Tema 2

Probabilidad. Variables aleatorias

2.1 Fundamentos de probabilidad
Hay que distinguir entre dos tipos de experimentos o fen omenos: aleatorios y deterministas. Los
fen omenos deterministas son los que obedecen a una relaci on causa-efecto y al variar poco las causas
vara poco el efecto.
Un experimento aleatorio es aquel que proporciona resultados diferentes aun cuando se repita de
la misma manera.
Ejemplos:
Lanzamiento de una moneda
Si seleccionamos tres artculos al azar de un proceso de fabricaci on y contabilizamos los que son
defectuosos.
Energa que consume una reacci on qumica en diferentes laboratorios
Veamos antes algunas deniciones. El conjunto de todos los resultados de un experimento aleatorio
recibe el nombre de espacio muestral. Lo denotaremos con S.
Ejemplos:
Lanzamiento de una moneda, S = {cara, cruz}
Si seleccionamos tres artculos al azar de un proceso de fabricaci on y contabilizamos los que son
defectuosos, S = {0, 1, 2, 3}.
Energa que consume una reacci on qumica en diferentes laboratorios: S R
El espacio muestral es discreto si tiene un n umero nito o innito numerable de elementos; y es
continuo si consiste en uno o varios intervalos de la recta real.
Un evento o suceso del espacio muestral es un subonjunto de resultados contenidos en este. El
espacio muestral se conoce tambien con el nombre de suceso seguro (siempre ocurre). El suceso que
1
2 Tema 2. Probabilidad. Variables aleatorias
no contiene ning un resultado del espacio muestral recibe el nombre de suceso nulo o suceso imposible.
Lo denotamos con . Por ser conjuntos aplicamos teora de conjuntos.
Un suceso ser a compuesto si es uni on de dos o m as sucesos elementales. Las operaciones que se
pueden llevar a cabo entre sucesos son las siguientes:
El suceso uni on de A y B, denotado por A B, es el suceso formado por todos los posibles
resultados de A, de B o de ambos.
El suceso intersecci on de A y B, denotado por A B es el suceso formado por los resultados
comunes a A y a B.
Dos sucesos son mutuamente excluyentes, incompatibles o disjuntos si no tienen resultados en
com un, es decir, A B =.
Si cualquier resultado de A es tambien resultado de B, entonces A est a contenido en B y se
denota por A B.
El complementario de un suceso A es aquel suceso que contiene a todos los resultados que no
est an en A. Lo denotamos A
c
.
Ejemplo 2.1 Tiempo en minutos necesario para completar el ensamblaje de una m aquina
S = {1, 2, 3, . . .}.
E
1
= {x|1 x < 10} = {1, 2, . . . , 9} y E
2
= {x|3 < x < 118} = {4, 5, . . . , 117}.
El suceso E
1
E
2
= {x|1 x < 118} = {1, 2, . . . , 117},
E
1
E
2
= {x|3 < x < 10} = {4, 5, . . . , 9}.
El suceso E
c
1
= {x|x 10} = {10, 11, . . .}.
Otro ejemplo E
c
1
E
2
= {x|10 x < 118} = {10, . . . , 117}
Ahora podemos dar las interpretaciones de probabilidad:
Objetiva (Frecuentista)
Deducida l ogicamente. Al tirar una moneda la probabilidad de que salga cara es 1/2 o al
sacar una carta de una baraja de 40 cartas la probabilidad de que salga el as de oros es
1/40. Si todos los casos son igualmente probables (equiprobables) la probabilidad de un
suceso esn es el n umero de casos favorables dividido entre el n umero total de casos.
Obtenida del experimento. El n umero de veces que ocurre el suceso dividido entre el n umero
de repeticiones del experimento.
Subjetiva, basada en un grado de creencia. La probabilidad de que mi equipo gane el partido de
ma nana es 0.9.
Francisco Parre no. 2006
2.1 Fundamentos de probabilidad 3
2.1.1 Axiomas de probabilidad
La probabilidad es un n umero que se asigna a cada suceso de un experimento aleatorio y cumple:
1. P(S) = 1
2. 0 P(E) 1, E S
3. Para dos sucesos E
1
y E
2
, tales que E
1
E
2
= : P(E
1
E
2
) = P(E
1
) +P(E
2
)
Consecuencias:
P() = 0.
P(E
c
) = 1 P(E).
Si E
1
E
2
P(E
1
) P(E
2
).
Ejemplo 2.2 La tabla siguiente presenta un resumen del an alisis realizado a las echas de un com-
presor para determinar el grado con que estas satisfacen ciertos requerimientos.
La curvatura cumple
con los requerimientos
si no
El acabado supercial si 345 5
cumple requerimientos no 12 8
a) Si se toma una echa al azar, cu al es la probabilidad de que cumpla con los requerimientos de
acabado supercial?
b) Cu al es la probabilidad de que la echa seleccionada cumpla con los requisitos de acabado o con
los de curvatura?
c) Cu al es la probabilidad de que la echa cumpla con los requisitos de acabado o que no cumpla
con los de curvatura?
d) Cu al es la probabilidad de que la echa cumpla con los requisitos de acabado y curvatura?
Soluci on:
A = curvatura.
B = acabado supercial.
a)P(A) = 350/370 = 0.9459
b)|A B| = 362, P(AUB) = 362/370 = 0.9783784
c)|A B
c
| = 358, P(A B
c
) = 358/370 = 0.9675
d) |A B| = 345, P(A B) = 345/370 = 0.9324324
Francisco Parre no. 2006
4 Tema 2. Probabilidad. Variables aleatorias
Ejemplo 2.3 (Continuaci on del ejemplo anterior) Las echas se clasican, adem as, en terminos de
la m aquina herramienta utilizada en su fabricaci on.
Maquina herramienta 1
La curvatura cumple
con los requerimientos
si no
El acabado supercial si 200 1
cumple requerimientos no 4 2
Maquina herramienta 2
La curvatura cumple
con los requerimientos
si no
El acabado supercial si 145 4
cumple requerimientos no 8 6
a) Si se elige una echa al azar, cu al es la probabilidad de que cumpla con los requerimientos de
acabado o con los de curvatura, o que provenga de la m aquina herramienta l?
b) Si se escoge una echa al azar, cu al es la probabilidad de que cumpla con los requerimientos de
acabado o que no cumpla con los de curvatura o que provenga de la m aquina herramienta 2?
c) Si se elige una echa al azar, cu al es la probabilidad de que cumpla con los requisitos de acabado
y curvatura o que provenga de la m aquina herramienta 2?
d) Si se toma una echa al azar, cu al es la probabilidad de que cumpla con los requisitos de acabado
o que provenga de la m aquina herramienta 2?
Soluci on:
A=acabado, B=Curvatura, C1=herramienta 1, C2=herramienta 2
a)El conjunto A B C1 est a compuesto por 364, por tanto P(A B C1) = 364/370 = 0.9837
b)El conjunto A
c
B C2 est a compuesto por 366 elementos P(A
c
B C2) = 366/370 =
0.9891892
c)El conjunto (A B) C2 tiene 363elementos por tantoP((A B) C2) = 363/370 = 0.981081
d)|A C2| = 364, P(A C2) = 367/370 = 0.9837838
Francisco Parre no. 2006
2.1 Fundamentos de probabilidad 5
2.1.2 Regla de adicci on
P(A B) = P(A) +P(B) P(A B)
A A B B
El resultado puede generalizarse a cualquier n umero de conjuntos:
P(A B C) = P(A) +P(B) +P(C) P(A B) P(A C) P(B C) +P(A B C)
El caso de la intersecci on no es tan sencillo.
2.1.3 Probabilidad condicional
A medida que vamos obteniendo informaci on, puede cambiar la probabilidad de un suceso.
Ejemplo 2.4 Un canal de comunicaci on digital tiene una tasa de error de 1 bit por cada 1000 trans-
mitidos. Lo errores son raros, pero, cuando se presentan, tienden a ocurrir en rachas que pueden
afectar a muchos bits consecutivos.
Por tanto si se transmite 1 bit, la probabilidad de que sea err oneo es 1/1000. Sin embargo, si el
bit anterior es err oneo, puede pensarse que la probabilidad de que sea err oneo es mayor que 1/1000.
Ejemplo 2.5 Dos moleculas raras tienden a encontrarse juntas. La probabilidad de que una muestra
de aire contenga alguna de las moleculas es peque na. Sin embargo, si sabemos que ha aparecido en
una de ellas, la probabilidad de que aparezca la otra es muy alta.
Ejemplo 2.6 En un proceso de manufactura, el 10% de las piezas tiene fallos en la supercie. La
probabilidad de que una pieza sea funcionalmente defectuosa depende de los fallos en la supercie. Si
tiene fallo en supercie, la probabilidad de defecto es 0.25. Si no, la probabilidad de defecto es 0.05.
Se dene la probabilidad del suceso A condicionado al suceso B como:
P(A/B) =
P(A B)
P(B)
Por tanto en el ejemplo anterior. Si denimos A como el suceso de que la pieza sea defectuosa y B
como el suceso de que tenga fallo en supercie. La probabilidad de que sea defectuosa sabiendo que
tiene fallo en supercie P(A/B) = 0.25 y P(A/B
c
) = 0.05.
Francisco Parre no. 2006
6 Tema 2. Probabilidad. Variables aleatorias
2.1.4 Regla de multiplicaci on
P(A B) = P(A/B) P(B)
2.1.5 Independencia
Dos sucesos son independientes si la probabilidad de uno no es afectado por la ocurrencia del otro.
P(A) = P(A/B) P(A B) = P(A) P(B)
Notar que es diferente de ser disjuntos. Esto depende de la denici on de sucesos. En cambio, la
independencia depende del modelo de probabilidad.
Ejemplo 2.7 Un lote de 500 contenedores para jugo de naranja congelado contiene cinco que est an
defectuosos. Se toman del lote dos al azar, sin remplazo.
a) Cu al es la probabilidad de que el segundo contenedor sea defectuoso si el primero lo fue?
b) Cu al es la probabilidad de que los dos contenedores sean defectuosos?
c) Cu al es la probabilidad de que ambos contenedores sean aceptables?
Soluci on:
D2=Segundo Defectuoso, D1=Primero Defectuoso
a)P(D2/D1) = 4/499
b)P(D1 D2) = P(D1) P(D2/D1) = 5/500 4/499
c)P(B1 B2) = P(B1) P(B2/B1) = 495/500 494/499 = 0.98
2.1.6 Regla de probabilidad total
P(B) = P(B A) +P(B A
c
) = P(B/A) P(A) +P(B/A
c
) P(A
c
)
B A B A
c
A A
c
Francisco Parre no. 2006
2.1 Fundamentos de probabilidad 7
Ejemplo 2.8 Suponga que el 2% de los rollos de tela de algod on son defectuosos, al igual que el 3%
de los rollos de tela de nylon. De los rollos utilizados por un fabricante, 70% son de algod on y 30% son
de nylon. Cu al es la probabilidad de que al seleccionar al azar uno de los rollos este sea defectuoso?
Soluci on:
D = defectuoso, A = algod on, N = nylon
Por la regla de probabilidad total
P(D) = P(D A) +P(D N) = P(D/A)P(A) +P(D/N)P(N)
P(D) = (0.7)(0.02) + (0.3)(0.03) = 0.023
Ejemplo 2.9 La irregularidad del corte de productos de papel aumenta a medida que las hojas de la
cuchilla se desgastan. S olo el 1% de productos cortados con cuchillas nuevas tienen cortes irregulares,
el 3% de los cortados con cuchillas de lo promedio exhiben irregularidades y el 5% de los cortados
con cuchillas desgastadas presentan irregularidades. Si el 25% de las cuchillas utilizadas en el proceso
de corte son nuevas, el 60% tiene un lo promedio y el 15% de las cuchillas est an desgastadas, cu al
es la proporci on de productos que tendr an cortes irregulares?
Soluci on:
Aplicamos probabilidad total
P(cortes irregulares)=P(nueva e irregulares) + P(promedio e irregulares) + P(desgatadas e irre-
gulares) = 0,028
2.1.7 Teorema de bayes
Dado {A
i
}
n
i=1
una serie de sucesos del espacio muestral tales que A
i
A
j
= i = j y cumpliendo que

{A
i
}
n
i=1
= S. Sabiendo que ha ocurrido el suceso B y conocidas P(A
i
) y P(B/A
i
) desde i = 1, . . . n.
P(A
k
/B) =
P(A
k
B)

i=k
P(A
i
B)
=
P(A
k
) P(B/A
k
)

i=k
P(A
i
) P(B/A
i
)
Ejemplo 2.10 En una etapa de la producci on de un articulo se aplica soldadura y para ello se usan
tres robots diferentes. La probabilidad de que la soldadura sea defectuosa vara para cada robot, as
como la proporci on de artculos que procesa.
Robot Prob. Defecto Proporci on procesa
A 0,002 18%
B 0,005 42%
C 0,001 40%
Proporci on global de defectos producida por los tres robots?
Francisco Parre no. 2006
8 Tema 2. Probabilidad. Variables aleatorias
Si tomo un artculo al azar y resulta con defecto en soldadura, cu al es la probabilidad de que
haya sido soldado por el robot A?
Soluci on:
Sea D=total defectuosos, SR
i
=haya sido soldado por el robot i = A, B, C.
a)P(D) = P(D SR
A
) +P(D SR
B
) +P(D SR
C
)
= P(D/SR
A
) P(SR
A
) +P(D/SR
B
) P(SR
B
) +P(D/SR
C
) P(SR
C
)
= 0.002 0.18 + 0.005 0.42 + 0.001 0.40 = 0.00286
b)P(SR
A
/D) = P(SR
A
D)/P(D) = (P(D/SR
A
)P(SR
A
))/P(D)(0.0020.18)/0.00286 = 0.1258741.
Ejemplo 2.11 El circuito siguiente trabaja si, y s olo si, existe una trayectoria en funcionamiento, de
izquierda a derecha. El dibujo indica la probabilidad de que cada dispositivo funcione. Supongamos que
la probabilidad de que un dispositivo funcione no depende del funcionamiento de los dem as dispositivos.
Cu al es la probabilidad de que el circuito funcione?.
Soluci on:
P(funcione) = P(A U B) = P(A)+P(B)-P(AB)= 0.933912
P(A) = P(A1 A2 A3) = P(A1) P(A2) P(A3) = 0.9 0.9 0.8 = 0.648
P(B) = P(B1 B2 B3) = P(B1) P(B2) P(B3) = 0.95 0.95 0.9 = 0.81225
P(A B) = P(A) P(B) = 0.526338.
2.2 Variables aleatorias
Con frecuencia el interes de una muestra puede resumirse mediante un valor numerico. Como el
resultado del experimento aleatorio no se conoce por anticipado, tampoco el valor numerico.
Por ello, la variable (funci on) que asocia un n umero con el resultado de un experimento aleatorio
se le conoce como variable aleatoria.
Notaci on: X may uscula es la variable y x min uscula el valor que toma esa variable.
Francisco Parre no. 2006
2.2 Variables aleatorias 9
2.2.1 Variable aleatoria discreta
Variable aleatoria con un n umero nito ( o innito numerable) de valores.
Distribuci on de probabilidad
La distribuci on de probabilidad asocia a cada valor de la variable la probabilidad de tomar ese valor.
La funci on f
X
(x) = P(X = x) es la funci on de probabilidad y cumple:
1. f
X
(x) 0 x
2.

x
f
X
(x) = 1
La funci on F
X
(x) = P(X x) =

x
j
x
f
X
(x
j
) es la funci on de distribuci on (acumulada) y
cumple:
1. 0 F
X
(x) 1x
2. Si x y F
X
(x) F
X
(y)
El Valor esperado o media de una variable aleatoria se denota por
X
= E(X) =

xf
X
(x).
Ejemplo 2.12 Comparar dos productos en cuanto la ganancia esperada, con el producto A se gana
exactamente 3 millones de euros y con el producto B tenemos una probabilidad 0.3 de ganar 7 millones
y 0.7 de ganar 2 millones de euros.
El valor esperado del producto A es E(A) = 3 millones y para el producto B, E(B) = 0.37+0.72 =
3.5 millones.
Por tanto, tenemos mayor ganancia esperada para el producto B, pero el producto B tambien tiene
mayor variabilidad.
La Varianza de una variable aleatoria se dene como
2
X
= E(X
X
)
2
=

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

x
x
2
f
X
(x)
2
X
y la desviaci on est andar como
X
= +
_

2
X
.
Propiedades de la media y varianza de cualquier variable aleatoria
Sea X una variable aleatoria, la media de X =
X
= E(X) cumple:
1. E(c) = c c constante
2. E(cX) = cE(X) c constante
3. E(a +bX) = a +bE(X) a, b constantes
Francisco Parre no. 2006
10 Tema 2. Probabilidad. Variables aleatorias
Para la varianza se cumple:
1. V ar(c) = 0 c constante
2. V ar(a +bX) = b
2
V ar(X) a, b constantes
Distribuci on binomial
La distribuci on binomial se reere a sucesos que aparecen en una serie de experimentos aleatorios,
basados en varias hip otesis:
1. Serie de pruebas identicas, cada una con 2 resultados posible (exito-fracaso) cada una de
ellas se le conoce como un proceso de Bernouilli. X Ber(), X tiene dos valores posibles 0
con prob. 1 y 1 con prob. .
2. La probabilidad de exito , es constante en todas las pruebas.
3. Las pruebas son independientes.
A X =n umero de exitos en n pruebas, con X Bi(n, ). Este proceso aparece muy a menudo en
todos los campos.
Calculo de probabilidades:
Los valores posibles de la variable X son desde el 0, 1, . . . , n. Suponer que queremos calcular
P(X = k) con X Bi(5, ), supongamos tambien que k = 2, entonces tendremos 2 exitos y 3
fracasos. Una ordenaci on posible sera EEFFF (E=exito, F=Fracaso), otra EFEFF, EFFEF ,etc.
Tenemos
_
5
2
_
ordenaciones es el n umero de maneras de elgir 2 posiciones de 5. Si calculamos la
probabilidad de una ordenaci on, que ser a la misma para todas las ordenaciones sera
2
(1 )
3
. Por
tanto tendramos que:
P(X = k) = P(una ordenaci on) P(n
o
ordenaciones) =
_
5
2
_

2
(1 )
3
.
Sea:
X Bi(n, ) P(X = k) =
_
n
k
_

k
(1 )
(nk)
.
Recordar que
_
n
k
_
=
n!
k!(nk)!
y que tambien existen unas tablas para ayudar al c alculo de probabi-
lidades.
Ejemplo 2.13 En la prueba de la tarjeta de un circuito impreso en la que se utiliza un patr on de
prueba aleatorio, un conjunto de 10 bits tienen la misma probabilidad de ser uno o cero. Supongamos
que los bits son independientes.
Francisco Parre no. 2006
2.2 Variables aleatorias 11
a. Cu al es la probabilidad de que todos los bits sean uno?
b. Cu al es la probabilidad de que todos los bits sean cero?
c. Cu al es la probabilidad de que exactamente cinco bits sean uno, y los otros cinco, cero?
Soluci on:
X=n umero bits igual a 1 del conjunto
XBi(10,0.5)
a) P(X = 10) = P(X <= 10) P(X <= 9) = 1 0.9990 = 0.0010
b) P(X = 0) = 0.0010
c)P(X = 5) = P(X <= 5) P(X <= 4) = 0.6230 0.3770 = 0.246
El valor esperado o media y la varianza de una variable binomial, tenemos que si X Bi(n, )
podemos descomponer a X =

n
i=1
X
i
y por tanto la media de X E(X) =

n
i=1
E(X
i
) =

n
i=1
= n
y a su vez la varianza V ar(X) =

n
i=1
V ar(X
i
) = n(1 ).
Distribuci on de poisson
Consideremos un experimento en el que observamos la aparici on de sucesos puntuales a lo largo del
tiempo, entendiendo el tiempo en sentido amplio. Se dene la v.a. X=n umero de ocurrencias en un
intervalo de tiempo de longitud ja, que puede tomar los valores k = 0, 1, . . . , n, X PP() con las
probabilidades:
P(X = k) =
e

k
k!
Adem as E(X) = y V ar(X) = .
Ejemplo 2.14 Supongamos que el n umero de mensajes que entran en un canal de comunicaci on en
un intervalo t segundos de duraci on es una variable aleatoria con distribuci on de Poisson de par ametro
0.3t. Calcular las probabilidad de los siguientes sucesos:
a) En un intervalo de 10 segundos lleguen exactamente tres mensajes.
b) En un periodo de 20 segundos llegan a lo sumo 1 mensaje.
Soluci on:
a)P(X = 3) =
e
0.310
0.310
k
k!
=
e
3
3
3
3!
= 0.224
b)P(X 1) =

2
i=1
e
0.320
0.320
k
k!
= 0.01735127
La distribuci on de poisson aparece como lmite de la distribuci on binomial n y p 0, con
np = .
Francisco Parre no. 2006
12 Tema 2. Probabilidad. Variables aleatorias
Ejemplo 2.15 Suponer que tenemos una variable X Bi(1000, 0.001), si calculo
P(X = 1) =
_
1000
1
_
0.001
1
(1 0.001)
999
= 0.3680635
Si ahora utilizo una poisson X PP( = np = 1) y calculo P(X = 1) =
1e

1
1!
= 0.3678794
2.2.2 Variables aleatorias continuas
Supongamos que la variable de interes es la cantidad de energa producida por una m aquina. El
valor obtenido cada da puede variar debido a variaciones en la materia prima y/o condiciones de
funcionamiento, ambientales, etc..
El rango de posibles valores no es un conjunto denido previamente, (al menos te oricamente) sino
todo un intervalo de R ( o todo R) entonces tenemos una variable aleatoria continua.
Distribuci on de probabilidad
No podemos asociar una probabilidad a cada valor posible, como en el caso de una variable alea-
toria discreta. Necesitamos una funci on que permita calcular probabilidad de intervalos, funci on de
densidad.
La funci on f
X
(x) es la funci on de densidad y cumple:
1. f
X
(x) 0 x
2. P(x
1
X x
2
) =
_
x
2
x
1
f
X
(x)dx
3.
_
+

f
X
(x)dx = 1
Consecuencia, P(X = k) = 0) area nula.
La funci on F
X
(x) = P(X x) =
_
x

f
X
(u)du es la funci on de distribuci on (acumulada), por
tanto f
X
(x) =
d
dx
F
X
(x).
El Valor esperado o media de una variable aleatoria continua se denota por

X
= E(X) =
_
+

x f
X
(x)dx
.
la Varianza de una variable aleatoria discreta se dene como
V ar(X) =
2
X
= E(X
X
)
2
=
_
+

(x
X
)
2
f
X
(x)dx
y la desviaci on est andar como
X
= +
_

2
X
.
Francisco Parre no. 2006
2.2 Variables aleatorias 13
Ejemplo 2.16 La longitud X de una cierta pieza se distribuye seg un la funci on de densidad de pro-
babilidad.
f(x; k) =
_
2kx 2 x 3
0 x R [2, 3]
Una pieza es util, si su longitud est a comprendida entre 2.5 y 3 unidades de longitud.
a) Cu al es la probabilidad de que una pieza determinada sea util?
b) Si las piezas se empaquetan en lotes de 5 unidades, y se acepta el lote si no contiene piezas
defectuosas, cu al es la probabilidad que un lote determinado sea rechazado?.
c) Promedio de la longitud de las piezas.
Soluci on:
a) Si es una funci on de densidad debe cumplir,
+
_

f(x)dx = 1 por lo tanto:

+
_

f(x)dx =
+
_

2kxdx = 2k
3
_
2
xdx = 2k
_
t
2
2
_
3
2
= 1 k =
1
5
Para que una pieza sea util debe estar entre 2.5 y 3 por lo tanto:
P(2.5 X 3) =
2
5
3
_
2.5
xdx =
2
5
_
t
2
2
_
3
2.5
= 0.55
b) X=n umero de piezas defectuosas en un lote de cinco
X Bi(5,0.45)
P(X 1) = 1 P(X 0) =
_
5
0
_
0.45
0
(1 0.45)
5
= 1 0.05032844 = 0.9496716
c)
E(x) =
+
_

xf(x)dx =
3
_
2
x
2
5
xdx =
2
5
_
t
3
3
_
3
2
= 2.533
Distribuci on exponencial
La variable X exp() sigue una distribuci on exponencial de par ametro . Es muy utilizada para
modelar tiempos de vida o tama nos.
f(x) =
_
e
x
, si x 0;
0, en otro caso.
La funci on de distribuci on:
F(x) = P(X x) =
_
1 e
x
, si x 0;
0, en otro caso.
Francisco Parre no. 2006
14 Tema 2. Probabilidad. Variables aleatorias
El par ametro tiene que ser mayor que cero. Adem as E(X) =
X
= 1/ y V ar(X) = 1/
2
Ejemplo 2.17 El tiempo de vida de los reguladores de voltaje de los autom oviles tiene una distribuci on
exponencial con un tiempo de vida medio de seis a nos. Una persona compra un autom ovil que tiene
una antig uedad de seis a nos con un regulador en funcionamiento, y plantea tenerlo por espacio de seis
a nos:
a) Cu al es la probabilidad de que un regulador nuevo falle en lapso de seis a nos?
b) Cu al es la probabilidad de que falle en los siguientes seis a nos el regulador de esta persona?
Soluci on:
Si tenemos que la vida media es de 6 a nos, tenemos que el tiempo de vida sigue una distribuci on
exponencial de par ametro = 1/6.
a) P(X < 6) = 1 e
1/66
= 1 e
1
= 0.6321206
b) P(X < 12/X > 6) =
P(6<X<12)
P(X>6)
=
P(X<12)P(X<6)
P(X>6)
=
(1e
1/612
)(1e
1/66
)
e
1/66
= e
1
+ 1 =
0.6321206 Esto se debe a la propiedad de falta de memoria de la distribuci on exponencial.
Distribuci on normal
Es la distribuci on continua m as utilizada por 2 razones:
buena representaci on de muchos casos en la pr actica
propiedades estadsticas
Algunos ejemplos:
resistencia a la tensi on
intensidad electrica que pasa por un cable
di ametro de rodamientos
errores de medida
Se denota por X N(, ) y su funci on de densidad:
f(x) =
1

2
e

(x)
2
2
2
, < x <
El par ametro es la media y es la desviaci on tpica. Esta distribuci on tiene forma de campana,
es simetrica, est a centrada en . Es c oncava entre , + y es convexa fuera de ese intervalo,
casi toda est a centrada entre 3 el (0.9973) de la probabilidad.
Francisco Parre no. 2006
2.2 Variables aleatorias 15
Todas tienen igual forma se diferencian en el centro y la dispersi on .
La funci on de distribuci on:
F(x) = P(X x) =
_
x

2
e

(y)
2
2
2
dy
La funci on de distribuci on es muy difcil de resolver, por ello utilizaremos las tablas de la normal
conocida como est andar Z N(0, 1) ya que cualquier variable X N(, ) puede transformarse
en Z =
X

. A este mecanismo de transformaci on de una variable X N(, ) a una normal

estandarizada se le conoce como estandarizaci on.
C alculo de areas, el c alculo de integrales para la normal est andar se hace mediante el uso de las
tablas, y se dene como P(Z z) = (z).
Ejemplo 2.18 Sea X N(10mA, 2mA) la intensidad de corriente electrica que pasa por un cable.
Calcular la probabilidad de que la corriente electrica sea mayor de 13mA.
Soluci on:
P(X > 13)
tipicar
= P(
X10
2
>
1310
2
) = P(Z > 1.5) = 1 (1.5) = 1 0.9332 = 0.0668
Ejemplo 2.19 Los tubos de rayos cat odicos de una terminal gr aca tienen una na malla detr as de
la supercie visible que ha de tensarse durante el ensamblaje. Si se tensa mucho, la malla se rompe,
mientras que si no se tensa mucho, se forman arrugas. La tensi on a la que est a sometida esta malla
puede medirse en milivoltios (mV) mediante un dispositivo electronico. Actualmente, la lectura de la
tensi on de sucesivos tubos sigue una distribuci on normal de media 275 mV y desviaci on tpica 43 mV.
La tensi on mnima aceptable para que la malla no se arrugue es de 200 mV. La tensi on m axima que
soporta esta malla sin romperse es de 375 mV.
a) Calcula la probabilidad de que la malla se arrugue?
b) Si una malla se ha arrugado, cu al es la probabilidad de que se haya aplicado una tensi on inferior
a 175 mV?
c) Cu al es la probabilidad de que una malla este en buenas condiciones?
d) Cu al es la probabilidad que entre 5 tubos al menos 3 de ellos tengan la malla en buenas condi-
ciones?
e) Sea X la lectura de tensi on en mV y = E(X). Cu al es la tensi on t tal que
P( t X +t) = 0.95?
Soluci on:
Tenemos que X N(275, 43).
Francisco Parre no. 2006
16 Tema 2. Probabilidad. Variables aleatorias
a) P(X < 200)
tipificar
= P(Z
200275
43
= P(Z 1.744) = 1 P(Z 1.744) = 1 0.959 = 0.041
b) P(X < 175/X < 200) =
P(X<175X<200)
P(X<200)
=
P(X<175)
P(X<200)
=
P(Z<
175275
43
)
P(Z<
200275
43
)
=
0.0102
0.041
= 0.2487
c) Para que este en buenas condiciones se debe encontrar entre 200 y 375 miliVoltios.
P(200 < X < 375) = P(X < 375) P(X < 200) = P(Z < 2.32) P(Z < 1.74) = P(Z <
2.32) (1 P(Z < 1.74) = 0.948
d) Si tengo cinco tubos deno la variable Y como el n umero de los cinco que se encuentran en
buenas condiciones. En el apartado anterior he calculado la probabilidad de que uno se encuentre en
buenas condiciones y podemos suponer que el estado de la malla de un tubo no depende de los dem as.
Por tanto, Y Bi(5, 0.948).
P(Y 3) = P(Y = 5) +P(Y = 4) +P(Y = 3) = 0.9987013
e) Sabemos que P(t X +t) = 0.95, por tanto si ticamos, tenemos P(t/ Z t/) =
0.95 y P(Z t/) P(Z t/) = 2P(Z t/) 1 = 0.95 P(Z t/) = 1.95/2 = 0.975
Ahora busco en la tabla de la normal estandarizada para que valor tengo una probabilidad de
0.975, es para el valor 1.96. Por lo que t/ = 1.96 y de aqu obtengo que t = 1.96 43 = 84.28.
Ejemplo 2.20 En una f abrica que envasa agua mineral, se ha establecido que el volumen envasado
por la m aquina autom atica sigue una distribuci on normal de media 150 cl y de desviaci on tpica 2 cl.
a) Los criterios de calidad de la empresa implican que no se venda una botella que contenga menos
de 147 cl. Cu al es la proporci on de botellas en la producci on que no se pueden vender?
b) Las botellas se empaquetan por 6 unidades, cu al es la probabilidad de que un paquete contenga
al menos una botella con menos de 147 cl?
c) Cuantas botellas esperaras que hubiera invendibles de 10000 botellas?
d) Calcula un intervalo de volumen, centrado en la media, donde se encuentre el 90% de las botellas
que produce la m aquina.
e) Calcula cuanto tendra que ser la desviaci on tpica de la m aquina para que el 99% de las botellas,
se encuentren entre 149 y 151 cl.
f ) Si ahora se cambia la m aquina por una nueva cuyo volumen de envasado tiene la siguiente
funci on de densidad:
f(x; k) =
_
6x
k
147.5 x 152.5
0 x R [147.5, 152.5]
donde k es una constante. Determina el valor de k.
g) Cu al es la media del volumen de llenado de la nueva m aquina?
h) Con la nueva m aquina, cu al es la proporci on de botellas que tendran menos de 148 cl?
Francisco Parre no. 2006
0 Tema 2. Probabilidad. Variables aleatorias
Soluci on:
a) X=volumen de llenado de las botellas N(150, 2)
P(X 147) = P(Z
147150
2
) =
P(Z 1.5) = 1 P(Z 1.5) = 0.066
El 6.6% de las botellas tendran menos de 147 cl.
b) X=n umero de botellas en un lote de 6 con menos de 147 cl Bi(6, 0.0668).
P(X

1) = 1 P(X

= 0) = 1
_
6
0
_
(0.0668)
0
(1 0.0668)
6
=0.339
c) X=n umero de botellas de 10000 con menos de 147 cl Bi(10000, 0.0668).
E(X

) = 10000 0.0668 = 668 botellas aproximadamente.

d) Sabemos que P(150 t X 150 +t) = 0.90 tenemos que despejar t.
P(150 t X 150 +t) = P(X 150 +t) P(X 150 t) =
P(Z
150+t150
2
) P(Z
150t150
2
) = P(Z
t
2
) P(Z
t
2
) =
P(Z
t
2
) (1 P(Z
t
2
)) = 2P(Z
t
2
) 1 = 0.90
P(Z
t
2
) = 0.95
t
2
= 1.65 t = 3.3
Y por tanto el intervalo sera: [146.7,153.3]
e) Ahora suponemos X=volumen de llenado N(150, ) con a despejar sabiendo que:
P(149 X 151) = 0.99
por tanto, P(149 X 151) = P(X 151) P(X 149) = P(Z
1

) P(Z
1

) = P(Z
1

) (1 P(Z
1

)) = 2P(Z
1

) 1 = 0.99 P(Z
1

) = 0.995
1

= 2.58 aproximadamente
= 0.3875969.
f) Sabemos que
_
+

6
k
xdx =
6
k
_
152.5
147.5
xdx despejo k y obtenemos que vale 4500.
g) E(X) =
_
+

x
6
4500
xdx =
6
4500
_
152.5
147.5
x
2
dx = 150.0139
h)
_
148

6
4500
xdx =
6
4500
_
148
147.5
xdx = 0.0985
Francisco Parre no. 2006