Repblica Bolivariana De Venezuela

Ministerio Del Poder Popular Para La Educacin Universitaria

Instituto Universitario De Tecnologa Agro Industrial
San Cristbal- Estado Tchira

Autor:
Mara Higuera
C.I.: 23.137.708
SIT3A

San Cristbal, Junio de 2016

Bernoulli
El principio de Bernoulli, tambin denominado ecuacin de Bernoulli o
Trinomio de Bernoulli, describe el comportamiento de un fluido movindose a
lo largo de una lnea de corriente. Fue expuesto por Daniel Bernoulli en su
obra Hidrodinmica (1738) y expresa que en un fluido ideal (sin viscosidad ni
rozamiento) en rgimen de circulacin por un conducto cerrado, la energa
que posee el fluido permanece constante a lo largo de su recorrido. La
energa de un fluido en cualquier momento consta de tres componentes:
1.- Cintico: es la energa debida a la velocidad que posea el fluido.
2.- Potencial gravitacional: es la energa debido a la altitud que un fluido
posea.
3.- Energa de flujo: es la energa que un fluido contiene debido a la presin
que posee.
La siguiente ecuacin conocida como "Ecuacin de Bernoulli" (Trinomio de
Bernoulli) consta de estos mismos trminos.
{V^2 /over 2}+{P} + { g z}=constante
donde:
V = velocidad del fluido en la seccin considerada.
g = aceleracin gravitatoria
z = altura en la direccin de la gravedad desde una cota de referencia.
P = presin a lo largo de la lnea de corriente.
= densidad del fluido.

Ejemplo1:

Ejemplo 2:
-Los resultados cara o cruz en el lanzamiento de una moneda
Sea x una v. a. asociada a un experimento de Bernoulli y que toma los
valores:
X(xito)= 1 X(fracaso)=0
Entonces se dice que X sigue una distribucin de Bernoulli X= B (1, p). Su
funcin de probabilidad viene dada por :
Pr( X=1) =p Pr(X=0) =1 p= q

Binomial
En estadstica, la distribucin binomial es una distribucin de probabilidad
discreta que cuenta el nmero de xitos en una secuencia de n ensayos de
Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia
del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por
ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se
denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso,
con una probabilidad q = 1 - p. En la distribucin binomial el anterior
experimento se repite n veces, de forma independiente, y se trata de calcular
la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial
se convierte, de hecho, en una distribucin de Bernoulli.

Para representar que una variable aleatoria X sigue una distribucin binomial
de parmetros n y p, se escribe:
Ejemplo 1:

Se lanza un dado diez veces y se cuenta el nmero X de tres

obtenidos: entonces X ~ B(10, 1/6)

Ejemplo 2:

Existen muchas situaciones en las que se presenta una experiencia

binomial. Cada uno de los experimentos es independiente de los
restantes (la probabilidad del resultado de un experimento no depende
del resultado del resto). El resultado de cada experimento ha de
admitir slo dos categoras (a las que se denomina xito y fracaso).

Las probabilidades de ambas posibilidades han de ser constantes en

todos los experimentos (se denotan como p y q o p y 1-p).

Se designa por X a la variable que mide el nmero de xitos que se

han producido en los n experimentos.

Cuando se dan estas circunstancias, se dice que la variable X sigue

una distribucin de probabilidad binomial, y se denotaB(n,p).
{\displaystyle X\sim B(n,p)\,}

La distribucin binomial es la base del test binomial de significacin

estadstica.

La distribucin de Bernoulli, que toma valores "1", con probabilidad p,

o "0", con probabilidad q = 1 p.

Ejemplo 3:
Un agente de seguros vende plizas a cinco personas de la misma edad y
que disfrutan de buena salud. Segn las tablas actuales, la probabilidad de
que una persona en estas condiciones viva 30 aos o ms es 2/3. Hllese la
probabilidad de que, transcurridos 30 aos, vivan:
Las cinco personas:
B (5 , 2 /3 ) p = 2 /3 q = 1/ 3

A l me no s t re s p e rso n a s

Ejemplo 4:

Si de seis a siete de la tarde se admite que un nmero de telfono de cada

cinco est comunicando, cul es la probabilidad de que, cuando se
marquen 10 nmeros de telfono elegidos al azar, slo comuniquen dos?

B(10, 1/5)p = 1/5q = 4/5

Ejemplo 5:
En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al
azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces.
Calcular la media y la desviacin tpica
B(10, 1/3) p = 1/3q = 2/3

Normal
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin

gaussiana,

probabilidad de variable

una

continua que

con

de

las

ms

distribuciones
frecuencia

de

aparece

aproximada en fenmenos reales.

La grfica de su funcin de densidad tiene una forma acampanada y es
simtrica respecto de un determinado parmetro estadstico. Esta curva se
conoce como campana de Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar
numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los
mecanismos que subyacen a gran parte de este tipo de fenmenos son
desconocidos, por la enorme cantidad de variables incontrolables que en
ellos intervienen, el uso del modelo normal puede justificarse asumiendo que
cada observacin se obtiene como la suma de unas pocas causas
independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno,
sin explicacin alguna. Para la explicacin causal es preciso el diseo
experimental, de ah que al uso de la estadstica en psicologa y sociologa
sea conocido como mtodo correlacional.
La distribucin normal tambin es importante por su relacin con la
estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms
simples y antiguos.

Algunos ejemplos de variables asociadas a fenmenos naturales que siguen

el modelo de la normal son:

caracteres morfolgicos de individuos como la estatura;

caracteres fisiolgicos como el efecto de un frmaco;

caracteres sociolgicos como el consumo de cierto producto por un

mismo grupo de individuos;

caracteres psicolgicos como el cociente intelectual;

nivel de ruido en telecomunicaciones;

errores cometidos al medir ciertas magnitudes;

etc.

Ejemplo 1:
Si X es una variable aleatoria de una distribucin N(, ), hallar: p(3 X
+3)

Es decir, que aproximadamente el 99.74% de los valores

de X estn a menos de tres desviaciones tpicas de la
media.
Ejemplo 2:
La media de los pesos de 500 estudiantes de un colegio es 70 kg y la
desviacin tpica 3 kg. Suponiendo que los pesos se distribuyen
normalmente, hallar cuntos estudiantes pesan:
-Entre 60 kg y 75 kg
-Ms de 90 kg
-Menos de 64 kg
-64 kg
-64 kg o menos
Entre 60 kg y 75 kg

Ms de 90 kg

Menos de 64 kg

64 kg

64 kg o menos

Ejemplo 3:
Tras un test de cultura general se observa que las puntuaciones obtenidas
siguen una distribucin una distribucin N(65, 18). Se desea clasificar a los
examinados en tres grupos (de baja cultura general, de cultura general
aceptable, de excelente cultura general) de modo que hay en el primero un
20% la poblacin, un 65% el segundo y un 15% en el tercero. Cules han
de ser las puntuaciones que marcan el paso de un grupo al otro?

Baja cultura hasta 49 puntos.

Cultura aceptable entre 50 y 83.
Excelente cultura a partir de 84 puntos.
Ejemplo 4:

En una ciudad una de cada tres familias posee telfono. Si

se eligen al azar 90 familias, calcular la probabilidad de que
entre ellas ha ya por lo menos 30 tengan telfono

Ejemplo 5:
En un examen tipo test de 200 preguntas de eleccin mltiple,
cada pregunta tiene una respuesta correcta y una incorrecta. Se
aprueba si se contesta a ms de 110 respuestas correctas.
Suponiendo que se contesta al azar, calcular la probabilidad de
aprobar el examen

POISSON
La distribucin de POISSON es tambin un caso

particular de

probabilidad de variable aleatoria discreta, el cual debe su nombre a

Simon Denis Poisson (1781-1840), un francs que la desarroll a
partir de los estudios que realiz durante la ltima etapa de su vida. Esta
distribucin se utiliza para describir ciertos procesos. Caractersticas: P(2
caras) = 0.2344 Tabla Binomial
En este tipo de experimentos los xitos buscados son expresados por
unidad de rea, tiempo, pieza, etc: - # de defectos de una tela por m2 - # de
aviones que aterrizan en un aeropuerto por da, hora, minuto, etc. - # de
bacterias por c m2 de cultivo - # de llamadas telefnicas a un conmutador
por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por
da, mes, etc, etc. Para determinar la probabilidad de que ocurran x xitos
por unidad de tiempo, rea, o producto, la frmula a utilizar es:

donde:

p(X) = probabilidad de que ocurran x xitos, cuando el nmero

promedio de ocurrencia de ellos es = media o promedio de xitos por unidad

de tiempo, rea o producto e = 2.718 (base de logaritmo neperiano o natural)

X = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea o producto es totalmente al azar y que
cada intervalo de tiempo es independiente de otro intervalo dado, as como
cada rea es independiente de otra
independiente de

rea

otro producto dado.

dada y

cada producto

es

Calculo de la distribucin de

probabilidad de Poisson por tres mtodos: a) Utilizacin del Minitab 15. b)

Utilizacin de la frmula c) Utilizacin de las tablas de Poisson P(X, ) =
xe- X! P(X, ) = xe- X!

Ejemplo 1:
Si ya se conoce que solo el 3% de los alumnos de contabilidad son muy
inteligentes calcular la probabilidad de que si tomamos 100 alumnos al
azar sean muy inteligentes
N= 100
P= 0.03
Lambda= 100*0.03= 3
X= 5
Ejemplo 2:
Tres ejecutivos del Insalud opinan que el nmero medio de pacientes que
llegan a cierto servicio nocturno de guardia durante una hora es 2 , segn el
primero, 3 , segn el segundo, y 5 segn el tercero.

Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene

el doble de experiencia profesional que los otros dos.
Para tomar una decisin de asignacin de personal en ese servicio
quieren estimar el nmero medio de pacientes, sin despreciar sus opiniones ,
por lo que realiza una experiencia controlando una hora de actividad en el
servicio en la que acuden 3 pacientes .Esta informacin la van a combinar
con la inicial a travs de un proceso Bayesiano :cmo lo haran?
La distribucin a priori ser tal que deber asignarse el doble de
probabilidad a la alternativa propuesta por el primer experto que a las de los
otros dos. As que ser:

P( i)

0,5

0,25

0,25

De manera que la estimacin inicial de sera,la media de la distribucin a

priori:

Realizada la experiencia, las verosimilitudes de las tres alternativas nos

vendrn dadas por la funcin de cuanta de la distribucin de Poisson,
con

0,180447

0,224042

0,140374

La funcin de cuanta de la distribucin a posteriori la obtendremos

aplicando el Teorema de Bayes y resultar ser:

0,497572

0,308891

0,193536

Esta distribucin a posteriori nos dar cuenta de toda la informacin

disponible acerca del parmetro desconocido, (nmero medio de pacientes
por

hora);

tanto

(convenientemente

de

la

informacin

ponderada)

como

subjetiva
de

la

de

los

expertos

informacin

emprica

suministrada por la observacin.

A partir de esta distribucin a posteriori podemos plantear nos dar un valor
concreto para la estimacin de considerando una funcin de prdida
cuadrtica. La estimacin adecuada sera la media de la distribucin a
posteriori:

Ejemplo 3:
En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad
de que si tomamos 20 pericos al azar 3 de ellos hablen ruso.
n = 20
p = 0.15
X=3
lambda =3
3

P ( X= 3) = ( e

)( 3

) / 3! = 0.2240418

Ejemplo 4:
Se calcula que en la ciudad el 20% de las personas tienen defecto de la vista
si tomamos una muestra de 50 personas al azar Calcular la probabilidad de
que 10 de ellos tengan defecto en la vista.

n = 50
p = 0.2
lambda =10
P ( X= 10) = (

e10 ) ( 1010 ) / 10! = 0.12511

Central del Lmite

La Distribucin del lmite central o El Teorema Central del Lmite dice que
si tenemos un grupo numeroso de variables independientes y todas ellas
siguen el mismo modelo de distribucin (cualquiera que ste sea), la suma
de ellas se distribuye segn una distribucin normal.
Ejemplo 1:
La variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si
lanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada
una independiente entre s) se distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de
variables continuas.
Los parmetros de la distribucin normal son:
Media: n * m (media de la variable individual multiplicada por el nmero de
variables independientes)
Varianza: n * s2 (varianza de la variable individual multiplicada por el nmero
de variables individuales.

Ejemplo 2:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1y
si sale cruz el valor 0. Cada lanzamiento es una variable independiente que
se distribuye segn el modelo de Bernouilli, con media 0,5 y varianza
0,25.Calcular la probabilidad de que en estos 100 lanzamientos salgan ms
de 60caras.
La variable suma de estas 100 variables independientes se distribuye,por
tanto, segn una distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos
lavariable normal tipificada equivalente:
(*) 5 es la raiz cuadrada de 25, o sea la desviacin tpica de estadistribucin
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P(Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salgan msde
60 caras es tan slo del 2,28%.
Ejemplo 3:
La renta media de los habitantes de un pas se distribuye uniformemente
entre 4,0 millones ptas. y 10,0 millones ptas. Calcular la probabilidad de que
al seleccionar al azar a 100 personas la suma de sus rentas supere los
725millones ptas.

Cada renta personal es una variable independiente que se distribuye segn

una funcin uniforme. Por ello, a la suma de las rentas de 100 personas se le
puede aplicar el Teorema Central del Lmite.
La media y varianza de cada variable individual es:
m = (4 + 10 ) / 2 = 7
s2 = (10 - 4)^2 / 12 =3
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya
media y varianza son:
Media: n * m = 100 * 7 = 700
Varianza: n * s2 = 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superior a 725
millones ptas, comenzamos por calcular el valor equivalente de la variable
normal tipificada:
Luego:
P (X > 725) = P (Y > 1,44) = 1 -P (Y < 1,44) = 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las rentas de 100 personas
seleccionadas al azar supere los 725 millones de pesetas es tan slo del
7,49%.
Ejemplo 4:
En una asignatura del colegio la probabilidad de que te saquen a la
pizarra en cada clase es del 10%. A lo largo del ao tienes 100 clases de esa
asignatura. Cul es la probabilidad de tener que salir a la pizarra ms de
15veces?
Se vuelve a aplicar el Teorema Central del Lmite.

Salir a la pizarra es una variable independiente que sigue el modelo de

distribucin de Bernouilli:
"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10
"No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9
La media y la varianza de cada variable independiente es:
m = 0,10
s2 = 0,10 * 0,90 = 0,09
Por tanto, la suma de las 100 variables se distribuye segn una norma lcuya
media y varianza son:
Media : n * m = 100 * 0,10 = 10
Varianza : n * s2 = 100 * 0,09 = 9
Para calcular la probabilidad de salir a la pizarra ms de 15 veces,
calculamos el valor equivalente de la variable normal tipificada:
Luego:
P (X > 15) = P (Y > 1,67) = 1 - P(Y < 1,67) = 1 - 0,9525 = 0,0475
Es decir, la probabilidad de tener que salir ms de 15 veces a la pizarra a lo
largo del curso es tan slo del 4,75%.

La distribucin Uniforme

La distribucin Uniforme es el modelo (absolutamente) continuo ms

simple. Corresponde al caso de una variable aleatoria que slo puede tomar
valores comprendidos entre dos extremos a y b, de manera que todos los
intervalos de una misma longitud (dentro de (a, b)) tienen la misma
probabilidad. Tambin puede expresarse como el modelo probabilstico
correspondiente a tomar un nmero al azar dentro de un intervalo (a, b).
De la anterior definicin se desprende que la funcin de densidad debe
tomar el mismo valor para todos los puntos dentro del intervalo (a, b) (y cero
fuera del intervalo). Es decir,

Grficamente:

La funcin de distribucin se obtiene integrando la funcin de densidad y

viene dada por:

Grficamente:

Propiedades del modelo Uniforme

1. Su esperanza vale (b + a)/2

2. Su varianza es (b a)2/12
Ejemplo 1:
Sea X el momento elegido al azar en que un estudiante recibe clases en
un determinado da entre las siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 11:00 - 12:00 - 13:00
1) Cul es la funcin de densidad de la variable X?
2) Elaborar un grfico de la distribucin de probabilidades
3) Calcular el valor medio esperado
4) Calcular la desviacin estndar
5) Calcular la probabilidad de que llegue en la primera media hora

6) Si recibe clases de Estadstica Aplicada de 10:00 a 12:15, calcular la

probabilidad de recibir esta asignatura.
Solucin:
1) a = 7 y b = 13
Reemplazando valores en la ecuacin de la funcin de densidad se obtiene:

2) Elaborando el grfico de la distribucin de probabilidad

empleando Excel se obtiene:

Interpretacin:
Cada rectngulo tiene 1 de base y 1/6 = 0,167 de altura.
El rea de cada rectngulo es:

El rea total (rectngulo de base el intervalo 7-13 y altura 1/6=0,167)

representa a la suma de todas las probabilidades, y es igual a uno:

3) Reemplazando valores en la frmula del valor esperado se obtiene:

4) Reemplazando valores en la frmula de la varianza se obtiene:

5) Llegar en la primera media hora significa que llega a la 7:30. Por lo tanto
se debe calcular la probabilidad entre las 7:00 y las 7:30.
Como 7:30 = 7horas + 30 minutos, y el porcentaje que representa 30 minutos
de una hora es:

Por lo tanto se debe calcular la probabilidad entre 7 y 7,5

Aplicando la frmula de la probabilidad entre dos valores se obtiene:

En el siguiente grfico se muestra la probabilidad calculada:

6) Se debe calcular la probabilidad entre las 10:00 y las 12:15

Como 12:15 = 12horas + 15 minutos, y el porcentaje que representa 15
minutos de una hora es:

Por lo tanto de debe calcular la probabilidad entre 10 y 12,25

Aplicando la frmula de la probabilidad entre dos valores se obtiene:

En el siguiente grfico se muestra la probabilidad calculada:

Multinomial
En teora de probabilidad, la distribucin multinomial es una generalizacin de
la distribucin binomial.
La distribucin binomial es la probabilidad de un nmero de xitos en N sucesos de
Bernoulli independientes, con la misma probabilidad de xito en cada suceso. En una
distribucin multinomial, el anlogo a la distribucin de Bernoulli es la distribucin
categrica, donde cada suceso concluye en nicamente un resultado de un nmero
finito K de los posibles, con probabilidades (tal que para i entre 1 y K y ); y con n
sucesos independientes.
Entonces sea la variable aleatoria , que indica el nmero de veces que se ha dado el
resultado i sobre los n sucesos. El vector sigue una distribucin multinomial con
parmetros n y p, donde .
Ntese que en algunos campos las distribuciones categricas y multinomial se
encuentran unidas, y es comn hablar de una distribucin multinomial cuando el trmino
ms preciso sera una distribucin categrica.

DISTRIBUCIN MULTINOMIAL.
Caractersticas:
a)

Al llevar a cabo un experimento con esta distribucin se esperan

ms de dos tipos de resultados.

b)

Las probabilidades asociadas a cada uno de los resultados son

constantes.

c)

Cada uno de los ensayos o repeticiones del experimento son

independientes.

d)

El nmero de repeticiones del experimento, n es constante.

Al igual que hicimos con la distribucin binomial, en este caso partiremos

de un ejemplo para obtener la frmula general para resolver problemas
que tengan este tipo de distribucin.
Ejemplo 1:
Se lanza al aire un dado normal, 5 veces, determine la probabilidad de
que aparezca dos nmeros uno, dos nmeros tres y un nmero cinco.
Del diagrama de rbol se obtendra el espacio muestral y enseguida se
determinaran las probabilidades requeridas. En lugar de lo anterior,
obtendremos una frmula a partir de la siguiente expresin:
p(aparezcan dos unos, dos tres y un cinco)=(nmero de ramas en donde
haya dos unos, dos tres y un cinco)(probabilidad asociada a cada una de las
ramas)
Para esto definiremos lo siguiente:
n = nmero de lanzamientos del dado
x1 = nmero de veces que aparece el nmero 1 = 2
x2 = nmero de veces que aparece el nmero 2 = 0
x3 = nmero de veces que aparece el nmero 3 = 2
x4 = nmero de veces que aparece el nmero 4 = 0
x5 = nmero de veces que aparece el nmero 5 = 1
p1 = probabilidad de que aparezca el nmero 1 = 1/6
p2 = probabilidad de que aparezca el nmero 2 = 1/6

p3 = probabilidad de que aparezca el nmero 3 = 1/6

p4 = probabilidad de que aparezca el nmero 4 = 1/6
p5 = probabilidad de que aparezca el nmero 5 = 1/6
p6 = probabilidad de que aparezca el nmero 6 = 1/6
Luego, cmo obtendremos el nmero de ramas donde aparecen dos
nmeros 1, dos nmeros 3 y un nmero 5?
Enunciando algunas de las ramas, tenemos lo siguiente;
(1, 1, 5, 3, 3), (5, 1, 1, 3, 3), (1, 3, 3, 1, 5), ... etc, etc.
Qu tipo de arreglos son estos, combinaciones, permutaciones o que?
SON PERMUTACIONES EN DONDE HAY OBJETOS IGUALES.
Por tanto el nmero de ramas se puede obtener de la siguiente manera:

El nmero de ramas =
Y en forma general,

Luego la probabilidad asociada a cada una de las ramas, sera;

p(asociada

cada

una

de

p(#1)p(#1)p(#3)p(#3)p(#5)=p1*p1*p3*p3*p5=
=p12*p32*p5

las

ramas)

Por tanto la frmula general ser:

Donde:
p(x1, x2,....,xk, n) = probabilidad de que en n ensayos aparezcan x1 objetos del
primer tipo, x2 objetos del segundo tipo.......y xk objetos del ltimo tipo.
n = x1+x2+....xk
Resolviendo el ejemplo;
n=5
x1 = nmero de veces que aparece el nmero 1 = 2
x2 = nmero de veces que aparece el nmero 3 = 2
x3 = nmero de veces que aparece el nmero 5 = 1
p1= probabilidad de que aparezca el nmero 1 = 1/6
p2 = probabilidad de que aparezca el nmero 2 = 1/6
p3 = probabilidad de que aparezca el nmero 3 = 1/6

Ejemplo 2:

Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de

que un delegado llegue por aire a una cierta convencin, llegue en autobs,
en automvil o en tren. Cul es la probabilidad de que entre 9 delegados
seleccionados aleatoriamente en esta convencin a) 3 hayan llegado por
aire, 3 en autobs, 1 en auto y 2 en tren?, b) 4 hayan llegado por aire, 1 en
autobs y 2 en auto?, c) 5 hayan llegado en auto?
Solucin:
a) n = 9
x1= # de delegados que llegan por aire = 3
x2= # de delegados que llegan en autobs = 3
x3= # de delegados que llegan en auto = 1
x4= # de delegados que llegan en tren = 2
p1 = probabilidad de que un delegado llegue por aire = 0.40
p2 = probabilidad de que un delegado llegue en autobs = 0.20
p3 = probabilidad de que un delegado llegue en auto = 0.30
p4 = probabilidad de que un delegado llegue en tren = 0.10

b)

n=9

x1 = 4 por aire;

p1 = 0.40

x2 = 1 en autobs; p2 = 0.20
x3 = 2 en auto;

p3 = 0.30

x4 = 2 en tren;

p4 = 0.10

c)
n=9
x1= 5 lleguen en auto;

p1 = 0.30

x2 = 4 (lleguen por aire o autobs o tren); p2 = 0.40+0.20+0.10 = 0.70

Ejemplo 3:
De acuerdo con la teora de la gentica, un cierto cruce de conejillo de
indias resultar en una descendencia roja, negra y blanca en la relacin 8 :
4 : 4. Encuentre la probabilidad de que entre 8 descendientes, a) 5 sean
rojos, 2 negros y un blanco, b) 3 sean rojos y 2 sean negros.
Solucin:
a)
n=8
x1 = 5 rojos;

p1= prob. Sean rojos = 8/16 = 0.50

x2 = 2 negros;

p2 = prob. Sean negros = 4/16 = 0.25

x3 = 1 blanco;

p3 = prob. Sean blancos = 4/16 = 0.25

b)
n=8

x1 = 3 rojos;

p1 = 0.50

x2 = 2 negros;

p2 = 0.25

x3 = 3 blancos;

p3 = 0.25

Ejemplo 4:
Segn una encuesta preliminar acerca del voto que los ciudadanos darn
por los candidatos para gobernador del estado se ha detectado que
aproximadamente un 52% votar por el partido verde, un 40% por el partido
azul y un 8% por los partidos restantes, si se seleccionan aleatoriamente 6
personas con edad de votar, determine la probabilidad de que: a) 2 voten por
el partido verde, 1 por el azul y 3 por el resto de los partidos, b) 2 voten por el
partido verde y 4 por el azul.
Solucin:
a) n = 6
x1= 2 voten por partido verde; p1= prob. de que una persona vote por partido
verde = 0.52
x2= 1 vote por partido azul;

p2 = prob. de que una persona vote por partido

azul = 0.40
x3= 3 voten por otros partidos; p3 = prob. de que una persona vote por otros
partidos = 0.08

b)n = 6
x1= 2 voten por el partido verde; p 1= prob. de que una persona vote por
partido verde=0.52
x2= 4 vote por partido azul;

p2 = prob. de que una persona vote por

partido azul = 0.40

x3= 0 voten por otros partidos; p3 = prob. de que una persona vote por otros
partidos = 0.08

Ejemplo 5:
En una fiesta, el 20% de los asistentes son espaoles, el 30%
franceses, el 40% italiano y el 10% portugueses. En un pequeo grupo se
han reunido 4 invitados: cual es la probabilidad de que 2 sean espaoles y
2 italianos?

P = 0,0384

Gamma
Es una distribucin adecuada para modelizar el comportamiento de
variables aleatorias continuas con asimetra positiva. Es decir, variables que
presentan una mayor densidad de sucesos a la izquierda de la media que a
la derecha. En su expresin se encuentran dos parmetros, siempre
positivos, () y () de los que depende su forma y alcance por la derecha, y
tambin la funcin Gamma (), responsable de la convergencia de la
distribucin
Frmula matemtica:

La funcin de densidad de la distribucin Gamma es,

f(x)=1/(^())*x^(-1)*e^(x/)
Donde x>0 y , son parmetros positivos.

Este modelo es una generalizacin del modelo Exponencial ya que, en

ocasiones, se utiliza para modelar variables que describen el tiempo hasta
que se produce p veces un determinado suceso.
Su funcin de densidad es de la forma:

Como vemos, este modelo depende de dos parmetros positivos: y p. La

funcin (p) es la denominada funcin Gamma de Euler que representa la
siguiente integral:

Que verifica (p + 1) = p(p), con lo que, si p es un nmero entero

positivo, (p + 1) = p!
Ejemplo 1.
Se usa la distribucin Gamma para obtener la distribucin de probabilidad
de la variable aleatoria edad de fallecimiento en accidentes de trfico. En
este caso explican que se asignaron los parmetros y a ojo. El mejor
resultado es el que parece minimizar los errores cuadrticos medios despus
de varias asignaciones. Finalmente obtienen =2,94 y =13,94.
Ejemplo 2
Si un componente elctrico falla una vez cada 5 horas, cul es el tiempo
medio que transcurre hasta que fallan dos componentes? Cul es la
probabilidad de que transcurran 12 horas antes de que fallen los dos
componentes?

si =

1 fallo
5 h oras

entonces, =

1
1
5

E ( x )=a . =2.5=10 horas

12

52 .2 . 21 . e
1
0
du
12
1
P ( X >12 )=

Ejemplo 3
Problema 2
* N= 15
* K= 6
* n= 3
* x= 0, 1, 2, 3
P (x= 0) = 0 6 39 315
P (x= 2) = 1 x 84455 =0.18
120= 20!1! x 19!=20
3 80= 80x79x78x77!6 x 77!=82160
4 100= 100x99x98x97x96!24x96!=3921225
120= 20!1! x 19!=20
3 80= 80x79x78x77!6 x 77!=82160
4 100= 100x99x98x97x96!24x96!=3921225

= 5 horas/fallo

Cauchy
La distribucin Cauchy-Lorentz, llamada en honor a Augustin
Cauchy y Hendrik Lorentz, es una distribucin de probabilidadcontinua. Es
conocida como la distribucin de Cauchy y en el mbito de la fsica se
conoce

como

la distribucin

de

Lorentz,

lafuncin

Lorentziana

la

distribucin de Breit-Wigner. Su importancia en la fsica es dada por ser la

solucin de la ecuacin diferencial que describe la resonancia forzada.
En espectros copia describe la forma de las lneas espectrales que son
ampliadas por diversos mecanismos, en particular, el mecanismo de
ensanchamiento por colisin.

La lnea verde es la distribucin estndar de Cauchy

Ejemplo:

Analizar si el teorema de Cauch y es aplicable en el intervalo

[1, 4] a las funciones:

f(x) = x 2 2x + 3 y g(x) = x 3 7x 2 + 20x 5.

En caso afirmativo, aplicarlo.

Las funciones f(x) y g(x) son continuas y derivables en

por ser polinmincas, luego, en particular, son continuas en
[1, 4] y derivables en (1, 4) .

Adems se cumple que g(1) g(4).

Por lo tanto se verifica el teorema de Cauch y:

2 Analizar si el el teorema de Cauchy es aplicable a las

funciones f(x) = sen x y g(x) = cos x en el intervalo [0, /2].

Las funciones f(x) = sen x y g(x) = cos x son continuas y

derivables en toda la recta real.

Y en particular son continuas en el intervalo [0, /2] y

derivables en (0, /2).

g(/2) g(0)

Por lo tanto podemos aplicar el teorema de Cauchy:

g' (c) 0 sen(/4) 0.

Se trata de un modelo continuo cuya funcin de densidad es:

Cuya integral nos proporciona la funcin de distribucin :

Student
En probabilidad y estadstica, la distribucin t (de Student) es una
distribucin de probabilidad que surge del problema de estimar la media de
una poblacin normalmente distribuida cuando el tamao de la muestra es
pequeo.

Aparece de manera natural al realizar la prueba t de Student para la

determinacin de las diferencias entre dos medias muestrales y para la
construccin del intervalo de confianza para la diferencia entre las medias de
dos poblaciones cuando se desconoce la desviacin tpica de una poblacin
y sta debe ser estimada a partir de los datos de una muestra.
Las distribuciones t de Student son parecidas a la normal. Se pueden
utilizar para hacer estimaciones de la media cuando se desconoce la
varianza (es lo habitual) y se usan muestas pequeas.
Los intervalos as obtenidos son, no podra ser de otra manera, ms
grandes y menos precisos que los que se obtendran si nupusiramos
conocida la varianza en una distribucin normal.
En el applet comparamos distribuciones t de Student con la normal
estndar. Podemos elegir el valor del parmetro grados de libertad y
modificar los extremos del intervalo simtrico en torno a la media. Con estos
datos se obtiene unas probabilidades (clculos aproximados) que se
muestran. A1 representa el rea de la zona central y A2 es el rea de las dos
colas de los extremos. La suma de ambas reas es 1.
Si consideramos esos mismos extremos del intervalo en el caso de una
distribucin normal estndar comprobamos que la probabilidad de la zona
central (A1) es mayor para la distribucin normal que para la t de Student. Si
el parmetro grados de libertad es grande la diferencia es pequea.
Ejemplo 1
Los valores de las matriculas de estudiantes en una universidad privada
tienen un comportamiento aproximadamente normal, donde el promedio es
de 2.100.000. Se seleccionan 8 liquidaciones, siendo los valores los

siguientes:

1.950.000,

2.100.000,

2.250.000,

1.890.000,

2.250.000,

1.950.000, 2.050.000, 2.350.000. Determine la probabilidad de que:

El promedio sea menor de 2.000.000.

El promedio se encuentre entre 2.000.000 y 2.200.000
El promedio sea mayor o igual a 2.500.000

Solucin manual:

Sea X = Liquidacin matriculas.

m = 2.100.000 ; s = ?
=2.098.750 s=168.644.8085 n=8
a) P( <2.000.000)=P( <2.000.000)
P(t<(2.000.000-2.100.000)/(168644.8085/2.8284)= P(t<-1.677)
La probabilidad se encuentra entre 0.9 y 0.95, segn la tabla T que se
encuentra ms adelante, no obstante, al t ser negativo, la probabilidad est
entre 0.1 y 0.05, es decir, los valores complementarios.
Ejemplo 2:

Los puntajes de un grupo de estudiantes se comportan normal, con

promedio de 50, sin embargo, no se conoce la desviacin. Se tom una m.a
de 9 estudiantes encontrando una varianza de 36 y un promedio de 52. Cul
es la probabilidad de que el promedio:
Sea mayor de 54?
Sea menor que 54?
Est comprendido entre 48 y 52 puntos?
Solucin manual:
Sea X = Puntaje estudiantes.
m = 50 puntos ; s = ?
=52 s2=36 s=6 n=9
a) P( >54)=1- P(t<(54-50)/(6/3)) = 1- P(t<2) = 1- 0.9625 = 0.0375
1a
N

0.75

0.80

0.85

0.90

0.95

0.975

0.99

1.000

1.376

1.963

3.078

6.314

12.706 31.821 63.657

0.706

0.889

1.108

1.397

1.860

2.306

2.896

0.995

3.355

Como se observa en la tabla, el 2.0 se encuentra entre 1.86 y 2.306, valores

que corresponden a las reas de 0.95 y 0.975. Realizando una estimacin
burda, se promedian los dos valores correspondientes a las reas.
Encontrando que la probabilidad de que el promedio del puntaje de los
estudiantes sea mayor de 54 es muy baja, 0.0375.
c) P( <54)= P(t<(54-50)/(6/3)) = P(t<2) = 0.9625. Por el contrario de lo
anterior, es muy probable que el promedio del puntaje de los estudiantes sea
menor de 54, dicha probabilidad equivale al 0.9625.
d) P(48< >52)=P( <52)-P( <48)=P(t<(52-50)/(6/3))-P(t<(48-50)/(6/3))=

P(t<1)- P(t<-1)= 0.825 ?(1-0.825) = 0.65

La probabilidad es de 0.65. Se aprecia que al ser simtrica la distribucin t,
se calcula la probabilidad utilizando el inverso.
Ejemplo 3:
1. Sea T ~ t(4,0.5)

a) Determinar
t =

4
=8
0.5
T

b) Determinar
T =

4 2
=4
0.5

c) Determinar P(T 1
4 1

P(T 1=1

= 1- e (0.5)(1)

[ (0.5)(1) ] 2
2!

e( 0.5 ) (1 )

[ ( 0.5 )( 1 ) ] j

j=0

[(0.5)(1) ] 0
0!

- e (0.5)(1)

j!

- e (0.5)(1)

[(0.5)(1) ] 1

[ ( 0.5 )( 1 ) ] 3
3!

=1- 0.60653 -0.30327 -0.075816 -0.012636

=0.000175
d) Determinar P(T 4

1!

- e (0.5)(1)

4 1

P(T 1=1

= e (0.5)(3)

[ (0.5)(3)] 2
2!

e( 0.5 ) (3 )

[ ( 0.5 ) ( 3 ) ] j

j=0

[(0.5)(3)] 0
0!

- e (0.5)(3)

j!

- e (0.5)(3)

[(0.5)(3) ] 1
1!

- e (0.5)(3)

[ ( 0.5 )( 3 ) ] 3
3!

=0.22313 + 0.33470+0.25102 +0.12551

=0.9344
Ejemplo 4
El valor t con

= 14 grados de libertad que deja un rea de 0.025 a la

izquierda, y por tanto un rea de 0.975 a la derecha, es

t0.975=-t0.025 = -2.145

Si se observa la tabla, el rea sombreada de la curva es de la cola derecha,

es por esto que se tiene que hacer la resta de
encontrar el valor de t es buscar el valor de

. La manera de
en el primer rengln de la

tabla y luego buscar los grados de libertad en la primer columna y donde se

intercepten

se obtendr el valor de t.

Ejemplo 5:
Encuentre la probabilidad de t0.025 < t < t0.05.
Solucin:

Como t0.05 deja un rea de 0.05 a la derecha, y t0.025 deja un rea de 0.025 a
la izquierda, encontramos un rea total de 1-0.05-0.025 = 0.925.
P( t0.025 < t < t0.05) = 0.925

DISTRIBUCION JI-CUADRADA (X2)

En realidad la distribucin ji-cuadrada es la distribucin muestral de s 2. O
sea que si se extraen todas las muestras posibles de una poblacin normal y
a cada muestra se le calcula su varianza, se obtendr la distribucin muestral
de varianzas.

Para estimar la varianza poblacional o la desviacin estndar, se necesita

conocer el estadstico X2. Si se elige una muestra de tamao n de una
poblacin normal con varianza

, el estadstico:

Tiene una distribucin muestral que es una distribucin ji-cuadrada con

gl=n-1 grados de libertad y se denota X2 (X es la minscula de la letra
griega ji). El estadstico ji-cuadrada esta dado por:

donde n es el tamao de la muestra, s2 la varianza muestral y

la

varianza de la poblacin de donde se extrajo la muestra. El estadstico jicuadrada tambin se puede dar con la siguiente expresin:

Ejemplo 1:
Suponga que los tiempos requeridos por un cierto autobs para alcanzar
un de sus destinos en una ciudad grande forman una distribucin normal con
una desviacin estndar

=1 minuto. Si se elige al azar una muestra de 17

tiempos, encuentre la probabilidad de que la varianza muestral sea mayor

que 2.
Solucin:
Primero se encontrar el valor de ji-cuadrada correspondiente a s 2=2 como
sigue:

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de

libertad y se encuentra que a este valor le corresponde un rea a la derecha
de 0.01. En consecuencia, el valor de la probabilidad es P(s 2>2)

Ejemplo 2
Encuentre la probabilidad de que una muestra aleatoria de 25
observaciones, de una poblacin normal con varianza
, tenga una varianza muestral:
a. Mayor que 9.1
b. Entre 3.462 y 10.745
Solucin.

a. Primero se proceder a calcular el valor de la ji-cuadrada:

Al buscar este nmero en el rengln de 24 grados de libertad nos da un rea

a la derecha de 0.05. Por lo que la P(s2 >9.1) = 0.05
1. Se calcularn dos valores de ji-cuadrada:

y
Aqu se tienen que buscar los dos valores en el rengln de 24 grados de
libertad. Al buscar el valor de 13.846 se encuentra un rea a la derecha de
0.95. El valor de 42.98 da un rea a la derecha de 0.01. Como se est
pidiendo la probabilidad entre dos valores se resta el rea de 0.95 menos
0.01 quedando 0.94.
Por lo tanto la P(3.462

s2

Estimacin de la Varianza

10.745) = 0.94

Para poder estimar la varianza de una poblacin normal se utilizar la

distribucin ji-cuadrada.

Al despejar esta frmula la varianza poblacional nos queda:

Los valores de X2 dependern de nivel de confianza que se quiera al cual le

llamamos

. Si nos ubicamos en la grfica se tiene:

Ejemplo 3:
1. Los siguientes son los pesos, en decagramos, de 10 paquetes de
semillas de pasto distribuidas por cierta compaa: 46.4, 46.1, 45.8,
47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo de
confianza de 95% para la varianza de todos los paquetes de semillas
de pasto que distribuye esta compaa, suponga una poblacin
normal.
Solucin:
Primero se calcula la desviacin estndar de la muestra:

al elevar este resultado al cuadrado se obtiene la varianza de la

muestra s2= 0.286.
Para obtener un intervalo de confianza de 95% se elige un

= 0.05.

Despus con el uso de la tabla con 9 grados de libertad se obtienen

los valores de X2.

Se puede observar en la grfica anterior que el valor de X 2 corre en

forma normal, esto es de izquierda a derecha.
Por lo tanto, el intervalo de confianza de 95% para la varianza es:

Graficamente:

Se observa que la varianza corre en sentido contrario, pero esto es

slo en la grfica. La interpretacin quedara similar a nuestros temas
anteriores referentes a estimacin. Con un nivel de confianza del 95%
se sabe que la varianza de la poblacin de los pesos de los paquetes
de semillas de pasto esta entre 0.135 y 0.935 decagramos al
cuadrado.

Ejemplo 4
En trabajo de laboratorio se desea llevar a cabo comprobaciones
cuidadosas de la variabilidad de los resultados que producen muestras
estndar. En un estudio de la cantidad de calcio en el agua potable, el cual
se efecta como parte del control de calidad, se analiz seis veces la misma
muestra en el laboratorio en intervalos aleatorios. Los seis resultados en
partes por milln fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26. Estimar la
varianza de los resultados de la poblacin para este estndar, usando un
nivel de confianza del 90%.
Solucin:
Al calcular la varianza de la muestra se obtiene un valor de s 2= 0.0285.

Se busca en la tabla los valores correspondientes con 5 grados de libertad,

obtenindose dos resultados. Para X2(0.95,5)= 1.145 y para X2(0.0,5)= 11.07.
Entonces el intervalo de confianza esta dado por:

Distribucin Geomtrica
Si una variable aleatoria discreta X definida en un espacio de probabilidad
representa el nmero de repeticiones necesarias de un experimento de
Bernoulli para obtener el primer xito, entonces tiene por funcin de
densidad: X-1

P (x=x) = funcin de densidad, de la variable aleatoria con distribucin

geomtrica.
X Numero de experimentos hasta que aparece el 1er xito.
p probabilidad de xito
q probabilidad de fracaso (1 - p)
Ejemplo 1:

Del salon el 60% de los alumnos son hombres, calcular probabilidad de

extraer el 1er hombre a la cuarta ocasin que extraemos un alumno.
Definir xito: sea hombre.
x=4
p = 0.60
q = 0.40

Ejemplo 2:
Calcular la probabilidad de que salga el No. 5 a la tercera vez que lanzamos
un dado.
Definir xito: sale No. 5
x=3
p = 1/6 = 0. 1666

q = (1 - 0.16660) = 0.8333
P(X=3) = (0.8333)2(0.1666) =0.1156

Ejemplo 3:
Calcular la probabilidad de que salga guila la 6ta ocasin que lanzamos una
moneda.
Definir xito: salga guila.
x=6
p = 1/2= 0.5
q = 0.5
P(X=6) = (0.5)5(0.5)= 0.0156

Ejemplo 4:
En el saln hay 8 alumnos de ojos cafs, 9 de ojos azules, 7 de ojos negros,
y 10 de ojos verdes; si extraemos 6 alumnos, calcular la probabilidad de que
este ultimo tenga los ojos claros.
Definir xito: tenga ojos claros.
X=6
p = 0.5588
q = 1- 0.5588 = 0.4412
P(X=6) = (0.4412)5(0.5588) = 0.0093 = 9.3418 x 10

Ejemplo 5:
Una maquina detecta fallas en los productos que elabora una fbrica. Si
los productos tienen una probabilidad de falla del 5%, calcular la probabilidad
de que la maquina encuentre su primer producto defectuoso en la octava
ocasin que selecciona un producto para su inspeccin.
Definir xito: salga defectuoso el producto.
X=8
p = 0.05
q = 1 - 0.05 = 0.95
P(X=8) = (0.95)7(0.05) = 0.0349

Bivariada
En probabilidad, dados dos eventos aleatorios X y Y, la distribucin
conjunta de X y Y es la distribucin de probabilidad de la interseccin de
eventos de X y Y, esto es, de los eventos X e Y ocurriendo de forma
simultnea. En el caso de solo dos variables aleatorias se denomina una

distribucin bivariada, pero el concepto se generaliza a cualquier nmero de

eventos o variables aleatorias
Ejemplo 1:
Estamos estudiando el perfil de los trabajadores de un club deportivo.
Como se van a implementar algunos cursos de capacitacin, se quiere
conocer en particular el nivel educativo con que cuentan los empleados. Se
encontr la siguiente distribucin univariada de Nivel educativo:
Distribucin de frecuencias absolutas de Nivel educativo del personal de la
empresa X, 2007
Nivel Educativo
S/Instruccin y Primaria

fi

%
1
0

Secundaria

3
0

Terciaria

35,3

4
5

TOTAL

11,8

52,9

8
5

100,0

Fuente: datos ficticios

En base a esta informacin, predominan los trabajadores con un nivel

terciario de educacin, lo cual implicara disear determinado tipo de cursos
de capacitacin.
Sin embargo, surge inmediatamente la duda sobre quines son los que
tienen un nivel terciario, en qu sectores de la empresa se encuentran. Es
decir, podemos tomar una decisin sobre el nivel de los cursos conociendo

solamente la composicin global de nivel educativo? No estarn

predominando en algn sector especfico esto funcionarios de alto nivel?
Como es un club deportivo es probable que en la plantilla existan muchos
profesores de educacin fsica, que se concentran en una determinada rea
de trabajo.
Por tanto decidimos estudiar el Nivel educativo pero esta vez, abriendo
nuestra informacin segn rea de trabajo, y encontramos la siguiente
distribucin bivariada:
Distribucin bivariada (absoluta) de Nivel educativo y Area de trabajo del
personal de la empresa X, 2007

Nivel Educativo

S/Instruccin

ED.

Servici

Administrativo

Fsica

10

10

y 0

TOTAL

Primaria
Secundaria

20

30

Terciaria

35

10

45

TOTAL

40

15

30

85

Fuente: datos ficticios

Efectivamente, el predominio de trabajadores con nivel terciario se
concentra bsicamente en el rea de Educacin fsica. Entre los
administrativos, predomina el nivel secundario y entre los funcionarios de
servicio, el nivel primario. Por tanto, debemos pensar en varios diseos
distintos de capacitacin, segn el rea de trabajo.

Ejemplo 2:
De un gran lote de impresoras descompuestas se escogen al azar cuatro. Se
clasifica cada impresora segn el dao, leve o severo. Sea X el nmero de
impresoras con dao leve y sea Y el nmero de impresoras con dao severo. Es
claro que X ~ bin (4,p), x=0,1,2,3,4 y Y ~ bin (4,p), y=0,1,2,3,4.
Si x= 0; y= 4 Si x= 1; y= 3 Si x= 2; y= 2
Si x =3; y =1 Si x= 4; y= 0 As X+Y= 4
De manera natural el espacio de las variables aleatorias X e Y estar
conformado por el conjunto de pares (x, y) tal que X+Y=4

DISTRIBUCION "F" FISHER

La necesidad de disponer de mtodos estadsticos para comparar las

varianzas de dos poblaciones es evidente a partir del anlisis de una sola
poblacin. Frecuentemente se desea comparar la precisin de un
instrumento de medicin con la de otro, la estabilidad de un proceso de
manufactura con la de otro o hasta la forma en que vara el procedimiento
para calificar de un profesor universitario con la de otro.

Intuitivamente, podramos comparar las varianzas de dos poblaciones,

, utilizando la razn de las varianzas muestrales s 21/s22. Si s21/s22 es

casi igual a 1, se tendr poca evidencia para indicar que

no son

iguales. Por otra parte, un valor muy grande o muy pequeo para s 21/s22,
proporcionar evidencia de una diferencia en las varianzas de las
poblaciones.
Ejemplo 1:
Encontrar el valor de F, en cada uno de los siguientes casos:
a. El rea a la derecha de F, es de 0.25 con

=4 y

b. El rea a la izquierda de F, es de 0.95 con

=15 y

c. El rea a la derecha de F es de 0.95 con con

d. El rea a la izquierda de F, es de 0.10 con con
=24
Solucin:

=9.
=10.

=6 y
=24 y

=8.

a. Como el rea que da la tabla es de cero a Fisher, se tiene que

localizar primero los grados de libertad dos que son 9, luego un rea
de 0.75 con 4 grados de libertad uno.

b. En este caso se puede buscar el rea de 0.95 directamente en la tabla

con sus respectivos grados de libertad.

c. Se tiene que buscar en la tabla un rea de 0.05, puesto que nos piden
un rea a la derecha de F de 0.95.

d. Se busca directamente el rea de 0.10, con sus respectivos grados de

libertad.

Ejemplo 2:
Una compaa fabrica propulsores para uso en motores de turbina. Al
ingeniero de manufactura le gustara seleccionar el proceso que tenga la
menor variabilidad en la rugosidad de la superficie. Para ello toma una
muestra de n1=16 partes del primer proceso, la cual tiene una desviacin
estndar s1 = 4.7 micropulgadas, y una muestra aleatoria de n 2=12 partes del
segundo proceso, la cual tiene una desviacin estndar s 2 = 5.1
micropulgadas. Se desea encontrar un intervalo de confianza del 90% para el
cociente de las dos varianzas
2

2
1

. Suponga que los dos procesos son independientes y que la rugosidad de

la superficie est distribuida de manera normal.

Solucin:
Por la recomendacin de que la varianza muestral mayor va en el numerador
se tiene la siguiente frmula:

al despejar:

Exponencial

Este modelo suele utilizarse para variables que describen el tiempo hasta
que se produce un determinado suceso.
Su funcin de densidad es de la forma:

Como vemos este modelo depende de un nico parmetro que debe

ser positivo: > 0. A continuacin se muestra un programa que nos permite
ver cmo cambia la forma de la funcin de densidad segn el parmetro .

La funcin de distribucin se obtiene integrando la de densidad y es de la

forma:

Ejemplo 1:
El tiempo durante el cual cierta marca de batera trabaja en forma efectiva
hasta que falle (tiempo de falla) se distribuye segn el modelo exponencial
con un tiempo promedio de fallas igual a 360 das.
a) qu probabilidad hay que el tiempo de falla sea mayor que 400

das?.
b) Si una de estas bateras ha trabajado ya 400 das, qu

probabilidad hay que trabaja ms de 200 das ms?

c) Si se estn usando 5 de tales bateras calcular la probabilidad de

que ms de dos de ellas continen trabajando despus de 360 das.

Solucin
Sea X=el tiempo que trabaja la batera hasta que falle. El tiempo promedio de
falla es de 360 das. Entonces, X ~Exp (=1/360) y su funcin de densidad
es:

Ejemplo 2:

Suponga que la vida de cierto tipo de tubos electrnicos tiene una

distribucin exponencial con vida media de 500 horas. Si X representa la vida
del tubo (tiempo q dura el tubo).

a) Hallar la probabilidad que se queme antes de las 300 horas.

b) Cul es la probabilidad que dure por lo menos 300 horas?

c) Si un tubo particular ha durado 300 horas. cal es la probabilidad

de que dure otras 400 horas?

Solucin

Este, es una propiedad de la distribucin exponencial que se conoce como la

de no tener memoria.

Ejemplo 3:

Suponga que el tiempo que necesita un cajero de un banco para atender

a un cliente tiene una distribucin exponencial con una media de 40
segundos.

a) Hallar la probabilidad que el tiempo necesario para atender un

cliente dado sea mayor que 20 minutos?

b) Cul es la probabilidad que el tiempo necesario para atender a un

cliente est comprendido entre 1 y 2 minutos.
Solucin

Relacin Entre La Distribucin De Binomial Y

Poisson
CONVERGENCIA BINOMIAL-POISSON.
Se puede probar que la distribucin binomial tiende a converger a la
distribucin de Poisson cuando el parmetro n tiende a infinito y el parmetro
p tiende a ser cero, de manera que el producto de n por p sea una cantidad
constante. De ocurrir esto la distribucin binomial tiende a un modelo de
Poisson de parmetro l igual a n por p
Este resultado es importante a la hora del clculo de probabilidades, o ,
incluso a la hora de inferir caractersticas de la distribucin binomial cuando
el nmero de pruebas sea muy grande
muy pequea

y la probabilidad de xito sea

El resultado se prueba , comprobando como la funcin de cuanta de

una distribucin binomial con

tiende a una funcin de

cuanta de una distribucin de Poisson con

siempre que este

producto sea una cantidad constante ( un valor finito)

En efecto : la funcin de cuanta de la binomial es

Y llamamos

tendremos que:

Realizando
una distribucin de Poisson

que es la funcin de cuanta de

Relacin entre la distribucin de Binomial y Normal

Teo re ma d e Mo i vre
Si:

n p 5 y n q 5.

La distribucin binomial B(n, p) se puede aproximar

mediante una distribucin normal:

Ejemplo:

En una ciudad una de cada tres familias posee telfono.

Si se eligen al azar 90 familias, calcular la probabilidad
d e q u e e n t r e e l l a s h a ya p o r l o m e n o s 3 0 t e n g a n t e l f o n o .