Professional Documents
Culture Documents
35
Captulo 3.
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
3.1. Introduccin.
En el lenguaje corriente se utiliza el termino "probabilidad" para designar el grado
de confianza que una persona tiene sobre la ocurrencia de un determinado suceso
futuro.
La probabilidad es una parte de nuestras vidas cotidianas. En la toma de decisiones
personales y administrativas, nos enfrentamos a la incertidumbre y la utilizamos la
teora de la probabilidad, admitimos o no el uso de algo tan complejo. Cuando
escuchamos una prediccin de un 70% de posibilidades de lluvia, cambiamos
nuestros planes de salir el da de campo y nos quedamos viendo televisin o
escuchando msica. Los administradores que se encargan de inventarios de ropa de
moda para mujer deben preguntarse sobre las posibilidades de que las ventas
alcancen o excedan un cierto nivel.
3.2. Experimento aleatorio, espacio muestral, eventos.
3.2.1. Experimento aleatorio. Es todo proceso que consiste de la ejecucin de
un acto (o prueba) una o ms veces, cuyo resultado en cada prueba depende del
azar y en consecuencia no se puede predecir con certeza.
Por ejemplo, son experimentos aleatorios: lanzar un dado y observar el resultado,
contar objetos defectuosos producidos diariamente por cierto proceso, aplicar una
encuesta para obtener opiniones, etc.
3.2.2. Espacio muestral. Se denomina espacio muestral al conjunto que consiste
de todos los resultados posibles de un experimento aleatorio. Este conjunto se
denota por .
Cada resultado posible de un experimento aleatorio es un elemento del espacio
muestral y se denomina tambin punto muestral.
Ejemplo 3.1. Sea el experimento aleatorio de lanzar una moneda y un dado a la
vez, y observar los resultados posibles. En este caso espacio muestral es el
conjunto:
1 = { 1C, 2C, 3C, 4C, 5C, 6C, 1S, 2S, 3S, 4S, 5S, 6S
Ejemplo 3.2. El experimento aleatorio de lanzar una moneda 3 veces, consiste de 3
pruebas, cuyo espacio muestral puede escribirse como el conjunto de ternas ordenadas:
36
2. Prueba
3. Prueba
puntos muestrales
CCC
S
C
CCS
CSC
CSS
SCC
S
C
SCS
SSC
SSS
C
C
S
C
S
S
Figura 3.1. Diagrama del rbol.
37
resultado del cual no se tiene plena certeza, pero en virtud de la informacin que se
tiene del pasado o de la compresin de la estructura del experimento, se logra cierto
grado de confianza en la validez de la aseveracin.
3.3.1. Definicin de probabilidad. La probabilidad de un evento es la razn entre el
nmero de casos favorables y el nmero total de casos posibles.
La probabilidad del evento A, denotado por " P(A)" es expresada como:
P ( A)
38
P ( A1 A2 ... An ) P ( A1 ) P ( A2 ) .... P ( An )
Ejemplo 3.4. Los empleados de una cierta compaa han elegido a cinco de ellos
para que les representen en el consejo administrativo y de personal sobre
productividad. Los perfiles de los cinco elegidos son:
1. hombre
2. hombre
3. mujer
4. mujer
5. hombre
edad 30
32
45
20
40
2
1
3
2
+
=
5
5
5
5
2 3 3
1
5 8 4 40
39
A B
15 14 29
40 40 40
10
40
P( A B)
, si P( A) 0
P ( A)
40
Ejemplo 3.6. Dos divisiones de productos distintos de una empresa grande son
productos marinos (M) y equipos de oficina (O). Se estima que la probabilidad de
que productos marinos tenga un margen de utilidad de cuando menos 10% en este
ao fiscal es de 0.30, la probabilidad de que la divisin de equipo de oficina tenga un
margen de utilidad de cuando menos 10% es 0.20 y la probabilidad de que ambas
divisiones tengan un margen de utilidad de cuando menos 10% es 0.06.
a) Determinar la probabilidad de que la divisin de equipo de oficina tenga un
margen de utilidad de cuando menos 10%, dado que la Divisin de productos
marinos alcanza ese criterio de utilidad.
b) Aplique una prueba apropiada para determinar si el logro de la meta de utilidades
de las dos divisiones es estadsticamente independiente.
Solucin.
P(O M ) 0.06
0.20
P(M )
0.30
a)
P (O / M )
b)
P (O M ) P (O )P ( M )
41
b) Si el auditor elige al azar dos cuentas (sin reemplazo), cul es la probabilidad de que
ninguna de las cuentas contenga error de procedimiento?
c) Si el auditor muestrea tres cuentas, cul es la probabilidad de que ninguna de las
cuentas incluya el error?d) Si el auditor muestrea dos cuentas al azar, cul es la probabilidad de que cuando menos
una de ellas tenga error?
Solucin.
a) En este caso los eventos son dependientes porque el resultado de la primera
cuenta de la muestra afecta las probabilidades que se aplican a la segunda.
Sean los eventos:
P ( E1 E 2 ) P ( E1 )P ( E 2 / E1 )
b) P ( E1 E 2 ) P ( E1 )P ( E 2 / E1 )
c)
4
3
12
0.091
12 11 132
8
7
56
0.424
12 11 132
P ( E1 E 2 E 3 ) P ( E1 )P ( E 2 / E1 )P ( E 3 / E1 E 2 )
8 7 6
336
0.2545
12 11 10 1320
4 3
4 8
8 4
76
0.5758
12 11 12 11 12 11 132
P ( A) P ( Bi )P ( A / Bi )
i 1
42
a) Al utilizar I e I para indicar que se dan los aumentos y que no se dan aumentos en
las inversiones de capital, y utilizando A y A para representar los aumentos y los
no aumentos en los precios del acero estructural, construya un diagrama de rbol
para est situacin que implica eventos dependientes.
b) Cul es la probabilidad global de un aumento en el precio del acero estructural
del siguiente ao?
Solucin.
a)
0.90
0.10
0.40
0.60
0.60
0.40
que P(Bi) >0 para i =1, 2, ..., k, entonces para cualquier evento A en tal que P(A)
>0,
P(B r /A)
P(B r )P(A/B r )
k
P(B )P(A/B )
i 1
para i = 1, 2, ... , k
Ejemplo 3.9. Con respecto al ejemplo 3.8, suponga que, de hecho, aumentan los
precios del acero estructural en el siguiente ao. Cul es la probabilidad de que haya
habido un aumento en las inversiones de capital?.
Solucin. Mediante la frmula de Bayes, tenemos:
P(I/A)
P(I)P(A/I)
(0.60)(0.90)
0.54
0.77
43
44
b) 2 V(X) np(1 p)
Ejemplo 3.12. Debido a las elevadas tasas de inters, una empresa reporta que el 30% de sus
cuentas por cobrar de otras empresas estn vencidas. Si un contador toma una muestra
aleatoria de cinco de esas cuentas, determine la probabilidad de cada uno de los siguientes
eventos: a) ninguna de las cuentas est vencida, b) exactamente dos cuentas estn vencidas,
c) a lo ms hay tres cuentas vencidas d) la mayor parte de las cuentas estn vencidas e)
exactamente el20% de las cuentas estn vencidas.
Solucin.
Sea la variable aleatoria X: nmero de cuentas vencidas, R X ={ 0, 1, 2, 3, 4, 5
X ~ B(5, 0.3)
5
0
5
a) P ( X 0 / n 5, p 0.30) (0.30) (0.70) 0.16807
0
5
(0.30) 2 (0.70) 3 0.3087
2
P ( X 3 ) P ( X 0) P ( X 1) P( X 2) P ( X 3)
b) P ( X 2)
c)
d) P ( X 3 ) P ( X 3) P( X 4) P ( X 5) 0.1631
e) P(
45
X
0.20 ) P ( X 1 ) 0.3602
n
46
e x
,
x!
x = 0, 1, 2, ... ,
b) V(X) =
Ejemplo 3.14. Suponga que llegan en forma aleatoria una serie de llamadas a una
central telefnica con un promedio de tres llamadas por minuto.
a) calcular la probabilidad de que en el perodo de un minuto:
a1) no ocurra llamada alguna,
a2) ocurra al menos 4 llamadas.
b) Si cada llamada cuesta S/. 0.50, cunto es el costo esperado por llamadas.
Solucin.
a) Sea X el nmero de llamadas que ocurren en el perodo de un minuto.
X ~ P(), donde = 3 es el promedio del nmero de llamadas por minuto.
a1) La probabilidad de que no ocurra llamada alguna en el perodo de un minuto
es:
e 3 (3) 0
P(X 0)
0.0498
0!
Ejemplo 3.15. Una empresa textil produce un tipo de tela en rollos de 100 metros. El
nmero de defectos que se encuentra al desenrollar la tela es una variable aleatoria de
Poisson que tiene en promedio 4 defectos por cada 20 metros de tela.
a) Qu probabilidad hay de que al desenrollar la tela se encuentre menos de
tres defectos en los primeros 50 metros?.
47
e t (t) k
, k = 0,1, 2, 3, ....,
k!
P ( X 3) P ( X 2)
e 1 (1) 0
0.3679
0!
e np (np) x
x!
48
P(X x)
x = 0, 1, 2,..., 1000
P(X 9) P ( X 10) 1 P( X 9) 1
= 1- 0.969 = 0.031
Si utilizamos la distribucin de Poisson como aproximacin a la distribucin
binomial, se tiene: = np = 1000(0.005) = 5
1000
e 5 (5) x
(0.005) x (0.995)1000 x
x!
x
P(X x)
e -5 (5) x
x!
x 0
9
P(X 9) P ( X 10) 1 P ( X 9) 1
= 1 - 0.968 = 0.030
Como podemos darnos cuenta, diferencia entre las dos distribuciones de probabilidad
es pequea (slo de aproximadamente 3% de error en este ejemplo).
3.7. Distribuciones de Probabilidad de tipo continuo. Normal, Caracterstica.
Aplicaciones.
3.7.1. Distribucin Normal.
Hasta este del captulo, nos hemos ocupado por el anlisis de las distribuciones de
probabilidad discretas. En la presente seccin fijaremos nuestra atencin a los casos
en que la variable puede tomar cualquier valor que ste en un intervalo de valores
dado, y en los cuales la distribucin de probabilidad es continua.
Una distribucin de probabilidad continua que es muy importante es la distribucin
normal. Varios matemticos han contribuido a su desarrollo, entre los que podemos
contar al astrnomo -matemtico del siglo XIX Karl Gauss. En honor a su trabajo, la
49
f(x)
1
2
(x ) 2
2 2
x)
Observe durante un momento la figura 3.2. Este grfico pone de manifiesto varias
caractersticas importantes de una distribucin normal de probabilidad.
1. La curva tiene un pico, por tanto, es unimodal. Tiene la forma de campana.
2. La curva es simtrica con respecto al eje vertical X = .
3. Debido a la simetra la distribucin normal, la mediana y la moda de la
distribucin se encuentran tambin en el centro; en consecuencia, para una
curva normal, la media, la mediana y la moda tienen el mismo valor.
4. Los dos extremos de la distribucin normal de probabilidad se extienden
indefinidamente y nunca tocan el eje horizontal (desde luego, esto es
imposible de mostrar de manera grafica).
5. El rea bajo la curva normal es 1.
3.7.1.2. Distribucin normal estndar y uso de la tabla normal.
50
1
2
z2
2
z
0
( z ) P(Z z)
1
e
2
t2
2
dt
(z)
Z
0
No es necesario tener una tabla distinta para cada curva normal posible. En lugar de
ello podemos utilizar la distribucin de probabilidad normal estndar para
encontrar reas (probabilidades) bajo cualquier curva normal.
Si la variable aleatoria X tiene distribucin N(,2), entonces, la variable aleatoria
Z = (X - )/ tiene distribucin N(0,1).
Luego,
51
b
b
a
a
Z
(
) (
)
P (a X b) P
b) P(0.81 Z 1.94)
e) P(-2.04 Z -1.98)
c) P(Z -1.28)
f) P(Z -0.68)
Solucin .
a) Directamente de la tabla normal estndar se obtiene:
P( Z 1.2) = 0.5 + P( 0 Z 1.2) = 0.5 + 0.38849 = 0.8849
0.8849
Z
0
1.2
Z
-3
0 0.81 1.94
c) P(Z -1.28) =
Z
-3
-1.28
d) P(-0.46 Z 2.21) =
d) P(-0.46 Z
52
Z
-3
-0.46
2.21
e) P(-2.5 Z -1.98) =
Z
-3 - 2.5 -1.98
f) P(Z -0.68) =
Z
-3
-0.68
53
a) P ( X 30) P
b)
P ( X 15)
c)
P ( X 25)
d) Sea x0 el perodo de tiempo arriba del cual se encuentra el 10% de los traslados
ms lentos.
Es decir que: P ( X x 0 ) 0.10
X
24
X0
Z
0
1.28
Luego:
x 24
X 24 x 0 24
P Z 0
0. 1
3. 8
3.8
3.8
P ( X x0 ) P
x0 24
, de donde
3.8
54
P(X x)
x = 0, 1, 2,..., 100
Dado que n =100 es grande, deben obtenerse resultados bastantes precisos utilizando
la aproximacin de la curva normal con:
np 100 0.4 40 y
npq
) P ( Z 2.14) 0.0162
4.899
4.899
2 r / 2
X r / 2 1 e x / 2
(r / 2)
f (X )
0,
, si x 0
si x 0
55
r=1
r=6
r=15
10
Figura 3.5. Grfica de la
20
distribucin chi-cuadrado.
= E(X) = r
2 = V(X) = 2r
Si la variable aleatoria X ~ 2(r), entonces, en la tabla de probabilidades chicuadrado se puede encontrar una probabilidad 1 - o un valor 2 (1-, r) , mediante la
relacin
2
P(X (1
, r) ) 1
f(2)
Figura 3.6. rea bajo la curva
chi - cuadrado.
1-
2 (1-, r)
b) P X 38.89 =
b) P X 38.89 ,
c) P13.84 X 45.64
d)
56
c) P13.84 X 45.64 =
d) P X 40 =
f (t )
( r 1) / 2
t2
1
r
( r / 2) r
( r 1) / 2
57
t ,
T
0
" Si Z y V son dos variables aleatorias independientes tales que Z est normalmente
distribuida con media cero y varianza 1, y V est distribuida como chi-cuadrado con r
grados de libertad, entonces, la variable aleatoria
Z
T
V /r
tiene distribucin t- Student con r grados de libertad"
2 V(T)
r
, r > 2.
r2
1-
T
0
t(1-, r)
58
b) P (T 2.10)
e) P(T 2)
c) P (T 2.878)
Solucin.
a) P(T 1.734) = 0.05
b) P (T 2.10) = 1- P (T 2.10) =
c) P (T 2.878) = P (T 2.878) =
d) P ( 1.330 T 2.552) =
Ejemplo 3.23. Si X tiene distribucin t con 10 grados de libertad, hallar el valor c tal que:
a) P ( X c) 0.01
b) P( X c) 0.995
d) P (c X c) 0.95
c) P ( X c) 0.05
e) P ( X c ) 0.08
Solucin.
a) P ( X c) 0.01 , entonces, c = 2.764
59
c) P ( X c ) 0.05 ,
3.7.4. Distribucin F.
Definicin. Se dice que una variable aleatoria contina X tiene distribucin F con r1
y r2 grados de libertad y se representa por X ~ F(r1, r2), si su funcin de densidad es:
r r2
1
2
f ( x)
r
1
2
r1
r2
r2
r1/2
x r1/2 1
r
1 1 x
r2
(r1 r2 )/2
0 x
F(2,4)
60
F(10,2)
F(12, 15)
0.5
X
0
F.
U / r1
V / r2
r1, r2
r1, r2 )
1
F( ,
r2 , r1 )
b) P( X 7.39)
c) P ( X 8)
Solucin.
a) P ( X 11 .4) = 0.01
b) P( X 7.39) = 1- P ( X 7.39) =
c) Por interpolacin: resulta P ( X 8) 0.977
d) P ( X 0.0645)
61
d) P ( X 0.0645) 1 P ( X 0.0645)
Debemos calcular P ( X 0.0645) . En efecto, tenemos:
1
1
P ( X 0.0645) P
1
donde X ~ F (5,4) . Luego
X
P ( X 0.0645) 1 P ( X 0.0645) 1 0.99 0.01
b) P ( X c) 0.95
c) P( X c) 0.025
Solucin.
a) P ( X c) 0.01 , entonces c = 5.39
b) De P ( X c) 0.95 , se obtiene P ( X c) 0.05 , luego se tiene, c =
c) P( X c) 0.025 , implica que P( X c) 0.975 .
c F( 0.975,
6, 10)
1
1
0.1831
F(0.025 ,10 ,6)
5.46