que produzcan los sucesos que interesan.
Teorema 2.1. P() = 0.
Demostraci on 1. Sea A
1
= y A
i
= para i = 2, 3, . . . , es claro que A
i
A
j
= para todo i = j.
Por el axioma (P3) de la denici on (2.5) tenemos que
P(
_
n=1
A
n
) =
n=1
P(A
n
) (2.1)
como
=
_
n=1
A
n
(2.2)
De (2.1) y (2.2) se inere que
P() = P() +
n=2
P(A
n
)
y puesto que P(A
i
) 0 para todo i = 1, 2, 3, . . .. Entonces P(A
i
) 0 para todo i = 2, 3, . . .. En consecuencia
P() = 0.
2.2. PROPIEDADES B

Teorema 2.2. Sean A y B eventos de si AB =. Entonces
P(AB) = P(A) +P(B).
Demostraci on 2. Consid erese A
1
= A, A
2
= B, A
i
=, aplicando el axioma ?? se deduce
P(
_
n=1
A
n
) =
n=1
= P(A
1
) +P(A
2
) +
n=3
P(A
n
)
puesto que P() = 0 se concluye
P(
_
n=1
A
n
) =
n=1
P(A
n
) = P(A
1
) +P(A
2
) (2.3)
pero
AB =
_
n=1
A
n
(2.4)
De (2.3) y (2.4) se obtiene
P(AB) = P(A) +P(B).
Teorema 2.3. Sea A evento de . Entonces
P(A
c
) = 1P(A).
Demostraci on 3. Como se puede ver en la gura 2.1, = AA
c
y AA
c
=.
Figura 2.1: A
c
A
A
c
Aplicando el axioma P2 y el teorema 2, se tiene
P() = P(AA
c
) = P(A) +P(A
c
) = 1
En consecuencia
P(A
c
) = 1P(A).
2.2. PROPIEDADES B

Teorema 2.4. Sean A y B eventos de , tales que A B. Entonces
P(A) P(B).
Demostraci on 4. N otese que el evento B se puede escribir como
B = A(A
c
B)
Figura 2.2: A B
A
A
c
B
B
donde los eventos A y (A
c
B) son mutuamente excluyentes. En consecuencia, por teorema 2 se tiene
P(B) = P(A) +P(A
c
B)
como
P(A
c
B) 0
se sigue
P(A) P(B).
Teorema 2.5. Sean A y B eventos de . Entonces
P(AB) = P(A) +P(B) P(AB)
Demostraci on 5. Es f acil comprobar, mediante la gura 2.3, que
Figura 2.3: AB
A B AB
AB
2.3. DIFERENTES MANERAS DE ASIGNAR PROBABILIDADES Universidad Popular del Cesar
AB = A(A
c
B) y A(A
c
B) = (2.5)
tambi en
B = (AB) (A
c
B) y AB) (A
c
B) = (2.6)
de (2.5) y teorema 2, se inere
P(AB) = P(A) +P(A
c
B) (2.7)
por (2.6) y teorema 2, se obtiene
P(B) = P(AB) +P(A
c
B) (2.8)
De (2.7) y (2.8) se establece
P(AB) = P(A) +P(B) P(AB).
Observemos que la denici on de probabilidad solamente expresa cu ales son las propiedades que tiene una funci on de
probabilidad, pero no expresa c omo asignar las probabilidades especcas de los eventos.
2.3. DIFERENTES MANERAS DE ASIGNAR PROBABILIDADES
En un experimento aleatorio no es posible determinar con absoluta precisi on cual ser a el resultado. Sin embargo,
unos resultados suelen ser m as verosmiles que otros. Intuitivamente, la probabilidad indica el grado de conanza en
que ocurra cada suceso. Existen diferentes interpretaciones del concepto de probabilidad que pretenden dar sentido a
esta idea. Algunas de ellas son las siguientes:
Denici on 2.6 (Probabilidad cl asica). Se dene la probabilidad como el cociente entre el n umero de casos favorables
y el n umero total de casos posibles, siempre que no exista raz on alguna para creer que un resultado ocurra m as que
otro. Es decir, si A es un evento del espacio muestral entonces la probabilidad del evento A es:
P(A) =
n umero de casos favorables de A
n umero de casos posibles
=
#(A)
#()
Por ejemplo, si se lanza un dado, la probabilidad de cada cara es
1
6
. Esta denici on no implica que se realice verdader-
amente el experimento. La probabilidad se dene independientemente de que el experimento se lleve a cabo o no, y
depende unicamente de la geometra o las propiedades fsicas del objeto en cuesti on.
Denici on 2.7 (Probabilidad frecuentista). Supongamos que se lanza un dado N veces en las mismas condiciones
y sale la cara un n umero n de veces. La denici on frecuentista de la probabilidad de obtener n veces caras en el
resultado es:
P(c) = lm
n
n
N
Al igual que en el caso anterior, esta denici on es una forma conceptual de entender lo que es un experimento aleatorio
(por ejemplo, lanzar un dado), y no signica que en la pr actica haya que repetirlo un n umero ilimitado de veces para
calcular la probabilidad. Esto se debe a dos razones: en la pr actica es imposible repetir un mismo experimento en
id enticas condiciones; el dado se deteriorar a cuantas m as veces se lance, la velocidad del aire cambiar a, etc. Adem as,
si se pudiera repetir el fen omeno en id enticas condiciones el resultado sera el mismo en todos los lanzamientos, por
lo que el concepto de probabilidad perder a su sentido.
Ejemplo 2.2. Consid erese el experimento de lanzamiento de un dado.
1. Hallar el espacio muestral
2. Asigne probabilidades a cada resultado posible
3. Hallar la probabilidad de obtener un n umero par.
Soluci on 9. El espacio muestral asociado al experimento, del lanzamiento de un dado,
1. es
={1, 2, 3, 4, 5, 6}.
2. El axioma P2 dice que la suma de todas las probabilidades de los elementos de debe ser igual a uno. Por lo
tanto una forma de asignar probabilidades es suponer a priori que el dado es perfecto, y en consecuencia cada
una de las caras tiene la misma posibilidad de salir, en este caso,
P({i}) =
1
6
; i=1, 2, 3, 4, 5, 6.
Esta forma de asignar probabilidad se denomina cl asica.
3. El evento obtener un n umero par es el subconjunto
A ={2, 4, 6}
P(A) =
n umero de casos favorables
n umero de caso posibles
=
3
6
=
1
2
.
Ejemplo 2.3. Un fabricante tiene cinco terminales de computador aparentemente id enticos listos para ser enviados
a su destino. El no sabe que dos son defectuosos. Recibe un pedido especial de dos terminales y lo surte seleccionado
al azar dos de los cinco disponibles.
1. Encuentren el espacio muestral para este experimento
2. Sea A el evento en que el pedido se surte con dos terminales no defectuosos. Liste los puntos mu estrales de A
3. Asigne probabilidades a cada resultado posible
4. Calcular la probabilidad del evento A.
Soluci on 10. Sean d
1
, d
2
los dos terminales defectuoso y b
1
, b
2
, b
3
los terminales buenos.
1. Los eventos simples pueden representarse como sigue:
e
1
={d
1
, d
2
} e
6
={d
2
, b
2
}
e
2
={d
1
, b
1
} e
7
={d
2
, b
3
}
e
3
={d
1
, b
2
} e
8
={b
1
, b
2
}
e
4
={d
1
, b
3
} e
9
={b
2
, b
3
}
e
5
={d
2
, b
1
} e
10
={b
3
, b
3
}.
Por lo tanto el espacio muestral es:
={e
1
, e
2
, e
3
, e
4
, e
5
, e
6
, e
7
, e
8
, e
9
, e
10
}.
2. El evento A ={e
8
, e
9
, e
10
}
3. Como las terminales son id enticos se puede asumir que tiene la misma posibilidad de ser seleccionado cualquiera
de los elementos del espacio muestral, luego
P({e
i
} =
1
10
; i=1, 2, 3, 4, 5, 6, 7, 8, 9, 10.
4. Puesto que el evento A ={e
8
, e
9
, e
10
} ={e
8
}{e
9
}{e
10
} , aplicando el teorema 2, se obtiene
P(A) = P({e
8
}) +P({e
9
}) +P({e
10
}) =
3
10
.
Ejemplo 2.4. Una empresa dedicada a la b usqueda de petr oleo o gas natural encuentra en 10% de sus perforaciones.
Si la compa na perfora dos pozos, los cuatro eventos simples posibles y tres de sus probabilidades asociadas son:
RESULTADOS
EVENTOS 1 perforacion 2 perforacion Probabilidad
e
1

Exito

Exito 0.01
e
2

Exito Fracaso
e
3
Fracaso

Exito 0.09
e
4
Fracaso fracaso 0.81
1. Obtenga la probabilidad de que la compa na encuentre petr oleo o gas en la primera perforaci on y falle en la
segunda
2. Obtenga la probabilidad de que la compa na encuentre petr oleo o gas en al menos una de las dos perforaciones.
Soluci on 11. El experimento consiste en la perforaci on de pozos en busca de petr oleo o gas. El espacio muestral es:
={e
1
, e
2
, e
3
, e
4
}
donde, por ejemplo, e
3
signica fracaso en la primera perforaci on y exito en la segunda.
1. El evento de encontrar petr oleo o gas en la primera perforaci on y fracaso en la segunda perforaci on es:
A ={e
2
}.
Por otro lado, se tiene por axioma P2, que
P() = P({e
1
}) +P({e
2
}) +P({e
3
}) +P({e
4
}) = 1
entonces
P({e
2
}) = 1(P({e
1
}) +P({e
3
}) +P({e
4
})) = 1(0.01+0.09+0.81) = 0.09.
2. El evento de que encuentre petr oleo o gas en al menos en una de las dos perforaciones es
B ={e
1
, e
2
, e
3
}
por lo tanto
P(B) = P({e
1
}) +P({e
2
}) +P({e
3
}) = 0.01+0.09+0.09 = 0.19
Otra forma de calcular la probabilidad de P(B) es:
P(B) = 1P({e
4
}) = 10.81 = 0.19.
Ejemplo 2.5. Una agencia comercial compra papelera a uno de los tres vendedores v
1
, v
2
y v
3
. Se ordena el pedido
en dos das consecutivos, un pedido por da, tal que (v
1
, v
2
) signica que el vendedor v
1
recibe el pedido el primer da
y el vendedor v
2
lo recibe el segundo da.
1. Determine los puntos mu estrales de este experimento
2. Supongamos que se seleccionan los vendedores al azar cada da, asigne una probabilidad a cada punto muestral
3. Sean A el evento de que el mismo vendedor recibe los dos pedidos y el evento B de que el vendedor v
2
consigue
por lo menos un pedido. Calcular: P(A), P(B), P(AB) y P(AB).
Soluci on 12. El experimento consiste en la solicitud de papelera que hace una agencia comercial en dos
das consecutivos. Como (v
i
, v
j
) representa que el vendedor i recibi o el primer pedido y j el segundo pedido.
Entonces
1. el espacio muestral es:
={(v
1
, v
1
), (v
1
, v
2
), (v
1
, v
3
), (v
2
, v
1
), (v
2
, v
2
), (v
2
, v
3
), (v
3
, v
1
), (v
3
, v
2
), (v
3
, v
3
)}
2. Como la selecci on se hace de manera aleatoria cada da, es natural suponer que todos los vendedores tienen la
misma posibilidad de ser seleccionados por lo tanto
P({(v
i
, v
j
)}) =
1
9
; i,j=1, 2, 3.
3. Los eventos
A ={(v
1
, v
1
), (v
2
, v
2
), (v
3
, v
3
)}
B ={(v
1
, v
2
), (v
2
, v
1
), (v
2
, v
2
), (v
2
, v
3
), (v
3
, v
2
)}
AB ={(v
2
, v
2
)}
se tiene
P(A) = P({(v
1
, v
1
), (v
2
, v
2
), (v
3
, v
3
)}) =
1
3
P(B) = P({(v
1
, v
2
), (v
2
, v
1
), (v
2
, v
2
), (v
2
, v
3
), (v
3
, v
2
)}) =
5
9
P(AB) = P({(v
2
, v
2
)}) =
1
9
.
Por lo tanto
P(AB) = P(A) +P(B) P(AB) =
1
3
+
5
9
1
9
=
7
7
.
2.4. PROBABILIDAD CONDICIONAL Universidad Popular del Cesar
2.4. PROBABILIDAD CONDICIONAL
La probabilidad condicional nos permite ajustar un evento si se sabe que ha ocurrido un evento relacionado con el
primero.
Denici on 2.8. . Sea B un evento del espacio muestral tal que P(B) > 0. Entonces la probabilidad condicional del
evento A, dado que el evento B ocurri o, se dene como la raz on
P(A|B) =
P(AB
P(B)
.
De la misma manera se dene
P(B|A) =
P(AB
P(A)
.
Tambi en de la denici on de probabilidad condicional se obtiene lo que se conoce como teorema de multiplicaci on
P(AB) = P(A|B)P(B) = P(B|A)P(A).
Ejemplo 2.6. Supongamos que en una ocina hay 100 m aquinas calculadoras. Algunas de esas m aquinas son el ectric-
as (E), mientras otras son manuales (M). Adem as, algunas son nuevas (N), mientras otras son usadas (U). La siguiente
tabla da el n umero de m aquinas de cada categora.
E M Total
N 40 30 70
U 20 10 30
Total 60 40 100
Una persona entra a la ocina, escoge una m aquina al azar y descubre que es nueva. Cu al es la probabilidad de que
sea el ectrica?
Soluci on 13. Se sabe que la persona escogi o una m aquina nueva de la 70 y se tienen 40, por lo tanto
P(E|N) =
4
7
.
Otra forma es calcular la probabilidad que se nueva y el ectrica,
P(E|N) = 0.40 y P(N) = 0.70.
Entonces
P(E|N) =
P(E N
P(N)
=
0.40
0.70
=
4
7
.
Ejemplo 2.7. Consid erese las familias que tienen dos hijos y supongamos que varones y mujeres son igualmente
probables. Si se escoge una familia al azar y en la familia hay un hijo var on cu al es la probabilidad de que el otro
sea var on?
Soluci on 14. En este caso el espacio muestral es
={(v, v), (v, m), (m, v), (m, m)}.
Donde v es var on, m es mujer y el orden del par es el orden de los nacimientos. Cada uno de los puntos tiene la
probabilidad
1
4
. Sean los eventos A: uno de los hijos es var on y B: ambos son varones, entonces
A ={(v, v), (v, m), (m, v)}
y
A ={(v, v)}
como B A entonces B = AB. Por lo tanto
P(A|B) =
P(AB)
P(B)
=
1
3
.
Denici on 2.9. Se dice que los eventos B
1
, B
2
, B
3
, B
4
, . . . B
n
representa una partici on del espacio muestral si:
1. B
i
B
j
= para todo i = j.
2.
n
i=1
B
i
=
3. P(B
i
) > 0 para todo i = 1, 2, 3, . . . , n.
Teorema 2.6 (Teorema de la Probabilidad Total). Sea B
1
, B
2
, B
3
, . . . , B
n
una partici on del espacio muestral y A un
evento de . Entonces
P(A) =
n
i=1
P(A|B
i
)P(B
i
).
Demostraci on 6. Es f acil observar en la gura 2.4 que A es la uni on disjunta de elementos de , como se muestra en
la siguiente gr aca.
Esto es:
A = (AB
1
) (AB
2
) (AB
3
) . . . (AB
n
)
donde
(AB
1
) (AB
2
=; para todo i = j
Figura 2.4: Partici on de
B
1
B
2
B
3
B
n
A
entonces
P(A) =
n
i=1
P(AB
i
) (2.9)
pero tenemos que para i = 1, 2, . . . , n
P(AB
i
) = P(A|B
i
)P(B
i
) (2.10)
sustituyendo (2.10) en (2.9), se obtiene
P(A) =
n
i=1
P(A|B
i
)P(B
i
).
Ejemplo 2.8. Cierto artculo se hace en una de tres f abricas, digamos 1,2 y 3. Se sabe que la primera produce
el doble de artculos que la segunda. Tambi en se sabe que la segunda y la tercera producen el mismo n umero de
artculo(durante un periodo de producci on especco). Se conoce tambi en que el 2% de los artculos producidos por
cada una de las dos primeras son defectuosos; mientras que 4% de los manufacturados por la tercera son defectuosos.
Todos los artculos se colocan en una la y se escoge uno al azar.
1. Cu al es la probabilidad de que este artculo sea defectuoso?
2. Si las tres f abricas producen 10000 artculos Cu al es el n umero de artculos defectuosos que produce cada
f abrica?
3. Si se sabe que el artculo es defectuoso Cu al es la probabilidad de que este articulo proceda de la f abrica dos?
Soluci on 15. Denamos
1. los siguientes eventos:
A ={el artculo es defectuoso}
B
1
={el artculo proviene de la f abrica 1}
B
2
={el artculo proviene de la f abrica 2}
B
3
={el artculo proviene de la f abrica 3}.
Entonces para i = 1, 2, 3
(AB
1
) ={el articulo es defectuoso y proviene de la f abrica i}
Luego
A = (AB
1
) (AB
2
) (AB
3
)
por otra parte se tiene que
P(A|B
1
) = 0.02
P(A|B
2
) = 0.02
P(A|B
3
) = 0.04
P(B
1
) = 0.5
P(B
2
) = 0.25
P(B
3
) = 0.25.
Reemplazando los valores anteriores en
P(A) = P(A|B
1
)P(B
1
) +P(A|B
2
)P(B
2
) +P(A|B
3
)(B
3
)
se obtiene
P(A) = (0.02)(0.5) +(0.02)(0.25) +(0.04)(0.25) = 0.025.
Por lo tanto la probabilidad que un artculo sea defectuoso es 0.025.
Los puntos 2. y 3. se dejan al lector.
Ejemplo 2.9. Sup ongase que tenemos una urna con cuatro monedas de oro y tres de bronce, y una segunda urna
contiene tres de oro y cinco de bronce. Las monedas en las dos urnas son todas id enticas. Se selecciona una moneda
de la primera urna y se coloca sin verla en la segunda urna. Cu al es la probabilidad de que ahora se seleccione una
moneda de bronce de la segunda?
Soluci on 16. Sean B
1
y B
2
, la selecci on de una moneda de bronce de la urna 1 y una moneda de bronce de la segunda
urna respectivamente, y O
1
una moneda de oro de la urna 1. Debemos calcular la probabilidad de la uni on de los
eventos B
1
B
2
y O
1
B
2
. Las diferentes posibilidades que se pueden dar se muestran el diagrama de arbol, gura
2.5. Entonces
Figura 2.5:
P
(
B
1
)
=
3
7
P
(
B
2
|
B
1
)
=
6
9 P(B
1
B
2
) = P(B
2
|B
1
)P(B
1
) =
18
63
P
(
O
2 |
B
1 )
=
3
9
P(B
1
O
2
) = P(O
2
|B
1
)P(B
1
) =
9
63
P
(
O
1
)
=
4
7
P
(
B
2 |
O
1 )
=
5
9
P
(
O
2
|
O
1
)
=
4
9 P(O
1
O
2
) = P(O
2
|O
1
)P(O
1
) =
16
63
P(B
2
O
1
) = P(B
2
|O
1
)P(O
1
) =
20
63
Por lo tanto, la probabilidad se seleccionar una moneda de bronce de la segunda urna es:
P((B
1
B
2
) (O
1
B
2
)) = P(B
1
B
2
) +P(O
1
B
2
)
= P(B
2
|B
1
)P(B
1
) +P(B
2
|O
1
)P(O
1
)
=
18
63
+
20
63
=
38
63
.
Teorema 2.7 (Teorema de Bayes). Sea B
1
, B
2
, B
3
, . . . , B
n
una partici on del espacio muestral . Para cualquier evento
A de , done P(A) > 0 y cualquier j, 1 j n. Entonces
P(B
j
|A) =
P(A|B
j
)P(B
j
)
n
i=1
P(A|B
i
)P(B
i
)
.
Demostraci on 7. Por la denici on de probabilidad condicional se tiene
P(B
j
|A) =
P(AB
j
)
P(A)
(2.11)
Por otra parte se tiene que
P(B
j
A) = P(A | B
j
)P(B
j
) (2.12)
por teorema de la probabilidad total
P(A) =
n
i=1
P(A | B
i
)P(B
i
) (2.13)
reemplazando (2.12) y (2.13) en (2.11) se obtiene
P(B
j
|A) =
P(A | B
j
)P(B
j
)
n
i=1
P(A|B
i
)P(B
i
)
.
Ejemplo 2.10. Supongamos que varias cajas son de dos tipos B
1
y B
2
. El tipo B
1
contiene 70% de caramelos dulces
y 30% de caramelos acidos, mientras que el tipo B
2
dicho porcentaje esta invertido. Supongamos adem as que el 60%
de todas las cajas son del tipo B
1
, mientras que el resto son del tipo B
2
. Si se escoge un caramelo dulce al azar de
una caja desconocida. Decidir de que tipo proviene.
Soluci on 17. Se tienen dos tipos de cajas B
1
y B
2
con probabilidades de selecci on
P(B
1
) = 0.60
y
P(B
2
) = 0.40.
Sea los eventos
D = conjunto de caramelos dulces
A = conjunto de caramelos acidos
por otra parte se tiene que
2.5. EVENTOS INDEPENDIENTES Universidad Popular del Cesar
P(D|B
1
) = 0.70
P(D|B
2
) = 0.30
P(A|B
1
) = 0.30
P(A|B
2
) = 0.70.
As
P(B
1
|D) =
P(D|B
1
)P(B
1
)
P(D|B
1
)P(B
1
) +P(D|B
2
)P(B
2
)
=
(0.7)(0.6)
(0.7)(0.6) +(0.3)(0.4)
=
7
9
y
P(B
2
|D) =
P(D|B
2
)P(B
2
)
P(D|B
1
)P(B
1
) +P(D|B
2
)P(B
2
)
=
(0.3)(0.4)
(0.7)(0.6) +(0.3)(0.4)
=
2
9
Por lo tanto se decide a favor de los caramelos que provienen de las cajas B
1
.
2.5. EVENTOS INDEPENDIENTES
Denici on 2.10. Los eventos A
1
, A
2
, A
3
, . . . , A
n
de se dicen independientes si para todo conjunto de ndices i
1
, i
2
, i
3
, . . . , i
k
entre 1 y n se tiene que
P(A
i
1
A
i
2
A
i
3
. . . A
i
k
) = P(A
i
1
)P(A
i
2
)P(A
i
3
). . . P(A
i
k
).
En particular, los eventos A y B son eventos independientes en , si
P(AB) = P(A)P(B).
Es f acil vericar que los eventos y son independientes.
Ejemplo 2.11. Un lote de diez objetos contiene cuatro defectuosas y seis en buen estado. Se extraen dos objetos
sucesivamente y sin reemplazo. Sea
D
1
={el primer objeto es defectuoso}
D
2
={el segundo objeto es defectuoso}
1. Son independientes estos eventos?
2. Qu e sucede si los objetos se extraen con reemplazo?
Soluci on 18. Si D
1
, el primer objeto es defectuoso, entonces
P(D
1
) =
2
5
y la probabilidad del evento D
2
el segundo objeto es defectuoso, es
P(D
2
) = P(D
2
|D
1
)P(D
1
) +P(D
2
|D
c
1
)P(D
c
1
) =
1
3
2
5
+
4
9
3
5
=
2
5
.
Por otra parte, la probabilidad de D
2
dado que ocurri o D
1
es:
P(D
2
|D
1
) =
3
9
de lo cual se tiene que
P(D
2
|D
1
) = P(D
2
)
En el segundo caso se tiene
P(D
1
) = P(D
2
) =
2
5
y
P(D
1
D
2
) = P(D
1
)P(D
2
) =
4
25
.
Por lo tanto, si la selecci on se realiza con reemplazo los eventos son independientes.
Si A
1
, A
2
, A
3
, . . . , A
n
son eventos tales que A
i
1
, A
i
2
, A
i
3
, . . . , A
i
k
son independientes para todos los indices distintos
i
1
, i
2
, . . . , i
k
, k = 1, 2, . . . , n1, de esto no se sigue que
A
1
, A
2
, A
3
, . . . , A
n
son independientes. Por ejemplo, se el lanzamiento de una moneda dos veces, y signemos una probabilidad de 1/4
a cada resultado de ={cc, cs, sc, ss}. Sean los eventos
A ={cc, cs}
B ={cc, sc}
C ={cc, ss}
Entonces se tiene
P(AB) = P({cc}) =
1
4
= P(A)P(B) =
1
2
1
2
P(AC) = P({cc}) =
1
4
= P(A)P(C) =
1
2
1
2
P(BC) = P({cc}) =
1
4
= P(B)P(C) =
1
2
1
2
pero
P(ABC) = P({cc}) =
1
4
=
1
8
= P(A)P(B)P(C) =
1
2
1
2
1
2
.
Entonces A y B, A y C, B y C son independientes pero A, B y C no lo son.
Inversamente, si P(A
1
A
2
. . . A
n
) = P(A
1
)P(A
2
). . . P(A
n
), esto no implica que
P(A
i
1
A
i
2
. . . A
i
k
) = P(A
i
1
)P(A
i
2
). . . P(A
i
n
)
cuando k < n. Por ejemplo, supongamos el lanzamiento de dos dados. Es claro, que el espacio muestral es conjunto
formado por todas las parejas (i, j), i, j = 1, 2, 3, 4, 5, 6 con probabilidad 1/36. Sean los siguientes eventos
A ={el segundo dado muestra 1, 2, o 5}
B ={el segundo dado muestra 4, 5 , o 6}
B ={la suma de las dos caras sea nueve}
En este caso, es f acil ver que
P(AB) = P(A)P(B)
P(AC) = P(A)P(C)
P(BC) = P(B)P(C)
pero
P(ABC) = P(A)P(B)PC).
Por lo tanto los eventos A, B y C no son independientes.
Ejemplo 2.12. El siguiente circuito (gura 2.6) funciona si y s olo si hay un camino en el cual todos los dispositivos
funcionan de izquierda a derecha. Suponga que los dispositivos funcionen de forma independiente y que la probabili-
dad de que funcione un dispositivo es como se muestra en la gr aca.
1. Cu al es la probabilidad de que el circuito funcione?
2. Cu al es la probabilidad de que el no circuito funcione?
Figura 2.6:
0.90 0.90
0.97
0.98
0.98
0.99
A
1
A
2
A
3
A
4
A
5
A
6
Soluci on 19. Para solucionar este problema procedemos como sigue:
1. La trayectoria de A
1
a A
2
funciona si y solo si los dispositivos A
1
y A
2
funcionan simult aneamente. Por lo tanto,
la probabilidad de que funciona, dado que los dispositivos funcionan de manera independiente, es:
P(A
1
A
2
) = P(A
1
)P(A
2
) = (0.90)(0.90) = 0.81
As, se tiene el siguiente circuito equivalente al dado en la gura 2.6
Figura 2.7:
0.81
0.97
0.98
0.98
0.99
A
1
A
3
A
4
A
5
A
6
Por otra parte, la trayectoria del rect angulo en el circuito de la 2.7 funciona si los dispositivos A
1
o A
3
funciones,
es decir, no funciona si y solo si los dispositivos A
1
y A
3
no funcionan simult aneamente. En consecuencia, la
probabilidad que no funcione es:
P(A
c
1
A
c
3
) = P(A
c
1
)P(A
c
3
) = (1P(A
c
1
))(1P(A
c
3
)) = (10.81)(10.97) = 0.0057
Luego la probabilidad que funcione la trayectoria del rect angulo es:
P(A
1
A
3
) = 1P((A
1
A
3
)
c
) = 1P(A
c
1
A
c
3
) = 10.0057 = 0.9943
De manera similar se resuelve para el caso de la trayectoria compuesta por el cuadrado
P(A
4
A
5
) = 1(1P(A
c
4
))(1P(A
c
5
)) = 0.9996
Resumiendo lo anterior se llega al circuito
Figura 2.8:
0.994 0.999 0.990
A
1
A
2
A
3
Para que el circuito de la gura 2.8 funcione es necesario que los tres dispositivos funciones simult aneamente,
y por ser independientes, la probabilidad que funcione el circuito es:
P(A
1
A
2
A
3
) = P(A
1
)P(A
2
)P(A
3
) = 0.983.
2. La probabilidad que no funcione el circuito de la gura 2.6 es: 0.017.
2.6. EJERCICIOS
1. Supongamos que se lanzan tres monedas perfectas y se observa el resultado de las caras que quedan hacia
arriba.
a) Establezca los puntos muestrales de este experimento.
b) Asigne una probabilidad razonable a cada punto.
c) Sea A el evento de observar exactamente una cara y B el evento de observar al menos una cara. Obtenga
los puntos muestrales de los eventos A y B.
d) De la respuesta de (c), calcular P(A), P(B), P(AB), P(AB) y P(A
c
B).
2. Cuatro administradores de empresa solicitan dos puestos en una compa na. Uno y solamente uno de los
aspirantes es miembro de una etnica de la Sierra Nevada de Santa Marta. Los puestos se otorgan seleccionado
aleatoriamente dos de los aspirantes.
b) Asigne las probabilidades a los resultados del espacio muestral.
c) Encuentre la probabilidad de que el aspirante de la etnica de la Sierra Nevada de Santa Marta se selec-
cionado para un puesto.
3. Un equipo de comunicaci on contiene seis sistemas electr onicos complejos. Se seleccionan aleatoriamente
dos de los seis para someterlos a pruebas rigurosas y clasicarlos como defectuosos y no defectuosos.
a) Si dos de los seis sistemas son realmente defectuosos, encuentre la probabilidad que al menos uno de los
dos sistemas probados sean defectuosos. Encuentre la probabilidad que los dos sean defectuosos.
b) Encuentre la probabilidad indicada en (a) para el caso en que cuatro de los seis sistemas sean realmente
defectuosos.
4. Un supermercado vende solamente dos tipos de l amparas el ectricas y la experiencia muestra que tienen
igual demanda. Cuatro clientes entran uno tras otro para comprar una l ampara. El vendedor se interesa por la
preferencia de sus clientes.
c) Sea A el evento de que los cuatro clientes preeren el mismo tipo de l ampara. Calcular P(A).
5. Dos equipos de f utbol, I Y II, tienen la misma capacidad y juegan uno contra el otro una serie de cuatro
juegos. Se registra el resultado de cada juego.
a) Establezca los puntos del espacio muestral de este experimento.
c) Sea A el evento de que el equipo I gana exactamente tres veces. Calcular P(A).
6. Los enfermos no hospitalizados que acuden a una clnico pueden elegir una de tres secciones para ser aten-
didos. Suponga que los m edicos son asignados aleatoriamente a tales secciones y que por esto los pacientes no
presentan preferencia alguna con respecto a una secci on. Tres pacientes acuden a la clnico y se observan la
secci on que eligen.
a) Establezca los puntos del espacio muestral de este experimento.
c) Sea A el evento de que cada secci on recibe un paciente. Establezca los puntos muestrales de A. Calcular
P(A).
7. Se tienen 3 libros: uno de aritm etica (A), uno de biologa (B) y otro de c alculo(C). De cu antas maneras se
pueden ordenar en un estante?
8. Se tienen 7 libros y solo 3 espacios en una biblioteca, suponiendo que no existan razones para preferir alguno.
De cu antas maneras se pueden colocar 3 libros elegidos; entre los siete dados?
9. Cu antas permutaciones pueden formarse con las letras de la palabra BONDAD?
10. Cuantos grupos de 5 alumnos pueden formarse con los treinta alumnos de una clase. (Un grupo es distinto de
otro si se diferencia de otro por lo menos en un alumno).
11. Una aerolnea tiene seis vuelos diarios Barranquilla a Medelln y siete vuelos de Medelln a Cali. Si los vuelos
se hacen en das separados. Cu antos arreglos diferentes de vuelos puede ofrecer la aerolnea de Barranquilla a
Cali?
12. Una operaci on de montaje en una f abrica manufacturara requiere tres pasos que pueden realizarse en cualquier
orden. De cu antas maneras se puede hacer el montaje?
13. Cierta marca de autom ovil tiene cinco modelos diferentes, con cuatro tipo de motores, con dos tipos de trans-
misi on, y en ocho colores.
a) Cu antos autom oviles tendra que adquirir un distribuidor si quiere incluir un carro por combinaci on
modelo-motor-trasmisi on?
b) Cu antos autom oviles tendra que tener en existencia un centro de distribuci on si almacenara los carros de
todos los colores disponibles para cada combinaci on en (a.)?
14. Un investigador quiere determinar el efecto de tres variables, presi on, temperatura y el tipo de catalizador, en
el proceso de renaci on. Si el investigador tiene la intenci on de utilizar tres temperaturas, tres presiones y dos
tipos de catalizador. Cu antos experimentos habra que hacer si quiere incluir todas las posibles combinaciones
de temperaturas, de presiones y tipos de catalizador?
15. Cinco empresas F1, F2, F3, F4 y F5, hacen propuestas con respecto a tres contratos separados, C1,C2 y C3.
Una empresa s olo puede obtener a lo m as un contrato. Los contratos son bastante diferentes, de tal manera que
la asignaci on de C1 a F1 se debe diferenciar de la asignaci on de C2 a F2.
a) Cu antos puntos muestrales tiene este experimento que trata de la asignaci on de los contratos a las empre-
sas?
b) Encuentre la probabilidad de que se conceda un contrato a la empresa F3, bajo el supuesto de que los
puntos muestrales son equiprobable.
16. Dado los siguientes eventos A y B, tales que P(A) =0.5, P(B) =0.3, y P(AB) =0.1, encontrar lo siguiente:
a) P(A|B)
b) P(B|A)
c) P(A|AB)
d) P(A|AB)
e) P(AB|AB)
17. Un armador de ventiladores el ectricos usa motores de dos proveedores. La compa na A le suministra el 70%
y la compa na B el otro 30% de los motores. Supongamos que sabe que el 5% de los motores que suministra la
compa na A son defectuosos que el 3% de los que suministra B tambi en lo son. Se selecciona un ventilador ya
armado.
a) Cual es la probabilidad que tenga un motor defectuoso?
b) Si tiene un motor defectuoso cual es la probabilidad que ese motor haya sido suministrado por la compa na
A?
c) Si tiene un motor defectuoso cual es la probabilidad que ese motor haya sido suministrado por la compa na
B?
18. Los empleados de un supermercado se encuentra clasicado en tres categoras: administradores, supervisores
y vendedores. La siguiente tabla indica el n umero de empleados en cada divisi on clasicados por sexo:
Mujeres (M) Hombres (H) Total
Administradores (A) 20 30 50
Supervisores (S) 50 20 70
Vendedores (V) 100 80 180
Total 170 130 300
a) Si elige aleatoriamente un empleado:
1) Cu al es la probabilidad que sea mujer?
2) Cu al es la probabilidad que sea un vendedor?
3) Cu al es la probabilidad que sea mujer y trabaje en la secci on de administraci on?
4) Cu al es la probabilidad que sea mujer si trabaja en la divisi on de supervisi on?
b) Son los eventos V y H estadsticamente independientes?
c) Son los eventos A y M estadsticamente independientes?
d) Determine las siguientes probabilidades:
1) P(AM)
2) P(AM
c
)
3) P(SM)
4) P(M|A)
19. Sean A y B dos eventos cualesquiera de un espacio muestral . Si A y B son mutuamente excluyentes, mu estrese
que no pueden ser independientes. Ded uzcase que dos eventos independientes son, tambi en, mutuamente.
20. Se lanza una moneda diez veces y en todos los lanzamientos el resultado es cara.
a) Cu al es la probabilidad de este evento?
b) Cu al es la probabilidad de que en el decimoprimero lanzamiento el resultado sea cara?
21. Una agencia de autom oviles recibe un embarque de 20 autom oviles nuevos. Entre estos, dos tienen defectos. La
agencia decide seleccionar, aleatoriamente, dos autom oviles entre los 20 y aceptar el embarque si ninguno de
los dos vehculos seleccionados tienen defectos. Cu al es la probabilidad de aceptar el embarque?
22. Se lanza una moneda con una probabilidad de
2
3
que el resultado sea cara. Si aparece una cara, se extrae una
pelota, aleatoriamente, de una urna que contiene dos pelotas rojas y tres verdes. Si el resultado es sello se extrae
una pelota, de otra urna, que contiene dos rojas y dos verdes. Cu al es la probabilidad de extraer una pelota roja?
23. De entre 20 tanques de combustible fabricados para el trasbordador espacial, tres se encuentran defectuosos. Si
se seleccionan aleatoriamente cuatro tanques:
a) Cu al es la probabilidad que ninguno de los tanques se encuentre defectuoso?
b) Cu al es la probabilidad de que uno de los tanques tenga defectos?
24. La probabilidad de que cierto componente el ectrico funcione es de 0.9. un aparato contiene dos de estos
componentes. El aparato funciona mientras lo haga, por lo menos, uno de los componentes.
a) Sin importar cu al de los dos componente funcione o no. Cu ales son los posibles resultados y sus respec-
tivas probabilidades?. Suponga independencia en la operaci on entre los componentes.
b) Cu al es la probabilidad que el aparato funcione?
25. Con base en varios estudios una compa na ha clasicado, de acuerdo con la posibilidad de descubrir petr oleo,
las formaciones geol ogicas en tres tipos. La compa na pretende perforar un pozo en determinado sitio, al que
le asigna las probabilidades 0.35, 0.40 y 0.25 para los tres tipos de formaciones respectivas. De acuerdo con la
experiencia, se sabe que el petr oleo se encuentra en un 40% de formaciones de tipo I, en un 20% de formaciones
de tipo II y en un 30% de formaciones de tipo III. Si la compa na no descubre petr oleo en ese lugar, determnese
la probabilidad de que exista una formaci on de tipo II.
26. Se debe examinar un grupo grande de personas respecto a dos sntomas comunes de cierta enfermedad. Se
considera que el 20% de las personas presentan solamente el sntoma A, el 30% tienen solamente el sntoma B,
10% tienen ambos sntomas, y el resto no tiene sntoma alguno. Para una persona escogida aleatoriamente de
este grupo, encuentre las probabilidades de los eventos siguientes:
a) Qu e la persona presente al menos un sntoma?
b) Qu e la persona no presente sntoma alguno?
c) Qu e la persona presente ambos sntoma, dado que presenta el sntoma B?
27. Una planta ensambladora recibe circuitos proveniente de tres f abricas distintas B
1
, B
2
y B
3
. El 50% del total
se compran a B
1
mientras que a B
2
y B
3
se les compra un 25% a cada una. El porcentaje de circuitos defectuosos
para B
1
, B
2
y B
3
es 5, 10 y 12% respectivamente. Si los circuitos se almacenan en la planta sin importar qui en
fue el proveedor:
a) Determinar la probabilidad de que una unidad armada en la planta contenga un circuito defectuoso
b) Si un circuito no es defectuoso. Cu al es la probabilidad de que haya sido vendido por el proveedor B
2
?
28. Supongamos que hay nueve lugares disponibles en un estacionamiento, uno junto al otro. Un acomodador tiene
que estacionar nueve carros. Tres son carros deportivos, tres son carros grandes nacionales, y tres son carros com-
pactos importados. Cu al es la probabilidad de que los tres carros deportivos se encuentren juntos, suponiendo
que el acomodador estaciona los carros de manera aleatoria?
29. Se clasican ocho marcas de llantas de 1 a 8 (de la mejor a la peor) seg un el kilometraje que aguanten. Si
un comprador escoge cuatro llantas aleatoriamente, encuentre la probabilidad de que la mejor llanta entre las
seleccionadas por el comprador se encuentre realmente en el tercer lugar entre las ocho llantas originales.
30. Una maquinaria para producir un nuevo tubo electr onico experimental genera tubos defectuosos de vez en cuan-
do, de una manera aleatoria. El ingeniero supervisor de una m aquina en particular, ha notado que los tubos defec-
tuosos parecen agruparse (y, por tanto, aparecen de manera no aleatoria) y esto sugiere el mal funcionamiento
de alguna de la m aquina. Una prueba para detectar la no aleatoriedad de un evento, se basa en el n umero de
corridas de artculos defectuosos y buenos (una corrida es una sucesi on no interrumpida de artculos defectu-
osos o buenos). Mientras m as peque na sea el n umero de corridas, m as grande es la evidencia que indica la no
aleatoriedad. De 12 tubos producidos por la m aquina, los 10 primeros eran buenos y los dos ultimos defectuosos
(BBBBBBBBBBDD). Suponga la aleatoriedad.
a) Cu al es la probabilidad de observar la secuencia antes mencionada (resultante de dos corridas) dado que
los 10 tubos de 12 son buenos?
b) Cu al es la probabilidad de observar dos corridas?
c) Cu al es la probabilidad de que el n umero de corridas R sea R=3?
31. Suponga que la probabilidad de exposici on a la gripe durante una epidemia es 0.6. La experiencia ha mostrado
que una vacuna tiene 80% de efectividad en proteger a una persona sobre la gripe, si est a expuesta a la epidemia.
Una persona tiene una probabilidad de 0.90 de ser afectada por la gripe al ser expuesta. Dos personas, una
vacunada y la otra no, realizan una tarea altamente especializada en un negocio. Suponga que no se ubican en la
misma localizaci on, que no entra en contacto con la misma persona, y no se expone la una a la otra. Cu al es la
probabilidad de que al menos una sea afectada por la gripe?
32. Si A y B son eventos tales que A B. Demu estrese que P(A) P(B).
33. Sean A, B y C eventos mutuamente excluyentes. Entonces
P(ABC) = P(A) +P(B) +P(C)
34. Sean A y B eventos cualesquiera. Entonces
P(AB) P(A) +P(B) 1
35. Sean A, B y C eventos cualesquiera. Entonces
P(ABC) = P(A) +P(B) +P(C) P(AB) P(AC) P(BC) +P(ABC)
36. Sea (, P) un espacio de probabilidad. Dada la funci on P
H
: () , denida por
P
H
(A) =
P(AH)
P(H)
donde A y H son subconjuntos de y P(H) > 0.
Demu estrese que
a) P
H
es un funci on de probabilidad
b) P
H
() = 0
c) P
H
(AB) = P
H
(A) +P
H
(B), si AB =
d) P
H
(A
c
) = 1P(A)
e) P
H
(AB) = P
H
(A) +P
H
(B) P
H
(AB), para A y B eventos cualesquiera.
37. Sean A
1
, A
2
, . . . , A
n
eventos denidos en el espacio muestral y A
i
A
j
=, i = j. Demostrar que
P(
n
_
i=1
A
i
) =
n
i=1
P(A
i
)
38. Sea A evento tal que A . Demu estrese que P(A) 1.
39. Sea A
1
, A
2
, . . . , A
n
una partici on del espacio muestral y B un evento de . Entonces
P(B) =
n
i=1
P(A
i
B)
40. Sean A
1
, A
2
, . . . , A
n
eventos del espacio muestral . Entonces
P(
n
_
i=1
A
i
)
n
i=1
P(A
i
)
41. Sean A
1
, A
2
, . . . , A
n
eventos del espacio muestral . Entonces
P(
n
_
i=1
A
i
) =
n
i=1
P(A
i
)
n
i<j
P(A
i
A
j
) +
n
i<j<k
P(A
i
A
j
A
k
) . . . +(1)
n+1
P(A
1
A
2
. . . A
n
42. Sean A y B eventos cualesquiera del espacio muestral , tales que P(A) = 0.2, P(B) = 0.3 y P(AB) = 0.4.
Calcular:
a) P(AB)
b) P(A
c
B)
c) P(A
c
B
c
)
d) P(A
c
B
c
)
43. Sean A y B eventos independientes del espacio muestral tales que P(A) = 0.5 y P(B) = 0.4. Calcular:
a) P(AB)
b) P(A
c
B)
c) P(A
c
B
c
)
d) P(A
c
B
c
)
44. Sean A y B eventos cualesquiera del espacio muestral . Demu estrese:
a) Si AB ==P(A|B) = 0
b) Si A B =P(B|A) = 1
45. Se lanzan dos dados hasta que la suma de los dos puntos sea 7 u 8. si sale 7, gana el jugador A, y si sale 8 gana
el jugador B. Cu al es la probabilidad que gane B?
46. En el control preventivo de una poblaci on donde la proporci on de enfermos es, se usa el examen radiol ogi-
co para detectar posibles enfermos. Se sabe que la probabilidad de que, aplicando el examen a un enfermo,
la muestra como tal, es 0.90; y que la probabilidad de que el examen aplicado a una persona sana la se nale
como enfermo es 0.01. calcular la probabilidad de que una persona dada est e realmente enferma, si el examen
radiol ogico lo mostr o como tal. Consid erese el experimento de elegir una persona de la poblaci on de manera
aleatoria.
47. Supongamos que tenemos tres escritorios id enticos, A, B y C, cada uno con dos cajones. En A, cada caj on
contiene una moneda de oro; en B, un caj on contiene una moneda de oro y el otro una de plata, y en C, cada
caj on contiene una de plata. Se elige un escritorio al azar, se abre uno de los cajones y encontramos una moneda
de oro. Cu al es la probabilidad de que el escritorio elegido sea el B?
48. Sean A y B dos eventos independientes tales que con probabilidad
1
6
ocurren simult aneamente, y con proba-
bilidad
1
3
ninguno ocurre. Halle P(A) y P(B). Est an determinadas en forma unica estas probabilidades?
49. Sean A y B dos eventos independientes tales que con probabilidad
1
6
ocurren simult aneamente, y con proba-
bilidad
1
3
ocurre A y B no ocurre. Halle P(A) y P(B). Est an determinadas en forma unica estas probabilidades?
50. Cu al es el menor valor de n para el cual la probabilidad de obtener al menos un 6 en una serie de n lanza-
mientos de un dado es mayor que
3
4
?
51. Los A
1
, A
2
, . . . son independientes y P(A
i
) = p, i = 1, 2, . . . . Hallar el menor n para el cual P(
n
i=1
A
i
) p
0
, donde
p
0
es un n umero jo.
52. Sean A y B dos eventos cualesquiera. Cu al de las siguientes armaciones es falsa?
a) P(A|B) +P(A
c
|B
c
) = 1
b) P(A|B) +P(A|B
c
) = 1
c) P(A|B) +P(A
c
|B) = 1
53. Sean A y B dos eventos cualesquiera tales que P(A|B) = P(B|A), P(AB) = 1 y P(A | B) > 0. Demostrar que
P(A) > 1/2.
54. Sean A
1
, A
2
, . . . , A
n
eventos independientes en el espacio muestral si 0 < P(A
j
) < 1 para todo j. Demostrar
que tiene por lo 2
n
puntos.
55. Demuestre que si P(A|C) P(B|C) y P(A|C
c
) P(B|C
c
), entonces P(A) P(B).
Sean A y B dos eventos cualesquiera del espacio muestral . Diremos que el evento A atrae al evento B si
P(B|A) > P(B) y rechaza a B si P(B|A) < P(B).
56. Probar que A atrae a B si y s olo si B atrae a A. Luego diremos que A y B son mutuamente atractivos si A atrae B.
57. Probar que A no atrae ni rechaza a B si y s olo si A y son B independientes.
58. Probar que A y B son mutuamente atractivos si y s olo si P(B|A) > P(B|A
c
).
59. Probar que A atrae a B, entonces A rechaza a B
c
.
60. Probar que si A atrae B y C, y A rechaza a BC, entonces A atrae BC. Hallar un ejemplo en el cual A atrae a
B y C y rechace a BC?
61. Probar que si B
1
, B
2
, . . . , B
n
es una colecci on mutuamente disjunta y si A atrae alg un B
i
, entonces A rechaza
alg un B
j
.
62. Muestre que para A y B eventos en un espacio de probabilidad:
a) P((AB
c
) (BA
c
)) = P(A) +P(B) 2P(AB)
b) P(AB) P(A) P(AB) P(A) +P(B)
c) Si P(A) = y P(B) = entonces P(AB) + 1.
63. Un suero de la verdad tiene la propiedad de que el 90% de los sospechosos culpables se juzgan de forma
adecuada; mientras que, por supuesto, 10% de lo sospechosos err oneamente se consideran inocentes. Por otro
lado, a los sospechosos inocentes se les juzga de manera err onea 1% de las veces. Si el sospechoso se selecciona
de un grupo de sospechosos, de los cuales s olo el 5% alguna vez han cometido un delito, y el suero indica que
es culpable, cu al es la probabilidad de que sea inocente?
CAPITULO 3
VARIABLES ALEATORIAS
En el captulo anterior se estudio los conceptos b asicos de probabilidad con respecto a los resultados posibles
de un experimento aleatorio. Se considero al espacio muestral , como el conjunto de todos los resultados posibles
de un experimento aleatorio. Estos resultados pueden ser cualitativos o cuantitativos. Por ejemplo, en un proceso
de fabricaci on se puede estar interesado en el hecho si el producto es defectuoso o no defectuoso o una persona
puede estar interesada en el consumo de agua diarias de una familia en Valledupar. Con frecuencia puede ser util la
cuanticaci on de los resultados de un espacio muestral y, mediante la asignaci on de un n umero real a cada elemento
de , estudiar su comportamiento aleatorio. El concepto de variable aleatoria facilita un medio para relacionar un
resultado de un espacio muestral con un n umero real. Es decir, utilizaremos el concepto de variable aleatoria para
referirnos a experimentos donde cada resultado posible queda caracterizado por un valor num erico.
3.1. VARIABLES ALEATORIAS DISCRETAS
Hasta ahora, estamos familiarizados con una funci on cuyo dominio y recorrido son subconjuntos de los n umeros
reales. Una funci on que tiene como dominio un espacio muestral y su recorrido es un subconjunto de los n umeros
reales la llamaremos variable aleatoria.
Denici on 3.1. Sea (, P) un espacio de probabilidad. Una funci on
X :
se llama una variable aleatoria real.
Es decir, una funci on X que asigna a cada uno de los elementos w , un n umero real X(w), se llama una variable
aleatoria.
Ejemplo 3.1. Consid erese el experimento del lanzamiento de dos monedas una sola vez. El espacio muestral es:
={cc, cs, sc, ss}
98
3.1. VARIABLES ALEATORIAS DISCRETAS Universidad Popular del Cesar
Sea la variable aleatoria X =n umero de sellos en el lanzamiento de las dos monedas, entonces los posibles valores
de esta variable aleatoria son: X(cc) = 0, X(cs) = 1, X(sc) = 1 y X(ss) = 2.
Ejemplo 3.2. Sup ongase que se lanza un dado corriente dos veces consecutivas. Entonces en este caso el espacio
muestral es:
=
_
_
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
_
_
y denamos la variable aleatoria X =suma de las dos caras, entonces los posibles valores de est a variable aleatoria
son: X = 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12.
En un espacio muestral, se puede denir m as de una variable aleatoria. As, por ejemplo, X(x, y) = m ax(x, y) es otra
variable aleatoria denida en el anterior espacio muestral, cuyo valores son: X = 1, 2, 3, 4, 5, 6.
Denici on 3.2. Sea X una variable aleatoria denida sobre el espacio muestral . Si el n umero de valores posibles
de X es a lo m as numerable, diremos que X es una variable aleatoria discreta. Es decir, si se pueden anotar los valores
posibles de X como x
1
, x
2
, . . . , x
n
, . . .. En el caso nito, la lista termina y en el caso innito numerable, la lista contin ua
indenidamente.
Las variables aleatorias denidas en los ejemplos anteriores, son claramente variables aleatorias discretas.
Denici on 3.3. Sea X una variable aleatoria discreta denida sobre el espacio de probabilidad (, P). La funci on de
probabilidad de densidad (abreviada fpd) de X, se dene como la funci on P
X
(x) tal que para cualquier n umero real
x ,
P
X
(x) = P
X
(X = x) = P({w |X(w) = x})
La funci on de probabilidad de densidad P
X
(x) para una variable aleatoria discreta X se representa por una f ormula,
una tabla o una gr aca que indique las probabilidades P
X
(x) correspondientes a cada uno de los valores de x .
Ejemplo 3.3. Hallar la funci on de probabilidad de densidad para la variable aleatoria del ejemplo 1. En este caso,
P
X
(0) = P
X
(X = 0) = P({ss}) =
1
4
P
X
(1) = P
X
(X = 1) = P({sc, cs}) =
1
2
P
X
(2) = P
X
(X = 2) = P({cc}) =
1
4
Obs ervese que P
X
(0) =
1
4
es la probabilidad de que en un lanzamiento de dos monedas no salga ninguna cara. La
funci on de distribuci on de probabilidad de la anterior variable aleatoria X se puede representar de las siguientes
maneras:
1. Mediante una tabla
X = x 0 1 2
P
X
(x)
1
4
1
2
1
4
2. Mediante una f ormula
P
X
(x) =
_
_
_
2
x
_
(0.5)
2
si x = 0, 1, 2
0 en otra parte.
3. Mediante una gr aca
1 0 1 2
x
1
4
1
2
f (x)
Denici on 3.4. Sea X una variable aleatoria denida sobre el espacio de probabilidad (, P). Para cualquier n umero
real x , la funci on de distribuci on acumulada de X (abreviada fda), la cual se notara por F(x), se dene por:
F(x) = P({w | X(w) x}
Obs ervese que F(x) es la probabilidad del conjunto de todos los puntos del espacio muestrales cuya imagen a trav es
de la variable aleatoria X son menores o iguales a x .
Ejemplo 3.4. Hallar la funci on de distribuci on acumulada de la variable aleatoria X del ejemplo 1.
En este caso, como F(x) esta denida en todo el conjunto de los reales es claro que
F(x) = P({w | X(w) 0.0001} = P() = 0
Es decir, para todo n umero real menor que cero es cero. La probabilidad que no salga una cara es
F(0) = P({w | X(w) 0} = P({ss}) =
1
4
La probabilidad que salga a lo m as una cara en dos lanzamiento de una moneda es
F(1) = P({w | X(w) 1} = P({ss, sc, cs}) =
3
4
La probabilidad que salga a lo m as dos cara en dos lanzamiento de una moneda es
F(2) = P({w | X(w) 2} = P({ss, sc, cs, cc}) =
4
4
= 1
Es f acil comprobar que la anterior funci on de distribuci on F(x) es constante en los intervalos (, 0), [0, 1), [1, 2),
[2, +).
Tambi en se puede representar a F(x) mediante:
1.
F(x) =
_
_
0, si x < 0
1
4
, si 0 x < 1
3
4
, si 1 x < 2
1, si x 2
2. Una tabla como sigue
X x (, 0) [0, 1) [1, 2) [2, +)
F(x) 0
1
4
3
4
1
3. Una gr aca
3.2. VARIABLES ALEATORIAS CONTINUAS Universidad Popular del Cesar
0 1 2
x
1
4
3
4
1
f (x)
3.2. VARIABLES ALEATORIAS CONTINUAS
Denici on 3.5. Una variable aleatoria X se dice que es continua si F(x) es continua y la derivada F
(x) existe excepto

a lo m as en un n umero contable de valores. La funci on de densidad de probabilidad f (x), se dene por
f (x) =
dF(x)
dx
= F
(x)
De esta denici on se deduce que si X es una variable aleatoria continua se tiene que la probabilidad en un punto es
cero. Tambi en se tiene, por Teorema Fundamental del C alculo, que se puede escribir como
F(x) =
_
x
f (t)dt
Teorema 3.1. Sea F(x) la funci on de distribuci on acumulada de una variable aleatoria X continua. Entonces
1. f (x) 0 para todo x
2. P(a X b) = F(b) F(a)
3.
_
f (x)dx = 1
Demostraci on 8. Para demostrar a (a) es suciente observar que F(x) es una funci on no decreciente, por lo tanto la
primera derivada de F(x) es mayor o igual a cero. Es decir, F
(x) = f (x) 0.
Para probar que una funci on f (x) es una funci on de probabilidad o de densidad de una variable aleatoria X continua
es suciente demostrar que satisface las condiciones (a) y (c) del teorema anterior.
Teorema 3.2. Sea F(x) la funci on de distribuci on acumulada de una variable aleatoria discreta o continua X. En-
tonces
1. Si x
1
< x
2
entonces F(x
1
) F(x
2
)
2. lm
x
F(x) = F() = 0 y lm
x
F(x) = F() = 1
3. F(x) es continua a la derecha para todo n umero real. Es decir, F(x
+
) = lm
h0
F(x +h) = F(x) = 0, h > 0
Ejemplo 3.5. Sea una variable aleatoria X con funci on de distribuci on acumulada F denida por,
F(x) =
_
_
0, si x 1
ln(x), si 1 < x e
1, si e < x
1. Encontrar f (x)
2. Demuestre que f (x) satisface las propiedades de una funci on de probabilidad
3. Gracar f (x) y F(x). Calcular las siguientes probabilidades:
4. P
X
(X < 2)
5. P
X
(2 < X < 2
1
2
)
6. P
X
(2 < X 2
1
2
)
Soluci on 20.
1. Derivando F(x) se tiene que
f (x) = F
(x) =
_
_
0, si x < 1
1
x
, si 1 < x < e
0, si e < x
Es decir,
f (x) = F
(x) =
_
_
1
x
, si 1 < x < e
0, en otra parte
2. Demostremos que f (x) es una funci on de probabilidad (fdp). En efecto, f (x) > 0 si 1 < x < e y f (x) = 0 en otra
parte, por lo tanto f (x) 0 para todo n umero real x.
Calculemos las siguientes probabilidades
3.
P
X
(X < 2) =
_
2
f (x)dx =
_
1
0dx +
_
2
1
1
x
dx
=
_
2
1
1
x
dx = ln(x)
2
1
= ln(2) ln(1) = ln(2)
4.
P
X
(2 < X < 2
1
2
) = P
X
(2 < X <
5
2
) =
_
2
f (x)dx
=
_ 5
2
2
1
x
dx = ln(x)
5
2
2
= ln(5/2) ln(2)
= ln(5) ln(2) ln(2) = ln(5) 2ln(2)
5. Como f es una funci on continua entonces es claro que el area bajo los intervalos (1, 2
1
2
) y (1, 2
1
2
] es la misma.
Ejemplo 3.6. Sea X una variable aleatoria con funci on de densidad dada por
f (x) =
_
_
0.2 si 1 < x 0
0.2+cx si 0 < x 1
0 en otro caso
1. Determine el valor de c para que f sea una funci on de densidad
2. Obtener F(x)
3. Gracar f (x) y F(x)
4. Utilizar F(x) de (b) para calcular F(1), F(0) y F(1)
5. Calcular P
X
(0 x 0.5) de dos maneras
6. Calcular P
X
(X > 0.5 | X > 0.1)
Soluci on 21.
1. Para determine el valor de c para que f sea una funci on de densidad, calculemos la integral
_

f (x)dx = 1
Es decir,
_

f (x)dx =
_
1
0dx +
_
0
1
0.2dx +
_
1
0
0.2+cxdx = 1
0.2x
0
1
+0.2x
1
0
+
cx
2
2
1
0
= 0.2+0.2+
c
2
= 0.4+
c
2
= 1
0.8+c = 2
c = 1.2
Por lo tanto
f (x) =
_
_
0.2 si 1 < x 0
0.2+1.2x si 0 < x 1
0 en otro caso
2. Para obtener F(x) se hace una partici on de los numeros reales en los intervalos (, 1], (1, 0], (0, 1] y
(1, +) y se procede como sigue:
Si x (, 1] entonces
_
x
f (t)dt =
_
x
0dt = 0
Si x (1, 0] entonces
_
x
f (t)dt =
_
x
0dt +
_
x
1
0.2dt = 0+0.2t
x
1
= 0.2x +0.2
Si x (0, 1] entonces
_
x
f (t)dt =
_
x
0dt +
_
0
1
0.2dt +
_
x
1
0.2+1.2xdt
= 0+0.2t
0
1
+0.2t +
1.2t
2
2
x
1
= 0.2+0.2x +
1.2x
2
2
=
1.2x
2
2
+0.2x +0.2
Por lo tanto
F(x) =
_
_
0 si x 1
0.2x +0.2 si 1 < x 0
1.2x
2
2
+0.2x +0.2 si 0 < x 1
1 si x > 1
3. Gracar f (x) y F(x)
3.3. VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA Universidad Popular del Cesar
4. Calculemos F(1), F(0) y F(1) utilizando F(x) de (b), como F(x) = 0.2x +0.2 si 0 < x 1 entonces F(0) =
0.20+0.2 = 0.2. De igual manera F(0) = 0 y F(1) = 1
5. Para calcular P
X
(0 x 0.5) de dos maneras, primero se utiliza la funci on de densidad e integremos, es decir,
_
0.5
0
0.2+1.2xdt = 0.2x +1.2
1
2
x
2
0.5
0
= 0.20.5+0.6(0.5)
2
= 0.25
Segundo, utilizando la funci on de distribuci on acumulada F(x), esto es,F(x) =
1.2x
2
2
+0.2x +0.2 si 0 < x 1
entonces
P
X
(0 x 0.5) = F(0.5) F(0) =
1.2(0.5)
2
2
+0.2(0.5) +0.20.2 = 0.25
6. Por otra parte se tiene
P
X
(X > 0.5 | X > 0.1) =
P
X
(X > 0.5X > 0.1)
P
X
(X > 0.1)
=
P
X
(X > 0.5)
P
X
(X > 0.1)
=
1F(0.5)
1F(0.1)
=
10.250
10.226
=
0.750
0.774
= 0.969
3.3. VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATO-
RIA
Se ha observado que la funci on de probabilidad para una variable aleatoria es un modelo te orico para la frecuencia
relativa de datos asociados a una poblaci on real. Si el modelo es una representaci on exacta de la realidad, la funci on
de probabilidad y las frecuencias relativas son equivalentes. Por lo tanto es natural, como en estadstica descriptiva,
que se intente denir la media y la varianza de una variable aleatoria y as de esa manera obtener medidas descriptivas
para una funci on de probabilidad o de densidad.
Denici on 3.6. Sea X una variable aleatoria con funci on de distribuci on de probabilidad P
X
(x) o funci on de densidad
f (x). El valor esperado de X el cual se denotara por E(X) o y es denido por:
1. = E(X) =
i=1
x
i
P
X
(x
i
) si X es discreta, o
2. = E(X) =
x f (x)dx si X es continua.
En la anterior denici on se asume que la suma como la integral es absolutamente convergente, es decir,
i=1
|x
i
|P
X
(x
i
) < y
|x| f (x) <

si esto no es as se dice que no tiene valor esperado.
Ejemplo 3.7. Sea una variable aleatoria X que representa el n umero de clientes que llegan una bomba de gasolina
en Valledupar en un intervalo de tiempo de una hora (por ejemplo, entre las 5:00 PM y 6:00 PM). En la siguiente
tabla se muestra la funci on de probabilidad de la variable aleatoria X
X = x 0 1 2 3 4 5 6 7 8
P
X
(x) 0.05 0.10 0.10 0.10 0.20 0.25 0.10 0.05 0.05
Encontrar el valor esperado de la variable aleatoria X.
Soluci on 22. Con base en la denici on de valor esperado y la tabla anterior, tenemos:
X = x 0 1 2 3 4 5 6 7 8
P
X
(x) 0.05 0.10 0.10 0.10 0.20 0.25 0.10 0.05 0.05
xP
X
(x) 0 0.10 0.20 0.30 0.80 1.50 0.60 0.35 0.40
As, = E(X) =
i=1
x
i
P
X
(x
i
) =
9
i=0
x
i
P
X
(x
i
) = 4.25.
Ejemplo 3.8. Sea X una variable aleatoria con funci on de densidad de probabilidad dada por
f (x) =
_
_
0, si x < 1
1
x
, si 1 < x < e
0, si e < x
Encontrar el valor esperado de X.
Soluci on 23. Por denici on de valor esperado se tiene:
E(X) =
x f (x)dx =
1
_
x 0dx +
e
_
1
dx +
_
e
x 0dx = e 1
Teorema 3.3. Sea X una variable aleatoria con funci on de distribuci on de probabilidad P
X
(x) o funci on de densidad
f (x). Si g(x) es una funci on de valor real. Entonces
1. = E(g(X)) =
i=1
g(x
i
)P
X
(x
i
2. = E(g(X)) =
g(x) f (x)dx si X y g(x) son continuas.

Denici on 3.7. Sea X una variable aleatoria. La varianza de X se dene y notaremos por:
2
=V(X) = E((X )
2
)
Donde = E(X)
A la raz cuadrada de la varianza, se llama desviaci on est andar, la cual notaremos .
Teorema 3.4. Sean X y Y variables aleatorias y a, b numeros real tal que Y = aX +b. Entonces
1. E(Y) = aE(X) +b
2. V(Y) = a
2
V(X)
Demostraci on 9.
1. Dado que Y = aX +b entonces se tiene
E(Y) = E(aX +b)
=
_

(ax +b) f (x)dx

= a
_

x f (x)dx +b
_

f (x)dx
E(Y) = aE(X) +b
E(Y) = a +b
2. De la misma manera
V(Y) = E([(aX +b) (a +b)]
2
)
= E((aX a)
2
)
= E(a
2
(X )
2
)
= a
2
E((X )
2
)
V(Y) = a
2
V(X)
Teorema 3.5. Sea X una variable aleatoria. Entonces
V(X) = E(X
2
)
2
Demostraci on 10. La prueba es una simple aplicaci on de la linealidad del valor esperado, esto es:
V(X) = E((X )
2
)
= E((X
2
2X +
2
))
= E(X
2
) 2E(X) +E(
2
)
= E(X
2
) 2
2
+
2
V(X) = E(X
2
)
2
Ejemplo 3.9. El tiempo que esta detenida en un turno de 12 horas, una maquina por mantenimiento preventivo o
reparaci on es una variable aleatoria X, con funci on de densidad de probabilidad dada por
f (x) =
_
_
2(1x), si 0 x 1
0, en otra parte
El costo de la perdida (en miles de pesos) debido mantenimiento preventivo o reparaci on, est a dada por
C = 10+20X +4X
2
Encuentre la perdida esperada y varianza debido al mantenimiento preventivo o reparaci on.
Soluci on 24. Por denici on se tiene,
E(C) = E(10+20X +4X
2
) = E(10) +20E(X) +4E(X
2
)
= 10
_
1
0
f (x)dx +20
_
1
0
x f (x)dx +4
_
1
0
x
2
f (x)dx
= 20
_
1
0
(1x)dx +40
_
1
0
x(1x)dx +8
_
1
0
x
2
(1x)dx
= 20/2+40/6+8/12 = 52/3.
Por otra parte tenemos que la varianza de la variable aleatoria C est a dada por,
V(C) = E(C
2
) (E(C))
2
E(C
2
) = E((10+20X +4X
2
)
2
)
= E(100) +400E(X) +480E(X
2
) +460E(X
3
) +16E(X
4
)
= 100
_
1
0
f (x)dx +400
_
1
0
x f (x)dx +480
_
1
0
x
2
f (x)dx
+460
_
1
0
x
3
f (x)dx +16
_
1
0
x
4
f (x)dx
= 200
_
1
0
(1x)dx +800
_
1
0
x(1x)dx +960
_
1
0
x
2
(1x)dx
+320
_
1
0
x
3
(1x)dx +32
_
1
0
x
4
(1x)dx
= 200/2+800/6+960/12+320/20+32/30 = 1652/5.
Entonces
V(C) = E(C
2
) (E(C))
2
= 1652/5(52/3)
2
= 29.96.
Denici on 3.8. Sea X variable aleatoria denimos el r- esimo momento alrededor de c como E((X c)
r
). N otese
que:
1. E((X c)
r
) =
i=1
(x
i
c)
r
P
X
(x
i
2. E((X c)
r
) =
(x c)
r
f (x)dx si X es continua.
Si c = 0 se dice el r- esimo momento alrededor de cero y si c = se dice el r- esimo momento alrededor de la
media.
Cuando conocemos la distribuci on de una variable aleatoria X podemos calcular E(X) y V(X), sin embargo el
conocimiento de estas dos cantidades no nos permite calcular probabilidades del tipo P(|X C| > ). Afortunada-
mente existe una desigualdad muy conocida, debida al matem atico ruso Tchebychev, que nos ofrece una cota superior
para tales probabilidades. Dicha desigualdad relaciona la probabilidad del tama no de la desviaci on de una variable
aleatoria de su valor medio, con la varianza.
Teorema 3.6 (Desigualdad de Tchebychev). Sea X una variable aleatoria con media y varianza
2
. Para todo
n umero real > 0,
P
X
(|X | <) > 1
V(X)
2
O en forma equivalente
P
X
(|X | )
V(X)
2
Demostraci on 11. Demostremos la Desigualdad de Tchebychev en el caso continuo y supongamos. Sea > 0 en-
tonces
V(X) =
_

(x )
2
f (x)dx
=
_

(x )
2
f (x)dx +
_
+
(x )
2
f (x)dx +
_

+
(x )
2
f (x)dx
Omitiendo la segunda integral no negativa de la suma anterior se tiene la siguiente desigualdad:
V(X)
_

(x )
2
f (x)dx +
_

+
(x )
2
f (x)dx
_
|+|
(x )
2
f (x)dx
_
|+|
2
f (x)dx
=
2
P(|X | )
Por lo tanto,
V(X)
2
P(|X | )
As,
P(|X | )
V(X)
2
Ejemplo 3.10. Un fabricante de llantas quiere promover un intervalo de recorrido expresados en kil ometros que
excluya no m as del 10% de los recorridos de las llantas que vende. Solamente se sabe que, para un gran n umero
de llantas probadas, el recorrido medio fue de 60000 kil ometros con una desviaci on est andar de 12000 kil ometros.
Qu e intervalo sugerira?
Soluci on 25. Aplicaci on del teorema de Tchebychev,
P
X
(|X | <) > 1
V(X)
2
tenemos
3.4. FUNCIONES GENERADORAS DE MOMENTOS Universidad Popular del Cesar
P
X
(|X 60000| <) > 1
144000000
2
= 0.90
2
144000000 = 0.90
0.1
2
= 144000000
2
= 144000000/0.1
= 37947
En consecuencias el intervalo que excluye el 10% esta dado por
|X 60000| < 37947
Es decir,
22053 X 97947.
3.4. FUNCIONES GENERADORAS DE MOMENTOS
Denici on 3.9. Sea X una variable aleatoria. la funci on generadora de momento (fgm) de la variable aleatoria X,
denota por M
X
(t), se dene por
M
X
(t) = E(e
tX
)
Para todo valor de X para el cual el valor esperado existe.
Ejemplo 3.11. Sea X una variable aleatoria binomial con funci on de densidad de probabilidad
P
X
(X = x) =
_
n
x
_
p
x
q
nx
; x = 0, 1, 2, n y q = 1p
Hallar la funci on generatriz de momento de X.
Soluci on 26. Por denici on se tiene
M
X
(t) = E(e
tX
)
=
n
x=0
e
tx
_
n
x
_
p
x
q
nx
=
n
x=0
_
n
x
_
(pe
t
)
x
q
nx
= (pe
t
+q)
n
En este caso,M
X
(t) es denida para todo valor de t.
Ejemplo 3.12. Sea X una variable aleatoria exponencial con funci on de densidad de probabilidad
f (x) =
_
_
e
x
, si x > 0
0, si x 0
Hallar la funci on generatriz de momento de X.
Soluci on 27. Por denici on se tiene
M
X
(t) = E(e
tX
)
=
_

0
e
tx
e
x
dx
=
_

0
e
(t)x
dx
=

t
e
(t)x
0
=

t
[ lm
x
e
(t)x
1]
Note que este limite existe, y es igual a 0, solo si t ) < 0. Entonces para t <,
M
X
(t) =

t
.
Teorema 3.7. Sea X una variable aleatoria con funci on generadora de momento dada por M
X
(t). Entonces
M
(r)
X
(0) = E(X
r
)
Demostraci on 12. Veriquemos el teorema para una variable aleatoria continua X y para los casos cuando r = 1 y
r = 2. Para el caso de una variable aleatoria discreta y para un r arbitrario la demostraci on es sencilla.
r = 1,
M
(1)
X
(0) =
d
dt
_

e
tx
f (x)dx
t=0
=
_

d
dt
e
tx
f (x)dx
t=0
=
_

xe
tx
f (x)dx
t=0
=
_

xe
0.x
f (x)dx
=
_

x f (x)dx = E(X)
r = 2,
M
(2)
X
(0) =
d
2
dt
2
_

e
tx
f (x)dx
t=0
=
_

d
2
dt
2
e
tx
f (x)dx
t=0
=
_

x
2
e
tx
f (x)dx
t=0
=
_

x
2
e
0.x
f (x)dx
=
_

x
2
f (x)dx = E(X
2
)
Ejemplo 3.13. Sea X una variable aleatoria binomial denida sobre n ensayos. Usando la funci on generatriz de
momento encontrar :
1. E(X)
2. E(X
2
)
3. V(X)
Soluci on 28. La funci on generatriz de momento de una variable aleatoria binomial con par ametros n y p est a dada
por,
M
X
(t) = (pe
t
+q)
n
1. Derivando esta funci on y por el teorema anterior, tenemos
M
X
(t) = npe
t
(pe
t
+q)
n1
M
X
(0) = E(X) = npe
0
(pe
0
+q)
n1
M
X
(0) = E(X) = np(p+q)
n1
M
X
(0) = E(X) = np
2. Por otro lado tenemos,
M
X
(t) = np[e
t
(pe
t
+q)
n1
+(n1)pe
t
(pe
t
+q)
n2
]
M
X
(0) = E(X
2
) = np[(p+q)
n1
+(n1)p(p+q)
n2
]
M
X
(0) = E(X
2
) = np[1+(n1)p]
M
X
(0) = E(X
2
) = np+n(n1)p
2
3. Pero,
V(X) = E(X
2
) (E(X))
2
V(X) = np+n(n1)p
2
(np)
2
V(X) = np+n
2
p
2
np
2
n
2
p
2
V(X) = npnp
2
= npq
Ejemplo 3.14. Sea X una variable aleatoria exponencial. Usando la funci on generatriz de momento encontrar :
1. E(X)
2. E(X
2
)
3. V(X)
Soluci on 29. La funci on generatriz de momento de una variable aleatoria exponencial par ametro est a dada por,
M
X
(t) =

t
; t <
1. Derivando esta funci on y por el teorema anterior, tenemos
M
X
(t) =( t)
2
M
X
(0) = E(X) =
2
=
1
2. Por otro lado tenemos,
M
X
(t) = 2( t)
3
M
X
(0) = E(X) = 2
3
= 2
2
3. Pero,
V(X) = E(X
2
) (E(X))
2
V(X) = 2
2
(
1
)
2
= 2
2
2
=
2
Si la expansi on de la serie de Taylor de la funci on generatriz M
x
(t) de una variable aleatoria es conocida, entonces
E(X
r
) es simplemente el coeciente de t
r
/r!. Es decir si el desarrollo en serie de Taylor alrededor de cero es,
M
X
(t) =
r=0
M
(r)
X
(0)t
r
r!
Entonces M
(r)
X
(0) = E(X
r
).
Ejemplo 3.15. Sea X una variable aleatoria exponencial con funci on generatriz de momento dada por,
M
X
(t) =

t
; t <
Encontrar M
(r)
X
(0) = E(X
r
)
Soluci on 30. Puesto que
M
X
(t) =

t
=
1
1t/
; 0 <t/ < 1
Como M
X
(t) es la suma de la serie geom etrica,
M
X
(t) =
r=0
(t/)
r
=
1
1t/
M
X
(t) =
r=0
1
r
t
r
=
r=0
r!
r
t
r
r!
Por lo tanto,
M
(r)
X
(0) = E(X
r
) =
r!
r
Teorema 3.8. Sea X una variable aleatoria con funci on generadora de momento dada por M
X
(t) y Y = aX +b.
Entonces
M
Y
(t) = e
bt
M
X
(at)
Teorema 3.9. Sean X y Y variables aleatorias para las cuales M
X
(t) = M
Y
(t) para alg un intervalo que contiene a
cero. Entonces
f
X
= f
Y
.
Este es un resultado muy importante en la teora de la probabilidad y la estadstica, pero la demostraci on esta fuera
del alcance y los prop ositos de este curso.
3.5. EJERCICIOS
1. Una urna contiene 4 bolas numeradas del 1 al 4 respectivamente. Para cada uno de los siguientes casos de-
termnese la funci on de probabilidad, funci on de distribuci on acumulada, gr acas para las fdp y fda, valor
esperado y varianza de las siguientes variables aleatorias:
a) Sea X el n umero que ocurre si se saca de manera aleatoria una bola de la urna.
b) Sea X la suma que ocurre si se saca de manera aleatoria dos bola de la urna, sin reemplazo.
c) Sea X la suma que ocurre si se saca de manera aleatoria dos bola de la urna, con reemplazo.
d) Sea X la suma de los cuadrados que ocurre si se saca de manera aleatoria dos bola de la urna, con reem-
plazo.
2. En un sal on de clase hay 10 estudiantes de ingeniera, entre los cuales 3 tienen 19 a nos, 4 tienen 20 a nos, 1
tiene 21, 1 tiene 24, y 1 tiene 26 a nos. De esta clase se seleccionan dos estudiantes sin reemplazo. Determnese
la funci on de probabilidad, funci on de distribuci on acumulada, gr acas para las fdp y fda, valor esperado y
varianza de la siguiente variable aleatoria: X la edad promedio de los dos estudiantes seleccionados.
3. Un borracho tiene cuatro llaves en su bolsillo. Llega a su casa a la una de la madrugada, como esta oscuro no
puede ver la llave de su puerta, por lo que prueba una por una, hasta encontrar la correcta. Determnese la funci on
de probabilidad, funci on de distribuci on acumulada, gr acas para las fdp y fda, valor esperado y varianza de la
siguiente variable aleatoria: X n umero llaves que prueba (incluyendo la correcta) hasta abrir la puerta.
4. Sea una poblaci on de tama no N = 5, la cual se compone de las edades de cinco ni nos que son pacientes extremos
de una clnica de salud mental. Las edades son las siguientes: 6, 8, 10, 12, y 14. Determnese la funci on de
probabilidad, funci on de distribuci on acumulada, gr acas para las fdp y fda, valor esperado y varianza de la
siguiente variable aleatoria: X edad promedio de dos ni nos seleccionados aleatoriamente cuando el muestreo se
realiza:
a) Con reemplazo.
b) Sin reemplazo.
c) Determines relaciones entre la media de la poblaci on y el valor esperado de X.
5. En el municipio de Astrea se han detectado en los pozos de agua dos tipos de impurezas, se encontr o que el 30%
de los pozos no revelan impureza alguna, el 45% tienen la impureza A y el 55% la impureza B. Naturalmente,
algunos tiene ambas impurezas. Si se escoge un pozo aleatoriamente del municipio de Astrea, determnese
la funci on de probabilidad, funci on de distribuci on acumulada, gr acas para las fdp y fda, valor esperado y
varianza de la siguiente variable aleatoria: X n umero de impurezas encontradas en el pozo.
6. Se sabe que un grupo de cuatro componentes contiene dos defectuosos. Un inspector prueba los componentes
uno por uno hasta encontrar los dos defectuosos. Una vez encontrado el segundo defectuoso, se concluye la
prueba, pero se prueba el segundo defectuoso como comprobaci on. Sea X el numero de pruebas necesarias
hasta encontrar el segundo defectuoso. Encuentre la distribuci on de probabilidad para X.
7. Considere una sistema de agua que uye a trav es de unas v alvulas A a B (v ease el diagrama). Las v alvulas 1, 2
y 3 funcionan independientemente y cada una se abre correctamente mediante una se nal con una probabilidad
de 0.8. encuentre la distribuci on de probabilidad para X, el n umero de vas abiertas de A a B despu es de haber
enviado la se nal. (observe que X puede tomar los valores 0, 1 y 2 ).
8. En un problema de una prueba aplicada a ni nos peque nos, se les pide que hagan corresponder cada uno de los
tres dibujos de animales con la palabra que identica a ese animal. Si un ni no asigna aleatoriamente las tres
palabras a los tres dibujos, determnese la funci on de probabilidad, funci on de distribuci on acumulada, gr acas
para las fdp y fda, valor esperado y varianza de la siguiente variable aleatoria: X, el n umero de correspondencia
correctas.
9. Cinco pelotas numeradas, 1, 2, 3, 4 y 5 se encuentran en una urna. Se sacan dos pelotas de manera aleatoria de
las cinco, y se anotan sus n umero. Determnese la funci on de probabilidad, funci on de distribuci on acumulada,
gr acas para las fdp y fda, valor esperado y varianza de las siguiente variables aleatorias:
a) El mayor de los n umeros seleccionados.
b) La suma de los dos n umeros seleccionados.
10. Una agencia de alquiler que arrienda equipo pesado por da se da cuenta que un equipo costoso es arrendado, en
promedio, solamente un da de cinco. Si el alquiler en un da es independiente del alquiler de cualquier otro da,
determnese la funci on de probabilidad, funci on de distribuci on acumulada, gr acas para las fdp y fda, valor
esperado y varianza de la siguiente variable aleatoria: X el n umero de das entre dos alquileres.
11. Sea X una variable aleatoria con funci on de densidad dada por
f (x) =
_
_
0.2 si 1 < x 0
0.2+cx si 0 < x 1
0 en otro caso
a) Determine el valor de c
b) Obtener F(x)
c) Gracar f (x) y F(x)
d) Utilizar F(x) de (b) para calcular F(1), F(0) y F(1)
e) Calcular p(0 x 0.5)
f ) Calcular p(X > 0.5 | X > 0.1)
g) Calcular E(X), V(X) y .
f (x) =
_
_
c
26
x si 1 < x 3
0 en otro caso
a) Determine el valor de c
b) Obtener F(x)
d) Utilizar F(x) de (b) para calcular F(1), F(2) y F(2.5)
f ) Calcular p(X > 2.8 | X > 2.1)
f (x) =
_
_
cx si 0 x 1
0 en otro caso
a) Determine el valor de c.
b) Obtener F(x)
f ) Calcular p(X > 0.5 | X > 0.1)
14. El periodo de funcionamiento hasta su primera falla (en ciento de horas) para cierto transistor, es una variable
aleatoria X con funci on de distribuci on acumulada dada por
F(x) =
_
_
0 si x < 0
1e
x
2
x 0
F(x) =
_
_
_
0, si x < 0;
1e
x
2
, x 0.
a) Demostrar que F(x) cumple las propiedades de una funci on de distribuci on acumulada.
b) Obtener f (x)
c) Calcular la probabilidad de que el transistor trabaje por lo menos durante 200 horas hasta tener su primera
falla.
d) Encontrar valor esperado y varianza para la variable aleatoria X.
15. Un vendedor de gasolina tiene un tanque de 150 galones que se llena al principio de cada semana. Su demanda
semanal tiene una frecuencia relativa que crece constantemente de cero hasta 100 galones y permanece constante
entre 100 y 150 galones. Si X denota la demanda semanal en ciento de galones, la frecuencia relativa se puede
representar por
f (x) =
_
_
x si 0 x 1
1 1 < x 1.5
0 en otra parte
a) Obtener F(x)
b) Gracar f (x) y F(x).
c) Calcular P(0 x 0.5)
d) Calcular P(0.5 x < 1.2) .
e) Encontrar valor esperado y varianza para la variable aleatoria X.
16. El tiempo por semana que un estudiante de la UPC usa internet, es una variable aleatoria X, tiene como funci on
de densidad de probabilidad (medida en horas)
f (x) =
_
_
3
64
x
2
(4x) si 0 x 4
0, en otra parte
a) Hallar E(X) y V(X)
b) El costo que paga la UPC por hora para cada estudiante por usar internet es de $500. Calcular el valor
esperado y la varianza del costo semanal por estudiante.
c) Rebasara con mucha frecuencia el valor del tiempo semanal los $2000? Por qu e?
17. Se X una variable aleatoria que modela el movimiento de un gas uniforme en equilibrio, entonces
f (x) = ax
2
e
bx
2
, donde x > 0
Aqu, b = m/(2kT), donde k es la constante Bolzmann, T es la temperatura absoluta y m denota la masa de la
mol ecula. Encontrar a, para que f sea una funci on de densidad de probabilidad de la variable aleatoria X.
18. Supongamos que cierto pas de la Comunidad Andina de Naciones la distribuci on de los ingresos por familia se
puede modelar por una variable aleatoria X, con funci on de densidad de probabilidad dada por:
f (x) = xe
x
, donde x > 0
donde x es dada en miles de d olares. Encontrar: el primer, segundo y tercer cuartil de la distribuci on de los
ingresos de la variable aleatoria X. Esto es, encontrar los valores de x para los cuales F(x) = 0.25, F(x) = 0.50,
y F(x) = 0.75. De una interpretaci on de estos resultados.
19. Demuestre que si X es una variable aleatoria y X 0. Entonces E(X) 0.
20. Demuestre que |E(X)| E(|X|) para cualquiera variable aleatoria X.
21. Sea X una variable aleatoria tal que X 0. Demuestre que si E(X) = 0, entonces P(X = x) = 1.
22. Demuestre el teorema 5.1.
23. Demuestre que la funci on de distribuci on acumulada de una variable aleatoria X distribuida uniformente esta
dada por la expresi on 5.1.
24. Sup ongase que la variable aleatoria X est a distribuida uniforme en el intervalo (0, 1).
a) Encontrar y gracar F(x)
b) Demuestre que P(a x a+b para a 0, a+b 1, depende solamente del valor de b.
25. Si un paracaidista cae en un sitio aleatorio demarcado por el segmento de lnea A y B. Encontrar la probabilidad
de que:
a) est e m as cerca de A que de B
b) la distancia con respecto a A sea m as tres veces la distancia con respecto a B.
26. La variaci on del nivel del agua del balneario Hurtado de un da al otro, medida en (cm) en un sitio especico, es
una variable aleatoria X con la siguiente funci on de distribuci on acumulada:
F(x) =
_
_
0, x < 0;
2x x
2
, 0 < x < 1.
1, x > 1.
a) Obtener la funci on de distribuci on acumulativa para la variable aleatoria X.
b) Obtener P(x > 1/2) y P(X > 3/4)
c) Hallar el valor esperado y la varianza de la variable aleatoria X:
27. Sea X una variable aleatoria con funci on de probabilidad dada por
p(X = k) =

k
e
k!
donde k=1, 2, 3 . . . . Demuestre que E(X)= y V(X)=.
28. Sea X una variable aleatoria geom etrica con la probabilidad de tener exito igual a p.
a) Demuestre que para un entero positivo a,
P(X > a) = q
a
b) Demuestre que para los enteros positivos a y b,
P(X > a+b|X > a) = q
b
= P(X > b)
29. Sea X una variable aleatoria con funci on de probabilidad dada por
p(X = k) =

k
e
k!
donde k=1, 2, 3 . . . . Demuestre que E(X)= y V(X)=.
f (x) =
_
_
cx si 0 x 1
0 en otro caso
a) Determine el valor de c.
b) Obtener F(x)
f ) Calcular p(X > 0.5 | X > 0.1)
31. El periodo de funcionamiento hasta su primera falla (en ciento de horas) para cierto transistor, es una variable
aleatoria X con funci on de distribuci on acumulada dada por
F(x) =
_
_
0 si 0 < x
1e
x
2
en otro caso
a) Demostrar que F(x) cumple las propiedades de una funci on de distribuci on acumulada.
b) Obtener f (x)
c) Calcular la probabilidad de que el transistor trabaje por lo menos durante 200 horas hasta tener su primera
falla.
d) Encontrar valor esperado y varianza para la variable aleatoria X.
32. Un vendedor de gasolina tiene un tanque de 150 galones que se llena al principio de cada semana. Su demanda
semanal tiene una frecuencia relativa que crece constantemente de cero hasta 100 galones y permanece constante
entre 100 y 150 galones. Si X denota la demanda semanal en ciento de galones, la frecuencia relativa se puede
representar por
f (x) =
_
_
x si 0 x
1 1 < x 1.5
0 en otra parte
a) Obtener F(x)
b) Gracar f (x) y F(x).
c) Calcular P(0 x 0.5)
d) Calcular P(0.5 x < 1.2) .
e) Encontrar valor esperado y varianza para la variable aleatoria X.
33. El tiempo por semana que un estudiante de la UPC usa internet, es una variable aleatoria X, tiene como funci on
de densidad de probabilidad (medida en horas)
f (x) =
_
_
3
64
x
2
(4x) si 0 x 4
0, en otra parte
a) Hallar E(X) y V(X)
b) El costo que paga la UPC por hora para cada estudiante por usar internet es de $500. Calcular el valor
esperado y la varianza del costo semanal por estudiante.
c) Rebasara con mucha frecuencia el valor del tiempo semanal los $2000? Por qu e?
34. Sea X una variable aleatoria denida en el intervalo [0, 2] y funci on de densidad de probabilidad f
X
. Encontrar
la funci on generatriz de momento para X si:
a) f
X
(x) = 1/2
b) f
X
(x) = (1/2)x
c) f
X
(x) = 1(1/2)x
d) f
X
(x) =|1x|
e) f
X
(x) = (3/8)x
2
35. Para cada uno de las funciones de densidades del problema anterior calcular el primer y segundo momento
directamente de la denici on y verique que M(0) = 1, M
(0) = E(X) y M
(0) = E(X
2
).
36. Sea X una variable aleatoria denida en el intervalo [0, ) y funci on de densidad de probabilidad f
X
. Encontrar
la funci on generatriz de momento para X si:
a) f X(x) = 2e
2x
b) f
X
(x) = e
2x
+(1/2)e
x
c) f
X
(x) = 4xe
2x
d) f
X
(x) =(x)
n1
e
x
/(n1)!
37. Para cada uno de las funciones de densidades del problema anterior calcular el primer y segundo momento
directamente de la denici on y verique que M(0) = 1, M
(0) = E(X) y M
(0) = E(X
2
).
38. Sea X una variable aleatoria distribuida uniformemente en el intervalo [0, 1]. Encontrar en t erminos de la funci on
generatriz de momento de X la funci on generatriz de momento de las siguientes variables aleatorias:
a) X
b) 1+X
c) 3X
d) aX +b
39. Encuentre las distribuciones de probabilidades de la variable aleatoria X para cada una de las funciones gener-
adoras de momentos
a) M(t) =
_
e
t
+2
3
_
5
b) M(t) =
e
t
2e
t
c) M(t) = e
2(e
t
1)
40. Sea M(t) =
e
t
+2e
2t
+3e
3t
6
. Encuentre lo siguiente:
a) E(X)
b) E(X
2
)
c) V(X)
d) La funci on de probabilidad de X.
41. Sea C(t) = lnM(t). Demuestre que C
(0) = . y C
(0) =
2
42. Se X una variable aleatoria que modela el movimiento de un gas uniforme en equilibrio, entonces
f (x) = ax
2
e
bx
2
, donde x > 0
Aqu, b = m/(2kT), donde k es la constante Bolzmann, T es la temperatura absoluta y m denota la masa de la
mol ecula. Encontrar a, para que f sea una funci on de densidad de probabilidad de la variable aleatoria X.
43. Supongamos que cierto pas de la Comunidad Andina de Naciones la distribuci on de los ingresos por familia se
puede modelar por una variable aleatoria X, con funci on de densidad de probabilidad dada por:
f (x) = xe
x
, donde x > 0
donde x es dada en miles de d olares. Encontrar: el primer, segundo y tercer cuartil de la distribuci on de los
ingresos de la variable aleatoria X. Esto es, encontrar los valores de x para los cuales F(x) = 0.25, F(x) = 0.50,
y F(x) = 0.75. De una interpretaci on de estos resultados.
44. Demuestre que si X es una variable aleatoria y X 0. Entonces E(X) 0.
45. Demuestre que |E(X)| E(|X|) para cualquiera variable aleatoria X.
46. Sea X una variable aleatoria tal que X 0. Demuestre que si E(X) = 0, entonces P(X = x) = 1.
47. Sea X una variable aleatoria con x
1
, x
2
, . . . , x
n
valores diferentes: Demostrar que para cualquiera funci on g :
,
E(g(X)) =
n
i=1
g(x
i
)P
g
(x
i
)
donde P
g
(x) = P
X
(X = x) es la funci on de probabilidad de la variable aleatoria g(X).
48. Una variable aleatoria X una funci on de densidad dada por:
f (x) =
_
_
2x
a
2
, si 0 x a
0, en otra parte
Otra variable aleatoria Y toma el valor y, y = 0, 1, 2, . . . , 9 con probabilidad P
Y
(Y = y) = P
X
(0.1ay < X <
0.1a(y +1)). Encontrar
a) P
Y
(Y = y). Es decir, la funci on de probabilidad de X
b) E(Y)
c) E(Y
2
)
d) V(Y)
e) La cota de Tchebychev para la probabilidad P
X
(|X E(X)| a/3) y compare con el valor exacto de P
X
.
f ) P
Y
(Y = 8|Y > 7).
g) E(e
tx
|X < a/2) y con esto demostrar que E(X|X < a/2) = a/3.
49. El voltaje a trav es de un circuito el ectrico es una variable aleatoria X con funci on de densidad
f (x) =
_
_
e
(xk)
, si x > k > 0
0, en otra parte
La resistencia del circuito est a ja en un valor conocido de (ohms). Suponiendo que se cumple la ley de Ohm,
la cual arma que la
corriente =
voltaje
resistencia
Encontrar la media y la varianza de la corriente a trav es del circuito.
CAPITULO 4
DISTRIBUCIONES DISCRETAS
Algunos modelos de funciones de probabilidad ocurren con muchas frecuencias en el contexto de la estadsti-
ca te orica como aplicada, esto nos motiva al estudio en detalle de algunos modelos de probabilidad, los cuales han
demostrados ser util en el campo de las aplicaciones. A pesar de ello tales funciones de probabilidad presentan un
car acter te orico en el sentido en que son modelos que se deducen matem aticamente con base en ciertos supuestos que
se suponen ciertos para los fen omenos aleatorios. La elecci on de un modelo de distribuci on de probabilidad para rep-
resentar un fen omeno de inter es pr actico debe estar motivada tanto por la compresi on de la naturaleza del fen omeno en
s, como por la posible vericaci on de la distribuci on seleccionada a trav es de la evidencia emprica. En todo momento
antes de aplicar un modelo de funci on de frecuencia de probabilidad debe realizarse un an alisis crtico del problema
de investigaci on.
En este capitulo, examinaremos con cierto rigor matem atico algunos modelos de frecuencia de probabilidad disc-
retas, destacando ciertas aplicaciones de ellas.
4.1. Distribuci on Binomial
Denici on 4.1. Sea X una variable aleatoria que representa el n umero de exitos en n ensayos independiente, donde
la probabilidad de un exito es p y de un fracaso es q = 1 p, cada vez que el experimento se lleva acabo. Se dice
entonces que X tiene distribuci on Binomial con funci on de probabilidad dada por:
P
X
(X = x) =
_
_
_
n
x
_
p
x
q
nx
, donde x = 0, 1, 2, n y q = 1p
0, en otro caso
Si una variable aleatoria X que tiene una distribuci on binomial con par ametros n y p, notaremos X B[n, p].
La probabilidad que una variable aleatoria X sea menor o igual a un valor determinado x
0
, se especica por la funci on
de distribuci on acumulada,
127
4.1. DISTRIBUCI
ON BINOMIAL Universidad Popular del Cesar

F(x
0
) = P
X
(X x
0
) =
x
0
x=0
_
n
x
_
p
x
q
nx
Ejemplo 4.1. Sup ongase que el 20% de los artculos producidos por una f abrica son defectuosos. Si se selecciona
una muestra aleatoria simple con reemplazo de tama no 10.
1. Determine la funci on de probabilidad y la funci on de distribuci on acumulada de la variable aleatoria, n umero
de artculos defectuosos en la muestra.
2. Cu al es la probabilidad de que exactamente tres artculos son defectuosos entre los 10 seleccionados?
3. Cu al es la probabilidad de que 4 o m as artculos son defectuosos entre los 10 seleccionados?
4. Cu al es la probabilidad de rechazar el lote de 10 artculos si se tienen tres o m as artculos son defectuosos?
Soluci on
Sea X la variable aleatoria que representa el n umero de artculos defectuosos en la muestra seleccionada.
1. Para n = 10 y p = 0.2, entonces la funci on de probabilidad de est a dada por:
P
X
(X = x) =
_
10
x
_
0.2
x
0.8
10x
, donde x = 0, 1, 2, n y q = 1p
y la funci on de distribuci on acumulada
F(x
0
) = P
X
(X x
0
) =
10
x=0
_
10
x
_
0.2
x
0.8
10x
Las cuales tambi en se puede representar mediante la siguiente tabla.
X = x P
X
(X = x) F(x
0
)
0 0.1074 0.1074
1 0.2684 0.3758
2 0.3020 0.6778
3 0.2013 0.8791
4 0.0881 0.9672
5 0.0264 0.9936
6 0.0055 0.9998
7 0.0008 0.9999
8 0.0001 1
9 0.0000 1
4.1. DISTRIBUCI

2. La probabilidad de que exactamente tres artculos son defectuosos entre los 10 seleccionados es:
P
X
(X = 4) = 0.2013.
3. La probabilidad de que 4 o m as artculos son defectuosos entre los 10 seleccionados es:
P
X
(X 4) = 1F(3)
= 10.8791 = 0.1209.
4. La probabilidad de rechazar el lote de 10 artculos si se tienen tres o m as artculos son defectuosos es
P
X
(X 3) = 1P
X
(X 2)
= 10.6778 = 0.3222.
Teorema 4.1. Sea una variable aleatoria X que tiene una distribuci on binomial con par ametros n y p. Entonces
1.
n
x=0
_
n
x
_
p
x
q
nx
= 1
2. E(X) = np
3. V(X) = npq
4. M
X
(t) = (pe
t
+q)
n
Demostraci on 13.
1. Debemos demostrar que
x=0
P
X
(x) = 1
Por denici on y el teorema del Binomio de Netown, entonces
x=0
P
X
(x) =
n
x=0
_
n
x
_
p
x
q
nx
= (p+q)
n
= 1
4.1. DISTRIBUCI

2. Por la denici on de valor esperado para una variable aleatoria discreta,
E(X) =
x=0
xP
X
(x)
=
n
x=0
x
_
n
x
_
p
x
q
nx
=
n
x=0
xn!
(nx)!x!
p
x
q
nx
=
n
x=1
xn!
(nx)!(x 1)!
p
x
q
nx
=
n1
y=0
n(n1)!
(n(y +1))!y!
p
y+1
q
n(y+1)
=
n1
y=0
n(n1)!
(n1) y)!y!
p
y+1
q
(n1)y
= np
n1
y=0
(n1)!
(n1) y)!y!
p
y
q
(n1)y
= np(p+q)
n1
= np
3. Para calcular la varianza de la variable aleatoria X, hallemos el segundo momento, es decir:
E(X
2
) =
x=0
x
2
P
X
(x)
=
n
x=0
x
2
_
n
x
_
p
x
q
nx
=
n
x=0
x
2
n!
(nx)!x!
p
x
q
nx
=
n
x=1
xn!
(nx)!(x 1)!
p
x
q
nx
=
n1
y=0
n(n1)(y +1)!
(n(y +1))!y!
p
y+1
q
n(y+1)
= np
n1
y=0
(n1)!(y +1)
(n1) y)!y!
p
y
q
(n1)y
= np
_
n1
y=0
y(n1)!
(n1) y)!y!
p
y
q
(n1)y
+
n1
y=0
(n1)!
(n1) y)!y!
p
y
q
(n1)y
_
Por lo tanto
E(X
2
) = np[np+q] = n
2
p
2
+npq
4.2. DISTRIBUCI
ON POISSON Universidad Popular del Cesar

Puesto que V(X) = E(X
2
) [E(X)]
2
), se tiene que
V(X) = E(X
2
) [E(X)]
2
) = n
2
p
2
+npqn
2
p
2
= npq
4. En el capitulo anterior se encontr o la funci on generatriz de una variable aleatoria binomial.
En el ejemplo anterior, el n umero de artculos defectuosos que esperamos est en en el lote de 10 es:
E(X) = np = 10(0.20) = 2.
4.2. Distribuci on Poisson
Denici on 4.2. Sea X una variable aleatoria que representa el n umero de eventos independientes sobre el tiempo o
el espacio. Se dice entonces que tiene distribuci on Poisson con funci on de probabilidad dada por:
P
X
(X = x) =
_
x
e
x!
donde x = 0, 1, 2,
0, en otro caso
Donde es el n umero promedio de resultados posibles por unidad de tiempo o espacio y e = 2.71828. . ..
Si una variable aleatoria X que tiene una distribuci on Poisson con par ametro , notaremos X P[].
La probabilidad que una variable aleatoria sea menor o igual a un valor determinado x
0
F(x
0
) = P
X
(X x
0
) =
x
0
x=0
x
e
x!
Ejemplo 4.2. El n umero de componentes que fallan antes de cumplir 100 horas de operaci on es un variable aleatoria
de Poisson. Si el n umero promedio de esta es ocho:
1. Hallar la funci on de probabilidad y distribuci on acumulada para los primeros 6 valores de la variable aleatoria
X que falle un componentes en 25 horas.
2. Cu al es la probabilidad de que falle un componentes en 25 horas?
3. Cu al es la probabilidad de que fallen no m as de dos componentes en 50 horas?
4. Cu al es la probabilidad de que fallen por lo menos diez componentes en 125 horas?
4.2. DISTRIBUCI

Soluci on
Sea X la variable aleatoria que representa el n umero componentes que fallan antes de cumplir 100 horas en la muestra
seleccionada. Si el n umero promedio en la 100 horas es = 8. Entonces
1. Para 25 horas esperamos = 2, entonces la funci on de probabilidad de X est a dada por:
P
X
(X = x) =
2
x
e
2
x!
; donde x = 0, 1, 2,
Por lo tanto en la siguiente tabla se muestra la funci on de probabilidad y distribuci on acumulada para los primero
6 valores de la variable aleatoria X
X = x P
X
(X = x) F(x)
0 0.1353 0.1353
1 0.2707 0.4060
2 0.2707 0.6767
3 0.1804 0.8571
4 0.0902 0.9473
5 0.0361 0.9834
2. La probabilidad de que falle un componentes en 25 horas es:
P
X
(X = 1) =
2
x
e
2
x!
= 0.2707
P
X
(X = x) =
4
x
e
4
x!
; donde x = 0, 1, 2,
En consecuencias, la probabilidad de que fallen no m as de dos componentes en 50 horas es:
P
X
(X 2) = 0.0183+0.0733+0.1465
= 0.2381.
P
X
(X = x) =
10
x
e
10
x!
; donde x = 0, 1, 2,
Por lo tanto en la siguiente tabla se muestra la funci on de probabilidad y la funci on de distribuci on acumulada
para los primeros 10 valores de X
4.2. DISTRIBUCI

X = x P
X
(X = x) F(x)
0 0 0.0000
1 0.0005 0.0005
2 0.0023 0.0028
3 0.0076 0.0103
4 0.0189 0.0293
5 0.0378 0.0671
6 0.0631 0.1301
7 0.0901 0.2202
8 0.1126 0.3328
9 0.1251 0.4579
En consecuencias, la probabilidad de que fallen por lo menos 10 componentes en 125 horas es:
P
X
(X 10) = 1P
X
(X 9) = F(10)
= 10.4579 = 0.5421.
Teorema 4.2. Sea una variable aleatoria X que tiene una distribuci on Poisson con par ametro . Entonces
1.
x=0

x
e
x!
= 1
2. E(X) =
3. V(X) =
4. M
X
(t) = e
(e
t
1)
Demostraci on 14. Para demostrar el teorema es suciente considerar el desarrollo en serie de Taylor de e
, es decir,
e
x=0
x
x!
Los detalles debe elaborarlo el estudiante como un ejercicio.
La distribuci on de Poisson tambi en es una forma limite de la distribuci on Binomial. Este resultado se demuestra en el
siguiente teorema.
4.2. DISTRIBUCI

Teorema 4.3. Sea una variable aleatoria que tiene una distribuci on Binomial, con par ametros n y p. Entonces
lm
n
_
n
x
_
p
x
q
nx
=

x
e
x!
Donde = np.
Demostraci on 15. Comencemos escribiendo la funci on de densidad de la probabilidad binomial en terminos de :
lm
n
_
n
x
_
p
x
q
nx
= lm
n
_
n
x
__
n
_
x
_
1
n
_
nx
= lm
n
n!
(nx)!x!
x
_
1
n
x
__
1
n
_
x
_
1
n
_
n
(4.1)
Pero sabemos que
lm
n
_
1
n
_
n
= e
(4.2)
Por otro lado n otese,
n!
(nx)(n)
x
=
n(n1)(n2) (nx +1)
(n)(n)(n) (n)
As, dividiendo por n y tomado limite a la anterior expresi on,
lm
n
n!
(nx)(n)
x
= lm
n
1
(1/n)
lm
n
11/n
(1/n)
lm
n
(12/n)
(1/n)
lm
n
(1(x 1)/n)
(1/n)
= 1 (4.3)
Reemplazando 4.3 y 4.2 en 4.1 se obtiene lo que se desea demostrar.
En la tabla siguiente se comparan las probabilidades binomial y de Poisson
4.3. DISTRIBUCI
ON GEOM
ETRICA Universidad Popular del Cesar

X = x
_
100
x
_
(0.01)
x
(0.99)
100x 1
x
e
1
x!
0 0.366032 0.367879
1 0.369730 0.367879
2 0.184865 0.183940
3 0.060999 0.061313
4 0.014941 0.015328
5 0.002897 0.003065
6 0.000463 0.000510
7 0.000062 0.000072
8 0.000007 0.000009
9 0.000000 0.000001
10 0.000000 0.000000
4.3. Distribuci on Geom etrica
Denici on 4.3. Sea X una variable aleatoria que representa el n umero de pruebas necesarias hasta obtener el primer
exito, donde cada prueba es independiente y la probabilidad de un exito es p y de un fracaso es 1p, cada vez que el
experimento se lleva acabo. Se dice entonces que X tiene distribuci on Geom etrica con funci on de probabilidad dada
por:
P
X
(X = x) =
_
_
pq
x1
, donde x = 1, 2, 3, y q = 1p
0, en otro caso
Si una variable aleatoria X que tiene una distribuci on geom etrica con par ametro p, notaremos X G[p].
0
F(x
0
) = P
X
(X x
0
) =
x
0
x=1
pq
x1
Teorema 4.4. Sea una variable aleatoria X que tiene una distribuci on Poisson con par ametro p. Entonces
1.
x=1
pq
x1
= 1
2. E(X) =
1
p
3. V(X) =
1p
p
2
4. M
X
(t) =
pe
t
1(1p)e
t
4.3. DISTRIBUCI
ON GEOM

Demostraci on 16. Las pruebas de (a), (b) y (d) las dejaremos como ejercicios. Demostremos (c) teniendo en cuenta
la siguiente igualdad:
E(X
2
) = E(X(X 1)) +E(X)
Por denici on,
E(X(X 1)) =
x=1
x(x 1)P
X
(x)
As que
E(X(X 1)) =
x=1
x(x 1)pq
x1
= pq
x=2
x(x 1)pq
x2
si y = x 1, entonces
E(X(X 1)) =pq
y=1
(y +1)yq
y
=pq
y=1
(y +1)yq
y1
= pq
d
2
dq
2
_

y=1
q
y+1
_
=pq
d
2
dq
2
_
q
2

y=1
q
y1
_
pero la serie
y=0
q
y
=
1
1q
esto conduce a la ecuaci on
E(X(X 1)) = pq
d
2
dq
2
_
q
2
1q
_
derivando dos veces a E(X(X 1)) con respecto a q, tenemos
E(X(X 1)) =
2q
p
2
Puesto que E(X
2
) = E(X(X 1)) +E(X) entonces
E(X
2
) =
2q
p
2
+
1
p
=
2q+ p
p
2
4.3. DISTRIBUCI
ON GEOM

As,
V(X) =
2q+ p
p
2

1
p
2
=
1p
p
2
Ejemplo 4.3. Sup ongase que el 10% de los motores fabricados en determinada lnea de montaje son defectuosos. Si
se seleccionan aleatoriamente los motores, uno a la vez, para su prueba. Calcular las siguientes probabilidades:
1. El primer motor defectuoso se encuentre en el segundo intento.
2. El primer motor defectuoso se encuentre en el quinto intento.
3. El primer motor defectuoso se encuentre en o antes del quinto intento.
4. Calcular el promedio y la varianza del n umero de la inspecci on en la cual se encuentre en el primer motor
defectuoso.
Soluci on
Sea X la variable aleatoria n umero intentos hasta tener el primer motor defectuoso, es claro que esta es una variable
aleatoria con distribuci on Geom etrica con par ametro p = 0.10. Por lo tanto, la funci on de probabilidad es
P
X
(X = x) = (0.1)(0.9)
x1
, donde x = 1, 2, 3, y q = 1p
En la siguiente tabla se muestra la funci on de probabilidad y funci on de distribuci on acumulada para los primeros 10
valores de la variable aleatoria X
X = x P
X
(X = x) F(x)
1 0.0900 0.1900
2 0.0810 0.2710
3 0.0729 0.3439
4 0.0656 0.4095
5 0.0590 0.4686
6 0.0531 0.5217
7 0.0478 0.5695
8 0.0430 0.6126
9 0.0387 0.6513
10 0.0349 0.6862
Por lo tanto
1. La probabilidad que el primer motor no defectuoso se encuentre en el segundo intento,
P
X
(X = 2) = (0.1)(0.9)
21
= 0.0810
4.4. DISTRIBUCI
ON BINOMIAL NEGATIVA Universidad Popular del Cesar

2. La probabilidad que el primer motor no defectuoso se encuentre en el quinto intento,
P
X
(X = 5) = (0.1)(0.9)
51
= 0.0590
3. La probabilidad que el primer motor no defectuoso se encuentre en o antes del quinto intento,
F(5) = P
X
(X 5) =
5
x=1
(0.1)(0.9)
x1
= 0.4686
4. El promedio y la varianza del n umero de la inspecci on en la cual se encuentre en el primer motor no defectuoso
son:
E(X) =
1
p
=
1
0.1
= 10
y
V(X) =
1p
p
2
=
0.9
(0.1)
2
= 90
respectivamente.
4.4. Distribuci on Binomial Negativa
Denici on 4.4. Sea X una variable aleatoria Binomial con probabilidad de exito p y donde X, es el n umero de pruebas
necesarias hasta obtener exactamente r exitos. En este caso, se dice que la variable aleatoria X tiene distribuci on
Binomial Negativa con funci on de probabilidad dada por:
P
X
(X = x) =
_
_
_
x 1
r 1
_
p
r
q
x
, donde
_
_
x = r, r +1, r +2,
r = 1, 2, 3,
0 p 1 y q = 1p
0, en otro caso
Si una variable aleatoria X que tiene una distribuci on binomial negativa con par ametros r y p, en donde r no se
requiere que sea un entero positivo, notaremos X BN[r, p].
0
F(x
0
) = P
X
(X x
0
) =
x
0
x=0
_
x 1
r 1
_
p
r
q
x
4.4. DISTRIBUCI
ON BINOMIAL NEGATIVA Universidad Popular del Cesar

Teorema 4.5. Sea una variable aleatoria X que tiene una distribuci on binomial negativa con par ametros r y p.
Entonces
1.
x=0
_
x1
r1
_
p
r
q
x
= 1
2. E(X) =
r
p
3. V(X) =
r(1p)
p
2
4. M
X
(t) =
_
pe
t
1qe
t
_
r
Teorema 4.6. Sea X una variable aleatoria que tiene una distribuci on Binomial Negativa con par ametros r y p.
Entonces
F
BN
(x) = P
X
(X x) = 1F
B
(y) = P
Y
(Y y)
en donde Y es una variable aleatoria Binomial con par ametros n = r +x y p.
Ejemplo 4.4. Una empresa de reclutamiento encuentra que el 30% de los aspirantes para determinado puesto en la
industria tiene conocimiento avanzado de programaci on. Sup ongase que se tienen tres puestos en los que se necesitan
conocimientos avanzados de programaci on.
1. Encontrar la funci on de probabilidad de la variable aleatoria, n umero de aspirantes hasta obtener tres que
tengan conocimiento avanzado en programaci on.
2. Se entrevistan uno a uno los solicitantes, calcular la probabilidad de encontrar un aspirante en la quinta entre-
vista.
Soluci on
Sup ongase que las entrevistas son independientes, y que la probabilidad de encontrar un candidato con conocimiento
avanzado de programaci on es 0.3, la cual permanece constante de prueba en prueba. Sea X, n umero de aspirantes
hasta obtener tres que tengan conocimiento avanzado en programaci on. Entonces se puede inferir que X, n umero de
aspirantes hasta obtener tres que tengan conocimiento avanzado en programaci on.
1. Entonces se puede concluir que X tiene una distribuci on Binomial Negativa, as que la funci on de probabilidad
es:
P
X
(X = x) =
_
x 1
2
_
(0.3)
3
(0.7)
x1
, r = 3, 4, 5, , 12
En la siguiente tabla se muestra la funci on de probabilidad y funci on de distribuci on acumulada para los primeros
10 valores de la variable aleatoria X
4.5. DISTRIBUCI
ON HIPERGEOM

X = x P
X
(X = x) F(x)
3 0.0920 0.0920
4 0.0970 0.1890
5 0.0950 0.2840
6 0.0890 0.3730
7 0.0800 0.4530
8 0.0700 0.5820
9 0.0590 0.6320
10 0.0500 0.6820
11 0.0410 0.7230
12 0.0340 0.7570
2. De la tabla anterior observamos que
P
X
(X = 5) =
_
4
2
_
(0.3)
3
(0.7)
4
= 0.0950
4.5. DISTRIBUCI

ON HIPERGEOM
ETRICA
Denici on 4.5. Sea N el n umero total de objetos en una poblaci on nita, de manera tal que R de estos son de tipo
A y N R - de tipo B. Si se selecciona una muestra aleatoria simple sin reemplazo n objetos de la poblaci on. La
probabilidad que exactamente X sean de tipo A, est a dado por la funci on de probabilidad Hipergeom etrica.
P
X
(X = x) =
_
_
(
R
x
)(
NR
nx
)
(
N
n
)
, si x = 0, 1, 2, , n.
0, en otro caso
y donde x R ynx NR.
Los par ametros de la distribuci on Hipergeom etrica son N, n y R.
La probabilidad que una variable aleatoria Hipergeom etrica X sea menor o igual a un valor determinado x
0
,se especi-
ca por la funci on de distribuci on acumulada,
F(x
0
) = P
X
(X x
0
) =
x
0
x=0
_
R
x
__
NR
nx
_
_
N
n
_
Teorema 4.7. Sea una variable aleatoria X que tiene una distribuci on Hipergeom etrica con par ametros N, n y R.
Entonces
1.
n
x=0
(
R
x
)(
NR
nx
)
(
N
n
)
= 1
4.5. DISTRIBUCI
ON HIPERGEOM

2. E(X) = n
R
N
3. V(X) = n
R
N
(1
R
N
)(
Nn
N1
)
4. M
X
(t) = (pe
t
+q)
n
Ejemplo 4.5. Sup ongase que se tienen 50 representantes de cierta regi on del pas, a una convenci on poltica nacional,
de los cuales 20 apoyan al candidato A y 30 al candidato B. Si se seleccionan aleatoriamente 10 representantes. Cual
es la probabilidad que entre estos 10:
1. Exactamente 5 apoyen al candidato A
2. Por lo menos apoyen al candidato A
3. Entre dos y cinco inclusive apoyen al candidato A
4. Cuantos representantes esperamos apoyen al candidato A
5. Con que variabilidad se espera que los representantes apoyen al candidato A.
Soluci on
Sea X una variable aleatoria que representa el n umero de representantes que apoyen al candidato A; con par ametros
N = 50, n = 10 y R = 20. Entonces la funci on de probabilidad para la variable aleatoria X es
P
X
(X = x) =
_
30
x
__
20
10x
_
_
N
n
_ , si x = 0, 1, 2, , 10.
Por lo tanto en la siguiente tabla se muestra la funci on de probabilidad y distribuci on acumulada para valores de la
variable aleatoria X
X = x P
X
(X = x) F(x)
0 0.0029 0.0029
1 0.0279 0.0308
2 0.1083 0.1390
3 0.2259 0.3650
4 0.2801 0.6450
5 0.2151 0.8601
6 0.1034 0.9635
7 0.0306 0.9942
8 0.0053 0.9995
9 0.0005 1.0000
10 0.0000 1.0000
4.5. DISTRIBUCI
ON HIPERGEOM

Las respuestas para las preguntas:
1. Exactamente 5 apoyen al candidato A:
P
X
(X = 5) = 0.2801
2. Por lo menos dos apoyen al candidato A:
P
X
(X 2) = 1F(1) = 10.0308 = 0.9692
3. Entre dos y cinco inclusive apoyen al candidato A:
P
X
(2 X 5) = (0.1083+0.2259+0.2259+0.2801) = 0.8402
4. Cuantos representantes esperamos apoyen al candidato A:
E(X) = 10(30/50) = 6
5. Con que variabilidad se espera que los representantes apoyen al candidato A:
V(X) = 10
20
50
_
1
20
50
__
5010
501
_
= 1.6271
.
La distribuci on de Binomial tambi en es una forma limite de la distribuci on Hipergeom etrica. Este resultado se de-
muestra en el siguiente teorema.
Teorema 4.8. Sea X una variable aleatoria que tiene una distribuci on Hipergeom etrica con par ametros N , n y R .
Entonces
lm
N
_
R
x
__
NR
nx
_
_
N
n
_ =
_
n
x
_
p
x
q
nx
Donde p = R/N.
Demostraci on 17. La prueba se deja como un ejercicio.
La funci on de distribuci on Binomial aproxima de manera adecuada a la funci on de probabilidad Hipergeom etrica si
n < 0.1N.
En la siguiente tabla se comparan los valores de probabilidad de una Binomial como limite de una funci on de proba-
bilidad Hipergeom etrica, con N = 1000, n = 10 y R = 50.
X = x Hipergeom etrica Binomial
0 0.0009 0.0010
1 0.0095 0.0098
2 0.0434 0.0439
3 0.1168 0.1172
4 0.2057 0.2051
5 0.2473 0.2461
6 0.2057 0.2051
7 0.1168 0.1172
8 0.0434 0.0439
9 0.0095 0.0098
10 0.0009 0.0010
4.6. EJERCICIOS
1. Demuestre las siguientes igualdades:
a)
_
n+r 1
r 1
_
=
_
n+r 1
n
_
b)
_
n+r 1
n
_
= (1)
n
_
r
n
_
2. En la Universidad Popular del Cesar se ha observado que el 60% de los estudiantes que se matriculan lo hacen
en una carrera de Ciencias, mientras que el otro 40% lo hacen en carreras de Humanidades. Si un determinado
da se realizan 20 matrculas, calcular la probabilidad de que:
a) haya igual n umero de matrculas en Ciencias y en Humanidades;
b) el n umero de matrculas en Ciencias sea menor que en Humanidades;
c) haya al menos 8 matrculas en Ciencias
d) no haya m as de 12 matrculas en Ciencias.
e) Si las cinco primeras matrculas son de Humanidades, calcular la probabilidad de que:
1) total haya igual n umero de matrculas en Ciencias y en Humanidades
2) en total haya al menos 6 en Ciencias m as que en Humanidades.
3. Para un experimento m edico se requieren cinco mujeres que hayan tenido seis o m as partos. La proporci on de
mujeres adultas con esa caracterstica es 0.25. Suponga que se toma una muestra de mujeres adultas y sea N el
n umero de mujeres adultas que es necesario entrevistar para encontrar las cinco buscadas.
a) Cu al es el modelo apropiado para la distribuci on de N?
b) Cu al es la probabilidad de que en diez o menos intentos se encuentren las cinco mujeres?
4. Un complejo sistema electr onico est a construido con cierto n umero de componentes de apoyo en sus subsis-
temas. Un subsistemas contiene cuatro componentes id enticas, cada uno con probabilidad de 0.2, de fallar en
menos de 1.000 horas. El subsistemas funciona si dos componentes cualesquiera de los cuatro trabajan en forma
adecuada. Se supone que los componentes operan independientemente.
a) Encuentre la probabilidad de que exactamente dos de cuatro componentes resistan m as de 1.000 horas.
b) Encuentre la probabilidad de que de que el subsistema funcione por m as de 1.000 horas.
5. La probabilidad de que un enfermo se recupere de un padecimiento g astrico es 0.8. Sup ongase que 20 personas
han contrado tal afecci on.
a. Cu al es la probabilidad de que sobrevivan exactamente 14?
b. Cu al es la probabilidad de que al menos 10 sobrevivan?
c. Cu al es la probabilidad de que al menos 14, pero no m as de 18 sobrevivan?
d. Cu al es la probabilidad de que al lo m as 16 sobrevivan?
e. Si 100 personas han contraigo la afecci on g astrica. Cu antos esperamos que sobrevivan?
6. Un examen de selecci on m ultiple est a compuesto de 15 preguntas, con cinco respuestas posibles cada una, de
las cuales una es correcta. Sup ongase que uno de los estudiantes que realiza el examen responde las preguntas
al azar. Cu al es la probabilidad de que conteste correctamente al menos 10 preguntas?
7. Un sistema de protecci on contra cohetes est a construido con n unidades de radar que funcionan independien-
temente, cada una con probabilidad de 0.9 de detectar un cohete que ingrese en la zona que cubren todas las
unidades.
a) Si n =5 y un cohete entra en la zona. Cu al es la probabilidad de que exactamente cuatro unidades detecten
el cohete?
b) Si n = 5 y un cohete entra en la zona. Cu al es la probabilidad de que al menos una unidades detecten el
cohete?
c) Cu al debe ser el valor de n para que la probabilidad de detectar el cohete al entrar a la zona, sea de 0.999?
8. Un fabricante de cera para pisos desarrolla dos productos nuevos, A y B, que desea someter a la evoluci on de
amas de casa para determinar cu al es la mejor. Las dos ceras, A y B, se aplica en los pisos de 15 casas. Se supone
que en realidad no hay diferencia en calidad entre las dos marcas.
a) Cu al es la probabilidad de que 10 o m as amas de casa vayan a preferir la marca A?
b) Cu al es la probabilidad de que 10 o m as amas de casa vayan a preferir la marca A o B?
9. De cada 2.000 tornillos fabricados por una determinada m aquina hay 2 defectuosos. Para realizar el control de
calidad se observan 150 tornillos y se rechaza el lote si el n umero de defectuosos es mayor que 1. Calcular la
probabilidad de que el lote sea rechazado.
10. En pruebas realizadas a un amortiguador para autom ovil se encontr o que el 20% presentaban fuga de aceite. Si
se instalan 20 de estos amortiguadores, hallar la probabilidad de que:
a) 4 salgan defectuosos,
b) m as de 5 tengan fuga de aceite.
c) de 3 a 6 amortiguadores salgan defectuosos.
d) Determine el promedio y la desviaci on est andar de amortiguadores con defectos.
11. Un ingeniero que labora en el departamento de control de calidad de una empresa el ectrica, inspecciona una
muestra al azar de 10 alternadores de un lotes. Si el 15% de los alternadores del lote est an defectuosos. Cu al es
la probabilidad de que en la muestra,
a) ninguno est e defectuoso,
b) uno salga defectuoso,
c) al menos dos salgan defectuosos
d) m as de tres est en con defectos
12. En un almac en en particular los clientes llegan al mostrador de caja, conforme una distribuci on de Poisson con
un promedio de siete por hora. En una hora dada.
a) Cu al es la probabilidad de que no lleguen m as de tres clientes?
b) Cu al es la probabilidad de que lleguen al menos dos clientes?
c) Cu al es la probabilidad de que lleguen exactamente cinco clientes?
13. El n umero de componentes que fallan antes de cumplir 100 horas de operaci on es una variable aleatoria de
Poisson. Si el n umero promedio de estas es ocho:
a) Cu al es la probabilidad de que falle una componente en 25 horas?
b) Cu al es la probabilidad de que fallen no m as de dos componentes en 50 horas?
c) Cu al es la probabilidad de que falle por lo menos diez componentes en 125 horas?
14. Mediante estudios reciente se ha determinado que la probabilidad de morir por causa de cierta vacuna para la
gripe es de 0.00002. Si se administra la vacuna a 100.000 personas y si suponemos que esta constituyen un
conjunto de ensayos independientes:
a) Cu al es la probabilidad de que mueran no m as de dos personas a causa de la vacuna?
b) Cu al es la probabilidad de que mueran exactamente cinco de las personas a causa de la vacuna?
c) Cu al es la probabilidad de que mueran ninguna de las personas a causa de la vacuna?
d) Cu antas personas esperamos se mueran, de las 100.000, a causa de la vacuna?
15. Sea X una variable aleatoria binomial. Para n = 20, calcular las probabilidades puntuales binomiales y com-
pararlas con las correspondientes probabilidades de Poisson para p =0.5, 0.3, 0.1 y 0.01. (Sugerencia: haga
= np)
16. Las lneas telef onicas que entran a una ocina de reservaciones de aerolneas est an ocupadas un 60% del tiempo.
a) Si usted habla en esa ocina, cu al es la probabilidad que le respondan en la primera llamada? En la
segunda? En la tercera?
b) Si usted y un amigo deben hacer llamadas separadas a esta ocina, cu al es la probabilidad de que deban
hacer un total de cuatro intentos para lograr las dos llamadas?
17. Un electrodom estico se vende en dos colores, blanco y caf e, y tiene igual demanda. Un vendedor tiene tres
electrodom esticos de cada color en existencia, aunque esto no lo saben los clientes. Dichos clientes llegan y
piden en forma independiente estos electrodom esticos. Calcular la probabilidad d que
a) el quinto cliente pida el tercer blanco
b) el quinto cliente se lleve el tercer caf e
c) se piden todos los blancos antes del primer caf e
d) se pidan todos los blancos antes que se agoten los caf e.
18. Se denen los requisitos peor de los casos como objetivos de dise no de una marca de terminales de computadora.
Una prueba preliminar r apida indica que 4 de 10 terminales no pasan la prueba del peor de los casos. Se
seleccionan 5 de los 10, en forma aleatoria, para pruebas posteriores. Sea X la variable aleatoria el numero,
entre las 5 terminales, que no pasan la prueba preliminar. Calcular:
a) la funci on de probabilidad y de distribuci on acumulada e interprete
b) el valor esperado y la desviaci on est andar e interprete.
19. Los procedimientos de muestreo para aceptar lotes en una empresa manufaturera electr onica requiere el muestreo
de n artculos de un lote de N artculos, y aceptar el lote si X c, donde X es el n umero de artculos defectuosos
en la muestra. Para un lote de 20 cubiertas de impresoras, se debe mostrar 5. Calcular de aceptar el lote si c = 1,
y si el n umero real de cubiertas defectuosas en el lote es:
a) X = 0, 1, 2, 3, 4
b) Responder la anterior pregunta se c = 2.
20. Se forma una empresa de explotaci on petrolera con suciente capital para nanciar 10 exploraciones. La proba-
bilidad de que una exploraci on en particular se exitosa es de 0.1. Sup ongase que las exploraciones son indepen-
dientes.
a) Encuentre la media y la varianza del n umero de exploraciones exitosas.
b) Sup ongase que la empresa tiene uno costos jos de $20.000 d olares para preparar el equipo antes de la
primera exploraci on. Si cada exploraci on exitosa cuesta $30.000 d olares y cada exploraci on fallida $15.00,
encuentre el costo total esperado de la empresa para las 10 exploraciones.
21. Una venta en particular involucra cuatro artculos seleccionados aleatoriamente de un gran lote que contiene
10% defectuosos. Sea X el n umero de defectos entre los cuatro artculos vendidos. El comprador de los artculos
regresar a los defectuosos para ser reparados, y el costo de reparaci on est a dado por C = 3X
2
+X +2.
a) Encontrar el costo de reparaci on.
b) De una interpretaci on de la funci on C.
22. Un contador p ublico titulado (cpt) ha encontrado que nueve de diez auditoras de compa nas contienen errores
importantes. Si cpt revisa la contabilidad de una serie de compa na. Cu al es la probabilidad de qu e:
a) La primera contabilidad con errores sustanciales sea la tercera contabilidad revisada?
b) La primera contabilidad con errores importantes fuera encontrada despu es de revisar la tercera contabili-
dad?
23. Un lote de televisores est a formado por 5 TV a color (3 de la marca A y 2 de la marca B) y 6 TV blanco y negro
(4 de la marca A y 2 de la marca B). Si se seleccionan sin reemplazo un grupo de 3 TV. Hallar la probabilidad
de:
a) Seleccionar 2 TV de la marca B.
b) Seleccionar 2 TV de la marca A o 2 TV a color.
24. La probabilidad de un lanzamiento exitoso es igual a 0.8. Supongamos que se hacen ensayos de lanzamientos
hasta que han ocurrido 3 lanzamientos exitosos.
a) Cu al es la probabilidad de que sean necesarios 6 ensayos?
b) Suponga que se hacen los ensayos de lanzamientos hasta que ocurren 3 lanzamientos exitosos consecu-
tivos. Responda la pregunta (a) en este caso.
c) Suponga que cada uno de los ensayos de lanzamiento cuesta $5000. Adem as, un lanzamientos que fracase
produce un costo adicional de $500. Calcule el costo esperado para obtener los 3 lanzamientos exitosos.
25. El 20% de los peces de un lago son de la especie A y el resto de otras especies. Un investigador decide realizar el
siguiente experimento: Extraer peces del lago hasta obtener 3 de la especie A (asuma que el m etodo de captura
utilizado por el investigador es igualmente efectivo para con todas las especies).
a. Cu al es la probabilidad de que el investigador realice solamente 10 extracciones?
b. Para la v.a. denida en la parte (a), calcule el valor esperado e interpretarlo.
c. Suponga que en el lago solo hay 50 peces, 10 de los cuales son de la especie A.
d. Cu al es la probabilidad de que en 10 extracciones se obtengan 3 de la especie A?
e. Bajo los supuestos de la pregunta (c), cu al es la probabilidad de que sean necesarias 10 extracciones para
obtener 3 de la especie A?
26. Sup ongase que el n umero de accidentes en una f abrica se puede representar por un proceso de Poisson con un
promedio de 2 accidentes por semana.
a) Encuentre la distribuci on de probabilidades de la variable aleatoria tiempo hasta que ocurra un nuevo
accidente.
b) Cu al es la probabilidad de que el tiempo entre un accidente y el siguiente sea mayor de 3 das?
c) Cu al es la probabilidad de que el tiempo hasta que ocurran cinco accidentes sea mayor a 2 semanas?
d) Si ocurri o un accidente en el tiempo 0, y un da despu es a un no ocurre otro, cu al es la probabilidad de
que pasen dos das m as y a un no halla ocurrido el siguiente accidente?
27. Los empleados de una empresa que fabrican aisladores son examinados para detectar la presencia de asbesto en
sus pulmones. La empresa debe enviar tres empleados con pruebas positivas de asbesto a un centro m edico para
realizarles m as ex amenes. Si el 40% de los empleados tienen pruebas positivas de asbesto en sus pulmones.
a) Encuentre la probabilidad de que se tenga que examinar 10 empalados hasta encontrar el tres con asbestos
en sus pulmones.
b) Si cada prueba cuesta $20 (d olares), encuentre el valor esperado y la varianza del costo total de las pruebas
necesarias hasta encontrar tres empleados con resultados positivos. Piense que es muy probable que el
costo de realizar estas pruebas exceda $350?
28. Se sabe que el 5% de una poblaci on tiene el padecimiento A, que se puede detectar por medio de un an alisis de
sangre. Esto se puede hacer de dos maneras: (1) examinando cada persona por separado: (2) mezclar las muestras
sanguneas de las k personas y despu es analizar la mezcla. (Suponga que N = nk, con n n umero entero). Si la
prueba resulta negativa, todas las personas son sanas (es decir, se necesita un sola prueba). Si la prueba resulta
positiva, se tienen que examinar cada una de las k personas por separado ( es decir, se necesitan k +1 pruebas
en total).
a) Para un valor jo de k, cu al es el valor esperado de de n umero de pruebas necesarias en el caso (2).
b) Encontrar el valor de k que minimiza el valor esperado del n umero de pruebas en el caso (2).
c) cu antas pruebas se ahorran comparando el caso (b) con el caso (1).
29. Un dep osito contiene 10000 partculas y la probabilidad de que una de esas partculas salga del dep osito es igual
a 0.0004. Asuma que cada partcula es independiente de las otras. Cu al es la probabilidad de que ocurran m as
de 3 salidas?
30. El muestreo para encontrar los artculos de un gran lote de producci on revela cierto n umero de artculos defectu-
osos X, que tiene una distribuci on de probabilidad binomial. Un proyecto de muestreo consistente en especicar
el n umero de artculos que deben incluirse en la muestra n, y el n umero de aceptaci on, a. Se acepta el lote
cuando X a y se rechaza el lote si X < a. Sea p la proporci on de artculo defectuosos en el lote. Para n = 5 y
a = 0 calcule la probabilidad de que el lote se aceptado si.
a) p = 0.0
b) p = 0.1
c) p = 0.3
d) p = 0.5
e) p = 1.0
La curva que muestra la probabilidad de aceptar un lote se llama curva caracterstica de operaci on para el
proyecto de muestreo. Construya la curva caracterstica de operaci on para el proyecto de muestreo n = 5, a = 0.
Obs ervese que un proyecto de muestreo es un ejemplo de la inferencia estadstica. La aceptaci on o el rechazo
de un lote basado en la informaci on contenida en una muestra es equivalente a la conclusi on de que el lote es
bueno o malo respectivamente. Bueno implica una fracci on peque na de artculos defectuosos y que el lote es
apropiado para ser enviado.
31. Construya la curva caracterstica de operaci on del problema anterior para los proyectos muestrales siguientes:
a) n = 10, a = 0
b) n = 10, a = 1
c) n = 10, a = 2
En cada caso, calcular la probabilidad para p = 0, 0.05, 0.1, 0.3, 1.0. se incluye que es mucho menos probable
que el proyecto de muestreo (a.) acepte un lote malo que los proyectos (b.) y (c.). Una comparaci on visual las
curvas caractersticas de operaci on conrman estas conclusiones intuitivas.

Libroestadistica PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Libroestadistica PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD POPULAR DEL CESAR

ISTICA CON APLICACIONES

INDICE GENERAL Universidad Popular del Cesar

ON Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ERICAS DESCRIPTIVAS Universidad Popular del Cesar

ASICAS Universidad Popular del Cesar

ASICAS Universidad Popular del Cesar

ASICAS Universidad Popular del Cesar

ASICAS Universidad Popular del Cesar

ASICAS Universidad Popular del Cesar

(x) existe excepto

|x| f (x) <

g(x) f (x)dx si X y g(x) son continuas.

(ax +b) f (x)dx

ON BINOMIAL Universidad Popular del Cesar

ON BINOMIAL Universidad Popular del Cesar

ON BINOMIAL Universidad Popular del Cesar

ON POISSON Universidad Popular del Cesar

ON POISSON Universidad Popular del Cesar

ON POISSON Universidad Popular del Cesar

ON POISSON Universidad Popular del Cesar

ETRICA Universidad Popular del Cesar

ETRICA Universidad Popular del Cesar

ETRICA Universidad Popular del Cesar

ON BINOMIAL NEGATIVA Universidad Popular del Cesar

ON BINOMIAL NEGATIVA Universidad Popular del Cesar

ETRICA Universidad Popular del Cesar

ETRICA Universidad Popular del Cesar

ETRICA Universidad Popular del Cesar

Você também pode gostar