Estadstica I: Probabilidad Ejemplo: Suponga que se seleccionan tres artculos de

Prof: Mario Jos Pacheco Lpez forma aleatoria de un proceso de fabricacin. Cada artcu-
https://sites.google.com/site/wmariojpl lo se inspecciona y se clasifica como defectuoso y no de-
fectuoso, el espacio muestral es:
1. Definiciones
S = {DDD, DDN, DND, NDD, DNN, NDN, NND, NNN}
Experimento aleatorio: Un experimento que puede dar
lugar a resultados diferentes, a pesar de que se repite de
Ejemplo: Un inspector de control de calidad eligi una
la misma manera cada vez, se denomina un experimento
pieza fabricada para probarla. Posteriormente se estable-
aleatorio.
ce si la parte se acepta, se repara, o se desecha. Despus
se prueba otra. Mencione todos los posibles resultados de
Espacio Muestral: El conjunto de todos los posibles este experimento.
resultados de un experimento aleatorio se llama espacio
muestral del experimento. El espacio muestral se denota
S = {AA, AR, RA, AD, DA, RR, RD, DR, DD}
como S.
Un espacio muestral es discreto si se compone de un
conjunto finito o infinito numerable de resultados. Un es- Evento: Un evento es un subconjunto del espacio mues-
pacio muestral es continuo si contiene un intervalo (finito tral de un experimento aleatorio.
o infinito) de nmeros reales.
El evento formado por todos los posibles resultados
Ejemplo: Considere un experimento en el que se selec- en E1 o E2 o en ambos, recibe el nombre de la unin
ciona una pieza de plstico moldeado y se le mide su es- de E1 y E2 : E1 E2 .
pesor. Los posibles valores para el espesor dependern de
del instrumento de medicin y de los lmites superior e in- El evento formado por todos los resultados comunes
ferior para el espesor. Sin embargo, podra ser conveniente tanto a E1 como a E2 , recibe el nombre de intersec-
definir el espacio muestral simplemente como: cin de E1 y E2 : E1 E2 .
S = R+ = {x | x > 0}
El complemento de un evento E con respecto al es-
Si se sabe que todos los espesores estarn entre 10 y 11 pacio muestral S, es aquel que contiene a todos los
milmetros, el espacio de muestra podra ser resultados de S que no se encuentran en S: E 0 .
S = {x | 10 < x < 11}
Si el objetivo del anlisis es considerar slo si el espesor Ejemplo: Del ejemplo anterior, sea el evento A: al me-
es grande, mediano o pequeo, nos una pieza se repara,
s = {grande, mediano, pequeo}
A = {AR, RA, RR, RD, DR}
Si el inters es considerar slo si la pieza se ajusta a las
especificaciones de fabricacin,
Ejemplo: Dado el espacio muestral S = {t : t 0}, don-
S = {Si, No}
de t es la vida en aos de cierto componente, entonces el
Si el experimento consiste en medir dos piezas en lugar de evento B de que el componente falle antes de que finalice
una, el espacio muestral es: el quinto ao es el subconjunto:
S = R+ R+
B = {t : 0 t < 5}
y si el objetivo del anlisis es considerar slo si las piezas
se ajustan a las especificaciones de fabricacin,
Eventos Mutuamente Excluyentes: Dos eventos, E1 y
S = {SS, SN, NS, NN}
E2 , tal que
y si el inters es el nmero de piezas que se ajustan a las E1 E2 = 0/
especificaciones,
S = {0, 1, 2} se dicen mutuamente excluyentes.

1
Probabilidad: La probabilidad es un nmero que se Regla de la Multiplicacin: Para dos eventos A y B
asigna a cada miembro de una coleccin de eventos de
un experimento aleatorio que satisface las siguientes pro- P (A B) = P (A) P (B | A) = P (B) P (A | B)
piedades (Axiomas de Probabilidad):
Si S es el espacio muestral y E es cualquier evento en
un experimento aleatorio, Regla de la Probabilidad Total: Para dos eventos A y
B
1. P (S) = 1
P (B) = P (B A) + P B A0


2. 0 P (S) 1
= P (A) P (B | A) + P A0 P B | A0

3. Para dos eventos E1 y E2 con E1 E2 = 0,

/
Independencia: Dos eventos son independientes si
P (E1 E2 ) = P (E1 ) + P (E2 )
cualquiera de las siguientes afirmaciones es verdadera:

Regla de la Suma Para dos eventos A y B P (A | B) = P (A)

P (A B) = P (A) + P (B) P (A B)
P (B | A) = P (B)

Ejemplo: Un sistema contiene dos componentes A y B P (A B) = P (A) P (B)

de manera que este funciona si cualquiera de los dos com-
ponentes funciona. Se sabe que la probabilidad de que A
funcione es P (A) = 0.9 y la de B es P (B) = 0.8, y la pro- Teorema de Bayes: Si E1 , E2 , ..., Ek son k eventos mu-
babilidad de ambos es P (A B) = 0.72 entonces la proba- tuamente excluyentes y exhaustivos y B es cualquier even-
bilidad de que el sistema funciones es to,
P (B | E1 ) P (E1 )
P (E1 | B) = k
P (A B) = P (A) + P (B) P (A B) i=1 P (B | Ei ) P (Ei )
= 0.9 + 0.8 0.72
para P (B) > 0.
= 0.98

Probabilidad Condicional: La probabilidad condicio- Ejemplo: Durante los ltimos aos se ha escrito mucho
nal de un evento B dado un evento A, denotada como sobre la posible relacin entre fumar y el cncer pulmonar.
P (B | A), es Supnga que en un centro mdico, de todos los fumado-
P (A B) res de quienes se sospecha que tenan cancer pulmonar, el
P (B | A) = 90 % lo tena mientras que nicamente el 5 % de los no
P (A)
fumadores lo padeca. Si la proporcion de fumadores es
con P (A) > 0. de 45 %, cul es la probabilidad de que un paciente con
cancer pulmonar, seleccionado al azar, sea fumador?
Ejemplo: El 60 % de los individuos de una poblacin Sea: B1 : Fumador, B2 : No Fumador y A: Tener cancer
estn vacunados contra una cierta enfermedad. Durante pulmonar, entonces
una epidemia se sabe que el 20 % la ha contrado y que 2
de cada 100 individuos estn vacunados y son enfermos. P (A | B1 ) = 0.90 ; P (A | B2 ) = 0.05
Calcular el porcentaje de vacunados que enferma y el de P (B1 ) = 0.45 P (B2 ) = 0.55
vacunados entre los que estn enfermos.
y
P (V ) = 0.6 P (E) = 0.2 P (V E) = 0.02
P (B1 ) P (A | B1 )
P (B1 | A) =
P (V E) 0.02 P (B1 ) P (A | B1 ) + P (B2 ) P (A | B2 )
P (E | V ) = =
P (V ) 0.6 0.45 0.90
=
P (V E) 0.02 0.45 0.90 + 0.55 0.05
P (V | E) = =
P (E) 0.2 = 0.9364

2
Ejemplo: Con base en varios estudios una compaia ha Ejemplo: Sea X una v.a. que representa el nmero de
clasificado, de acuerdo con la posibilidad de descubrir pe- clientes que llega a un banco en un periodo de 15 minutos,
trleo, las formaciones geolgicas en tres tipos. La com- con funcin masa de probabilidad:
paia pretende perforar un pozo en un determinado sitio,
al que se le asignan las probabilidades de 0.35, 0.40 y x 0 1 2 3 4 5 6 7 8
0.25 para los tres tipos de formaciones respectivamente. f (x) 0.05 0.1 0.1 0.1 0.2 0.25 0.1 0.05 0.05
De acuerdo con la experiencia, se sabe que el petrleo se
encuentra en un 40 % de formaciones tipo I, en un 20 % de La probabilidad de lleguen entre 3 y 6 clientes es:
formaciones tipo II y en un 30 % de formaciones tipo III.
Si la compaia descubre petrleo en ese lugar, determine P (3 X 6) = f (3) + f (4) + f (5) + f (6)
la probabilidad de que exista una formacin tipo II. = 0,1 + 0,2 + 0,25 + 0,1
Sea B1 : Tipo 1, B2 : Tipo 2, B3 : Tipo 3 y A: Descubrir = 0,65
petrleo, entonces

P (B1 ) = 0.35 , P (B2 ) = 0.40 , P (B3 ) = 0.25 Funcin de distribucin acumulada: La funcin de
P (A | B1 ) = 0.40 , P (A | B2 ) = 0.20 , P (A | B3 ) = 0.30 distribucin acumulada de una v.a. discreta X, F (x), es

As, F (x) = P (X x) = f (xi )

xi x
P (B2 ) P (A | B2 )
P (B2 | A) =
P (B1 ) P (A | B1 ) + P (B2 ) P (A | B2 ) + P (B3 ) P (A | B3 )
Ejemplo: Para el ejemplo anterior:
0.40 0.20
=
0.35 0.40 + 0.40 0.20 + 0.25 0.30
x 0 1 2 3 4 5 6 7 8
= 0.0788
F (x) 0.05 0.15 0.25 0.35 0.55 0.8 0.9 0.95 1

2. Variables Aleatorias: Esperanza y varianza de una v.a discreta: La media

o el valor esperado de una variable aleatoria discreta X,
Una variable aleatoria es una funcin que asigna un n- E (X), es
mero real a cada resultado en la espacio muestral de un E (X) = x f (x)
x
experimento aleatorio.
Una variable aleatoria se dice discreta si tiene un rango tambin
finito (o infinito numerable). Una variable aleatoria se dice E (h (X)) = h (x) f (x)
x
continua si su rango es un intervalo (finito o infinito) de
nmeros reales. La varianza de X, V (X), es
Ejemplos de variables aleatorias continuas son la co-
rriente elctrica, longitud, presin, temperatura, tiempo, V (X) = E (X E (X))2 = (x E (X)) f (x)
x
tensin, peso. Ejemplos de variables aleatorias discretas
= E X [E (X)] = x2 f (x) [E (X)]2
2 2


son el nmero de unidades defectuosas o el nmero de in-
x
dividuos que se contagian por una enfermedad.
2
se acostumbra escribir = E (X), = V (X),
Tambin
= 2.
Funcin masa de probabilidad: Para una variable
aleatoria discreta X con valores positivos x1 , x2 ,... xn , una
funcin masa de probabilidad es una funcin tal que Ejemplo: Para el ejemplo anterior:

= E (X) = 0 0.05 + 1 0.1 + + 8 0.05 = 4

1. f (xi ) 0
E X = 02 0.05 + 12 0.1 + + 82 0.05 = 20.1
2


n
2 = V (X) = 20.1 42 = 4.1
2. f (xi ) = 1
i=1 = 4.1 = 2.025

3. f (xi ) = P (X = xi ) As, el nmero esperado de clientes es 4 (4 2.025).

3
Funcin de densidad de probabilidad: Para la v.a. Ejemplo: Para el ejemplo anterior:
continua X, definida en el conjunto de nmeros reales R,
f (x) es una funcin de densidad de probabilidad de X, si: 1
E (X) = 42x2 (1 x)5 dx
1. f (x) 0, para todo x R. 0
"
8 1
#
2. f (x) dx = 1 7 (1 x)
= 7x2 (1 x)6 2x (1 x)
b 4
3. P (a < X < b) = a f (x) dx 0
= 0.25
1
Ejemplo: Considere la v.a. que representa la proporcin 2
42x3 (1 x)5 dx


E X =
de accidentes automovilsticos fatales en una regin, con 0
funcin de densidad h
= 7x3 (1 x)6 3x2 (1 x)7
5
f (x) = 42x (1 x) , 0<x<1 1
3 8 1 9
Cul es la pobabilidad de que entre un 10 % y un 20 % de x (1 x) (1 x)
4 72 0
los accidentes automovilsticos sean fatales?
0.2 = 0.0833
5
P (0.1 X 0.2) = 42x (1 x) dx V (X) = 0.0833 0.252 = 0.0208
0.1
h i0.2
= 7x (1 x)6 (1 x)7 As, la proporcin esperada de accidentes es 0.25 (0.25
0.1
= 0.2736 0.144).
(hacer u = 42x, du = 42dx, dv = (1 x) dx y v =5 Grfico de la funcin de densidad y la media:
(1 x)6 /6)

Funcin de distribucin acumulada: Para una v.a.

continua X, la funcin de distribucin acumalada, F (x),
es
2.5

F (x) = P (X x)
x
2.0

= f (x) dx

1.5
f(x)

Ejemplo: Para el ejemplo anterior:

1.0

x
P (X x) = 42x (1 x)5 dx
0.5

0
= 7x(1 x)6 (1 x)7 + 1
0.0

0.0 0.2 0.4 0.6 0.8 1.0

Esperanza y varianza de una v.a continua: La media x

o el valor esperado de una variable aleatoria continua X,

E (X), es
E (X) = x f (x) dx

tambin
E (h (X)) = h (x) f (x) dx

La varianza de X, V (X), es

2
V (X) = E (X E (X)) = (x E (X)) f (x) dx


= E X 2 [E (X)]2 = x2 f (x) dx [E (X)]2

4
3. Algunas distribuciones discretas de Dado que n = 15 y p = 0.05, la probabilidad pedida es
probabilidad P (X 2) = 1 P (X < 2)
3.1. La distribucin Binomial = 1 [ f (0 | 15, 0.05) + f (1 | 15, 0.05)]
h i
= 1 (0.95)15 + (15) (0.05) (0.95)14
Sea X una v.a. que representa el nmero de xitos en
n ensayos independientes y p la probabilidad de xito en = 1 0.4633 0.3658
cualquiera de estos. Entonces se dice que X tiene una dis- = 0.1709
tribucin Binomial con funcin de probabilidad
  Ejemplo: Aproximadamente el 30 % de todas las fallas
n x nx de operacin de tuberas en plantas qumicas son ocasio-
f (x | n, p) = p (1 p) , x = 0, 1, ..., n
x nadas por errores del operador. Cul es la probabilidad
de que de las siguientes 20 fallas al menos una se deba a
Adems, E (X) = np y V (X) = np (1 p). un error del operador?
Se tiene que n = 20 y p = 0.3, entonces

Ejemplo: La probabilidad de que un paciente se recupe- P (X 1) = 1 P (X < 1)

re de una rara enfermedad sangunea es 0.4. Si se sabe que = 1 f (0 | 20, 0.3)
15 personas contraen esta enfermedad, cul es la proba-
= 1 0.720
bilidad de que sobrevivan entre 1 y 3 pacientes?
Como n = 15 y p = 0.4, entonces = 0.9992

P (1 X 3) = f (1 | 15, 0.4) + f (2 | 15, 0.4) + f (3 | 15, 0.4) 3.2. La distribucin Poisson

14 2 13
= (15) (0.4) (0.6) + (105) (0.4) (0.6) Sea X una v.a. que representa el nmero de eventos
+ (455) (0.4)3 (0.6)12 aleatorios independientes que ocurren por unidad de tiem-
= 0.0900 po. Entonces se dice que X tiene una distribucin Poison
con funcin de probabilidad

Ejemplo: Se sabe que la probabilidad de que un indivi- f (x | ) = e x /x!, x = 0, 1, ...

duo reaccione desfavorablemente tras la inyeccin de una
vacuna es de 0.002. Determinar la probabilidad de que en con > 0 el nmero promedio de eventos por unidad de
un grupo de 20 personas vacunadas haya no ms de una tiempo. Adems, E (X) = y V (X) = .
que reacciones desfavorablemente.
Aqu n = 20 y p = 0.002, por tanto la probabilidad pe- Ejemplo: Suponga que en un cruce transitado ocurren
dida es tres accidentes por semana. Determinar la probabilidad de
que ocurran dos accidentes en una semana.
P (X 1) = f (0 | 20, 0.002) + f (1 | 20, 0.002)
e3 32
20
= 0.998 + (20) (0.002) (0.998) 1 19 P (X = 2) = f (2 | 3) = = 0.224
2!
= 0.9993
Ejemplo: El nmero promedio de nacimientos en un
hospital por mes es de 10. Cul es la probabilidad de
Ejemplo: Todos los das se seleccionan, de manera que se produzcan al menos cuatro nacimientos el prxi-
mo mes?
aleatoria, 15 unidades de un proceso de manufactura con
el propsito de verificar el porcentaje de unidades defec- P (X 4) = 1 P (X < 4)
tuosas en la produccin. Con base en informacin pasada = 1 [ f (0 | 10) + f (1 | 10) + f (2 | 10) + f (3 | 10)]
la probabilidad de tener una unidad defectuosa es de 0.05.  10 0
e10 101 e10 102 e10 103

e 10
La gerencia ha decidido detener la produccin cada vez = 1 + + +
0! 1! 2! 3!
que una muestra de 15 unidades tenga dos o ms defec- 21
tuosas, cul de la probabilidad de que, en cualquier da, = 1 e (1 + 10 + 50 + 333.3333)
la produccin se detenga? = 0.9821

5
Ejemplo: El nmero de clientes que llega a un banco Ejemplo: En un estudio se capturan 10 animales para su
es una v.a. Poisson. Si el nmero promedio es de 120 por estudio, se etiquetan y se sueltan en una regin. Despus
hora, cul es la probabilidad de que en un minuto lleguen de un tiempo se selecciona una muestra de 15 animales,
por lo menos tres clientes? cul es la probabilidad de que tres o ms de estos se-
Para una hora = 120 pero para un minuto = leccionados sean animales etiquetados, si hay 25 de estos
120/60 = 2, por tanto animales la regin?
Aqu N = 25, n = 15 y k = 10, as
P (X 3) = 1 P (X < 3)
= 1 [ f (0 | 2) + f (1 | 2) + f (2 | 2)] P (X 3) = 1 P (X < 3)
 2 0
e2 21 e2 22

e 2 2
= 1 + + = 1 f (0 | 40, 8, 2)
0! 1! 2!
x=0
= 1 e2 (1 + 2 + 2) = 0.3233   
10 25 10
2 x 15 x
Ejemplo: El nmero promedio de buques que llega cada = 1  
x=0 25
da a cierta ciudad portuaria es 10. Las instalaciones en el
15
puerto pueden manejar a lo ms 5 buques por da. Cul es
la probabilidad de que en un da dado los buques se tengan = 1 0.0015
que regresar? = 0.9985
La probabilidad pedida es
5  x
10 10 3.4. Distribucin Binomial Negativa
P (X > 15) = 1 P (x 5) = 1 e
x=0 x!
 0 Sea X + k el nmero de ensayos independientes nece-
5

10 10 sarios para alcanzar, de manera exacta, k xitos en un ex-
= 1 e10 ++
0! 5! perimento binomial en donde la probabilidad de xito en
= 0.9329 cada ensayo es p. La f.m.p. de X es:
 
k+x1 x = 0, 1, ...
3.3. La distribucin Hipergeomtrica f (x | k, p) = pk (1 p)x ,
k1 k = 1, 2, ...
Es la distribucin de probabilidad de la v.a. X que cuen-
ta el nmero de xitos en una muestra aleatoria de tamao donde p es la probabilidad de xito en cada ensayo. Ade-
n que se selecciona de N artculos de los que k se denomi- ms, E (X) = k (1 p) /p y V (X) = k (1 p) /p2 .
nan xito y N k fracaso. La probabilidad de que de que x
sean xitos y n x sean fracasos, est dada por la funcin
     Ejemplo: Se sabe que en cierto proceso de fabricacin,
k N k N
f (x | N, n, k) = , x = 0, 1, ..., k en promedio, uno de cada 100 artculos est defectuoso.
x nx n
Cul es la probabilidad de que el quinto artculo que se
Nn nk k


Adems, E (X) = nk/N, V (X) = N1 N 1 N . inspecciona sea el segundo defectuoso que se encuentra?
Como p = 1/100 = 0.01 y k = 2, entonces
Ejemplo: Un fabricante de automviles que compra los  
2 + 3 1
motores a una compaa donde se fabrican bajo estrictas f (3 | 2, 0.01) = 0.012 (1 0.01)3 = 0.00039
21
especificaciones. El fabricante recibe un lote de 40 mo-
tores. Su plan para aceptar el lote consiste en seleccionar
ocho, de manera aleatoria, y someterlos a prueba. Si en- Ejemplo: En un departamento de control de calidad se
cuentra que ninguno de los motores presenta serios defec- inspeccionan las unidades terminadas que provienen de
tos, el fabricante acepta el lote; de otra forma lo rechaza. una lnea de ensamble. Se piensa que la proporcin de uni-
Si el lote contiene dos motores con serios defectos, cul dades defectuosas es de 0.05. Cul es la probabilidad de
es la probabilidad de que sea aceptado? que la vigsima unidad inspeccionada sea la tercera que
Como N = 40, n = 8 y k = 2, la probabilidad de acep- se encuentre defectuosa?
tacin es Como p = 0.05 y k = 3, entonces
    
2 38 40
 
3 + 17 1
f (0 | 40, 8, 2) = = 0.6359 f (17 | 3, 0.05) = 0.053 (1 0.05)17 = 0.0089
0 6 8 31

6
4. Algunas distribuciones continuas de 4.2. Distribucin Weibull
probabilidad Si una variable aleatoria X tiene distribucin Weibull,
su funcin de densidad de probabilidad est dada por:
4.1. Distribucin exponencial
1 (x/ ) x>0
Si una variable aleatoria X tiene distribucin exponen- f (x | , ) = x e ,
, > 0
cial, su funcin de densidad de probabilidad est dada por:
Adems, E (X) = (1 + 1/) y
1
f (x | ) = ex/ , x > 0, > 0 V (X) = 2 (1 + 2/) 2 1 + 1/ 2



Para esta v.a., la funcin de distribucin acumulada vie-
Adems, E (X) = y V (X) = 2 .
ne dada por:
Para esta v.a., la funcin de distribucin acumulada vie- x
ne dada por:
F (x | , ) = x1 e(x/ ) dx
x
0
1 x/ x/
F (x | ) = e dx = 1 e = 1 e(x/ )
0

Ejemplo: Un fabricante de lavadoras garantiza sus pro-

Ejemplo: En una investigacin con ratas se determin
ductos contra cualquier defecto durante el primer ao de
que el tiempo de sobrevivencia en semanas cuando se les
uso. l ha estimado que el costo de reparacin es de
somete a una dosis de un txico que se descarga con fre-
$75.000 durante el periodo de garanta. Si el tiempo, en
cuencia en la atmsfera desde el combustible de los avio-
meses, en el que ocurre la primera falla es una variable
nes, sigue una distribucin exponencial con = 60. Cal-
aleatoria Weibull con = 2 y = 40, y el fabricante es-
cule la probabilidad de que el tiempo de sobrevivencia su-
pera vender 10000 unidades, determine el costo esperado
pere las 70 semanas.
de la garanta para el fabricante.
La probabilidad pedida es:
Sea X Ga (2, 40) el tiempo hasta que ocurre la prime-
P (X > 70) = 1 P (X 70) = 1 F (70 | 60) ra falla, entonces
  2
= 1 1 e70/60 P (X 12) = F (x | , ) = 1 e(12/40)
= 0.0861
= e70/60 = 0.3114
Por tanto el nmero esperado de fallas durante el periodo
Ejemplo: El tiempo de reparacin de una mquina tiene de garanta es 10000 0.0861 = 861, con un costo espe-
0
una distribucin exponencial con media de 22 minutos. rado de 861 $75000 = $64 575.000.
Hallar la probabilidad de que el tiempo de reparacin sea
menor a 15 minutos. Ejemplo: Un sistema est formado por dos componen-
Como E (X) = 22, entonces = 22. La probabilidad tes independientes A y B. El sistema permanece operando
pedida es entonces mientras uno o ambos componentes funcionen. Si el tiem-
po de vida del componente A es We (1/2, 10) y el de B
P (X < 15) = P (X 15) = 1 e15/22 es We (2, 12), cul es la probabilidad de que el sistema
= 0.4943 trabaje ms de 20 horas?
Aqu, la probabilidad de que el sistema funcione ms
Ejemplo: El tiempo medio de eliminacin de una droga de 20 horas corresponde a
es de 5 das. Si se asume una distribucin exponencial para P (A20 B20 ) = P (A20 ) + P (B20 ) P (A20 ) P (B20 )
dicho tiempo, cul es la probabilidad de que el tiempo de
eliminacin se encuentre entre 3 y 7 das? pero
Como E (X) = 5, entonces = 5, de donde
 1/2

P (A20 ) = 1 1 e(20/10) = 0.2431
P (3 X 7) = P (X 7) P (X < 3)
 2

  P (A20 ) = 1 1 e(20/12) = 0.0183
= 1 e7/5 1 e3/5
por tanto
3/5 7/5 P (A20 B20 ) = 0.2569
= e e = 0.3022

7

4.3. Distribucin Beta Dado que = 100 y = 10, entonces
Si una variable aleatoria X tiene distribucin Beta, su P (X > 95) = 1 P (X 95)
funcin de densidad de probabilidad est dada por: 
95 100

= 1P Z
10
( + ) 1 0<x<1
f (x | , ) = x (1 x) 1 , = 1 P (Z 1.58)
() ( ) , > 0
= 1 0.057
Adems, E (X) = / ( + ) y = 0.943

y
V (X) =
( + )2 ( + + 1) P (95 < X < 105) = P (X < 105) P (X 95)
 
105 100
La funcin gamma, (), viene dada por: =P Z
10
 
95 100
() = u1 eu du P Z
0 10
= P (Z 1.58) P (Z 1.58)
pero si es un entero () = ( 1)! = 0.943 0.057
= 0.886
Ejemplo: La proporcin de unidades defectuosas en un
proceso de fabricacin es una variable aleatoria Beta con Ejemplo: En un rea de estudio determinada, el conte-
= 1 y = 20. Cul es la probabilidad de que la propo- nido de calcio (en mmolc /dm3 ) en muestras de suelo to-
cin de unidades defectuosas sea mayor que un 5 %? madas de la capa 0-20cm sigue una distribucin aproxi-
Como madamente normal con media 50.7 y desviacin estndar
(1 + 2) 11 11.1. Calcule la probabilidad de que el contenido de cal-
f (x | 1, 2) = x (1 x)21 cio no supere los 60 mmolc /dm3 . El 25 % de todos los
(1) (2)
contenidos de calcio es inferior o igual a qu valor?
= 2 (1 x) , 0 < x < 1
Aqu, = 50.7 y = 11.1, por tanto
por tanto  
60 50.7
P (X 60) = P Z
1 11.1
P (X > 0.05) = 2 (1 x) dx = P (Z 0.838)
0.05

1 = 0.799
= 2x x2 0.05
= 0.9025 Por su parte, si el 25 % de todos los contenidos de calcio
es inferior o igual a x.25 , entonces
4.4. Distribucin Normal
P (X x.25 ) = 0.25
Se dice que una v.a.

X se encuentra normalmente distri-
buida, X N , 2 , si su funcin de densidad de proba- por tanto  
bilidad est dada por x.25 50.7
P Z = 0.25
11.1
1 1 x 2
f (x) = e 2 ( ) < x < de donde
2 x.25 50.7
= 0.674
11.1
con < < y > 0. Adems, E (X) = y V (X) =
as despejando se tiene que
2.
x.25 = (11.1) (0.674) + 50.7
Ejemplo: Sea X una v.a. que representa la inteligencia = 43.2
medida por medio de pruebas CI. Si X N (100, 10), ob-
tener las probabilidades de que X sea mayor que 95 y entre
95 y 105.