Guia Estadistica y Probabilidades 2013 Villarreal

UNIVERSIDAD NACIONAL FEDERICO VILLARREAL
FACULTAD DE INGENIERA ELECTRNICA E INFORMTICA

DEPARTAMENTO ACADEMICO DE MATEMATICA
APUNTES DE CLASE Y GUIA DE PRCTICAS

ASIGNATURA: PROBABILIDADES Y ESTADSTICA II
CDIGO: 5B0032
AO LECTIVO 2013-II
Docente: Lic. Pedro Saenz Rivera

saenzconsultor@hotmail.com
PROBABILIDADES
El objetivo fundamental de la estadstica es realizar inferencias acerca de una variable en la
poblacin a partir del cocimiento de una muestra. La teora de la probabilidad es el fundamento
para la inferencia estadstica; esta proporciona y estudia modelos para las distribuciones de
algunas variables importantes.
En la mayora de los problemas hay que tomar decisiones en base a experimentos, as pues
definiremos lo que es un experimento aleatorio para poder entender el concepto de probabilidad.
1. EXPERIMENTO ALEATORIO Y ESPACIO MUESTRAL
Existen dos tipos de experimentos:
Experimento Determinstico: Al repetirlos bajo las mismas condiciones siempre dan el mismo
resultado (predecible). Ejemplos: Fenmenos fsicos y qumicos.
Ejemplos:
- El resultado de una reaccin qumica
- La velocidad de llegada de un cuerpo a tierra al dejarlo caer desde una torre
Experimento Aleatorio o no determinstico: Conjunto de pruebas realizadas bajo las mismas

condiciones y cuyos resultados son impredecibles. Los simbolizaremos como . Estos tambin son
conocidos como experimentos estocsticos. Los rasgos que distinguen a los experimentos
aleatorios son:
i.
Todos los resultados del experimento son conocidos con anterioridad a su realizacin.
ii.
No se puede predecir el resultado del experimento.
iii.
El experimento puede repetirse en condiciones idnticas.
Ejemplos
1 : Lanzar moneda y observar su cara superior

2 :Extraer un artculo de un lote que contiene 50 artculos defectuosos y 15 articulos no
defectuosos.
3 : Observar el tiempo de vida de una lmpara desde que se enciende hasta que falla.
4 : Elegir un punto en el intervalo cerrado 0,1

5 : Lanzar una moneda y contar el nmero de lanzamientos hasta que salga cara
6 : Contar el nmero de artculos fabricados en un dia por una maquina hasta que resulte un
artculo defectuoso.
Espacio Muestral: Es el conjunto de todos los resultados posibles asociados a un experimento

aleatorio. Se denota por .
Ejemplos:
UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 2
Al experimento aleatorio 1 :Lanzar moneda le corresponde el espacio muestral 1 C, S
Al experimento aleatorio 2 le corresponde 2 D, ND
Al experimento aleatorio 3 le corresponde
Los espacios muestrales pueden ser:

Espacio muestral discreto:
Si tiene un nmero finito o infinito numerable de elementos.
Espacio muestral continuo
Si tiene un nmero no numerable de elementos. Es decir cuyos elementos son todos los puntos de
algn intervalo
Evento: Dado un experimento aleatorio cuyo espacio muestral , se llama
Evento a cualquier subconjunto de y lo denotaremos por A, B, C, D
Sea el evento E entonces: E
Suceso: Es todo elemento del espacio muestral y lo denotaremos por w, x, y, etc.
Sea el suceso w, entonces w
Distinguimos los siguientes tipos de eventos:
-
Evento simple o elemental: slo consta de solo elemento

Evento compuesto: consta de dos o ms elementos
Evento imposible: es el que nunca puede realizarse (viene determinado por el
conjunto vaco, )
Evento seguro: es el que siempre se cumple (viene determinado por
el conjunto total, )
Evento disjuntos o mutuamente excluyentes : aquellos Evento A y B que no pueden
realizarse a la vez, A B =
Ejemplos:
Clarifiquemos estos conceptos con unos ejemplos:
Realizamos el experimento aleatorio : Lanzar un dado y observar la cara superior
Espacio muestral: = { 1, 2, 3, 4, 5, 6 }
Evento simple:
Sacar un 2 = { 2 }
Evento compuesto: Sacar un nmero impar = { 1, 3, 5 }
Evento imposible:
Sacar un 7 =
Evento seguro:
Sacar un n menor que 7 = { 1, 2, 3, 4, 5, 6 }
Evento disjuntos:
A = Sacar un n par = { 2, 4, 6 }
B = Sacar un n impar = { 1, 3, 5 }
2. OPERACIONES CON EVENTOS: (ALGEBRA DE EVENTOS)

Tratndose los eventos de subconjuntos del espacio muestral, es natural que satisfagan todas las
caractersticas de los conjuntos. Sean A y B dos eventos del espacio muestral .
SUB-EVENTOS
Dados dos eventos A y B se dice que A esta contenido en B o que A es sub-evento de B y denotamos
por A B , Es decir si ocurre el evento A ocurre necesariamente el evento B
A B,si w A w B
IGUALDAD DE EVENTOS
Se dice que dos eventos A y B son iguales, y se denota por A = B, si A B y B A
LA INTERSECCIN, que se denota A B , es el evento que consta de todos los resultados en

que pertenecen tanto a A como a B. Por tanto, la interseccin A B ocurre si y slo si tanto A
como B ocurren.
AB A B w w A w B
De manera ms general, dados k eventos A1, A2, ..., Ak, su interseccin A1 A2 Ak es el
conjunto de todos los resultados bsicos que pertenecen a todo Ai (i = 1, 2, ..., k)
Ejemplo: lanzamos un dado al aire y analizamos dos sucesos:
A: que salga nmero par, y
B: que sea mayor que 3.
La interseccin de estos dos sucesos tiene dos elementos: el 4 y el 6.
A B 4,6
LA UNIN, que se denota A B , es el evento que consta de todos los resultados en que
pertenecen al menos a uno de estos eventos. Por lo tanto, la unin A B ocurre si y slo si A
y/o B ocurren.
A B w w A w B
PROPIEDADES:
i.
A B C A B A C
ii.
A B C A B A C
De manera ms general, dados k eventos A1, A2, ..., Ak, su unin A1 A2 Ak es el conjunto
de todos los resultados que pertenecen al menos a uno de estos k eventos.
Ejemplo: lanzamos un dado al aire y analizamos dos eventos:
A: que salga nmero par, y
B: que el resultado sea mayor que 3.
El eventos unin estara formado por los siguientes resultados: el 2, el 4, el 5 y el 6.
Luego A B 2, 4,5,6
EL COMPLEMENTO El complemento del evento A (con respecto al espacio muestral ), que se

representa por Ac (dependiendo de la literatura tambin se usa A A ' ), es el evento que
consta de todos los resultados pertenecientes a pero no a A.
A ' A A w w w A
A' A
PROPIEDADES
i.
ii.
iii.
iv.
v.
A A
A A
A A
'
A B A B
Ejemplo: lanzamos un dado al aire. El eventos (A) es que salga un nmero par, luego su
complementario, evento A es que salga un nmero impar.
Definiciones complementarias:
Si A y B no tienen puntos muestrales en comn (sucesos) se denominan excluyentes y su

interseccin A B es el conjunto vaco , lo que significa que A B no puede ocurrir.
De manera ms general, dados k eventos A 1, A2, ..., Ak, se dicen mutuamente excluyentes si cada
par de estos eventos es excluyente, es decir Ai Aj para todo i j.
Ejemplo: lanzamos un dado al aire y analizamos dos sucesos: A: que salga un nmero menor
que 3, B: que salga el nmero 6.
Dados k eventos E1, E2, ..., Ek definidos en el mismo espacio muestral , si su unin E1 E2 ...
Ek = se dice que estos k eventos son colectivamente exhaustivos.
LEYES DE MORGAN
Las operaciones o el algebra de eventos o sucesos es el mismo de el algebra de conjuntos.
Las leyes de Morgan se usan para el complemento es decir: Leyes De Morgan
A B '
A ' B ' y A B ' A' B '
EJERCICIOS
Simplificar:
A ' B A A ' B '
A ' '
3. PROBABILIDAD.Definicin Clsica: La probabilidad de un evento es la razn entre el nmero de casos (sucesos)

favorables y el nmero total de casos (sucesos) posibles, siempre que nada obligue a creer que
algunos de estos sucesos deban tener preferencia a los dems, lo que hace que todos sean
igualmente posibles.
Es decir sea el espacio muestral y el evento A , entonces la probabilidad de la ocurrencia
del evento A ser:
N A
P A
N
Donde:
N A = nmero de casos favorables al evento A
N = nmero de casos posibles.
Ejemplo
Si lanzamos una moneda dos veces, cul es la probabilidad de obtener al menos una cara?
El espacio muestral correspondiente es = { (C,C), (C,), (,C), (,) } , siendo C = cara y
= cruz
Sea el suceso A = al menos una cara = { (C,C), (C,), (,C) }
Luego: N A = casos favorables = 3, N = casos posibles 4
As, la probabilidad pedida es P A
N A 3
N 4
PROPIEDADES: Sea un experimento aleatorio y un espacio muestral asociado a este. La probabilidad de

A denotado por P(A) satisface las siguientes propiedades:
1.
0 P( A) 1
2. Si A es un evento imposible entonces P A 0

3. P( ) = 1
4. Si A y B son mutuamente excluyentes entonces P(A B) = P(A) + P(B)
4. PROBABILIDAD CONDICIONAL
Dados dos eventos A y B, se define la probabilidad condicional de A dado B como
P( A | B)
P( A B)
P( B)
, siempre que P(B) > 0

Y se entiende como la probabilidad de que ocurra el suceso A considerando que antes ha
ocurrido el suceso B.
EJEMPLO: Sea el experimento aleatorio lanzar dos monedas una despus de otra. Cual es la
probabilidad de que en el primer lanzamiento haya salido una cara sabiendo que al lanzar las dos
monedas sali al menos una cara?
SOL. Se lanza dos veces una moneda: E={CC,CS,SC,SS}. Sabemos que ha ocurrido el suceso
sale al menos una cara, es decir, B={CC,CS,SC}
La probabilidad de que ocurra el suceso A en el primer lanzamiento sale cara={CC,CS}
condicionada por el suceso B ser:
P A B
P( A y B) 2 / 4
2/3
P( B)
3/ 4
Propiedades de la probabilidad condicional

1. 0 P( A | B) 1
2. P( | A) 1
3. P( A | ) A
i 1
i 1
4. P( Ai | B) P( Ai | B)
si Ai Aj 0 para i j
En general tenemos dos formas de calcular P( A | B) :

a. Directamente, considerando la probabilidad de A respecto al espacio muestral B.
b. Usando la definicin, donde P( A B) y P(B) se calculan respecto al espacio muestral
original .
5. REGLA DEL PRODUCTO DE PROBABILIDADES

Tambin conocido como Teorema de Multiplicacin, se puede ver como una consecuencia de la
definicin de probabilidad condicional, indica que la probabilidad de la interseccin de dos eventos
cualesquiera A y B es:
P(A B) = P(A|B)P(B) = P(B|A)P(A)
La generalizacin de esta regla para n eventos nos lleva a:
P( A1 An ) P( An | A1 An1 )P( An1 | A1 An2 )P( A3 | A1 A2 )P( A2 | A1 )P( A1 )
Ejemplo: En una urna hay 5 bolillas blancas y 4 bolillas rojas; Se extrae al azar sucesivamente y sin
reposicin dos bolas cual es la probabilidad de que las dos resulten blancas?
SOL:
6. INDEPENDENCIA DE EVENTOS
Dados dos eventos A y B se dice que son independientes estadsticamente, o simplemente
independientes, si y slo si
P(A B) = P(A)P(B)
En otras palabras, A y B son independientes si y solo si P(A|B) = P(A) siempre que P(A) sea diferente
de 0 y tambin si P(B|A) = P(B) siempre que P(B) sea diferente de 0.
En general n eventos A1,, An , se dicen independientes si y slo si
P A1
An P A1 .P A2 .....P An
Ejemplo: Se lanza un dado 5 veces. Hallar la probabilidad de que no aparezca ningn seis en los
cinco lanzamientos.
SOL.
7. PARTICIN:
Se dice que la coleccin de eventos B1 , B2 ,
, Bk conforman una particin del espacio muestral si

1. Bi B j para i j , i, j 1, 2,3,....k
K
2.
3.
i 1
Bi
P( Bi ) 0 para todo i
8. TEOREMA DE LA PROBABILIDAD TOTAL

Sea B1, B2 , , Bk una particin del espacio muestral , entonces para cualquier evento A en , se
cumple:
k
P A P Bi P A Bi P B1 P A B1 P B2 P A B2 ... P Bk P A Bk
i 1
EJEMPLO: En un laboratorio hay tres jaulas, en la jaula B1 hay dos conejos pardos y tres blancos, en la jaula
B2 hay 4 conejos pardos y 2 blancos, en la jaula B3 hay 5 conejos pardos y 5 blancos. Se selecciona al azar
una jaula y se saca un conejo al azar de esta jaula. Cul es la probabilidad de que el conejo escogido sea
blanco?
SOLUCIN:
9. TEOREMA DE BAYES.- Si los eventos B1 , B2 ,

es un evento cualquiera de , entonces:
P( Br | A)
P( Br ) P( A | Br )
k
P( B ) P( A | B )
i 1
, Bk forman una particin del espacio muestral y A
P( Br ) P( A | Br )
P( B1 ) P( A | B1 ) P( B2 ) P( A | B2 ) ... P( Bk ) P( A | Bk )
P( Br | A)
P( Br A)
P A
Donde el numerador resulta del teorema de multiplicacin y el denominador del teorema de probabilidad
total.
EJEMPLO: En el ejemplo anterior, supongamos ahora que el conejo escogido aleatoriamente es blanco. Cul
es la probabilidad de que provenga de la jaula B1?
SOLUCIN:
I.
VARIABLE ALEATORIA Y DISTRIBUCION DE PROBABILIDADES.
1. VARIABLE ALEATORIA.
Una variable aleatoria "X" es una aplicacin definida en un espacio muestral , que toma valores
reales, o sea es la transformacin del Espacio Muestral en un conjunto numrico, mediante X.
Definicin formal:
Dado un experimento aleatorio y el espacio muestral asociado a dicho . Una funcin que
asigna a cada elemento w en uno y solamente un numero real x X w , se llama VARIABLE
ALEATORIA. Es decir, X es una funcin real X :
El rango o recorrido RX de la variable aleatoria X esta dado por el conjunto de nmeros reales:
RX x / X w x, w X
Ejemplos:
a) Experimento: Tira 10 veces a una canasta

Variable aleatoria: X = N de aciertos , RX 0,1, 2,..9,10
b) Experimento: Tirar dos monedas
Variable aleatoria: X = Contar el nmero de caras , RX 0,1, 2
c) Experimento: Elegir una bombilla al azar
Variable aleatoria: X = Tiempo que tarda en fundirse
RX x / 0 x M Donde M es el tiempo mximo de vida.
d) Experimento: Lanzar un dado
Variable aleatoria: X = numero de intentos hasta obtener un seis, RX 1, 2,3,...
e) Experimento: Elegir una punto (x,y) al azar en el plano cartesiano XY
Variable aleatoria: D = Distancia del punto al Origen de coordenadas
RD d / d x2 y 2
2. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

Definicin: Una variable aleatoria se dice discreta cuanto toma una serie de valores aislados es
decir cuando RX es un conjunto finito o infinito numerable. Se dice continua cuando puede tomar
cualquier valor dentro de un intervalo.
Ejemplos:
De los ejemplos anteriores son discretas a,b,d , y son continuas la c y e.
3. FUNCION O LEY DE PROBABILIDAD DE UNA VARIABLE DISCRETAS.

Cuando se habla de la distribucin de probabilidad de una variable aleatoria lo que se pretende es
determinar cmo estn distribuidas las probabilidades entre los diferentes valores que puede
tomar la variable aleatoria.
Se llama funcin de probabilidad o ley de probabilidad (o funcin de cuanta) p x
de una
variable aleatoria X a la funcin que asigna a cada valor de la variable la probabilidad de que sta
tome ese valor:
La funcin de probabilidad de una v.a. discreta cumple las 3 propiedades:
i.
p x P X x
ii.
iii.
p x 0, x RX
p x 1
xRX
La coleccin de pares x, p x x RX es llamada distribucin de probabilidad de X.

Ejemplo:
Sea X = Nmero de caras al tirar dos monedas
RX : 0, 1, 2
Funcin de probabilidad:
1
p(0) P( X 0)
4
1
p(1) P( X 1)
2
1
p(2) P( X 2)
4
Observaciones:
El dominio de la funcin de probabilidad es RX .
La funcin de probabilidad p x toma valores entre 0 y 1.
La suma de todos los valores que toma la funcin de probabilidad es 1.
4.
FUNCION DE DISTRIBUCION DE UNA VARIABLE ALEATORIA DISCRETA.
Se llama funcin de distribucin, F, de una variable aleatoria X a la funcin que asigna a cada valor
de la variable la probabilidad de que sta tome un valor menor o igual que ese.
F ( x) P( X x)
Definicin formal: Sea X una v.a. discreta con rango RX x1 , x2, ..... y funcin de probabilidad,
p xi P X xi , sea x un numero real cualquiera, la Funcin de Distribucin de X se denota por
F x y se define como:
F ( x) P( X x) p x P X xi
xi x
xi x
Es decir, para calcular el valor de la funcin de distribucin en un punto xi debemos sumar los
valores que toma la funcin de probabilidad en todos los puntos menores o iguales que xi.
Ejemplo:
Sea X = Nmero de caras al tirar dos monedas (del ejemplo anterior)
si x 0
0
1
F ( x) 2
3
4
1
si 0 x 1
si 1 x 2
si 2 x
Observaciones:
La funcin de distribucin es escalonada, empieza tomando el valor 0, tiene saltos en el
recorrido de la variable aleatoria hasta tomar el valor 1.
5. FUNCION DE DENSIDAD DE PROBABILIDAD

Definicin: Sea X una v.a. continua con rango RX . La funcin de densidad de probabilidad asociada
a la variable aleatoria, es una funcin f x integrable que satisface las siguientes condiciones:
a.
f x 0, x
b.
f x dx f x dx 1
RX
Una consecuencia de esta definicin es que si A es el evento A x / a X b se define la

probabilidad de A como sigue:
b
P A P a X b f x dx
a
Este concepto de probabilidad se entiende que la probabilidad del evento A es equivalente a

rea debajo de la curva, a la derecha de la recta x= a y a la izquierda de la recta x=b.
OBS:
f x no representa la probabilidad de algo, solamente cuando esta funcin se integra entre

dos puntos representa una probabilidad.
b. La probabilidad de que la variable aleatoria X tome un valor especifico, digamos x0 es cero,
a.
pues: P X x0 P( x0 X x0 ) f ( x) dx 0
x0
x0
c. Como consecuencia cuando X es una v.a. continua

P a X b P a X b P a X b P a X b
Ejemplo:
Sea una variable aleatoria continua con funcin de densidad dada por:
2
,0 x 2
c 6 x 2 x
f x
0
, en otro caso
1) Encuentre el valor de la constante c.

Sol:
Como
2
0dx c 6x 2x dx
0dx 1
2
2
3
Se obtiene 0 c 3x2 x3 0 1 , luego c

20
3 0
2) Calcular P X 1
3
13
Sol: P X 1 f x dx 6 x 3x 2 dx
20 1
20
1
3) Calcular P 0.5 X 1.5
Sol: P 0.5 X 1.5
1.5
f x dx
0.5
6. FUNCION DE DISTRIBUCION ACUMULADAD DE UNA VARAIABLE ALEATORIA CONTINUA

Definicin: sea X una v.a. continua con funcin de densidad f x La funcin de distribucin
acumulada de la v.a. continua X, denotada por F x , se define por:
F ( x) P( X x) f (t ) dt , x
x
Es decir F x asigna a cada valor x la probabilidad de que la variable aleatoria X sea menor
de x.
Ejemplo:
Sea una variable aleatoria continua con funcin de densidad dada por:
3x
,0 x 2
2 x
f x 4
0
, en otro caso
Hallar la funcin de distribucin acumulada de X.
SOLUCION:
1) Si x 0, F x P X x
odt 0
2) Si 0 x 2, F x P X x
f t dt
3) Si x 2, F x P X x
3
3 2 x
0dt 0 4 t 2 t dt 4 x 1 3
0
3
f t dt 0dt t 2 t dt 0dt 1
0 4
2
0
x0
3 x
Luego: F x x 2 1 0 x 2
4 3
1
x2
Grficamente:
Observar que F(x) empieza tomando el valor 0 y va creciendo hasta alcanzar el valor 1.
6.1 POPIEDADES DE LA FUNCION DE DISTRIBUCION ACUMULADAD DE UNA VARAIABLE

ALEATORIA CONTINUA
1. 0 F x 1, x
2.
3.
lim F x 0
lim F x 1
4. F es creciente es no decreciente, esto es : Si a b F a F b

5. F es continua por la derecha, es decir lim F x h F x , x , h 0
h0
6. Del segundo teorema fundamental del calculo se tiene que: f x
d F x
dx
7. PARMETROS O CARACTERISTICAS DE UNA VARIABLE ALEATORIA
Las caractersticas numricas son medidas que permiten sintetizar la informacin de forma
tal que ofrecen las caractersticas generales del fenmeno en estudio, es decir, sus rasgos
principales. Tambin se conocen como parmetros de las variables aleatorias.
Las caractersticas fundamentales que se estudiarn son: Media y varianza
7.1 Media o Esperanza matemtica de X se denota por E X y se Define por:
E x x1 p( x1 ) x2 p( x2 ) ... xn p( xn )
E x
xp( x) ,
Si X es una v.a. discreta (*)
xRX
xf x dx xf x dx ,
Si X es una v.a. continua (**)
RX
Siempre que la sumatoria (*) o la integral (**) sean finitas

Ejemplo:
1
1
1
Media= 0 p(0) 1 p(1) 2 p(2) 0 1 2 1
4
2
4
Es decir, si repites el experimento muchas veces en promedio obtendrs una cara.
Sea X = Nmero obtenido al lanzar un dado
1
1
1 21
3.5
Media= 1. p(1) 2 p(2) ...6. p 6 1 2 ... 6
6
6
6 6
7.2 Propiedades de la esperanza matemtica.
7.2.1 Sea X una v.a e Y H X Una funcin de X, EL valor esperado H X se define por:
i. E H X
ii. E H x
H x p( x)
Si X es una v.a. discreta
H x f x dx ,
Y H X continua y X una v.a. continua
xRX
RX
Es decir para hallar el valor esperado de Y H X no se necesita conocer o calcular la

distribucin de probabilidad de Y.
7.2.2 Sea X una v.a., a y b constantes. Entonces:
i.
E a a
ii.
E aH X aE H X
iii.
E aH X bG X aE H X bE G X
7.3 Varianza de X:
La varianza de una variable aleatoria es una caracterstica numrica que proporciona una idea
de la dispersin de la variable aleatoria respecto de su esperanza, se denota y se define como:
La varianza de una v.a. X, se denota por Var X V X por la letra griega X 2 y se define
como:
2
Var X E X
Por lo tanto:
V x
V x
p( x) ,
Si X es una v.a. discreta
xRX
x f x dx ,
2
Si X es una v.a. continua
RX
Ejemplo:
Varianza
E X 2 02 p(0) 12 p(1) 22 p(2) 1.5
2 E X 2 2 02 12 22 12
4
2
4
2
Una de las caractersticas de la varianza es que viene expresada en unidades cuadrticas

respecto de las unidades originales de la variable. Un parmetro de dispersin derivado de
la varianza y que tiene las mismas unidades de la variable aleatoria es la desviacin tpica,
que se define como la raz cuadrada de la varianza.
Desviacin Tpica = X Var X
Desviacin Tpica es la raz de la varianza, asi en este ejemplo 0,5 0,71

7.4 Propiedades de la Varianza.
7.4.1 Sea X una v.a con valor esperado E X la varianza esta dada por:
V X E X 2 2
7.4.2 Sea X una v.a., a y b constantes. Entonces:

V ax b a2V X
7.5 EJEMPLOS:
7.5.1 Tiramos 3 monedas y sea la v.a. discreta
Entonces:
Recorrido de X = {0, 1, 2, 3}
X = Nmero de caras
Funcin de probabilidad.
p ( x)
1
8
3
8
3
8
1
8
C
C
C
X
C
X
X
X
C
C
X
C
X
C
X
X
C
X
C
C
X
X
C
X
x0
x 1
x2
x3
Funcin de distribucin.
0
1
8
4
F ( x)
8
7
8
x0
0 x 1
1 x 2
2 x3
x3
Parmetros.
1
8
3
8
3
8
1
8
xi p( xi ) 0 1 2 3 1,5
2 xi 2 f ( xi ) 2 02 12 22 32 1,52 0,75
8
8
8
8
1
0,75 0,87
7.5.2 PREGUNTA:
Sea el siguiente juego Si un jugador lanza la moneda 3 veces, y gana un dos soles por cada
cara obtenida.
a.
Si el juego cuesta 2 soles cual es su ganancia esperada?
b. Si el juego cuesta 4 soles cual es su ganancia esperada?
c. Sea la variable aleatoria Y: ganancia en el juego, en cual de los casos a) b) ser Y mas
homognea?
x
para 0 x 2
2
Hallar la esperanza de X
Cul ser el valor de la varianza de x?
Hallar E(x+3)
Hallar E(2x2)
Cul ser el valor de V(2x)?
Cul es el valor de la desviacin tpica de X?
7.5.3 Ejemplo Si f x
a.
b.
c.
d.
e.
f.
SOLUCION:
Por la forma de presentar el recorrido de la variable x, indica que es una variable continua.
2
a. E X x f ( x)dx =
0
1 2
x dx = 1/2[x 3 / 3) = 1/2(8/3 - 0)=1.33
20
b. E X 2 x 2 f ( x)dx = 1/2 x3dx 1/ 2( x 4 / 4) 1/ 2(16 / 4) 16 / 8 2

Luego por propiedad: V(x) = E (x2) - [E (x)]2 = 2 - 1.332 = 2 - 1.77 = 0.23
c.
E(x+3) = E (x) + 3 = 1.33 + 3 = 4.33
d. E(2x2) = 2 E(x2) = 2 . 2 = 4
e. V(2x) = 22 V(x) = 4 (0.23) = 0.92
f. 2 0,23 = 0,48
Recuerde que la desviacin tpica se representa por la letra griega sigma y que es la raz
cuadrada de la varianza (V(x) = 2
RESUMEN
VARIABLES DISCRETAS VERSUS VARIABLES CONTINUAS
X = N de hijos
Recorrido de X = {0, 1, 2, 3, 4, 5, }
Y = Tiempo de retraso/adelanto en el autobs

Recorrido de Y = RY y / y m, M
Funcin de probabilidad
Funcin de densidad
Funcin de distribucin
Funcin de distribucin
F ( x) P( X x) f ( x) dx
x
f (x)
F (x)
Parmetros
Parmetros
n
xi f ( xi )
i 1
(x
i 1
) 2 f ( xi )
x f ( x) dx
( x ) 2 f ( x) dx
x
i 1
2
n
f ( xi ) 2
8. PRINCIPALES DISTRIBUCIONES DISCRETAS

En esta seccin presentaremos algunas (las principales) distribuciones de probabilidad para
variables aleatorias discretas.
El comportamiento de una variable aleatoria queda descrito por su distribucin de probabilidad
discreta. A menudo, las observaciones que se generan en diferentes experimentos se pueden
describir esencialmente con la misma distribucin de probabilidad y por tanto se pueden
representar mediante una sola formula. De hecho se necesita solo un puado de distribuciones
de probabilidad importantes para describir muchas variables aleatorias discretas que se
encuentran en la prctica.
8.1 DISTRIBUCIN UNIFORME

Es la mas simple de todas las distribuciones de probabilidad discreta es donde la variable
aleatoria toma cada uno de sus valores con una probabilidad idntica.
La variable aleatoria toma un nmero finito de n valores, cada uno con igual probabilidad.
1
f ( xi ) P( X xi ) , Rx xi , x2, ...xn
n
EJEMPLO: Se lanza un dado y sea X: numero de la cara superior
8.2 ENSAYOS Y DISTRIBUCION DE BERNOULLI
Hay muchos experimentos que solo tienen dos resultados posibles, llamados xito E y
fracaso F. Donde la probabilidad de xito es siempre la misma es decir es constante y por lo
tanto tambin lo es la probabilidad de fracaso. Luego al espacio muestral para este tipo de
ensayo es E, F , Por ejemplo al lanzar una moneda podemos considerar xito si sale cara.
Un experimento con estas caracterstica se llama ensayo de Bernoulli.
Definimos ahora la variable aleatoria X de tal manera que X w numero de xitos en un
ensayo Bernoulli entonces tenemos: RX 0,1 , as esta variable aleatoria es llamda variable
aleatoria de Bernoulli.
Si denotamos p P E y q 1 p P F
x
p(x)
0
1-p=q
1
p
Podemos escribir la distribucin de Bernoulli como:
p x P X x p x 1 p
1 x
, x 0,1
DISTRIBUCION BINOMIAL
A menudo estamos interesados solamente en el numero total de xitos E obtenidos en un
proceso de n ensayos Bernoulli, al margen del orden en que se presentan.
Definimos ahora una variable aleatoria Binomial como:
X w nmero de xitos obtenidos en los n ensayos Bernoulli. Entonces tenemos:
RX 0,1,3,..., n , con distribucin Binomial dada por:

n
n x
p x P X x n, p p x q , x 0,1,..., n.
x
n
n!
donde
es el nmero de formas en que se pueden tener k xitos de n intentos.
k k!(n k )!
Propiedades:
1. E X np
2. V X npq
EJEMPLO:
Si Tiramos 5 esferas a una canasta, la probabilidad de acertar cada tirada es 0,4. Si
consideramos la variable X " Nmero de aciertos" Hallar la distribucin de probabilidades de
X , graficarla y calcular sus parmetros.
SOLUCION:
Suponiendo que la probabilidad de xito se mantiene constante (es decir el lanzador no
aprende)
Entonces X tiene distribucin de probabilidad binomial con Rango = {0, 1, 2, 3, 4, 5} y funcin de
5
probabilidad: f (k ) 0,4 k 0,6 5k
ES DECIR:
k
5
0
5
0,4 0,6 0,0778
0
5
0,41 0,64 0,2592
1
5 0,42 0,63 0,3456

2
f ( x)
5 0,43 0,62 0,2304
3
5
4
1
0,4 0,6 0,0768
4
5
0,45 0,60 0,0102
si x 0
Grafica de la Funcin de distribucin:
si x 1
si x 2
si x 3
si x 4
si x 5
Parmetros:
n p 5 0,4 2 , n p q 5 0,4 0,6 1,2 1,10
OBS:
Los clculos de probabilidad a partir de la funcin, pueden llegar a ser muy tediosos, en
especial cuando aumenta n, sin embargo se pueden obtener las probabilidades
directamente de la tabla Binomial, las cuales se encuentran disponibles en las tablas estadsticas y
de esta
forma evitar clculos fatigosos, Tambin se puede usar programas como el Excel
que dan
los clculos exactos
8.3 DISTRIBUCION GEOMETRICA

La distribucin geomtrica tambin esta relacionada con un proceso de Bernoulli, exepto que el
numero de ensayos no es fijo. Consideremos entonces una sucesin de ensayos Bernoulli.
Definimos la variable aleatoria X de la siguiente manera:
X w nmero de ensayos requeridos hasta obtener el primer xito.
Entonces tenemos: RX 0,1,3,... , con distribucin dada por:
p x P X x p x q
x 1
, x 1, 2,3...
Propiedades:
1
q
1. E X
2. V X 2
p
p
3. P X x r X r P X x es decir la distribucin geomtrica no tiene memoria
EJEMPLO:
La probabilidad de que una maquina produzca un articulo defectuoso es 0.25, se hace un
control de calidad se enciende la maquina.
a. cual es la probabilidad de que exactamente el cuarto articulo producido sea el
primer articulo defectuoso producido luego de encender la maquina?.
b. Si la maquina produce consecutivamente 4 artculos no defectuosos pasa al control
de calidad, Cul es la probabilidad de que la maquina pase el control de calidad?
c. Si la maquina pasa el control de calidad y se hace un segundo control cual es la
probabilidad de que vuelva a pasar el control de calidad?
d. Cual es valor esperado de X?
SOLUCION:
8.4 DISTRIBUCION BINOMIAL NEGATIVA

La distribucin binomial negativa tambin esta relacionada con un proceso de Bernoulli, es una
generalizacin de la distribucin geomtrica. Consideremos entonces una sucesin de ensayos
Bernoulli. Definimos la variable aleatoria X de la siguiente manera:
X w nmero de ensayos requeridos hasta obtener en total r xitos
(los r xitos no son necesariamente consecutivos).
Entonces tenemos: RX r, r 1, r 2, r 3,... , con distribucin dada por:
x 1 r
xr
p x P X x
p q , x r , r 1, r 2, r 3,...
r 1
Propiedades:
r
rq
1. E X
2. V X 2
p
p
EJEMPLO:
La probabilidad de que una maquina de la marca A con 2 aos de servcicio produzca un articulo
defectuoso es 0.25
a. Cual es la probabilidad de que exactamente el segundo articulo producido sea
defectuoso. (interprete correctamente la pregunta)
b. Cual es la probabilidad de que sea necesario fabricar 5 en total articulos para
obtener exactamente 3 articulos defectuosos.
c.
Digamos que el control de calidad consiste en fabricar artculos hasta obtener 2

defectuosos, luego se cuentan el total de los artculos sanos y si hay menos de 4
artculos sanos la maquina se manda a reparacin. Cul es la probabilidad de que la
maquina pase el control de calidad? (osea que no se mande a reparar)
d. Supongamos que hay tres maquinas iguales de la misma marca A y las tres con 2
aos de servicio, se efecta el control de calidad del tem anterior, Cul es la
probabilidad de que exactamente una de ellas se mande a reparacin y las otras 2
pasen el control?
e. Si el proceso de produccin es el siguiente: Se fabrican artculos hasta producir 100
defectuosos, luego se para la maquina y finaliza la produccin, finalmente se
empaquetan los artculos sanos en un nico lote. Si cada artculo sano representa
una utilidad de 5 soles y cada artculo defectuoso una perdida de 2 soles, Cul es la
utilidad esperada del proceso?
SOLUCION:
8.5 DISTRIBUCION HIPERGEOMETRICA
Consideramos una poblacin de tamao N, dividida segn la caracterstica a estudiar, en dos

subpoblaciones disjuntas de tamaos M y N M . Donde M<N
Por ejemplo una urna con N bolas, donde N = 1,2,3,... de las cuales M son blancas y N-M son
negras. Tomamos una muestra aleatoria sin remplazamiento de tamao n, siendo n N.
Definicin:
Tomamos una muestra aleatoria sin reemplazamiento de tamao n y definimos la v.a.:
X: nmero de elementos que pertenecen a las subpoblacin M.
Entonces decimos que X sigue una distribucin hipergeomtrica de parmetros N,M,n,
XH(N,M,n) y su funcin de probabilidad es:
M N M
x n x
, x 0,1, 2,......, min n, M
p x P X x

N

n

Propiedades:
M
1. E X n
N
M M N n
2. V X 1
N N 1
N
3. Aproximacin a la binomial: Sea X una v.a. con distribucin hipergeomtrica H (N,n,p ).
Entonces si N es muy grande en comparacin con n, la distribucin hipergeomtrica se
M
aproxima a la binomial. Es decir: H(N,M,n) B(n,p) si N. (se toma p
)
N
n
0.1
Se considerar una buena aproximacin cuando
N
EJEMPLO 1
En una convencin nacional, hay 50 representantes de un partido poltico, de los cuales 30
apoyan al candidato A y 20 apoyan al candidato B. Si seleccionamos aleatoriamente cinco
representantes, cul es la probabilidad de que entre esos cinco, dos apoyen al candidato
A?
SOLUCION: Sea X numero de representantes que apoyan a A, Tenemos: N=50, M=30,n=5.
30 50 30
30 20
x 5 x
2 5 2
0, 234
P X x
, x 0,1, 2,3, 4,5 , P X 2
50
50
5
5

8.6 DISTRIBUCION DE POISON
La distribucin de Poisson constituye un buen modelo para experimentos donde X representa el
nmero de veces que ha ocurrido un evento en una unidad dada de tiempo o de espacio. Por
ejemplo:
Nmero de llamadas recibidas en un conmutador durante un da, conociendo el promedio por
da.
Nmero de reclamaciones contra una empresa de seguros por semana, conociendo el prom.
Sem.
Nmero de llegadas a una estacin de servicio durante un minuto dado, conociendo el
prom./min.
Nmero de ventas hechas por un agente de ventas en un da, conociendo el promedio por da.
Slo se requiere que los eventos sean independientes.
1. Proceso Poisson
Diremos que los eventos discretos que se generan en un intervalo continuo (unidad de
medida: longitud, rea, volumen, etc) forman un proceso Poisson con parmetro , si
tiene las siguientes propiedades:
i.
ii.
iii.
El numero promedio de ocurrencias de eventos en una unidad de medida es

conocido e igual a
La ocurrencia de un evento en una unidad de medida h no afecta a la ocurrencia, o
no ocurrencia de otra unidad de medida h contigua. (independencia)
Sea una unidad de medida suficientemente pequeo de longitud h, luego:
a. La probabilidad de un xito en esta unidad pequea es proporcional a la longitud del
intervalo esto es h
b. La probabilidad de la ocurrencia de 2 o ms xitos en esta unidad pequea es
aproximadamente 0.
2.
Distribucin De Poisson
En un proceso Poisson de parmetro se observa t unidades de medida, definimos X de la
siguiente manera:
X w =numero de ocurrencias de eventos en t unidades de medida.
RX 0,12,3,..
La variable aleatoria as definida se llama variable aleatoria de Poisson y la distribucin de
probabilidad de X se llama distribucin de Poisson la cual esta definida por:
e t t
p x P X x
, x 0,1, 2,3..
x!
x
3. Propiedades:
a. t es el numero promedio de ocurrencias de los eventos en las t unidades de medida
b. E X t
c. V X t
d. La distribucin de Poisson tambin se utiliza para modelar datos discretos como
aproximacin a la Binomial dada la dificultad que exista de encontrar tablas Binomiales
adecuadas cuando n es grandes y p pequea.
Considerando un nmero n grande de pruebas de Bernouilli independientes, con
probabilidad de xito, pequea y haciendo = np, llegamos a obtener la distribucin de
Poisson como lmite de la binomial cuando n . Es decir, si n, p0 y =np
permanece constante, entonces se verifica: limB n,p P
n
En la practica la distribucin de probabilidad de Poisson proporciona buenas

aproximaciones cuando np 5 y p 0.1
EJEMPLO 1
Una central telefnica recibe 480 llamadas en una hora, pero no puede recibir ms de 12
llamadas en un minuto.
Determine:
a. La probabilidad de que se produzcan 10 llamadas en un minuto.
b. La probabilidad de que la central quede saturada en un minuto dado.
c. La probabilidad de que se produzcan a lo sumo 1 llamada en un minuto.
d. La probabilidad de que se produzcan mas de 2 llamadas en un minuto.
e. El nmero de llamadas esperadas en un minuto.
SOLUCION:
Sea X nmero de llamadas que se reciben en un minuto, como las probabilidades
pedidas se refieren a un minuto, deberemos hallar el numero de llamadas promedio por
minuto es decir t 480 / 60 8 (8 llamadas por minuto)
e 8 8
, x 0,1, 2,3..
x!
Asi calculamos directamente las probabilidades pedidas:
Luego p x P X x
e8 8
0.09926
a. P X 10
10!
10
e8 8
b. P X 12 1 P X 12 1
1 0.9362 0.06379 Porque como la
x!
0
central no puede recibir ms de 12 llamadas en un minuto, quedara saturada si
recibe ms de 12 llamadas
12
c. P(X 1) = 0.0003 + 0.0027= 0.0030

d. P(X 2) = 1 (0.0030 + 0.0027 + 0.0107
= 1 0.0137 = 0.9860
e. = 8 en un minuto.
EJEMPLO 2
Ejemplo 1. Suponga que una compaa de seguros asegura las vidas de 5000 hombres de 42
aos de edad. Si los estudios actuariales muestran que la probabilidad de que un hombre
muera durante el 2012 es 0.001 Cul es la probabilidad de que la empresa pague
exactamente 4 indemnizaciones durante el 2012?
SOLUCION:
Sea Y: Numero de hombres que mueren en el 2012, Luego Y es V.A. BINOMIAL
P Y 4 p(4)
5000!
(0.001)4 (0.999)4996 =0.1755
4!4996!
El valor de esta expresin no aparece en tablas y su clculo es tedioso.

Podemos considerar la variable aleatoria:
X: numero de defunciones en el ao 2012 y Aproximando con la distribucin de Poisson, se
toma la tasa media de sucesos np = (5000)*(0.001)= 5, teniendo t=1 ao:
P( X 4)
t 4et
4!
54 e5
0.1754
4!
8.7 DISTRIBUCIN MULTINOMIAL

La distribucin multinomial es una generalizacin de la distribucin binomial, la cual se
presentar cuando el experimento aleatorio en cuestin no slo d lugar a dos posibles
resultados, xito y fracaso, como ocurra en la binomial, sino que d lugar a tres o ms posibles
resultados.
1. Definicin: Decimos que v.a. r-dimensional ( X1 , X 2 ,..., X r )= nmero de veces que se
presentan cada uno de los sucesos A1 , A2 ,... Ar cuando se realizan las n-repeticiones
independientes del experimento sigue una distribucin multinomial de parmetros n,
p1, p2 ,... pr , ( X1 , X 2 ,..., X r )M(n, p1, p2 ,... pr ) y su funcin de probabilidad es :
P( X1 k1 , X 2 k2 ,..., X r kr )
n!
p1k1 pr kr
k1 ! kr !
con ki 0,1,..., n y
k
i 1
2. Propiedades:
a. E X i n pi
b. Var( X i )= npi 1 pi
Ejemplo:
Si lanzamos un dado 50 veces. Cul es la probabilidad de obtener 25 unos, 10 veces el dos y
15 veces el cinco?
SOLUCION:
Sea: X1 : numero total de unos, X2 : numero total de dos, X3 : numero total de tres,
Entonces la probabilidad pedida ser:
P X1 25, X 2 10, X 3 0, X 4 0, X 5 15, X 6 0
25
10
15
50!
1 1 1 1 1 1
19
5.1(10 )
25!10! 0! 0!15! 0! 6 6 6 6 6 6
8.8 EJERCICIOS:
ESPACIO MUESTRAL
1. Construir el espacio muestral asociado al experimento de lanzar dos monedas y observar
las caras superiores.
2. Construir el espacio muestral apropiado para el experimento de lanzar una moneda y
lanzar un dado.
3. Construir el espacio muestral apropiado para el experimento de lanzar una moneda o
lanzar un dado pero no ambos.
4. Dados los experimentos no determinsticos determinar los espacios mustrales
asociados a cada uno de ellos:
a. Se lanza una moneda 5 veces y se cuenta el nmero de caras.
b. Se fabrican artculos en una maquina y se cuentan el numero de artculos
defectuosos cada12 horas.
c. Se fabrican artculos hasta producir 5 no defectuosos. Se cuenta el nmero de
artculos fabricados en total.
5. Se tiene dos equipos en competencia A y B. El primero en ganar dos encuentros de tres
se adjudica el premio.(el juego acaba cuando uno de ellos gana) Describir el espacio
asociado a este juego.
6. Se fabrica un foco y luego de encenderlo se toma el tiempo hasta que se queme.
EVENTOS y SUCESOS:
1. Tres secretarias A, B y C se distribuyen al azar en dos oficinas 1 y 2 (una por oficina).
Describa los eventos:
a. La secretaria A ocupa la oficina 2
b. La secretaria C no ocupa ninguna de las oficinas.
2. Una urna contiene 4 bolillas numeradas: 1, 3,5 y 7, otra urna contiene 3 bolillas
numeradas: 2, 4, y 6. Se extrae una bolilla de la primera urna y luego una segunda bolilla
de la segunda urna. De tres ejemplo de:
a. Un evento elemental.
b. Un evento imposible
c. Un evento seguro
d. Dos eventos disjuntos

e. tres eventos mutuamente excluyentes dos a dos
f. Dos eventos independientes
3. Calcule la probabilidad de cada uno de los eventos listados en el tem anterior.
G=(12) P(G)=1/12
4. Supongamos que una bolilla es seleccionada de una urna que contiene 10 bolillas rojas
numeradas del 1 al 10 y 10 bolillas azules numeradas tambin del 1 al 10. Sean los
eventos:
A: La bolilla seleccionada viene numerada por un nmero par.
B: La bolilla seleccionada es azul.
C: La bolilla seleccionada viene numerada por un nmero par y es roja.
a. Determine el espacio maestral asociado a este experimento.
b. liste los sucesos asociados a los eventos A, B y C.
5. Suponga que en el intervalo cerrado 0,1
Se selecciona un nmero aleatoriamente y sean los sucesos:
A. El nmero seleccionado es impar.
B. El nmero seleccionado es mayor que 0.5.
1
C. El nmero seleccionado es de la forma , n .
n
D. El nmero seleccionado es par.
Determine el espacio muestral asociado a este experimento y determine los elementos de
los eventos A, B, C, y D.
Que puede decir del evento D. Es A un EVENTO ELEMENTAL?
6. Un nmero es seleccionado al azar entre los nmeros 1 al 20 Sean los eventos:

A: el nmero elegido es par.
B: el nmero elegido es primo.
C. el nmero elegido es mltiplo de 5.
Liste los elementos de los siguientes eventos:
A B , A B , AC C , A B C C .
PROBABILIDADES:
1. Sean A y B dos eventos cualesquiera tal que:
P A 0.2 , P B 0.6 y P AB 0.6 Calcular:

P A B
P AB
P AB
P AUB
P AUB
2. Una urna contiene 5 bolas blancas y 7 bolas negras.se extrae un abola al azar, se pone fuera
de la urna y su color no es visto; despus se extrae otra bola aleatoriamente. Cul es la

probabilidad que esta ultima sea blanca?
i. I: La primera sea B
ii. II: La primera no sea B
iii. III: la segunda sea B
3. Se tiene 5 urnas idnticas; dos de ellas de igual contenido ,con 3 bolas blancas y 5 negras ,y
las otras tres teniendo cada una ,4 blancas y 3 negras .se elije una urna aleatoriamente .De
la urna elegida se extrae al azar una bola .cual es la probabilidad que sea blanca?
4. Se tiene 2 urnas A y B, con 5 bolas rojas ,3 blancas y una roja ,2 blancas respectivamente .Se lanza un
dado, si se obtiene 3 o 6, se pasa una bola de B a A, luego se extrae una bola de A .En cualquier otro
caso se pasa una bola de A a B, luego se extrae una bola de B. Determinar la probabilidad que:
a. Ambas bolas sean rojas.
b. Ambas bolas sean blancas.
5. tres urnas contienen respectivamente una bola blanca, dos negras; dos blancas una bola negra; dos
blancas y dos bolas negras. De la primera urna se transfiere una bola a la segunda, despus se
transfiere una a la tercera urna y enseguida se extrae una bola de la tercera urna. Cul es la
probabilidad de que esta sea blanca?
6. Considere una urna con 10 bolas de las cuales 5 son negras .se elije al azar un entero n del
conjunto {1, 2, 3, 4, 5,6}, luego se selecciona una muestra de tamao n sin reemplazo de la
urna .Determinar al probabilidad que todas las bolas de la muestra sean blancas.
7. En una sociedad hay 15 miembros, 5 mujeres y 10 hombres. A una reunin asistieron 13 miembros
para elegir un presidente. Cul es la probabilidad de que sea una mujer la elegida?
8. Se tiene 5 fusiles que, cuando son apuntados apropiadamente y disparados, tienen probabilidades
de dar en el blanco respectivamente como sigue: 0.5; 0.6; 0.7; 0.8 y 0.9. e escoge aleatoriamente
uno de los fusiles, se apunta y dispara. Cul es la probabilidad de dar en el blanco?
9. Una caja contiene 3 monedas, dos normales y una con dos caras. Se elige una moneda al azar y se
efecta una tirada. Si sale cara se tira otra vez. Si sale sello, entonces se elige una de las otras dos de
la caja y se tira.
10. Determinar la probabilidad que salgan dos caras.

11. Si se tira la misma moneda las dos veces, hallar la probabilidad de que sea la
moneda con
dos caras.
12. Una urna I contiene dos bolas blancas y tres azules, una segunda urna II, contiene tres bolas blancas
y cuatro azules, se extrae aleatoriamente una bola de la urna I y se coloca en la segunda, luego se
extrae aleatoriamente una bola de esta; calcular la probabilidad de que esta ultima sea blanca.
13. Por la noche dos coches se aproximan uno al otro en una autopista. Si ninguno de los dos choferes
esta borrachos, ambos pasarn a salvo con una probabilidad de 0.999. Cada uno puede estar
borracho con una probabilidad de 0.1, la probabilidad que ambos estn borrachos es de 0.01. si solo
el chofer A esta borracho, pasaran a salvo con una probabilidad de 0.7. Si solo el chofer B esta
borracho pasaran a salvo con una probabilidad de 0.8. Si ambos estn borrachos, pasaran sin peligro
con una probabilidad de 0.4. Cul es la probabilidad que pasen a salvo?
14. La urna I tiene tres bolas blancas y 7 negras. La urna II tiene 20 bolas de las cuales algunas son
blancas y las dems son negras se escoge una urna al azar y de ella se extrae una bola
encontrndose que es blanca. si la probabilidad que esta bola blanca provenga de la urna I es igual a
1/3 determinar el nmero de bolas blancas que existan originalmente en la urna II.
15. Un fabricante recibe el 60% de sus materias primas del distribuidor A y el resto B por experiencia
sabe que el 92% de los costales de materia prima llegan en buenas condiciones. Cul es la
probabilidad que un costal daado sea el distribuidor A? Qu Sea el B? un estudio posterior revela
que el 95% de los costales del distribuidor A llega en buen estado ,mientras que el 87.5% de B es de
buena calidad .con esta informacin Cul es la probabilidad que un costal daado proceda de A ?.
16. un aparato especial para medir el contenido alcohlico en la sangre de una persona arrojo el
siguiente resultado : de 500 voluntarios ,240 estaban borrachos ( el nivel de alcohol de sangre era
0.0015 o mas ) los mismos 500 voluntarios se sometieron a una prueba sangunea inmediatamente
despus ,encontrndose 280 personas con un nivel de 0.0015 o mas .despus se determino que 180
personas resultaron estar borrachos en ambas pruebas que porcentaje de personas resultaron
estar ebrios sin que lo indicara el aparato?.Supngase que una persona realmente estuviera
borracha y que pasara la prueba en el aparato .segn la informacin dada anteriormente, Cul es la
probabilidad que al prueba resulta positiva?.
17. Todas las noches, el seor Prez llega tarde a su casa .la seora Prez que es una buena esposa, le
deja encendida la luz de la entrada a la casa. la probabilidad que el seor Prez llegue borracho es
0.60 si llega borracho ,hay una probabilidad de 0.90 que olvide apagar la luz que tanto que esta es
solo de 0.05 si llega sobrio.
a. Cual es la probabilidad que el seor Prez apague la luz en una noche cualquiera?.
b. Dado que el seor Prez apago la luz una cierta noche .cual es la probabilidad que a
ya legado borracho?
18. La compaa COMPUT-PERU esta considerado comercializar una Calculadora electrnica .de
acuerdo a una investigacin hecha en el mercado, la probabilidad que el producto tenga xito es
0.80 si una firma competidora introduce un producto similar en el mercado, en tanto que la
probabilidad de xito es de 0.30 si la firma competidora comercializa el producto similar en el
mercado ,en tanto que la probabilidad de xito es de 0.30 si al firma competidora comercializa el
producto similar .A dems la compaa estima que hay una probabilidad de 0.40 que la firma
competidora comercialice el producto .dado que el producto de la compaa de COMPUT-PERU tuvo
xito . cual es la probabilidad que al firma competidora haya comercializado el producto ?
19. Juan tiene dos bolas; la bolsa I, con tres bolas rojas y dos blancas ;la bolsa II con una bola roja y
cuatro blancas. Juan escogi una bola de la bolsa I ala zar y lo coloca en la bolsa II y encuentra que es
roja Cual s la probabilidad de que al bola transferida de la bolsa I a la II haya sido roja.
20. Si P[A] = 1/6, P[AB] = 1/18, P[B] = 1/3. Son A y B independientes?
21. Una urna contiene cuatro bolas blancas y cinco negras. Se extraen sucesivamente y sin reposicin
dos bolas, sean los eventos: A: La primera bola extrada es negra B: la segunda bola extrada es
blanca, Son los eventos A y B independientes?
22. De una baraja ordinaria de 52 cartas se extraen sucesivamente dos cartas, restituyendo la primera
antes de extraer la segunda. Sea A el evento (suceso) la primera carta es una pica, B el evento la
segunda carta es as o rey y C el evento la primera carta es as o rey. De los tres pares de eventos:
A y B; A y C; B y C. determine cuales (si los hay) son independientes.
23. Si A y B son independientes, P[A] = 1/3, P[B] = 1/4, Hallar P[A U B]
24. si A Y B son independientes .P[A]=P[B]=1/2.calcular p[AB U AB]
25. Dado P [A] = 0.5 y P[AUB] =0.7.Hallar P[B],Si A y B son independientes
26. si A Y B independientes, y P[A] = [B/A] =1/2 Hallar P[AUB]
27. si A y B son eventos independientes con P[A]= 0.2 , P[B]= 0.3 Cul es la probabilidad que:
a.
b.
c.
Al menos uno ocurra

Exactamente uno ocurra
Ninguna ocurra
d.
Ambos ocurran
28. Sean A y B dos eventos independientes, se sabe que la probabilidad de que ocurra al menso uno de
dicho eventos es 0,6 y que al probabilidad de que ocurra de A es 0,4 .Cual es la probabilidad de que
ocurra B.
29. Si un conejo es inyectado con una droga A la probabilidad que muera dentro de las 24 horas
siguientes es de 0,63 y si es inyectado con una droga B dicha probabilidad es de 0,45 .cual es la
probabilidad que un conejo sobreviva ms de 24 horas despus de haber sido inyectado
simultneamente con las drogas A y B ,si se supone que la accin de las misma es independiente.
30. Se dispara cada uno de los fusiles A, B y C la probabilidad de dar en el blanco es 0,15; 0,25 y 0,35,
respectivamente. Calcular la probabilidad:
a. De que al menos uno de los tres de en el blanco

b. De que acierte uno solo
31. Considere tres urnas; la urna I contiene una bola blanca y dos negras ,la urna II contiene tres bolas
blancas y dos negras y al urna III contiene dos bolas blancas y tres negras .Se extrae una bola de cada
una. Cual es la probabilidad de que entre las bolas extradas haya
a. Una blanca y dos negras

b. Por lo menos dos negras
c. Mas negras que blancas
VARIABLE ALEATORIA
1. Una urna contiene 4 bolas numeradas 1, 2, 3,4 respectivamente. Se extraen 2 bolas

aleatoriamente y sin reemplazamiento. Se define la variable X como la suma de estos dos
valores: Hallar el dominio de X, La distribucin de probabilidad de X y la funcin de
distribucin acumulada de X
2. Sea X una variable aleatoria cuya distribucin de probabilidad es la siguiente.
X
0
1
2
3
4
P(X) 1/8 1/4 1/4 1/4 1/8
a. Hallar E ( X )
b. Hallar E( X 2 )
c. Hallar E( X )2
3. En un juego de apuestas un hombre puede obtener una ganancia de 1000 soles o una
perdida de 500 soles La probabilidad de sufrir una perdida es 0.4 .Cual es la perdida o la
ganancia esperada en soles?
4. Dada la funcin de densidad de la variable X :
x,
0 x 1500
(1500)2
f ( x) 1
(1500)2 ( x 3000), 1500 x 3000
en otro caso
0
a. Hallar el valor esperado de X
b. Hallar el valor esperado de 6X-500
5. Suponiendo que la duracin (en horas) de cierto transistor es una variable contina X con
100
fdp f ( x) 2 , x 100 y 0 para cualquier otro valor.
x
a. Halle la funcin de distribucin acumulada de X.
b. Determine si existe E ( x)
6. Supngase que un instrumento electrnico tiene una duracin X (en unidades de 1000 horas
) que se cons8idera como una variable aleatoria continua con la siguiente fdp:
f ( x) e x , x 0.
Suponiendo que el costo de fabricacin de tal articulo es $2.00. El fabricante vende el
articulo por $5.00, pero garantiza un reembolso total si X 0.9 . Cul es la utilidad
esperada del fabricante por artculo?
7. Se sabe que un lote contiene 2 artculos defectuosos y 8 no defectuosos. Si estos se deben

inspeccionar al azar uno despus del otro hasta encontrar los dos artculos defectuosos,
Cul es el numero esperado de artculos que se tendrn que inspeccionar hasta que
aparezcan los dos defectuosos?
8. Un lote de 10 motores elctricos contiene uno defectuoso y estos pueden ser vendidos
totalmente o rechazados totalmente por el cliente, si el costo por motor es de $75 y se
venden por $100 cual ser la utilidad del vendedor si es que el cliente escoge
aleatoriamente 2 motores y los prueba y en caso de encontrar uno o ambos motores
defectuosos rechaza el lote y en este caso los 10 motores deben ser destruidos.
9. Supongamos que cierto tipo foco tiene una probabilidad de 0.2 de funcionar (encender)
ms de 1000 horas. Si probamos 20 focos, Cul es la probabilidad de que exactamente k de
ellos funcionen mas de 1000 horas?, k= 1, 2, 3, ,20
10. Supngase que el 5 por ciento de los artculos que salen de una lnea de produccin son
defectuosos. Se escogen 10 de tales artculos y se inspeccionan Cul es la probabilidad de
que se encuentren a lo ms 10 defectuosos?
11. Una fbrica produce diariamente 10 recipientes de vidrio. Se puede suponer que hay una
probabilidad constante p=0.1 de producir uno defectuoso. Antes de que estos depsitos se
almacenen son inspeccionados y los defectuosos puestos aparte. Supongamos que hay una
probabilidad constante r=0.1 de que un recipiente defectuoso sea mal clasificado. Sea X
igual al nmero de recipientes clasificados como defectuosos al trmino de un da de
produccin. (Suponemos que todos los recipientes que se fabrican en un da son
inspeccionados al termino de ese mismo da)
a. Calcular P( X 3) ,y P( X 3)
b. Obtener una expresin para P( X k )
12. Supngase que la maquina uno produce (diariamente) el doble de artculos que la maquina
2. Sin embargo, cerca del 4 % de los artculos producidos por la maquina uno son
defectuosos, mientras que en el caso de la maquina dos el porcentaje de defectuosos son
del 2%. Supongamos que se combina la produccin diaria de las dos maquinas. Se toma una
muestra aleatoria de tamao 10 del resultado combinado. Cul es la probabilidad de que
esta muestra contenga 2 defectuosos?
13. Una variable X aleatoria tiene por funcin de densidad:
x0
0
0.2 x
0 x 1
1 x 2
0.2
f ( x)
2 x3
0.2 x 0.2
0.4
3 x4
0
4 x
Calcular:
a. P(x1)
b. P(1<x2)
c. P(2<x3)
14. Sea X una variable aleatoria continua de funcin de densidad de probabilidad:
C(1 x 2 )
si x (0,3)
f ( x)
en otro caso
0
a. Hallar el valor de la constante C y la funcin de distribucin acumulativa de
probabilidad. Dibujar ambas funciones
b. Probabilidad de que X est comprendido entre 0 y 1
c. Probabilidad de que X sea menor que 1
d. Probabilidad de que X ses mayor que 2

e. Calcular E(x) y Var(x)
15. La funcin de densidad de una variable aleatoria continua es:
ax 2 b
si x (0,2)
f ( x)
en otro caso
0
Sabiendo que P(1/2<x<1) = 1/8, calcular:
a. a y b
b. La funcin de distribucin. Graficar f(x) y F(x)
c. P(x<1/2), P(1/4<x<3/4), P(x>1)
16. El dimetro de un cable elctrico se considera una v.a. continua X, cuya funcin de densidad
de probabilidad es:
a.
b.
c.
d.
e.
si 0 x 1
Cx(1 x)
f ( x)
en otro caso
0
Calcular el valor de C y dibujar f(x)
Determinar la funcin F(x) y dibujarla.
Calcular la media, mediana y varianza de la distribucin
Calcular P(x<1/2), P(0x1/4), P(x1/3)
1
2
P X 0.5 X
3
3
c.e x
, x
17. Sea F x x
e e x
la funcin de distribucin acumulada de una variable
aleatoria continua X.
a. Hallar el valor de c
b. Hallar f x la funcin de densidad de X, y demostrar que
f x dx 1
1
18. Sea una variable aleatoria con funcin de densidad f x kx , x 1,1
2
a. Determinar los valores de k para los cuales f x es ciertamente una funcin de
b.
c.
d.
e.
densidad.
Calcular la esperanza
la moda
la mediana de X.
Para qu valores de k se minimiza la varianza de X?
DISTRIBUCIONES CLASICAS ( POISON, BINOMIAL, EXPONENCIAL )

1. Hallar la media y la varianza de una v.a. Bernoulli.
2. Un panel solar tiene una vida til de 5 aos con una probabilidad de 0.95. Se toman 20
pneles solares y se registr la vida til.
a. Cul es la probabilidad de que exactamente 18 tengan su vida til de 5 aos?
b. Cul es la probabilidad de que cuando mucho 10 tengan esa vida til?
c. Si solo 10 paneles tienen una vida til de 5 aos, que debera pensarse sobre el
valor verdadero de P(Probabilidad de vida til)?
3. De todas las plantas slo el 5% descargan residuos por sobre la norma. Si se muestrean 20
plantas Cul es la probabilidad de que estn fuera de la ley:
a. Menos que una planta?
b. Menos de dos plantas
c. Exactamente 3
d. Ms de una
4. El nmero promedio de automviles que se detienen por minuto para tomar gasolina en
cierta gasolinera es 1.2. Cul es la probabilidad de qu en determinado minuto se
detengan ...
a. menos de dos automviles?
b. ms de tres automviles?
c. menos de dos automviles ms de tres?
d. dos tres automviles para tomar gasolina?
e. al menos dos automviles?
5. Entre los 60 aspirantes a unas plazas de tcnicos superiores en la Administracin Pblica,

40 son mujeres. Si seleccionamos una muestra aleatoria, sin reemplazamiento, de 20
aspirantes. Obtener la probabilidad de que 10 sean mujeres.
6. Un representante realiza cinco visitas cada da a los comercios de su ramo y por su
experiencia anterior sabe que la probabilidad de que le hagan un pedido en cada visita es
del 0,4. Obtener:
a. La distribucin del nmero de pedidos por da
b. Probabilidad de que le hagan 4 pedidos
c. Nmero medio de pedidos por da y varianza.
d. Probabilidad de que el nmero de pedidos en un da est comprendido entre 1 y 3
e. Probabilidad de que por lo menos realice dos pedidos.
7. Desde el ao 1980 el nmero medio de empresas que han presentado suspensin de pagos
ha sido de 6,8 por ao y admitimos que el nmero de empresas X que han presentado
suspensin de pagos durante un periodo determinado de tiempo sigue una distribucin de
Poisson. Obtener:
a.
Probabilidad de que ninguna empresa presente suspensin de pagos durante un

trimestre.
b.
Probabilidad de que por lo menos dos empresas presente suspensin de pagos
durante un determinado ao.
8. Se sabe que el 1% de los artculos importados de un determinado pas tienen algn defecto.
Si tomamos una muestra de tamao 30 artculos, determinar la probabilidad de que tres o
ms de ellos tengan algn defecto.
9. La distribucin de los salarios mensuales de los trabajadores de una gran empresa viene
dada por la siguiente tabla:
Proporcin de
trabajadores
[600,750]
0,15
(750,900]
0,28
(900,1200]
0,26
(1200,1800]
0,18
mas de 1800
0,13
Se seleccionan aleatoriamente cinco trabajadores de la empresa. Determinar la probabilidad
de que entre esos cinco trabajadores, uno pertenezca al tramo de salarios ms bajos, dos al
siguiente tramo y los dos restantes al tramo comprendido entre 1200 y 1800 Euros.
Rentas (euros)
10. El nmero de alumnos que llegan a la primera clase de la Facultad, sigue una distribucin de
Poisson, cuya media es de dos alumnos por minuto. El nmero de alumnas que llegan a la
misma clase sigue tambin una distribucin de Poisson, cuya media es de tres alumnas por
minuto. Admitimos que ambas llegadas son independientes. Obtener la probabilidad de que
lleguen menos de 4 alumnos y alumnas en un minuto.
11. Una empresa constructora tiene comprometida la realizacin de 9 proyectos, de los que 5
son de edificios de pisos. Si el prximo mes debe emprender la realizacin de 3 proyectos y
su eleccin es al azar con probabilidades de eleccin iguales para cada proyecto, se pide:
a. La distribucin del nmero de edificios de pisos que se empiecen a construir el
prximo mes.
b. Nmero esperado de edificios de pisos que previsiblemente se inicie su construccin
el prximo mes.
12. El numero N de tanques de aceite que llega a un refinera cada da se comporta como v.a de
Poisson con parmetro 2. Las facilidades de puerto de la refinera pueden servir tres
tanques por da .Si llegan mas de tres tanques en exceso deben ser puestos en otro puerto.
En un da especifico, Cul es la probabilidad de tener que enviar tanques a otro lugar?
13. Los coches que llegan a un semforo siguen un proceso de Poisson con media de 4 vehculos
por minuto. El semforo est 40 segundos en rojo y 80 segundos en verde.
a. Cul es la probabilidad de que haya 4 coches en cola cuando el semforo se
pone en verde?
b. Cul es la probabilidad de que haya ms de 7 coches en cola?

c. Cul es la probabilidad de que en un periodo de 6 horas haya al menos una
ocasin en la que haya ms de 7 coches en cola?
14. Una alumna trae cada da a la Universidad una tableta de chocolate de 16 cm, y de cuando
en cuando le da un mordisco y se come la mitad de lo que queda. Asumiendo que esta
golosa apetencia aparece en la maana siguiendo una distribucin de Poisson de medio un
mordisco por hora:
a. Calcular la distribucin del tiempo que transcurre hasta que aparece la
primera mordida.
b. Cuntos centmetros de chocolate esperas que le quede tras las cinco horas
de clases?
c. S un da, entre las 9:00 y las 14:00, la ha mordido en cuatro ocaciones, Qu
probabilidad hay de que lo haya hecho durante las tres primeras horas de
clase?
d. Si un da, entre las 9:00 y las 14:00 horas, la ha mordido en cuatro ocasiones,
Qu probabilidad hay de que lo haya hecho durante las tres primeras horas
de clase?
15. El nmero de fallos de un instrumento de prueba debidos a las partculas de un producto es
una variable de Poisson con media 0,2 fallos por hora.
a. Cul es la probabilidad de que el instrumento no falle en una jornada de 8
horas?
b. Cul es la probabilidad de que haya entre 20 y 40 fallos (ambos incluidos) en
un periodo de una semana (funcionando los 7 das, 24 horas diarias)?
16. Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p =1/100.000. Calcular la
probabilidad de que en una ciudad con 500.000 habitantes haya ms de 3 personas con
dicha enfermedad. Calcular el nmero esperado de habitantes que la padecen.
17. Una v.a sigue una distribucin Poisson con una media de 2.3 imperfecciones por milmetro.
a. Determine la probabilidad de 2 imperfecciones en un milmetro de alambre.
b. Determine la probabilidad de 10 imperfecciones en 5 milmetros de alambre.
c. Determine la probabilidad de al menos una imperfeccin en 2mm de alambre
18. El tiempo de reparacin de unas mquinas de escribir tiene una distribucin
aproximadamente exponencial, con media 22 minutos.
a. Hallar la probabilidad de que el tiempo de reparacin sea menor que diez
minutos.
b. El costo de reparacin es de 2000 pts. Por cada media hora o fraccin. Cul
es la probabilidad de que una reparacin cueste 4000 pts?
c. Para efectuar una programacin, Cunto tiempo se debe asignar a cada
reparacin para que la probabilidad de que cualquier tiempo de reparacin
mayor que el tiempo asignado sea solo de 0,1?
19. 2Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una
distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a una
persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de

20 aos? Si el marcapasos lleva funcionando correctamente 5 aos en un paciente. Cul es
la probabilidad de que haya que cambiarlo antes de 25% aos?
20. Se sabe que el kilometraje, en miles de kilmetros que un autobs recorre antes de que se
someta aun reparacin del motor sigue una distribucin exponencial con
( )
( )
Se tiene una flota de 300 autobuses Cuntos se esperara que se sometieran a reparacin
antes de 60,000km?, Cul es la probabilidad de que un autobs recorra ms de 100,000km
antes de cometer el motor a reparacin?
21. En un experimento de laboratorio se utilizan 10 gramos de
Sabiendo que la duracin
media de un tomo de esta materia es de 140 das, cuantos idas transcurrirn hasta que
haya desaparecido el 90% de este material?
22. El periodo de de vida en aos de un televisor de cierta marca tiene una distribucin
Exponencial con un promedio de falla de 6 aos.
a. Cul es la probabilidad de que un televisor falle antes de 2 ao de uso?
b. Suponga que analiza 5 televisores de esa marca, cul es la probabilidad de
que al menos 2 de los 5 televisores fallen antes del 2 ao de uso.
23. El tiempo que transcurra antes de que una persona sea atendida en una clnica de urgencias
es una variable aleatoria que tiene una distribucin exponencial con una media de 5
minutos.
a) cual es la probabilidad que una persona sea atendida antes de que transcurran 3 minutos.
b) si se selecciona al azar 10 personas cul es la probabilidad de que ms de 2 personas
sean atendidas en menos de 4 minutos?
24. El nmero medio de pinchazos en los neumticos de cierto vehculo industrial es de 0,3 por
cada 50.000 kilmetros (km) recorridos. Si el vehculo recorre 100.000 km, se pide:
a. Probabilidad de que no haya tenido pinchazos.
b. Probabilidad de que tenga menos de 3 pinchazos.
c. Nmero de km. recorridos para que la probabilidad de que no tenga
pinchazos sea 0,4066
25. En una planta manufacturera en particular, dos mquinas (A y B) producen una pieza
especial. Una mquina (B) es ms nueva y ms rpida. En un periodo de 5 minutos se
produce un lote formado por 32 piezas, 22 de las cuales son producidas por la mquina B y
el resto por la mquina A. Suponga que un inspector selecciona al azar doce piezas de este
lote.
a. Cul es la probabilidad de que exactamente tres piezas se hicieran en la mquina A?
b. Cul es la probabilidad de que la mitad de las piezas se hicieran en cada mquina?
c. Cul es la probabilidad de que todas las piezas se hicieran en la mquina B?
d. Cul es la probabilidad de que siete, ocho o nueve piezas se hicieran en la mquina

B?
UNFV-FCCNNM-EAPQ-ASIGNATURA: PROBABILIDADES
Examen Parcial Mayo 2012
1. Pruebe que el teorema de la multiplicacin P A B P A / B P B establecido para dos
sucesos, se puede generalizar para tres sucesos como sigue:
P A B C P A / B C P B / C P C
(3
pts.)
2. La variable aleatoria continua X tiene funcin de densidad f x 3x2 , 1 x 0 .
Si b es un nmero que satisface 1 b 0 , Calcular P X b X

2
(3 pts.)
3. Un experimento consiste en lanzar 2 bolas en 4 cajas de tal manera que cada bola tiene
igual probabilidad de caer en cualquier caja. Si X denota el nmero de bolas en la primera
caja.
(3 pts.)
a. Hallar la funcin de probabilidad de X
b. Hallar la media y E X 2
c. Hallar la moda de X.
4. Se tiene 5 urnas idnticas, dos de ellas de igual contenido, con 3 bolas blancas y 5 negras, y
las otras tres teniendo cada una, 4 blancas y 3 negras. Se elige una urna aleatoriamente. De
la urna elegida se extrae al azar una bola.
(3 pts.)
a. Cul es la probabilidad de que sea blanca?
b. Si la bola resulto blanca, cual es la probabilidad que provenga de una de las dos
primeras urnas?
c. Si no se sabe qu color resulto, cual es la probabilidad de que provenga de la primera
urna blanca?
5. Una persona tiene tiempo para jugar a la ruleta 5 veces a lo sumo. En cada juego gana o
pierde 6 euros. Una persona empieza con 6 euros y dejar de jugar si antes de la 5 vez
pierde todo su dinero o si gana 18 euros, esto es, si tiene 24 euros. Sea X el nmero total de
jugadas que hace esta persona Hallar:
(3 pts.)
a. el Rango de X
b. la funcin de probabilidad
c. la esperanza matemtica de W 2 X 1
6. La funcin de densidad de una variable aleatoria continua X es:
pts.)
(4
k
,0 x
4
f ( x) x 1
0
, en otro caso
a) Hallar k
b) Hallar E X (EN CASO EXISTA)
(1 pt)
(2 pt)
c) Hallar la moda
(1 pt)
7. Sea el experimento aleatorio De urna que contiene 2 esferas rojas y 3 esferas negras se
extrae una esfera con reemplazo hasta que salga una esfera roja por primera vez
Se define el espacio muestral como r, nr, nnr, nnnr, nnnnr....
Indique si las afirmaciones son verdaderas falsas:
(2 pts.)
a) La variable aleatoria X color de la primera esfera es una variable aleatoria discreta

(
)
b) La variable aleatoria Y nmero total de extracciones hasta obtener una esfera roja
es una variable aleatoria continua
(
)
c) y 3 3.P nnr donde y est definido en el tem b.
(
)
d) F y 2.5
2 3 2
. donde y est definido en el tem b
5 5 5
Tiempo Mximo 100 minutos. Puntaje mximo 20

Prohibido el uso de celulares, prstamo de calculadoras u otros materiales.

Guia Estadistica y Probabilidades 2013 Villarreal

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Guia Estadistica y Probabilidades 2013 Villarreal

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

FACULTAD DE INGENIERA ELECTRNICA E INFORMTICA

APUNTES DE CLASE Y GUIA DE PRCTICAS

Docente: Lic. Pedro Saenz Rivera

Experimento Aleatorio o no determinstico: Conjunto de pruebas realizadas bajo las mismas

1 : Lanzar moneda y observar su cara superior

4 : Elegir un punto en el intervalo cerrado 0,1

Espacio Muestral: Es el conjunto de todos los resultados posibles asociados a un experimento

Al experimento aleatorio 1 :Lanzar moneda le corresponde el espacio muestral 1 C, S

Al experimento aleatorio 2 le corresponde 2 D, ND

Al experimento aleatorio 3 le corresponde

Al experimento aleatorio 4 le corresponde

Al experimento aleatorio 5 le corresponde

Al experimento aleatorio 6 le corresponde

Los espacios muestrales pueden ser:

Evento simple o elemental: slo consta de solo elemento

2. OPERACIONES CON EVENTOS: (ALGEBRA DE EVENTOS)

LA INTERSECCIN, que se denota A B , es el evento que consta de todos los resultados en

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 4

EL COMPLEMENTO El complemento del evento A (con respecto al espacio muestral ), que se

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 5

Si A y B no tienen puntos muestrales en comn (sucesos) se denominan excluyentes y su

A ' B ' y A B ' A' B '

A ' B A A ' B '

3. PROBABILIDAD.Definicin Clsica: La probabilidad de un evento es la razn entre el nmero de casos (sucesos)

N = nmero de casos posibles.

PROPIEDADES: Sea un experimento aleatorio y un espacio muestral asociado a este. La probabilidad de

2. Si A es un evento imposible entonces P A 0

, siempre que P(B) > 0

Propiedades de la probabilidad condicional

En general tenemos dos formas de calcular P( A | B) :

5. REGLA DEL PRODUCTO DE PROBABILIDADES

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 8

, Bk conforman una particin del espacio muestral si

8. TEOREMA DE LA PROBABILIDAD TOTAL

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 9

9. TEOREMA DE BAYES.- Si los eventos B1 , B2 ,

, Bk forman una particin del espacio muestral y A

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 10

VARIABLE ALEATORIA Y DISTRIBUCION DE PROBABILIDADES.

a) Experimento: Tira 10 veces a una canasta

2. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 11

3. FUNCION O LEY DE PROBABILIDAD DE UNA VARIABLE DISCRETAS.

La coleccin de pares x, p x x RX es llamada distribucin de probabilidad de X.

La funcin de probabilidad p x toma valores entre 0 y 1.

La suma de todos los valores que toma la funcin de probabilidad es 1.

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 12

FUNCION DE DISTRIBUCION DE UNA VARIABLE ALEATORIA DISCRETA.

p xi P X xi , sea x un numero real cualquiera, la Funcin de Distribucin de X se denota por

5. FUNCION DE DENSIDAD DE PROBABILIDAD

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 13

Una consecuencia de esta definicin es que si A es el evento A x / a X b se define la

Este concepto de probabilidad se entiende que la probabilidad del evento A es equivalente a

f x no representa la probabilidad de algo, solamente cuando esta funcin se integra entre

c. Como consecuencia cuando X es una v.a. continua

1) Encuentre el valor de la constante c.

Se obtiene 0 c 3x2 x3 0 1 , luego c

6. FUNCION DE DISTRIBUCION ACUMULADAD DE UNA VARAIABLE ALEATORIA CONTINUA

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 15

6.1 POPIEDADES DE LA FUNCION DE DISTRIBUCION ACUMULADAD DE UNA VARAIABLE

4. F es creciente es no decreciente, esto es : Si a b F a F b

6. Del segundo teorema fundamental del calculo se tiene que: f x

UNFV/FIEI/ PROBABILIDADES Y ESTADSTICAII -2013/LIC. PEDRO SAENZ R. Pgina 16