Distribuciones de Probabilidad Discreta2

Apuntes de Probabilidad y Estadstica
** Distribuciones de probabilidad discretas **

1. Variables aleatorias
Definicin. Para un espacio muestral dado
de algn experimento, una variable aleatoria (va) es
cualquier regla que asocia un nmero con cada resultado en
S . En lenguaje matemtico, una
variable aleatoria es una funcin cuyo dominio es el espacio muestral y cuyo rango es el conjunto de
nmeros reales.
Las variables aleatorias se denotan mediante letras maysculas

de sus posibles valores dados en minsculas
valor asociado con el resultado
por la va
x , y . La notacin
X , Y , etctera, para distinguirlas
X ( s )=x
significa que
es el
X .
Ejemplos.
1. Considere el experimento en el cual un nmero telefnico en cierto cdigo de rea es elegido con
un marcador de nmeros aleatorios (tales dispositivos los utilizan en forma extensa organizaciones
encuestadoras) y defina una va Y como
Y = 1 si el numero seleccionado no aparece en el directorio

0 si el numero seleccionado s aparece en el directorio
Por ejemplo,
Si 5282966 aparece en el directorio, entonces
Y (5282966 )=0
Si 7727350 no aparece en el directorio, entonces
Y (7727350 )=1
Definicin. Cualquier variable aleatoria cuyos nicos valores posibles son 0 y 1 se llama variable
aleatoria de Bernoulli.
M.C. LEONARDO A. MEDINA R.
2. En la siguiente tabla se muestran los resultados de un experimento en el cual se determin el

nmero de bombas en uso en cada una de dos gasolineras. Defina las variables aleatorias X , Y y
U
como
X =el nmero total de bombas enuso en las dos gasolinerias

Y =la diferencia entre elnmero de bombas en uso en la gasolinera1 y el nmero en uso en la
gasolinera2
U=el mximo de los nmeros de bombas en uso en las dos gasolineras
Si s=( 2,3 ) , entonces
X ( ( 2,3 ) ) =2+ 3=5
Si s=( 2,3 ) , entonces Y ( ( 2,3 ) )=23=1

Si s=( 2,3 ) , entonces U ( ( 2,3 ) )=3
Ejercicio
1. (Ejercicio 1. Seccin 3.1 Devore). Una viga de concreto puede fallar o por esfuerzo cortante
o flexin
(S )
( F ) . Suponga que se seleccionan al azar tres vigas que fallaron y que se determina el
X =
tipo de falla de cada una. Sea
el nmero de vigas entre las tres seleccionadas que fallaron
por cortante. Ponga en lista cada resultado en el espacio muestral junto con el valor asociado de
X .
s
FFF
FFS
FSF
FSS
SFF
SFS
SSF
SSS
Dos tipos de variables aleatorias

Definicin. Una variable aleatoria discreta es una variable aleatoria cuyos valores posibles o
constituyen un conjunto finito o bien pueden ser puestos en lista en una secuencia infinita en la cual
existe un primer elemento, un segundo elemento, y as sucesivamente (contablemente infinita).
Una variable aleatoria es continua si ambas de las siguientes condiciones aplican:
1. Su conjunto de valores posibles se compone de o todos los nmeros que hay en un solo intervalo
sobre la lnea de numeracin (posiblemente de extensin infinita, es decir, desde hasta +
) o todos los nmeros en una unin excluyente de dichos intervalos (p. ej., [0, 10]
2. Ningn valor posible de la variable aleatoria tiene probabilidad positiva, esto es,
cualquier valor posible de
[20, 30]).
P ( X=c ) =0
con
c .
2. Distribuciones de probabilidad para variables aleatorias discretas

S
Las probabilidades asignadas a varios resultados en
determinan a su vez las probabilidades

X
asociadas con los valores de cualquier variable aleatoria

probabilidad de
posibles valores de
dice cmo est distribuida (asignada) la probabilidad total de 1 entre los varios
X .
Definicin. La probabilidad de que
P (Y = y )
por
y ,
tome el valor
las probabilidades de todos los puntos muestrales en

denotaremos
particular. La distribucin de
P (Y = y ) , se define como la suma de
a los que se asigna el valor
y . A veces
p( y) .
Definicin. La distribucin de probabilidad para una variable discreta

por una formula, una tabla o una grfica que produzca
p ( y )=P (Y = y )
puede ser representada
para toda
y .
La distribucin de probabilidad siempre satisface las condiciones:

p (x ) 0
p ( x )=1
toda x
Ejemplo.
1.Una cierta gasolinera tiene seis bombas. Sea
el nmero de bombas que estn en servicio a
una hora particular del da. Suponga que la distribucin de probabilidad de

tabla siguiente.
x
p (x )
es como se da en la
0.05
0.10
0.15
0.25
0.20
0.15
0.10
a) Determine la probabilidad de que cuando mucho dos bombas estn en servicio

P ( X 2 )=P ( X =0 o 1 o 2 )= p ( 0 ) + p ( 1 ) + p ( 2 ) =0.05+0.10+0.15=0.30
b) De que por lo menos 3 bombas estn en servicio
P ( X 3 ) =1P ( X 2 ) =10.30=0.70
c) La probabilidad de que entre 2 y 5 bombas inclusive estn en servicio
P (2 X 5 )= p ( 2 )+ p ( 3 ) + p ( 4 ) + p (5 )=0.15+0.25+ 0.20+0.15=0.75
d) La probabilidad de que el nmero de bombas en servicio est estrictamente entre 2 y 5
P (2< X <5 )=P ( X =3 o 4 )=0.25+ 0.20=0.45
2. Compruebe si las siguientes expresiones sirven como distribuciones de probabilidad:

x2
a) f ( x )= 2
para x=1,2,3,4
x2
(
)
h
x
=
b)
25
para
x=1,2,3,4
a) Esta funcin no sirve como distribucin de probabilidad por que

x
f (x)
f ( 1)
es negativa
-0.5
0.5
b) La funcin no sirve como distribucin de probabilidad por que la suma de las cinco probabilidades
6
es 5 y no 1
x
f (x)
0.04
0.16
0.36
0.64
3. Seis lotes de componentes estn listos para ser enviados por un proveedor. El nmero de
componentes defectuosos en cada lote es como sigue:
Lote
Numero de defectuosos
Uno de estos lotes tiene que ser seleccionado al azar para ser enviado a un cliente particular. Sea
X el nmero de defectuosos en el lote seleccionado.
a) Cul es la probabilidad de que el lote seleccionado tenga ningn componente defectuoso?
b) Cul es la probabilidad de que el lote seleccionado tenga un componente defectuoso?
c) Cul es la probabilidad de que el lote seleccionado tenga dos componentes defectuoso?
Distribucion de probabilidad
0.7
0.6
0.5
0.4
p(y) 0.3
0.2
0.1
0
0
3
p ( 0 )=P ( X=0 )= =0.5
6
1
p (1 ) =P ( X=1 )= =0.167
6
2
p (2 )=P ( X=2 ) = =0.333
6
Una probabilidad de 0.5 se asigna al valor 0 de

de
X , una probabilidad de 0.167 se asigna al valor 1
y la probabilidad 0.333 se asocia con el valor 2 de
X . Los valores de
junto con sus
probabilidades especifican la distribucin de probabilidad.
4. Un supervisor en una planta manufacturera tiene tres hombres y tres mujeres trabajando para l y
desea escoger dos trabajadores para un trabajo especial. No queriendo mostrar sesgo en su
seleccin, decide seleccionar los dos trabajadores al azar. Denote con Y el nmero de mujeres en
su seleccin. Encuentre la distribucin de probabilidad para
Y .
3 3
(
0 )( 2 ) 1 3 3 1
p ( 0 )=P ( Y =0 )=
=
= = =0.2
15 15 5
6
( 2)
3 3
(
1 )( 1 ) 3 3 9 3
p (1 ) =P ( Y =1 )=
=
= = =0.6
15 15 5
6
(2 )
3 3
(
2)( 0) 3 1 3 1
p (2 )=P (Y =2 )=
=
= = =0.2
15 15 5
6
(2 )
0.8
0.6
p(y)
0.4
0.2
0
0
Funcin de distribucin acumulativa

Definicin. La funcin de distribucin acumulativa (fda)
X
p (x)
con distribucin de probabilidad
F ( x )=P ( X x )=
F(x)
de una variable aleatoria discreta
se define para cada nmero
como
p( y)
y: y x
Para cualquier nmero

cuando mucho
x ,
F(x)
es la probabilidad de que el valor observado de
ser
x .
Ejemplo
1. La distribucin de probabilidad de
y
p( y)
Primero se determina
F( y)
en la siguiente tabla es:
0.4
0.3
0.2
0.1
para cada uno de los valores posibles del conjunto
( 1,2,3,4 ) :
F ( 1 )=P ( Y 1 )=P ( Y =1 )= p (1 )=0.4

F ( 2 )=P ( Y 2 ) =P ( Y =1 o 2 )= p ( 1 )+ p ( 2 )=0.7
F ( 3 )=P ( Y 3 )=P ( Y =1 o 2 o 3 )= p ( 1 ) + p ( 2 )+ p ( 3 ) =0.9
F ( 4 )=P ( Y 4 ) =P ( Y =1 o 2o 3 o 4 )= p ( 1 )+ p ( 2 ) + p ( 3 ) + p ( 4 )=1
Ahora con cualquier otro nmero
posible de
a la izquierda de
y ,
F( y)
ser igual al valor de
con el valor ms prximo
y .
Por ejemplo,
F ( 2.7 ) =P ( Y 2.7 )=P ( Y 2 ) =0.7

F ( 3.999 )=P ( Y 3.999 )=P (Y 3 )=0.9
La funcin de distribucin acumulativa es por tanto
0 si y <1
0.4 si 1 y <2
F ( y ) 0.7 si 2 y <3
0.9 si3 y< 4
1 si 4 y
Para una variable aleatoria discreta

posible de
X , la grfica de
F(x)
mostrar un salto con cada valor
y ser plana entre los valores posibles. Tal grfica se conoce como funcin
escalonada.
Ejemplo
1. (Ejercicio 15. Seccin 3.2). Muchos fabricantes cuentan con programas de control de calidad que
incluyen la inspeccin de los materiales recibidos en busca de defectos. Suponga que un fabricante
de computadoras recibe tarjetas madre en lotes de cinco. Se seleccionan dos tarjetas de cada lote
para inspeccionarlas. Se pueden representar los posibles resultados del proceso de seleccin por
pares. Por ejemplo, el par ( 1,2 ) representa la seleccin de las tarjetas 1 y 2 para inspeccin.
a. Mencione los diez posibles resultados diferentes.
b. Suponga que las tarjetas 1 y 2 son las nicas tarjetas defectuosas en un lote de cinco. Dos
tarjetas tienen que ser seleccionadas al azar. Defina X como el nmero de tarjetas defectuosas
observadas entre las inspeccionadas. Encuentre la distribucin de probabilidad de
F(x)
c. Sea
F ( 1)
la funcin de distribucin acumulativa de
F ( 2 ) ; luego obtenga
X .
X . Primero determine
F ( x ) para todas las dems
F ( 0 ) =P ( X 0 ) ,
x .
a.
S= { (1,2 ) ( 1,3 ) ( 1,4 ) ( 1,5 )( 2,3 )( 2,4 )( 2,5 ) ( 3,4 )( 3,5 ) ( 4,5 ) }
b.
s
( 1,2 )
( 1,3 )
( 1,4 )
( 1,5 )
( 2,3 )
( 2,4 )
( 2,5 )
( 3,4 )
( 3,5 )
( 4,5 )
X ( s )=x
Recuerda que
aleatoria
X ( s )=x
significa que
es el valor asociado con el resultado
por la variable
X .
p ( 0 )=P ( X=0 )=
1 1 1
3
+ + = =0.3
10 10 10 10
p (1 ) =P ( X=1 )=
1 1 1 1 1 1
6
+ + + + + = =0.6
10 10 10 10 10 10 10
p (2 )=P ( X=2 ) =
1
=0.1
10
0.7
0.6
0.5
0.4
p(y) 0.3
0.2
0.1
0
0
c.
F ( 0 ) =P ( X 0 ) =P ( X=0 )=p ( 0 )=0.3
F ( 1 )=P ( X 1 )=P ( X=0 o 1 ) =p ( 0 )+ p ( 1 ) =0.3+0.6=0.9
F ( 2 )=P ( X 2 )=P ( X=0 o 1o 2 )= p ( 0 ) + p ( 1 ) + p ( 2 )=0.3+ 0.6+0.1=1
La funcin de distribucin acumulativa es por tanto
0 si x <0
F ( x ) 0.3 si 0 x <1
0.9 si 1 x <2
1 si2 x
10
3. Valores esperados
Valor esperado de
Definicin. Sea
X
una variable aleatoria discreta con un conjunto de valores posibles
funcin masa de probabilidad (distribucin de probabilidad)

medio de
X , denotado por
E(X)
y una
p ( x ) . El valor esperado o valor
x , es
E ( X )= x = x p ( x )
xD
Varianza de
Definicin. Sea
p (x )
la funci n masa de probabilidad (distribucin de probabilidad) de
su valor esperado. En ese caso la varianza de
X , denotada por
V (X)
o simplemente
2 , es
V ( X )= 2= ( x )2 p ( x )=E [ ( X )2 ]
D
La desviacin estndar de
Formula abreviada para
2
es : x = x
11
El nmero de operaciones aritmticas necesarias para calcular
pueden reducirse si se utiliza
una frmula de clculo alternativa

V ( X )= 2=
[ x p ( x ) ] =E ( X )[ E ( x ) ]
2
Ejemplo
1. (Ejercicio 29. Seccin 3.3. Devore). La funcin masa de probabilidad de
X =
el nmero de
defectos importantes en un aparato elctrico de un tipo seleccionado al azar es

x
p (x )
0.08
0.15
0.45
0.27
0.05
Calcule lo siguiente:
a. E ( X )
b. V ( X ) directamente a partir de la definicin
c. La desviacin estndar de
X .
d. V ( X ) por medio de la formula abreviada

a.
4
E ( X )= x = x p ( x )=0 ( 0.08 )+ 1 ( 0.15 ) +2 ( 0.45 ) +3 ( 0.27 )+ 4 ( 0.05 ) =2.06

x=0
b.
4
V ( X )= = ( x ) p ( x )=
2
x=0
( 02.06 )2 ( 0.08 )+ (12.06 )2 ( 0.15 ) + ( 22.06 )2 ( 0.45 ) + ( 32.06 )2 ( 0.27 ) + ( 42.06 )2 ( 0.05 ) =0.9364
c.
x = 2x = 0.9364=0.9676
d.
V ( X )= 2=
[ x p ( x ) ] =[ (0 0.08 )+(1 0.15 )+ (2 0.45 )+( 3 0.27 )+( 4 0.05)] 2.06 =0.9364
2
12
2. (Ejercicio 4.32. Miller y Freud). Suponga que las probabilidades son 0.4, 0.3, 0.2 y 0.1 de que
habr 0, 1, 2 o 3 fallas elctricas en cierta ciudad durante el mes de julio. Emplee las frmulas que
2
definen x y para encontrar
a) la media de esta distribucin de probabilidad
b) la varianza de esta distribucin de probabilidad directamente a partir de la definicin
c) la varianza de esta distribucin de probabilidad por medio de la formula abreviada
a)
3
E ( X )= x = x p ( x )=0 ( 0.4 ) +1 ( 0.3 ) +2 ( 0.2 )+3 ( 0.1 ) =1

x=0
b)
3
V ( X )= = ( x ) p ( x )=
2
x=0
( 01 )2 ( 0.4 )+ (11 )2 ( 0.3 )+ (21 )2 ( 0.2 ) + ( 31 )2 ( 0.1 ) =1

c)
( 02 0.4 ) + ( 12 0.3 ) + ( 22 0.2 ) + ( 32 0.1 ) +
E ( X )= = x 2 p ( x ) 2=
2
Tarea en Excel. La siguiente tabla indica las probabilidades de que cierta computadora funcionara
mal 0,1, 2, 3, 4, 5 o 6 veces cualquier da:
x
p (x )
0.17
0.29
0.27
0.16
0.07
0.03
0.01
Calcule lo siguiente:
a. E ( X )
b. V ( X ) directamente a partir de la definicin
c. La desviacin estndar de
X .
d. V ( X ) por medio de la formula abreviada
13
4. Distribucin de probabilidad binomial

Existen muchos experimentos que se ajustan exacta o aproximadamente a la siguiente lista de
requerimientos:
1. El experimento consta de una secuencia de
experimentos ms pequeos llamados
ensayos, donde n se fija antes del experimento.

2. Cada ensayo puede dar por resultado uno de los mismos dos resultados posibles (ensayos
dicotmicos), los cuales se denotan como xito ( E ) y falla ( F ) .
3. Los ensayos son independientes, de modo que el resultado en cualquier ensayo particular no
influye en el resultado de cualquier otro ensayo.
4. La probabilidad de xito es constante de un ensayo a otro; esta probabilidad se denota por
p .
Definicin. Un experimento para el que se satisfacen las condiciones 1-4 se llama experimento
binomial
Ejemplo
1. Lanzar una moneda diez veces. Sea
X = nmero de caras obtenidas.
2. Una mquina herramienta desgastada produce 1% de partes defectuosas. Sea
X =
nmero
de partes defectuosas en las siguientes 25 que se produzcan.

3. Un examen de opcin mltiple contiene diez preguntas, cada una con cuatro opciones, y se pide a
una persona que adivine las respuestas. Sea X = nmero de respuestas contestadas de manera
correcta.
4. De los siguientes 20 nacimientos en un hospital, sea
X = nmero de nias.
5. De todos los pacientes que padecen una enfermedad en particular, el 35% experimenta una
mejora con cierto medicamento. Para los siguientes 30 pacientes a los que se les administrar el
medicamento, sea X = nmero de pacientes que experimentan mejora
Cada uno de estos experimentos aleatorios pueden considerarse como formado por una serie de
ensayos repetidos; 10 lanzamientos de la moneda en el experimento (1), la produccin de 25 partes
en el experimento (2) y as sucesivamente. En cada caso, la variable aleatoria es el conteo del
nmero de ensayos que cumplen con un criterio especfico. Con esto, el resultado de cada ensayo
coincide o no con el criterio especifico y X cuenta o no; en consecuencia, cada ensayo puede
resumirse como xito o fracaso, respectivamente. Por ejemplo, en el experimento de opcin mltiple,
14
para cada una de las preguntas, slo la opcin que es correcta es la que se considera como un xito.
La seleccin de cualquiera de las otras tres opciones incorrectas da como resultado un ensayo que
puede resumirse como un fracaso.
A menudo es razonable suponer que los ensayos que forman el experimento aleatorio son
independientes. Esto implica que el resultado de uno de los ensayos no tiene ningn efecto sobre el
resultado que se obtenga en cualquier otro ensayo. En el experimento (2), la hiptesis de ensayos
independientes implica que saber que la parte nmero 5 es defectuosa, no tiene ningn efecto sobre
la probabilidad de que cualquiera de las dems partes sea defectuosa. As mismo, a menudo es
razonable suponer que la probabilidad de xito en cada ensayo es constante. En el experimento de
opcin mltiple [experimento (5)], si se supone que el sujeto que lleva a cabo la prueba no tiene
ningn conocimiento del tema y slo adivina la respuesta de cada pregunta, entonces puede
considerarse que la probabilidad de una respuesta correcta para cada pregunta es 1/4.
Variable aleatoria binomial y distribucin
En la mayora de los experimentos binomiales, lo que interesa es el nmero total de los xitos
( E) ,
en lugar del conocimiento de qu ensayos dieron los xitos.

Definicin. La variable aleatoria binomial
asociada con un experimento binomial que consiste
en n ensayos se define como

X =el numero de los E entre los n ensayos
La funcin de probabilidad de
es
n x
x
b ( x ; n , p )= n p ( 1 p ) , x=0, 1,2, , n
x
()
Ejemplo. Distribucin de probabilidad binomial
n=3
Cuando se interrumpe una torre de interconexin para servicio de telefona inalmbrica, rpidamente
se convierte en una costosa proporcin para la compaa telefnica, y el costo aumenta con el
tiempo en que es inoperable. De los registros de la compaa, se postula que la probabilidad es de
0.90 de que la interrupcin puede repararse en una hora. Para las siguientes tres interrupciones, en
diferentes das y diferentes torres,
a) Mencione todos los posibles resultados en trminos de xito,
fracaso,
S , reparando en una hora, y
F , que no se repara en una hora.
b) Encuentre la distribucin de probabilidad del nmero de xitos,
X , entre las 3 reparaciones.
a)
15
s
X ( s )=x
FFF
FFS
FSF
FSS
SFF
SFS
SSF
SSS
FFF
FFS
FSF
SFF
0
X ( s )=x
FSS
SFS
SSF
1
SSS
b) Los resultados de las reparaciones en diferentes das y diferentes torres son independientes.
Adems, la probabilidad de xito de 0.90 es la misma para cada reparacin.
P ( FFF )=P ( F ) P ( F ) P ( F )=( 1 p ) (1p ) ( 1 p ) =( 1 p )3=( 10.9 )3=0.001
3
30
0
b ( 0 ; 3,0.9 )=P ( FFF )=( 10.9 ) = 3 0.9 ( 10.9 ) =0.001
0
()
P ( FFS ) =P ( F ) P ( F ) P ( S )=( 1p ) ( 1 p ) p= p ( 1 p ) =0.9 ( 10.9 ) =0.009

P ( FSF )=P ( F ) P ( S ) P ( F ) =( 1 p ) p (1 p )= p (1p )2=0.9 (10.9 )2=0.009
P ( SFF ) =P ( S ) P ( F ) P ( F )= p ( 1 p ) ( 1 p )= p ( 1 p )2=0.9 ( 10.9 )2=0.009
2
31
b ( 1; 3,0.9 )=P ( FFS ) + P ( FSF ) + P ( SFF )=3 p ( 1 p ) = 3 0.91 ( 10.9 ) =0.027
1
()
P ( FSS )=P ( F ) P ( S ) P ( S )=( 1 p ) p p= p2 ( 1 p )=0.92 ( 10.9 )=0.081

P ( SFS ) =P ( S ) P ( F ) P ( S )= p ( 1 p ) p= p2 ( 1 p )=0.9 2 ( 10.9 )=0.081
P ( SSF )=P ( S ) P ( S ) P ( F )= p p ( 1 p )= p 2 ( 1 p ) =0.92 (10.9 )=0.081
32
b ( 2 ; 3,0.9 )=P ( FSS )+ P ( SFS ) + P ( SSF )=3 p2 (1 p )= 3 0.9 2 ( 10.9 ) =0.243
2
()
P ( SSS )=P ( S ) P ( S ) P ( S ) =p p p=p 3=0.93=0.729
16

33
b ( 3 ; 3,0.9 )=P ( SSS )=0.93 = 3 0.93 ( 10.9 ) =0.729
3
()
Ejemplo
1. Se afirma que en 60% de todas las instalaciones de calefaccin solar, la facturacin del servicio se
reduce en al menos un tercio. En concordancia, Cules son las probabilidades de que tal factura se
reducir en al menos un tercio en
a) cuatro de cinco instalaciones
b) al menos cuatro de cinco instalaciones?
a) Al sustituir
x=4, n=5
p=0.6
en
n x
b ( x ; n , p )= n p x ( 1 p )
x
()
54
4
P ( X=4 ) =b ( 4 ; 5,0.6 )= 5 0.6 ( 10.6 ) =0.259
4
()
b)
5
5x
5 4
55
P ( X 4 )= b ( x ; 5,0.6 )= 5 0.6 x ( 10.6 ) = 5 0.6 4 ( 10.6 ) + 5 0.65 ( 10.6 ) =0.259+0.078=0.337
4
5
x=4
x=4 x
()
()
()
2. A cada uno de seis bebedores de refrescos de cola seleccionados al azar se le sirve un vaso de
refresco de cola A y uno de refresco de cola B. Los vasos son idnticos en apariencia excepto por un
cdigo que viene en el fondo para identificar el refresco de cola. Suponga que en realidad no existe
una tendencia entre los bebedores de refresco de cola de preferir un refresco de cola al otro.
Entonces p=P (un individuo seleccionado prefiere A) 0.5 , as que con X = el nmero entre
los seis que prefieren A. En concordancia, Cules son las probabilidades de un individuo
seleccionado prefiera A en
a) tres de seis individuos prefieran A
b) al menos tres individuos prefieran A
c) cuando mucho uno individuo prefiera A
a) Al sustituir
x=3, n=6
p=0.5
en
17
n x
b ( x ; n , p )= n p x ( 1 p )
x
()
63
3
P ( X=3 )=b ( 3 ; 6,0.5 )= 6 0.5 ( 10.5 ) =0.3125
3
()

6
6x
63
64
65
P ( X 3 ) = b ( x ; 6,0.5 )= 6 0.5 x ( 10.5 ) = 6 0.53 (10.5 ) + 6 0.54 ( 10.5 ) + 6 0.55 ( 10.5 ) + 6 0.56 ( 1
3
4
5
6
x=3
x=3 x
()
()
()
()
()

1
6x
60
61
x
0
1
P ( X 1 )= b ( x ; 6,0.5 )= 6 0.5 ( 10.5 ) = 6 0.5 ( 10.5 ) + 6 0.5 ( 10.5 ) =0.015625+0.09375=0.1093
0
1
x=0
x=0 x
()
()
()
Utilizacin de tablas binomiales

Incluso con un valor relativamente pequeo de
n , el clculo de probabilidades binomiales es
tedioso. La tabla 1 del apndice (De Libro Miller y Freud pg. 504 a 508) tabula la funcin de
distribucin de probabilidad acumulativa F ( x )=P(X x) con n=2 a n=20 en combinacin
con valores seleccionados de
Notacin. Para
p .
X Bin ( n , p ) , la funcin de distribucin acumulativa ser denotada por

x
P ( X x )=B ( x ; n , p )= b ( k ; n , p ) x=0,1, 2, , n
k=0
Note que los valores de
b ( x ; n , p)
pueden obtenerse al restar las entradas adyacentes en la tabla
1. Puesto que las dos probabilidades acumuladas

trmino individual
B( x ;n, p)
B ( x1 ; n , p )
difieren por el
b ( x ; n , p)
b ( x ; n , p )=B ( x ; n , p )B ( x1 ; n , p )
18
Donde B (1 )=0 .
Ejemplos
1. Se afirma que en 60% de todas las instalaciones de calefaccin solar, la facturacin del servicio se
reduce en al menos un tercio. En concordancia, Cules son las probabilidades de que tal factura se
reducir en al menos un tercio en
P ( X=4 ) =b ( 4 ; 5,0.6 )=B ( 4 ; 5,0.6 ) B ( 41; 5,0.6 ) =?
19
P ( X=4 ) =b ( 4 ; 5,0.6 )=B ( 4 ; 5,0.6 ) B ( 41; 5,0.6 ) =0.92220.6630=0.2592

5
P ( X 4 )= b ( x ; 5,0.6 )=1B ( 3 ; 5,0.6 ) =?

x=4
P ( X 4 )= b ( x ; 5,0.6 )=1B ( 3 ; 5,0.6 ) =10.663=0.337

x=4
2. A cada uno de seis bebedores de refrescos de cola seleccionados al azar se le sirve un vaso de
refresco de cola A y uno de refresco de cola B. Los vasos son idnticos en apariencia excepto por un
cdigo que viene en el fondo para identificar el refresco de cola. Suponga que en realidad no existe
una tendencia entre los bebedores de refresco de cola de preferir un refresco de cola al otro.
Entonces p=P (un individuo seleccionado prefiere A) 0.5 , as que con X = el nmero entre
los seis que prefieren A. En concordancia, Cules son las probabilidades de un individuo
seleccionado prefiera A en
P ( X=3 )=b ( 3 ; 6,0.5 )=B ( 3 ; 6,0.5 )B ( 31 ; 6,0.5 )= ?
20
P ( X=3 )=b ( 3 ; 6,0.5 )=B ( 3 ; 6,0.5 )B ( 31 ; 6,0.5 )=0.65630.3438=0.3125

21
P ( X 3 ) = b ( x ; 6,0.5 )=1B ( 2; 5,0.5 )= ?

x=3
P ( X 3 ) = b ( x ; 6,0.5 )=1B ( 2; 5,0.5 )=10.3438=0.6562

x=3

1
P ( X 1 )= b ( x ; 6,0.5 )=?
x=0
P ( X 1 )= b ( x ; 6,0.5 )=0.1094
x=0
22
Tarea. Si la probabilidad es de 0.05 de que cierta columna de doble perfil caer bajo una carga axial
dada, Cules son las probabilidades de que, entre 16 de tales columna,
a) cuando mucho caern dos;
b) al menos caern cuatro?
Resolver mediante definicin, tablas de distribucin binomial y Excel.
Media, varianza y desviacin estndar de la distribucin binomial
Si
X Bin ( np ) , entonces
E ( X )= X =np ,
V ( X )= 2X =np ( 1 p )=npq
X = npq
(donde
q=1 p .
Ejemplo.
Si 75% de todas las compras en una tienda se hacen con tarjeta de crdito y
es el nmero
entre diez compras seleccionadas al azar realizadas con tarjeta de crdito, entonces
X Bin ( 10,0.75 ) . Calcule E ( X )= X , V ( X )= 2X , y X
E ( X )= X =np=( 10 )( 0.75 ) =7.5
V ( X )= 2X =np ( 1 p )=npq=( 10 )( 0.75 ) ( 10.75 )=1.875
X = npq= 1.875=1.369
Ejercicio 48 (Seccin 3.4 Devore). Cuando se utilizan tarjetas de circuitos en la fbrica de
reproductores de discos compactos se prueban; el porcentaje de defectuosas es de 5%. Sea X =
el nmero de tarjetas defectuosas en una muestra aleatoria de tamao
n=25 , as que
X Bin ( 25,0.05 )
a. Determine
P ( X 2) .
b. Determine
P ( X 5) .
c. Determine
P (1 X 4 ) .
d. Calcule el valor esperado y la desviacin estndar
a.
23

2
P ( X 2 )= b ( x ; 25,0.05 ) =?
x=0
P ( X 2 )= b ( x ; 25,0.05 ) =0.873
x=0
b.
25
P ( X 5 ) = b ( x ; 25,0.05 )=1B ( 4 ; 25,0.05 )=?

x=5
24
25
P ( X 5 ) = b ( x ; 25,0.05 )=1B ( 4 ; 25,0.05 )=10.993=0.007

x=5
c.
4
x=0
x=0
x=0
x=0
P (1 X 4 ) =P ( X 4 )P ( X 0 )= b ( x ; 25,0.05 ) b ( x ;25,0.05 )= ?
P (1 X 4 ) =P ( X 4 )P ( X 0 )= b ( x ; 25,0.05 ) b ( x ;25,0.05 )=0.9930.277=0.716
25
d.
E ( X )= X =np=( 25 )( 0.05 ) =1.25
V ( X )= 2X =np ( 1 p )=npq=( 25 )( 0.05 )( 10.05 )=1.1875
X = npq= 1.1875=1.0897
5. Distribucin de probabilidad de Poisson

Los experimentos que dan valores numricos de una variable aleatoria
X , el numero de
resultados que ocurren durante un intervalo dado o en una regin especfica, se llaman
experimentos de Poisson. El intervalo dado puede ser de cualquier longitud, como un minuto, un da,
una semana, un mes o incluso un ao. Por ello, un experimento de Poisson puede generar
observaciones para la variable aleatoria X que representa el nmero de llamadas telefnicas por
hora que recibe una oficina, el nmero de das que la escuela permanece cerrada debido a la nieve
durante el invierno o el nmero de juegos suspendidos debido a la lluvia durante la temporada de
beisbol. La regin especfica podra ser un segmento de lnea, un rea, un volumen o quizs una
pieza de material. En tales casos X puede representar el nmero de ratas de campo de acre, el
nmero de bacterias en un cultivo dado o el nmero de errores mecanogrficos por pgina. Un
experimento de Poisson se deriva del proceso de Poisson y tiene las siguientes propiedades:
1. El nmero de resultados que ocurren en un intervalo o regin especfica es independiente del
nmero que ocurre en cualquier otro intervalo o regin del espacio disjunto. De esta forma vemos
que el proceso de Poisson no tiene memoria.
2. La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una regin
pequea es proporcional a la longitud del intervalo o al tamao de la regin, y no depende del
nmero de resultados que ocurren fuera de este intervalo o regin.
3. La probabilidad de que ocurra ms de un resultado en tal intervalo corto o que caigan en tal
regin pequea es insignificante
El nmero
de resultados que ocurren durante un experimento de Poisson se llama variable
aleatoria de Poisson y su distribucin de probabilidad se llama distribucin de Poisson.

Definicin. Se dice que una variable aleatoria
( >0 ) si la funcin masa de probabilidad de
tiene una distribucin de Poisson con parmetro

X
es
x
e
(
)
p x; =
x=0,1, 2,
x!
26
El valor de
es con frecuencia un valor por unidad de tiempo o por unidad de rea.
La Tabla A.2 (pg. 666 y 667 de Devore) contiene la suma de la probabilidad de Poisson
x
F ( x ; )=
y=0
e
y!
para algunos valores selectos de
Media y varianza de
Si
que van de 0.1 a 20.
tiene una distribucin de Poisson con parmetro
, entonces
E ( X )=V ( X )= .
Ejemplo
1. Sea
el nmero de criaturas de un tipo particular capturadas en una trampa durante un
periodo determinado. Suponga que
tiene una distribucin de Poisson con
=4.5 , as que en
promedio las trampas contendrn 4.5 criaturas. Calcule:

a) la probabilidad de que una trampa contenga exactamente cinco criaturas
b) la probabilidad de que una trampa contenga cuando mucho cinco criaturas
c) la media, varianza y desviacin estndar
a) la probabilidad de que una trampa contenga exactamente cinco criaturas
P ( X=5 ) =
e4.5 ( 4.5 )5
=0.1708
5!
b) la probabilidad de que una trampa contenga cuando mucho cinco criaturas

5
P ( X 5 ) =
x=0
e4.5 ( 4.5 )x 4.5

( 4.5 )2 ( 4.5 )3 ( 4.5 )4 ( 4.5 )5
=e
1+ 4.5+
+
+
+
=0.7029
x!
2!
3!
4!
5!
c) la media, varianza y desviacin estndar

E ( X )===4.5
V ( X )= 2==4.5
27
= 2= 4.5=2.121
Ejercicios
1. (Ejercicio 79. Seccin 3.6. Devore). Sea
el nmero de imperfecciones superficiales de una

caldera seleccionada al azar de un tipo que tiene una distribucin de Poisson con parmetro =5 .
Use la tabla A.2 del apndice para calcular las siguientes probabilidades:
a.
P(X8)
b.
P ( X=8 )
c.
P ( 9 X )
d.
P (5 X 8 )
e.
P (5< X <8 )
a.
8
P ( X 8 )=
y=0
e
=F ( 8 ;5 )= ?
y!
28
P ( X 8 )=F ( 8 ; 5 )=0.932
b.
P ( X=8 )=F ( 8 ; 5 ) F ( 7 ; 5 )= ?
P ( X=8 )=F ( 8 ; 5 ) F ( 7 ; 5 )=0.9320.867=0.065
29
c.
P ( X 9 )=1P ( X 8 )=1F ( 8 ; 5 )= ?
P ( X 9 )=1P ( X 8 )=1F ( 8 ; 5 )=10.9320=0.068
d.
P (5 X 8 )=P ( X 8 )P ( X 4 )=F ( 8 ; 5 )F ( 4 ; 5 ) =?
30
P (5 X 8 )=P ( X 8 )P ( X 4 )=F ( 8 ; 5 )F ( 4 ; 5 ) =0.9320.440=0.492
e.
P (5< X <8 ) =P ( X 7 ) P ( X 5 )=F ( 7 ; 5 )F ( 5 ; 5 )=?
31
P (5< X <8 ) =P ( X 7 ) P ( X 5 )=F ( 7 ; 5 )F ( 5 ; 5 )=0.8670.616=0.251
2. (Ejercicio 81. Seccin 3.6. Devore). Suponga que el nmero de conductores que viajan entre un
origen y destino particulares durante un periodo designado tiene una distribucin de Poisson con
parmetro =20 . Cul es la probabilidad de que el nmero de conductores
a. sea cuando mucho 10?

b. sea de ms de 20?
c. sea de entre 10 y 20, inclusive?Sea estrictamente de entre 10 y y 20?
d. est dentro de dos desviaciones estndar del valor medio?
a.
P ( X 10 )=F ( 10; 20 )= ?
b.
P ( X >20 )=1F ( 20 ; 20 )=
c.
P (10 X 20 )=F ( 20 ; 20 ) F ( 9 ; 20 )= ?
P (10< X <20 ) =F ( 19 ;20 )F ( 10 ; 20 )=?
d.
E ( X )===20
= = ?
P ( 2 < X < + 2 )
Proceso de Poisson
32
Una aplicacin muy importante de la distribucin de Poisson surge en conexin con la ocurrencia de
eventos de algn tipo en el transcurso del tiempo. Eventos de inters podran ser visitas a un sitio
web particular, pulsos de alguna clase registrados por un contador, mensajes de correo electrnico
enviados a una direccin particular, accidentes en una instalacin industrial o lluvias de rayos
csmicos observados por astrnomos en un observatorio particular.
Para encontrar la probabilidad de x xitos durante un intervalo de tiempo de longitud T , el
intervalo se divide en n partes iguales de longitud t , de modo que T =n t , y se supone
que
1. La probabilidad de un xito durante un intervalo de tiempo muy pequeo
t .
est dada por
2. La probabilidad de ms de un xito durante tal intervalo de tiempo pequeo t es

despreciable.
3. La probabilidad de un xito durante tal intervalo de tiempo no depende de lo que ocurre antes
de ese tiempo.
Sea
Pk ( t )
la probabilidad de que
tiempo particular de duracin t .
eventos sern observados durante cualquier intervalo de
Proposicin.
Pk ( t )=et ( t )k / k !
de modo que el nmero de eventos durante un intervalo de tiempo de duracin t es una variable
de Poisson con parmetro =t . El nmero esperado de eventos durante cualquier intervalo de
tiempo es constante
.
t , as que el nmero esperado durante un intervalo de tiempo unitario es
La ocurrencia de eventos en el transcurso del tiempo como se describi se llama proceso de

Poisson; el parmetro especifica el ritmo del proceso.
Ejemplo.
1. Suponga que llegan pulsos a un contador a un ritmo promedio de seis por minuto, as que =6 .
Determinar la probabilidad de que en un intervalo de 0.5 min se reciba por lo menos un pulso.
El nmero de pulsos en el intervalo de tiempo de 0.5 min tiene una distribucin de Poisson con
parmetro =t=6 ( 0.5 )=3 . X = el nmero de pulsos recibidos en el intervalo de 30 seg.
33

3
P ( X 1 )=1P ( X=0 )=1
e ( 3)
=0.950
0!
2. Si un banco recibe en promedio =6 cheques malos por da, Cules son las probabilidades
de que recibir
a) 4 cheques malos cualquier da dado?
b) 10 cheques malos durante cualesquiera 2 das consecutivos?
a)
= t=( 6 ) ( 1 )=6
6
P ( X=4 ) =
e ( 6)
=0.134
4!
P ( X=4 ) =F ( 4 ; 5 )F ( 3 ; 5 )=?
34
P ( X=4 ) =F ( 4 ; 6 )F ( 3 ; 6 )=0.2850.151=0.134
b)
= t=( 6 ) ( 2 )=12
P ( X=10 ) =
e12 ( 12 )10
=0.1048
10 !
P ( X=10 ) =F ( 10 ; 6 )F ( 9 ; 6 )= ?
Tabla 2 del libro de Miller y Freud
35
P ( X=10 ) =F ( 10 ; 6 )F ( 9 ; 6 )=0.3470.242=0.105
6. Funciones de densidad de probabilidad continua

Una variable aleatoria (va) discreta es una cuyos valores posibles o constituyen un conjunto finito o
bien pueden ser puestos en lista en una secuencia infinita (una lista en la cual existe un primer
elemento, un segundo elemento, etc.). Una variable aleatoria cuyo conjunto de valores posibles es
un intervalo completo de nmeros no es discreta.
Una variable aleatoria X es continua si 1) sus valores posibles comprenden un solo intervalo
sobre la lnea de numeracin (para alguna
A < B , cualquier nmero

P ( X=c ) =0
valor posible) o una unin de intervalos disjuntos y 2)

sea un valor posible de
entre
para cualquier nmero
es un
c
que
X .
Ejemplo
1. En el estudio de la ecologa de un lago, se mide la profundidad en lugares seleccionados,
entonces X = la profundidad en ese lugar es una variable aleatoria continua. En este caso A
es la profundidad mnima en la regin muestreada y
es la profundidad mxima.
2. Si se selecciona al azar un compuesto qumico y se determina su pH
X , entonces
es una
variable aleatoria continua porque cualquier valor de pH entre 0 y 14 es posible. Si se conoce ms

sobre el compuesto seleccionado para su anlisis, entonces el conjunto de posibles valores podra
ser un subintervalo de [ 0,14 ] , tal como 5.5 x 6.5 pero X seguira siendo continua.
36
Se podra argumentar que aunque en principio las variables tales como altura, peso y temperatura
son continuas, en la prctica las limitaciones de los instrumentos de medicin nos restringen a un
mundo discreto (aunque en ocasiones muy finamente subdividido). Sin embargo, los modelos
continuos a menudo representan muy bien de forma aproximada situaciones del mundo real y con
frecuencia es ms fcil trabajar con matemticas continuas (el clculo) que con matemticas
discretas y distribuciones.
Distribuciones de probabilidad de variables continuas
Definicin. Sea
una variable aleatoria continua. Entonces, una distribucin de probabilidad o
funcin de densidad de probabilidad (fdp) de

a
cualesquiera
y b
es una funcin
f (x)
tal que para dos nmeros
con a b ,
P ( a X b ) = f ( x ) dx
a
Es decir, la probabilidad de que
asuma un valor en el intervalo
[ a , b ] es el rea sobre este
intervalo y bajo la grfica de la funcin de densidad, como se ilustra en la figura siguiente. La grafica
de f ( x ) a menudo se conoce como curva de densidad .
Para que
f (x)
sea una funcin de densidad de probabilidad legtima, debe satisfacer las dos
siguientes condiciones:
1. f ( x ) 0
con todas las
2.
f ( x ) dx=rea bajo la curva f ( x )=1
Definicin. Se dice que una variable aleatoria continua

intervalo
tiene una distribucin uniforme en el
[ A , B ] si la funcin de densidad de probabilidad de X es
1
f ( x ; A , B )= B A A x B
0 de lo contrario
37
La grfica de cualquier funcin de densidad de probabilidad uniforme es como la de la figura

siguiente excepto que el intervalo de densidad positiva es [ A , B ] en lugar de [ 0,360 ]
Ejemplo
1. Clculo de probabilidad a partir de la funcin de probabilidad. Si una variable aleatoria tiene la
densidad de probabilidad
2 x
f ( x )= 2 e para x >0
0 para x 0
Encuentre las probabilidades de que tomar un valor

a) entre 1 y 3
b) mayor que 0.5
a) entre 1 y 3
e v dv=e v +c
v =2 x
dv=2 dx
3
2 e2 x dx =2 e2 x dx=
1
3
3
2
e2 x (2 ) dx=1 ( e2 x )|1=e2 x|1=
2 1
e2 ( 3 )(e2( 1) )=e6 +e2=0.1328

b) mayor que 0.5
38
2e
2 x
0.5
dx=2 e
2 x
0.5
2
dx=
e2 x (2 ) dx=1 ( e2 x )|0.5=e2 x|0.5=
2 0.5
e2 ( )(e2 (0.5 )) =e1=0.3678
2. Intervalo de tiempo en el flujo de trnsito es el tiempo transcurrido entre el tiempo en que un

carro termina de pasar por un punto fijo y el instante en que el siguiente carro comienza a pasar por
ese punto. Sea X = el intervalo de tiempo de dos carros consecutivos seleccionados al azar en
una autopista durante un periodo de trfico intenso. La siguiente funcin de densidad de probabilidad
de X es en esencia el sugerido en The Statistical Properties of Freeway Traffic:
0.15 ( x0.5 )
para x 0.5
f ( x )= 0.15 e
de
lo contrario
0
Encuentre las probabilidades de que el intervalo de tiempo tomar un valor

a) mayor o igual que 0.5
b) cuando mucho de 5 segundos
a) mayor o igual que 0.5
e v dv=e v +c
v =0.15 x
dv=0.15 dx
0.15 e
0.15( x0.5 )
0.5
dx=0.15 e
0.15 x+0.075
0.5
0.15 e 0.075 e0.15 x dx=

0.5
dx=0.15 e0.15 x e0.075 dx=

0.15
0.15 0.075
e e0.15 x (0.15 ) dx=e0.075 e0.15 x|0.5=
0.15
0.5
e0.075 e0.15 ( ) [e 0.075 e0.15 (0.5 ) ] =0+ e0.075 e0.15( 0.5)=e0.0750.075=1
39
b) cuando mucho de 5 segundos

5
0.15 e0.15( x0.5 ) dx=0.15 e0.15 x+0.075 dx=0.15 e0.15 x e0.075 dx=
0.5
0.5
0.15 e
0.075
0.15
0.15 x
0.5
5
0.15 0.075
dx=
e e0.15 x (0.15 ) dx=e0.075 e0.15 x|0.5=
0.15
0.5
e0.075 e0.15 ( 5)[ e 0.075 e0.15 (0.5 ) ] =e0.0750.75 +e 0.0750.075=e0.675 +e 0=

0.50915+ 1=0.4908
X
3. Suponga que la temperatura de reaccin

distribucin uniforme con A=5 y B=5 .
a. Calcule P ( X <0 )
b. Calcule
P (2.5< X <2.5 )
c. Calcule
P (2 X 3 )
(en C) en cierto proceso qumico tiene una
1
f ( x ; A , B )= B A A x B
0 de lo contrario
P ( X <0 )
a. Calcule
0
1
1
1
1 0
1
1
5
P ( X <0 ) =
dx= dx = dx= x|5= ( 0 ) (5 )= =0.5
10 5
10
10
10
10
5 5( 5 )
5 10
b. Calcule
P (2.5< X <2.5 )
2.5
P (2.5< X <2.5 )=
2.5
2.5
2.5
1
1
1
1 2.5
dx=
dx=
dx= x|2.5 =
10 2.5
10
5(5 )
2.5 10
1
1
2.5 2.5
( 2.5 ) (2.5 )=
+
=0.5
10
10
10 10
c. Calcule
P (2 X 3 )
3
1
1
1
1 3
P (2 X 3 )=
dx= dx= dx= x|2=
10 2
10
2 5 (5 )
2 10
40
1
1
3 2
( 3 ) (2 )= + =0.5
10
10
10 10
Valores esperados
Para una variable aleatoria discreta
E(X)
se obtuvo sumando
x p(x)
a lo largo de
X . Aqu se reemplaza la suma con la integracin y la funcin masa de
posibles valores de
probabilidad por la funcin de densidad de probabilidad para obtener un promedio ponderado

continuo.
Definicin. El valor esperado o valor medio de una variable aleatoria continua

densidad de probabilidad
f (x)
con funcin de
es
X =E ( x ) = x f ( x ) dx
Definicin. La varianza de una variable aleatoria continua

f (x)
probabilidad
y el valor medio
con funcin de densidad de
es
=V ( X )= ( x ) f ( x ) dx= x 2 f ( x ) dx2
2
x
La desviacin estndar (DE) de
es
x = V ( X )
Ejemplo
1. La distribucin de la cantidad de grava (en toneladas) vendida por una compaa de materiales
para la construccin particular en una semana dada es una variable aleatoria continua X con
funcin de densidad de probabilidad
3
2
f ( x )= 2 ( 1x ) 0 x 1
de lo contrario
0
Determine
a. x =E ( X )
2
b. x =V ( X )
y x
41
a.
1
3
3
3
3 x2 x4
x =E ( X )= x ( 1x2 ) dx= x ( 1x 2 ) dx= xx 3 dx=
2
20
20
2 2 4
0
[(
)| =
0
)] [( 12 14 )]= 32 [ 14 ]= 38
3 12 14
02 04
3

=
2 2 4
2 4
2
)(
b.
1
x 2 32 ( 1x 2 ) dx= 32 x 2 ( 1x 2 ) dx= 32 x2 x 4 dx=

0
0
0
3 x x
2 3 5
)| (
=
3 1 1
3 1 1 3 53 3 2
6 3 1
0=
=
= = = =
2 3 5
2 3 5 2 15
2 15 30 15 5
) ( )
2
1 3
1 9 6445 19
(
)
=V X =
= =
=
=0.059
5 8
5 64
320
320
()
2
x
x = 0.059=0.243
7. Distribucin normal
La distribucin normal es la ms importante en toda la probabilidad y estadstica. Muchas
poblaciones numricas tienen distribuciones que pueden ser representadas muy fielmente por una
curva normal apropiada. Los ejemplos incluyen estaturas, peso y otras caractersticas fsicas, errores
de medicin en experimentos cientficos, mediciones de inteligencia y aptitud, calificaciones en varios
exmenes y numerosas medidas e indicadores econmicos. Incluso cuando la distribucin
subyacente es discreta, la curva normal a menudo da una excelente aproximacin.
X
Definicin. Se dice que una variable aleatoria continua

parmetros
(o y 2)
donde
< <
tiene una distribucin normal con

>0 , si la funcin de densidad de
probabilidad de X es
1 ( x ) /2
f ( x ; , 2 )=
e
< x <
2
2
42
Distribucin normal estndar

=0
=1
Definicin. La distribucin normal con valores de parmetros
y
se llama
distribucin normal estndar. Una variable aleatoria que tiene una distribucin normal estndar se
llama variable aleatoria normal estndar y se denotar por Z . La funcin de densidad de
probabilidad de Z es
f ( z ; 0,1 )=
1 z /2
e
< z<
2
La grfica de
f ( z ; 0,1 )
se llama curva normal estndar
( o z ) . La funcin de distribucin
acumulativa de
es
P ( Z z )= f ( y ; 0,1 ) dy , la cual ser denotada por
( z)
Las probabilidades acumuladas F ( z ) corresponden al rea bajo la densidad normal estndar a la

izquierda de z , como indica el rea sombreada de la figura 5.4
Para encontrar la probabilidad de que una variable

aleatoria que tiene la distribucin normal estndar
tomar un valor entre a y b , se usa la
ecuacin
P ( a<Z b )=F ( b )F ( a )
como se ilustra el rea sombreada de la figura 5.5. En ocasiones tambin se usa la identidad
F (z ) =1F ( z ) , que se sostiene para todas las distribuciones simtricas con centro alrededor de
0.
43
La tabla A.3 del apndice (del libro de Devore), da ( z )=P ( Z z ) , el rea bajo la curva de
densidad normal estndar a la izquierda de z con z=3.49,3.48, ,3.49 . La figura 4.14 ilustra
el tipo de rea acumulativa tabulada en la tabla A.3. Con esta tabla, varias probabilidades que
implican Z
Ejemplo
pueden ser calculadas.
1. Determnense las siguientes probabilidades normales estndar:

a) P ( Z 1.25 )
b)
P ( Z >1.25 )
c)
P ( Z 1.25 )
d)
P (0.38 Z 1.25 )
a)
P ( Z 1.25 )= ( 1.25 )
44
P ( Z 1.25 )= ( 1.25 )=0.8944

b)
P ( Z >1.25 )
P ( Z >1.25 )=1P ( Z 1.25 )=10.8944=0.1056

c)
P ( Z 1.25 )
45
P ( Z 1.25 )=0.1056
d)
P (0.38 Z 1.25 )
46
P (0.38 Z 1.25 ) =F ( b ) F ( a ) =0.89440.3520=0.5424
2. Determine las probabilidades de que una variable aleatoria que tiene la distribucin normal
estndar tomar un valor
P ( 0.87 Z 1.28 )
a) entre 0.87 y 1.28.
P (0.34 Z 0.62 )
b) entre -0.34 y 0.62.

c) mayor que 0.85.
d) mayor que -0.65.
a)
P ( Z >0.85 )
P ( Z >0.65 )
P ( 0.87 Z 1. 28 )
P ( 0.87 Z 1. 28 ) =F ( b ) F ( a ) =0.8 9970.8078=0. 0919
47
b)
P (0.34 Z 0.62 )
P (0.34 Z 0.62 )=F ( b )F ( a )=0 .73240 .3669=0 .3655
48
c)
P ( Z >0.85 )
P ( Z >0.85 )=1P ( Z 0.85 ) =10. 8023=0.1977
d)
P ( Z >0.65 )
P ( Z >0.65 )=1 [ 1P ( Z 0. 6 5 ) ]=1[10.74 2 2]=0.7422
49
50

Distribuciones de Probabilidad Discreta2

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Distribuciones de Probabilidad Discreta2

Încărcat de

Drepturi de autor:

Formate disponibile

Apuntes de Probabilidad y Estadstica

** Distribuciones de probabilidad discretas **

de algn experimento, una variable aleatoria (va) es

cualquier regla que asocia un nmero con cada resultado en

S . En lenguaje matemtico, una

Las variables aleatorias se denotan mediante letras maysculas

X , Y , etctera, para distinguirlas

Y = 1 si el numero seleccionado no aparece en el directorio

Si 7727350 no aparece en el directorio, entonces

M.C. LEONARDO A. MEDINA R.

Apuntes de Probabilidad y Estadstica

2. En la siguiente tabla se muestran los resultados de un experimento en el cual se determin el

X =el nmero total de bombas enuso en las dos gasolinerias

Si s=( 2,3 ) , entonces

X ( ( 2,3 ) ) =2+ 3=5

Si s=( 2,3 ) , entonces Y ( ( 2,3 ) )=23=1

tipo de falla de cada una. Sea

el nmero de vigas entre las tres seleccionadas que fallaron

M.C. LEONARDO A. MEDINA R.

Apuntes de Probabilidad y Estadstica

Dos tipos de variables aleatorias

2. Distribuciones de probabilidad para variables aleatorias discretas

Las probabilidades asignadas a varios resultados en

determinan a su vez las probabilidades

asociadas con los valores de cualquier variable aleatoria

Definicin. La probabilidad de que

las probabilidades de todos los puntos muestrales en

P (Y = y ) , se define como la suma de

a los que se asigna el valor

Definicin. La distribucin de probabilidad para una variable discreta

puede ser representada

La distribucin de probabilidad siempre satisface las condiciones:

M.C. LEONARDO A. MEDINA R.

Apuntes de Probabilidad y Estadstica

1.Una cierta gasolinera tiene seis bombas. Sea

el nmero de bombas que estn en servicio a

una hora particular del da. Suponga que la distribucin de probabilidad de

a) Determine la probabilidad de que cuando mucho dos bombas estn en servicio

2. Compruebe si las siguientes expresiones sirven como distribuciones de probabilidad:

a) Esta funcin no sirve como distribucin de probabilidad por que

M.C. LEONARDO A. MEDINA R.

Apuntes de Probabilidad y Estadstica

M.C. LEONARDO A. MEDINA R.

Apuntes de Probabilidad y Estadstica

Una probabilidad de 0.5 se asigna al valor 0 de

X , una probabilidad de 0.167 se asigna al valor 1

y la probabilidad 0.333 se asocia con el valor 2 de

junto con sus

probabilidades especifican la distribucin de probabilidad.

M.C. LEONARDO A. MEDINA R.

Apuntes de Probabilidad y Estadstica

Funcin de distribucin acumulativa

con distribucin de probabilidad

de una variable aleatoria discreta

se define para cada nmero

Para cualquier nmero

es la probabilidad de que el valor observado de

en la siguiente tabla es:

para cada uno de los valores posibles del conjunto

F ( 1 )=P ( Y 1 )=P ( Y =1 )= p (1 )=0.4

ser igual al valor de

con el valor ms prximo

M.C. LEONARDO A. MEDINA R.

Distribuciones de probabilidad discretas