CAPITULO II

PROBABILIDAD

Hasta ahora se ha utilizado una serie de mtodos que permitan describir y sacar
conclusiones de los datos que se manipulaban; sin embargo, muchas veces se desea
inferir estas conclusiones a grupos de datos no observados de los cuales forman parte los
primeros. As, a partir de los sueldos de un grupo de personas elegidas al azar se puede
estimar y hacer hiptesis acerca de los parmetros del sueldo de toda una poblacin. Un
problema en este tipo de tareas tiene que ver con la variabilidad de los resultados. La
estimacin, por ejemplo, del promedio de los sueldos de toda una poblacin depende del
grupo de personas que al azar se escogi, no sabiendo a ciencia cierta si el valor
estimado est cerca o lejos del verdadero.

El propsito ahora es determinar un modelo que describa este tipo de situaciones y que
cv
permita establecer una medida de la incertidumbre de los resultados.

La teora de la Probabilidad proporciona los modelos para estudiar los fenmenos que se
caracterizan por la variabilidad de sus resultados. Estos modelos se llaman modelos
aleatorios.

En general, un modelo describe las propiedades fundamentales de un fenmeno sin

describir todos los detalles.
el
A menudo se usan diferentes modelos para describir realidades: para representar un
automvil se puede utilizar un automvil construido a escala y as se tiene un modelo
fsico del automvil. Para representar a la Tierra se usan mapas o esferas de plstico.
Estos modelos se llaman analgicos. Existen otros modelos propios de las ciencias
experimentales, llamados modelos abstractos.
iz
Los modelos abstractos pueden clasificarse en modelos determinsticos y modelos
aleatorios o estocsticos.

En un modelo determinstico, los fenmenos se describen mediante funciones matem-

ticas. As, para representar el rea de una plancha rectangular de aluminio se determina
el largo por el ancho del rectngulo que la representa.

Los modelos aleatorios o estocsticos describen los resultados de los llamados

experimentos aleatorios. Este tipo de experimentos se estudia a continuacin.
144. Probabilidad.

2.1. EXPERIMENTO ALEATORIO. ESPACIO MUESTRAL.

EVENTO.

Experimento aleatorio.
Un experimento aleatorio, es todo proceso que se puede repetir
indefinidamente obtenindose resultados imprevisibles.

Existen experiencias cuyos resultados son imprevisibles pero que no pueden repetirse
cuantas veces se desee; tal es el caso del experimento consistente en observar si para
cierto da llover o no en un lugar determinado a las 8 a.m. Esta experiencia no se puede
repetir cuantas veces se desee, el mismo da y en la misma hora. Tal vez podamos
conseguir situaciones semejantes en cuanto se refiere a lugar y hora pero no en el mismo
instante. Estas experiencias, con resultados imprevisibles pero que no pueden repetirse
cuantas veces se desee, tambin son consideradas como experimentos aleatorios por
aquellos que suelen llamarse subjetivistas, por contraposicin con los frecuentistas,
quienes aceptan como experiencias aleatorias aquellas que son repetibles cuantas veces
se desee y con resultados imprevisibles.

Los principios generales de la Teora de la Probabilidad que se estudian pueden

aplicarse a partir de cualquiera de las dos posiciones antes indicadas.
cv
Los siguientes experimentos pueden considerarse aleatorios:

a) La eleccin de una bola de una urna, en donde existen cuatro bolas rojas y dos negras,
para luego anotar su color.

b) El nacimiento de un nio, para luego anotar si es varn o mujer.

el
c) La eleccin de un ciudadano, para luego anotar su grado de instruccin.

d) La produccin de un artculo por una determinada mquina, para luego anotar si es

bueno o defectuoso.
iz
Espacio muestral de un experimento aleatorio.
Dado un experimento aleatorio E, se llama espacio muestral de E al
conjunto formado por todos los resultados posibles del experimento.

El espacio muestral se denota con .

2.1. Ejemplo.
Si se lanza una moneda, se tendr que el espacio muestral de la experiencia aleatoria es
= {c, s}, donde c = cara, s = sello.
2.2. Ejemplo.
Si se elige a un ciudadano para luego anotar su grado de instruccin: analfabeto (A),
primaria (P), secundaria (S) y superior (U); se tendr que el espacio muestral es igual a
 Probabilidad. 145

= {A, P, S, U}.
2.3. Ejemplo.
Se lanza una moneda en forma sucesiva hasta que se obtiene cara. El espacio de este
experimento aleatorio est formado por los siguientes resultados:

c, ocurre cara en el primer lanzamiento,

sc, ocurre cara en el segundo lanzamiento,

ssc, ocurre cara en el tercer lanzamiento,

... ...
etc.

2.4. Ejemplo.
Si consideramos el experimento aleatorio que consiste en observar el da de maana en
un determinado lugar para ver si llueve o no, se tendr que el espacio muestral est
formado por los resultados: "llueve" y "no llueve". Si observamos el lugar para medir la
cantidad de lluvia que cae, se tiene como espacio muestral al conjunto [0, a], en donde
a puede ser un nmero pequeo o un nmero muy grande. No sabiendo cul ser el
valor a, en ejemplos como ste se conviene en tomar como espacio muestral al intervalo
[0, +[ .
cv
2.5. Ejemplo.
Si se eligen dos personas una despus de otra para observar si son varones (v) o mujeres
(m), se tendr el siguiente espacio muestral:

= {(v, v), (v, m), (m, v), (m, m)},

Para cada resultado, la primera coordenada indica si la primera persona es varn o

el
mujer. De igual manera para la segunda coordenada.

El espacio muestral puede ser finito o infinito. Un espacio muestral infinito puede ser
enumerable, (ejemplo 2.3) o no enumerable, como el espacio [0,+[ en el ejemplo 2.4.
Los elementos de un espacio muestral finito o infinito enumerable se pueden contar.
iz
Suceso o evento.
Un suceso o evento de un experimento aleatorio E, es cualquier
subconjunto del espacio muestral que corresponde a E.

En particular, el espacio muestral, , y el conjunto vaco, , son eventos, pues son

subconjuntos de .

Al lanzar una moneda, el espacio que se obtiene es = {c, s}, donde c = cara y s =
sello.

Los eventos que se pueden obtener son: {c}, {s}, y .

146. Probabilidad.

Si al realizar un experimento aleatorio el resultado pertenece a un evento A se dice que el

resultado favorece al evento A o que el evento A se realiza. Si al lanzar un dado se
obtiene un nmero par, entonces el evento A = {2, 4, 6} se realiza.

El espacio muestral se llama tambin suceso siempre cierto, siempre se realiza,

mientras que se llama suceso imposible, nunca se realiza.

Si con cada elemento del espacio muestral se forman subconjuntos unitarios, se tendrn
los eventos llamados sucesos elementales.
2.6. Ejemplo.
Si el espacio muestral de un experimento est formado por todos los habitantes de un
pas que son mayores de 15 aos, se tendr que el conjunto formado por las mujeres del
pas que tienen 17 aos es un evento.

2.7. Ejemplo.
Un evento del espacio muestral del ejemplo 2.4 es, por ejemplo, el que se determina con
la frase "que llueva a lo ms 10 milmetros cbicos". Este evento es el intervalo [0, 10].

Operaciones con eventos.

cv
Entre los eventos de , se pueden definir operaciones tales como, la interseccin de
eventos, reunin de eventos y complemento de un evento.

Dados los eventos A y B, la interseccin de A y B, denotada con A B, es el evento

formado por los elementos comunes a A y B. Figura 2.1 (a).

El evento A B se realiza si A y B se realizan a la vez.

el
Si A B = , se dice que A y B son mutuamente excluyentes o disjuntos.

La reunin o unin de A y B, que se denota con A B, es el evento que est formado

por los elementos de que estn en A, en B o en ambos eventos a la vez. Figura 2.1.(b).
iz
El evento A B se realiza si al menos uno de los eventos A o B se realiza.

(a) A B (b) A B (c) A

Figura 2.1

2.8. Ejemplo.
Se considera el espacio muestral formado por los habitantes de la regin ZZ, y los
eventos: A, formado por las personas que leen el peridico "La voz" y B, formado por las
 Probabilidad. 147

personas que leen el peridico "La tarde". Se tiene que A B es el evento formado por
las personas que leen ambos peridicos a la vez, mientras que A B lo forman las
personas que leen el peridico "La voz", el peridico "La tarde" o ambos a la vez.

El complemento de A, que se denota con A , se define como el evento formado por los
elementos de que no estn en A. Figura 2.1. (c).

El evento A se realiza cuando el evento A no se realiza.

2.9. Ejemplo.
Al lanzar tres dados, el espacio muestral que se obtiene est formado por los elementos

(1, 1, 1), (1, 1, 2), (1, 1, 3), etc.

Cada resultado es una 3-tupla cuyas componentes pueden ser iguales o diferentes. Si el
evento A est formado por todos los resultados en donde por lo menos hay dos nmeros
iguales, entonces el complemento de A est constituido por las 3-tuplas cuyas
componentes son todas diferentes.

2.2. PROBABILIDAD DE UN EVENTO.

cv
Histricamente, para medir lo incierto se us el concepto clsico de probabilidad. Este
concepto tuvo su origen en los juegos de azar y se aplica para experiencias "aleatorias"
para las cuales el espacio muestral es finito y con elementos igualmente posibles.

Otra manera de medir la posibilidad de que suceda o no un evento, consiste en observar

la proporcin de veces que dicho evento suceda en una serie prolongada de
experimentos repetidos. Se puede indicar que la probabilidad de que un alumno asista a
el
clase es 0.9, si se observa en un nmero muy grande de veces que el 90% de ellas el
alumno asiste a clases.

En la siguiente seccin se establece matemticamente el concepto de probabilidad de un

evento mediante una serie de axiomas que son consistentes con los conceptos
mencionados anteriormente y que de manera racional resuelven el problema de medir la
iz
incertidumbre. Estos axiomas se comprendern con mayor facilidad si se toma en cuenta
lo siguiente:

El espacio muestral es el evento seguro, el que siempre se realiza, de ah que si se desea

determinar una ponderacin o medida para este evento, sta debe ser mxima. En
oposicin, el evento vaco debe tener la menor ponderacin, pues ste es el que nunca se
realiza. Si decidimos que la ponderacin de debe ser 1 y que la de debe ser 0, se
tendr, en forma natural, que para cualquier evento A, la ponderacin debe ser un valor
entre 0 y 1. Formalmente se tiene lo siguiente:
148. Probabilidad.

Probabilidad.

Dado el espacio muestral , la probabilidad de un evento A, que se

denota con P(A), se define como el nmero que cumple con los
siguientes axiomas, llamados de Kolmogorov.

1. La probabilidad de cualquier evento es un nmero no negativo. Esto

es,

0 P(A), para todo evento A,

2. La probabilidad del espacio muestral es 1. Esto es, P() = 1

3. Si A y B son dos eventos mutuamente excluyentes; esto es, si A B

= , entonces, la probabilidad de la unin de los dos eventos es la suma
de las probabilidades de cada uno de ellos.

Simblicamente: P(A B) = P(A) + P(B), si A B = .

A partir de la definicin se deducen otras propiedades, como las siguientes:

cv
4. La probabilidad del evento vaco es igual a 0. Es decir, P() = 0.

5. Si A B, entonces P(A) P(B).

6. La probabilidad es un nmero entre 0 y 1. Esto es, 0 P(A) 1.

7. La probabilidad del complemento de un evento A es igual a 1 - P(A).

el
8. P(A B) = P(A) + P(B) P ( A B )., para todo par de eventos A y B.

El lector puede generalizar la propiedad 8 para n eventos.

Probaremos las propiedades 4) y 8).

iz
2.10. Ejemplo.
Probar que P ( ) = 0.

Demostracin . Se tiene que A = A , luego P ( A ) = P ( A ).

Como A = , P ( A ) = P ( A ) = P ( A ) + P ( ), segn 3), y as,

P ( ) = 0.
2.11. Ejemplo.
Probar que P ( A B ) = P ( A ) + P ( B ) - P ( A B ).

Demostracin . Se cumple: A B = A (B A ) y

B = ( A B ) ( B A ).
 Probabilidad. 149

Aplicando la propiedad 3):

P ( A B ) = P( A ) + P ( B A ) y

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

Restando miembro a miembro se llega al resultado.

Aplicando dos veces la propiedad 8) en P[(A B) C)] se tiene

P(A B C) = P(A) + P(B) + P(C) - P(A B) + P(A C) - P(B C) + P(A B C).

2.12. Ejemplo.
La probabilidad de que un hogar tenga telfono es 2/3, que tenga televisor, 3/6
y de que tenga al menos uno de los aparatos, 5/6. Hallar la probabilidad de que
un hogar tenga ambos aparatos.

Solucin.
Si denotamos con
cv
A, al evento el hogar tiene telfono,

B , al evento el hogar tiene televisor, se tendr que

A B , corresponde al evento el hogar tiene ambos aparatos y

P( A B) = P( A) + P( B) P( A B ) = 2/3 + 3/6 5/6 = 1/3.

el
Medida de probabilidad.
La probabilidad P se llama medida de probabilidad, si en lugar de la propiedad
3) se cumple la siguiente propiedad.
iz
3*) Para una sucesin de eventos disjuntos dos a dos: A 1 , A 2 , ... , se tiene

P(A 1 A 2 ...) = P(A 1 ) + P(A 2 ) + ....

Se demuestra que la propiedad 3*) implica la propiedad 3). As, toda medida de
probabilidad es una probabilidad.

Asignacin de Probabilidades
Los axiomas de probabilidad no indican como deben asignarse, en general, las
probabilidades a los diversos resultados de una experiencia aleatoria; solamente
establecen las limitaciones de las formas en que esto puede hacerse. Algunas
veces esto es posible como en el caso del lanzamiento de un dado
150. Probabilidad.

equilibrado, en donde a cada resultado se le asigna de antemano 1/6 de

probabilidad, acercndose de este modo a la realidad, pues es imposible que el
dado sea perfecto. Otras veces, sin embargo, tal asignacin previa es imposible,
por lo que es necesario lanzar el dado varias veces, digamos 200, y asignar a
cada resultado su respectiva frecuencia relativa. Estas probabilidades pueden
ser mejoradas lanzado un nmero mayor de veces, digamos 3000. En general se
puede asignar probabilidades provisionales para luego afinarlas a partir de
una mayor informacin de la experiencia que se estudia.

A continuacin se indica una manera de asignar probabilidades.

2.13. Ejemplo. ASIGNACIN DE PROBABILIDADES PARA UN ESPACIO MUESTRAL FINITO.

Se considera el espacio muestral finito = {w1, ... , wn}.

A cada resultado wi se le asigna como probabilidad el nmero no negativo pi, de tal

manera que p1 + p2 + ... + pn = 1.

Se define as una probabilidad P en el espacio muestral de tal manera que P[{wi}] =

pi, para i = 1, 2, ... , n.
cv
Si en la descripcin anterior p1 = ... = pn = 1/n, cada elemento de se llama
equiprobable.

En este caso se cumple que si A es un evento de m elementos, P(A) = m/n.

Si al nmero de elementos del conjunto A se denota con #(A), se podr escribir

# ( A)
P( A) =
el
# ( )

En resumen, si los elementos de un espacio muestral son equiprobables, entonces la

probabilidad de un evento A es

N mero de casos favorables a A

P ( A) = .
iz
N mero de casos posibles

Esta expresin corresponde a la definicin clsica de Probabilidad.

A las experiencias cuyos resultados son equiprobables se les llama "experiencias al

azar". As, "elegir una persona al azar" de un grupo de n personas equivale a asignar
igual probabilidad a la eleccin de cada persona. En general, "elegir m objetos al azar"
de un conjunto, significa que cada uno de los conjuntos formados con m elementos del
conjunto tiene la misma probabilidad de ser elegido.

Otros ejemplos de asignacin de probabilidades son los siguientes:

2.14. Ejemplo.
Si se considera que al lanzar N veces una moneda, la frecuencia relativa de cada
resultado A tiende a una constante c cuando N crece indefinidamente, se podr asignar al
 Probabilidad. 151

resultado A la constante c como probabilidad. Este valor corresponde, en efecto, a una

probabilidad. Cuando la moneda es equilibrada, la constante c es igual a 0.5. As se
puede indicar que la P(c) = P(s) = 0.5.

2.15. Ejemplo.
Otra manera de asignar probabilidad a un evento, es mediante proporciones o
porcentajes. A cada evento podemos asociarle un nmero igual a la proporcin de la
poblacin que este subconjunto constituye. As, si se observa que en un pas las mujeres
constituyen el 30% de la poblacin, se podr asignar al evento "mujer" la probabilidad
0.30.

La asignacin de probabilidad con esta metodologa se basa en el conocimiento de la

composicin de la poblacin, previa a la realizacin de la experiencia.

Otro ejemplo de este tipo de asignacin aparece cuando se indica que la probabilidad de
que el tren de Lima a Huancayo llegue a tiempo es 0.85. Esto significa que el 85% de
veces el tren indicado llega a tiempo.
2.16. Ejemplo.
En un grupo de personas hay 3 mujeres: N1, N2 y N3 y 4 varones: R1, R2, R3 y R4. Si se
elige una persona "al azar", cul es la probabilidad de que sta sea varn?.
cv
Solucin.

El espacio muestral del experimento es

= {N1, N2, N3, R1, R2, R3, R4}.

Cada elemento de este espacio es equiprobable con probabilidad 1/7.

el
El evento A, descrito por "elegir un varn" es {R1, R2, R3, R4}. Luego,

P(A) = #(A)/#() = 4/7.

2.17. Ejemplo.
Un lote de 5 artculos contiene 2 defectuosos: D1, D2 y 3 artculos no defectuosos: N1,
iz
N2 y N3. Si se escogen 3 artculos al "azar" y de una sola vez, cul es la probabilidad
de que uno de stos sea defectuoso?.

Solucin.
El espacio muestral de la experiencia es

= {{N1, D1, D2}, {N1, N2, N3}, {N2, D1, D2}, {N3, D1, D2}, {N1, N2, D1}, {N1, N2,
D2}, {N1, N3, D1}, {N1, N3, D2}, {N2, N3, D1}, {N2, N3, D2}}.

El evento que interesa y cuya probabilidad se desea conocer es

A = {{N1, N2, D1}, {N1, N2, D2}, {N1, N3, D1}, {N1, N3, D2}, {N2, N3, D1}, {N2, N3,
D2}}.
152. Probabilidad.

Se sigue entonces que P(A) = #(A)/#() = 6/10.

2.18. Ejemplo. Probabilidad geomtrica.

Para un experimento aleatorio cuyo espacio muestral es un conjunto contenido en el
plano y de rea diferente de cero, se define la probabilidad geomtrica de un evento A
contenido en , como el nmero

Area ( A)
P ( A) =
Area ()

La funcin P as definida es efectivamente una probabilidad, como puede comprobarse.

La definicin se extiende al caso Rn. (Cuando n = 1 el rea se reemplaza por la

"longitud").
2.19. Ejemplo.
2 2
Se escoge al azar un punto del crculo C definido por x + y 4 . Hallar la probabilidad
de que el punto escogido est en el crculo D con centro el origen y radio 1.

Solucin.
El espacio muestral corresponde al crculo C y la probabilidad de que el punto elegido
cv
est en el crculo D es

Area ( D )
P ( D) = = = 0.25
Area ( ) 4

2.20. Ejemplo.
Hallar la probabilidad de que la suma de las coordenadas de un punto (x, y), elegido al
azar del rectngulo con vrtices (0, 0), (1, 0), (1, 1), (0, 1), est entre los valores 0.5 y
el
1.5.

Solucin.
El espacio muestral corresponde al rectngulo indicado y cuya rea es igual 1.
iz
Y
x+y=1.5
1.5
1

0.5
A
X

0 0.5 1 1.5

Figura 2.2

El evento A est formado por los puntos (x, y) del rectngulo que cumplen con

0.5 x + y 1.5
 Probabilidad. 153

y cuyo grfico se indica en la figura 2.2.

Area ( A )
La probabilidad del evento A es P ( A ) = = 0.75.
Area ( )

Cuando de la definicin clsica de probabilidad se trata, es necesario conocer el nmero

de elementos de un evento ms que a los mismos elementos, esto conduce al
planteamiento de ciertas frmulas de clculo que combinadas convenientemente pueden
servir, en muchos casos, como tcnicas para la enumeracin de puntos muestrales. El
estudio de tales frmulas podra realizarse en forma exhaustiva, pero para los fines de
este texto bastar una breve introduccin.

2.3. INTRODUCCION AL CALCULO COMBINATORIO.

Comenzaremos por indicar el siguiente resultado.

"Si A1 y A2 son dos conjuntos finitos, entonces el nmero de pares ordenados

(a, b), donde a A1 y b A2, est dado por
cv
Nmero de Pares = #(A1).#(A2)".

2.21. Ejemplo.
Una urna I contiene 3 esferas numeradas con 0, 1 y 2, mientras que otra, II, contiene 2
esferas numeradas con 3 y 4. De la urna I se extrae una esfera y tambin de la urna II.

0 3
el
4
1 2

Urna I Urna II
Figura 2.3

Si con A1 denotamos al conjunto de los resultados obtenidos al extraer la primera esfera

iz
de la urna I y con A2, al conjunto formado con los resultados de extraer la segunda esfera
de la urna II, se tendr que el nmero de resultados que se pueden obtener al extraer las
dos esferas es #(A1)#(A2) = 32 = 6.

Los resultados son los pares que aparecen en la siguiente tabla.

A1\A2 3 4
0 (0, 3) (0, 4)
1 (1, 3) (1, 4)
2 (2, 3) (2, 4)

La frmula del nmero de pares puede extenderse para 3 o ms eventos.

154. Probabilidad.

En general, si A1, ... , An, son n conjuntos finitos, el nmero de n-tuplas que se pueden
formar, tomando el primer elemento de A1, el segundo de A2, ... , y el n-simo de An es

#(A1).#(A2)... #(An).
2.22. Ejemplo.
En una urna hay dos esferas numeradas con 0 y 1. Se extraen 3 esferas de manera
consecutiva y con restitucin.

Se denota con A1, al evento formado por los resultados de la primera extraccin, con A2,
al evento formado con los de la segunda extraccin y con A3, al evento formado con los
de la tercera extraccin.

Se tiene que A1 = A2 = A3 = {0, 1}.

El nmero de elementos del evento A, formado con las 3-tuplas de las 3 extracciones es

#(A1).#(A2).#(A3) = 23 = 8.

El ejemplo anterior es un caso particular del siguiente concepto.

cv
Variaciones con repeticin.

De un conjunto E que tiene m elementos, en forma consecutiva y con restitucin se

escogen n de ellos.

Cada n-tupla, (w1, ... , wn), que se forma con elementos de E y en donde
el
pueden haber elementos repetidos, se llama variacin con repeticin.

Se puede demostrar sin dificultad que el nmero de variaciones con repeticin

de n elementos que se pueden formar a partir de los m elementos de E es mn.
2.23. Ejemplo.
iz
Dado el conjunto E = {a, b, c, d, e}, algunas variaciones de orden 3 con repeticin son:

(a, b, c), (b, a, c), (a, a, b), (b, b, b), (c, d, e), etc.

Se observa que en este caso, el orden es importante; as la variacin con repeticin (a, b,
c) es diferente a la variacin con repeticin (b, a, c).

En total se pueden formar 53 variaciones con repeticin de orden 3, tomadas del

conjunto E que tiene 5 elementos.

2.24. Ejemplo.
De un grupo de 6 personas se escogen sucesivamente y con restitucin 4 de ellas. De
cuntas maneras se pueden escoger las 4 personas?.

Solucin.
 Probabilidad. 155

El evento A formado por los diferentes grupos de 4 personas elegidas con restitucin
tiene 64 = 1296 elementos.

Variaciones sin repeticin.

Dado un conjunto E con m elementos.

Las n-tuplas ordenadas, (w1, ... , wn ), sin elementos repetidos, que se

pueden forman con elementos de E, se llaman variaciones sin repeticin
de n elementos tomados de los m de E.

As, del conjunto E = {a, b, c, d} se pueden formar, por ejemplo, las variaciones sin
repeticin de 3 elementos (a, b, c), (b, c, d), (c, d, b), etc.

Se observa que, al igual que para las variaciones con repeticin, el orden es importante;
por ejemplo, la variacin (b, c, d) es diferente de la variacin (c, d, b).

El nmero de variaciones sin repeticin se denota con Vnm y se puede encontrar de la

siguiente manera:
cv
El primer elemento w1 puede escogerse de m maneras. Una vez escogido w1 quedan m -
1 maneras de escoger w2. Escogidos w1 y w2 quedan m - 2 maneras de escoger el
elemento w3 y as sucesivamente hasta el elemento wn-1; escogido este elemento, quedan
m - (n - 1) = m - n + 1 maneras de escoger el elemento wn.

m m-1 ... m- n+1

el
Usando la frmula del nmero de n-tuplas que se pueden formar con n conjuntos se tiene
que el nmero de variaciones sin repeticin de n elementos tomados de entre los m
elementos es

Vnm = m(m 1)(m 2)...(m n + 1)

iz
2.25. Ejemplo.
Si E = {1, 2, 3, 4}, entonces el nmero de variaciones sin repeticin de 3 elementos
tomados de los 4 de E es

V34 = ( 4 )( 3)( 2 ) = 24.

Algunas variaciones de este tipo son: (1, 2, 3), (1, 2, 4), etc.

2.26 Ejemplo.
De un grupo de seis personas se eligen cuatro de una en una y sin reposicin. Hallar el
nmero de grupos que as se pueden formar.

Solucin.
156. Probabilidad.

El nmero de grupos que de esa manera se pueden formar es igual al nmero de

variaciones sin repeticin de 4 elementos tomados de un conjunto que tiene 6
elementos. Este nmero es V46 = (6)(5)( 4)(3) = 360.

2.27. Ejemplo.
De un grupo de 8 personas, se desea formar comits de 3 personas, donde una sea el
presidente, otra el secretario y la tercera el tesorero. Cuntos comits de este tipo se
pueden formar?.

Solucin.
Esta vez interesa el orden en que se escojan las 3 personas. Luego el nmero de tales
comits es igual al nmero de variaciones si repeticin de 3 elementos que se puedan
formar con las 8 personas del grupo. Esto es,

V38 = ( 8 ) ( 7 )( 6 ) = 336.

Permutaciones
Si en la discusin anterior, m = n, cada una de las variaciones se llama
permutacin de los m elementos de E y se denota con Pm.
cv
Usando la frmula para el nmero de variaciones sin repeticin con n = m, se tiene

m
Pm = Vm = m ( m 1)( m 2 ) ... 1 .

Si se define:

m! = 123...m, para m natural mayor que cero y

el
0! = 1,

se podr decir que el nmero de permutaciones de m elementos es igual a Pm = m!.

OBSERVACION. m! se lee "m factorial".

iz
Se nota que cada permutacin es un arreglo de los m elementos diferentes de E.

2.28. Ejemplo.
Hay 6 maneras de arreglar los elementos del conjunto E = {a, b, c}; stas son las
permutaciones: (a, b, c), (b, a, c), (c, a, b), (a, c, b), (b, c, a), (c, b, a).

PROPIEDAD.

El nmero de variaciones sin repeticin de n elementos tomados de un conjunto de m

elementos se puede calcular con
m!
Vnm =
(m n)!
 Probabilidad. 157

Prueba.

m( m 1)...(m n + 1)(m n)...1 m!

Vnm = m(m 1)(m 2)...( m n + 1) = =
(m n)...1 (m n)!

Combinaciones.
Se trata ahora de calcular el nmero de subconjuntos de n elementos de un conjunto E,
que tiene m elementos con n m.

Cada uno de tales subconjuntos se llama combinacin de n elementos

tomada de los m de E

El nmero de combinaciones se denota con Cnm y se puede hallar de la siguiente

manera:

Cada una de las Cnm combinaciones es un conjunto de n elementos. Por cada una de stas
hay n! permutaciones. Cada permutacin as definida es una variacin de n elementos
tomados de un conjunto con m elementos, luego
cv
Cnm (n !) = Vnm .

m
Reemplazando el valor de Vn se tiene

m!
Cnm = .
el
(m n)! n !

2.29. Ejemplo.
Para A = {a, b, c, d}, las combinaciones de 2 elementos tomados de entre los 4 de A son:
{a, b}, {a, c}, {a, d}, {b, c}, {b, d} y {c, d}.
iz
Combinaciones Permutaciones por cada
combinacin.
{a, b} (a, b), (b, a)
{a, c} (a, c), (c, a)
{a, d} (a, d), (d, a)
{b, c} (b, c), (c, b)
{b, d} (b, d), (d, b)
{c, d} (c, d), (d, c)

Por cada una de las 6 combinaciones hay 2! permutaciones. En total hay 6(2!) = 12
variaciones de 2 elementos tomados de A.

2.30. Ejemplo.
Con 8 personas se forman grupos de 3 personas cada uno, cuntos de stos se pueden
obtener?.
158. Probabilidad.

Solucin.
El nmero de tales grupos es igual al nmero de combinaciones de orden 3 que se
pueden formar con las 8 personas. Se tiene entonces,

8!
Num.grupos = C38 = = 56.
(8 3)! 3!

2.31. Ejemplo.
En un grupo de 50 personas hay 4 que tienen sangre con el factor RH negativo, (RH-).
Hallar la probabilidad de que escogidos 5 personas al azar y de una sola vez, dos de ellas
tengan el factor indicado.

Solucin.
El espacio muestral est formado por todas las maneras en que 5 personas pueden ser
escogidos de entre las 50. El nmero de elementos de es #() = C550 = 2118760.

El evento que interesa es el evento A, descrito por "de las cinco personas escogidas, dos
tienen el factor RH negativo".

Se trata de encontrar P(A) = #(A)/#().

cv
Debe escogerse 2 personas con el factor RH- y 3 con RH+. Las 3 personas con RH+
deben ser escogidas de las 46 que lo tienen. As, el nmero de maneras en que tales
personas pueden ser elegidos es C346 . Por cada una de esas maneras hay C24 maneras de
escoger 2 personas con RH-, luego el evento A tiene C346C24 elementos.

C346 C24
Por tanto, P(A) = = 0.0430.
C550
el
2.32. Ejemplo.
Cul es la probabilidad de obtener al menos dos resultados iguales al tirar 4
veces un dado equilibrado?.

Solucin.
iz
El espacio muestral, , est formado por todas las variaciones con repeticin
de orden cuatro, formadas con los elementos del conjunto {1, ... , 6}.

En primer lugar, se calcula la probabilidad del evento E , que corres-

ponde a "ninguno de los resultados son iguales".

El nmero de elementos de E es igual al nmero de variaciones de orden 4 sin

repeticin que se pueden formar a partir de los 6 resultados posibles; esto es,

#(E) = (6)(5)(4)(3) = 360.

El total de casos posibles al tirar 4 veces un dado es 6 4 = 1296. Luego, P(E) =

360/1296 = 0.2778; de este modo la probabilidad del evento pedido es
 Probabilidad. 159

P( E ) = 1 - P(E) = 1 - 0.2778 = 0.7222.

2.4. EJERCICIOS.
1. Hallar el espacio muestral de los siguientes experimentos aleatorios:

E1: Eleccin de tres personas de una en una sin restitucin para luego anotar si cada una es ocupado, O o
desocupado, D.
E2: Eleccin de un automvil producido por una fbrica para luego anotar el espacio recorrido despus de
consumir un galn de gasolina.
Rpta. a) {(O,O,O), (O,O,D), (O,D,O), (D,O,O), (O,D,D), (D,O,D), (D,D,O), (D,D,D)}.
b) [ 0,+[

2. Un experimento consiste en seleccionar al azar 4 personas y observar si su sangre tiene el factor RH+ o el
factor RH-.

a) Indique el espacio muestral.

b) Enumerar los elementos de los sucesos que se describen a continuacin:

A: "Por lo menos tres personas tienen sangre con RH+".

B: "A lo ms dos personas tienen sangre con RH+".

3. El seor Prez debe pasar por tres entrevistas consecutivas para ingresar a trabajar en una compaa. Las
personas encargadas de las entrevistas son: Hugo, Paco y Luis, en ese orden. Sean los eventos descritos por
cv
las proposiciones que se indican.

A: el veredicto de Hugo es favorable.

B: el veredicto de Paco es favorable.
C: el veredicto de Luis es favorable.

Usando A, B y C, escribir los eventos descritos por

a) "Ninguno de los veredictos es favorable".

b) "Todos los veredictos son favorables".
el
c) "Por lo menos dos veredictos son favorables".
d) "El veredicto del seor Hugo es favorable".

Rpta. a) A B C c) ( A B C ) ( A B C ) ( A B C ) ( A B C ).

4. En una mesa hay cuatro cartas con sus respectivos sobres. Se introducen al azar las cuatro cartas, una en
cada sobre.
iz
a) Usando una notacin adecuada, describir el espacio muestral.
b) Describir cada uno de los siguientes eventos:
A: "slo una carta se introdujo correctamente".
B: "dos cartas se introdujeron correctamente".
Rpta. a) Permutaciones de las cartas 1, 2, 3, 4. As la permutacin (1,2,3,4) indica que la carta 1
ha sido introducida en el sobre 1, la carta 2 se ha introducido en el sobre 2, la carta 3, en el sobre
3, etc.

5. Se escoge una persona al azar de un grupo de 100. Sean los eventos descritos por:

E1: la persona escogida es hombre,

E2: la persona escogida es mujer,
E3: la persona escogida tiene educacin superior,
E4: la persona escogida proviene de un colegio estatal.

Qu significan los siguientes eventos:

A = E1 E2?, B = E2 E3 E4?, C = (E1 E3 E4) (E2 E3 E4)?.
Rpta. B: La persona elegida es mujer con educacin superior y proviene de un colegio estatal.
160. Probabilidad.

6. Para comparar dos estaciones de bombeo se tiene:

Para la estacin 1: P(falla en la bomba) = 0.07, P(fuga) = 0.10 y P(ambas) = 0.06.

Para la estacin 2: P(falla en la bomba) = 0.09, P(fuga) = 0.12 y P(ambas) = 0.06

Cul estacin tiene la mayor probabilidad de quedar fuera de servicio?.

7. Se tienen 5 computadoras de tipo A y 6 de tipo B. Si se eligen al azar 4 computadoras,

a) Cul es el nmero de elementos que tiene el espacio muestral ?.

b) Cul es el nmero de elementos que tiene el evento cuyos elementos estn formados por dos
computadoras de tipo A y dos de tipo B.
Rpta. a) 330. b) C25C26 .

8. La probabilidad de que Juan vaya a una determinada cita es 0.4, de que Pedro vaya a la misma cita, 0.6 y de
que ambos vayan a la cita, 0.2. Cul es la probabilidad de que Juan o Pedro vayan a la cita?.
Rpta. 0. 8.

9. La probabilidad de ganar el primer premio en una juego es 2/5 y la de ganar el segundo premio, 3/8.Si la
probabilidad de ganar al menos uno de los dos premios es 3/4, hallar la probabilidad de ganar ambos
premios.

10. Diez personas de diferentes tallas hacen cola al azar en una ventanilla. Hallar la probabilidad de que

a) el ms alto este al inicio de la cola.

cv
b) el ms alto y el ms bajo estn en los extremos de la cola
c) el ms alto y el ms bajo estn juntos.

11. Un alumno de la universidad UU debe llevar en el segundo ciclo de estudios los cursos de Filosofa,
Matemticas y Lengua. Si la probabilidad de pasar el curso de Filosofa es 0.7, el de Lengua, 0.55, el de
Matemticas, 0.5, el de Filosofa y Matemticas, 0.3, el de Filosofa y Lengua, 0.35, el de Matemticas y
Lengua, 0.3 y los tres a la vez, 0.2; calcular,

a) la probabilidad de aprobar por lo menos dos cursos,

el
b) la probabilidad de aprobar por lo menos un curso,
c) la probabilidad de no aprobar curso alguno.
Rpta. a) 0.55 b) 0.9.

12. Una caja contiene 100 vacunas. La probabilidad de que al menos una no sea efectiva es 0.05 y de haya al
menos dos no efectivas es 0.01. Cul es la probabilidad de que la caja contenga

a) todas las vacunas efectivas,

iz
b) exactamente una no efectiva
c) a lo ms una no efectiva.

13. En una lista de electores, 3 son del partido A, 8 del partido B y 13 del partido C. Otra lista tiene 5
electores del partido A, 7 del partido B y 6 del partido C. Una persona de cada lista es elegida al azar, cul
es la probabilidad de que ambas personas sean del mismo partido?.
Rpta. 0.3449

14. Cinco hombres y cuatro mujeres se sientan en forma aleatoria en 9 asientos arreglados en fila. Hallar la
probabilidad de que todas las mujeres estn juntas.
Rpta. 0.0476.

15. Dado un segmento de longitud L, se seleccionan al azar dos puntos de ste. Hallar la probabilidad de que
pueda construirse un tringulo a partir de los tres segmentos resultantes.
Rpta. 0.25
 Probabilidad. 161

16. Dos personas acuerdan encontrarse en cierto lugar entre las 8 a.m. y las 9 a.m. de un da determinado y
convienen en que cada uno de ellos debe esperar al otro solamente 10 minutos. Hallar la probabilidad de
que se encuentren.
Rpta. 11/36.

17. Usando la probabilidad geomtrica, dar un evento diferente del vaco cuya probabilidad es 0.

18. La produccin de camisas de una determinada marca presenta el 2% de defectuosas. Si de un lote de 200
camisas se eligen al azar y de una sola vez 30 de ellas, cul es la probabilidad que de las camisas
escogidas, 3 sean defectuosas?.
Rpta. 0.0107.

19. Probar que P( A B C) = P( A) + P( B) + P(C) P( A B) P( A C) P( B C) + P( A B C) .

20. En una caja hay n balotas numeradas del 1 al n. Las balotas se sacan de una en una sin reemplazo. Si la
balota r se saca en la r - sima extraccin se considera un xito. Hallar la probabilidad de obtener al
menos un xito.
Rpta. 1/1! 1/2! + 1/3! - ... ( 1)n 11 / n!

21. Si la probabilidad de un evento A es p , entonces se define "la posibilidad de que ocurra A "
como la razn de p a 1 - p. A menudo las posibilidades se expresan como cocientes de dos
factores que no tienen un factor comn y si es ms probable de que no ocurra un evento, se
acostumbra dar las posibilidades de que no ocurra en lugar de las que s ocurra, Cules son
las posibilidades a favor o en contra de la ocurrencia de un evento si su probabilidad es
a) 3/8; b) 0.07; c) 0.45
cv
22. Usar la definicin dada en el ejercicio anterior para probar que si las posibilidades de la
ocurrencia del evento A son de a a b , donde a y b son enteros positivos, entonces
a
P( A) = . Esta frmula se usa para determinar probabilidades subjetivas. Por ejemplo, si
a +b
un alumno "siente" que las posibilidades estn 7 a 4 de aprobar una materia, la probabilidad
subjetiva que l se asigna es 7/11.
el
2.5. PROBABILIDAD CONDICIONAL Y EVENTOS
INDEPENDIENTES.
La probabilidad de un evento no asume condiciones especiales aparte de las que definen
el experimento. Tal es el caso de la probabilidad de que una persona fume. Algunas
iz
veces; sin embargo, se requiere revisar la probabilidad de un evento a partir del
conocimiento de condiciones adicionales que pueden afectar su resultado. As, la
probabilidad de que una persona fume puede ser calculada a partir de la informacin
adicional de que la persona elegida es mujer. De este modo, el espacio muestral se ha
reducido al caso de las mujeres. La probabilidad de que una persona elegida fume
sabiendo que es mujer es una probabilidad condicional.

Si el espacio muestral es finito y con n elementos equiprobables, la probabilidad

condicional de A dado el evento B, se calcula observando que el espacio muestral se
reduce a B. As,

# ( A B ) # ( A B ) / n P ( A B)
P( A B) = = = .
# ( B) # ( B) / n P( B )
162. Probabilidad.

En general, para cualquier espacio muestral (no necesariamente finito) la

probabilidad condicional se define de la siguiente manera:

Dados los eventos A y B , la probabilidad del evento A sabiendo que el

evento B ha sucedido, se llama probabilidad condicional de A dado B.
Esta probabilidad se denota con P(A | B) y se define como

P( A B)
P( A | B) = , si P ( B ) 0
P( B)

Cuando P(B) = 0, se puede definir P ( A| B ) = 0 .

De la definicin de probabilidad condicional, se deduce que

P(A B) = P(A|B).P(B) o equivalentemente P(A B) = P(B|A).P(A)

A partir de la definicin se obtienen tambin las siguientes propiedades.

PROPIEDADES.

a) P(A|B) 0.
cv
b) P(|B) = 1.

c) P((A1 A2)|B) = P(A1|B) + P(A2|B), si A1 A2 = .

Estas propiedades indican que la probabilidad condicional es una probabilidad en .

Puede obtenerse otras propiedades como la siguiente
el
P( A | B ) = 1 P ( A | B) .

2.38. Ejemplo.
Calcular P( A | B ) si, P(A) = 0.4, P(B) = 0.7 y P(A|B) = 0.2.
iz
Solucin.
Supondremos, para simplificar, que el espacio muestral es un rectngulo de rea igual
a 1 y que los eventos A y B son como se indican. De este modo las reas de cada regin
que representa a los eventos son iguales a su probabilidad.

x y A
x
B

Figura 2.4
 Probabilidad. 163

P( A B)
Como 0.2 = P ( A| B) = ,
P ( B)

se tiene que x = P( A B) = 0.2 P( B ) = 0.2(0.7) = 014

. .

Se tiene: P ( A| B ) = P ( A B ) = 0.4 x 0.4 0.14 0.26 26 13

y
= = = = = .
P( B ) 1 P ( B ) 1 0.7 0.3 0.3 30 15

Eventos independientes.
Si la probabilidad del evento A no depende de la realizacin del evento B se dice que A
es independiente de B. Formalmente,

Se dice que dos eventos A y B son independientes si P(A | B) = P(A).

Si la probabilidad de que una persona contraiga una enfermedad E es igual a la

probabilidad de que la persona contraiga la enfermedad sabiendo que sta es mujer, se
tendr que los eventos que indican el riesgo de contraer la enfermedad y que la persona
sea mujer son independientes.
cv
La siguiente propiedad es una consecuencia directa de la definicin de eventos
independientes y de la probabilidad condicional.

Si los eventos A y B son independientes, P(A B) = P(A)P(B)

En efecto, P(A B) = P(A | B)P(B) = P(A)P(B)

2.34. Ejemplo.
En una caja hay 7 bolas rojas y 3 verdes. Se sacan dos bolas al azar de una en una. Hallar
el
la probabilidad de que la primera sea roja y la segunda tambin,

a) si despus de sacar la primera bola, sta se devuelve para sacar la segunda (extraccin
con restitucin).

b) si despus de sacar la primera bola, sta no se devuelve para luego sacar la segunda
iz
(extraccin sin restitucin).

Solucin.
Sean los eventos:

A: "La primera bola extrada es roja".

B: "La segunda bola extrada es roja".

En a) como en b), se pide calcular P(A B).

a) En este caso, la primera bola extrada se devuelve, la probabilidad de B no depende

del evento A, stos son independientes y

P(A B) = P(A)P(B) = (7/10)(7/10) = 0.4900.

164. Probabilidad.

b) Si la primera bola extrada no se devuelve, la probabilidad del evento B depende del

evento A. Los eventos no son independientes y

P(A B) = P(B|A)P(A) = (6/9) (7/10) = 0.4667.

2.39. Ejemplo.
Se ha determinado que los motores que produce una compaa presentan dos tipos de
defectos A y B. El 5% de los motores presentan el defecto A mientras que el 10% tienen
el defecto B. Adicionalmente, el 3% de los motores presentan ambos defectos.

Cul es la probabilidad de que un motor tenga

a) el defecto A, dado que tiene el defecto B?

b) el defecto B, dado que tiene el defecto A?.

Solucin.
Sean los eventos

A: "ocurre A"
B: "ocurre B".
cv
Se supone que P(A) = 0.05, P(B) = 0.10 y P ( A B ) = 0.03. Luego,

P( A B) 0.03
a) P( A| B ) = = = 0.30 .
P ( B) 0.10
P( A B) 0.03
b) P( B| A) = = = 0.60.
P( A) 0.05
el
PROPIEDAD.
Si A y B son independientes entonces A y B tambin lo son.

Veamos que en efecto, P ( A B ) = P ( A) P ( B ).

P ( A B ) = P ( B | A) P ( A) = [1 P ( B | A)] P ( A) = [1 P ( B )] P ( A) = P ( B ) P ( A).
iz
La penltima igualdad se cumple pues A y B son independientes.

2.40. Ejemplo.
Probar que P(A B C) = P(C|(A B)) P(B|A)P(A).

Solucin.
P(A B C) = P((A B) C)

= P(C|(A B))P(A B) = P(C|(A B))P(B|A)P(A).

2.41. Ejemplo.
La probabilidad de que se venda un determinado producto despus de ofrecerlo es 0.4.
Suponiendo independencia entre las ventas, cul es la probabilidad de que la primera
venta ocurra en la sexta oferta?.
 Probabilidad. 165

Solucin.

Ai indica el evento: se realiza una venta en la i-sima oferta

La probabilidad de que no se realice la venta es 0.6. Luego la probabilidad pedida es

P( A1 ... A5 A6 ) = P( A1 ) P( A2 )... P( A5 ) P( A6 ) = (0.65)(0.4) = 0.0311

2.42. Ejemplo.
En los ltimos aos la Universidad ABCD ha estado llevando un registro de sus
egresados que en la actualidad tienen empleo, anotando el nmero de aos que utilizaron
para terminar su carrera y su posicin (Alta, media y baja) que tienen como
profesionales. La siguiente informacin se obtuvo de 200 egresados.

Alta Media Baja Total

5 Aos 30 70 20 120
Ms de 5 aos 20 30 30 80
Total 50 100 50 200
a) Basndose en la informacin anterior, cul es la probabilidad de que un egresado
cuya duracin de sus estudios fue de 5 aos tenga alta posicin profesional en su empleo
cv
actual?.

b) Si el egresado tiene baja posicin profesional en su empleo, cul es la probabilidad

de que tal persona haya realizado sus estudios en ms de 5 aos?.
c) Si el egresado tiene posicin profesional media, cul es la probabilidad de que tal
persona haya realizado la carrera en 5 aos?.
el
Solucin.
Sean los eventos descritos del siguiente modo,
A: El egresado tiene alta posicin profesional
B: El egresado tiene mediana posicin profesional
C: El empleado tiene baja posicin profesional
D: El egresado hizo la carrera en 5 aos
iz
E: El egresado hizo la carrera en ms de 5 aos.

P ( A D ) 30 / 200
a) P(A|D) = = = 0.2500.
P( D) 120 / 200
P( E C)
b) P(E|C) = = 0.6000.
P(C)
P( D B)
c) P ( D| B ) = = 0.7000.
P( B)

2.43. Ejemplo.
De acuerdo a la tabla de mortalidad correspondiente a cien mil personas y para 1990 -
1995 y que se da a continuacin,

a) cul es la probabilidad de que una persona est viva a los 65 aos?.

166. Probabilidad.

b) cul es la probabilidad de que una persona que est viva a los 30 aos lo est a los 65
aos.

Edad en aos Personas Edad en aos Personas Edad en aos Personas

vivas vivas
vivas
0 100 000 25 89937 55 76820
1 93 823 30 87876 60 71569
5 91526 35 86682 65 64485
10 90857 40 85169 70 54814
15 90453 45 83210 75 42921
20 89848 50 80523 80 29703

Solucin.

a) La probabilidad de que una persona est viva a los 65 es igual a 64485/100000 =

0.64485.

b) La probabilidad de que una persona est viva a los 65 aos dado que est viva a los
30 aos es igual a

64485 / 100000
= 0.7338.
87876 / 100000
cv
2.44. Ejemplo.
Un alumno debe escoger entre tomar un curso de Matemticas o llevar un curso de
Letras. Si escoge el de Matemticas la probabilidad de que lo apruebe es 1/3, mientras
que si escoge el de Letras, la probabilidad de que lo apruebe es 3/4. Para decidir qu
curso llevar, acuerda lanzar una moneda equilibrada. Cul es la probabilidad de que el
alumno lleve el curso de Matemticas y lo apruebe?. Cul es la probabilidad de que
lleve el curso de Letras y no lo apruebe?.
el
Solucin.
Sean los eventos:

A, descrito por "llevar el curso de Matemticas",

M, descrito por "aprobar Matemticas",
iz
L, descrito por "llevar el curso de Letras", y
B, descrito por "aprobar el curso de Letras".

La probabilidad de llevar el curso de Matemticas y aprobarlo es

P(M A) = P(M|A)P(A) = (1/3)(1/2) = 0.1667.

La probabilidad de llevar y no aprobar el curso de Letras es

P(L B ) = P( B |L)P(L) = (1 - 3/4)(1/2) = 0.1250.

(Nota: P(A) = P(L) = 1/2, pues la moneda es equilibrada)

 Probabilidad. 167

2.45. Ejemplo.
La probabilidad de fallar de cada una de las 4 piezas de un aparato es 0.001. Si
el aparato funciona por lo menos con 3 de las piezas indicadas, hallar la
probabilidad de que ste no funcione si cada pieza se desarrolla en forma
independiente.

Solucin.
Sea M i el evento descrito por "la pieza i no falla".

Cualquiera de los siguientes eventos indica que el aparato funciona:

A = (M 1 M 2 M 3 M 4 ), B = ( M1 M 2 M 3 M 4 ),

C = (M 1 M 2 M 3 M 4 ), D = (M 1 M 2 M3 M 4 ) y

E = (M 1 M 2 M 3 M 4 ).

Como los eventos A, B, C, D y E son mutuamente excluyentes, se tiene:

P(aparato funcione) = P(A) + P(B) + P(C) + P(D) + P(E) =

cv
0.999 4 + (0.999 3 ) (0.001) + (0.999 3 )(0.001)

+ (0.999 3 )(0.001) + (0.999 3 )(0.001) = 0.9999.

La probabilidad de que el aparato no funcione es 1 0. 9999 = 0.0001.

2.46. Ejemplo.
Una tienda tiene en stock dos lavadoras al iniciar el da lunes. El stock puede renovarse
el
slo hasta el da mircoles. Las probabilidades de que los clientes demanden 0, 1, 2
lavadoras el da lunes son: 0.4, 0.5 y 0.1, respectivamente. Las probabilidades para el
da martes son: 0.6, 0.2 y 0.2, respectivamente.

Si las demandas en los dos das indicados son independientes, hallar la probabilidad del
evento A que indica que al trmino del da martes no exista lavadora alguna en la tienda.
iz
Solucin.
Si con Li y M i , denotamos los eventos que indican que i lavadoras han sido
demandadas los das lunes y martes, respectivamente, se tendr que la probabilidad de
que el da martes no exista lavadoras en stock es igual a

1 P[( L0 M 0 ) ( L0 M 1 ) ( L1 M 0 )] = 1 (0.4 0.6 + 0.4 0.2 + 0.5 0.6) = 0.38.

2.47. Ejemplo.
De la historia respecto de la prueba de ingreso a una Universidad se ha recabado la
siguiente informacin: 25% de postulantes pensaron que ingresaban a la Universidad e
ingresaron, 45% de los postulantes pensaron que ingresaban a la Universidad y no
ingresaron, 10% no pensaban ingresar pero si ingresaron, y finalmente, 20% no pensaban
168. Probabilidad.

ingresar y no ingresaron. Para un prximo examen se escoge un postulante al azar, cul

es la probabilidad?

a) de que no ingrese?.
b) de que ingrese si piensa ingresar?.
c) de que ingrese si no piensa ingresar?.

Solucin.
Sean los eventos definidos de la siguiente manera:

A: el postulante piensa que ingresa y

B: el postulante ingresa.

De la informacin se tiene que

P ( A B ) = 0.25, P ( A B ) = 0.45,
P ( A B ) = 0.1, P ( A B ) = 0.20.

Como A = ( A B ) ( A B ) y B = ( B A) ( B A ) , se tiene
P ( A ) = P ( A B ) + P ( A B ) = 0.7 y P( B) = P( B A) + P( B A ) = 035.
cv
Resulta entonces lo siguiente:

a) la probabilidad de que el postulante no ingrese es

P ( B ) = 1 P ( B ) = 1 ( 0.25 + 0.1) = 0.65.

b) la probabilidad de que el postulante ingrese si piensa ingresar es

el
0.25
P ( B| A) = = 0.3571.
0.70

c) la probabilidad de que el postulante ingrese si no piensa ingresar es

iz
0.1
P ( B| A ) = = 0.3333.
0.3

2.48. Ejemplo.
Se tiene una urna con n bolas negras y r bolas rojas. Cada vez que se saca una
bola al azar se devuelve sta a la urna conjuntamente con otras c del mismo
color y otras d del color opuesto. Hallar la probabilidad de sacar negra, negra y
roja en las tres primeras extracciones.

Solucin.
La probabilidad de extraer una bola negra en la primera extraccin es n/(n + r).

Despus de la primera extraccin el nmero de bolas que hay en la urna es n +

r + c + d, (n + c negras y r + d rojas).
 Probabilidad. 169

La probabilidad de extraer "negra, negra" en las dos primeras extracciones es

n n+c

n+r n+r +c+d

La probabilidad de extraer "negra, negra, roja" en las 3 primeras extracciones

es

n n+c r + 2d
.
n + r n + r + c + d n + r + 2c + 2d

Ntese que si c = 0 y d = 0, se tiene una extraccin sin reemplazo y si c = 0 y d

= 1, se tiene una extraccin con reemplazo.

Si c > 0 y d = 0, se tiene el llamado " modelo de contagio ", pues cada vez
aumenta la probabilidad de las extracciones del mismo color.

Si c = 0 y d > 0, se tiene que despus de extraer una bola de un determinado

color, la probabilidad de sacar una bola del mismo color en la prxima
extraccin disminuye.
cv
2.49. Ejemplo.
Segn una encuesta realizada,

-el 90% de los hombres ( H ) que tienen cncer pulmonar ( C ) son fumadores ( F ).
-el 70% de mujeres ( M ) que tiene cncer pulmonar son fumadoras.
-la frecuencia de cncer pulmonar es 4 10 - 4 para los hombres y de 10 - 4 para
las mujeres.
el
-la proporcin relativa de fumadores es 5 veces ms elevada en los hombres
que en las mujeres.

Se puede concluir que una mujer fumadora tiene ms propensin de contraer

cncer pulmonar que un hombre fumador?.

Solucin.
iz
Los datos nos indican que:

P( F H C)
P ( F |H C ) = 0.9; es decir, = 0.9,
P( H C)
P( F M C)
P(F|M C) = 0.7 ; esto es, = 0.7 y
P( M C)
P( F H ) P( F M )
P ( F |H ) = 5 P ( F |M ); es decir, =5 .
P( H ) P( M )

Para responder afirmativamente la pregunta es suficiente probar que

P (C| M F )
> 1.
P ( C| H F )
170. Probabilidad.

Usando las relaciones anteriores, se tiene:

P (C| M F ) P(C M F ) P( H F )
=
P ( C| H F ) P( M F ) 0.9 P( H C )

4
0.7 10 5 P( F | M ) 3.5
= = .
P ( F | M ) 0.9 4 x10 4 3.6

Como 3.5/3.6 es mayor que 1, la respuesta es afirmativa; sin embargo, este

valor es muy cercano a 1; lo que indica que una mujer fumadora tiene, prcti-
camente, la misma probabilidad de contraer cncer pulmonar que un hombre
fumador.

Independencia de ms de dos eventos.

Los eventos A1, A2, ... , An, son mutuamente independientes (o,
simplemente, independientes) si para cualquier grupo de eventos diferentes
Ai, Aj, ..., Am , se cumple que
cv
P(Ai Aj , ... , Am) = P(Ai).P(Aj).....P(Am)

Segn lo indicado, para que n sucesos sean independientes no es suficiente que sean
independientes dos a dos; es decir, que dos cualquiera de ellos sean independientes,
como lo muestra el ejemplo siguiente:
el
Se considera el espacio muestral = {a, b, c, d} sobre el que se ha definido la
probabilidad P que asigna a cada elemento el valor 1/4.

Sean los sucesos: A = {a, b}, B = {b, c}, C = {c, a}.

Se tiene que A y B son independientes pues

iz
P ( A B ) = P ({b}) = 1 / 4 = (1 / 2 )(1 / 2 ) = P ( A ) P ( B )

De igual manera, A y C son independientes. Tambin B y C.

Sin embargo, los tres eventos A, B, C, no son mutuamente independientes puesto que

P ( A B C ) = P ( ) = 0 P ( A ) P ( B ) P ( C ) = 1 / 8.
 Probabilidad. 171

2.6. EJERCICIOS.
1. Dados P( A) = 0.5, P( B) = 0.7 y P( A B) = 0.15, decir si A y B son independientes.
Rpta. No.

2. Para dos eventos A y B se indic P(A) = 0.65, P(B) = 0.80, P(A|B) = P(A), P(B|A) = 0.85. Es correcta la
asignacin de probabilidades?.

3. En un estudio para introducir una nueva revista semanal se ha determinado que de 200 personas
encuestados, 30 leen la revista A, 35 leen la revista B, 40 leen la revista C, 8 leen las revistas A y C, 12 leen
las revistas A y B, 15 leen las revistas B y C y 6 leen las revistas A, B y C. Si con A denotamos al evento
formado por todos los lectores de la revista A, con B denotamos al evento formado por todos los lectores de
la revista B y con C denotamos al evento formado por todos los lectores de la revista C, hallar

P( A| B), P( B| A), P( A B| C ), P( A| B C ) y P( A B| A C ).
Rpta. P( A| B) = 12 / 35, P( B| A) = 12 / 30.

4. Se ha determinado que las probabilidades de que un televidente vea los programas A, B, o C son: 0.5, 0.4 y
0.7, respectivamente. Cul es el porcentaje de televidentes que ven por lo menos dos de los programas?. Se
asume que cada persona ve los programas independientemente uno del otro.
Rpta. 0.55.

5. El 3% de la poblacin en general padece de la enfermedad E. De ellos solamente el 40% lo saben. Si se

cv
selecciona al azar una persona, cul es la probabilidad de que padezca E pero no sea consciente de
padecerla
Rpta. 0.012.

6. Para que un postulante sea admitido a una Escuela Superior debe pasar con xito al menos dos exmenes
consecutivos de los tres a que es sometido en forma alternada ante dos personas A y B. Se supone que los
exmenes son independientes. Por experiencia se sabe que el 40% de los postulantes aprueban el examen
con A, mientras que slo el 35% aprueban el examen con B. Si a cada postulante se le permite escoger a la
persona con quien iniciar los exmenes; qu recomendar al postulante, iniciar con A o con B?.
Rpta. Con B.
el
7. Un estudiante tiene la probabilidad p (<1) de aprobar cada examen del curso C. Se le ofrecen dos
alternativas: a) Dar un nico examen final o b) Dar tres exmenes con la condicin de aprobar por lo menos
dos. Cul es la alternativa ms favorable?.

8. a) Probar que si A y B son independientes, A y B tambin son independientes. b) Probar P(B|A) = 1 -

P ( B | A) .
iz
9. En la siguiente tabla se presenta la distribucin de 125 hogares de acuerdo con los ingresos de sus jefes de
familia y con el hecho de ser propietarios de telfonos y de aparatos de televisin.

Hogares con ingresos de Hogares con ingresos de ms

$1000 o menos de $1000
con telfono sin telfono con telfono sin telfono
Con TV 27 20 18 10
Sin TV 18 10 12 10

a) Cul es la probabilidad de elegir un hogar con TV?.

b) Si una familia con ingresos de ms de $1000 tiene telfono, cul es la probabilidad de que tenga TV?.
c) Cul es la probabilidad de elegir a una familia que tenga un TV, dado el hecho que tiene telfono?.
d) Son independientes los eventos "tener TV" y tener telfono?.
e) Son independientes los eventos "ingresos de menos de $1000" y "ser propietario de TV"?.
Rpta. 7. a) 0.60, b) 0.60.
172. Probabilidad.

10. Doscientas personas estn distribuidas de acuerdo a su sexo y lugar de procedencia de la siguiente manera:
130 son varones, 110 son capitalinos, 30 son mujeres y del interior. Si se eligen dos personas al azar, cul
es la probabilidad
a) de que ambos sean varones y del interior?.
b) b) de que al menos una de las dos personas sea mujer?.
Rpta. 8. a) 0.0889, b) 0.5786.

11. Con la finalidad de determinar la efectividad de una prueba de sangre para detectar cierta enfermedad se
realiz un estudio sobre 100 personas. De las 100 personas elegidas al azar, las pruebas convencionales
determinaron que 10 de ellas padecan la enfermedad y 90 de ellas no la tenan. En el grupo que no la
padecan, 86 individuos resultaron con pruebas negativas y 4 resultaron con pruebas positivas. En el grupo
de las personas que tenan la enfermedad se encontraron tres individuos con pruebas negativas y siete con
positivas. A partir de los datos, cul es la probabilidad de que una persona con prueba positiva padezca la
enfermedad?.

12. La compaa de telfonos asegura que la fiabilidad del servicio es tal que cuando se marca correctamente
el nmero deseado se tienen 19 chances sobre 20 de obtener tono al otro lado de la lnea.

a) Cul es la probabilidad de obtener tono al otro lado de la lnea en tres intentos a lo ms si se supone que
cada vez se marca el nmero correcto?.
b) Si se estima que en el primer intento existe un chance sobre 10, de marcar un nmero equivocado (error
de manipulacin) y para el segundo intento existe 1 chance sobre 100 de equivocacin; cul es la
probabilidad de obtener tono al otro lado de la lnea en tres ensayos a lo ms?.
Rpta. a) 0.9998, b) 0.9996.

13. Con el fin de probar la efectividad de un test para detectar enfermedades renales en pacientes con
hipertensin, se escogieron 200 pacientes hipertensos obtenindose los siguientes resultados: 56 pacientes
cv
tenan afecciones renales, en 55 pacientes con enfermedad renal el test result positivo, en 13 pacientes sin
enfermedad renal el test result positivo.

a).Hallar la "tasa falsa positiva" del test. Esto es, la probabilidad que el test resulte negativo dado que el
paciente sufre de afecciones renales.
b). Hallar la "tasa falsa negativa" del test. Esto es, la probabilidad que el test resulte positivo dado que el
paciente no sufre de afecciones renales.

14. Una persona est expuesta al riesgo en 1000 ocasiones independientes. Si la probabilidad de
el
que ocurra un accidente es 1/1000 cada vez, hallar la probabilidad de que un accidente ocurra
en una o ms ocasiones.
Rpta. 0.6323.

15. Una persona tiene tiempo para jugar la ruleta cuatro veces. Gana o pierde $1 en cada juego. La persona
comienza con $2 y parar de jugar antes de los cuatro juegos si pierde todo su dinero o gana $3 (o sea, si
termina con $5). Hallar el nmero de maneras cmo pueden ocurrir los juegos. Hallar la probabilidad de
iz
ganar $2 despus de 4 juegos.

16. En una urna hay dos bolas rojas y una negra. Hugo, Paco y Luis (en ese orden) deben sacar, uno despus
del otro, una bola sin restituirla posteriormente. Cul de las tres personas tiene mayor probabilidad de sacar
la bola negra?.
Rpta. Todos tienen igual probabilidad.

17. Probar que si M y D son dos eventos con probabilidad diferente de 0 entonces,
P( M ) = P( M | D) si y slo si P( D) = P( D| M ) .
 Probabilidad. 173

2.7. EL TEOREMA DE LAS PROBABILIDADES TOTALES Y EL

TEOREMA DE BAYES.
Estudiaremos previamente el teorema de las probabilidades totales. Este teorema
permite el clculo de la probabilidad de un evento A considerando la informacin que
puede existir en un conjunto de condiciones mutuamente excluyentes.

Teorema de las probabilidades totales.

Sea un espacio muestral en donde se halla definida una probabilidad P. Si A1, ... , An,
son eventos con la propiedad: A1 A2 ... An = y disjuntos dos a dos, entonces se
cumple que

n
A , P ( A ) = P ( A| Ai ) P ( Ai ) .
i =1

A
cv
A A A
1 2 ... n
Figura 2.5

Prueba.

Se tiene que A = A.
el
Reemplazando por su equivalente se tiene

A = (A1 ... An) A = (A1 A) ... (An A).

Como Ai Aj = para i j resulta, (Ai A) (Aj A) = para i j,

iz
luego,

P(A) = P(A1 A) + ... + P(An A) = P(A|A1)P(A1) + ... + P(A|An) P(An)

n
= P( A| Ai ) P( Ai ) .
i =1

2.50. Ejemplo.
Una ciudad est dividida en tres distritos: A, B y C. En el distrito A vive 1/4 de la
poblacin, en el distrito B, vive 1/2 de la poblacin y en el distrito C vive 1/4 de la
poblacin. Se ha determinado que 25 % de los que viven en el distrito A, el 20% de los
que viven en B y el 18% de los que viven en C, son desocupados. Se escoge un poblador
de la ciudad al azar, cul es la probabilidad de que sea desocupado?.

Solucin.
174. Probabilidad.

Sean los eventos:

A = "habitantes del distrito A", B = "habitantes del distrito B"

C = "habitantes del distrito C", D = "desocupados".

Segn el teorema de las probabilidades totales:

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

= 0.25(1/4) + 0.20(1/2) + 0.18(1/4) = 0.2075.

2.51. Ejemplo.
En una poblacin en donde el 45% de las personas son mujeres, la probabilidad de que
una mujer tome un seguro de vida es 0.4, mientras que la probabilidad de que un hombre
tome el mismo tipo de seguro es 0.65. Cul es la probabilidad de que una persona
elegida tome un seguro de vida?.

Solucin.

Sean los eventos:

cv
M, descrito por "la persona elegida es mujer"
V, descrito por "la persona elegida es varn".
S, descrito por "la persona elegida toma un seguro de vida".

Por el teorema de las probabilidades totales,

P(S) = P(S|M)P(M) + P(S|V)P(V).

el
Como: P(S|M) = 0.40, P(S|V) = 0.65, P(M) = 0.45 y P(V) = 0.55, se tiene P(S) = 0.5375.

Los casos descritos son experiencias aleatorias secuenciales que pueden representarse
usando los llamados rboles de probabilidades, como el de la siguiente figura, en donde
cada rama representa un resultado parcial de la experiencia y cada nudo terminal, un
punto del espacio muestral. Sobre algunas ramas del rbol se ha escrito la probabilidad
iz
condicional del resultado que representa dada la experiencia anterior. La probabilidad de
cada nudo terminal se obtiene multiplicando los nmeros escritos sobre las ramas que
conducen a l.

* P ( S |M )P ( M ) = (0.40)(0.45)
0.40
S -
M S
0.45 -
PERS
S
0.55 V S P ( S | V ) P ( V ) =( 0.65)(0.55)
*
0.65
Figura 2.6. Los nodos terminales que indican el resultado S estn marcados con *.
 Probabilidad. 175

2.52. Ejemplo.
Dos mquinas producen un mismo artculo. La probabilidad de que la mquina
1 produzca un artculo defectuoso es 0.01, mientras que la mquina 2 produce
un artculo defectuoso con probabilidad 0.02. De un gran lote de artculos
producidos se extrae uno al azar, hallar la probabilidad de que sea defectuoso si
el lote contiene 50% de artculos producidos por la mquina 1 y 50% de
artculos producidos por la mquina 2.

Solucin.
Sean los eventos:

M 1 , descrito por "el artculo es producido por la mquina 1".

M 2 , descrito por "el artculo es producido por la mquina 2".

D, descrito por "el artculo es defectuoso".

Por el teorema de las probabilidades totales,

P(D) = P(D|M 1 )P(M 1 ) + P(D|M 2 )P(M 2 ).

Como: P(D|M 1 ) = 0.01, P(D|M 2 ) = 0.02 y P(M 1 ) = P(M 2 ) = 0.5, se tiene

P(D) = 0.015.
cv
* P ( D |M )P ( M ) = ( 0.01)(0.50) = 0.005
0.01 1 1
D -
M D
1
0.5 -
ART
D
0.5 M2
el
D P ( D | M ) P ( M ) = 0.01
* 2 2
0.02
Figura 2.7 . Los nodos terminales que indican el evento D estn marcados con * .
iz
El teorema de Bayes.
Un candidato a una curul parlamentaria puede recibir informacin indicndole que
ganar las elecciones con el 80% de probabilidad. Esta probabilidad puede ser revisada a
la luz de informacin adicional, como por ejemplo un sondeo de opinin. De este modo
tomar determinadas acciones; tal vez realize ms presentaciones pblicas.

El teorema de Bayes (Reverendo T. Bayes 1702-161), que a continuacin se desarrolla,

es una herramienta que permite determinar, a partir de la probabilidad a priori P(Ai), la
probabilidad "a posteriori" del evento Ai, dada una cierta informacin A, permitiendo
revisar estimaciones anteriores y reducir el riesgo en la toma de decisiones.
176. Probabilidad.

Teorema. (De Bayes).

Con las mismas hiptesis del teorema de las probabilidades totales, se cumple

P ( A| Ai ) P ( Ai )
P ( Ai | A ) = n , para i = 1,..., n
P ( A| A k ) P ( Ak )
k =1

Prueba.
P ( A Ai ) P ( A| Ai ) P ( Ai )
P ( Ai | A ) = = n .
P ( A)
P ( A| A k ) P ( A k )
k =1

La ltima igualdad se obtiene usando el teorema de las probabilidades totales.

2.53. Ejemplo.
La probabilidad de obtener xito en un negocio es 0.7 si no interviene en el mercado una
firma competidora, mientras que si interviene la firma competidora la probabilidad de
xito ser solamente 0.4. Se ha determinado que la probabilidad de que la firma
competidora intervenga en el mercado es 0.8.
cv
a) Cul es la probabilidad de que se obtenga xito en el negocio?.
b) Si se obtuvo xito en el negocio, cul es la probabilidad de que haya
intervenido la firma competidora en el negocio?.

Solucin.
Con I denotamos al evento descrito por interviene la firma competidora, y con
E, al evento descrito por la compaa obtuvo xito.
el
a) Usando el teorema de las probabilidades totales,

P( Exito) = P(Exito| I).P(I) + P(Exito| I ) P( I ) = (0.7)(0.2) + (0.4)(0.8) = 0.46.

iz
b) Por el teorema de Bayes,

P( E | I ) P( I ) (0.4)( 0.8) 0.32

P( I | E ) = = = = 0.6957 .
P( E ) 0.46 0.46

2.54. Ejemplo.
Un laboratorio somete a los choferes que cometen accidentes de trnsito a un test de
"dosaje etlico". Cul es la probabilidad de que un chofer de esta poblacin est ebrio,
dado que el resultado del dosaje etlico fue positivo?, si se ha determinado que:

- cuando el chofer est ebrio, el test proporciona resultado positivo en el 95% de los
casos.
- cuando el chofer no est ebrio, el test proporciona resultado negativo en el 94% de los
casos.
- el 2% de los conductores que cometen accidentes manejan ebrios.
 Probabilidad. 177

Solucin.
El espacio muestral est formado por todos los choferes que cometen accidentes.

Sean los eventos:

E, descrito por "el chofer est ebrio" y

T, descrito por "el test es positivo".

Por el teorema de Bayes se tiene que a partir de la informacin adicional T, la

probabilidad corregida de E es

P(T | E ) P ( E ) (0.95)(0.02)
P( E | T ) = = = = 0.2442.
P(T | E ) P ( E ) + P(T | E ) P( E ) (0.95)(0.02) + (1 0.94)(0.98)

En cada uno de los siguientes ejemplos, el lector indicar el espacio muestral

correspondiente.

2.55. Ejemplo.
Un mdico tiene duda entre tres enfermedades E1, E2, y E3, posibles en un paciente.
Observando el estado general del paciente, al mdico le parece que E1 es tres veces ms
probable que cualquiera de las otras dos. Sin embargo, ordena un examen de sangre el
cv
que se sabe resulta positivo en el 10% de los casos cuando la E1 es la causa de la
dolencia, en el 90% de los casos cuando la causa de la dolencia es la E2 y en el 60% de
los casos cuando la causa de la dolencia es la E3. Si el resultado del anlisis fue positivo
cul es la probabilidad final de cada enfermedad?. A la luz de los resultados, se puede
afirmar que E1 es tres veces ms probable que cualquiera de las otras dos
enfermedades?.

Solucin.
el
Se tiene que P(E1) = 3P(E2) y P(E1) = 3P(E3).

Por otro lado, P(E1) + P(E2) + P(E3) =1; de donde se tiene que

P(E1) = 0.6, P(E2) = 0.2 y P(E3) = 0.2.

iz
Aplicando el teorema de Bayes se tiene que la probabilidad final para E1, dado que el
anlisis fue positivo es

P ( T | E1 ) P ( E1 )
P ( E1 | T ) = = 1 / 6,
P ( T | E1 ) P ( E1 ) + P ( T | E 2 ) P ( E 2 ) + P ( T | E 3 ) P ( E 3 )

en donde T indica que el resultado del anlisis fue positivo. De igual manera se obtiene
que: P(E2|T) = 1/2 y P(E3|T) = 1/3.

A la luz de los resultados del anlisis, E1 es tres veces menos probable que E2 y dos
veces menos probable que E3.
2.56. Ejemplo.
Al contestar una pregunta de "opcin mltiple" y con 5 distractores (posibles
respuestas) de los cuales slo uno es la respuesta correcta, puede ocurrir que la
178. Probabilidad.

persona que responda correctamente conozca realmente la respuesta o responda

al azar. La probabilidad que conozca la respuesta es 0.6 y que recurra al azar,
0.4. Si un estudiante marc correctamente la respuesta, cul es la probabilidad
de que conozca la respuesta?.

Solucin.
Sean los eventos:

A, descrito por "el alumno conoce la respuesta",

B, descrito por "el alumno contest correctamente".
La respuesta tiene cinco distractores para seleccionar uno. Se tiene entonces
que la probabilidad de contestar correctamente, dado que la persona recurri al
azar es 1/5 = 0.2.

La probabilidad pedida, P(A|B), es

P ( B | A) P ( A ) 1( 0.6)
P ( A| B ) = = = 0.8824.
P ( B| A) P ( A) + P ( B| A ) P ( A ) 1( 0.6) + 0.2 ( 0.4 )

2.57. Ejemplo.
Una fbrica de radios transistores produce 98% de radios buenos y 2% de
defectuosos. Antes de ponerlos a la venta se someten a un control de calidad.
cv
Segn este control, cuando un aparato es bueno, ste es declarado como tal con
probabilidad 0.95 y cuando no lo es, ste es declarado como bueno con
probabilidad 0.04. Si un radio fue considerado como bueno en dos
verificaciones consecutivas y se considera que stas son independientes en
cualquier situacin, cul es la probabilidad de que el radio sea realmente
bueno?.
el
Solucin.
Sean los eventos:

B, descrito por "el radio es bueno realmente",

B', descrito por "el radio es considerado como bueno por el control en la
iz
primera vez".

B'', descrito por el "radio es considerado como bueno por el control la segunda
vez".

B' B'', ser entonces, el evento descrito por "el radio es considerado como
bueno en la primera y segunda verificacin del control".

Se desea conocer P(B|B' B'').

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

( 0. 95)( 0 . 95)( 0. 98 )
= = 0. 9999 .
( 0. 95)( 0. 95) ( 0. 98 ) + ( 0. 04 ) ( 0. 04 )( 0. 02 )
 Probabilidad. 179

2.58. Ejemplo.
Un empresario tiene una mquina automtica en su fbrica que produce
determinados artculos. Con su pasada experiencia ha comprobado que si la
mquina se ajusta en forma apropiada, la mquina producir un 90% de piezas
aceptables, mientras que si su acondicionamiento no es adecuado, slo
producir un 30% de aceptables. El empresario tambin ha observado que el
75% de los acondicionamientos se hace en forma correcta. Si la primera pieza
producida es aceptable, qu probabilidad existe de que el acondicionamiento
se haya hecho correctamente?.

Solucin.

Sean los eventos:

A, descrito por "el acondicionamiento es correcto",

B, descrito por "la primera pieza producida es aceptable".

P( A B)
Se desea calcular: P(A|B) = .
P( B)
cv
La situacin puede describirse usando la siguiente grfica:

Segn los datos, la probabilidad de que ocurra simultneamente un

acondicionamiento correcto y que un artculo sea aceptable es

P(A B) = P(B|A)P(A) = (0.9)(0.75) = 0.6750.

el
* 1
B 0.9
0.75 D
A
Ajuste B * 2
-A 0.25 0.3
iz
D

Figura 2.8 . Los nodos terminales 1 y 2 corresponden al evento B.

La probabilidad de que la primera pieza sea buena es

P( B) = P(( B A) ( B A )) = P( B| A) P( A) + P( B| A ) + P( B| A ) P ( A ).
= (0.9)(0.75) + (0.3)(0.25) = 0.7500.

Por tanto, P(A|B) = 0.675/0.7500 = 0.9000.

180. Probabilidad.

2.8. EJERCICIOS.
1. De acuerdo al estado civil de sus habitantes, una poblacin est dividida de la siguiente manera: el 30% son
solteros, el 40% son casados y el resto son viudos o divorciados.

La proporcin de mujeres solteras es 20%, de mujeres casadas, 25% y de mujeres viudas o divorciadas,
20%. Si se elige una persona al azar, cul es la probabilidad de que sea mujer?.
Rpta. 0.22

2. La probabilidad de que un alumno estudie para su examen de Matemticas es 0.8. Si estudia, la

probabilidad de que apruebe el examen es 0.90. Si el alumno no estudia la probabilidad de que no apruebe
el examen es 0.85. Cul es la probabilidad de que el alumno apruebe el examen?.
Rpta. 0.75.

3. El 40% de las resistencias que se utilizan en una fbrica son de la marca A y el resto son de la marca B. El
1% de las resistencias de la marca A y el 0.5 % de la marca B son defectuosas. Si de un lote de tales
resistencias adquiridas por la fbrica se elige una al azar, cul es la probabilidad que sta resulte
defectuosa?.
Rpta. 0.007.

4. En una urna hay 3 esferas rojas y x negras. De la urna se sacan al azar, dos esferas de una en
una y sin reposicin. Si la probabilidad de sacar una esfera roja en la segunda extraccin es
6/10, hallar el nmero de esferas negras que existen en la urna al comienzo de la experiencia.
Rpta . 2.

5. Una compaa est estudiando la posibilidad de construir una granja en un cierto sector agropecuario. La
cv
compaa considera de gran importancia la construccin de un reservorio en las cercanas del lugar. Si el
gobierno aprueba este reservorio la probabilidad de que la compaa construya la granja es 0.9, de otra
manera la probabilidad es de slo 0.2. El presidente de la compaa estima que hay una probabilidad de 0.6
de que el reservorio sea aprobado.

a) Hallar la probabilidad de que la compaa construya la granja.

b) Si la granja fue construida, hallar la probabilidad de que el reservorio haya sido aprobado.
Rpta. a) 0.6200 b) 0.8709.

6. La compaa Kancio est considerando comercializar una computadora. La probabilidad de que la

el
compaa tenga xito es 0.8 si una firma competidora no introduce un producto similar en el mercado, en
tanto que la probabilidad de xito es slo 0.4 si la firma competidora introduce un producto similar. Kancio
estima en 0.3 la probabilidad de 0.3 de que la firma competidora comercialice el producto. Si Kancio no
tuvo xito, cul es la probabilidad de que la competencia haya lanzado su producto?.

7. Una compaa panificadora desea saber si es rentable o no la puesta en marcha de una panadera en cierta
zona de la ciudad. Los encargados del estudio creen que los posibles niveles de demanda son: demanda
iz
baja", cuando 5% de los habitantes de la zona comprarn en la panadera, "demanda moderada", cuando
15% de los habitantes de la zona comprarn en la panadera y "demanda alta", cuando 35% de los
habitantes de la zona comprarn en la panadera. Sobre la base de experiencias pasadas en otras zonas
semejantes, la compaa asigna a priori las siguientes probabilidades a los niveles de demanda: P["demanda
baja"] = 0.20, P["demanda moderada"] = 0.50 y P["demanda alta"] = 0.30. La compaa decide, antes de
poner en marcha el servicio, tomar una encuesta a fin de determinar la demanda en la panadera. Se
seleccionan al azar 10 habitantes de la zona y se comprueba que 2 comprarn en la panadera. A la luz de
esta informacin, revise las probabilidades establecidas a priori.
Rpta. Indicaremos el resultado de la probabilidad de tener una demanda baja, dado que de 10
encuestados, 2 indican que comprarn en la panadera proyectada. Las otras probabilidades se
calculan de igual manera.
10!
( 0.05) 2 ( 0.95) 8 0.20
8!2 !
P ( Baja| de 10, 2 compraron ) =
10! 10! 10!
( 0.05) 2 ( 0.95) 8 0.20 + ( 015) 2 ( 0.85) 8 0.50 + ( 0.35) 2 ( 0.65) 8 0.30
8!2 ! 8!2! 8!2 !

8. La SUMATT afirma que, segn experiencias pasadas, la probabilidad de que el 20% de los contribuyentes
no hayan realizado sus pagos de impuestos es 0.30 y que la probabilidad de que el 60% de los
 Probabilidad. 181

contribuyentes no hayan realizado sus pagos de impuestos es 0.70. A fin de precisar sus apreciaciones la
SUMATT escoge al azar dos contribuyentes y encuentra que los dos no hicieron sus pagos de impuestos.
Qu modificacin a su afirmacin debe hacer la SUMATT?.

9. Una empresa recibe billetes de tres bancos: A, B y C. De A recibe el 60% de todos los billetes, de B, el 30%
y el resto de C. Se ha determinado que la proporcin de billetes falsos que provienen de A es 0.1%, de B,
0.2% y de C, 0.1%. En cierta ocasin al elegir un billete al azar ste result falso; de qu banco se puede
sospechar que proviene el billete falso?.

10. Una prueba para la hepatitis (H) tiene la siguiente exactitud P[ +| E ] = 0.90 y P[ +| E ] = 0.01

a) Si en la poblacin, la probabilidad de que una persona tenga la enfermedad E es 1/1000

cul es la probabilidad de que una persona tenga la enfermedad si su resultado de anlisis es
positivo?.
b) Un paciente desea que le realicen un anlisis de su sangre porque tiene ciertos sntomas
sospechosos y por los cuales el mdico cree que tiene hepatitis con probabilidad 0.5. Si el
resultado de la prueba del paciente es positivo, cul es la probabilidad de que tenga
hepatitis?.
Rpta. a) 0.0826

11. Respecto del partido de ftbol que protagonizarn el da de maana los equipos A y B, el
Veco piensa lo siguiente: De todas maneras se abrir el marcador y cualquiera de los dos
equipos tiene igual probabilidad de hacerlo. Si A anota el primer gol la probabilidad de que el
prximo tambin sea de A es 2/3 contra 1/3 que sea de B; en cambio si es B el que anota el
primer gol habr un segundo gol que puede ser con igual probabilidad para cualquier bando.
Si el marcador llega a ponerse 2-0 a favor de cualquier equipo la desmoralizacin de uno y la
cv
apata del otro impedirn que haya ms goles; en cambio si llega a ponerse 1-1, puede ocurrir
tres cosas con iguales probabilidades: que A anote y gane 2-1, que B anote y gane 2-1 o que
no haya ms goles. Use un diagrama de rbol para contestar lo siguiente: Cul es, de acuerdo
a lo anterior, la probabilidad de que

a) B gane?.
b) B gane dado que abri el marcador?
c) A haya abierto el marcador dado que B gan?.
Rpta. a) 7/18.
el
12. Una eleccin tiene lugar para elegir a uno de los candidatos A y B por mayora y a dos
vueltas. En la primera vuelta, 15% de los electores inscritos votaron en blanco, 40% de los
electores votaron por A y 45% votaron por B. Se estima que todos los electores que votaron en
la primera vuelta lo harn en la segunda vuelta, pero una encuesta indica que en razn de las
declaraciones contradictorias de los candidatos, 20% de los que votaron por A en la primera
vuelta votarn por B en la segunda vuelta y 30% de los que votaron por B votarn por A. La
misma encuesta indica que 2/3 de los que votaron en blanco en la primera vuelta votarn en la
iz
segunda, a razn de 40% por A y 60% por B. Si la encuesta es fiable,
a) quin saldr elegido en la segunda vuelta?.
b) Si se elige un elector al azar, cuales son, en trminos de probabilidades, las diferentes
elecciones posibles de este elector?.
Rpta. a) A tendr el 49.5% de los votos y B el 45.5%.
182. Probabilidad.

CAPITULO III

VARIABLES ALEATORIAS

Los resultados de un experimento aleatorio pueden interpretarse en trminos de nmeros

reales. As, al lanzar una moneda, se puede asociar el nmero 0 al resultado sello y el
nmero 1 al resultado cara. La caracterstica esencial de esta correspondencia es que el
resultado asignado no se conoce de antemano; el valor es determinado despus que se
realiza la prueba. Al relacionar cada resultado de un experimento aleatorio con un
nmero real se establece lo que se llama variable aleatoria.

3.1. VARIABLES ALEATORIAS

Dado un espacio muestral , en donde se encuentra definida una

probabilidad P, se llama variable aleatoria a toda funcin X de al
conjunto de los nmeros reales.
cv

X R eales

Figura 3.1
el
Las variables aleatorias se denotan con letras maysculas tales como X, Y, etc. Los
valores de las variables se denotan con letras minsculas como x, y, etc.

3.1. Ejemplo.
De un registro, en donde estn inscritas todas las familias de un poblado, se elige una
familia al azar y para cada familia se considera el nmero de hijos que tiene.
iz
El espacio muestral est formado por todas las familias que estn inscritas en el
registro.

La variable X que a cada familia le hace corresponder el nmero de hijos es una variable
aleatoria.

Tambin, si a cada familia se le hace corresponder el sueldo Y, que el jefe de familia

percibe, se tendr otra variable aleatoria.
Como puede notarse, en una espacio muestral se pueden definir muchas variables
aleatorias.

En la teora de la probabilidad, se considera que una poblacin es cualquier coleccin de

medidas que pueda ser descrita por una variable aleatoria.
 Probabilidad. 183

3.2. Ejemplo
En una universidad se considera que el nmero mnimo de cursos por semestre en que
puede matricularse un alumno es 1 y el mximo, 5. La variable aleatoria X, que a cada
alumno le hace corresponder el nmero de cursos en los cuales est matriculado, es una
variable aleatoria cuyos valores son: 1, 2, 3, 4 y 5. La poblacin la forman los alumnos
de la universidad; sin embargo, se puede considerar que la coleccin de los nmeros 1,
2, 3, 4 y 5 forman la poblacin.
3.3. Ejemplo.
Si se escoge una persona al azar de una poblacin y se le asigna su peso X, se tendr
una variable aleatoria.

3.4 Ejemplo.
Si un objeto es medido, el resultado obtenido, debido al error de medida que se comete,
se puede considerar como el valor de una variable aleatoria X. El espacio muestral est
formado por los resultados que se obtienen de la medicin.

3.5. Ejemplo.

Si se lanzan dos dados simultneamente, el espacio muestral est formado por todos
los pares (x, y), donde x representa el resultado en el primer dado e y, el resultado en el
segundo. Una variable aleatoria en es, por ejemplo, la definida por X((x, y)) = x + y.
Es decir, la funcin que a cada resultado (x, y) le hace corresponder la suma de los
cv
resultados de ambos dados. Los valores que X puede tomar son: 2, 3, 4, ... , 12.

VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS.

Variables aleatorias discretas.

el
Si el conjunto de valores de una variable aleatoria es finito o infinito enumerable, sta se
llama discreta.

Las variables aleatorias discretas generalmente se usan cuando se quiere describir el

iz
nmero de veces que ha ocurrido un suceso.

3.6. Ejemplo.
En la poblacin formada por todos los alumnos de una universidad se puede definir la
variable X, que a cada alumno le hace corresponder el nmero de libros que compr en
el mes anterior.

La variable X es una variable aleatoria discreta.

En el ejemplo 3.1, la variable aleatoria X = nmero de hijos, es discreta,

En el ejemplo 3.2, la variable aleatoria X = nmero de cursos, es discreta.

En el ejemplo 3.5, la variable aleatoria X = suma de los puntos que aparecen en los dos
dados, es discreta, etc.
184. Probabilidad.

Variables aleatorias continuas.

Una variable aleatoria X es continua si puede tomar cualesquiera de los valores de un
intervalo.

La edad, la estatura, el peso, el coeficiente de inteligencia de los habitantes de una

regin, la duracin de un movimiento ssmico, las mediciones que se realizan de un
objeto, son ejemplos de variables aleatorias continuas.

Al decir que una variable aleatoria continua puede tomar cualquiera de los elementos de
un intervalo, no estamos indicando que se pueda encontrar cada uno de los valores del
intervalo en los datos que se tienen como muestra. As por ejemplo, puede ser que en un
conjunto de personas no se observe una que mide 1.637 m. Sin embargo, debemos
considerar la posibilidad de que exista una persona con tal estatura en toda la poblacin.

3.2. LEY DE PROBABILIDAD O DISTRIBUCION DE

PROBABILIDAD DE UNA VARIABLE ALEATORIA
DISCRETA.
cv
La ley de probabilidad o distribucin de probabilidad de una variable aleatoria es una
manera de modelar la variabilidad o la forma como se distribuyen los valores de la
variable.

Para la variable X definida en el espacio muestral y con valores distintos x1, ... , xn, ...,
consideremos:
el
los nmeros no negativos p1, ..., pn, ..., con la propiedad pi = 1, y la funcin definida
i
por p( x i ) = pi , i = 1, 2, 3, ...

A esta funcin as formada se le llama ley de probabilidad o distribucin de

probabilidad de la variable aleatoria X.
iz
3.7. Ejemplo.
Las distintas posiciones que se obtienen al lanzar un dado forman un espacio muestral. Si
a cada posicin se le asigna el nmero de puntos que aparecen en la cara superior se
obtiene una variable aleatoria X con valores 1, 2, 3, 4, 5, 6.

Si a los valores descritos les asignamos, respectivamente, los nmeros no negativos 0.20,
0.15, 0.25, 0.30, 0.05, 0.05, (la suma de estos valores es igual a 1), se tendr definida
una ley de probabilidad o distribucin de probabilidad para X:

p(1) = 0.20, p(2) = 015

. , p(3) = 0.25, p(4) = 0.30, p(5) = 0.05, p(6) = 0.05.
 Probabilidad. 185

La asignacin indicada constituye una parte del modelo probabilstico para describir los
resultados obtenidos al lanzar un dado. Esta; sin embargo, es arbitraria en el sentido que
puede estar lejos de la realidad del dado.

En un espacio muestral con probabilidad P, una ley de probabilidad

puede obtenerse si a cada valor i de la variable, se le hace corresponder
la probabilidad del evento [X = i], formado por los elementos del espacio
muestral cuya imagen, segn X, es i. As resulta la ley de probabilidad

pi = P[ X = i ], i = 1, 2, 3, 4, 5, 6.

denominada ley de probabilidad imagen.

Si el dado lanzado es equilibrado se tiene:

p1 = P[ X = 1] = 1 / 6, p 2 = P[ X = 2] = 1 / 6,
p 3 = P[ X = 3] = 1 / 6, p 4 = P[ X = 4] = 1 / 6,
p5 = P[ X = 5] = 1 / 6, p6 = P[ X = 6] = 1 / 6.

De este modo, p1 indica la probabilidad de que la variable tome el valor 1,

cv
p2 indica la probabilidad de que la variable tome el valor 2,
..., etc.

Ntese que p(xi) 0, para todo xi y p( xi ) = 1.

Una ley de probabilidad de una variable X puede escribirse como en la siguiente tabla.
el
Xi x1 x2 ... xi ...
Pi p1 p2 ... pi ...

en donde se ha escrito pi en lugar de p(xi).

iz
De acuerdo a la definicin de probabilidad, la probabilidad de un evento A se
calcula con

P(A) = p ( xi )
xi A

Esto es, la probabilidad del evento A es igual a la suma de las probabilidades de los
elementos que pertenecen al conjunto A.

La ley de probabilidad puede representarse grficamente mediante bastones, como se

indica en la siguiente grfica, o usando la idea de que la masa total unitaria se distribuye
en pequeas masas sobre los valores de la variable.
186. Probabilidad.

pi

xi xi

Figura 3.2

3.8. Ejemplo.
Si se lanzan dos dados equilibrados y se considera la variable X((x, y)) = x + y, que
indica la suma de los resultados x e y que aparecen en cada uno de los dados, se tendr
que los valores de X son: 2, 3, 4, ... ,12.

Adems,

* X 1 ({2}) = {(11
, )} y por tanto , )}) = 1/ 36 ,
p( 2) = P[ X = 2] = P({(11
* X 1
({3}) = {(1,2),(2,1)} y por tanto p(3) = 2 / 36 , etc.

Escribiendo pi en lugar de P [X = xi] se obtiene la siguiente tabla:

cv
xi 2 3 4 5 6 7 8 9 10 11 12

pi 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Se tiene, por ejemplo, que la probabilidad del evento

[ 2 < X 5] = {w |2 < X ( w) 5} = {3, 4, 5}

es P[ 2 < X 5] = P[X = 3] + P[X = 4] + P[X = 5] = 3/36.

el
p ( X)
-6/36
iz
1/36
- X
2 678 12
Figura 3.3. Grfico de la ley de X.

En este caso, la distribucin de probabilidad o ley de probabilidad de X, se puede

interpretar como la divisin de la "masa unitaria" en 11 "masas puntuales o
ponderaciones" colocadas en los valores 2, 3, ... , 12. Las ponderaciones corresponden a
las probabilidades respectivas.

3.9. Ejemplo.
Un experimento se repite de manera independiente hasta obtener xito. La probabilidad
de obtener xito cada vez es 0.7. Si X es la variable aleatoria que cuenta el nmero de
repeticiones hasta obtener xito,
 Probabilidad. 187

a) hallar p(k) = P[X = k], la ley de probabilidad de X?.

b) Comprobar que P[ X = k ] = 1.
Solucin.
a) Los valores que puede tomar X son: 1, 2, 3, ...

Si se observa que X toma el valor k cuando se ha obtenido por primera vez xito despus
de k - 1 repeticiones. Se tendr que la ley de probabilidad de X est dada por

P[X = k] = 0.7 k 1(0.3) para k = 1, 2, 3, ...

1
k
b) Se observa que, al aplicar el resultado conocido r = para 1 < r < 1
1 r
k =0

1
se obtiene: P[ X = k ] = (0.7) k 1 0.3 = 0.3 (0.7) k = 0.3
1 0.7
= 1.
k =1 k =1 k =0

Esto indica que P[X = k] es una ley de probabilidad.

cv
3.3. FUNCION DE DISTRIBUCION O DE ACUMULACION DE
UNA VARIABLE ALEATORIA DISCRETA.
Para una variable aleatoria X, su funcin de distribucin, o tambin llamada funcin de
acumulacin, se define como la funcin F descrita por
el
F(x) = P[X x], para todo nmero real x,

y donde P[X x] es la probabilidad del evento [X x], formado por todos los elementos
w del espacio muestral para los cuales se cumple X(w) x.
iz
As, para la variable aleatoria discreta X con valores 0, 1 y 2, cuya ley de probabilidad
est dada por:

p ( 0) = P[ X = 0] = 0.20, p (1) = P[ X = 1] = 0.50, p ( 2 ) = P[ X = 2 ] = 0.30 ,

se tiene, por ejemplo, que

F(-2) = P[ X 2] = 0 .

F(1) = P[ X 1] = p(0) + p(1) = 0.20 + 0.50 = 0.70 .

F(1.5) = P[ X 15
. ] = p( 0) + p(1) = 0.20 + 0.50 = 0.70

F(2) = P[ X 2] = p ( 0) + p (1) + p ( 2) = 1 , etc.

188. Probabilidad.

En general, para esta variable la funcin de distribucin es

0 si x<0
0.20
si 0 x < 1
F ( x) =
0.70 si 1 x < 2
100
. si 2 x

En la siguiente figura se presenta la grfica de esta funcin.

1 F

0.70

0.20
0 X
1 2

Figura 3.4. Grfico de la funcin de distribucin de F

Se nota que F ( xi ) F ( xi 1 ) = P [ X = xi ] = pi .
cv
3.10. Ejemplo.
Se lanza una moneda y se define la variable aleatoria X del espacio muestral = {cara,
sello} a los nmeros reales, de la siguiente manera:

X(w) = 1 si w = cara y X(w) = 0 si w = sello.

Si la probabilidad de que aparezca cara es 0.6 y la de que aparezca sello, 0.4, se tendr
el
que, para esta situacin, la ley de probabilidad de X y su funcin de acumulacin o
distribucin son, respectivamente:
xi 0 1
pi 0.4 0.6
iz
0 si x < 0

F ( x ) = 0.4 si 0 x < 1
0.4 + 0.6 si 1 x

p F
1-

0.6 - 0.4
0.4 -

0 1 X 0 1 X
(a) (b)

Figura 3.5. Grficos de la ley de probabilidad y de

la funcin de acumulacin de X.
 Probabilidad. 189

3.4. FUNCION DE DENSIDAD DE PROBABILIDAD DE

UNA VARIABLE ALEATORIA CONTINUA.
Si la frecuencia relativa de un grupo de valores correspondientes a una variable aleatoria
continua se representa mediante un histograma, se observa que el polgono de
frecuencias respectivo no slo indica el comportamiento de los datos, sino que da la idea
de algn modelo probabilstico para la variable. Se comprueba que a medida que se
construyen intervalos de clase cada vez ms pequeos, el polgono de frecuencias tiende
a una curva que cambia suavemente. A esta funcin, que modela el comportamiento de X
se le llama funcin de densidad de probabilidad o simplemente funcin de densidad de
X. Esta funcin indica la manera como los valores de X se distribuyen a lo largo de la
recta.

Si se considera que la funcin de densidad f es una funcin lmite y el histograma se ha

construido de tal manera que su rea sea igual a 1; se tendr que en el lmite, el rea de la
regin que est debajo de f tambin debe ser 1.

f
cv
a b

Figura 3.6. Area de la regin achurada = P[ a X b]

A partir de la funcin de densidad, es posible calcular probabilidades usando el concepto

de integracin. As por ejemplo, la probabilidad P[ a X b ] de que la variable X tome
valores entre a y b, se calcula como el rea bajo la grfica de f, entre las rectas x = a y x
= b y por encima del eje X.
el
Como ejemplo, supngase, que se ha medido la vida til en horas de 50 pilas elegidas al
azar de la produccin de una fbrica A y que el histograma de la frecuencia relativa es
como la que se indica a continuacin. Se observa que la frecuencia relativa disminuye a
medida que el valor de la vida til aumenta.

Se supone que el polgono de frecuencias relativas puede aproximarse mediante la curva

iz
cuya ecuacin es

. e 0.12 x .
f ( x ) = 012

f. relat. f
0.4
[0, 5[ 0.40
[5, 10[ 0.30 0.3
[10, 15[ 0.15
0.15
[20, 25] 0.10
0.05
[15, 20] 0.05
0 5 10 15 20 25
vida til en horas

Figura 3.7.
190. Probabilidad.

Esta funcin puede considerarse como modelo matemtico del comportamiento de la

variable X y utilizarse para calcular, por ejemplo, la probabilidad de que una pila
producida por A dure entre 5 y 10 horas:

510 0.12 e 0.12 x dx = 0.2467 .

Este resultado se aproxima a la proporcin que ya se observ en la muestra.

El modelo no slo permite calcular probabilidades para intervalos observados, sino

tambin para intervalos como [25, 35], [25, 100], etc.
La eleccin adecuada de la funcin de densidad puede hacerse con ayuda del desarrollo
que a continuacin se realiza y en donde se presentan los modelos tericos ms usados.

Formalmente, la funcin de densidad de una variable aleatoria continua

X es una funcin f(x) que cumple las siguientes propiedades:

a) Los valores de la funcin son mayores o iguales que 0. ( f ( x ) 0 ).

b) El rea bajo la grfica de la funcin y por encima del eje X es 1. Esto

es,

cv
f ( x )dx = 1 .

c) La probabilidad de que la variable X tome valores entre a y b es igual

al rea comprendida entre la grfica de f, el eje X y las rectas paralelas
al eje Y que pasan por los valores a y b. Esto es,

b
P[a X b] = a f ( x )dx
el
OBSERVACIONES.

1. Segn c), la probabilidad de que una variable aleatoria continua tome un valor a es
cero.
iz
a
En efecto, P[X = a] = Area bajo la grfica de f entre a y a = a f ( x )dx = 0.

De acuerdo a esta igualdad, la probabilidad de que el tiempo til, X, de una pila sea
5.342 horas es 0. Ello no significa que el evento [X = 5.342] sea imposible, slo indica
que la probabilidad de observar una pila con tal vida til es muy pequea.

2. Segn la observacin anterior, si X es una variable aleatoria continua,

P[ a X b ] = P[ a X < b ] = P[ a < X b ] = P[ a < X < b ] = F (b) F ( a ) ,

en donde F es la funcin de acumulacin de X. (No interesan los extremos del intervalo).

 Probabilidad. 191

3. Cuando X toma todos sus valores en un intervalo finito [a, b], simplemente se
establece que f(x) = 0 para todo x que no est en [a, b]. Si la funcin de densidad se
especifica slo para ciertos valores de x, supondremos que es 0 para cualquier otro valor.

4. Si se considera que los valores x y x + x estn en el dominio de la variable X, se

podr escribir para x pequeo,

x + x / 2
P[ x x / 2 X x + x / 2 ] = x x / 2 f ( x )dx f ( x ) x .

f(x)

x- x/2 x + x/2
Figura 3.8.

La relacin anterior permite indicar que f(x) mide la concentracin de probabilidad,

P ( x x / 2 X x + x / 2)
, en una vecindad de x.
x
cv
3.11. Ejemplo.
Una variable aleatoria continua X tiene como funcin de densidad a la funcin

cx si 0 x 3
f ( x) =
0 en el resto
el
Hallar la probabilidad de que X tome valores entre 1 y 2.5.

Solucin.

Y
iz
cx

X
0 3
Figura 3.9. Funcin de densidad de X.

Primero calculemos c. Como el rea comprendida entre el eje X, la grfica de la funcin

de densidad y las rectas x = 0 y x = 3, (rea del tringulo), debe ser igual a 1, se tendr
1
que ( 3) ( c 3) = 1 .
2

De donde c = 2/9.
192. Probabilidad.

La probabilidad pedida, P[1 X 2 .5] , corresponde al rea de la regin que se indica en

la siguiente figura: El rea indicada es igual a

(2.5)(2 / 9)(2.5) (1)(2 / 9)(1)

= 0.5833 .
2 2

cx

Area=Probabilidad pedida
X
1 2.5

Figura 3.10. P[1 X 2. 5]

3.5 FUNCION DE DISTRIBUCION O DE ACUMULACION DE

UNA VARIABLE ALEATORIA CONTINUA

Al igual que para una variable aleatoria discreta, la variabilidad de los valores de una
cv
variable aleatoria X continua puede conocerse a partir de las probabilidades acumuladas
P[ X x ] . Estas probabilidades determinan la funcin de acumulacin o de distribucin.

Se define la funcin de distribucin o de acumulacin de una variable

aleatoria continua X como

F ( x ) = P[ X x ] , para todo nmero real x.

el
En el ejemplo anterior, la funcin de acumulacin de la variable aleatoria continua X es

0 si x < 0

x x2
F ( x ) = 0 f ( x )dx = si 0 x < 3
9
iz
x f ( x ) = 1 si 3 x
0

Segn la propiedad c), indicada en la definicin de funcin de densidad, para una

variable aleatoria continua X, la funcin de distribucin F(x) puede escribirse como

F ( x ) = P[X x] = f ( t ) dt
x

Usando el Teorema Fundamental del Clculo se tiene que

dF ( x ) d x
dx
= f (t )dt = f ( x ) .
dx
 Probabilidad. 193

Y Y
1
f (x )

F (x )

F(x)

X X
x
0 x 0

Funcin de densidad de X Funcin de acumulacin de X

Figura 3.11.

3.12. Ejemplo.
Si la variable aleatoria continua X tiene la funcin de acumulacin expresada por

0 si x < 0

F ( x ) = x 2 si 0 x < 1
1 si x 1 ,

su funcin de densidad es

dF ( x ) 2 x si 0 x 1
f ( x) = =
dx 0 en el resto .
cv
3.13. Ejemplo.
El tiempo X, en horas, que demora una operacin quirrgica de cierto tipo, se midi en
muchos casos en un hospital. Se consider que las mediciones se pueden modelar con
una funcin de densidad definida de la siguiente forma

a ( x 4) 2 2 x 6
f ( x) =
el
0 en el resto

a) Hallar la probabilidad de que una futura operacin, del mismo tipo, dure entre 3 y 4
horas.

b) Cunto tiempo debe durar una operacin si este valor slo puede ser sobrepasado
iz
con probabilidad 0.5?.

c) Cul es la probabilidad de que una operacin dure ms de 4 horas si se sabe que

durar por lo menos 3 horas?.

d) Calcular la funcin de distribucin de X.

Solucin
Primero calculemos el valor de a, usando la propiedad

6 2
2 a ( x 4) dx = 1
194. Probabilidad.

3 6
( x 4)
Resolviendo la integral se tiene: a = 1. De donde resulta, a = 3/16.
3
2

a) P[ 3 X 4 ] = 3 ( 3 / 16)( x 4 ) dx = 1 / 16.
4 2

b) Se pide encontrar el valor t, para el cual P[ X t ] = 0.5. Es decir, se debe hallar t de

4
tal manera que 2 (3 / 16)( x 4) 2 dx = 0.5. Resolviendo, t = 4.

P[ X 4 y X 3] P[ X 4] 56
c) Se debe hallar P[ X 4| X 3] = = = = 0.8888
P[ X 3] P[ X 3] 63

d) La funcin de acumulacin de X es

F ( x ) = 0 si x 0

t 1 ( t 4) 3 8
F (t ) = 2 (3 / 16)( x 4) 2 dx = si 2 t 6 .
16 3
F(t) = 1, para t 6.
cv
Propiedades de la funcin de acumulacin.
La funcin F de acumulacin de una variable aleatoria, sea sta discreta o continua,
tiene las siguientes propiedades:

a) F es una funcin no negativa F (t ) 0

el
b) F es no decreciente (s s < t entonces F ( s) F (t ))

lim F ( x) = 0 lim F ( x ) = 1
c) y
x x +
iz
3.6. ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA.
La esperanza y la varianza son dos conceptos que permiten el mejor conocimiento de
una variable aleatoria. Si se considera que la distribucin de una variable aleatoria ser
un modelo terico para la distribucin de un conjunto de datos asociados a una
poblacin real, es natural que se desee establecer los conceptos de media y varianza para
una variable aleatoria.

Esperanza de una variable aleatoria discreta.

Se lanza una moneda y se considera que se obtiene una utilidad X, igual a 5 si resulta
cara e igual a -4 si aparece sello.
 Probabilidad. 195

Si la moneda se lanza N veces y resultan Nc caras y Ns sellos (Nc + Ns = N), se tendr

que la utilidad T en los N lanzamientos es

T = 5Nc + (-4)Ns .

La utilidad promedio por tirada es T/N = 5Nc/N + (-4)Ns/N .

Si la probabilidad de que aparezca cara en la moneda es 0.6 y de que aparezca sello, 0.4,
se tendr que cuando N es suficientemente grande, las frecuencias relativas Nc/N y Ns/N
tienden a 0.6 y 0.4, respectivamente. Por consiguiente, si la moneda se lanzara infinitas
veces, "esperaramos" tener una ganancia igual a 5(0.6) + (-4)(0.4) = 1.4 por cada
jugada. Este valor se llama esperanza de X.

Formalmente se tiene la siguiente definicin.

Si la variable aleatoria X es discreta, con ley de probabilidad

p ( xi ) = P[ X = xi ], su esperanza , denotada con E(X), se define como

E ( X ) = x i P[ X = x i ]
i
cv
Si la variable X es discreta, con valores equiprobables x1, ... , xn,, la esperanza de X
corresponde al promedio de x1, ..., xn.

Para representar grficamente a la esperanza de la variable X, que toma los valores xi con
probabilidad pi = p( xi ) , observemos que el producto xi.pi es igual al rea sombreada
el
Y

F
+ }pi

- X
iz
x x x
1 2 i
Figura 3.12. Representacin de la esperanza de X.

cuando xi es positivo y es el opuesto de esta rea cuando xi es negativo. Por lo tanto, la

esperanza de X, que es la suma algebraica de los valores xi pi , es igual a la diferencia de
las reas sombreadas del primer y segundo cuadrante.

3.14. Ejemplo.
En un juego se puede ganar $10 con probabilidad 0.2, 5 con probabilidad 0.3 y perder
$8 con probabilidad 0.5. Si con X se denota a la variable que indica la utilidad del juego
se tendr que la ley de probabilidad de X es

X 10 5 -8
p 0.2 0.3 0.5
196. Probabilidad.

La esperanza de X es E(X) = 10(0.2) + 5(0.3) + (-8)(0.5) = -0.5.

Participando en el juego una sola vez, se puede ganar o perder, pero si se repite el juego
muchas veces, en promedio, se perder $0.5. ("A la larga" se pierde $0.5 por juego).

3.15. Ejemplo
El nmero de pacientes que diariamente visitan a un mdico para hacer una consulta es

X 1 2 3 4
pi 0.3 0.4 0.2 0.1

Calcular el valor esperado del nmero diario de pacientes que visitan al mdico.

Solucin.
E(X) = 1(0.30) + 2(0.4) + 3(0.2) + 9(0.1) = 2.1.
3.16. Ejemplo.
3 k
e 3
Sea X una variable con ley de probabilidad definida por P[ X = k ] = k = 1, 2, ...
k!

La esperanza de X es
cv
3 k k 1 3s
e 3 3 3 3
E(X) = kP[ X = k ] = k = e 3 = e 3 , haciendo s = k - 1.
k! ( k 1)! s!
k =0 k =0 k =1 s= 0

xk
x
Considerando que = e , se tiene que E(X) = 3.
k!
k =0
el
Esperanza de una funcin de una variable aleatoria discreta
iz
El concepto de esperanza de una variable aleatoria puede extenderse para una funcin Y
= H(X) de la variable aleatoria X, de la siguiente manera:

E ( H ( X )) = H ( x k ) P[ X = x k ],
k

si X es una variable aleatoria discreta con ley de probabilidad P[X = xk].

3.17. Ejemplo.
Cada da un canillita recibe 30 peridicos para vender. Por cada peridico que vende el
canillita gana $0.40, y pierde $0.01 por cada peridico no vendido. Si la demanda X de
los peridicos tiene la ley de probabilidad descrita por
 Probabilidad. 197

x 10 20 30
pi 0.1 0.6 0.3

(vende 10 con probabilidad 0.1, etc.), entonces la ganancia del canillita es una variable
aleatoria Y que es funcin de la variable aleatoria X y es igual a

Y = 0.4(X) - 0.01(30 - X)

La esperanza de la ganancia Y es igual a

E(Y) = [0.4(10)-0.01(30-10)]0.1 + [0.4(20)-0.01(30-20)]0.6 + [0.4(30)-0.01(30-30)] 0.3

= (3.8)(0.1) + (7.9)(0.6) + (12)(0.3) = $8.72.

Ntese que en algunos das el canillita ganar $3.8 (cuando venda 10 peridicos), en
otros das ganar $7.9 (cuando venda 20 peridicos) y en otros ganar $12 (cuando
venda 30 peridicos), pero en promedio ("a la larga") ganar $8.72 por da.

Esperanza de una variable aleatoria continua.

cv
La esperanza de una variable aleatoria discreta equivale a la suma ponderada de los
valores de la variable con sus respectivas probabilidades. Este concepto puede
extenderse para las variables continuas. Para este caso, la suma ponderada corresponde a
lo que podramos llamar "suma continua ponderada" en donde los sumandos tienen la
forma

xP[ x 0.5x X x + 0.5x ]

el
y x tiende a 0.

Si la funcin de densidad de X es f, la expresin anterior corresponde a xf(x) y la "suma

continua ponderada" corresponde formalmente a la integral

+
xf ( x )dx.
iz
As, cuando X es una variable aleatoria continua con funcin de densidad
f(x), la esperanza de X se define como

+
E ( X ) = xf ( x ) dx .

A menudo se usa la expresin media de X en lugar de la esperanza de X.

3.18. Ejemplo
El tiempo X, en horas, que un nio dedica a "ver televisin" cada da se puede modelar
con la funcin de densidad
198. Probabilidad.

4 8 x si x [ 0 , 0.5].
f ( x) = .
0 en el resto.

La esperanza de X es

+ 0 0.5 +
E(X) = xf ( x )dx = x (0)dx + 0 x (4 8 x )dx + 0.5 x (0)dx = 01667
. .

Esperanza de una funcin de una variable aleatoria continua.

De manera anloga al caso discreto, el concepto de esperanza de una variable aleatoria
puede extenderse para una funcin Y = H(X) de una variable aleatoria X continua con
funcin de densidad f(x). As,

+
E ( H ( X )) = H ( x ) f ( x )dx ,

Propiedades de la esperanza de una variable aleatoria.

cv
La esperanza de una variable aleatoria X, sea sta discreta o continua, cumple con las
siguientes propiedades:

1. E(a) = a, a constante

2. E(aX) = aE(X), a constante.

3. E(aX + b) = aE(X) + b, a y b constantes.
el
La igualdad 3) confirma el carcter de localizacin de la esperanza. Al agregar la
constante b a la variable, la esperanza es trasladada b unidades.

Otras propiedades muy importantes de la esperanza se indican ms adelante.

Demostraremos las propiedades 2 y 3 para el caso discreto y finito; as como para el caso
iz
continuo. Para el caso discreto e infinito la demostracin es anloga. Para el caso
continuo se usa el concepto de la funcin de densidad y se calcula mediante la
integracin.

Prueba de la propiedad 2.

Caso discreto.
Suponiendo que los valores de X son: x1, ... , xm, se tiene:
m m
E ( aX ) = axk P [ X = x k ] = a x k P [ X = x k ] = aE ( X ).
k =1 k =1

Caso continuo
+
E (aX ) = axf ( x )dx = a xf ( x )dx = aE ( X ) .
 Probabilidad. 199

Prueba de la propiedad 3 .

Caso discreto.
m m m
E ( aX + b ) = ( ax k + b) P[ X = x k ] = a x k P[ X = k ] + b P[ X = x k ]
k =1 k =1 k =1

= aE ( X ) + b(1) = aE ( X ) + b

Anlogamente para el caso continuo.

3.7. LA VARIANZA DE UNA VARIABLE ALEATORIA.

En general no es suficiente una medida de centralizacin para conocer como estn

distribuidos los valores de una variable aleatoria. Dos variables pueden tener la misma
esperanza pero no igual dispersin. La varianza conjuntamente con la esperanza, se usa
a menudo para resumir la informacin de un conjunto de datos.

La varianza V(X) de una variable aleatoria X con esperanza es el nmero

cv
V(X) = E[(X - )2].
La definicin de varianza permite afirmar que sta es un nmero no negativo que toma
valores pequeos cuando los valores de la variable estn concentrados alrededor de su
media.

Si todos los datos son iguales, la varianza es igual a 0.

el
Al nmero V ( X ) se le llama desviacin estndar de X y se le denota con X . Usando
esta notacin la varianza se denota con 2X . Si no hay lugar a confusin se usa
simplemente y 2 para la desviacin estndar y varianza, respectivamente.

A menudo se usa la desviacin estndar de la variable, pues tiene la misma dimensin

iz
que la variable. Si X proporciona valores en metros, la desviacin estndar de sta
tambin estar en metros.

Ntese que si X es una variable aleatoria discreta con ley de probabilidad

X x1 x2 ... .xn.... ...

p( xi ) p ( x1 ) p( x 2 ) ... p( x n ) ...

se cumple,

V ( X ) = ( x i E ( X )) 2 p ( xi )
200. Probabilidad.

Si la variable aleatoria X es continua con funcin de densidad f(x) y esperanza ,

entonces la varianza de X se expresa con

+
V ( X ) = ( x ) 2 f ( x )dx .

3.19. Ejemplo.
Si los valores de X son: 3, 4, 5, y 6, con probabilidades respectivas, 0.2, 0.4, 0.3 y 0.1,

E(X) = 3(0.2) + 4(0.4) + 5(0.3) + 6(0.1) = 4.3 y

V(X) = (3 - 4.3)20.2 + ... + (6 - 4.3)20.1 = 0.81.

3.20. Ejemplo.
La funcin de densidad de una variable aleatoria continua X es de la forma que se indica
en la siguiente figura.

Calcular E(X) y V(X).

(1,1 )
cv
f (x)

0 2

Figura 3.13. Grfico de la funcin de densidad de X.

Solucin.

x si 0 x 1
el
f ( x) =
2 x si 1 < x 2

Luego,

+ 1 2
E ( X ) = x f ( x )dx = 0 x ( x )dx + 1 x (2 x )dx = 1
iz
+ 1 2
V ( X ) = ( x ) 2 f ( x ) dx = 0 ( x 1) 2 xdx + 1 ( x 1) 2 (2 x )dx =1 / 4

Propiedades de la varianza.

Las siguientes propiedades son bsicas en el desarrollo de los diferentes clculos que
sobre la varianza se realizan.

Si X es una variable aleatoria, se cumple:

1. V(X) 0.

2. Si X = a, con probabilidad 1, V(X) = 0.

 Probabilidad. 201

3. V(aX + b) = a2V(X).

4. V(X) = E(X2) - [E(X)]2.

3.21. Ejemplo
La fraccin de tiempo, X, que una computadora est en uso durante un da de trabajo de 8
horas, es una variable aleatoria con funcin de densidad

2 x 0 x 1
f ( x) =
0 en el resto

Calcular la esperanza y la varianza de X.

Hallar el valor esperado del costo por el uso de la computadora si ste es

. X2.
C ( X ) = 5 + 3 X + 01

Solucin.
Usando la definicin de esperanza se tiene:

1
cv
1 2x 3 2
E( X ) = 0 x ( 2 x )dx = = = 0.6667.
3 3
0

2
Para calcular la varianza, calculemos primero E ( X ) :

1
2 1 2 2x4 1
el
E( X ) = 0 x (2 x )dx = = = 0.50.
4 2
0

Luego, V ( X ) = E ( X 2 ) [ E ( X )]2 = 0.50 0.4444 = 0.0556.

iz
La esperanza del costo es igual a

E ( X ) = E (5 + 2 X + 0.1X 2 ) = 5 + 2 E ( X ) + 0.1E ( X 2 ) = 5 + 0.6667 + 0.1( 0.0556) = 5.6726.

Prueba de la propiedad 4.

V ( X ) = E[( X E ( X )) 2 ] = E ( X 2 ) 2 E ( X ). E ( X ) + [ E ( X )]2 = E ( X 2 ) [ E ( X )]2

202. Probabilidad.

3.8. TOPICOS SOBRE LA ESPERANZA Y LA VARIANZA.

ESPERANZA Y VARIANZA DE UNA VARIABLE ESTANDARIZADA.

A partir de la variable aleatoria X se pueden definir otras variables, por ejemplo, la

variable aleatoria Y = (X - E(X))/, donde es la desviacin estndar de X. A esta nueva
variable aleatoria que expresa, en desviaciones estndar, las desviaciones de cada valor
de la variable respecto de la media, se le llama variable estandarizada.

Se comprueba que la esperanza de una variable estandarizada es 0 y su varianza es 1.

DESIGUALDAD DE CHEBYSHEV.

La esperanza y la varianza 2 de una variable aleatoria proporcionan

informacin del "centro" y de la dispersin de la distribucin; sin embargo,
tambin pueden ser utilizadas para indicar la probabilidad en diversos
intervalos; as se puede decir que cuando el grfico de la distribucin es
aproximadamente simtrica y de la forma que se indica a continuacin,
cv
Figura 3.14.

* la probabilidad de que los valores de X estn en el intervalo ] , + [ es

aproximadamente igual a 0.6826.
el
* la probabilidad de que los valores de X estn en el intervalo ] 2 , + 2[
es aproximadamente igual a 0.9500.

Los resultados anteriores no se cumplen necesariamente si la forma de la dis-

iz
tribucin no es simtrica; pero la siguiente propiedad de Chebyshev que
relaciona la media, la varianza y la probabilidad, que se cumple cualquiera que
sea la forma de la distribucin, permite calcular de manera aproximada las
probabilidades de diferentes intervalos.

Dada la variable X con media y varianza 2 , se cumple

1
P[| X | k] 1 2
k

en donde k 1 .

La relacin indicada puede expresarse, de manera equivalente, como

 Probabilidad. 203

1
P[| X | > k] < 2
.
k

La desigualdad proporciona una cota para la distribucin de X alrededor de la

media, an cuando la distribucin no se conozca. La desigualdad establece, por
ejemplo, que en el intervalo definido por | X | 2 ; esto es, en
[ 2 , + 2 ] , existe por lo menos el 75% de los datos; esto es,

P (| X | 2 ) 1 1 / 4 = 0. 75.

3.22. Ejemplo.
En una refinera, la produccin media diaria de gasolina es de 150000 galones
con una desviacin estndar de 1000 galones. Se sabe con certeza que la
mnima produccin de gasolina es 147000 galones diarios.

a) Hallar la probabilidad de que la produccin diaria de gasolina est entre

148000 y 152000.

b) Calcular el intervalo ms corto que contenga por lo menos 90% de los

niveles de produccin diaria.
cv
c) Con qu frecuencia se puede decir, que la produccin ser mayor que 157000
galones diarios.

Solucin.
a) El intervalo [148000, 152000] corresponde a [ - 2, + 2] con =
150000 y = 1000.
el
Aplicando la propiedad de Chebyshev con k = 2, se tiene que, con probabilidad
mayor o igual a 1 - (1/k 2 ) = 0.75, la produccin diaria estar en el intervalo
indicado. Se espera que el 75% de los das la produccin de gasolina est en
el intervalo [148000, 152000].

b) Un intervalo que satisface lo pedido es uno de la forma [ - k, + k] en

iz
1
donde k es tal que 1 2 = 0.90 . Resolviendo, se tiene k = 10 = 3.1622.
k

De ah que [ - 3.1622, + 3.1622] = [146837.80, 153162.20].

Como la menor produccin es 147000, un intervalo que satisface la exigencia

es

[147000, 153162.20].

c) La distancia entre 157000 y la media 150000 expresada en desviaciones

157000 150000
estndar es = 7.
1000
204. Probabilidad.

Aplicando la propiedad de Chebyshev, se tiene que la probabilidad de que un

dato est en el intervalo [150000 - 7(1000), 150000 + 7(1000)] = [143000,
1 1
157000] es por lo menos 1 2 = 1 2 = 1 0.0204 = 0.9796 .
k 7

Como la menor produccin es 147000 podemos decir que la produccin no

puede ser mayor que 157000 en ms del 2.04% de los das (1- 0.9796 =
0.0204).

APROXIMACION DE LA ESPERANZA Y DE LA VARIANZA.

Cuando una funcin g(X) de una variable aleatoria X tiene una expresin
complicada, el clculo de la esperanza y varianza resulta difcil pero estos
valores pueden aproximarse si g(X) es aproximadamente lineal en la regin en
donde estn concentrados los datos. Tomando en cuenta el desarrollo de Taylor
de g alrededor de la media , se puede escribir:

g ( X ) = g ( ) + g ' ( )( X ) + R ,

en donde g' ( ) es la derivada de g calculada en la media de X y R es una

cv
cantidad pequea.

Aplicando la esperanza se tiene

E [ g ( X )] E [ g ( ) ] + g ' ( ) E ( X ) .

Como E(X - ) = 0 y g() es constante, se tiene que E [ g ( X ) ] g ( ).

el
Aplicando la varianza se cumple:

V [ g ( X ) ] V [ g ( ) ] + [ g ' ( ) ] 2 V ( X ) = [ g '( )]2 V ( X ).

3.23. Ejemplo.
iz
Si X es una variable aleatoria con E(X) diferente de 0, entonces

E ( 1/ X ) 1/ E ( X ) y V ( 1/ X ) V ( X )/ [ E ( X ) ] 4 .

En este caso, g( X ) = 1 / X .

3.24. Ejemplo.
Si X es una variable aleatoria con valores positivos y E(X) es diferente de 0,

E[ln ( X )] ln(E(X)), V[ln(X)] V ( X ) / [ E ( X ) ]2 .

Para la transformacin logaritmo, g(X) = ln(X), la varianza de la variable

transformada es aproximadamente igual al cuadrado del coeficiente de varia-
cin.
 Probabilidad. 205

3.25. Ejemplo.
Suponiendo que una variable aleatoria X tiene media 10 y varianza 4, la media
y la varianza aproximada de Y = 3 X 1 son como sigue:

E ( Y ) 3 10 1 y V ( X ) [ 3 / 2 10 1 ]2 ( 4 ) = 1.

LA LEY DE LOS GRANDES NUMEROS .

La ley de los grandes nmeros considera que si la esperanza de una variable X

existe, sta puede ser calculada; tomando el promedio de una sucesin de n
valores de X independientes entre s. Este promedio se estabiliza alrededor de
una constante cuando n aumenta indefinidamente. La constante es igual a la
esperanza de X. El resultado conocido tambin como el principio de
regularidad estadstica , se enuncia de la siguiente manera:

Sea X 1 , ... , X n , una sucesin de variables aleatoria independientes todas con

esperanza y desviacin estndar . Se cumple que

"Con probabilidad 1, la sucesin de variables aleatorias de la

cv
forma
X1+...+ X n
Xn =
n

tiende al valor cuando n se acerca al infinito".

ERROR DE MEDIDA. ERROR ALEATORIO Y SISTEMATICO.

el
Una de las aplicaciones de la media y la varianza se encuentra cuando se
estudian los errores que se producen al realizar repetidamente la medicin de
una magnitud a.

Si el instrumento que se usa en la medicin est bien calibrado y quien lo

iz
utiliza hace bien las medidas (no sesga las observaciones), las diferencias
entre las medidas obtenidas y el verdadero valor a, vara aleatoriamente. Las
diferencias as generadas se llaman errores aleatorios . Se puede considerar que
la distribucin de los errores aleatorios es normal con media 0 y desviacin
estndar .

Cuando el instrumento que se usa es consistente con las medidas pero el

instrumento no est bien calibrado o quien realiza las mediciones sesga las
mismas, aparte del error aleatorio se produce un error que se llama error
sistemtico . Se puede considerar que el error sistemtico es la diferencia entre
las medidas realizadas y el verdadero valor a.
206. Probabilidad.

Si la varianza de las medidas es pequea se dice que las mediciones realizadas

tienen alta precisin y si las medidas estn cercanas al verdadero valor a se
dice que stas se han realizado con exactitud .

3.9. EJERCICIOS .
1. El nmero X de toneladas de cierto material, recolectadas en una semana, es una variable
aleatoria con ley de probabilidad

xi 0 2 3 4
pi 0.1 0.4 c 0.2

a) Hallar el valor de c.
b) Hallar la funcin de acumulacin de X .
c) Representar grficamente a la ley de probabilidad de X y a su funcin de acumulacin.
d) Hallar la ley de probabilidad de Y = | X - 3|.
Rpta. . a) c = 0.3 d) P [ Y =0] = 0.3, P [ Y= 1] = 0.6 y P [ Y =3] = 0.1.
cv
2. Suponiendo que la demanda D, diaria de un artculo, es una variable aleatoria con la siguiente
ley de probabilidad
P[ D = d ] = c2d / d !, d = 1, 2, 3, 4.
a) Hallar c.
b) Hallar P[1 < D < 4]
Rpta. a) c = 1/6, b) P [1 < D < 4] = P [ D = 2] + P [ D = 3] = 0.5556.

3. Al examinar a los nios en una cierta poblacin con respecto a dos tipos de defectos fsicos:
A y B, se encontr que el 20% de ellos no revelaban tales defectos, el 40% tenan el defecto A,
el
y el 50% el defecto B. Algunos tenan ambos defectos. Si se escoge un nio al azar, cul es la
ley de probabilidad de la variable Y que indica el nmero de defectos encontrados?.
Rpta. La variable puede tomar los valores 0, 1 y 2 con probabilidades: 0.2, 0.7 y 0.1,
respectivamente.

4. Si se arrojan dos dados equilibrados y se considera la variable aleatoria X = mximo de los

valores que aparecen, cul es la ley de probabilidad de X ?.
Rpta. La variable puede tomar los valores 1, 2, 3, 4, 5, y 6 con probabilidades
iz
respectivas: 1/36, 3/36, etc.

5. Una moneda se lanza dos veces de manera independiente. Hallar la ley de probabilidad de la variable X, que
indica el nmero de caras que aparecen en los dos lanzamientos, si la probabilidad de que aparezca cara es
0.6.
Rpta. La variable X puede tomar los valores 0, 1 y 2 con probabilidades 0.16, 0.48 y
0.36, respectivamente.

6. En un cajn hay cuatro monedas de $1 y tres monedas de $5. Se extraen dos monedas al azar y de una sola
vez y se define la variable X como la cantidad total de dinero extrado. Indicar la ley de probabilidad de X.
Rpta. La variable puede tomar los valores 0, 1, 2 con probabilidades 0.16, 0.48 y 0.36,
respectivamente.

7. Se consideran dos lotes de medicinas. En uno de los lotes existen 4 de tipo A y 96 de tipo B;
en el otro hay 3 de tipo A y 75 de tipo B. De cada lote se escoge al azar una medicina y se
considera la variable X que indica el nmero de medicinas de tipo A extradas; hallar la ley de
probabilidad de X .
 Probabilidad. 207

8. Para ocupar una plaza de trabajo se presentan 10 personas cuyos coeficientes de inteligencia
son todos diferentes e iguales a 111, 112, ... , 120. Se eligen tres postulantes al azar. Si X es la
variable aleatoria que indica el mayor coeficiente de inteligencia entre los tres escogidos,
hallar

a) la ley de probabilidad de X .
b) la probabilidad de que al menos uno de los seleccionados tenga un coeficiente mayor o
igual a 118.
1 k 111
Rpta. a) La ley de probabilidad es P [ X = k ] = C1 C 2 para k = 113, ... , 120.
C 310

9. Un proyecto est compuesto de tres actividades: A, B, C. El orden en que las labores deben
ser ejecutadas se presenta en el siguiente diagrama de redes (las lneas representan
actividades). Esto es, la actividad B debe ser completada antes de que la C pueda comenzar.

in ic io A fin a l

B C

Figura 3.15.

La actividad A no depende, para su inicio, ni de B ni de C (se ejecutan simultneamente) pero

ambas A y C deben ser completadas antes de que el proyecto se considere terminado. El
tiempo necesario para completar cada actividad es incierto. Sin embargo, se asignan
cv
probabilidades a los tiempos de terminacin de las actividades, como se indica en la siguiente
tabla.

Actividad Tiempo posible en Probabilidad

semanas para
terminar
A 4 0.50
6 0.50
B 1 0.25
el
3 0.75
C 2 0.80
4 0.20

Hallar la ley de probabilidad del tiempo, T, necesario para terminar el proyecto.

Rpta. La variable T puede tomar los valores 4, 5, 6 y 7, con probabilidades 0.1, 0.325,
0.425 y 0.15, respectivamente.
iz
10. Una variable aleatoria X tiene funcin de densidad

ax , 0 x 1


f ( x) = a, 1 x 2,

ax + 3a , 2 x 3
a) Hallar el valor de a.
b) Hallar la probabilidad de que la variable X tome los valores comprendidos entre 1.5 y 2.5, incluyendo
estos valores.
Rpta. a) a = 0.5. b) P[15 . X 2.5] = 0.4375 .

11. Sea X una variable aleatoria con funcin de densidad

208. Probabilidad.

cx si x [ 0,1],
f ( x) =
0 en el resto.

a) Hallar la probabilidad de que X tome valores mayores que 0.7.

b) Hallar A de tal modo que P[X < A] = 0.2.
c) Hallar la probabilidad de que X diste de 0.5 en menos de 0.2.
Rpta. c = 2, b) A = 0.4472.

12. Se supone que en cierta regin, el salario mensual, en miles de unidades monetarias, es una variable
aleatoria X cuya funcin de densidad es

kx si 0 < x < 1
f ( x) =
k ( 5 / 4 x / 5) si 1 x 5
Hallar:

a) el valor de k.
b) la probabilidad de que una persona tenga un salario mayor que 0.5 miles de unidades unitarias.
c) Si el estado impone un impuesto de 10% a los ingresos de menos de 1000 unidades unitarias y de 20% al
resto de ingresos, cunto espera recaudar el estado por concepto de impuestos?

13. Decir si la funcin

x
si | x| 3
f ( x ) = ( x 2 9)
0 en el resto

cv
corresponde a la funcin de densidad de una variable aleatoria X.

14. Para la variable, cuya ley de probabilidad se indica en el ejercicio 2, calcular la demanda esperada.
Rpta. 2.5

15. En cada uno de los ejercicios, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, hallar la esperanza y la varianza de la
variable en referencia
el
16. Jos tiene opcin de participar en los juegos I y II, cuyas utilidades

para el juego I, son: -4 , 5 y 9 con probabilidades 0.4, 0.2 y 0.4, respectivamente;

para el juego II, son: -4, 5 y 9 con probabilidades respectivas, 0.3, 0.6 y 0.1.
Si Jos debe participar una sola vez en uno de los dos juegos, en cul juego le recomienda participar?.
Si Jos desea participar muchas veces en uno de los dos juegos, en cul juego le recomienda participar?.
Rpta. Para el primer caso, analizar la probabilidad, para el segundo caso, analizar la esperanza.
iz
17. En un lote hay 2 artculos defectuosos y 2 no defectuosos. Si los artculos se revisan al azar, uno despus
de otro y sin restitucin, y se considera la variable X que indica el nmero de artculos que se deben escoger
en la revisin a fin de sacar todos los defectuosos, hallar

a) La ley de probabilidad de X
b) El valor esperado de X y la varianza de X
Rpta. a) Los valores que puede tomar X son: 2, 3 y 4 con probabilidades 4/24, 8/24 y 12/24,
respectivamente.

18. Una empresa invirtiendo en el sector industrial ganar $7000000 con probabilidad 0.9 y perder $2000000
con probabilidad 0.1. Invirtiendo en el sector agrcola ganara $6000000 si se construye un determinado
reservorio, pero si no se construye, perdera $2000000. La probabilidad de que se construya el reservorio es
0.6. Cul debe ser la probabilidad de realizacin del reservorio para que a largo plazo sea indiferente el
campo de inversin?.

19. En el ejemplo 3.17, cul debe ser el nmero de peridicos que debera pedir el canillita para que el valor
esperado de su ganancia sea mxima?.
 Probabilidad. 209

20. Una compaa vendedora de televisores considera que stos tienen algn defecto con probabilidad 0.1. La
compaa asegura que cada aparato vendido con algn defecto ser reparado sin costo para el cliente. Si se
han vendido tres televisores, cunto espera gastar la compaa en reparaciones si el costo por reparacin es
C = Y2 + Y + 5, donde Y es el nmero de televisores, con algn defecto.
Rpta. 5.60.

21. Se han vendido 1310000 boletos de lotera a un valor de 20 u. m. cada uno. Hay 1, 2, 6, 77, 166, 875,
1296, 11790 y 146720 boletos con los siguientes premios, respectivamente: 500000, 100000, 50000, 10000,
5000, 1000, 250, 100 y 50 u. m. Tambin existen 26200 premios consistentes de un nuevo boleto. Si una
persona compra un boleto, cul es la probabilidad de que obtenga algn premio?. Cul es la esperanza de
su ganancia neta?. Interprete cada uno de los resultados.
Rpta. -10.20.

22. La demanda diaria de cierto artculo es una variable aleatoria cuyos valores son 10, 20 o 30
con probabilidades 0.2, 0.5 y 0.3, respectivamente. El costo de cada artculo es 1.80 y el de
venta es 2.00. Los artculos son perecederos de tal manera que si un artculo no se vende la
prdida es total. Hallar el nmero de artculos que se deben ordenar para la venta de tal
manera que la ganancia sea mxima.

23. El 3% de un grupo de k personas sufren de una enfermedad A que puede detectarse mediante
una prueba de sangre. El examen puede hacerse de dos maneras: 1) examinando a cada una de
las k personas o 2) mezclando las muestras de todas las k personas y despus analizar la
mezcla. Si en este caso la prueba resulta positiva se tiene que examinar a cada una de las
personas por separado, de otra manera es suficiente una sola prueba.

a) Para un valor fijo de k, cul es el valor esperado del nmero de pruebas en el caso 2).
cv
b) Cul es el valor de k que minimiza el nmero esperado de pruebas en el caso 2)?.

24. La demanda X de gasolina en miles de galones y por da en una refinera tiene funcin de
densidad

2 cx , si 0 < x 1

f ( x ) = c ( 3 x ), si 1 x 3

0 en otro caso.
el
a) Hallar el valor de c que hace que f sea funcin de densidad?.
b) Hallar la esperanza y la varianza de la demanda diaria de gasolina.
c) Hallar la probabilidad de que en un da cualquiera la demanda de gasolina sea 1500 galones
o ms.
d) Hallar la funcin de acumulacin de X. Construir su grfica.
e) Utilizar la funcin de acumulacin para calcular la probabilidad de que la demanda diaria
iz
est entre 1200 y 1500 galones.
f) Cul debe ser el inventario mnimo que la refinera debe tener para que, con probabilidad
0.95, exista gasolina al final de cualquier da?.

25. El contenido X de magnesio en un cierto compuesto es una variable aleatoria, cuya funcin de densidad es

cx / 8 si 0 x 6
f ( x) =
0 en otro caso.

La ganancia que se obtiene por este compuesto es G = 10 + 2X. Cul es la ganancia esperada?.

26. Un fabricante de aparatos de TV ofrece una garanta de un ao, en la que se compromete a reemplazar
cada aparato, sin costo para el cliente, si alguna pieza de ste falla por primera vez. El fabricante estima que
el tiempo X, en aos, hasta la primera falla es una variable aleatoria con funcin de densidad

x / 2 si x > 0
f ( x) =
0 en otro caso.
210. Probabilidad.

a) A qu porcentaje de los aparatos espera cambiar el fabricante?

b) Si el beneficio por venta es de $50 y reemplazar un televisor cuesta $20, cul es el beneficio esperado en
el negocio si se han vendido N televisores?.
c) Hallar la mediana de X.

27. La demanda diaria, en cientos de kilos, de un cierto artculo en una tienda de abarrotes es

3x 2 , 0 x 1
f ( x) =
0, en el resto

Si un determinado da el dueo del almacn ordena 70 kilos del artculo, cul es el valor
esperado de la ganancia si el kilo del artculo cuesta $8 y se vende a $10.
Rpta. k =129.71.

28. La proporcin de impurezas que se pueden encontrar en muestras de determinado metal

precioso es una variable aleatoria X cuya funcin de densidad es

2 (1 x ) si 0 x 1
f ( x) =
0 en el resto ,

hallar la esperanza de X 2

29. En una gran empresa, el sueldo promedio de los trabajadores es $400 con una desviacin
estndar de 50. Usando la propiedad de Chebyshev,
cv
a) Indicar la probabilidad de que el sueldo de un trabajador est entre $300 y $500.
b) Calcular el intervalo ms corto que contenga por lo menos al 85% de los sueldos de los
trabajadores.
c) Con qu frecuencia, se puede decir que, los sueldos de los trabajadores son mayores que
$500 si se sabe que los sueldos son mayores que $400.
Rpta. a) Es mayor o igual que 0.75. b) [271, 529].

30. Una variable aleatoria tiene esperanza 30 y varianza 9. Usando el teorema de Chebyshev,
el
a) Hallar una cota inferior para P[21 X 39] .
b) Hallar el valor de c que cumple con P[| X 30| c] 0.05

31. Los gastos, en miles de soles, que se originan mensualmente en una dependencia tienen
media 150 y varianza 4500. No conociendo la distribucin de los gastos, se podra considerar
que es muy improbable que los gastos sean superiores a 350?.

X 2 + X si la media y
iz
32. Calcular aproximadamente la media y la varianza de la variable Y =
la varianza de la variable aleatoria X es, respectivamente, 8 y 1.
Rpta. La esperanza es aproximadamente igual a 72 .

3.10. DISTRIBUCION CONJUNTA. VARIABLES ALEATORIAS

INDEPENDIENTES

Muchas veces interesa el anlisis de la relacin que pueda existir entre dos o
ms variables. Es conveniente por ello, establecer modelos que describan el
comportamiento de dos o ms variables a la vez. La distribucin conjunta, que
se estudia a continuacin, ayudar en este sentido.
 Probabilidad. 211

Vector aleatorio bidimensional.

Las variables aleatorias asocian a cada resultado de un experimento aleatorio

un nmero real. Cuando un vector de dos o ms dimensiones es asociado a cada
resultado de un experimento aleatorio se tiene una variable aleatoria
multidimensional o vector aleatorio . Por razones de comodidad en las
notaciones, restringiremos la exposicin terica al caso de dos dimensiones.
3.26. Ejemplo.
Si a cada artculo que produce una fbrica le hacemos corresponder su nmero
de defectos, X, y su peso Y, se tendr el par (X, Y), llamado vector aleatorio de
dos dimensiones.

En general, dadas dos variables aleatorias X e Y definidas en ,

al par (X, Y) se le llama vector aleatorio bidimensional

Vectores aleatorios bidimensionales discretos y continuos.

cv
Si las variables X e Y, son discretas se dice que el vector aleatorio
bidimensional (X, Y) es discreto . Cuando ambas variables son continuas, el
vector se llama vector aleatorio continuo .

Distribucin de probabilidad conjunta o ley de probabilidad

conjunta. (Caso discreto).
el
Consideremos el espacio en donde estn definidas una probabilidad P y las
variables aleatorias X e Y discretas. Si el conjunto de valores de cada variable
es, respectivamente,

R X = { x1 , ... , xm , ...} y Ry = { y1 ,... , yn ,...} ,

iz
la ley de probabilidad conjunta del vector bidimensional (X, Y), que se denota
con p( x i , y j ) , se define como

p( x i , y j ) = P[ X = x i , Y = y j ], x i R X y y j RY ,

en donde P [ X = xi , Y = y i ] = P[ X 1 ( xi ) Y 1 ( y j )] .

Se cumple: p( x i , y j ) 0 y que p( xi , y j ) = 1 .
xi R X y j RY

Las funciones definidas como

212. Probabilidad.

p X ( xi ) = p( xi , y j ) , para xi R X ,
y j R y

pY ( y j ) = p( x i , y j ) , para y j RY .
xi R X

se llaman: distribucin marginal de X y distribucin marginal de Y,

respectivamente. Se comprueba fcilmente que cada distribucin marginal es
una ley de probabilidad de la variable respectiva.
3.27. Ejemplo.
Se lanzan dos dados equilibrados y se consideran las variables aleatorias:

X = nmero de puntos que aparecen en la cara superior del dado 1,

Y = nmero de puntos que aparecen en la cara superior del dado 2.

La ley de probabilidad conjunta de X e Y es

p(i , j ) = P[ X = i , Y = j ] = P[ X 1 (i ) Y 1 ( j )] = 1/ 36 para i = 1, 2,... , 6 y j = 1, 2, ... , 6.

Se tiene, por ejemplo, que p (1, 5) = P[ X = 1, Y = 5] = P["en el primer dado

aparezca 1 punto en la cara superior y 5 puntos en la cara superior del
cv
segundo dado "] = 1/36.

La distribucin marginal de X calculada, por ejemplo en 3, es

p X ( 3) = p ( 3, y ) = p ( 3, 1) + p ( 3, 2 ) +...+ p ( 3, 6) = 6 / 36.
y{1, 2 ,..., 6}

La ley de probabilidad conjunta p( x i , y j ) se representa con segmentos de

el
longitud p( x i , y j ) , perpendiculares al plano XY en el punto ( x i , y j ) .

p( xi , y j )

yj
iz
0
xi Y

X
Figura 3.16.

3.28. Ejemplo.
En la siguiente tabla

X\ 51 52 53 54 55
Y
51 0.06 0.05 0.05 0.01 0.01
52 0.07 0.05 0.01 0.01 0.01
53 0.05 0.10 0.10 0.05 0.05
54 0.05 0.02 0.01 0.01 0.03
 Probabilidad. 213

55 0.05 0.06 0.05 0.01 0.03

se considera la distribucin conjunta de las variables aleatorias discretas X e Y,

en donde X representa el nmero de rdenes del medicamento A durante Junio e
Y representa el nmero de rdenes durante el mes de Julio del mismo
medicamento.

Hallar la distribucin marginal de X

Solucin.
La distribucin marginal de X est descrita por

p X (51) = 0.06 + 0.05 + 0.05 + 0.01 + 0.01 = 0.18.

p X (52) = 0.07 + 0.05 + 0.01 + 0.01 + 0.01 = 0.15.
p X (53) = 0.05 + 0.10 + 0.10 + 0.05 + 0.05 = 0.35.
p X (54) = 0.05 + 0.02 + 0.01 + 0.01 + 0.03 = 0.12.
p X (55) = 0.05 + 0.06 + 0.05 + 0.01 + 0.03 = 0.20.

El lector puede hallar, de igual manera, la ley marginal para Y.

cv
Funcin de densidad conjunta. (Caso continuo).

Para las variables aleatorias continuas X e Y, se define la funcin

de densidad conjunta.como la funcin y = f(x, y) que cumple con

a) f(x, y) 0
el
+ +
b) f ( x , y )dxdy = 1.
c) P[ A] = f ( x , y )dxdy. , donde A es un evento contenido en el
A
plan.
iz
La relacin 3 indica la manera de calcular la probabilidad de un evento que est
contenido en el plano.

Integrando la funcin de densidad conjunta con respecto a la

variable Y se obtiene la funcin de densidad marginal de X:

+
f X ( x ) = f ( x , y ) dy .

Anlogamente, para la variable Y, su funcin de densidad

marginal es
+
f Y ( y ) = f ( x , y )dx
214. Probabilidad.

Ley de probabilidad y funcin de densidad condicionales.

Variables aleatorias independientes.

Intuitivamente dos variables aleatorias X e Y definidas en son independientes

si los eventos que X determina (por ejemplo [X < 4]), son independientes de los
que Y determina (por ejemplo [Y > 10]). La definicin exacta del concepto de
variables independientes se obtienen siguiendo el camino que se us para
definir eventos independientes. Para ello presentamos previamente los
conceptos de ley de probabilidad condicional y funcin de densidad
condicional.

Dadas las variable aleatorias X e Y, para un valor determinado x

de X,

la ley de probabilidad condicional de Y dado x es la funcin

definida por

p( x, y)
pY | X ( y | x ) = , para el caso discreto y
p X ( x)
cv
la funcin de densidad condicional, de Y dado, x es la funcin
definida por

f ( xi , y j )
f Y | X ( y j | xi ) = , para el caso continuo .
f X ( xi )

Las variables aleatorias X e Y se dice que son independientes si

el
pY | X ( y| x ) = pY ( y ) , para el caso discreto
y f Y | X ( y| x) = f Y ( y ) , para el caso continuo.
iz
Ntese que si X, e Y son independientes, entonces

p( xi , y j ) = p X ( x i ) pY ( y j ) , para el caso discreto

f ( x , y ) = f X ( x ) f Y ( y ) , para el caso continuo.

3.29. Ejemplo.
Dos nmeros aleatorios se escogen al azar y de manera independiente en el
intervalo [2, 5]. Hallar la probabilidad de que uno de ellos est en el intervalo
[3, 3.5] y el otro, en el intervalo [4, 4.2].

Solucin.
 Probabilidad. 215

Sea X la variable aleatoria que representa a uno de los nmeros escogidos e Y la

variable que representa al otro. Se desea calcular

P[ X [ 3, 3.5], Y [ 4 , 4.2 ]] .

Como las variables X e Y representan pruebas independientes y la distribucin

de cada una de ellas es uniforme en cada uno de los intervalos respectivos, se
tendr que la distribucin conjunta de X e Y es f XY ( x , y ) = f X ( x ) f Y ( y ) .

Luego, P [ X [ 3, 3. 5], Y [ 4 , 4 . 2 ]] =

3.5 4.2 3.5 4.2 3. 5 3 4 . 2 4

3 4 f XY ( x , y )dxdy = 3 f X ( x )dx 4 f Y ( y )dy = = 0. 0111.
5 2 5 2
3.30. Ejemplo.
Una embotelladora de refrescos recibe botellas de la fbrica A que luego se
someten a un control de calidad de la siguiente manera:

El control se hace por lotes de 50 botellas cada uno. De las 50 se toman al azar
2, sucesivamente y sin reposicin. Si ninguna es defectuosa se acepta el lote, de
otro modo se eligen de una en una y sin restitucin otras 3 de las 48 que
cv
quedan. Si en el segundo grupo las tres son defectuosas el lote se rechaza, de
otro modo se acepta. Cul es la probabilidad de que un lote de 50 botellas sea
rechazado si en l existen 10 que son defectuosas?.

Solucin.
Sean X e Y las variables que indican, respectivamente, el nmero de botellas
defectuosas en el primer y segundo grupo.
el
El siguiente diagrama, en donde los nodos terminales marcados con asterisco
indican "rechazo del lote", ilustra la situacin.

Y =0
iz
Y =1
Y =2
Y =3
rechazo
*
X =2
Y =0
X= 1 Y =1

Y =2
X =0
Y =3
aceptac
rechazo
*
Figura 3.17.

P[Se rechace el lote] = P[X = 1, Y = 3] + P[X = 2, Y = 3] =

= P[Y = 3|X = 1]P[X = 1] + P[Y = 3|X = 2]P[X = 2]

216. Probabilidad.

C39 C039 C110 C140 C38 C040 C210 C040

= + = 0.0017.
C348 C250 C348 C250

Funciones de variables aleatorias.

Usando la distribucin conjunta o la funcin de densidad conjunta, se puede
definir la distribucin de funciones de dos o ms variables, tales como:

g(X, Y) = X + Y, g(X, Y) = XY, g(X, Y) = X/Y, g(X 1 , ..., X n ) = c 1 X 1 + ... +

c n X n , etc.

Esperanza de una funcin de dos o ms variables aleatorias.

La esperanza de una funcin g de dos o ms variables aleatorias se establece a

partir de la ley de probabilidad conjunta o de la funcin de densidad conjunta
de las variables, segn sean discretas o continuas. As para una funcin g de las
variables X e Y, se tiene:
cv
E(g(X, Y)) = g ( xi , y j ) p ( xi , y j ) , (caso discreto),
i j

+ +
E ( g ( X , Y ) = g ( x , y) f ( x , y )dxdy , (caso continuo).

el
4. Para las variables aleatorias X 1 , ... , X n , se cumple que

E(c 1 X 1 + ... + c n X n ) = c 1 E(X 1 ) + ... + c n E(X n ), en donde las

constantes c 1 , ... , c n son nmeros reales.

En particular, E(X + Y) = E(X) + E(Y).

iz
5. Si X e Y son variables aleatorias independientes, entonces

E(XY) = E(X)E(Y).

A manera de ejemplo indicaremos la prueba de la propiedad E(X + Y) = E(X) + E(Y)

para el caso discreto y finito.

Suponiendo que los valores de X son: x 1 , ... , x m y los de Y son: y 1 , ... , y n , se

tiene:

m n
E ( X + Y ) = [ x i + y j ] P[ X = x i , Y = y j ]
i =1 j =1
 Probabilidad. 217

m n n m
= x i P[ x = x i , Y = y j ] + y j P[ X = x i , Y = y j ]
i =1 j =1 j =1 i =1
m n
= xi P[ X = xi ] + y j P[ Y = y j ] = E ( X ) + E ( Y ).
i =1 j =1

Otras propiedades de la varianza.

Ahora, como en el caso de la esperanza, se puede establecer la varianza para

una funcin de dos o ms variables y agregar otras propiedades de la varianza
que antes no fueron indicadas pues formalmente necesitan de la ley de
probabilidad conjunta o de la funcin de densidad conjunta.

5. Si X e Y son dos variables aleatorias independientes,

a) V(X + Y) = V(X) + V(Y). ( X +Y = V ( X ) + V ( Y ) )

b) V(X - Y) = V(X) + V(Y). ( X Y = V ( X ) + V ( Y ) ).

cv
6. Si X 1 , ... , X n son variables aleatorias independientes y c 1 , ..., c n
son constantes, entonces

V(c 1 X 1 + ... + c n X n ) = c 1 2 V(X 1 ) + ... + c n 2 V(X n ).

Caso particular: Si X 1 , ... , X n tienen la misma varianza, 2 ,
entonces

n n
el
2
V ( X i ) = n y Desv . est . de ( X i ) = n .
i =1 i =1

3.11. EJERCICIOS .
iz
1. Se ha determinado que la distribucin conjunta para las variables X e Y es como la que se
indica en la siguiente tabla

X \Y 0 1 2 3
0 1/12 2/12 1/12 2/12
1 1/12 0 1/12 1/12
2 0 1/12 1/12 1/12

Calcular:
a) p (2, 1), el valor de la distribucin conjunta en (2, 1). b) p X ( 2 ) , la probabilidad marginal
de X en 2. c) pY (1) , la probabilidad marginal de Y en 1.
d) P( X = 2|Y = 3) , la probabilidad condicional del evento [ X = 2] dado el evento [ Y = 3].
e) Son las variables X e Y , independientes?.
Rpta. a) 1/12. b) 3/12. d) 1 / 4 .
218. Probabilidad.

2. En un grupo de 8 profesionales hay 2 abogados, 3 mdicos y 3 ingenieros. Se seleccionan al

azar tres profesionales de entre los 8 que hay y se designa con X al nmero de abogados
seleccionados y con Y al nmero de ingenieros seleccionados. Hallar la distribucin conjunta
de ambas variables.
Rpta . P[ X = 0, Y = 0] = 3 / 28, P[ X = 0, Y = 1] = 9 / 28 ,etc.

3. El precio X de compra de un artculo en miles de soles y el precio Y de venta del artculo

varan de acuerdo a la funcin de densidad conjunta

1 si 0 x 1 0.5 y 15
.
f ( x , y) =
0 en el resto
Hallar
a) la probabilidad de que el precio de compra sea mayor que el precio de venta. Esto es,
P[ X > Y ] . b) f X . c) P[Y > 12 | 0.1 X 0.3] .d) Hallar la probabilidad de que el precio de venta
sea mayor al precio de compra. e) Las variables X e Y , son independientes?.

Rpta . a) 0.125. b) f X ( x ) = 1 para 0 x 1 .

P[Y > 12 . X 0.3] (15
. , 01 . 1.2)( 0.3 01
.)
c) P[Y > 12 . X 0.3] =
. |01 = .
P[0.1 X 0.3] ( 0.3 01
.)

K 0 X 2 X1 1
f ( x1, x2 ) =
0 en el resto
cv
Calcular

a) Hallar el valor de K.
b) La esperanza y la varianza del tiempo que pasa el cliente en el restaurante.
c) La esperanza y la varianza del tiempo esperado que demora el cliente en ser atendido.
d) La esperanza y la varianza del tiempo que pasa el cliente en el restaurante.

6. Probar que si las variables discretas X e Y son independientes, entonces la esperanza del
producto de las dos variables es igual al producto de las esperanzas de las dos variables.
el
3.12. LEYES DE PROBABILIDAD DISCRETAS IMPORTANTES:
iz
Existe un gran nmero de modelos para estudiar la distribucin de grupos de datos que
provienen de una variable aleatoria. Entre los modelos que corresponden a las variables
aleatorias discretas estn las distribuciones: de Bernoulli, binomial, geomtrica, de
Poisson, etc.; y entre los que corresponden a las variables aleatorias continuas, se tienen
las distribuciones: uniforme, normal o de Gauss, exponencial, ji-cuadrado, exponencial,
t-student, F de Snedecor, etc.

DISTRIBUCION DE BERNOULLI.
Consideremos el experimento E que tiene los nicos resultados: V ("xito") y F
("fracaso"), con probabilidades p y q, respectivamente, donde p > 0, q > 0 y p + q = 1.
Un experimento de este tipo se llama prueba de Bernoulli de parmetro p.
 Probabilidad. 219

Consideremos ahora la variable X que toma el valor 1 cuando aparece V y el valor 0

cuando aparece F.

La ley de probabilidad o distribucin de probabilidad de la variable X es

xi 0 1
P[X=xi] q p

Esta distribucin puede escribirse de la siguiente manera:

P[ X = k ] = p k q 1 k , en donde k = 0, 1.

En general, toda variable discreta X que tiene esta ley de probabilidad, se

dice que sigue la distribucin de Bernoulli de parmetro p.

Esperanza y varianza de una variable aleatoria con ley de Bernoulli.

La esperanza y la varianza de una variable aleatoria discreta X que sigue

la distribucin de Bernoulli de parmetro p son:
cv
E(X) = 0(q) + 1(p) = p y V(X) = (0 - p)q + (1 - p)p = pq

DISTRIBUCION BINOMIAL.
Una variable aleatoria discreta X, con valores 0, 1, 2, ... , n, se dice que
el
sigue la distribucin binomial con parmetros n y p si su ley de
probabilidad es

n
p k = P[ X = k ] = C k pkqn-k,

con k = 0,1,2, ... , n.

iz
Si X sigue la distribucin binomial con parmetros n y p, se escribe X ~ (n, p).

Cundo usar esta ley?

Consideremos, un experimento con slo dos resultados posibles: V con probabilidad p y

F con probabilidad q y repitmoslo n veces de manera independiente (la probabilidad de
que aparezca xito (V) en cada repeticin es igual a la constante p).

La variable aleatoria X que indica el nmero de Vs que aparecen en las n repeticiones

es una variable aleatoria con valores 0, 1, 2, ... , n, segn aparezcan 0, 1, 2, ..., n Vs,
respectivamente.

La distribucin de la variable X es binomial con parmetros n y p.

220. Probabilidad.

Esta afirmacin se justifica pues el evento [X = k] est formado por n-tuplas que tienen k
de sus elementos iguales a V y n k elementos iguales a F. La probabilidad de que
suceda cada una de stas es pkqn-k. Como el nmero de tales n-tuplas es Ckn , se tiene que
efectivamente X tiene la ley binomial de parmetros n y p.

Si se lanza una moneda n = 10 veces, entonces la variable aleatoria X, que

cuenta el nmero caras que aparecen en los n lanzamientos, es una variable
aleatoria discreta con valores 0, 1, 2, ... , n y su distribucin es la binomial
n
P[ X = k ] = C k pkqn-k, P[ X = k ] = C k10 p k q 10 k ,

en donde p es la probabilidad de que aparezca cara en cada lanzamiento.

La siguiente propiedad indica que la expresin para P[X = k], corresponde efectivamente
a una ley de probabilidad.

PROPIEDAD.

n n
Si X ~ (n, p), entonces pk = P [ X = k ] = 1.
cv
k =0 k =0
En efecto,

n n
n k nk n
pk = Ck p q = ( p + q ) = 1.
k =0 k =0

OBSERVACION.
el
Cuando n = 1 la distribucin binomial corresponde a la distribucin de
Bernoulli con parmetro p.

Se presentan a continuacin grficos de la distribucin binomial para algunos valores de

los parmetros.
iz
(a) (a)
B(5,0.5) B (5,0.2) B (5,0.8)
0.4096 0.4096
0.3125

X X X
012345 012345 012345

(a) (b) (c)

Figura 3.18.
 Probabilidad. 221

Cuando p es 0.5, la grfica es simtrica. (Fig. 3.18 (a)). Si p se acerca a 0 la grfica es

asimtrica con cola a la derecha (Fig. 3.18 (b)), mientras que si p se acerca a 0, la grfica
es asimtrica con cola a la izquierda. (Fig.3.18 (c)).

3.31. Ejemplo.
Si X ~ (20, 0.1), se tiene:

a) P [ X = 5] = C520 ( 0. 1)5 ( 0. 9 )205 = 0. 0319 .

b) P [ X 1] = C020 0. 100. 920 + C120 0. 110. 919 = 0. 3918 .
c) P[ X > 1] = 1 P[ X 1] = 1 0.3918 = 0.6082.

3.32. Ejemplo.
Una moneda se lanza 10 veces de manera independiente. Si para cada lanzamiento, la
probabilidad de que aparezca cara es 0.3 entonces, la variable aleatoria X que cuenta el
nmero de caras en los 10 lanzamientos es discreta con valores 0, 1, 2, ... , 10 y su
distribucin es binomial con parmetros n = 10 y p = 0.3.

Simblicamente, X ~ (10, 0.3).

La ley de probabilidad de X es
cv
10 k 10 k
P[ X = k ] = C ( 0.3) ( 0.7 ) . con k = 0, 1, 2, ...,10.
k

En particular, la probabilidad de que al lanzar 10 veces la moneda aparezcan 5 caras es

igual a P[ X = 5] = C510 (0.3) 5 (0.7) 105 = 0.1029.

Muchos otros experimentos aleatorios pueden ser tambin modelados con la distribucin
el
binomial. Veamos el siguiente.

Consideremos que de una poblacin de N elementos, en donde existen r con la

caracterstica V y N - r con la caracterstica F, se eligen al azar n de ellos de uno en uno
y con restitucin. La variable aleatoria X que cuenta el nmero de elementos con la
caracterstica V entre los n elegidos, sigue una distribucin binomial con parmetros n
iz
y p = r/N.

En efecto, cada extraccin es una experiencia de Bernoulli (con slo dos resultados
posibles: V y F). La probabilidad de V es p y la de F es q = 1 - p.

Ntese que la probabilidad p permanece constante en cada extraccin. Cada extraccin

se realiza de manera independiente.

NOTA.
Si cada extraccin se realiza sin restitucin, la probabilidad p en cada una de ellas no es
constante, por lo tanto no es aplicable el modelo binomial; sin embargo, cuando N, es
grande y n es pequeo respecto de N, la variable X tiene una distribucin que se
aproxima a la binomial. Se considera que la aproximacin es buena si n 0.1 N .
222. Probabilidad.

(Estrictamente X sigue la distribucin hipergeomtrica, que ser analizada

posteriormente). Estos resultados se obtienen igualmente cuando se toman todos los
elementos a la vez.
3.33. Ejemplo.
Se considera que la proporcin de mdicos que atienden en provincias es slo el 5%. Si
se eligen 10 mdicos al azar del registro de todos los mdicos,

a) cul es la probabilidad de que 4 de ellos atiendan en provincias?.

b) cul es la probabilidad de que el nmero de mdicos que atiendan en provincias sea
mayor o igual que 3 y menor o igual que 5?.

Solucin.
Puede considerarse que la poblacin formada por todos los mdicos es muy grande.
Luego, si X representa al nmero de mdicos que atienden en provincias, de los 10
elegidos, podr suponerse que X tiene distribucin binomial (10, 0.05).

Se tiene entonces que

10 4 6
a) P [ X = 4 ] = C4 0. 05 0. 95 = 0.00096.
b) P [ 3 X 5] = P [ X = 3] + P [ X = 4 ] + P [ X = 5] = 0.01150.
cv
3.34. Ejemplo.
Por experiencia se ha determinado que un 2% de las vacunas que se preparan en
un laboratorio pierden su efectividad despus del dcimo da de preparadas.
Hallar la probabilidad de que ms de dos vacunas de una caja de 10 resulten
ineficaces despus del dcimo da de preparadas.

Solucin.
el
Si X es el nmero de vacunas ineficaces en cada una de las cajas de 10, se
tendr que X ~ (10, 0.02) y

P [ X > 2 ] = 1 P [ X 2 ] = 1 { P [ X = 0 ] + P [ X = 1] + P [ X = 2 ] }
iz
= 1 {C010 0. 0200. 9810 + C110 0. 0210. 989 + C210 0. 0220 . 988 } = 0. 0009.

3.35. Ejemplo.
Se supone que en un proceso de fabricacin de botellas de vidrio es ideal que
el porcentaje de defectuosas sea pequeo. Para comprobar si se mantiene con el
tiempo esa calidad se extrae una muestra de tamao N cada cierto tiempo. Si en
una de estas muestras se encuentra por lo menos una defectuosa el proceso se
detiene. Si el proceso pasara a producir el 5% de defectuosas el fabricante
deseara que este cambio se notara con probabilidad igual a 0.95, cul debe
ser el valor de N para que se cumplan los deseos del fabricante?.

Solucin.
Se desea hallar el valor de N de tal modo que cuando la proporcin de
defectuosas es del 5% en toda la produccin, la probabilidad de que se tenga
por lo menos una botella defectuosa en la muestra sea 0.95. Llamando con X al
 Probabilidad. 223

nmero de botellas defectuosas en cada muestra de tamao N, se tendr que X

sigue la ley de probabilidad (N, 0.05) y segn la condicin,

0.95 = P[1 X N] = 1 P [ X = 0 ] = 1 0. 95 N ,

de donde, N 59.

Esperanza y varianza de una variable aleatoria con ley binomial.

Si una variable X tiene ley binomial con parmetros n y p entonces se

cumple que la esperanza y la varianza son:

E(X) = np y V(X) = npq, en donde q = 1 - p.

En efecto,

n n
E ( X ) = kP [ X = k ] = kC kn p k q n k , ( q = 1 p ).
k =0 k =0

n n! n
p k 1q n k = p nCkn11 p k 1q n k
cv
= p
k =1( n k )!( k 1)! k =1

n 1
= p nCsn 1 p sq ( n 1) s , ( haciendo k 1 = s )
s= 0

= np ( p + q )n 1 = np .
el
Para calcular la varianza de X, se calcula la esperanza de la variable aleatoria Y
= X(X - 1).

n n ( n 2)!
n!
E ( X ( X 1)) = k ( k 1) (n k )! k ! p k q n k = p 2 n( n 1)
( n k )!( k 2)!
p k 2 q n k .
iz
k =0 k =2

Haciendo k - 2 =s, se tiene que E ( X ( X 1)) = E ( X 2 ) E ( X ) = p 2 n ( n 1).

Luego, V ( X ) = E ( X 2 ) [ E ( X )] 2 = p 2 n(n 1) + np (np) 2 = npq.

3.36. Ejemplo.
La probabilidad de que un cierto transformador falle en los primeros 10 aos de
operacin es p = 0.06. Si se observan n = 200 de tales transformadores, entonces, el
nmero X de transformadores que fallan en los 10 primeros aos tiene distribucin
binomial con parmetros 200 y 0.06. El nmero de transformadores que se espera que
fallen en el perodo indicado es np = 200(0.06) = 12.
3.37. Ejemplo.
224. Probabilidad.

Cada da que un cliente se aloja en el hotel "Estrella" debe pagar como mnimo
$100. Si ocupa una habitacin de tipo 1 deber pagar $50 ms y si ocupa una
habitacin de tipo 2 deber pagar $20 ms. De los registros del hotel se deduce
que la probabilidad de que un cliente ocupe una habitacin de tipo 1 es 0.4 y de
tipo 2, es 0.6. Un da se presentaron 10 clientes,

a) cul es la probabilidad de que todos se hayan alojado en habitaciones de

tipo 2?.

b) En trminos del nmero de clientes, indicar el total T de dinero que se

recaud por los 10 clientes. Hallar la esperanza de T.

c) Hallar la probabilidad de que se haya recaudado $1320.

Solucin.
a) Sea X al nmero de clientes, de los 10, que se alojan en habitaciones de tipo
2. Se tiene que X sigue una ley binomial de parmetro n = 10 y parmetro p =
0.6. Luego, la probabilidad de que los 10 se hayan alojado en habitaciones de
tipo 2 es

10 10 0
P[X = 10] = C10 0.6 0.4 = 0.0060
cv
b) El total de dinero T, que se recauda por los 10 clientes es igual a

T = 1000 + 20X + 50(10 - X), X = 1, ... , 10.

La esperanza de T es E(T) = 1500 - 30E(X) = 1500 - 30(10)(0.6) = 1320.

c) Para recaudar T = $1320 es necesario y suficiente que X = 6. Luego,

el
P["Recaudar $1320"] = P[X = 6] = C610 0.6 6 0.4 4 = 0.2511.

3.38. Ejemplo.
El porcentaje de radios defectuosos que produce una fbrica es 1%. Si se vendieron con
iz
garanta 10 radios antes de probarlos y el costo, en soles, por hacer efectiva la garanta es
2
C = 10 + 20 X , donde X es el nmero de radios defectuosos de los 10 vendidos,
calcular el costo esperado de la garanta.

Solucin.
2 2
Se tiene que E ( C ) = E (10 + 20 X ) = 10 + 20 E ( X ).
Como X es binomial con parmetros n = 10 y p = 0.01, se tiene que E(X) = np = 0.1 y
V(X) = npq = 0.099. Por lo tanto

2 2 2
E ( C) = 10 + 20 E ( X ) = 10 + 20{V ( X ) + [ E ( X )] } = 10 + 20[ 0.099 + 0.1 ] = 12.18.

El valor esperado del costo por garanta es 12.18 soles. Si se venden muchos lotes de 10
radios cada uno, el costo promedio de la garanta es 12.18 por lote.
 Probabilidad. 225

DISTRIBUCION HIPERGEOMETRICA.
Una variable aleatoria X discreta, se dice que tiene distribucin
hipergeomtrica con parmetros N, r y n si su ley de
probabilidad es

r N r
C k Cn k
p k = P[ X = k ] = N
,
Cn

siempre que los valores k de la variable cumplan con

mx[0, n + r - N] k min[n, r].

Cuando X sigue la distribucin hipergeomtrica con parmetros N, r y n, se

escribe X ~ (N, r, n).

Cundo se usa este modelo?

Considrese una poblacin finita con N elementos, r de los cuales tienen la

caracterstica A y los N r restantes tienen la caracterstica B.
cv
Se eligen al azar y de una sola vez, n elementos de la poblacin y se considera
la variable aleatoria X que indica el nmero de elementos con la caracterstica
A entre los n elegidos.

La variable X tiene, como se puede comprobar, la distribucin hipergeo-

mtrica de parmetros N, r y n.

Se tiene la misma distribucin para X si la eleccin de los n elementos de la

el
poblacin se hace de uno en uno y sin restitucin.

El resultado de cada extraccin depende de lo que haya sucedido en la anterior,

y a diferencia del caso de las extracciones con restitucin, estos resultados no
son independientes.
iz
3.39. Ejemplo.
Con el fin de aceptar o rechazar un lote de 20 artculos embarcados por una
compaa productora se toman 5 artculos de uno en uno y sin restitucin. Se
decide rechazar el lote si la muestra tiene ms de un artculo defectuoso. Cul
es la probabilidad de aceptar el lote si en ste existen 4 artculos que son
defectuosos?.

Solucin.
Si X = Nmero de artculos defectuosos en la muestra, entonces, X ~ (20, 4,
5).

La probabilidad de que el lote sea aceptado es

226. Probabilidad.

C 4 . C16 C 4 . C16
P [ X < 2 ] = P[ X = 0 ] + P[ X = 1] = 0 205 + 1 204 = 0. 7513.
C5 C5

La siguiente propiedad justifica la aproximacin de la distribucin binomial

mediante la distribucin hipergeomtrica, ya referida en seccin anterior.

PROPIEDAD .

En el esquema anterior, cuando N es suficientemente grande y n es

pequeo respecto de N (en la prctica cuando n 0.1N ) , la
distribucin hipergeomtrica (N, r, n) se aproxima a la distribucin
(n, p), donde p es igual a r/N.

En este caso, cada extraccin que se realiza sin restitucin afecta muy poco a la
siguiente y as la probabilidad de escoger un elemento de tipo A se mantiene
aproximadamente igual a r/N.

Ckr . CnNkr
La propiedad se justifica si la expresin que aparece en el segundo
CnN
cv
miembro de la frmula de la ley hipergeomtrica, se escribe como
n! r ( r 1)... ( r k + 1)( N r ) ( N r 1)... ( N r n + k + 1)
(I)
( n k )! k ! N ( N 1)...( N n + 1)

y se considera, sobre la base de las restricciones indicadas, que

r( r 1 )... ( r k + 1 ) r k
el
( N r )( N r 1)...( N r n + k + 1) ( N r ) n k .

N ( N 1)... ( N n + 1) N n .
iz
Reemplazando las relaciones anteriores en la expresin (I), se tiene que
C r C N r
P[ X = k ] = k n k C kn (r / N ) k (1 r / N ) n k .
CnN

Esperanza y varianza de una variable aleatoria con ley hipergeomtrica

Para una variable aleatoria X cuya distribucin es

hipergeomtrica, (N, r, n), se cumple

r r N n
E(X) = n(r/N) y V ( X ) = n 1 .
N N N 1
 Probabilidad. 227

Observamos que si N es suficientemente grande y n es pequeo respecto de N,

N n
se aproxima a 1 y as, la esperanza y la varianza tienen la misma forma
N 1
que en el caso de la distribucin binomial.

DISTRIBUCION GEOMETRICA.
Una variable aleatoria X con valores 0, 1, 2, ... , sigue la
distribucin geomtrica con parmetro p si su ley de probabilidad
es

k 1
p k = P[ X = k ] = q p , k = 1,2,3,... con p > 0, q > 0 y p + q =1.

Cuando X tiene la ley geomtrica con parmetro p se escribe X ~ (p).

Cundo usar este modelo?.

Para mostrar los casos en donde esta distribucin se puede aplicar, considrese
cv
un experimento de Bernoulli, con los resultados posibles: V (xito) y F
(fracaso).

El experimento se repite de manera independiente hasta obtener V.

El espacio muestral que se obtiene est formado por los siguientes eventos:
el
E1: V (xito en la primera prueba).
E 2 : FV (fracaso en la primera prueba y xito en la segunda).
E 3 : FFV (fracaso hasta la segunda prueba y xito en la tercera prueba).
...
etc.
iz
La variable aleatoria X que indica el nmero de pruebas necesarias hasta
obtener V (xito), toma valores: 1, 2, 3, ... , y su distribucin es la geomtrica
con parmetro p.

En la siguiente figura se muestra la ley geomtrica para el valor p = 0.7.

P [ X = k]
p = 0.7

0.7 -

X
0 1 2 3 4 Figura 3.19.

3.40. Ejemplo.
228. Probabilidad.

Si X es una variable aleatoria con distribucin de probabilidad geomtrica con

parmetro p = 0.2, entonces

3
a) P[ X = 4 ] = 0.8 0.2 = 0.1024

0
b) P[ X = 1] = 0.8 0.2 = 0.2

c) P[ X > 1] = 1 { P[ X = 1]} = 1 0.2 = 0.80.

3.41. Ejemplo.
Cada ao, la Oficina de Tributacin realiza una revisin de las declaraciones de
renta presentadas. Se ha determinado que la proporcin de declaraciones
con errores y que anualmente se presentan es p = 0.10.
a). Cul es la probabilidad de que la primera declaracin con errores que se
revise sea la quinta?.

b). Cul es la probabilidad de que las dos primeras declaraciones revisadas no

contengan errores?.

Solucin.
Sea X, el nmero de declaraciones revisadas hasta encontrar la primera
cv
declaracin con errores. Considerando que el nmero de declaraciones es muy
grande, las extracciones pueden ser tomadas como independientes y as
podemos considerar que X tiene distribucin geomtrica con parmetro 0.10;
luego,

a) P[X = 5] = 0.90 4 0.10 = 0.0656.

b) P(de que las dos primeras declaraciones revisadas no contengan errores)
el

= P [ X 3] = P [ X = k ] = 1 ( p + pq ) = 1 0.1 ( 0. 9 ) ( 0 .1) = 0.8100.
k =3
Algunas veces se usa la distribucin geomtrica como modelo para la
distribucin de los "tiempos de espera". Por ejemplo, el tiempo que transcurre
hasta la falla de un aparato electrnico se distribuye geomtricamente si se
iz
considera que el tiempo de espera es igual al nmero de intervalos de una hora
hasta la primera falla. (En este caso una falla corresponde a un "xito").

3.42. Ejemplo.
La probabilidad de que una resistencia de un aparato electrnico falle en
cualquier intervalo de una hora es 0.02; hallar la probabilidad de que la
resistencia falle en la octava hora.

Solucin.
Sea X el nmero de intervalos de una hora que transcurren hasta que falla la
resistencia. La distribucin de X es geomtrica con parmetro 0.02; luego la
probabilidad pedida es

P[X = 8] = (0.98 7 )(0.02) = 0.01736.

 Probabilidad. 229

Esperanza y varianza de una variable aleatoria con ley geomtrica.

Para una variable X que sigue la distribucin geomtrica

de parmetro p, se cumple:

1 q
E(X) = y V(X) = 2 .
p p
En efecto,

d
k 1
E ( X ) = kP[ X = k ] = kq p= p
k
(q )
k =1 k =1 k =1
dq
d k d 1 p 1
= p q = p = = .
dq k =1 dq 1 q p 2 p

El lector puede demostrar el resultado correspondiente a la varianza.

3.43. Ejemplo.
La probabilidad de encontrar petrleo al perforar un pozo en determinada zona es 0.7.
cv
Cada perforacin cuesta $500000 y se gana $800000 cuando se encuentra petrleo. Si se
realizan una serie de perforaciones, calcular la esperanza y la varianza del costo que se
produce hasta que se encuentra petrleo por vez primera.

Solucin.
Si X es el nmero de perforaciones hasta obtener petrleo, se tendr que el costo es
el
C = 800000 500000 X .

Como E(X) = 1/0.7 = 1.4285 y V(X) = (1 - 0.7)/(0.72) = 0.612, se tiene:

E(C) = 800000 - 500000(1.426) = 85700.

iz
V(C) = 50000020.612 = 1.5311.

3.44. Ejemplo.
En un lote de 15 artculos existe un nmero n de defectuosos. Los artculos se extraen de
uno en uno y con restitucin hasta obtener el primer defectuoso. El costo total por
inspeccin es $ 2 X , donde X es el nmero de artculos inspeccionados. Hallar el valor de
n, si el costo esperado por inspeccin es $16.

Solucin.
La variable aleatoria X, que indica el nmero total de extracciones hasta obtener un
artculo defectuoso tiene distribucin geomtrica con parmetro p, en donde p indica la
probabilidad de que un artculo sea defectuoso. El valor esperado del costo total 2 X , es
16. Luego,
230. Probabilidad.

p 2 (1 p ) p
16 = E ( 2 X ) = 2 k (1 p ) k 1 p = (1 p) 1 2(1 p ) = 1 ( 2 2 p )
k =1

8
Despejando el valor de p, se tiene p = . De donde, n = 8.
15
DISTRIBUCION DE POISSON.

La distribucin binomial indica la probabilidad de que un nmero particular de

observaciones en n repeticiones de un experimento exhiban alguna propiedad. Cuando el
nmero de repeticiones es muy grande y la probabilidad p de exhibir tal propiedad es un
valor pequeo, la distribucin binomial puede aproximarse con la distribucin llamada
de Poisson, que a continuacin se describe.

Una variable aleatoria X que toma los valores 0, 1, 2, ... , se dice que
sigue la distribucin de Poisson de parmetro > 0, si su ley de
probabilidad es

k
e
p k = P[ X = k ] = , k = 0,1, ...
k!
cv
Si una variable X sigue una distribucin de Poisson con parmetro se escribe X ~ ().

Los grficos de la ley de Poisson con parmetro = 3.7 y = 1.5, aparecen en las
siguientes figuras:

0.16 0.55
= 3.7 = 1.5
el
0.22
0.07 0.12
0.02

0 1 2 3 4 5 6 0 1 2 3 4 5 6

Figura 3.20.
iz
Aproximacin de la distribucin binomial mediante la distribucin de
Poisson.

La siguiente propiedad formaliza el hecho de que una distribucin binomial puede

aproximarse con una distribucin de Poisson.

Si X tiene la distribucin binomial con parmetros n y p entonces, cuando

n +, p 0 ,

k
e ( )
P[ X = k ] donde = np .
k!
 Probabilidad. 231

Se considera que la aproximacin es buena cuando n > 30 y np 5

En efecto,

n ( n 1)... ( n k + 1)( / n ) k ( 1 / n )n k
P [ X = k ] = Ckn p k q n k =
k!

Por otro lado, si n + y p 0, y = np, entonces

n ( n 1)...( n k + 1) n
tiende a 1 , ( 1 / n ) tiende a e y ( 1 / n ) k tiende a 1.
k
n

De este modo P [ X = k ] = Ckn p k q n k tiende a e k / k ! y se puede escribir

P[ X = k ] = C kn p k q n k e k / k ! si n + y p 0, y = np.

Veamos algunos casos en los que se puede realizar la aproximacin.

* El nmero de llamadas telefnicas X, recibidas en una central en un intervalo de 10

minutos, en las horas de la maana, es una variable aleatoria que aproximadamente sigue
la distribucin de Poisson.
cv
En este caso, se puede imaginar el intervalo dividido en un gran nmero n de instantes, y
a p como la fraccin de los instantes en los que ocurren llamadas respecto del total de
instantes. En estas condiciones, np = es el nmero promedio de llamadas por cada 10
minutos.

* Tambin se puede considerar que el nmero de puntos defectuosos en un metro

el
cuadrado de tejido es una variable aleatoria que sigue aproximadamente la ley de
Poisson. En este caso, n es el nmero total de puntos (el que se considera muy grande)
contenido en un metro cuadrado de tejido, p es la fraccin de puntos defectuosos
respecto del total, que generalmente es pequea, y np = es el promedio de puntos
defectuosos por metro cuadrado en una superficie muy grande.
iz
* El nmero de cierto tipo de bacterias que hay en un volumen de un centmetro cbico,
es una variable aleatoria que sigue aproximadamente la distribucin de Poisson. En este
ejemplo, n es el nmero total de partculas presentes en dicho volumen; p es la fraccin
de bacterias presentes en dicho volumen por centmetro cbico con respecto al total de
partculas y np = es el promedio de bacterias por centmetro cbico.
El modelo de Poisson se usa para estudiar la ocurrencia de eventos independientes en un
intervalo determinado y cuando la probabilidad de que un nmero k de estos eventos es
cada vez ms pequea a medida que k crece. As por ejemplo,

- el nmero de accidentes que suceden en una fbrica durante un mes.

- el nmero de clientes que llegan a la ventanilla de un banco en una hora,

etc.
232. Probabilidad.

Esperanza y varianza de una variable con ley de Poisson.

Si X es una variable aleatoria que sigue una distribucin de

Poisson con parmetro , su esperanza y su varianza son iguales
a .

El lector podr probar lo referente a la esperanza.

Para probar la afirmacin respecto de la varianza se considera la variable

aleatoria Y = X(X - 1). La esperanza de esta variable es
n
e n
e
E (Y ) = n ( n 1) P [ X = n ] = n ( n 1) = ( n 2 )!.
n= 0 n =2 n! n= 2

Haciendo n - 2 = s, resulta

e n e s + 2 2
s 2
E(Y) = = =e = .
n = 2 ( n 2 )! s=0 s! s= 0 s !

Usando esta igualdad se tiene

cv
V(X) = E(X 2 ) - [E(X)] 2 = E(X 2 ) - E(X) + E(X) - [E(X)] 2

= E[X(X - 1)] + E(X) - [EX] 2 = .

Si se considera que el intervalo de tiempo [a, b], en donde

suceden los eventos que cuenta la variable X, tiene longitud igual
el
a la unidad, se tendr que es el promedio de eventos que
ocurren en la unidad de tiempo.

Si adems se considera que la tasa con que suceden los eventos es

constante en el intervalo [a, b] entonces, en cualquier
subintervalo de longitud t, con 0 < t 1 , la variable que indica el
iz
nmero de eventos en este intervalo seguir una distribucin de
Poisson con parmetro t.
3.45. Ejemplo.
El nmero promedio de clientes que llegan a un banco es 12 cada 10 minutos.
Si se considera que el nmero X de clientes que llegan en intervalos de 10
minutos tiene el modelo de Poisson,
a) Cul es la probabilidad de que entre las 9 a.m. y las 9:10 a.m. lleguen 8
clientes

b) cul es la probabilidad de que entre las 9 a.m. y las 9:05 a.m. lleguen 3
clientes?.

Solucin.
 Probabilidad. 233

a) Se indica que en intervalos de 10 minutos, X sigue la distribucin de Poisson

y que su media es 12 clientes, luego,
e12 (12)8
P("entre las 9 y las 9:10 a.m. lleguen 8 clientes) = P[ X = 8] = = 0.0655.
8!

b) Si se supone que la tasa de clientes que llegan al banco cada 10 minutos no

cambia con el tiempo, se puede indicar que el nmero Y de clientes que llegan
al banco entre las 9 a.m. y las 9:05 a.m. sigue una ley de Poisson con parmetro
= 12(0.5) = 6. De este modo,

6 3
e ( 6)
P("entre las 9 y las 9:05 a.m. lleguen 3 clientes") = P[Y = 3] = = 0.0892.
3!

3.46. Ejemplo.
Un lquido contiene ciertas bacterias cuyo promedio es de 4 por cm3 . Hallar la
probabilidad de que no exista bacteria alguna

a) en 0.5 cm3 , b) en 1 cm3 .

Solucin.
Siguiendo un razonamiento anlogo al que se hizo en los casos anteriores, se
cv
puede considerar que el nmero X de bacterias sigue una ley de Poisson con
parmetro = 4 por cm3 del lquido.

a) La probabilidad de que no exista ninguna bacteria en 0.5 cm3 del lquido es

e ( 4 )( 0.5) [ 4 ( 0. 5 )] 0
P[ X = 0 ] = = 0. 1353.
0!
el
e( 4 )(1) ( 4 )0
b) P[X = 0] = = 0. 0183.
0!
3.47. Ejemplo.
Un estudio confirma que la probabilidad de que cualquier pregunta, de las que se realizan
para estudiar las caractersticas econmicas de cierto grupo social, no sea contestada es
iz
igual a 0.08. Hallar la probabilidad de que en una encuesta que contiene 40 de tales
preguntas 10 no sean contestadas.
Solucin.

Sea X = el nmero de preguntas no contestadas de las 40 que consta la encuesta.

La distribucin de la variable X es Binomial con parmetros n = 40 y p = 0.08. Por la

propiedad de aproximacin del modelo binomial mediante el modelo de Poisson, la
distribucin de X se aproxima a la distribucin de Poisson con parmetro = np =
40(0.08) = 3.2 < 5.

10 3.2 10
e e ( 3. 2 )
Se tiene entonces que P [ X = 10 ] = = 0. 00126 .
10 ! 10 !
234. Probabilidad.

3.48. Ejemplo.
El 0.2% de los habitantes de una ciudad fallece por accidentes de trnsito. Una
compaa de seguros tiene 2000 asegurados contra accidentes de trnsito. Cul
es la probabilidad de que la compaa tenga que pagar durante un ao al menos
a 2 de los 2000 asegurados?.

Solucin
Sea X la variable aleatoria que indica el nmero de asegurados que fallecen por
accidentes de trnsito durante un ao.

La variable X tiene distribucin binomial con parmetros n = 2000 y p = 0.002.

Como np = 4 < 5, la probabilidad pedida, P[ X 2], se puede calcular usando la

aproximacin de la binomial a la Poisson con parmetro = 4.

1 e4 4 k
4 4
Se tiene entonces que P[ X 2] = 1 = 1 (e +e 4) = 0.9084 .
k!
k =0

3.49. Ejemplo.
La probabilidad de que un artculo fabricado por una lnea de produccin sea
defectuoso es p = 1/100. Cuntos artculos tendrn que producirse para que
cv
con probabilidad 0.9 se tenga al menos un defectuoso?.

Solucin
Si n es el nmero de artculos que debern producirse y X es el nmero de
defectuosos entre los n producidos, entonces la variable X tiene distribucin
(n, 1/100) y se puede aproximar con la distribucin (), donde = n/100.
Usando la condicin del problema y la aproximacin indicada se tiene que
el
P [ X 1] = 1 P [ X < 1] = 1 P [ X = 0 ] = 1 e = 0. 9 , donde = n /100.

Resolviendo para n se tiene que n 230.

PROPIEDAD.
iz
Si el nmero de eventos de un experimento aleatorio se produce
segn la ley de Poisson con parmetro y si cada evento puede
ser:

de tipo 1 con probabilidad p 1 ,

de tipo 2 con probabilidad p 2 ...,

...,

de tipo m con probabilidad p m ,

entonces
 Probabilidad. 235

la distribucin del nmero de eventos de tipo 1 es Poisson con

parmetro p 1 ,

la distribucin del nmero de eventos de tipo 2 es Poisson con

parmetro p 2 ,
...,

la distribucin del nmero de eventos de tipo m es Poisson con

parmetro p m ,
3.50. Ejemplo.
La probabilidad de que un vehculo que para en una gasolinera sea automvil es
p 1 = 0.6 y de que sea camin, p 2 = 0.4. Si a la gasolinera llegan vehculos a
razn de 4 vehculos cada 5 minutos y de acuerdo al modelo de Poisson;
calcular la probabilidad de que el nmero de automviles que llegan en un
intervalo de 5 minutos sea igual a 6.

Solucin
Si X es el nmero de automviles que llegan a la gasolinera en un intervalo de 5
minutos, se tendr que sta sigue la distribucin de Poisson con parmetro
4(0.6); luego,
cv
P [ X = 6 ] = e ( 4)( 0.6) ( 4 ( 0. 6 ) ) 6 / 6 ! = 0.0241.

LA DISTRIBUCION DE PASCAL.
Se introduce el modelo de Pascal de la siguiente manera:

Se considera una prueba de Bernoulli cuyos resultados son V y F con probabi-

el
lidades p y q, respectivamente (p > 0, q > 0 y p + q =1). La prueba se repite de
manera independiente hasta obtener r veces V y se considera la variable
aleatoria

X = Nmero de intentos hasta obtener la r-sima V,

iz
Esta variable tiene la ley de probabilidad.

k 1 k r r
P[ X = k ] = Cr 1 q p para k = r, r + 1, ...

La afirmacin se justifica si se considera que el evento [X = k] est formado por

elementos del espacio muestral constituidos por una V en el k-simo intento
precedido de r - 1 veces V y k - r veces F. La probabilidad de obtener cada
orden especificado es q k - r p r - 1 p. El nmero de tales rdenes es Crk11 , luego, la
frmula se obtiene multiplicando estos valores.

Si X es una variable aleatoria con ley de probabilidad

236. Probabilidad.

k 1 k r r
P[ X = k ] = Cr 1 q p para k = r, r + 1, ...

se dice que sigue la distribucin de probabilidad de Pascal con

parmetros r y p .

A la distribucin de Pascal se le llama tambin distribucin binomial negativa .

Si r = 1, el modelo de Pascal es igual a la distribucin geomtrica con

parmetro p.
3.51. Ejemplo.
Con la finalidad de realizar un experimento biolgico se introducen 50 peces
marcados en un estanque en donde existen 500 peces sin marcar. Luego se
extrae un pez cada vez con restitucin. Cul es la probabilidad de que en la
extraccin nmero 20 se obtenga un cuarto pez marcado?.

Solucin.
Sea X la variable aleatoria que indica el nmero de extracciones que se han
realizado hasta obtener un cuarto pez marcado.
La variable X tiene la distribucin de Pascal con parmetros r = 4 y p = 50/550
(q = 1 - 50/550).
cv
Luego, P[X = 20] = C42011q 20 - 4 p 4 = 0.0144.

Esperanza y varianza de una variable aleatoria con ley de Pascal.

Para una variable aleatoria que tiene distribucin de Pascal

con parmetros r y p se cumple:
el
r rq
E(X) = y V(X) = 2 .
p p

3.52. Ejemplo.
Una mquina produce el 1% de artculos defectuosos. Durante el proceso de produccin,
iz
el control detiene la mquina cuando se produce el segundo artculo defectuoso. Cul es
el nmero esperado de artculos producidos hasta que se detiene la mquina?

Solucin.
Llamemos con X al nmero de artculos producidos hasta que el segundo artculo
defectuoso se produce. La variable X sigue el modelo de Pascal con parmetros r = 2 y p
= 0.01. Luego el nmero esperado de artculos producidos hasta que se detiene la
mquina es el valor esperado de X. Este es igual a r/p = 2/0.01 = 200.
 Probabilidad. 237

3.13. EJERCICIOS.
1. Si X es una variable aleatoria con distribucin binomial con parmetro n = 10 y p = 0.01, hallar la
probabilidad de que X,

a) tome el valor 3;
b) tome valores entre 3 y 5, incluyendo a 3 y 5.
c) Construir el diagrama de la ley de probabilidad de X.
d) Hallar el valor esperado y la varianza de X.
Rpta. a) P [ X= 3] = 0.0001. d) 0.1.

2. Se lanza una moneda seis veces, cul es la probabilidad de que se obtengan tres caras si la probabilidad de
que aparezca cara en cualquier lanzamiento es igual a 0.45?.
Sugerencia. La variable X, que describe el nmero de caras sigue la ley binomial.

3. La probabilidad de que un estudiante termine sus estudios es 0.6. Para un grupo de cinco estudiantes, cul
es la probabilidad de que a) ninguno de los cinco estudiantes termine sus estudios? b) al menos dos de los
cinco estudiantes terminen sus estudios?.

4. Un test consta de 10 preguntas de tipo verdadero-falso. Un alumno que no conoce el tema en cuestin
decide responder cada pregunta lanzando una moneda equilibrada. Hallar la probabilidad de
a) obtener 5 respuestas correctamente respondidas.
b) tener menos de tres respuestas correctamente respondidas.
c) Si el test es desarrollado por un nmero muy grande de alumnos, cul es nmero de preguntas que en
promedio resolver correctamente cada alumno con este mtodo.
cv
5. La probabilidad de que un artculo que produce la fbrica A sea defectuoso es 0.1. Si se venden 10 de tales
artculos sin probar, cul es la probabilidad de que

a) los 10 artculos vendidos sean defectuosos?.

b) Si el comprador del artculo regresa las piezas defectuosas para su reparacin, y el costo de reparacin es
C = 4 X + X 2 + 2 , en donde X es el nmero de artculos defectuosos;

calcular el costo de reparacin esperado.

Rpta. b) La esperanza de X es 1. La esperanza de X 2 es 1.9, etc.
el
6. La probabilidad de que una aspirina de un determinado laboratorio sea defectuosa es 0.01.
Hallar la probabilidad de que,

a) una caja de doce aspirinas contenga 2 defectuosas.

b) un paquete que contiene 6 cajas de doce pastillas, contenga al menos 2 cajas con dos
defectuosas cada una.
iz
Rpta. a) 0.006. b) Calcular P[Y 2] , en donde Y indica el nmero de cajas con dos defectuosas cada
una.

7. Un sistema de proteccin en un aeropuerto militar consta de n unidades de radar que

funcionan independientemente. Cada unidad tiene probabilidad 0.9 de detectar un cohete que
ingresa a la zona que cubren las unidades.

a) Si n = 5 y un cohete entra en la zona, cul es la probabilidad de que exactamente cuatro

unidades detecten el cohete?.
b) Cul debe ser el valor de n para que con probabilidad 0.999 un cohete que entre en la zona
sea detectado al menos por una unidad?.
Rpta. a) 0.32805. b) n = 3.

8. Una compaa tiene el 45% de sus proyectos en el sector de minas y el resto en agricultura La probabilidad
de que un proyecto del sector de minas se realice es 0.6 y la probabilidad de que un proyecto de agricultura
se realice es 0.7. Cul es la probabilidad de que de 6 proyectos tomados al azar, 4 se realicen?.
Rpta. Aplicar el teorema de las probabilidades totales. La probabilidad pedida es 0.3182.
238. Probabilidad.

9. Nueve profesores estn asignados para trabajar en una oficina. La probabilidad de que un
profesor llegue a la oficina en determinado momento es 0.5. Cuntos escritorios deben
colocarse como mnimo en la oficina de tal modo que en un momento dado, la probabilidad de
que un profesor encuentre por lo menos un escritorio desocupado sea 0.95?.
Sug. Hallar n que cumpla con P[ X < n] = 0.95 , en donde X es la variable que indica el
nmero de profesores, de los 9, que llegan a la oficina.

10. Se ha determinado que en un lago el 80% de los peces miden menos de 5 cm de largo.

a) Si se pescan al azar cinco peces, cul es la probabilidad de que a lo ms cuatro tengan un

largo menor que 5 cm?.
b) Cul ser el mnimo nmero de peces que se deben pescar para que con 90% de seguridad
se obtengan cinco peces con largo menor que 5 cm.?.
Rpta. a) 0.672. b) 8.
11. Por controles anteriores se ha podido determinar que la proporcin X , de contribuyentes que
defraudan al fisco, tiene la siguiente ley de probabilidad

X 0.02 0.05 0.10

p 0.70 0.20 0.10

En una muestra de 10 contribuyentes no se encontr ningn mal contribuyente. Sobre la base

de este resultado, cmo se modifican las probabilidades "a priori" que se presentan en la ta-
bla?.
Sug. Recalcular las probabilidades, usando el teorema de Bayes.
cv
12. Una compaa petrolera ha sido designada para perforar pozos en cierta rea. La
probabilidad que tenga xito en una prueba es 0.3.
a). Hallar la probabilidad de que el primer pozo productivo sea el quinto perforado.
b). Hallar la probabilidad de no encontrar pozo productivo, si su capital le permite perforar a
lo ms siete pozos.
Rpta. Aplicar la distribucin geomtrica. a) 0.07203. b) 0.657.

13. Demostrar que la varianza de una variable con distribucin geomtrica de parmetro p es
q / p2 .
el
14. Se supone que el 25% de las personas que viven en una zona industrial padece de alergia en
la piel. Se decide hacer un chequeo mdico a los habitantes de la zona. Cul es la
probabilidad de que el primer afectado sea el quinto revisado?

15. El porcentaje de artculos que produce una mquina es 1%. Durante el proceso de produccin, el control
detiene la mquina cuando se produce el primer artculo defectuoso.
iz
a) Cul es la probabilidad de que el control detenga la mquina cuando se produce el artculo nmero 20?
b) Cul es el valor esperado del nmero de artculos producidos durante el proceso sin detenerse?.
Sug. Aplicar la distribucin geomtrica. b) 100.

16. Un banco en promedio recibe por da 5 cheques que no tienen fondos. Si se considera que el nmero de
cheques sin fondos que recibe el banco tiene distribucin de Poisson, hallar la probabilidad de que en un da
determinado reciba

a) 0 cheques sin fondos.

b) Ms de dos cheques sin fondos.
Rpta. a) 0.0067.

17. Una central telefnica recibe en promedio 10 llamadas por hora. Si se considera que el nmero de llamadas
que recibe la central tiene distribucin de Poisson, hallar

a) la probabilidad de que en una hora reciba 5 llamadas.

b) la probabilidad de que en dos horas reciba ms de 2 llamadas.
 Probabilidad. 239

Rpta. b) Aplicar la distribucin de Poisson con parmetro 20.

18. Se ha determinado que el nmero de virus de tipo A que hay en un centmetro cbico de
sangre tiene distribucin de Poisson cuyo promedio es aproximadamente igual a 8. Cul es la
probabilidad de que en 1.5 cm cbicos existan a lo ms 5 virus?.

19. El nmero de buques que llegan a un puerto siguen una distribucin de Poisson con una media igual a 4
por da. Cul es la probabilidad de que por lo menos en un da de una semana determinada hayan llegado 4
buques?.
Rpta. La probabilidad de que en un da lleguen 4 barcos es 0.1954. La probabilidad pedida es
0.7817. (Considerar que la semana tiene 7 das).

20. El nmero de mquinas en reparacin durante un da en una planta sigue una distribucin de Poisson con
parmetro = 6.

a) Cul es la probabilidad de que en cualquier da existan una o ms mquinas en reparacin?.

b) Cuntas mquinas de repuesto son necesarias, si se desea que la probabilidad de no tener una mquina
de repuesto disponible para reemplazar una mquina en reparacin durante el da, sea a lo ms 0.10?.
Rpta. b) 3.

21. Una mquina de expendio de caf produce una ganancia de $50 por hora. Sin embargo, durante el da se
descompone en promedio tres veces por da. Si el nmero de fallas, Y, que se producen durante el da es una
variable aleatoria con distribucin de Poisson y el ingreso diario es G = 400 - 10 Y 2 . Hallar el ingreso
esperado por da.

22. Una compaa de seguros ha determinado que el nmero de accidentes que registran los automovilistas
cv
asegurados en su compaa tiene distribucin de Poisson con media 0.5. Si un accidente automovilstico
ocurre, el dao al automvil representa el 20% de su valor de mercado con probabilidad 0.7, el 60% de su
valor de mercado con probabilidad 0.25 y una prdida total con probabilidad 0.05. Hallar el valor de la
prima V que deber cobrar la compaa para un automvil que vale $7000 para que la ganancia esperada sea
0, considerando que los daos los asume el asegurado a partir del segundo accidente si este ocurriera.

23. El 1% de los artculos que produce una fbrica son defectuosas. Hallar de manera aproximada la
probabilidad de que cinco artculos estn defectuosas en un lote de 400.
Sug. Usar la aproximacin de la binomial con la distribucin de Poisson con parmetro 400(0.01).
el
24. Una empresa compra determinado artculo en grandes cantidades. Para que cada lote adquirido sea
aceptado o rechazado se eligen 20 artculos al azar. Si alguno de los 20 es defectuoso, el lote se rechaza; de
otro modo, se acepta.
a) Cul es la probabilidad de rechazar un lote que tiene el 1% de defectuosos?
b) Si en lugar de tomar 20 artculos se eligen 40, cul es la respuesta que corresponde a la pregunta
anterior.?
iz
25. Se planea comprar una computadora marca A o B. Se ha determinado que el nmero de reparaciones
diarias se comporta como sigue

A B
Distribucin Poisson Poisson
Media 0.7t 0.5t
Costo 7t+30X2 5t+30Y2

donde t = nmero de horas diarias de operacin, X = nmero de reparaciones para la marca A e Y = nmero
de reparaciones para la marca B.
De acuerdo al esperado de los costos de operacin, qu marca es ms favorable, si la jornada diaria es
a) t = 8 horas diarias de operacin?.
b) t = 12 horas diarias de operacin?.
240. Probabilidad.

26. Para promocionar un artculo cuyo costo es $100, una tienda reduce el precio a la mitad por cada cliente
que compre el artculo durante un da particular. Si el nmero de clientes que llegan al da tiene distribucin
de Poisson con media 3. Hallar el valor esperado del artculo al terminar un da cualquiera.

27. Un control automtico revisa las piezas producidas por una mquina. La probabilidad de que
una pieza buena sea aceptada como tal es 0.98 y que una pieza defectuosa sea aceptada como
buena es 0.01. Si la proporcin de defectuosos es igual al 1% de la produccin,

a). cul es la probabilidad de que una pieza sea considerada como defectuosa por el control?.
b). Si X es la variable que indica el nmero de piezas consideradas como defectuosas por el
control, en cinco extracciones, cul es la ley de probabilidad de X .
Rpta. a) Usar el teorema de las probabilidades totales. La probabilidad pedida es 0.0297.

28. Se estima que despus de una campaa publicitaria el promedio de la demanda de un

artculo de tocador, que sigue la ley de Poisson con parmetro 3, ser duplicado con
probabilidad 0.8 y triplicada con probabilidad 0.2. Hallar la ley de probabilidad de la
demanda despus de la campaa.
Sug. Usar el teorema de las probabilidades totales.

29. Cada cinco minutos, llegan automviles a una gasolinera segn un modelo de Poisson con
parmetro = 4 y camiones segn un modelo de Poisson con parmetro = 2. Si en el mismo
perodo el 80% de los vehculos que llegan son automviles y el resto son camiones, hallar la
probabilidad de que en un perodo de cinco minutos lleguen 4 vehculos.

30. Una compaa de seguros ha determinado que dos de cada diez mil personas fallecen
anualmente por accidentes de trnsito. Si la compaa tiene contratados 5000 seguros de vida
cv
de esta modalidad y por cada una ha de pagar en un ao por lo menos $ 100000,
a). cul es la probabilidad de que la compaa tenga que pagar en un ao por lo menos $
12000000?.
b). Qu cantidad de dinero debe mantener en reserva la compaa para tener una probabilidad
de 0.95 de poder pagar a todos los familiares de las personas aseguradas fallecidas por
accidentes de trnsito?.
Sug. a) Considerar que la distribucin de la variable X, que indica el nmero de fallecidos de las
5000 personas aseguradas, puede aproximarse mediante la distribucin de Poisson de parmetro 1.

31. La llegada de los clientes a un banco sigue una distribucin de Poisson, siendo la tasa de
el
llegada de 2 clientes cada 10 minutos. Cul es la probabilidad de tener que esperar ms de 4
minutos hasta la llegada del primer cliente?.

32. La probabilidad de que se encuentre petrleo en un pozo perforado es 0.2. Cul es la probabilidad de que
el quinto pozo con petrleo sea encontrado en la perforacin nmero 30?.
Rpta. C429 0.8250.25 .
iz
33. La probabilidad de realizar con xito un experimento qumico es 0.90. Si el experimento se
repite bajo las mismas condiciones e independientemente cada vez,

a) hallar la ley de probabilidad de la variable aleatoria X , que indica el nmero de repeticiones

necesarias, hasta completar el primer resultado exitoso.
b) hallar la ley de probabilidad de la variable aleatoria X , que indica el nmero de repeticiones
necesarias, hasta completar dos resultados exitosos.
c) calcular la probabilidad de que para completar dos resultados exitosos se necesiten ms de
cuatro repeticiones.
Sug. a) Aplicar la ley geomtrica. b) Aplicar la ley de Pascal.

34. Cierto experimento qumico se repite de manera independiente hasta tener xito. El costo por cada
repeticin del experimento es $25000. Si el experimento no se realiza con xito se debe gastar una suma
adicional de $5000 para reparar equipos.

a) Hallar la expresin C(X) del costo esperado del experimento, en funcin del nmero X de veces que se
repite el experimento.
b) Hallar el valor esperado del costo C(X) si la probabilidad de xito para cada experimento es 0.25.
 Probabilidad. 241

c) Si se dispone de $145000, cul es la probabilidad de que esta cantidad no sea suficiente hasta alcanzar
xito?.
Rpta. b) 115000.

35. Una prctica de laboratorio de qumica se realiza hasta que se culmine con xito. La
probabilidad de culminarla con xito es 0.6. Si cada repeticin cuesta $5 y se considera que
cada repeticin es independiente de las anteriores, hallar el costo esperado por estudiante que
realiza el laboratorio.

36. El 5% de los motores que produce una fbrica son defectuosos. Si se seleccionan al azar los
motores, uno a la vez , calcular la probabilidad

a) de que se encuentre el primer motor no defectuoso en el segundo intento,

b) de que se encuentre el segundo motor no defectuoso en el cuarto intento.

Si los primeros dos motores son defectuosos, calcular la probabilidad de que por lo menos se
deban probar dos motores ms antes de que se encuentre el primer motor no defectuoso.
Calcular el promedio y la varianza del nmero de la inspeccin en la cual se encuentre el
cuarto artculo no defectuoso.

37. De cuatro personas de las cuales 2 son mayores de 20 aos se eligen tres personas una
despus de otra y con restitucin.

Si X es el nmero de personas mayores de 20 aos entre las 3 elegidas, hallar:

a) P ( X > 2).
b) la esperanza y la varianza de X .
cv
Si la extraccin se realiza hasta obtener la primera persona mayor de 20 aos y se considera
que la variable Y representa al nmero de personas elegidas hasta obtener la primera persona
mayor de 20 aos, hallar:

c) P ( Y > 2).
d) la esperanza y la varianza de Y.

Si la extraccin se realiza hasta obtener la segunda persona mayor de 20 aos y se considera

el
que la variable W representa al nmero de personas elegidas hasta obtener la segunda persona
mayor de 20 aos, hallar:
e) P ( W > 2).
f) la esperanza y la varianza de W.

Resolver a), b) y c) si la extraccin se eleccin se realiza sin restitucin.

iz
38. Para estimar el tamao N de una poblacin de animales se puede proceder de la siguiente
manera: se capturan k animales y se les marca y se les suelta en la poblacin; cierto tiempo
despus se capturan n animales y se anota Y, el nmero de animales marcados entre los n . El
valor observado de esta variable contiene informacin sobre N. Si n =3 e Y = 1, hallar N de tal
manera que la probabilidad P [ Y = 1] sea mxima.

39. La cuarta parte de los donantes a un banco de sangre, durante un da, son del grupo O + ,
calcular la probabilidad de que el segundo donante O + sea el quinto donante del da. Si el
anlisis cuesta $10 por persona, calcular el valor esperado y la varianza del costo total de llevar
a cabo las pruebas para encontrar tres donantes de sangre tipo O + .
242. Probabilidad.

3.14. ALGUNAS DISTRIBUCIONES CONTINUAS DE USO

FRECUENTE

LA DISTRIBUCION UNIFORME.
Se dice que una variable aleatoria continua X tiene distribucin
uniforme en [a, b] si su funcin de densidad es

1 / ( b a ) si x [ a , b ]
f ( x) = ,
0 en el resto

Si X tiene distribucin uniforme en [a, b], se escribe X~ [a, b].

La funcin de acumulacin de X es

0 si x < a

F ( x ) = ( x a ) / ( b a ) si a x b

1 si x > b
cv
Y Y

-1
f (x )
- F (x )
1/( b-a )

X X
0 a k k b 0 a b
1 2
el
Figura 3.21. Funcin de densidad y de acumulacin de X.

Obsrvese de que la probabilidad de que X tome valores en cualquier intervalo

A = [k 1 , k 2 ] contenido en [a, b], es igual a la longitud de A entre b - a.

En general, las probabilidades correspondientes a dos intervalos de la misma

iz
longitud y contenidos en [a, b], son iguales. En este sentido podemos decir que
la "masa de valores" de X se distribuye de manera uniforme en [a, b].

Muchas variables aleatorias tienen la distribucin uniforme. Presentamos a

continuacin dos ejemplos.
3.53. Ejemplo.
Si una persona llega a su centro de labores entre las 8:00 y las 8:30 de la
maana, podr considerarse que es igualmente probable que llegue, por
ejemplo, entre las 8:05 y las 8:10 o entre las 8:07 y las 8:12. La variable X, que
corresponde al tiempo en horas en que sucede la llegada al centro de labores,
tiene distribucin uniforme en el intervalo [0, 30].
3.54. Ejemplo.
Entre las 7 a.m. y las 8 a.m., los trenes parten de una estacin a los 20, 30 y 60
minutos despus de las 7 a.m. Si la hora en que llega una persona a la estacin
 Probabilidad. 243

sigue una distribucin uniforme en el intervalo comprendido entre las 7 a.m. y

las 8 a.m., cul es la probabilidad de que tenga que esperar a lo ms 5 minutos
la salida de un tren?.

Solucin.
La persona espera a lo ms 5 minutos en la estacin si llega entre las 7:15 y
7:20, o entre las 7:25 y 7:30 o entre las 7:55 y 8:00 a.m.

Como la distribucin del tiempo de llegada es uniforme, la probabilidad de que

la persona llegue en cada uno de los intervalos de tiempo indicados es 5/60. La
5
probabilidad de que tenga que esperar a lo ms 5 minutos es 3 = 1/4.
60

Esperanza y varianza de una variable con distribucin uniforme.

Para una variable aleatoria X que tiene la distribucin uniforme en el

intervalo [a, b], se cumple:

a +b (b a ) 2
E(X) = y V(X) =
2 12
cv
En efecto,

+ a b +
E( X ) = xf ( x)dx = x(0)dx + x ((1 / (b a ))dx + x(0)dx = (a + b) / 2 .
a b

De igual manera para la varianza.

3.55. Ejemplo.
el
El tiempo, X, en das que demora un taller en reparar un automvil sigue una distribucin
uniforme en el intervalo [1, 6]. Si para el propietario del automvil, el costo C "por falla"
comprende: un costo fijo de $50.00 por reparacin y un costo que es proporcional al
cuadrado del tiempo que dura la reparacin, de tal modo que C = 50 + 2 X 2 , calcular el
costo esperado.
iz
Solucin.
Si X tiene distribucin uniforme en el intervalo [1, 6], entonces

6+1 (6 1) 2 25
E( X ) = = 350
. , V(X) = = = 2.0833 y
2 12 12

2 2 2
E ( X ) = V ( X ) + [ E ( X )] = 2.0833 + ( 3.50) = 14 .3333 ,
2
luego, E ( C ) = E ( 50) + 2 E ( X ) = 50 + 2 (14.3333) = 78.6666.
244. Probabilidad.

LA DISTRIBUCION NORMAL.
Este es uno de los modelos probabilsticos ms importante y el ms utilizado en
Estadstica. Muchos fenmenos aleatorios que se estudian en la realidad se pueden
modelar con esta distribucin. Las propiedades matemticas que este modelo posee han
contribuido grandemente al desarrollo de la Estadstica; sin embargo, muchas de sus
propiedades son extendidas sin ningn reparo a cualquier situacin, lo que ha contribuido
tambin a un sin nmero de errores en la utilizacin de esta ciencia. En este texto
indicaremos algunos procedimientos que indican hasta que punto una serie de datos
pueden adaptarse a una distribucin normal o no, identificando los casos en donde es
posible hacer deducciones estadsticas que requieren los supuestos de normalidad.

Se dice que la variable X sigue una distribucin normal con parmetros

y y se escribe X ~ N(, 2), si su funcin de densidad es

1 1 x 2
f ( x) = exp con < < +, > 0 .
2 2
cv
68.26%

95.4%
99.7%
el
Figura 3.22. Funcin de densidad de una variable con
distribucin normal.

La grfica de f, que se muestra, es simtrica respecto de la recta x = y se

denomina "Campana de Gauss".
iz
El rea bajo la curva f(x) y por encima del eje X es 1.

El rea comprendida entre las rectas x = a y x = b, y que corresponde a la

probabilidad P[a X b], se calcula usando los mtodos de integracin; sin
embargo, existen tablas, como la del apndice A, a partir de las cuales se aproximan
tales reas.

La distancia del punto de inflexin (en donde cambia la concavidad de la curva) a la

recta x = es igual a .
1
La ordenada que corresponde a la abscisa est a una altura . Puede notarse
2
que cuando es cada vez ms pequeo la curva es ms leptocrtica, en cambio,
cuando es cada vez ms grande la curva es ms platicrtica.
 Probabilidad. 245

Usando la tabla del apndice A se puede comprobar que

* el rea comprendida entre - y + es aproximadamente el

68.26% del rea total,
* el rea comprendida entre - 2 y + 2 es aproximadamente el
95.4% del rea total y
* el rea comprendida entre - 3 y + 3 es aproximadamente el
99.7% del rea total.

Esperanza y varianza de una variable aleatoria con distribucin normal.

Usando la funcin de densidad de una variable aleatoria X con

distribucin normal de parmetros y , se prueba que

E(X) = y V(X) = 2

Cuando la esperanza es = 0 y la desviacin estndar, = 1, la distribucin normal N(0,

1) se llama distribucin normal estndar o tpica.

Una variable con distribucin N(0, 1), se denota con Z y sus funciones de densidad y
cv
acumulacin, con y , respectivamente.

( 2 .7 )
(2.7) (2.7)
el
2.7
-3 0 3 -1 0 1 2 .7

(a) Grfica de Figura 3.23 (b) Grfica de

Como se indic, la tabla del apndice A nos permite aproximar los valores de la funcin
de acumulacin . Algunos de los valores de sta funcin se indican a continuacin.
iz
X 0.00 0.01 0.50 1.87 2.70 2.99
(x) 0.50000 0.5040 0.6915 0.9693 0.9965 0.9986

La tabla del apndice A proporciona valores de (x) para x no negativos. Para calcular
en valores negativos de x se usa el carcter simtrico de la grfica de la funcin de
densidad y de este modo se tiene que

(-x) = 1 - (x), x > 0 .

As, (-1.87) = 1 - (1.87) = 1 - 0.9693 = 0.0307.

246. Probabilidad.

3.56. Ejemplo.
Para Z, hallar:

a) P[Z 2] c) P[0 Z 2.57] e) P[-2 Z 2] g) P[-2 < Z < 1].

b) P[0 Z 2] d) P[-1 Z 1] f) P[-3 Z 3].

Solucin.
Segn la tabla del apndice A,

a) P[Z 2] = (2) = 0.9772.

b) P[0 Z 2] = (2) - (0) = 0.9772 - 0.50 = 0.4772.

c) P [ 0 Z 2 . 57 ] = (2.57) - (0) = 0.9949 - 0.50 = 0.4949.

d) Usando la simetra de la funcin de densidad de la normal, se tiene

P[-1 Z 1] = 2 P[0 Z 1] = 2((1) - (0)) = 2(0.8413 - 0.50) = 0.6826.

cv
e) P[-2 Z 2] = 2((2) - (0)) = 0.9544.

f) P[-3 Z 3] = 2((3) - (0)) = 2(0.4987) = 0.9974.

g) P[-2 < Z < 1] = (1) - (-2) = 0.8413 - [1 - (2)] = 0.8185.

el
PROPIEDAD. ("de tipificacin" o "de estandarizacin")

La tabla del apndice A corresponde a la distribucin normal estndar; sin embargo, si se

aplica la siguiente propiedad, puede usarse tambin para cualquier distribucin normal.
iz
X
Si X ~ N(, 2), entonces sigue la distribucin N(0, 1).

La transformacin descrita por (X - )/ se llama "de estandarizacin" o "de

tipificacin" y la variable que resulta puede denotarse con Z. (Z es normal con media 0 y
varianza 1).

La estandarizacin de X equivale a expresar las desviaciones de X respecto de la media

en desviaciones estndar.

3.57. Ejemplo.
Si X ~ N(12, 4), hallar P[10 X 14].

Solucin.
 Probabilidad. 247

Se tiene:

P[10 X 14] = P[(10 - )/ (X - )/ (14 - )/] = P[- 1 Z 1]

= (1) - (-1) = (1) - {1 - (1)} = 2(1) -1 = 0.6826.

Usando la tipificacin, se comprueba ahora que si X ~ N(, 2),

P[ - X + ] = P[- X - ] = P[-1 Z 1] = 0.6826,

P[ - 2 X + 2] = 0.9544 y

P[ - 3 X + 3] = 0.9974.

3.58. Ejemplo.
Los puntajes finales de un curso de Matemticas estn distribuidos normalmente con
media = 50 y desviacin estndar = 5. Si se elige un puntaje al azar,

a) cul es la probabilidad de que los puntajes estn entre 40 y 60 puntos?,

cv
b) cul es la probabilidad de que los puntajes estn por encima de los 70 puntos?.

c) Hallar el valor de a para el cual, la probabilidad de que un puntaje sea menor o igual
que a es 0.20.

Solucin.
Si X denota la variable aleatoria "puntaje", entonces se tiene que X ~ N(50, 25) y
el
a) P[40 X 60] = P[(40 - 50)/5 Z (60 - 50)/5] = P[ -2 Z 2] = 0.9544.

b) P[70 X] = P[4 Z] 0 .
iz
(A partir de 3.90, el rea bajo la funcin de densidad y por encima del eje X, es
aproximadamente igual a 0).

c) Se debe hallar a de tal modo que P[X a] = 0.2.

Tipificando se tiene P[Z (a - 50)/5] = 0.2.

Segn la tabla N(0,1), para z = -0.84, P[Z z] = 0.2,

de donde, -0.84 = (a - 50)/5. Es decir, a = 50 + 5(-0.84) = 45.8.

3.59. Ejemplo.
Se informa que la cantidad X de azcar de los paquetes marcados con "1 kilo" y que se
expenden en los supermercados del distrito, tiene distribucin normal con media kilos
248. Probabilidad.

y desviacin estndar 0.02 kilos. Hallar el valor de la media de X si la cantidad de azcar

que contiene cada paquete es menor o igual que 0.95 kilos con probabilidad 0.10.

Solucin.
Se tiene que P [ X 0 . 95 ] = 0 . 10 .

Estandarizando,

X 0.95 0.95
P = 0.10 o P Z = 0.10
0.02 0.02

Para la distribucin normal estndar, P [ Z 1. 28 ] = 0. 10 .

0. 95
Luego, = 1. 28 ; de donde = 0.9756 kilos.
0. 02

Otras propiedades de la distribucin normal son las siguientes:

1. Si X tiene media y varianza 2, entonces la variable Y = a + bX es una

variable aleatoria que sigue la distribucin normal con media a + b y
varianza b22.
cv
En particular, si Z es una variable aleatoria normal estndar entonces, la
variable Y = + 2Z tiene distribucin normal con media y varianza 2.

2. (Propiedad reproductiva de la normal)

Si Xi ~ N(i, i2 ), con i = 1, 2, ..., n, son n variables independientes,

el
entonces

n n n
Y = ci X i ~ N ( ci i , ci i ).
2 2

i =1 i =1 i =1

3.60. Ejemplo
iz
Un censo ha determinado que en las familias en donde tanto el esposo como la esposa
trabajan, el sueldo X del esposo sigue una distribucin normal con media 800 unidades
monetarias y desviacin estndar 50 unidades monetarias, mientras que el sueldo Y de la
esposa sigue una distribucin normal con media 700 y desviacin estndar 70 unidades
monetarias. Hallar la probabilidad de que, tomada una familia al azar, el sueldo del
esposo sea mayor que el sueldo de la esposa, si los sueldos se consideran independientes.

Solucin.
Se desea hallar P[ X > Y ] o en forma equivalente P[ X Y > 0].

Se tiene: X ~ N (800, 50 2 ) y Y ~ N ( 700, 70 2 ) .

Luego, segn la propiedad 2,

 Probabilidad. 249

X Y ~ N (800 700, 50 2 + 70 2 ) = N(100, 7400).

Resulta entonces que

( X Y ) 100 0 100
P[ X Y > 0] = P > = P[ Z > 116
. ] = 0.8770
7400 7400

3.61. Ejemplo
Se supone que la distribucin de la cantidad de dinero que cada cliente, de manera
independiente, gasta cada da en cierta tienda es N(25, 0.4). Cul es la probabilidad de
que 20 clientes de la tienda gasten ms de 505?.

Solucin.
Si llamamos, respectivamente, con X1, X2, ... , X20 a lo que gasta cada cliente, se tendr
20
que la cantidad de dinero que los 20 clientes gastan, X i , tiene distribucin normal con
i =1
media 500 y varianza 20(0.4) y as

20 505 500
P[ X i > 505] = 1 - = 1 (177
. ) = 0.034.
cv
i =1 20( 0.4 )

3.62. Ejemplo.
Se cortan barras de fierro cuya longitud tiene distribucin normal con media 100 cm y
desviacin estndar 0.01 cm. Se considera que una barra no es defectuosa si su longitud
est en el intervalo [99.99, 100.01].

Si X representa a la longitud de la barra, la probabilidad de que una barra no sea

el
defectuosa es p = P[ 99.99 X 100.01] = 0.6826 .

Si se toman n barras al azar se tendr que la variable Y, que indica el nmero de barras
no defectuosas entre las n, tiene distribucin binomial con parmetros n y p = 0.6826.
iz
Luego, si se toman muchos lotes de tamao n, se espera encontrar un promedio por lote
de np barras no defectuosas. Se espera hallar (np/n).100 = 68.26% de barras no
defectuosas.

3.63 . Ejemplo.
El 80% de las varillas de fierro que recibe una constructora son de la factora A y el
resto, de la factora B. Las longitudes, en metros y representadas por X, de las varillas
tienen distribucin normal con los siguientes parmetros:

Media Varianza
Factora A 8 0.04
Factora B 9 0.09
250. Probabilidad.

a) Si se elige una varilla al azar, cul es la probabilidad de que la longitud de sta sea
menor que 8.2 metros?.

b) De 10 varillas elegidas al azar, cul es la probabilidad de que 4 de ellas tengan

longitudes menores que 8.2 metros?.

Solucin.
a) Sean los eventos A: la varilla proviene de A y B: la varilla proviene de B

Segn el teorema de las probabilidades totales,

P[ X < 8.2] = P[ X < 8.2| A].P[A] + P[ X < 8.2| B]P[B] =

8.2 8 8.2 9
P Z < 0.80 + P[ Z < ]0.2 = 0.6738 + 0.00076 = 0.6746.
0.2 0.3

b) Si Y representa el nmero de varillas, de las 10, cuyas longitudes son menores que 8.2,
entonces su distribucin es binomial con parmetros n = 10 y p = 0.6738. Luego,

P[Y = 4] = C410 (0.6746) 4 (0.3254) 6 = 0.0516.

cv
LA DISTRIBUCION GAMMA.
La funcin
el
x 1e x

con , > 0, x 0
f ( x ) = ()

0 en el resto,

+ 1 x
iz
en donde ( ) = 0 x e dx , corresponde a una funcin de densidad, pues,
+
como se puede probar, f ( x) 0 y f ( x)dx = 1.
Si una variable aleatoria X tiene la funcin de densidad f(x), se
dice que X tiene distribucin gamma con parmetros y .

Se denota con X ~ (, ) .

Respecto de (), se indican a continuacin algunas de sus propiedades, que se

demuestran usando los mtodos de integracin:
 Probabilidad. 251

+ x
a) (1) = 0 e dx = 1 .
+
b) (1/2) = 0 x 1/ 2 e x dx = .
c) ( + 1) = ().

Si es entero positivo, usando c), se tiene

( + 1) = () = ( - 1)( - 1) = ... = ( - 1) ... (1) = !.

Por esta razn, a () se le llama " funcin factorial ".

Esperanza y varianza de una variable con distribucin gamma

La esperanza de una variable aleatoria X con distribucin gamma de

parmetros y es / mientras que su varianza es / 2.

Veamos la demostracin.

x 1 ex
La funcin de densidad de X es f(x) = si x 0 .
cv
()

+ x 1 ex
Luego, E(X) = 0 x
()
dx . Haciendo x = u, se tiene:

1 + u e u ( + 1)
E(X) =
() 0
du =
( )
= .

el
Para demostrar lo relativo a la varianza, calculemos primero E ( X 2 ) .

+ 2 ex ( + 2 )
E( X 2 ) = x x 1 dx = = ( + 1) (1/ 2 ) .
iz
0 +2
() ()

Luego, V ( X ) = E ( X 2 ) [ E ( X ) ]2 = ( + 1) ( 1/ 2 ) ( / ) 2 = / 2 .

PROPIEDAD.

Se demuestra que si X 1 ,... , X n son n variables aleatorias independientes,

cada una con distribucin gamma y con parmetros y , entonces la suma
n
X i tiene distribucin gamma con parmetros n y .
i =1

Los siguientes son casos particulares de la distribucin gamma.

252. Probabilidad.

Caso 1. LA DISTRIBUCION EXPONENCIAL.

Si en la funcin de densidad de una variable que sigue la distribucin gamma,

escribimos = 1, resulta la funcin de densidad

x
f ( x ) = e x 0.

cuya grfica es como la siguiente

X
0
Figura 3.24. Funcin de densidad exponencial
con parmetro .
cv
Una variable X que tiene esta funcin de densidad, se dice que sigue la
distribucin exponencial con parmetro . Se denota con X ~ Exp() .

Esperanza y varianza de una variable aleatoria con distribucin

exponencial.
el
Haciendo en la distribucin gamma, = 1, se tiene que la
esperanza y la varianza de una variable aleatoria X con
distribucin exponencial de parmetro son, respectivamente,

E ( X ) = 1 / , y V ( X ) = 1 / ( 2 )
iz
3.64. Ejemplo.
El tiempo de vida en horas, X, de un cierto tipo de lmparas tiene funcin de
densidad

f ( x ) = ( 1 / 100 ) e x /100 con x 0.

Cul es la probabilidad de que una lmpara escogida al azar no tenga que ser
sustituida durante las primeras 150 horas de uso?.

Solucin.
Para que una lmpara no se sustituya durante las primeras 150 horas, X debe ser
mayor que 50.

La distribucin de X es exponencial con parmetro = 1/100; por lo tanto,

 Probabilidad. 253

+ x /100
P [ X > 150 ] = 150 (1/100)e dx = e 150/100 = 0.2231.

3.65. Ejemplo.
Una estacin de suministro de gasolina recibe gasolina una vez por semana. Si
su volumen semanal de ventas V, en miles de galones, se distribuye
exponencialmente con parmetro = 0.5; calcular la capacidad que debe tener
el depsito de la estacin si el distribuidor desea que, con una garanta del
99%, exista gasolina en el fin de semana.

Solucin.
Si C es la capacidad del tanque, debe cumplirse

+
0.99 = P[V < C] 0. 01 = P[V C ] = C 0.5e 0.5 x dx ,

0.5

Exp (0.5)
cv
0.99

C
Figura 3.25. Funcin de densidad exponencial
con parmetro = 0.5

Resolviendo la integral se tiene C = 9.2103 miles de galones.

el
3.66. Ejemplo.
Un banco tiene tres cajeros, cada uno de los cuales atiende a los clientes en un tiempo T,
que puede modelarse mediante una distribucin exponencial con un promedio de 5
minutos por persona. Si los cajeros atienden de manera independiente, calcular la
probabilidad de que el tiempo de atencin de dos de los tres cajeros sea mayor que 4
minutos.
iz
Solucin.
Para cualquier cajero, la probabilidad de que el tiempo de atencin, sea mayor que 4, es

p = P[T > 4] = 4+ (1 / 5)e (1/ 5)t dt = e 4 / 5 = 0.4493.

Como los cajeros atienden de manera independiente, se trata de encontrar la probabilidad

de dos xitos en tres repeticiones independientes, siendo P[" exito" ] = P[T > 4] =
0.4493.

Usando la distribucin binomial,

P[dos de los tres cajeros atiendan en ms de 4 minutos a cada cliente] =

254. Probabilidad.

= C23 (0.4493) 2 (1 0.4493) = 0.3335.

3.67. Ejemplo.
Las pensiones de los jubilados de cierto sector son pagadas al final de cada mes en un
banco. El proceso que se sigue para el pago es el siguiente: el jubilado es atendido
primero en una oficina en donde recibe una boleta de pago y luego con esta boleta pasa a
recibir su pago en una ventanilla del banco. Si tanto el tiempo de atencin en la oficina
como el de la ventanilla son independientes y cada uno puede modelarse con una
distribucin exponencial cuyos promedios son iguales a cuatro minutos en cada caso,
hallar la esperanza y varianza del tiempo total de atencin.

Solucin.
El tiempo de atencin en la oficina en donde se entregan papeletas y el que se usa en la
ventanilla de pago, tienen distribucin exponencial con parmetro = 1/4.

Segn una propiedad de la distribucin gamma, el tiempo total T de atencin a cada

jubilado tiene distribucin gamma con parmetros 2 = 2 y = 1/4.

Luego, la esperanza y la varianza del tiempo total de atencin son:

cv
2 2
E (T ) = =8 y V (T ) = 2
= 32.
1/ 4 (1 / 4 )

3.68. Ejemplo.
El nmero de clientes que llegan a un banco sigue la ley de Poisson con parmetro . Si
con X denotamos el tiempo que transcurre desde el momento en que se abre el banco y el
momento en que llega el primer cliente, hallar la funcin de densidad de X.
el
Solucin.
Calculemos la funcin de acumulacin de X, F ( x ) = P[ X x ] = 1 P[ X > x ] para
luego derivarla y obtener la funcin de densidad.

El evento [X > x] indica que la primera llegada ha ocurrido despus del tiempo x. Esto
iz
indica que en el intervalo [0, x] no ha ocurrido ninguna llegada. Luego,

F ( x ) = P[ X x ] = 1 P[ X > x ] = 1 e x , x > 0

dF ( x)
La funcin de densidad de X es f ( x ) = = e x . As se tiene que la variable tiene
dx
la distribucin exponencial con media 1/.
 Probabilidad. 255

Caso 2. LA DISTRIBUCION JI-CUADRADO .

Si una variable aleatoria X tiene distribucin gamma con
parmetros = n/2, n entero positivo, y = 1/2, se dice que sigue
la distribucin ji-cuadrado con n grados de libertad .

Simblicamente: X ~ 2n .

En la siguiente figura se presenta la grfica de la funcin de densidad correspondiente a

la distribucin ji-cuadrado para algunos valores de n y en el apndice C se presenta una
tabla que permite aproximar los percentiles de una variable con tal distribucin y para
determinados grados de libertad n. Cuando X sigue una distribucin ji-cuadrado con n
grados de libertad y n es suficientemente grande (en la prctica n 30 ), se puede probar
que la variable aleatoria

Z = 2 X 2 n 1 se aproxima a la distribucin N(0, 1).

n=1
cv
n=2
n=4
n= 10

0 5 10 15 X
Figura 3.26. Grficos de funciones de densidad Ji-cuadrado con
n grados de libertad
el
Una propiedad importante, que permite obtener variables con distribucin ji-cuadrado,
es la siguiente.

PROPIEDAD.
iz
Si Z1 ,... , Z n son variables aleatorias independientes cada una con
n
distribucin normal estndar, entonces la variable aleatoria Z i , sigue
2

i =1
una distribucin ji-cuadrado con n grados de libertad.

Esperanza y varianza para una variable aleatoria con distribucin ji-

cuadrado con n grados de libertad.

Para una variable aleatoria X, que sigue la distribucin ji-cuadrado con n grados de
libertad, se cumple:
E ( X ) = n y V ( X ) = 2n

3.69. Ejemplo.
256. Probabilidad.

2
Si X ~ 10 , hallar a de tal modo que P [ X a ] = 0. 05.

Solucin.
Segn la tabla ji-cuadrado, (apndice C), el valor de a tal que P[X a] = 0.05 es 18.31.
3.70. Ejemplo.
2
Si X ~ 50 , hallar a de tal modo que P [ X a ] = 0. 05.

Solucin.
Como n 30 , Z = 2 X 99 se distribuye aproximadamente como la normal
estndar; luego

0.05 = P[ X a ] = P[ 2 X 99 2 a 99 ] = P[ Z 2 a 99 ].

En la tabla N(0,1), se observa que para z = 1.645, P[ Z z ] = 0.05 . Luego,

1645
. = 2a 99 , de donde a = 67.1625.

LA DISTRIBUCION T-STUDENT.
cv
Otra distribucin importante es la distribucin t-student con n grados de libertad, en
donde n es un nmero natural positivo. La forma de la grfica de la funcin de densidad
correspondiente a esta distribucin es semejante a la que corresponde a la distribucin
normal estndar.

Una variable X sigue la distribucin t-student con n grados de libertad si su

funcin de densidad es
el
2 ( n+1)/ 2
(( n + 1) / 2 ) x
f ( x) = 1 + < x < +
1/ 2
( n ) ( n / 2 ) n

Si X tiene distribucin t - student con n grados de libertad, se escribe X~ t(n).

iz
La diferencia de la grfica de la funcin de densidad de la t-student y la de la normal
estndar est en que las colas en la t-student son "ms pesadas" que las de la normal
estndar. Son "ms pesadas", en el sentido de que tienen mayor rea y por lo tanto hay
mayor probabilidad de encontrar valores extremos. Sin embargo, se demuestra que si el
nmero de grados de libertad crece indefinidamente la distribucin t-student tiende a la
distribucin normal estndar.
 Probabilidad. 257

0.4
Normal Estndar
0.3

0.2

0.1
t-student

0
-5 -3 -1 1 3 5

Figura 3.27. Funciones de densidad normal estndar y t-student.

Se demuestra que si Z y X son dos variables aleatorias

independientes, Z con distribucin normal estndar y X con
distribucin Ji-cuadrado con n grados de libertad, entonces la
Z
variable aleatoria T = sigue la distribucin t-student con n
X /n
grados de libertad.

Se considera en la prctica que cuando el nmero de grados de libertad n es mayor o

igual a 30 la distribucin t-student se aproxima muy bien a la distribucin normal
estndar.
cv
En la tabla del apndice B aparecen los cuantiles correspondientes a la distribucin t-
student para distintos grados de libertad.

Esperanza y varianza para una variable aleatoria con distribucin

t-student con n grados de libertad.
el
Para una variable aleatoria X con distribucin t-student con n grados
de libertad se cumple:

E ( X ) = 0 y V ( X ) = n / ( n 2 ) para n > 2
iz
LA DISTRIBUCION F DE SNEDECOR.
Una distribucin tambin muy importante para las aplicaciones de la Estadstica es la
distribucin F de Snedecor o simplemente F.

Una variable X continua, cuya funcin de densidad es

( m / n) m / 2 x (m/ 2) 1
f ( x) = , con x 0 ,
(m / 2, n / 2) (1 + mx / n) (m+ n)/ 2

en donde m y n son enteros no negativos, se dice que sigue la

distribucin F con m y n grados de libertad

Si X sigue la distribucin F con m y n grados de libertad se usa la notacin X ~ Fm,n.

258. Probabilidad.

Se demuestra que si X e Y son variables aleatorias independientes, X

con distribucin ji-cuadrado con m grados de libertad e Y con
distribucin ji-cuadrado con n grados de libertad, entonces la
X/m
variable , sigue la distribucin F con m, n grados de libertad.
Y/n

Las grficas de las funciones de densidad correspondientes a las variables aleatoria con
distribuciones F10, 10, F10, 5 y F25, 25 se muestran a continuacin.

0.8

0.6

F
0.4 10,10

0.2 F
F 25,25
10,5

0 2 4 6 8
Figura. 3.28. Funciones de densidad F10, 10, F10, 5 y F25, 25

En la tabla del apndice D se encuentra tabulada la distribucin F para distintos grados

cv
de libertad.

Para una variable X con distribucin F con m, n grados de libertad y con 0 < < 1, la
tabla indica el valor f1-,,m,n para el cual P[X > f1-,m,n] = .

Por ejemplo, si m = 6, n = 5 y = 0.05 se tiene, f1-,6,5 = 4.95.

Esta tabla est preparada para valores pequeos de ; sin embargo, tambin se puede
usar para valores grandes de si se toma en cuenta la siguiente propiedad:
el
PROPIEDAD

Si una variable aleatoria X tiene distribucin F con m y n grados de libertad, se

cumple que
iz
P[ X x ] = 1 P[Y > 1 / x] ,
en donde Y es una variable aleatoria con distribucin F con n y m grados de
libertad.

As, para hallar el valor de x para el cual P[ X x ] = 0.95 , siendo X una variable
aleatoria con distribucin F con 6 y 5 grados de libertad, bastar con encontrar en la
tabla el valor 1/x para el cual P[Y > 1 / x ] = 0.05 , donde Y sigue una distribucin F con 5 y
6 grados de libertad. La tabla indica que 1/x = 4.39, de donde x = 0.2277.

Esperanza y varianza de una variable con distribucin F

Se demuestra que la esperanza y la varianza de una variable aleatoria con distribucin

F, son, respectivamente,
 Probabilidad. 259

2
E ( X ) = n / ( n 2) y V ( X ) = 2 ( n / ( n 2 )) ( m + n 2 ) / m( n 4 )

3.19. EJERCICIOS.
1. Se indica que el autobs llegar con toda seguridad al lugar de embarque entre las 8:00 y las 9:00 a.m.
Qu modelo se sugiere para describir la variable aleatoria que indica el tiempo de llegada?. Cul es la
probabilidad de que el bus llegue entre las 8:00 y las 8:10 a.m.?.
Rpta. 0.1667.

2. Una llamada telefnica lleg a una central telefnica entre las 8:00 a.m. y las 8:05 a.m. Si la central estuvo
ocupada durante 2 minutos de ese intervalo, cul es la probabilidad de que la llamada haya llegado cuando
la central estuvo desocupada.

3. El error que se comete al medir cierto objeto tiene distribucin uniforme en el intervalo [ -0.05, 0.05].
Calcular:

a) la probabilidad de que el error cometido est entre 0 y 0.01.

b) la esperanza y la varianza de los errores cometidos.
Rpta. b) 0 y 0.0083.

4. La coordenada X de un punto X del intervalo [0, 6] es elegido al azar, cul es la probabilidad de que el
cociente de las longitudes de los intervalos [0, X] y [X, 6] sea menor que 1/4?.
cv
Rpta. 0.20.

5. En la industria del petrleo, la temperatura de destilacin T es importante para determinar la calidad del
producto final. Supongamos que T es una variable aleatoria distribuida uniformemente en [150, 300] y que
cuesta $1.5 producir un galn de petrleo. Si el petrleo destila a una temperatura menor que 200 grados
centgrados, el producto se vende como gasolina a $A por galn. Si se destila a una temperatura mayor que
200 grados centgrados, el producto es un aceite refinado que se vende a $1.2A por galn. Hallar el valor
mximo que debe tener A de tal manera que la ganancia esperada mnima sea igual a $0.3 por galn.
Rpta. 1.59.
el
6. Si X es una variable aleatoria con distribucin uniforme en el intervalo [0, 4], hallar el valor esperado de
X2 .

7. Usando la funcin de acumulacin determine la funcin de densidad de la variable Y =1 - 2X. si la

distribucin de X es uniforme en el intervalo [1, 3].

8. Se puede demostrar que si un nmero de eventos ocurre de acuerdo a la distribucin de Poisson y si uno de
iz
tales eventos ha ocurrido en el intervalo [0, t], entonces el tiempo real de ocurrencia tiene una distribucin
uniforme en este intervalo.
Si los clientes llegan a un banco de acuerdo a la distribucin de Poisson, encontrar la probabilidad de que
un cliente llegue los ltimos 10 minutos de un perodo de 25 minutos.

9. Si Z ~ N ( 0, 1) , hallar:

a ) P[ Z 1.7] b) P[ 2 Z 157
. ] c) P[ Z > 25] d ) P[| Z | 15
. ] e) P[ Z = 2].
Rpta. a) 0.9554.

10. Si Z es una variable aleatoria con distribucin N(0, 1), hallar el valor z para el cual

a) P[ Z z] = 0.95 b) P[ Z > z] = 0.01 c) P[ Z z] = 0.0217 d ) P[ z Z z] = 0.9298.

11. Si X es una variable aleatoria normal con media y desviacin estndar , hallar el nmero c no negativo
para el cual se cumple P[ c X + c ] = 0.7498.
Rpta. 1.15.
260. Probabilidad.

12. Si X ~ N (8,4) , hallar

a ) P[ X = 8] b) P[ 4 < X 8 < 4] c) P[ 6 < X 8] d ) P[| X 8| < 1] .

Rpta. a) 0 b) 0.9544.

13. Dada una variable aleatoria X con distribucin normal con media 50 y varianza 10, hallar:

a) A tal que P[ X A] = 0.1 b) A tal que P[X > A] = 0.25.

14. Una mquina deposita refresco en botellas de tal manera que la cantidad vertida tiene distribucin normal
con media igual a 0.5 litros y con desviacin estndar igual a 0.05.

a) Hallar la probabilidad de encontrar una botella que contenga menos de 0.47 litros.
b) Si se eligen 10 botellas al azar en las cuales se ha vertido refresco, cul es la probabilidad de que tres de
ellas tengan una cantidad de lquido menor que 0.47 litros?.
Sug. b) Aplique la ley binomial.

15. La cantidad que gasta un cliente en una conocida tienda se considera que es aleatoria con distribucin
normal de media $100 y desviacin estndar $20. Si cada cliente gasta a lo ms $A con probabilidad 0.7,
cul es la suma adicional que debe gastar cada cliente para que el 50% de ellos, aproximadamente supere
la cantidad $A?.

16. El dimetro interno de las tuercas que se usarn en el armado de cierto artefacto debe estar en el intervalo
expresado como 0.3 0.005 pulgadas. De las tuercas ofrecidas por un fabricante cuyo dimetro interno
puede considerarse con distribucin normal con media igual a 0.302 pulgadas y desviacin estndar igual a
cv
0.003 pulgadas, qu porcentaje, aproximadamente, satisface las especificaciones?.

17. Se informa que los valores tipificados de las notas 13 y 18 de un examen de Sicologa son: -0.5 y 2,
respectivamente. Hallar el valor de la media y de la desviacin estndar de las notas del examen. Si stas se
distribuyen normalmente, cul es la probabilidad de que un alumno obtenga una nota superior a 15?.
Rpta. La media es igual a 14 y la desviacin estndar, 2.

18. El tiempo de vida de un grupo de personas tiene distribucin normal con media 21 horas y varianza 25.
el
a) Hallar la probabilidad de que la edad de una persona escogida al azar sea mayor que 23.
b) Si se toman grupos al azar de 200 personas, cuntas personas por muestra se espera que tengan edades
entre 20 y 22 aos?.

19. El dimetro de las esferas de rodamiento fabricadas por una factora debe estar entre 29.55 mm. y 29.57
mm. para que sean consideradas como buenas. Si se considera que los dimetros tienen distribucin normal
con media 29.56 y desviacin estndar 0.07,
iz
a) hallar el porcentaje esperado de esferas que son consideradas como buenas.
b) Qu porcentaje de las esferas se espera que tengan dimetros mayores a dos desviaciones estndar de la
media?.
c) Cul debe ser el valor k para que el porcentaje esperado de los dimetros que estn en [ k, + k]
sea el 50%?.
Rpta. a) 68.26%. b) 4.56%. k = 0.96.

20. Un fabricante de televisores asegura que el tiempo medio de funcionamiento sin fallas de los aparatos es
de dos aos con una desviacin estndar de 0.25 aos. Si el tiempo de vida de los aparatos sigue una
distribucin normal ,

a) cul es la probabilidad de que el tiempo de buen funcionamiento de un televisor sea menor que 2.5
aos?.
b) El fabricante garantiza que reemplazar gratis cualquier aparato de TV cuya duracin sin fallas sea
menor que k aos. Aproximar k de tal modo que slo el 1% de los aparatos vendidos tenga que ser
reemplazado, aproximadamente.
 Probabilidad. 261

21. De una mina se extrae mineral que contiene un porcentaje de cierto metal. De acuerdo a X la utilidad U
ser como sigue:

20 si 40 < X < 50

U = 30 X 50
0 si X 40

Hallar la utilidad esperada si se considera que la distribucin de X es aproximadamente N(45, 16).

Sug. La esperanza es 20 P[40 < X < 50] + 30 P[ X 50] .

22. Una mquina automtica para el llenado de paquetes de arroz puede regularse de modo que la cantidad
media de arroz llenado sea la que se desee. Si la cantidad de arroz depositada se distribuye normalmente
con desviacin estndar igual a 10 gramos, cul debe ser la regulacin media de modo que slo el 1% de
los paquetes tengan un peso neto inferior a 990 gramos?.

Con la regulacin media calculada, se escogen al azar y cada hora, 4 paquetes que luego se pesan; si el
promedio de stos no est entre 995 y 1000 gramos la mquina se detiene. Hallar la probabilidad de que la
mquina se detenga.

23. El tiempo que se usa para reparar una mquina es una variable aleatoria cuya distribucin es normal con
media 120 minutos y varianza 16. Si la reparacin dura ms de 125 minutos se incurre en una prdida de
$10000, hallar la prdida esperada total, incluyendo al costo de reparacin si ste es igual a $200.

Si se reduce la media del tiempo de reparacin a 115 minutos aumentando el personal de mantenimiento, el
costo de reparacin aumenta una cantidad C > 200. Hallar el mayor valor de C que se debe pagar de tal
cv
manera que la nueva prdida esperada total sea menor que la prdida esperada anterior.

24. El peso de los alumnos de un colegio tiene distribucin normal X con media 40 kilos y varianza 9 en el
grupo de las mujeres y distribucin normal con media 45 kilos con varianza 16 en el grupo de los varones.
Hallar la probabilidad de que un estudiante pese entre 41 y 43 kilos si el 20% de alumnos son mujeres y el
resto son varones.
Sug. Aplicar el teorema de las probabilidades totales.

25. Si X e Y son dos variables aleatorias independientes con distribuciones N(1, 1) y N(-1, 2),
respectivamente; hallar la distribucin de
el
a) X + Y. b) 2X + 3Y. c) X - Y d) (X + Y)/2.
Rpta. La distribucin de X + Y es normal con media 0 y varianza 3.

26. Si X corresponde a las notas de un curso de Geografa y tiene distribucin normal de media 12 y varianza
4 e Y, corresponde a las notas de Historia y tiene distribucin normal con media 13 y varianza 5,

a) hallar la distribucin de X + Y de (X + Y)/2, si se supone que X e Y son independientes.

iz
Cul es la probabilidad de que para un alumno que ha cursado las dos materias,

b) la suma de las notas sea mayor que 28?.

c) el promedio de sus notas est entre 14 y 15?
d) la nota de Historia sea mayor que la nota de Geografa?.

27. La distribucin del tiempo X, que demora un tcnico para armar un aparato, es normal con media 30 y
varianza igual a 25. Si la utilidad que el tcnico obtiene por tarea es $60X, hallar la probabilidad de que la
utilidad sea mayor que $1900.
Rpta. La distribucin de la utilidad Y = 60X es normal con media 1800 y varianza 90000. Calcular
P[Y > 1900] .

28. El tiempo que se necesita para ir de A a B en el medio de transporte R es normal con media 10 minutos y
varianza 1, mientras que usando el medio de transporte S el tiempo que se usa es normal con media 10 y
varianza 4. Qu tipo de transporte se debe utilizar si se dispone de 9 minutos para ir de A a B?.
262. Probabilidad.

29. El tiempo que demora un empleado en atender un cliente tiene distribucin normal con media 10 minutos
y desviacin estndar igual a 2 minutos. Si el empleado dispone de 44 minutos para atender a n clientes,
hallar el nmero n de tal manera que esto sea posible con probabilidad 0.8413.
n
Sug. Considerar la variable Y = X i y hallar n de tal manera que P[Y 44] = 0.8413 .
i =1

30. Una fbrica produce tornillos de precisin en dos mquinas. La longitud de los tornillos es una variable
aleatoria normal con una media de 13 cm en ambas mquinas y con una desviacin estndar de 0.25 cm en
la mquina 1 y de 0.2 en la mquina 2. Si por cada tornillo que mide entre 12.75 y 13.25 cm se gana $0.50
y por cada tornillo que no mide lo indicado, se pierde $0.10, cul es la ganancia esperada por tornillo si la
mquina 1 produce el 70% del total de la produccin y la mquina 2 el resto?.
Sug. Para calcular la ley de probabilidad de la ganancia (que tiene los valores 0.5 y 0.1), use el
teorema de las probabilidades totales.

31. El tiempo entre dos emisiones consecutivas de cierto tipo de partculas tiene distribucin exponencial de
media 1/5 segundos. Calcular la probabilidad de que el tiempo transcurrido entre dos emisiones sea menor
que 0.7.
Rpta. 0.9698.

32. El tiempo de vida de una pila tiene distribucin exponencial con parmetro 1/6 horas. La utilidad por pila
es el 20% de su costo C cuando el tiempo es mayor que 6 horas mientras que si dura menos que 6 horas se
pierde el 10% de su costo C. Para qu valor de C se obtiene una utilidad esperada mayor que 0.1 por pila?.

33. La tasa de llegada de los camiones que abastecen un almacn es 2 cada hora. Si el nmero de camiones
que llegan tiene ley de Poisson y el tiempo que transcurre entre dos llegadas consecutivas se denota con T.
cv
a) Hallar la funcin de densidad de T.
b) Hallar la probabilidad de que el tiempo que transcurre entre dos llegadas consecutivas sea menor que 10
minutos.
c) Probar que P[T > a + b| T > a ] = P[T > b], en donde a y b son dos nmeros reales no negativos.
d) Si desde la llegada de un camin han transcurrido 30 minutos, cul es la probabilidad de que no llegue
camin alguno en los 15 minutos siguientes?.
Rpta. a) f ( x ) = 2e 2 x , x 0 . b) 1 e 1/ 3 .
el
34. El costo de mantenimiento, en miles de pesos y por mes, de una computadora es una variable aleatoria
cuya funcin de densidad es

( + ) +1
f ( x) = x (1 x ) 1, 0 x 1, > 0, > 0.
( ) ()

Usando = 4 y = 2 hallar la reserva A mensual y en miles de pesos que se debe mantener para que con
iz
probabilidad 0.95 sta no sea sobrepasada.

NOTA. A la distribucin que determina esta funcin de densidad se le denomina distribucin beta de
parmetros y

35. Probar que para una variable aleatoria cuya distribucin es beta con parmetros y , se cumple

E( X ) = y V(X) = .
+ ( + ) 2 ( + + 1)

36. Si X representa el tiempo de vida de un cierto elemento (focos, personas, etc.), con funcin de densidad
f(x) y funcin de acumulacin F(x), la probabilidad de que un elemento falle en el intervalo ( x, x + x) ,
dado que han sobrevivido en al menos x unidades de tiempo es igual a

P( x < X < x + x )
P( x < X < x + x | X > x ) =
P( X > x )
 Probabilidad. 263

f ( x)
y aproximadamente igual a ( x ) = .
1 F ( x)
A ( x ) se le llama funcin tasa de falla. Generalmente esta funcin es creciente.

a) Calculando la integral de la funcin tasa de falla en el intervalo [0, x] y considerando que

P[ X 0] = F ( 0) = 0, probar que
x
f ( x ) = F ' ( x ) = ( x ) exp (t )dt 0 x < .
0
Cuando la funcin tasa de falla es ( x ) = x 1
/ , en donde los parmetros y son reales positivos
se obtiene la funcin de densidad

x 1 x
f ( x) = exp , 0 x < .


La distribucin referida a esta funcin de densidad se llama distribucin de Weibull con parmetros y .
En particular cuando = 1 se tiene la funcin de densidad correspondiente a la distribucin exponencial
con parmetro 1/.

Cuando la funcin tasa de falla se incrementa exponencialmente se obtiene una funcin densidad que se
usa en las ciencias actuariales para modelar el tiempo de vida de las personas. Especficamente, la
mortalidad de las personas (tasa de falla) se incrementa exponencialmente cuando las personas alcanzan la
veintena de aos. Este incremento, aproximadamente, es igual 10 por ciento cada ao y as se tiene que
cv
. ) x = cebx ,
( x ) c(11

en donde b = ln(1.1). La funcin de densidad correspondiente con parmetros b > 0 y c > 0, es

c c
f ( x ) = cebx exp ebx + , 0 x <
b b
La distribucin correspondiente a esta funcin de densidad se llama distribucin de Gompertz.
el
37. Dada la variable Y, se dice que sigue la distribucin lognormal con parmetros y si la variable X =
ln(Y) tiene distribucin N (, 2 ) . Se demuestra que la esperanza de Y es igual a exp( + 2 / 2) y que la
varianza es igual a exp( 2 + 2 )(exp( 2 ) 1)

Si Y tiene distribucin lognormal con parmetros = 5 y = 1, indicar su media y su varianza. Calcular

iz
P[Y < 91].

38. Una variable X tiene la distribucin de Weibull con parmetros y

a) Hallar la probabilidad de que el tiempo de vida de una resistencia de un cierto aparato electrnico dure
menos de 500 horas si este tiene distribucin de Weibull con = 2 y = 10, medido en miles de horas.
b) Hallar la probabilidad de que la resistencia dure menos de 2000 horas dado que hasta ahora su duracin
es 1000 horas.
c) Hallar la funcin de densidad de la variable Y que indica el tiempo de vida de la resistencia conociendo
que hasta ahora la duracin es c horas .
d) Encuentre el valor esperado del tiempo de vida de la resistencia dado que se ha utilizado 1000 horas.