Modelos Probabilísticos - Revisado
Modelos Probabilísticos - Revisado
Modelos Probabilísticos - Revisado
MODELOS PROBABILÍSTICOS
1. Distribuciones discretas
p = 0,5
Si se toma en cuenta el número de puntos que muestra la cara superior del dado
impar par
“éxito” “fracaso”
p = 0,5
1
Modelos probabilísticos Rubén Medinaceli O.
1.2.1. Definición
𝑓𝑋 (𝑥) = 𝑝 𝑥 𝑞1−𝑥 ; 𝑥 = 0, 1
En la expresión,
1.2.2. Teorema
a)
𝐸[𝑋] = 𝜇𝑋 = 𝑝
b)
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝑝𝑞
Una primera demostración del teorema está basada en las definiciones de media y varianza
proporcionadas en el tema anterior. Así,
a)
1
b)
2
Modelos probabilísticos Rubén Medinaceli O.
Por tanto,
Una segunda demostración del teorema está basada en la función generatriz de momentos.
Recuerde que para una variable aleatoria X discreta:
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝑑𝑚𝑋 (𝑡)
= 𝑝𝑒 𝑡
𝑑𝑡
𝑑𝑚𝑋 (𝑡)
=𝑝
𝑑𝑡𝑡→0
Por tanto,
𝐸[𝑋] = 𝜇𝑋 = 𝒑
b)
Donde,
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡)
= 𝑝𝑒 𝑡
𝑑𝑡 2
𝑑 2 𝑚𝑋 (𝑡)
=𝑝
𝑑𝑡 2 𝑡→0
Por tanto,
𝑉𝑎𝑟[𝑋] = 𝑝 − 𝑝 2 = 𝑝(1 − 𝑝) = 𝒑𝒒
3
Modelos probabilísticos Rubén Medinaceli O.
Rango de X = {0, 1, 2, 3, … , n}
1.3.1. Definición
Si X es una variable aleatoria cuya función de distribución de probabilidad viene dada por:
𝑛
𝑓𝑋 (𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 ; 𝑥 = 0, 1, 2, ⋯ , 𝑛
𝑥
1.3.2. Teorema
a)
𝐸[𝑋] = 𝜇𝑋 = 𝑛𝑝
b)
Recordando que,
4
Modelos probabilísticos Rubén Medinaceli O.
𝑛
𝑛
(𝑎 + 𝑏)𝑛 = ∑ ( ) 𝑎𝑛−𝑥 𝑏 𝑥
𝑥
𝑥=0
𝒎𝑿 (𝒕) = (𝒒 + 𝒑𝒆𝒕 )𝒏
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝑑𝑚𝑋 (𝑡)
= 𝑛(𝑞 + 𝑝𝑒 𝑡 )𝑛−1 𝑝𝑒 𝑡
𝑑𝑡
𝑑𝑚𝑋 (𝑡)
= 𝑛(𝑞 + 𝑝)𝑛−1 𝑝 = 𝒏𝒑
𝑑𝑡𝑡→0
Por tanto,
𝐸[𝑋] = 𝜇𝑋 = 𝒏𝒑
b)
Donde,
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡)
= 𝑛𝑝𝑒 𝑡 (𝑛 − 1)(𝑞 + 𝑝𝑒 𝑡 )𝑛−2 𝑝𝑒 𝑡 + (𝑞 + 𝑝𝑒 𝑡 )𝑛−1 𝑛𝑝𝑒 𝑡
𝑑𝑡 2
𝑑 2 𝑚𝑋 (𝑡)
= 𝑛𝑝(𝑛 − 1)𝑝 + 𝑛𝑝 = 𝑛(𝑛 − 1)𝑝 2 + 𝑛𝑝 = 𝑛2 𝑝2 − 𝑛𝑝 2 + 𝑛𝑝
𝑑𝑡 2 𝑡→0
Por tanto,
1.3.3. Ejercicio 1
Problema:
Se lanza cinco (5) veces un par de tetraedros (un tetraedro es un cuerpo geométrico de 4
caras, cada una de las cuales es un triángulo equilátero) cuyas caras, en cada caso, están
enumeradas del 1 al 4.
5
Modelos probabilísticos Rubén Medinaceli O.
Calcular la probabilidad que las caras sobre las que se apoyan los tetraedros muestren el
mismo número en dos (2) de los cinco lanzamientos.
Solución:
El espacio de muestreo (S) del experimento aleatorio puede representarse de la siguiente
manera:
El espacio de muestreo (𝑆) del experimento aleatorio puede representarse de la siguiente
manera:
Tetraedro 2
(base)
4 ● ● ● ●
“Éxito”
3 ● ● ● ●
2 ● ● ● ●
3 4
3
1 ● ● ● ● (Representan3 las bases de los dos tetraedros)
1 2 3 4 Tetraedro 1
(base)
“Éxito”: Los números de las caras sobre las que se apoyan los dos tetraedros son
iguales.
p = 1/4
“Fracaso”: Los números de las caras sobre las que se apoya los dos tetraedros son
diferentes.
q = 1 – p = 3/4
Nótese que:
• Si los dos tetraedros son lanzados cinco veces, se tiene cinco (n=5) experimentos
de Bernoulli.
X = Número de “éxitos” (números iguales en las caras en las que se apoyan los
tetraedros) en los cinco (5) lanzamientos
Se cumplen todos los requisitos para considerar que X sigue una distribución binomial.
6
Modelos probabilísticos Rubén Medinaceli O.
Por tanto,
𝑛 𝑥 𝑛−𝑥 5 1 𝑥 3 5−𝑥
𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑞 = ( )( ) ( ) ; 𝑥 = 0, 1, 2, 3, 4, 5
𝑥 𝑥 4 4
2
5 1 3 5−𝑥
𝑃(𝑋 = 2) = 𝑓𝑋 (2) = ( ) ( ) ( ) = 𝟎, 𝟐𝟔𝟒
2 4 4
1.3.4. Ejercicio 2
Problema:
Una fábrica produce bandas elásticas con una resistencia a la rotura preestablecida. Un
funcionario del departamento de control de calidad de la fábrica toma una muestra de 50
bandas de la línea de producción; el funcionario estira cada una de las 50 bandas elásticas
hasta la resistencia preestablecida y 3 de estas se rompen.
Solución:
p = 3/50 = 0,06
Se puede afirmar con claridad que X sigue una distribución binomial. Es decir,
50
𝑓𝑋 (𝑥) = ( ) (0,06)𝑥 (0,94)50−𝑥 ; 𝑥 = 0, 1, 2, 3, 4, ⋯ , 50
𝑥
Por tanto,
7
Modelos probabilísticos Rubén Medinaceli O.
a)
50
𝑃(𝑋 = 3) = ( ) (0,06)3 (0,94)50−3 = 0,231
3
b)
3
50 (0,06) 𝑥 (0,94)50−𝑥
𝑃(𝑋 ≥ 4) = 1 − 𝑃(𝑋 ≤ 3) = 1 − ∑ ( ) = 0,353
𝑥
𝑥=0
c)
𝐸[𝑋] = 𝜇𝑋 = 𝑛𝑝 = 100(0,06) = 6
Si se tiene,
N
N – k “fracasos”
n – x “fracasos”
n
x “éxitos”
k “éxitos”
8
Modelos probabilísticos Rubén Medinaceli O.
𝑘 𝑁−𝑘
( )( )
𝑃(𝑋 = 𝑥) = 𝑓𝑋 (𝑥) = 𝑥 𝑛 − 𝑥 ; 𝑥 = 0, 1, 2, 3, ⋯ , 𝑛
𝑁
( )
𝑛
1.4.1. Definición
Si X es una variable aleatoria cuya función de distribución de probabilidad viene dada por:
𝑘 𝑁−𝑘
( )( )
𝑓𝑋 (𝑥) = 𝑥 𝑛 − 𝑥 ; 𝑥 = 0, 1, 2, ⋯ , 𝑛
𝑁
( )
𝑛
1.4.2. Teorema
Luego,
a)
𝑛𝑘
𝐸[𝑋] = 𝜇𝑋 =
𝑁
b)
𝑁−𝑛 𝑘 𝑘
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝑛 (1 − )
𝑁−1 𝑁 𝑁
1.4.3. Ejercicio 3
Problema:
Una bolsa contiene cuatro bolas de billar rojas y tres bolas de billar verdes. Se selecciona
al azar tres bolas de billar una tras otra y sin reemplazo.
9
Modelos probabilísticos Rubén Medinaceli O.
1 2 3
Solución:
La probabilidad 𝑝 del éxito en la segunda selección es: p = 2/6 o p = 3/6, dependiendo del
resultado de la primera selección.
• n = Tamaño de la muestra = 3
Rango de X = {0, 1, 2, 3}
Por tanto,
𝑘 𝑁−𝑘 3 7−3 3 4
( )( ) ( )( ) ( ) ( ) 𝟏𝟐
𝑃[𝑋 = 2] = 𝑓𝑋 (2) = 𝑥 𝑛 − 𝑥 = 2 3 − 2 = 2 1 =
𝑁 7 7 𝟑𝟓
( ) ( ) ( )
𝑛 3 3
10
Modelos probabilísticos Rubén Medinaceli O.
Supóngase que:
Por tanto, interesa calcular la probabilidad de x fracasos antes de r-avo éxito; P(X = x)
Nótese que:
𝑟+𝑥−1
( )
𝑥
• La probabilidad de x fracasos = 𝒒𝒙
Por tanto,
𝑟 + 𝑥 − 1 𝑟−1 𝑥 𝑟+𝑥−1 𝑟 𝑥
𝑃(𝑋 = 𝑥) = 𝑃(𝑋 = 𝑥) = ( )𝑝 𝑞 𝑝 = ( ) 𝑝 𝑞 ; 𝑥 = 0, 1, 2, 3, ⋯
𝑥 𝑥
1.5.1. Definición
Si X es una variable aleatoria tal que su función de distribución de probabilidad viene dada
por:
𝑟+𝑥−1 𝑟 𝑥
𝑓𝑋 (𝑥) = ( ) 𝑝 𝑞 ; 𝑥 = 0, 1, 2, 3, 4, ⋯
𝑥
1.5.2. Teorema
Sea X una variable aleatoria que sigue una distribución binomial negativa.
Luego,
11
Modelos probabilísticos Rubén Medinaceli O.
a)
𝑟𝑞
𝐸[𝑋] = 𝜇𝑋 =
𝑝
b)
𝑟𝑞
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 =
𝑝2
Por tanto,
𝑟+𝑥−1 𝑟 𝑥 −𝑟
( ) 𝑝 𝑞 = ( ) 𝑝 𝑟 (−𝑞)𝑥
𝑥 𝑥
−𝑟 𝑟 −𝑟
𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] = ∑ 𝑒 𝑡𝑥 ( ) 𝑝 (−𝑞)𝑥 = ∑ ( ) 𝑝 𝑟 (−𝑞𝑒 𝑡 )𝑥
𝑥 𝑥
∀𝑥 ∀𝑥
𝒑 𝒓
𝒎𝑿 (𝒕) = ( )
𝟏 − 𝒒𝒆𝒕
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝑑𝑚𝑋 (𝑡)
= 𝑝 𝑟 (−𝑟)(1 − 𝑞𝑒 𝑡 )−(𝑟+1) (−𝑞𝑒 𝑡 ) = 𝑝 𝑟 𝑟(1 − 𝑞𝑒 𝑡 )−(𝑟+1) 𝑞𝑒 𝑡
𝑑𝑡
𝑑𝑚𝑋 (𝑡) 𝑝𝑟
= 𝑟𝑞𝑒 𝑡
𝑑𝑡 (1 − 𝑞𝑒 𝑡 )𝑟+1
𝑑𝑚𝑋 (𝑡) 𝑝𝑟 𝑟𝑞
= 𝑟𝑞 𝑟+1 =
𝑑𝑡𝑡→0 (1 − 𝑞) 𝑝
12
Modelos probabilísticos Rubén Medinaceli O.
Por tanto,
𝒓𝒒
𝐸[𝑋] = 𝜇𝑋 =
𝒑
b)
Donde,
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡)
= 𝑟𝑞𝑝 𝑟 [𝑞(𝑟 + 1)𝑒 2𝑡 (1 − 𝑞𝑒 𝑡 )−𝑟−2 + 𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )−𝑟−1 ]
𝑑𝑡 2
𝑑 2 𝑚𝑋 (𝑡) 𝑟 2 𝑞 2 𝑟𝑞 2 𝑟𝑞
= + 2 +
𝑑𝑡 2 𝑡→0 𝑝2 𝑝 𝑝
Por tanto,
𝑟 2 𝑞 2 𝑟𝑞 2 𝑟𝑞 𝑟 2 𝑞 2 𝑟𝑞 2 + 𝑟𝑝𝑞 𝑟𝑞(𝑞 + 𝑝) 𝒓𝒒
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2 = + 2 + − 2 = = = 𝟐
𝑝2 𝑝 𝑝 𝑝 𝑝2 𝑝2 𝒑
1.5.3. Ejercicio 4
Problema:
Una persona lanza tres monedas varias veces. Calcular la probabilidad que esta persona
obtenga “cara” en las tres monedas, por segunda vez en el quinto lanzamiento.
13
Modelos probabilísticos Rubén Medinaceli O.
Solución:
C C C “éxito”; 𝑝 = 1⁄8
C S C
S C C
C C S
S S S “fracaso”; 𝑞 = 7⁄8
S S C
S C S
C S S
En este caso,
La probabilidad de obtener “cara” en las tres monedas, por segunda vez en el quinto
lanzamiento es equivalente a la probabilidad de tener tres fracasos antes del segundo éxito;
vale decir que x = 3; r = 2 y x + r = 5
Vale decir,
1
𝑝=
8
14
Modelos probabilísticos Rubén Medinaceli O.
Por tanto, esta probabilidad puede ser calculada recurriendo a la distribución binomial
negativa, esto es
2
𝑟+𝑥−1 𝑟 𝑥 2+3−1 1 7 3
𝑃(𝑥 = 3) = 𝑓𝑋 (3) = ( )𝑝 𝑞 = ( ) ( ) ( ) = 𝟎, 𝟎𝟒𝟐
𝑥 3 8 8
1.5.4. Ejercicio 5
Problema:
Se sabe que, en cierto proceso de manufactura, en promedio, uno de cada diez productos
es defectuoso. ¿Cuál es la probabilidad que en un ejercicio de control de calidad el sexto
producto examinado sea el tercer defectuoso?
Solución:
Rango de X = {0, 1, 2, 3, 4, …}
𝑟+𝑥−1 𝑟 𝑥 3+3−1
𝑃(𝑥 = 3) = 𝑓𝑋 (3) = ( )𝑝 𝑞 = ( ) (0,1)3 (0,9)3 = 0,007
𝑥 3
Rango de X = {0, 1, 2, 3, …}
15
Modelos probabilísticos Rubén Medinaceli O.
Nótese que:
• La probabilidad de x fracasos = qx
• La probabilidad de un éxito = p
Por tanto,
𝑃(𝑋 = 𝑥) = 𝑞 𝑥 𝑝
1.6.1. Definición
Si X es una variable aleatoria tal que su función de distribución de probabilidad viene dada
por:
𝑓𝑋 (𝑥) = 𝑝𝑞 𝑥 ; 𝑥 = 0, 1, 2, 3, ⋯
1.6.2. Teorema
Luego,
a)
𝑞
𝐸[𝑋] = 𝜇𝑋 =
𝑝
b)
𝑞
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 =
𝑝2
1.6.3. Ejercicio 6
Problema:
Se tiene una bolsa con una bola de billar blanca, dos bolas de billar negras y una roja. Se
selecciona, al azar, una bola de billar, una tras otra y con reemplazo, hasta obtener por
primera vez una bola de billar blanca.
16
Modelos probabilísticos Rubén Medinaceli O.
Cuál es la probabilidad de obtener una bola de billar blanca por primera vez en el tercer
intento.
Solución:
(Cuando se dice con reemplazo, significa que, una vez seleccionada una bola de billar, se
anota el color y se devuelve la bola a la bolsa para la siguiente selección)
éxito; p = 1/4
fracaso; q = 3/4
X = Número de selecciones efectuadas antes de obtener por primera vez una bola de billar
blanca (éxito).
Rango de X = {0, 1, 2, 3, …}
Nótese que se cumplen todos los supuestos para afirmar que la variable aleatoria X sigue
una distribución geométrica.
17
Modelos probabilísticos Rubén Medinaceli O.
Por tanto,
1 3 2 9
𝑃(𝑥 = 2) = 𝑓𝑋 (2) = 𝑝𝑞 𝑥 = ( ) ( ) = = 0,14
4 4 64
1.6.4. Ejercicio 7
Problema:
Solución:
X = Número de años de comercialización del producto antes del año en el que se tiene
la primera acción judicial contra el producto.
Rango de X = {0, 1, 2, 3, 4, …}
En el ámbito descrito, la variable aleatoria X sigue una distribución geométrica, por tanto:
a)
b)
𝑞 0,80
𝜇𝑋 = = =4
𝑝 0,20
18
Modelos probabilísticos Rubén Medinaceli O.
Por ejemplo,
Si, además,
𝑒 −𝜃 𝜃 𝑥
𝑃(𝑋 = 𝑥) = ; 𝑥 = 0, 1, 2, 3, 4, ⋯ , ∞
𝑥!
1.7.1. Definición
Si X es una variable aleatoria cuya función de distribución de probabilidad viene dada por:
𝑒 −𝜃 𝜃 𝑥
𝑓𝑋 (𝑥) = ; 𝑥 = 0, 1, 2, 3, 4, ⋯ , ∞
𝑥!
1.7.2. Teorema
19
Modelos probabilísticos Rubén Medinaceli O.
a)
𝐸[𝑋] = 𝜇𝑋 = 𝜃
b)
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝜃
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
Por tanto,
𝑡
𝑚𝑋 (𝑡 ) = 𝑒 −𝜃 𝑒 𝜃𝑒
𝑑𝑚𝑋 (𝑡) 𝑡 𝑡
= 𝑒 −𝜃 𝑒 𝜃𝑒 𝜃𝑒 𝑡 = 𝜃𝑒 −𝜃 𝑒 𝑡 𝑒 𝜃𝑒
𝑑𝑡
𝑑𝑚𝑋 (𝑡)
= 𝜃𝑒 −𝜃 𝑒 𝜃 = 𝜃
𝑑𝑡𝑡→0
Por tanto,
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ = =𝜃
𝑑𝑡𝑡→0
b)
Donde,
20
Modelos probabilísticos Rubén Medinaceli O.
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡) 𝑡 𝑡 𝑡
= 𝜃𝑒 −𝜃 [𝑒 𝑡 𝑒 𝜃𝑒 𝜃𝑒 𝑡 + 𝑒 𝜃𝑒 𝑒 𝑡 ] = 𝜃𝑒 −𝜃 𝑒 𝑡 𝑒 𝜃𝑒 [𝜃𝑒 𝑡 + 1]
𝑑𝑡 2
𝑑 2 𝑚𝑋 (𝑡)
2 = 𝜃𝑒 −𝜃 𝑒 𝜃 [𝜃 + 1] = 𝜃[𝜃 + 1] = 𝜃 2 + 𝜃
𝑑𝑡𝑡→0
Por tanto,
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ = = 𝜃2 + 𝜃
𝑑𝑡 2 𝑡→0
Finalmente,
1.7.3. Ejercicio 8
Problema:
El número de clientes que llegan al Banco Sol sigue una distribución de Poisson con una
media igual a cinco (5) clientes por hora. Este banco atiende a sus clientes a partir de las
8:00 a.m.
Solución:
a)
Rango de X = {0, 1, 2, 3, 4, 5, 6, …}
θ=5
Se busca,
21
Modelos probabilísticos Rubén Medinaceli O.
𝑒 −5 50 𝑒 −5 51 𝑒 −5 52
𝑃(𝑋 ≥ 3) = 1 − { + + } = 1 − {0,007 + 0,034 + 0,084} = 1 − 0,125
0! 1! 2!
𝑷(𝑿 ≥ 𝟑) = 𝟎, 𝟖𝟕𝟓
b)
Sea,
Y = Número de clientes que llegan al Banco Sol en una mañana (8:00 – 12:00
a.m.)
Rango de Y = {0, 1, 2, 3, 4, 5, 6, …}
La media de Y es igual a:
Se busca,
𝑃(𝑌 = 30)
𝑒 −20 2030
𝑃(𝑌 = 30) =
30!
1.7.4. Ejercicio 9
Problema:
Dos ingenieros trabajan para una empresa de seguros subvencionada por el Estado. Ellos
han establecido que el número de accidentes serios por mes en lugares donde se
construyen edificios nuevos sigue una distribución de Poisson.
Basados en los datos que se muestran a continuación ellos han realizado una predicción
señalando que el evento de un (1) accidente serio por mes es el más probable:
22
Modelos probabilísticos Rubén Medinaceli O.
Solución:
Sea,
Rango de X = {0, 1, 2, 3, 4, …}
𝑒 −𝜃 𝜃 𝑥 𝑒 −0,76 0,761
𝑃(𝑋 = 1) = 𝑓𝑋 (1) = = = 0,35
𝑥! 1!
De verdad existe una importante probabilidad de tener un (1) accidente serio por mes.
Sin embargo,
𝑒 −0,76 0,760
𝑃(𝑋 = 0) = 𝑓𝑋 (0) = = 0,47
0!
La probabilidad de tener cero (0) accidentes por mes es más probable. Por tanto, los dos
ingenieros deben revisar su predicción.
2. Distribuciones continuas
23
Modelos probabilísticos Rubén Medinaceli O.
Intervalo de tiempo
○ ○ ○ ○ ○
t0 t1 t2 t3 t4 T
𝑓𝑇 (𝑡) = 𝜃𝑒 −𝜃𝑡 ; 𝑡 ≥ 0
2.1.1. Definición
𝑓𝑋 (𝑡) = 𝜃𝑒 −𝜃𝑥 ; 𝑥 ≥ 0
fX(x)
1
𝜎𝑋2 =
𝜃2
𝟏
0 𝝁𝑿 = X
𝜽
2.1.2. Teorema
Luego,
24
Modelos probabilísticos Rubén Medinaceli O.
a)
1
𝐸[𝑋] = 𝜇𝑋 =
𝜃
b)
1
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 =
𝜃2
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝜃
𝑚𝑋 (𝑡) = − (0 − 1)
𝜃−𝑡
𝜃
𝑚𝑋 (𝑡) =
𝜃−𝑡
𝑑𝑚𝑋 (𝑡) 𝜃
= −𝜃(𝜃 − 𝑡)−2 (−1) =
𝑑𝑡 (𝜃 − 𝑡)2
𝑑𝑚𝑋 (𝑡) 𝜃 1
= 2=
𝑑𝑡𝑡→0 𝜃 𝜃
Por tanto,
𝑑𝑚𝑋 (𝑡) 𝟏
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ = =
𝑑𝑡𝑡→0 𝜽
b)
Donde,
25
Modelos probabilísticos Rubén Medinaceli O.
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡) 2𝜃
2 = −2𝜃(𝜃 − 𝑡)−3 =
𝑑𝑡 (𝜃 − 𝑡)3
𝑑 2 𝑚𝑋 (𝑡) 2𝜃 2
2 = 3= 2
𝑑𝑡𝑡→0 𝜃 𝜃
Por tanto,
𝑑 2 𝑚𝑋 (𝑡) 2
𝐸[𝑋2 ] = 𝜇2′ = =
𝑑𝑡 2 𝑡→0 𝜃2
Finalmente,
2 1 2 2 1 𝟏
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2 = 2
− ( ) = 2− 2= 𝟐
𝜃 𝜃 𝜃 𝜃 𝜽
2.1.3. Ejercicio 10
Problema:
a) Acaba de llegar un bus. ¿Cuál es la probabilidad que el siguiente bus llegue en los
siguientes 30 minutos?
b) Calcular la media del tiempo entre llegadas de buses a la nueva terminal de buses
de Oruro.
Solución:
Si el número de buses que llegan a nueva terminal de buses de la ciudad de Oruro sigue
una distribución de Poisson con una media igual a cuatro buses por hora (θ = 4 buses por
hora), el tiempo entre llegadas de buses a la nueva terminal sigue una distribución
exponencial.
X = Tiempo entre llegadas de buses a la nueva terminal de la ciudad de Oruro (en horas)
a)
Se sabe que,
26
Modelos probabilísticos Rubén Medinaceli O.
Se busca,
P(X ≤ 0,5)
fX(x)
𝑃(𝑋 ≤ 0,5)
0 0,5 X
0 0 0
b)
1 1
𝐸[𝑋] = 𝜇𝑋 = = = 0,25 ℎ𝑜𝑟𝑎𝑠 = 15 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜃 4
2.1.4. Ejercicio 11
Problema:
27
Modelos probabilísticos Rubén Medinaceli O.
Solución:
a)
Sea,
1
= 25 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜃
1
𝜃= = 0,04
25
Consecuentemente,
fX(x)
𝑃(𝑋 ≤ 60)
0 60 X
60 60
0,04 −0,04𝑥 60
𝑃(𝑋 ≤ 60) = ∫ 𝜃𝑒 −𝜃𝑥 𝑑𝑥 = 0,04 ∫ 𝑒 −0,04𝑥 𝑑𝑥 = − 𝑒 | = −𝑒 −0,04(60) + 𝑒 0
0,04 0
0 0
b)
Sea,
Consecuentemente,
28
Modelos probabilísticos Rubén Medinaceli O.
𝑒 −𝜃 𝜃 𝑦
𝑓𝑌 (𝑦) =
𝑦!
Por tanto,
2.2.1. Definición
Si X es una variable aleatoria cuya función de densidad de probabilidad viene dada por:
1
𝑓𝑋 (𝑥) = ;𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
Se dice que la variable aleatoria X sigue una distribución uniforme en el intervalo (a, b)
y se denota por: 𝑋 ~ 𝑈(𝑎, 𝑏).
fX(x)
1
𝑏−𝑎
a b X
2.2.2. Teorema
Sea X una variable aleatoria que sigue una distribución uniforme en el intervalo (a, b).
Luego,
29
Modelos probabilísticos Rubén Medinaceli O.
a)
𝑎+𝑏
𝐸[𝑋] = 𝜇𝑋 =
2
b)
(𝑏 − 𝑎)2
𝑉𝑎𝑟[𝑋] =
12
a)
𝑏
1 1 𝑥2 𝑏 𝑎2 − 𝑏 2 𝑎+𝑏
𝐸[𝑋] = 𝜇𝑋 = ∫ 𝑥 𝑑𝑥 = |𝑎 = =
𝑏−𝑎 𝑏−𝑎 2 2(𝑏 − 𝑎) 2
𝑎
b)
𝑏
1 𝑏 3 − 𝑎3
𝐸[𝑋2 ] = ∫ 𝑥 2 𝑑𝑥 =
𝑏−𝑎 3(𝑏 − 𝑎)
𝑎
2.2.3. Ejercicio 12
Problema:
Se pide:
c) Si la oficina se abre a las 9:00 a.m. y el ingeniero sale de su casa a las 8:35 todos
los días, ¿qué porcentaje de las veces llega tarde a su oficina?
30
Modelos probabilísticos Rubén Medinaceli O.
Solución:
a)
𝑎 + 𝑏 15 + 30
𝐸[𝑋] = 𝜇𝑋 = = = 22,5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
2 2
b)
fX(x)
𝑃(𝑋 ≥ 20)
1
𝑏−𝑎
a=15 b=30 X
20
30 30
1 1 1 30 30 − 20
𝑃(𝑋 ≥ 20) = ∫ 𝑑𝑥 = ∫ 𝑑𝑥 = 𝑥| = = 0,67
30 − 15 15 15 20 15
20 20
c)
30 30
1 1 1 30 30 − 25
𝑃(𝑋 ≥ 25) = ∫ 𝑑𝑥 = ∫ 𝑑𝑥 = 𝑥| = = 0,33
30 − 15 15 15 25 15
25 25
2.3.1. Definición
Si X es una variable aleatoria cuya función de densidad de probabilidad viene dada por:
1 1 𝑥−𝜇 2
− ( )
𝑓𝑋 (𝑥) = 𝑒 2 𝜎 ; −∞ ≤𝑥≤∞
√2𝜋 𝜎
31
Modelos probabilísticos Rubén Medinaceli O.
Se dice que la variable aleatoria X sigue una distribución normal con media µ y varianza
σ2; y se denota por 𝑿 ~ 𝑵(𝝁; 𝝈𝟐 ).
fX(x)
σ2
𝑿 ~ 𝑵(𝝁; 𝝈𝟐 )
µ
Nótese que:
2.3.2. Teorema
Sea X una variable aleatoria que sigue una distribución normal con media µ y varianza
σ2.
Luego, reiterando:
a)
𝐸[𝑋] = 𝜇𝑋 = 𝜇
b)
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝜎 2
Para ello, inicialmente, se obtiene la función generadora de momentos de X que sigue una
distribución normal:
32
Modelos probabilísticos Rubén Medinaceli O.
∞ ∞
1 1 𝑥−𝜇 2
− 2( 𝜎 )
𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∫ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑒 𝑡𝑥 𝑒 𝑑𝑥
√2𝜋𝜎
−∞ −∞
∞ ∞
1 𝑡𝑥 −
1
(𝑥 2 −2𝜇𝑥+𝜇2 ) 1 −
1
(−2𝑡𝑥𝜎2 +𝑥 2 −2𝜇𝑥+𝜇2 )
𝑚𝑋 (𝑡) = ∫ 𝑒 2𝜎2 𝑑𝑥 = ∫ 𝑒 2𝜎2 𝑑𝑥
√2𝜋𝜎 √2𝜋𝜎
−∞ −∞
∞
1 −
1
[𝑥 2 −2𝑥(𝑡𝜎2 +𝜇)+𝜇2 )
𝑚𝑋 (𝑡) = ∫ 𝑒 2𝜎2 𝑑𝑥
√2𝜋𝜎
−∞
[𝑥 − (𝜇 + 𝑡𝜎 2 )]2 = 𝑥 2 − 2𝑥(𝜇 + 𝑡𝜎 2 ) + (𝜇 + 𝑡𝜎 2 )2
Por tanto,
∞ 2
1 [𝑥−(𝜇+𝑡𝜎2 ] 1
− +𝜇𝑡+ 2𝜎2 𝑡 2
𝑚𝑋 (𝑡) = ∫ 𝑒 2𝜎2 𝑑𝑥
√2𝜋𝜎
−∞
∞ 2
1 1 1 𝑥−(𝜇+𝑡𝜎2
𝜇𝑡 + 2𝜎2 𝑡 2 − [ ]
𝑚𝑋 (𝑡) = 𝑒 ∫ 𝑒 2 𝜎 𝑑𝑥
√2𝜋𝜎
−∞
Ahora sí,
𝑥 − (𝜇 + 𝑡𝜎 2 )
𝑤=
𝜎
𝑑𝑥
𝑑𝑤 = ; 𝑑𝑥 = 𝜎𝑑𝑤
𝜎
Por tanto,
∞
1 2 2 1 1 2
𝑚𝑋 (𝑡) = 𝑒 𝜇𝑡 + 2𝜎 𝑡 ∫ 𝑒 − 2𝑤 𝜎𝑑𝑤
√2𝜋𝜎
−∞
33
Modelos probabilísticos Rubén Medinaceli O.
∞
1
𝜇𝑡 + 2𝜎2 𝑡 2 1 1 2
𝑚𝑋 (𝑡) = 𝑒 ∫ 𝑒 − 2𝑤 𝑑𝑤
√2𝜋
−∞
La integral es el área total debajo de una distribución normal estandarizada; vale decir,
media igual a cero (0) y varianza igual a uno (1). Este área es igual a uno (1).
Finalmente,
𝟏 𝟐 𝟐
𝒎𝑿 (𝒕) = 𝒆𝝁𝒕 + 𝟐𝝈 𝒕
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝑑𝑚𝑋 (𝑡) 1 2 2
= 𝑒 𝜇𝑡 + 2𝜎 𝑡 (𝜇 + 𝜎 2 𝑡)
𝑑𝑡
Por tanto,
𝝁𝑿 = 𝑬[𝑿] = 𝝁
b)
Donde,
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡) 1 2 2 1 2 2 1 2 2
2 = 𝑒 𝜇𝑡+ 2𝜎 𝑡 𝜎 2 + (𝜇 + 𝜎 2 𝑡)𝑒 𝜇𝑡+ 2𝜎 𝑡 (𝜇 + 𝜎 2 𝑡) = 𝑒 𝜇𝑡+ 2𝜎 𝑡 [𝜎 2 + (𝜇 + 𝜎 2 𝑡)2 ]
𝑑𝑡
𝑑 2 𝑚𝑋 (𝑡)
2 = 𝜎 2 + 𝜇2
𝑑𝑡𝑡→0
Por tanto,
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ = = 𝜎 2 + 𝜇2
𝑑𝑡 2 𝑡→0
Finalmente,
34
Modelos probabilísticos Rubén Medinaceli O.
2.3.3. Definición
Si Z es una variable aleatoria que sigue una distribución normal con media µ = 0 y
varianza σ2 = 1, se dice que la variable aleatoria Z sigue una distribución normal
estandarizada y se denota por 𝒁 ~ 𝑵(𝟎; 𝟏). Esto es,
fZ(z)
σ2 = 1
𝒁 ~ 𝑵(𝟎, 𝟏)
µ=0
1 1 2
𝑓𝑋 (𝑥) = 𝑒 − 2𝑧 ; −∞ ≤ 𝑥 ≤ ∞
√2𝜋
2.3.4. Teorema
Sea,
𝑋 ~ 𝑁(𝜇; 𝜎 2 )
𝑋−𝜇
𝑍=
𝜎
Luego,
𝑍 ~ 𝑁(0; 1)
Este teorema es muy importante para operar con la distribución normal. En palabras,
dice que, con el cambio de variable señalado, cualquier distribución normal puede
ser convertida en una distribución normal estandarizada
La pregunta inmediata es: ¿para que necesitamos convertir una distribución normal
cualquiera en una distribución normal estandarizada?
35
Modelos probabilísticos Rubén Medinaceli O.
2.3.5. Ejercicio 13
Problema:
Sea,
𝑋 ~ 𝑁(10; 9)
Solución:
Se conoce que la variable aleatoria X sigue una distribución normal con media µ = 10 y
varianza σ2 = 9; esto es,
𝒇𝑿 (𝒙)
P(X ≤ 12)
σ2 = 9; σ =3
𝑋 ~ 𝑁(10; 9)
µ = 10
x0 = 12
Por tanto,
12
1 1 𝑥−10 2
− 2( 3 )
𝑃(𝑋 ≤ 12) = ∫ 𝑒 𝑑𝑥
√2𝜋3
−∞
𝑋 − 𝜇 12 − 10
𝑃(𝑋 ≤ 12) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ 0,67)
𝜎 3
36
Modelos probabilísticos Rubén Medinaceli O.
𝒇𝑿 (𝒙)
P(X ≤ 12)
σ2 = 9; σ =3
𝑿 ~ 𝑵(𝟏𝟎; 𝟗)
µ = 10
x0 = 12
𝒇𝒁 (𝒛)
P(Z ≤ 0,67)
𝑿−𝝁
𝒁= ~𝑵(𝟎; 𝟏)
𝝈
µ=0
z0 = 0,67
z0 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
Por tanto,
𝑋 − 𝜇 12 − 10
𝑃(𝑋 ≤ 12) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ 0,67) = 𝟎, 𝟕𝟒𝟖𝟔
𝜎 3
37
Modelos probabilísticos Rubén Medinaceli O.
𝑃(𝑍 ≤ 𝑧0 )
0 z0 𝑍 ~ 𝑁(0,1)
z0 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 09147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9278 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
38
Modelos probabilísticos Rubén Medinaceli O.
Los valores de la tabla que se exhibe en la página anterior han sido obtenidos con la
siguiente aproximación numérica:
2𝑧0 2
√
𝑃(𝑍 ≤ 𝑧0 ) = 0,5 (1 + 1 − 𝑒 − 𝜋 )
2(0,67)2
𝑃(𝑍 ≤ 0,67) = 0,5 (1 + √1 − 𝑒 − 𝜋 ) = 0,7486
2.3.6. Ejercicio 14
Problema:
Una determinada empresa fabrica baterías eléctricas cuya vida útil sigue una distribución
normal con una media µ = 3,0 años y una desviación estándar σ = 0,55 años. ¿Cuál es
la probabilidad que una batería producida por esta fábrica dure menos de 2,0 años?
Solución:
Sea,
Se busca,
P(X ≤ 2)
Si la variable aleatoria X sigue una distribución normal con media µ = 3,0 años y una
desviación estándar σ = 0,55 años,
𝑋 − 𝜇 2,0 − 3,0
𝑃(𝑋 ≤ 2,0) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ −1,82)
𝜎 0,55
Vale decir,
39
Modelos probabilísticos Rubén Medinaceli O.
𝒇𝑿 (𝒙)
P(X ≤ 2)
σ = 0,55
σ2= 0,3025
𝑿 ~ 𝑵(𝟑; 𝟎, 𝟑𝟎𝟐𝟓)
µ = 3,0
x0 = 2,0
𝒇𝒁 (𝒛)
P(Z ≤ -0,82)
𝑿−𝝁
𝒁= ~𝑵(𝟎; 𝟏)
𝝈
µ=0
z0 = -1,82
Nótese que en este caso el valor de z0 es negativo y la tabla solo considera valores positivos
para z0; para resolver esta dificultad hay que tomar en cuenta la simetría de la distribución
normal respecto de un eje vertical que pasa por µ = 0. Por tanto,
z0 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
Por tanto,
40
Modelos probabilísticos Rubén Medinaceli O.
𝑋 − 𝜇 2,0 − 3,0
𝑃(𝑋 ≤ 2,0) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ −1,82) = 𝟎, 𝟎𝟑𝟒
𝜎 0,55
2.3.7. Ejercicio 15
Problema:
El diámetro interior de un anillo para émbolo sigue una distribución normal con una media
µ = 10 cm y una desviación estándar σ = 0,03 cm.
Solución:
Sea,
a)
9,97 − 10 𝑋 − 𝜇 10,05 − 10
𝑃(9,97 ≤ 𝑋 ≤ 10,05) = 𝑃 ( ≤ ≤ ) = 𝑃(−1,00 ≤ 𝑍 ≤ 1,67)
0,03 𝜎 0,03
Vale decir,
41
Modelos probabilísticos Rubén Medinaceli O.
𝒇𝑿 (𝒙)
P(9,97 ≤ X ≤ 10,05)
σ = 0,03; σ2 = 0,0009
𝑿 ~ 𝑵(𝟏𝟎; 𝟎, 𝟎𝟎𝟎𝟗)
µ = 10
x1 = 9,97 x2 = 10,05
𝒇𝒁 (𝒛)
P(-1,00 ≤ Z ≤ 1,67)
𝑿−𝝁
𝒁= ~𝑵(𝟎; 𝟏)
𝝈
µ=0
z1 = -1,00 z2 = 1,67
Por tanto,
42
Modelos probabilísticos Rubén Medinaceli O.
b)
𝒇𝑿 (𝒙)
σ = 0,03; σ2 = 0,0009
𝑿 ~ 𝑵(𝟏𝟎; 𝟎, 𝟎𝟎𝟎𝟗)
µ = 10
x0 = ?
𝒇𝒁 (𝒛)
𝑿−𝝁
𝒁= ~𝑵(𝟎; 𝟏)
𝝈
µ=0
- z0 =?
𝑃(𝑍 ≤ 𝑧0 ) = 0,85
De la Tabla:
z0 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
Por tanto,
43
Modelos probabilísticos Rubén Medinaceli O.
𝑥0 − 𝜇 𝑥0 − 10
−1,04 = =
𝜎 0,03
De donde,
𝑥0 = 10 − 1,04(0,03) = 𝟗, 𝟗𝟓 𝑐𝑚
Por tanto, 15% de los anillos tendrá un diámetro menor o igual a 9,95 cm.
2.3.8. Ejercicio 16
Problema:
La vida útil de los nuevos microprocesadores Intel sigue una distribución normal con una
media 𝜇 = 3 𝑎ñ𝑜𝑠 y una varianza 𝜎 2 = 9 𝑎ñ𝑜𝑠2 . Dichos microprocesadores serán instalados
en 20 de los computadores de uno de los laboratorios de computación de la carrera de
Ingeniería de Sistemas.
Solución:
Inicialmente, se debe calcular la probabilidad que un microprocesador tenga una vida útil
igual o superior a 4 𝑎ñ𝑜𝑠.
𝑓𝑋 (𝑥)
𝜎 2 = 9; 𝜎 = 3
𝑃 (𝑋 ≥ 4)
𝑿 ~ 𝑵(𝝁; 𝝈𝟐 )
𝜇=3
𝑥0 = 4
𝑋−𝜇 4−3
𝑃(𝑋 ≥ 4) = 𝑃 ( ≥ ) = 𝑃(𝑍 ≥ 0,33) = 1 − 𝑃(𝑍 ≤ 0,33) = 1 − 0,6293 = 0,3707
𝜎 3
44
Modelos probabilísticos Rubén Medinaceli O.
La probabilidad del “éxito” en cada prueba o experimento tiene siempre el mismo valor.
Vale decir,
El rango de 𝑌 es,
20
𝑓𝑌 (𝑦) = ( ) 0,3707𝑦 0,629320−𝑦 ; 𝑦 = 0, 1, 2, 3, ⋯ , 20
𝑦
Por tanto,
2
20 20 20
𝑃(𝑌 ≥ 3) = {1 − [( ) 0,37070 0,629320−0 + ( ) 0,37071 0,629320−1 + ( ) 0,37072 0,629320−2 ]}
0 1 2
20 20 20
𝑃(𝑌 ≥ 3) = {1 − [( ) 0,37070 0,629320−0 + ( ) 0,37071 0,629320−1 + ( ) 0,37072 0,629320−2 ]}
0 1 2
45
Modelos probabilísticos Rubén Medinaceli O.
Ejercicios propuestos
2. Suponga que vale 0,8 la probabilidad que una persona crea lo que se le cuenta
acerca de los excesos de una famosa actriz. Cuál es la probabilidad que:
3. Cierta región del oriente de Bolivia es, en promedio, azotada por seis (6) huracanes
al año. Determine la probabilidad de que, en un año dado, esta región sea afectada
por:
4. Una máquina que expende gaseosas está regulada de modo que descargue un
promedio de 200 ml por vaso. Si la cantidad de líquido sigue una distribución normal
con una desviación estándar igual a 15 ml.
46