UNIVERSIDAD NACIONAL EXPERIMENTAL

“FRANCISCO DE MIRANDA”

AREA DE TECNOLOGÍA

COMPLEJO ACADEMICO PUNTO FIJO

DEPARTAMENTO DE FISICA Y MATEMÁTICA

UNIDAD CURRICULAR: ESTADÍSTICA

LAPSO ACADEMICO: II-2014

PROFESORA: ING. ZULEY MEDINA.

GUÍA N° 3:
VARIABLES ALEATORIAS DISCRETAS
Diseño y Diagramación: Br. Carlos Pinto
Introducción

En este tema se combinaran los métodos de estadística descriptiva y los de

probabilidad. Describen lo que probablemente sucederá, aquí se construirá
distribución de probabilidades presentando los resultados posibles, junto
con las frecuencias relativas que se espera.

Generalmente el valor que adquiere una variable aleatoria va a depender del

experimento aleatorio. En el campo de la ingeniería existen problemas
donde se hace necesario definir la variable aleatoria, por ejemplo: el
Ingeniero Civil puede definir la variable aleatoria como el n° de avería que
posee cierta autopista.

Aplicando un poco de didáctica se retomará el ejemplo de lanzar dos veces

la moneda.

𝑆: {(𝐶, 𝐶); (𝐶, 𝑆); (𝑆, 𝐶); (𝑆, 𝑆)} si como investigador se desea determinar el
número de caras, entonces se le asigna valores 0, 1 y 2 a cada punto
muestral, como se puede observar en el siguiente gráfico:

C, C 0
C, S
1 Porque sólo interesa cara
S, C
S, S 2

Distribución de Probabilidad: Es una colección de valores de una variable

aleatoria, junto con sus correspondientes probabilidades, estas se pueden
representar mediante tablas, gráficos ó fórmulas.

Ejemplos:

• N° de Horas – Hombre totales requeridas por día para ejecutar cierta

tarea. (Ing. Industrial).
• N° de Piezas defectuosas producidas durante un día en una planta.
(Ing. Mecánica).
 • N° de moléculas presentes en una muestra de gas (Ing. Química).
• El volumen de gasolina que se pierde por evaporación durante el
llenado de un tanque de combustible. (Continua).

Variables aleatorias: Es toda función x que le asigna a cada elemento del

espacio muestral un número real, es decir, transforma los eventos ó sucesos
en eventos númericos.

𝑆 Rx= Rango de la variable

s𝜖 S/x(s) 𝜖R(x)

Donde:

X S: Espacio muestral.

X(s) R(x)= Rango de la

S variable aleatoria

Ejemplo: lanzamiento dos veces de una moneda, si se define la variable x

como el número de caras que se observa en el espacio muestral se tiene:

𝑆: {(𝐶, 𝐶); (𝐶, 𝑆); (𝑆, 𝐶); (𝑆, 𝑆)}

S X Rx Px

C, C 0 1/4
C, S ∑ 𝑃(𝑥) = 𝑃(𝑠) = 1
S, C 1 2/4
S, S
2 1/4
 𝑥(𝑠𝑠) = 0 𝑥(𝑠𝑐) = 𝑥(𝑐𝑠) = 1 𝑥(𝑐𝑐) = 2

𝑥 = 0,1,2 𝑆𝑜𝑛 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠 𝑞𝑢𝑒 𝑎𝑠𝑢𝑚𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎

Clasificación de las Variables Aleatorias:

Discretas
Continuas

Variable Aleatoria Discreta: Es aquella en donde los valores que

asume la variable aleatoria se pueden enumerar y contar, es decir,
tiene un número finito de valores, y se expresa en números enteros.

Ejemplos:
➢ N° de caras que se observan al lanzar dos veces una moneda
X= 0,1 y 2.
➢ Sea x= número de huevos que una gallina pone en un día.
➢ El conteo del N° de fanáticos que asisten a un concierto.
➢ El contador del N° de asistentes a un cine.

Función de probabilidad: Es la frecuencia relativa con que ocurren los

valores que asume la variable aleatoria y debe cumplir o satisfacer las
siguientes condiciones:

i. 𝑃(𝑥𝑖) ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖.

ii. ∑𝑛𝑖=1 𝑃(𝑥𝑖) = 𝑃(𝑠) = 1.
iii. 𝑃(𝑥 = 𝑥𝑖) = 𝑃(𝑥𝑖).
Por lo general la función de probabilidad también se le denomina
probabilidad puntual.

Distribución de probabilidad: Es el conjunto de pares bien definidos (xi,

p(xi)) asociados a un experimento aleatorio, donde xi representa los valores
que asume la variabla aleatoria discreta y P(xi) la función de probabilidad
puntual, es decir, la frecuencia con que ocurre.

Haciendo referencia al ejemplo anterior se tiene la siguiente distribución de

probabilidad:

Xi 0 1 2

P(xi) 1/4 2/4 1/4

Ejemplo 1: la siguiente tabla muestra el número de empleados ausentes en

una fábrica durante 212 días. Construya la distribución de probabilidad para
el número de empleados ausentes durante esos días. Construya la
distribución de probabilidad para el número de empleados ausentes durante
esos días.

X F P(x)
1 18 0,08
2 25 0,12
3 39 0,18
4 46 0,22
5 27 0,13
6 25 0,12
7 22 0,10
8 10 0,05
∑ 𝑓 = 𝑛 = 212𝑑í𝑎𝑠
 Solución

X: Números de empleados ausentes.

(𝑥1 , 𝑃(𝑥1 )) = (1; 0,08) (𝑥3 , 𝑃(𝑥3 )) = (3; 0,18)

(𝑥2 , 𝑃(𝑥2 )) = (2; 0,12) (𝑥4 , 𝑃(𝑥4 )) = (4; 0,22)

(𝑥5 , 𝑃(𝑥5 )) = (5; 0,13) (𝑥7 , 𝑃(𝑥7 )) = (7; 0,10)

(𝑥6 , 𝑃(𝑥6 )) = (6; 0,12) (𝑥8 , 𝑃(𝑥8 )) = (8; 0,05)

Ejemplo 2: suponga que los artículos que salen de una línea de producción
se clasifican como defectuosos (D) o NO defectuosos (N); si se eligen al
azar tres artículos de la producción en un día cualquiera, la probabilidad de
seleccionar un artículo defectuoso es 0,2; la clasificación de un artículo es
independiente de la clasificación del otro. Obtenga la distribución de
probabilidad para el número de artículos defectuosos de la muestra.

D: Artículos defectuosos.

N: Artículos NO defectuosos.

P(D)= 0,2

P(N)= 0,8

X: Número de artículos defectuosos de la muestra.

𝑆 = {(𝐷𝐷𝐷)(𝐷𝐷𝑁)(𝐷𝑁𝑁)(𝐷𝑁𝐷)(𝑁𝑁𝑁)(𝑁𝑁𝐷)(𝑁𝐷𝐷)(𝑁𝐷𝑁)}
 X
S R(X)

DDD 0
DDN
DNN 1
DND
NNN 2
NND
NDD
3
NDN

𝑃(𝑥 = 0) = 𝑃(𝑁𝑁𝑁) = 𝑃(𝑁 ∩ 𝑁 ∩ 𝑁) = (0,8). (0,8). (0,8) = 0,51

𝑃(𝑥 = 1) = 𝑃(𝐷 ∩ 𝑁 ∩ 𝑁) + 𝑃(𝑁𝑁𝐷) + 𝑃(𝑁𝐷𝑁)

𝑃(𝐷 ∩ 𝑁 ∩ 𝑁) = (0,2). (0,8). (0,8) = 0,128

𝑃(𝑁 ∩ 𝑁 ∩ 𝐷) = (0,8). (0,8). (0,2) = 0,128

𝑃(𝑁 ∩ 𝐷 ∩ 𝑁) = (0,8). (0,2). (0,8) = 0,128

∑ 𝑃(𝑥 = 1) = 0,38

𝑃(𝑥 = 2) = 𝑃(𝐷𝐷𝑁) + 𝑃(𝐷𝑁𝐷) + 𝑃(𝑁𝐷𝐷)

𝑃(𝐷𝐷𝑁) = 𝑃(𝐷 ∩ 𝐷 ∩ 𝑁) = (0,2). (0,2). (0,8) = 0,032

𝑃(𝐷𝑁𝐷) = 𝑃(𝐷 ∩ 𝑁 ∩ 𝐷) =. (0,2). (0,8). (0,2) = 0,032

𝑃(𝑁𝐷𝐷) = 𝑃(𝑁 ∩ 𝐷 ∩ 𝐷) =. (0,8). (0,2). (0,2) = 0,032

∑ 𝑃(𝑥 = 2) = 0,096

𝑃(𝑥 = 3) = 𝑃(𝐷𝐷𝐷) = 𝑃(𝐷 ∩ 𝐷 ∩ 𝐷) = (0,2). (0,2). (0,2) = 0,008

Y finalmente la distribución de probabilidad queda de la siguiente manera:

X P(x)
0 0,51
1 0,38
2 0,096
3 0,008

Distribución Acumulativa: Es aquella función denotada por F(xi) que se

determina sumando las frecuencias relativas de cada uno de los valores que
asume la variable aleatoria discreta, es decir:
𝑛

𝐹(𝑥𝑖) = 𝑃(𝑥 ≤ 𝑥𝑖) = ∑ 𝑃(𝑡)

𝑡≤𝑥𝑖

Para −∞<ⅹ<+∞

Volviendo al ejemplo del lanzamiento de una moneda 2 veces:

0 𝑠𝑖 𝑥 < 0
1⁄ 𝑠𝑖 0 ≤ 𝑥 < 1
𝐹(𝑥𝑖) = 4
3⁄ 𝑠𝑖 1 ≤ 𝑥 < 2
4
{ 1 𝑠𝑖 𝑥 ≥ 2 }

Propiedades:

1. 𝐹(−∞) → 0, 𝑝𝑢𝑒𝑠𝑡𝑜 𝑞𝑢𝑒 𝑃(𝑥𝑖) = 0

2. 𝐹(+∞) → 1, 𝑝𝑢𝑒𝑠𝑡𝑜 𝑞𝑢𝑒 𝑃(𝑥𝑖) = 1 = 𝑃(𝑆)

Gráfica

*
Valor esperado ó Esperanza matemática de una variable aleatoria discreta: Es
un valor promedio de los resultados de un número infinito de ensayos; se
determina multiplicando estos valores por la frecuencia con que ocurren
dichos valores. Se denota con la letra E.

Aplicación Fundamental

Juegan un papel muy importante en un área de aplicación que se denomina

teoría de decisión.

Definido por:

𝜇𝑥 = 𝐸(𝑥) = 𝑥1 𝑃(𝑥1 ) + 𝑥2 𝑃(𝑥2 ) + 𝑥3 𝑃(𝑥3 )+. . . +𝑥𝑛 𝑃(𝑥𝑛 )

𝑛

𝜇 = 𝐸(𝑥) = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑖=1

Ejemplo: del ejemplo 2 de Distribución de Probabilidad , Determine ¿cuál fue

el número promedio de artículos defectuosos en la muestra?

𝜇𝑥 = (0 ∗ 0,51) + (1 ∗ 0,38) + (2 ∗ 0,10) + (3 ∗ 0,01)

𝜇𝑥 = 0,61

Para efectos de interpretación se redondea a 1 y se dice que “en promedio

se va a encontrar 1 artículo defectuoso en dicha muestra”.

Varianza de una variable aleatoria discreta: Se define como una medida de

dispersión y/o variabilidad positiva de los valores que asume la variable
aleatoria con respecto al valor esperado de la variable en un experimento
aleatorio. Se determina sumando el cuadrado de los desvíos de los valores
que asume la V.A con respecto al promedio multiplicado por su frecuencia
de ocurrencia y se denota:

𝜎 2 (𝑥) = 𝑉(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2

𝑛

𝐸(𝑥) = ∑ 𝑥𝑖 2 𝑃(𝑥𝑖 )
𝑖=1
Ejemplo: Va a hacerse la comparación del diseño de dos productos nuevos
con base en la ganancia potencial. El departamento de comercialización
considera que la ganancia del Diseño A puede predecirse con bastante
precisión como $3 millones. La ganancia potencial del Diseño B es más
difícil de determinar. El departamento de comercialización concluye que hay
una probabilidad de 0,3 de que la ganancia del Diseño B sea de $7 millones,
pero hay una probabilidad de 0,7 de que la ganancia sea de sólo $2 millones.
¿Por cuál diseño se inclinaría usted?

Solución:
Debido a que no hay
X: ganancia del Diseño A. incertidumbre en la
ganancia del Diseño A, el
Y: ganancia del Diseño B.
modelo de la distribución
𝑛
de la V.A X queda $3
𝜇𝑥 = 𝐸(𝑥) = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ) millones con probabilidad
𝑖=1
de 1 entonces.
𝐸(𝑥) = $3 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 ∗ 1 = $3 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠

𝐸(𝑦) = $7 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 ∗ (0,3) + $2 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠 ∗ (0,7)

𝐸(𝑦) = $3,5 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠

𝐸(𝑦) > 𝐸(𝑥), podríamos inclinarnos por el Diseño B. sin embargo, la

variabilidad de ambos resultados juega un papel importante en dicha
comparación.

𝜎 2 (𝑥) = 𝑉(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2

Diseño A Diseño B
𝝈𝟐 (𝒙) = 𝑽(𝒙) = 𝑬(𝒙𝟐 ) − 𝝁𝟐 𝝈𝟐 (𝒚) = 𝑽(𝒚) = 𝑬(𝒚𝟐 ) − 𝝁𝟐

𝑬(𝒙𝟐 ) = ($𝟑)𝟐 ∗ 𝟏 = $𝟗 𝒎𝒊𝒍𝒍𝒐𝒏𝒆𝒔 𝑬(𝒚𝟐 ) = ($𝟕)𝟐 ∗ (𝟎, 𝟑) + ($𝟐)𝟐 ∗ (𝟎, 𝟕)

Entonces, 𝑬(𝒚𝟐 ) = 𝟏𝟒, 𝟕 + 𝟐, 𝟖 = 𝟏𝟕, 𝟓

𝝈𝟐 (𝒙) = 𝑽(𝒙) = ($𝟗 − $𝟗)𝒎𝒊𝒍𝒍𝒐𝒏𝒆𝒔 𝝈𝟐 (𝒚) = 𝑽(𝒚) = 𝟏𝟕, 𝟓 − (𝟑, 𝟓)𝟐 = 𝟓, 𝟐𝟓

𝝈𝟐 (𝒙) = 𝑽(𝒙) = 𝟎 𝝈𝟐 (𝒚) = 𝑽(𝒚)
= $𝟓, 𝟐𝟓 𝒎𝒊𝒍𝒍𝒐𝒏𝒆𝒔 𝒂𝒍 𝒄𝒖𝒂𝒅𝒓𝒂𝒅𝒐
𝝈
𝑪. 𝑽 = ∗ 𝟏𝟎𝟎 𝝈𝟐 (𝒚) = 𝑽(𝒚) = $𝟐, 𝟐𝟗 𝒎𝒊𝒍𝒍𝒐𝒏𝒆𝒔
𝝁

𝟎 “la desviación promedio que tiene y

𝑪. 𝑽 = ∗ 𝟏𝟎𝟎 = 𝟎%
𝟑 de su media es $2,29 millones”.

Distribución de probabilidades discretas: Son funciones que indican el

comportamiento de los valores que asume la V.A.D en un experimento
aleatorio. Dentro de estas se tienen:

Distribución Uniforme.
Distribución Binomial.
Distribución Multinomial.
Distribución Binomial negativa.
Distribución Hipergeómetrica.
Distribución de Poisson.

Distribución Uniforme: Es aquella en donde los valores que asume la

variable aleatoria discreta tienen la misma probabilidad de ocurrencia en un
experimento aleatorio, es decir, su función de probabilidad puntual está
dada por:

1
𝑃(𝑥) = ; 𝑥 = 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑘
𝑘
1 1 1
𝑃(𝑥 = 𝑥1 ) = ; 𝑃(𝑥 = 𝑥2 ) = ; 𝑃(𝑥 = 𝑥3 ) =
𝑘 𝑘 𝑘
𝑃(𝑥 = 𝑥1 ) = 𝑃(𝑥 = 𝑥2 ) = 𝑃(𝑥 = 𝑥3 ) = . … … . . = 𝑃(𝑥 = 𝑥𝑘 )

Parámetros fundamentales
∑ 𝑥𝑖
✓ Media: 𝜇 = 𝑘
2 ∑(𝑥𝑖−𝜇)2
✓ Varianza: 𝜎 = 𝑘
Demostración:

𝜇 = 𝐸(𝑥) = ∑ 𝑥𝑖. 𝑃(𝑥𝑖) = 𝑥1 𝑃(𝑥1 ) + 𝑥2 𝑃(𝑥2 ) + 𝑥3 𝑃(𝑥3 )+. . . +𝑥𝑘 𝑃(𝑥𝑘 )

1 1 1 1
𝜇 = 𝐸(𝑥) = 𝑥1 . + 𝑥2 . + 𝑥3 . +. … … . +𝑥𝑘 .
𝑘 𝑘 𝑘 𝑘
𝑘
1 1
𝜇 = 𝐸(𝑥) = . (𝑥1 + 𝑥2 + 𝑥3 +. … … + 𝑥𝑘 ) = . ∑ 𝑥𝑖
𝑘 𝑘
𝑖=1

Ejemplo 1: E: Lanzar un dado normal.

𝑆 = {1, 2, 3, 4, 5, 6}

X: N° observados en el E.

𝑋 = {1, 2, 3, 4, 5, 6}

1
𝑃(𝑥 = 𝑥1 ) = 𝑃(𝑥 = 𝑥2 ) = 𝑃(𝑥 = 𝑥3 ) = 𝑃(𝑥 = 4) = 𝑃(𝑥 = 𝑥5 ) = 𝑃(𝑥 = 𝑥6 ) =
6
1
𝑃(𝑥) = ; 𝑥 = 1, 2, 3, 4, 5, 6 𝑒𝑠 𝑢𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑎𝑟𝑎 𝑥
6
𝑥~𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑢𝑛𝑖𝑓𝑜𝑚𝑒 (~ ∶ 𝑠𝑖𝑔𝑢𝑒 𝑜 𝑡𝑖𝑒𝑛𝑒)

∑ 𝑥𝑖 1 + 2 + 3 + 4 + 5 + 6 21
𝜇= = = = 3,5
𝑘 6 5
 (1 − 3,5)2 + (2 − 3.5)2 + (3 − 3,5)2 + (4 − 3,5)2 + (5 − 3,5)2 + (6 − 3,5)2
𝜎2 =
6

𝜎 2 = 2,92 → 𝜎 = √2,92 → 𝜎 = 1,71

Ejemplo 2: E: escoger al azar un alumno para resolver un ejercicio

𝑆 = {1, 2, 3, 4, 5, 6, 7, … … … .33}

𝑋 = 1, 2, 3, 4, 5, 6, 7, … … … .33

1
𝑃(𝑥 = 𝑥1 ) = 𝑃(𝑥 = 𝑥2 ) = 𝑃(𝑥 = 𝑥3 ) = 𝑃(𝑥 = 4) =. … … . = 𝑃(𝑥 = 𝑥33 ) =
33
1
𝑃(𝑥) = ; 𝑥 = 1, 2, 3, 4, 5, 6, 7 … 33 𝑒𝑠 𝑢𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑎𝑟𝑎 𝑥
33
𝑥~𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑢𝑛𝑖𝑓𝑜𝑚𝑒

∑33
𝑖=1 𝑥𝑖
𝜇= =5
33

Distribución Binomial: Es aquella distribución que se realiza cuando se repite

n veces el experimento de Bernoulli.

Experimento de Bernoulli: Es aquel experimento que tiene una sola prueba

aleatoria, es decir, cuando se realiza una sola vez el ensayo, por lo tanto la
V.A sólo puede asumir uno de estos 2 valores 0 y 1, los cuales ocurren con
la siguiente función de probabilidad:
 𝑃(𝑥) = 𝑝 𝑥 . 𝑞1−𝑥 ; 𝑠𝑖 𝑥 = 0,1

Donde:

p: probabilidad de éxito.

q: probabilidad de fracaso.

x: V.A.D.

𝑃(0) = 𝑝0 . 𝑞1−0 = 𝑞

𝑃(1) = 𝑝1 . 𝑞1−1 = 𝑝

Se cumple que:

𝑝 + 𝑞 = 𝑃(𝑠) = 1

𝑞 =1−𝑝

Nota: En este experimento se obtienen 2 posibles resultados denominado

“éxito y fracaso”.

Parámetros Fundamentales:

𝜇 = 𝐸(𝑥) = ∑ 𝑥. 𝑃(𝑥)

𝜇 = 𝐸(𝑥) = 𝑥1 . 𝑃(𝑥1 ) + 𝑥2 𝑃(𝑥2 )

𝑥1 = 0 → 𝑃(𝑥1 ) = 𝑝0 . 𝑞1 = 𝑞

𝑥2 = 1 → 𝑃(𝑥2 ) = 𝑝. 𝑞 0 = 𝑝

𝜇 = 𝐸(𝑥) = 0. 𝑞 + 1. 𝑝 = 𝑝

𝜇 = 𝐸(𝑥) = 𝑝

𝜎 2 (𝑥) = 𝑉(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2

𝐸(𝑥 2 ) = 𝑥1 2 . 𝑃(𝑥1 ) + 𝑥2 2 . 𝑃(𝑥2 )

𝐸(𝑥 2 ) = 02 . 𝑞 + 1. 𝑝

𝐸(𝑥 2 ) = 𝑝

𝜎 2 (𝑥) = 𝑉(𝑥) = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝)

𝜎 2 (𝑥) = 𝑉(𝑥) = 𝑝. 𝑞

Observaciones:

✓ Media= éxito.
✓ Varianza= producto éxito*fracaso.
✓ Lanzo 1 vez una moneda, si mi éxito es cara, el sello es el fracaso.
✓ En el dado digo los N° pares mi éxito, o sea, los impares mi fracaso.
✓ Está vivo o está muerto.

2 posibles resultados o 2 modalidades.

Distribución Binomial: Es una expansión de la distribución de Bernoulli, es

decir, el experimento de Bernoulli se repite n veces. Resulta de un
procedimiento que cumple con todos los requisitos siguientes:

1. Hay n ensayos ó pruebas aleatorias, es decir, el experimento se

repite n veces.
2. Existen 2 posibles resultados denominados éxito y fracaso.
3. La probabilidad de ocurrencia de un éxito se denota con la letra p y
es la misma en cada ensayo; la probabilidad de ocurrencia de un
fracaso se denota con la letra q que también es la misma en cada
prueba aleatoria; las cuales permanecen constantes en cada uno de
los ensayos o pruebas aleatorias 𝑝 + 𝑞 = 1
4. Los n ensayos o pruebas aleatorias son independientes.

Ejercicios Resueltos (Binomial)

Ejemplo 1: Suponer que el 20% de los artículos producidos en una fábrica

son defectuosos, si un supervisor selecciona al azar 6 de ellos a). ¿cuál es
la probabilidad de que 3 de ellos estén defectuosos?. b). por lo menos 2 de
ellos estén defectuosos. ( Industrial y Mecánicos)

Solución: Definición de la variable.

X: N° de artículos defectuosos.

n: 6 (N° de ensayos)

p: 20% ≈0,20
q: 0,80

a. 𝑃(𝑥 = 𝑥𝑖) = 𝑛𝑐𝑥𝑖. 𝑝 𝑥𝑖 . 𝑞 𝑛−𝑥𝑖 , 𝑥𝑖 = 0, 1, 2, 3, 4, … , 𝑛

𝑃(𝑥 = 3) = 6𝐶3(0,20)3 . (0,80)6−3

𝑃(𝑥 = 3) = 20. (0,008). (0,512) = 0,082

b. por lo menos dos resulten defectuosos

𝑃(𝑥 ≥ 2) = ?

𝑃(𝑥 ≥ 2) = 1 − 𝑃(𝑥 ≤ 1) = 1 − 𝐹(𝑥 = 1)

𝑃(𝑥 ≥ 2) = 1 − 0,655 = 0,345

Interpretación: “de cada 1000 veces que el supervisor de la empresa

selecciona 1 un artículo al azar de un total de 6 de la producción,
teóricamente en 82 oportunidades 3 de ellos estarán defectuosos”.

Ejemplo 2: Cada muestra de aire tiene 10% de posibilidades de contener una

molécula rara particular. Suponga que las muestras son independientes con
respecto a la presencia de la molécula rara. Encuentre la probabilidad de
que en las siguientes 18 muestras, a). exactamente 2 contengan la molécula
rara. b) al menos 4 contengan la molécula rara. (Químicos)

Solución:

X: N° muestras de aire que contienen la molécula rara.

p= 0,10

n= 18

P(x=2)

q= 0,90

𝑃(𝑥 = 2) = 18𝐶2 . (0,10)2 . (0,90)16

18! 6,4023737. 1015

18𝐶2 = = = 153
2! 16! 2.2,092279. 1013

𝑃(𝑥 = 2) = 153. (0,10)2 . (0,90)16

𝑃(𝑥 = 2) = 0,284

𝑃(𝑥 ≥ 4) = 1 − 𝑝(𝑥 ≤ 3) = 1 − 𝐹(𝑥 = 3)

𝑃(𝑥 ≥ 4) = 1 − 0,902 = 0,098

Determine la probabilidad de que 3 ≤ 𝑥 < 7

6
18 (0,1)𝑥𝑖
𝑃(3 ≤ 𝑥 < 7) = ∑ ( ). . (0,9)18−𝑥𝑖
𝑥𝑖
𝑥=3

18 ( )3
𝑃(𝑥 = 3) = ( ) . 0,1 . (0,9)15 = 820,51 ∗ 1. 10−3 ∗ 0,206 = 0,169
3
18 (0,1)4
𝑃(𝑥 = 4) = ( ). . (0,9)14 = 0,070
4
18 (0,1)5
𝑃(𝑥 = 5) = ( ). . (0,9)13 = 0,022
5
18 (0,1)6
𝑃(𝑥 = 6) = ( ). . (0,9)12 = 0,005
6

Ejemplo 3: La probabilidad de que un paciente se recupere de una cierta

enfermedad es de 0,40. Si se sabe que 15 personas están enfermas, cual es
la probabilidad de que:

a) Por lo menos 6 se recuperen.

b) Entre 3 y 8 se recuperen.
c) Exactamente 8 se recuperen.
d) A lo máximo 5 se recuperen.
e) ¿Cuál fue el promedio del N° de pacientes que se recuperarán en el
experimento? (Todas las Ingenierías).

Solución:

X: N° de pacientes que se recuperen de una cierta enfermedad.

p= 0,40

n= 15

𝑃(𝑥 ≥ 6) =?

q= 0,60
 a) 𝑃(𝑥 ≥ 6) = 1 − 𝑃(𝑥 ≤ 5) = 1 − 𝐹(𝑥 = 5) = 1 − 0,403 = 0,597
b) 𝑃(3 ≤ 𝑥 ≤ 8) = ?
𝑃(3 ≤ 𝑥 ≤ 8) = 𝑃(𝑥 ≤ 8) − 𝑃(𝑥 ≤ 2) = 𝐹(𝑥 = 8) − 𝐹(𝑥 = 2)
𝑃(3 ≤ 𝑥 ≤ 8) = 0,905 − 0,027 = 0,878 ≈ 0,88
“De cada 100 veces que hayan 15 pacientes con cierta enfermedad,
teóricamente en 88 oportunidades entre 3 y 8 de ellos se
recuperarán”.
c) 𝑃(𝑥 = 8) = ?
𝑃(𝑥 = 𝑥𝑖)
𝑛𝐶𝑥𝑖 . 𝑝 𝑥𝑖 . 𝑞 𝑛−𝑥𝑖 ; 𝑥𝑖 = 0, 1, 2, 3, 4, … , 𝑛
15𝐶8. (0,40) . (0,60)7 = 0,118
8

d) 𝑃(𝑥 ≤ 5) = 𝐹(𝑥 = 5) = 0,403 ≈ 0,40

“De cada 100 veces que hayan 15 pacientes con cierta enfermedad,
teóricamente en 40 oportunidades a lo máximo 5 de ellos se
recuperarán”.
e) 𝜇 = 𝐸(𝑥) = 𝑛. 𝑝
𝜇 = 15 ∗ 0,40 = 6
“En promedio 6 de cada 15 pacientes con una enfermedad se
recuperarán”.

Distribución Acumulada: Es una función definida por la siguiente expresión:

𝑥𝑖
𝑛
𝐹(𝑥 = 𝑥𝑖) = 𝑃(𝑥 ≤ 𝑥𝑖) = ∑ ( ) . 𝑝 𝑥𝑖 . 𝑞 𝑛−𝑥𝑖
𝑥𝑖
𝑥=0

Propiedades:

1. 𝑃(𝑥 ≤ 𝑐) = 𝐹(𝑥 = 𝑐) 𝑐 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒

2. 𝑃(𝑥 < 𝑐) = 𝑃(𝑥 ≤ 𝑐 − 1) = 𝐹(𝑥 = 𝑐 − 1)
3. 𝑃(𝑥 > 𝑐) = 1 − 𝑃(𝑥 ≤ 𝑐) = 1 − 𝐹(𝑥 = 𝑐)
4. 𝑃(𝑥 ≥ 𝑐) = 1 − 𝑃(𝑥 ≤ 𝑐 − 1) = 1 − 𝐹(𝑥 = 𝑐 − 1)
5. 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑃(𝑥 ≤ 𝑏) − 𝑃(𝑥 ≤ 𝑎 − 1) = 𝐹(𝑥 = 𝑏) − 𝐹(𝑥 = 𝑎 − 1)
6. 𝐹(−∞) → 0
7. 𝐹(∞) → 1

Distribución Multinomial: Es aquella distribución que se utiliza cuando un

ensayo aleatorio nos puede conducir a k resultados digamos E1, E2, E3,..., Ek
(eventos), los cuales ocurren con probabilidad P1, P2, P3,..., Pk, entonces la
distribución de probabilidad, para las variables aleatorias Xn con n= 1, 2,
3,..., k en n ensayos independientes está dada por la expresión siguiente:

𝑃(𝑥 = 𝑥1 , 𝑥 = 𝑥2 , … , 𝑥 = 𝑥𝑘 ) = 𝑛𝐶𝑥1 ,𝑥2 ,…,𝑥𝑘 . 𝑃1 𝑥1 𝑃2 𝑥2 … 𝑃𝑘 𝑥𝑘

Donde,

∑𝑘𝑖=1 𝑥𝑖 = 𝑛 n: ensayos
𝑘

∑ 𝑝𝑖 = 1
𝑖=1

Ejemplo: Si un par de dados se lanza 6 veces, cuál es la probabilidad de

obtener un total de 7 u 11 dos veces, un par 1 vez, y cualquier otra
combinación tres veces.

Solución:

E1: ocurre un total de 7 u 11 → (2 veces)

E2: ocurre un par → (1 vez)

E3: no ocurre un par ni un total de 7 u 11 → (3 veces)

n= 6

𝑥1 = 2 𝑣𝑒𝑐𝑒𝑠, 𝑥2 = 1 𝑣𝑒𝑧, 𝑥3 = 3 𝑣𝑒𝑐𝑒𝑠

∑ 𝑥𝑖 = 2 + 1 + 3 = 6 = 𝑛

8 2 6 1 22
𝑃1 = = 𝑃2 = = 𝑃3 =
36 9 36 6 36
𝑘
2 1 22
∑ 𝑝𝑖 = + + =1
9 6 36
𝑖=1

Luego aplicando la fórmula

2 2 1 22 3
𝑃(𝑥1 = 2 , 𝑥2 = 1 , 𝑥3 = 3) = 6𝐶2,1,3 ( ) . ( ) . ( )
9 6 36
 6! 4 1 11 3
𝑃(𝑥1 = 2 , 𝑥2 = 1 , 𝑥3 = 3) = .( ).( ).( )
2! 1! 3! 81 6 18
4 1331
𝑃(𝑥1 = 2 , 𝑥2 = 1 , 𝑥3 = 3) = 60. ( ).( ) = 0,11
486 5832

Interpretación: “De cada 100 veces que se lanza un par de dado 6 veces,
teóricamente en 11 oportunidades se obtendrá un total de 7 u 11 dos veces,
un par 1 vez, y cualquier otra combinación 3 veces.

Distribución Binomial Negativa: Esta distribución se utiliza cuando los

ensayos independientes repetidos pueden dar como resultado un éxito con
probabilidad p, y un fracaso con probabilidad q= 1-p, entonces la
distribución de probabilidad en la que ocurre el k-ésimo éxito está dada por
la expresión:

𝑃(𝑥 = 𝑥𝑖) = 𝑥𝑖 − 1 𝐶𝑘−1 . 𝑝𝑘 . 𝑞 𝑥𝑖−𝑘 𝑥𝑖 = 𝑘, 𝑘 + 1, 𝑘 + 2 …

¿De qué se trata esta distribución?

Respuesta: de encontrar el último éxito.

Ejemplo: Determine la probabilidad de que una persona que lanza tres

monedas obtenga caras ó todas sello por segunda vez en la lanzada.

X= N° de lanzada.

K=el último éxito.

K= 2.

𝑆 = {(𝐶𝐶𝐶)(𝐶𝐶𝑆)(𝐶𝑆𝑆)(𝐶𝑆𝐶)(𝑆𝑆𝑆)(𝑆𝑆𝐶)(𝑆𝐶𝐶)(𝑆𝐶𝑆)}

2 1
𝑃= = (2 𝑝𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑢𝑛 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 8)
8 4
6 3
𝑞=8=4 Interpretación: “De cada 100 veces que
una persona lanza 3 monedas,
𝑃(𝑥 = 5) = 4𝐶1 . 𝑝2 . 𝑞 3
teóricamente en 10 oportunidades se
1 2 3 3 observarán todas caras o todas sellos
𝑃(𝑥 = 5) = 4𝐶1 . ( ) . ( )
4 4 por segunda vez en la 5ta lanzada.
 1 27
𝑃(𝑥 = 5) = 4. . = 0,10
16 64

Distribución Hipergeométrica: Se utiliza cuando se tiene una población finita

de tamaño N, de la cual r son los éxitos de la población y N-r son fracasos,
donde se selecciona al azar y sin reemplazo una muestra de tamaño n, de la
cual x son éxitos y n-x son fracasos; entonces la función de probabilidad
puntual está dada por la expresión:

𝑟𝐶𝑥𝑖 . 𝑁 − 𝑟𝐶𝑛−𝑥𝑖
𝑃(𝑥 = 𝑥𝑖) = , 𝑥𝑖 = 0,1, 2, 3, … , 𝑛
𝑁𝐶𝑛

Donde:

X: V.a.d

xi: valores que asume la variable (x) ó “éxitos de la muestra”

N: tamaño de la población.

n: tamaño de la muestra.

r: éxitos de la población.

N-r: fracaso de la población.

n-xi: fracaso de la muestra.

Parámetros fundamentales
𝑛.𝑟
✓ Media 𝜇 = 𝐸(𝑥) = 𝑁
2 𝑁−𝑛 𝑛.𝑟 𝑟
✓ Varianza 𝜎 = 𝑉(𝑥) = ( 𝑁−1) . (1 − 𝑁)
𝑁

𝑛≤𝑁 𝑥≤𝑟 𝑛−𝑥 ≤ 𝑁−𝑟

Ejemplo: Se tienen 10 piezas y de ellas se selecciona al azar y sin

reemplazo 4 de ellas, si el lote contiene 4 defectuosas, a. ¿cuál es la
probabilidad de que 3 de ellas estén en buenas condiciones? b. ¿cuál es la
probabilidad de que por lo menos 2 estén en buenas condiciones?
(Mecánica)
Solución:

X: N° de piezas en buenas condiciones

N=10 r= 6 piezas buenas

n= 4 N-r= 4 piezas defectuosas

xi= 3 piezas buenas n-xi= 1

6𝐶3 4𝐶1 80 8
a. 𝑃(𝑥 = 3) = = 210 = 21 = 0,39
10𝐶4

“De cada 21 veces que se seleccione al azar y sin reemplazo 4 piezas de un

total de 10, teóricamente en 8 oportunidades 3 de ellas estarán en buenas
condiciones”.

b. 𝑃(𝑥 ≥ 2) = 1 − 𝑃(𝑥 ≤ 1) = 1 − [𝑃(𝑥 = 0) + 𝑃(𝑥 = 1)]

6𝐶0 4𝐶4 1
𝑃(𝑥 = 0) = =
10 𝐶4 210

6𝐶1 4𝐶3 24
𝑃(𝑥 = 1) = =
10 𝐶4 210

1 24 25
𝑃(𝑥 ≥ 2) = 1 − [ + ]= 1−
210 210 210
185 37
𝑃(𝑥 ≥ 2) = =
210 42

Distribución de Poisson: Es aquella distribución que se utiliza cuando la

V.A.D está definida en un intervalo de tiempo o en un espacio determinado y
los valores que asume esta, ocurren con la siguiente frecuencia relativa.

𝑒 −𝜇 .𝜇 𝑥𝑖
𝑃(𝑥 = 𝑥𝑖) =
𝑥𝑖!
; 𝑥 = 0, 1, 2, … ∞ El N° de ensayos es muy grande y
las probabilidades son pequeñas.

Donde:

μ: media o promedio poblacional.

e: 2,71828… base del logaritmo neperiano.

xi: valores que asume la V.a.d en un intervalo de tiempo, espacio ó zona
especifica, es decir, los éxitos deseados o la ocurrencia de los éxitos.

Parámetros:

✓ Media 𝐸(𝑥) = 𝜇
✓ Varianza 𝜎 2 (𝑥) = 𝑉(𝑥) = 𝜇

Demostración:

Por definición

𝐸(𝑥) = ∑ 𝑥. 𝑃(𝑥)

𝑒 −𝜇 . 𝜇 𝑥 𝑒 −𝜇 . 𝜇 𝑥
𝐸(𝑥) = ∑ 𝑥. = ∑ 𝑥.
𝑥! 𝑥. (𝑥 − 1)!

𝑒 −𝜇 . 𝜇 𝑥
𝐸(𝑥) = ℎ𝑎𝑐𝑖𝑒𝑛𝑑𝑜 𝑥 = 𝑥𝑖 + 1
(𝑥 − 1)!

𝑒 −𝜇 . 𝜇 𝑥𝑖+1 𝑒 −𝜇 . 𝜇 𝑥𝑖
𝐸(𝑥) = ∑ =∑ .𝜇
𝑥𝑖! 𝑥𝑖!
𝑒 −𝜇 .𝜇 𝑥𝑖
𝐸(𝑥) = 𝜇 ∑ = 𝜇 ∑ 𝑃(𝑥𝑖) p(xi) = 1
𝑥𝑖!

𝐸(𝑥) = 𝜇

Aplicaciones de Distribución de Poisson:

Aproximación de la distribución de Poisson a la distribución Binomial: La
distribución de Poisson produce una aproximación a la distribución binomial
cuando el tamaño de la muestra es grande. (n→∞) y la probabilidad de éxito
es pequeña (P→0), entonces la distribución de poisson proporciona una
buena aproximación a la distribución binomial esto es aceptable cuando:

𝑛 > 20 𝑦 𝜇 = 𝑛. 𝑝 ≤ 5
Se da una de las 2
𝑛 > 20 𝑛. 𝑞 ≤ 5

Objetivo: transformar la binomial a poisson.

Ejemplo 1: El 2% de las bujías producidas por una planta están defectuosas

si la plantan le suministra a una venta de repuestos durante un día 100
bujías, ¿cuál es la probabilidad de que 6 de ellas estén defectuosas?
(Mecánica).

Solución:

X: N° de bujías defectuosas. (x es una v.a.d que tiene una d. binomial).

n: 100

p: 2%= 0,02

q= 98%= 0,98

𝑃(𝑥 = 6) = ? En la tabla de distribución binomial puntual n=100 no

aparece.Por tanto se acude a el:

Teorema de aproximación

𝑛 = 100 > 20 𝜇 = 100.0,02 = 2 < 5

Se define nuevamente la variable y se declara el evento en función de la

teoría poissoniana.

X: N° de bujías defectuosas producidas durante un día.

𝜇=2
Ubicarse en poisson puntual.
0,012
𝑃(𝑥 = 6)= 0,012
“De cada 1000 veces que la planta le suministre 100 bujías a la venta de
repuestos durante un día, teóricamente en 12 oportunidades 6 de ellas
estarán defectuosas”.

Ejemplo 2: El número promedio de partículas radioactivas detectadas por un

aparato en una milésima de segundo es de 5. a. ¿Cuál es la probabilidad de
que exactamente 4 partículas sean detectadas en una milésima de segundo?
b. ¿Cuál es la probabilidad de que a lo máximo una partícula es detectada
por el aparato en una milésima de segundo?. c. ¿Cuál es la probabilidad de
que por lo menos se detecten 3 partículas en una milésima de segundo?
(Físico-Química).

Solución:

X: N° de partículas detectadas por el aparato en milésimas de seg.

(0,001seg).

μ꞊ 5 partículas en 1 milésima de seg (0,001seg).

𝑒 −𝜇 .𝜇 𝑥𝑖 𝑒 −5 .54
a. 𝑃(𝑥 = 4) = = = 0,1755 ≈ 0,18
𝑥𝑖! 4!

“De cada 100 veces que se realice un experimento en un laboratorio,

teóricamente en 18

veces se van a detectar 4 partículas en una milésima de segundo”.

b. 𝑃(𝑥 ≤ 1) = 𝐹(𝑥 = 1) = 0,0404 ≈ 0,04

“De cada 100 veces que se realice un experimento en un laboratorio,

teóricamente en 4 veces se van a detectar a lo máximo 1 partícula en una
milésima de segundo con dicho aparato”.

c. 𝑃(𝑥 ≥ 3) = 1 − 𝑃(𝑥 ≤ 2) = 1 − 𝐹(𝑥 = 2)

𝑃(𝑥 ≥ 3) = 1 − 0,1247

𝑃(𝑥 ≥ 3) = 0,8753 ≈ 0,88

 EJERCICIOS PROPUESTOS:

1.- El 10 % de las válvulas de globo reparadas en un taller quedan

defectuosas, si se seleccionan cuatro (4) de ellas al azar. Cuál es la
probabilidad de que:
a.- Tres (3) estén defectuosas.
b.- Al menos dos (2) estén defectuosas.
c.- Más de tres (3) estén defectuosas.
d.- Menos de tres (3) estén defectuosas.
e.- Entre una (1) y tres (3) estén defectuosas.

2.- El 40% de las probetas utilizadas en una muestra de una empresa son de
sección circular y el resto de sección rectangular. Si se seleccionan siete
(7) al azar cuál es la probabilidad de que:
a.- Dos (2) sean de sección circular.
b.- Al menos tres (3) sean de sección circular.
c- Más de seis sean de sección rectangular.
d.- entre cinco (5) y siete (7) sean de sección rectangular.
e.- A lo sumo cuatro (4) sean de sección circular.
f.- Menos de tres (3) sean de sección circular.

3.- La compañía Venetuerca dedicada a producir tuercas para distintos

elementos de sujeción, de diámetros tanto grandes como pequeños, aisladas
o no. Si la misma fabrica un promedio de cuatro (4) tuercas por minuto. Cuál
es la probabilidad de que en algún minuto determinado:
a.- Se produzcan menos de cinco (5) tuercas aisladas.
b.- A lo sumo se produzcan tres (3) tuercas aisladas.
c.- Al menos resulten cinco (5) tuercas aisladas.

4.-Si en un laboratorio se obtienen quince (15) probetas y de ellas se

seleccionan al azar y sin reemplazo siete (7).Si el lote contiene seis (6)
dañadas. Cuál es la probabilidad de que:
a.- Dos (2) estén dañadas.
b.- Al menos cinco (5) estén buenas.

5.- La empresa Original Bearings de Venezuela C.A fabrica rodamientos

para uso industrial. El 3% de los rodamientos producidos por esta empresa
presentan fallas en el diseño y por ende se clasifican en dañados. Si la
empresa despacha a varias industrias del país 110 rodamientos en 15 días
hábiles. Cuál es la probabilidad de que:
a.- Cinco (5) de ellos estén dañados.
b.- Menos de cinco (5) estén deteriorados.
c.- Más de siete (7) estén dañados.
d.- Al menos cuatro (4) estén dañados.
e.- A lo sumo ocho (8) estén deteriorados.
f.- Entre tres (3) y seis (6) estén dañados.

6.- En un laboratorio de química se tiene que el 40% de los equipos

presentan fallas; si se seleccionan cuatro (4) de ellos al azar. Cuál es la
probabilidad de que:
a.- Tres (3) estén fallando.
b.- Al menos dos (2) estén en buenas condiciones.
c.- Más de tres (3) presenten fallas.
d.- Entre uno (1) y tres (3) presenten fallas.
e.- A lo sumo dos (2) presenten fallas.

7.-En el almacén de una fábrica de cromatógrafos se encuentran

depositados doce (12) de éstos; si se seleccionan al azar y sin reemplazo
cinco (5) cromatógrafos, sabiendo que el lote contiene cinco (5)
defectuosos. Cuál es la probabilidad de que:
a.- Tres (3) estén en buenas condiciones.
b.- Al menos uno (1) esté defectuoso.
c.- Más de dos (2) estén en buenas condiciones.

8.- Una envasadora de alimentos produce en promedio dos (2) latas en mal
estado por hora. Cuál es la probabilidad de que en una (1) hora determinada:
a.- Se produzcan cinco (5) latas no aptas para el consumo.
b.- Al menos tres (3) latas dañadas.
c.- Más de dos (2) latas en mal estado.
d.- Menos de cuatro (4) latas aptas para el consumo humano.
e.- A lo sumo tres (3) latas en buen estado.

9.- El 30% de los autos ensamblados por una empresa presenta algún tipo
de falla, tales como defectos en los sistemas eléctrico, de suspensión, de
transmisión y de enfriamiento. Si se seleccionan dieciocho (18) autos al azar
para realizarle la inspección final, cuál es la probabilidad que:
a.- Dos (2) presenten fallas por calentamiento.
b.- Al menos diez (10) presenten fallas en el sistema de suspensión.
c.- A lo sumo diez (10) no presenten fallas.
d.- Menos de tres (3) presenten fallas en el sistema de transmisión.
e.-Entre dos (2) y tres (3) presenten fallas eléctricas.
10.- Una estación de bombeo suministra agua a un caserío, la misma circula
a través de un tramo de tuberías con un caudal promedio de 10 litros por
segundo. Cuál es la probabilidad de que en un tramo determinado:
a.- El caudal sea de 15 litros por segundo.
b.- A lo sumo el caudal sea de 12 litros por segundo.
c.- El caudal sea al menos de 8 litros por segundo.
d.- El caudal sea más de 12 litros por segundo.
e.- El caudal esté entre 5 y 15 litros por segundo.

11.- En una empresa metalúrgica se fabrican láminas de diferentes tipos de

materiales, de las cuales el 5% son de aluminio. Si dicha empresa vende
cien (100) láminas en un día ¿Cuál es la probabilidad de que diez (10) de
éstas sean de aluminio?

12.- El 4% de los motores que fabrica una empresa automotriz no aprobó el

control de calidad. Si la empresa instala dichos motores a cien (100) autos
por semana ¿Cuál es la probabilidad de que cinco (5) de éstos estén
defectuosos?

13.- En una empresa se tienen quince (15) máquinas de empaquetamiento,

de las cuales cinco (5) están inactivas; si el gerente decide empacar una
línea de productos y para esto selecciona al azar y sin reemplazo siete (7)
de estas máquinas. Cuál es la probabilidad de que:
a.- Exactamente cuatro (4) estén inactivas.
b.- Dos (2) estén activas.
Variable Aleatoria Continua (V.A.C): Es aquella variable que se mide en una
escala numérica, es decir, que los valores que asume la variable aleatoria
están definidos en un intervalo específico.

Función de densidad de probabilidad: Es aquella que satisface las siguientes

condiciones:

i. 𝑓(𝑥) ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥

∞
ii. ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1 ; −∞ < 𝑥 < ∞
𝑏
iii. 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑃(𝑎 < 𝑥 < 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥

Función de Distribución Acumulada: Es aquella función donde:

𝑥𝑖

𝑝(𝑥 ≤ 𝑥𝑖) = 𝐹(𝑥 = 𝑥𝑖) = ∫ 𝑓(𝑡)𝑑𝑡 𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑦 𝑐𝑢𝑎𝑛𝑑𝑜 − ∞ < 𝑥 < ∞

−∞

El valor esperado: Se define de forma análoga que en la sección de

Variables Aleatorias Discretas.
∞

𝜇 = 𝐸(𝑥) = ∫ 𝑥. 𝑓(𝑥)𝑑𝑥
−∞

Varianza:

𝜎 2 = 𝑉(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
∞
Donde 𝐸(𝑥 2 ) = ∫−∞ 𝑥 2 𝑓(𝑥)𝑑𝑥

Ejemplo 1: La proporción de personas que responden a cierta solicitud de

pedido por correo es una variable aleatoria cuya función de densidad está
dada por:

2
(𝑥 + 2) 0 < 𝑥 < 1
𝑓(𝑥) = {5 }
0 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑝𝑢𝑛𝑡𝑜𝑠

1. Verifique la condición 2.
2. Encuentre la probabilidad de que más de 1/4 pero menos de 1/2 de
las personas a las que se les envió la solicitud respondan a ella.
 3. En promedio ¿cuál es la proporción de personas que respondieron a
tales solicitudes?
4. Determine la distribución acumulada.

Solución 1:
∞ 1 1
2 2 𝑥2 2 1 2 5 10
∫ 𝑓(𝑥)𝑑𝑥 = ∫ (𝑥 + 2)𝑑𝑥 = [ + 2𝑥] = [ + 2 − 0 − 0] = . = =1
5 5 2 0
5 2 5 2 10
−∞ 0

Lo cual queda demostrado

Solución 2:
1⁄
4 1⁄
2 2 𝑥2 4 2 3 1 2 19 19
𝑃(1⁄2 < 𝑥 < 1⁄4) = ∫ (𝑥 + 2)𝑑𝑥 = [ + 2𝑥] = [ + ] = . =
5 5 2 1⁄ 5 32 2 5 32 80
1⁄ 2
2
= 0,2375 ≈ 0,24

“De cada 100 veces que se reciban varias solicitudes, teóricamente en 24

veces entre 1/4 y 1/2 responderán a las solicitudes”.

Solución 3:
∞

𝜇 = 𝐸(𝑥) = ∫ 𝑥. 𝑓(𝑥)𝑑𝑥
−∞

1 1 1
2 2 2 𝑥 3 2𝑥 2 2 1 8
𝜇 = 𝐸(𝑥) = ∫ 𝑥. (𝑥 + 2)𝑑𝑥 = ∫(𝑥 2 + 2𝑥)𝑑𝑥 = [ + ] = [ + 1] =
5 5 5 3 2 0 5 3 15
0 0
= 0,5 ≈ 1

“En promedio se espera que 1 solicitud sea respondida por la proporción de

las personas”.

Solución 4:
 𝑥𝑖

𝑃(𝑥 ≤ 𝑥𝑖) = 𝐹(𝑥 = 𝑥𝑖) = ∫ 𝑓(𝑡)𝑑𝑡 −∞<𝑥 <∞

−∞

𝐹(−∞) → 0

𝐹(+∞) → 1

Si 𝑥 < 0 𝐹(𝑥) = 0
𝑥
Si 0 < 𝑥 < 1 𝐹(𝑥) = ∫0 𝑓(𝑡)𝑑𝑡
𝑥 𝑥
2 2 𝑡2
𝐹(𝑥) = ∫ (𝑡 + 2)𝑑𝑡 = [ + 2𝑡]
5 5 2 0
0

2 𝑥2 2 𝑥2
𝐹(𝑥) = [ + 2𝑥 − 0 − 0] = [ + 2𝑥]
5 2 5 2

Si 𝑥 > 1 𝐹(𝑥) = 1

0 𝑠𝑖 𝑥 < 0
2 𝑥2
𝑓(𝑥) = { ( + 2𝑥) 𝑠𝑖 0 < 𝑥 < 1}
5 2
1 𝑠𝑖 𝑥 > 1

Distribución de

Probabilidad

1. Distribución Normal: Es un tipo de distribución continua cuya gráfica tiene

forma de campana la cual está representada por su media y su desviación
estándar.

Gráfica
La función de densidad probabilística está dada por:
2
1 1⁄ (𝑥−𝜇 )
𝑓(𝑥) = . 𝑒− 2 𝜎 ; −∞ < 𝑥 < ∞
𝜎√2𝜋

Donde,

x: valores que asume la v.a.c

µ: Media o promedio de la v.a.c

σ: la desviación estándar de la v.a.c

e: 2,71828............. Base de L.N

π: 3,1416...
𝑏

𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑃(𝑎 < 𝑥 < 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥

𝑎

𝑏
2
1 1⁄ (𝑥−𝜇 )
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∫ . 𝑒− 2 𝜎 𝑑𝑥
𝜎√2𝜋
𝑎

Características de la distribución normal

✓ La distribución se extiende desde -∞ hasta +∞.

✓ El área total bajo la curva es igual a 1.
✓ La distribución, curva o gráfica es simétrica respecto a la media.
✓ Existen dos puntos de inflexión en 𝑥 = 𝜇 ± 𝜎.
✓ La distribución es asintótica respecto al eje horizontal.
✓ La moda que es el punto en el eje horizontal donde la curva alcanza
su máximo ocurre en 𝑥 = 𝜇

Áreas debajo de la curva normal

Distribución Normal Estándar

Es el tipo de distribución continua cuyos parámetros son 𝜇 = 0 y 𝜎 = 1

𝑁(𝑧, 0,1).

El valor de Z:
El valor de z es una medida estadística que representa el número de σ que
hay entre µ y un valor de interés de la variable aleatoria, es decir:
𝑥−𝜇
𝑍=
𝜎
𝑃(𝑥1 ≤ 𝑥 ≤ 𝑥2 ) = 𝑃(𝑧1 ≤ 𝑧 ≤ 𝑧2 )

Gráfica

Ejemplo N°1

Los precios del café han caído recientemente en los últimos 14 años a un
mínimo de 76,5 centavos la Lb, estos precios están relacionados en forma
directa con las utilidades de los empleados. El importador vende en
promedio 2700 libras al mes con 𝜎 = 130 𝑙𝑏; si las ventas tienen una
distribución normal, ¿cuál es la probabilidad de vender menos de 2100 lb de
café al mes?

x: Cantidad en lb de café vendidas

𝑥~ 𝑁(𝑥 = 2100, 𝜇 = 2700, 𝜎 = 130)

𝑃(𝑥 ≤ 2100) ó 𝑃(𝑥 < 2100)

2100
2
1 1⁄ (𝑥−2700)
𝑃(𝑥 < 2100) = ∫ . 𝑒− 2 130 𝑑𝑥
130√2𝜋
−∞

𝑁(𝑧, 2700, 130) → 𝑁(𝑧, 0, 1)

𝑥 − 𝜇 2100 − 2700
𝑧= = = −4,62
𝜎 130
𝑃(𝑥 ≤ 2100) = 𝑃(𝑧 ≤ −4,62) = ∅(−4,62)

𝑃(𝑥 ≤ 2100) = 0
¿Cuál es la probabilidad de que se venda más de 2960 lb de café al mes?

𝑃(𝑥 ≥ 2960)

2960 − 2700
𝑧= =2
130
𝑃(𝑥 ≥ 2960) = 1 − 𝑃(𝑥 ≤ 2960)

𝑃(𝑥 ≥ 2960) = 1 − 𝑃(𝑧 ≤ 2)

𝑃(𝑥 ≥ 2960) = 1 − ∅(2)

𝑃(𝑥 ≥ 2960) = 1 − 0,9772

𝑃(𝑥 ≥ 2960) = 0,0228 ≈ 0,02

Gráfica

“De cada 100 veces que el importador salga a vender café al mes,
teóricamente 2 veces él venderá más de 2960 lb de café al mes.

Ejemplo N°2

Una máquina que expende bebidas ligeras está regulada de modo que
descargue un promedio de 200 mL por vaso. Si la cantidad de líquido que
está distribuido normalmente con 𝜎 = 15 𝑚𝑙.

a. ¿Qué porcentaje de vasos contendrán más de 224 ml?

b. ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209 ml?
 c. Si se usa vasos de 230 ml ¿Cuántos de los siguientes 100 vasos
servidos se derramarán?
d. Bajo qué valor estará el 25% de los vasos con menos contenido.

x: cantidad de líquido contenido en los vasos en ml.

𝑥−𝜇
𝜇 = 200 𝑚𝑙 𝑧= 𝜎

𝜎 = 15 𝑚𝑙

𝑁(𝑥, 𝜇 = 200, 𝜎 = 15) → 𝑁(𝑧, 0, 1)

Solución A

𝑃(𝑥 ≥ 224) =?

224 − 200
𝑧= = 1,6
15
𝑃(𝑥 ≥ 224) = 1 − 𝑃(𝑥 ≤ 224)

𝑃(𝑥 ≥ 224) = 1 − 𝑃(𝑧 ≤ 1,6) = 1 − ∅(1,6) = 1 − 0,9452

𝑃(𝑥 ≥ 224) = 0,0548 ≈ 0,05 = 5%

Gráfica

“El 5,48% de los vasos contienen más de 224 ml”

Solución B

𝑃(191 ≤ 𝑥 ≤ 209) = 𝑃(191 < 𝑥 < 209) = 𝑃(𝑧1 < 𝑧 < 𝑧2 )

191 − 200
𝑃(191 ≤ 𝑥) → 𝑧 = = −0,6
15
209 − 200
𝑃(𝑥 ≤ 209) → 𝑧 = = 0,6
15
𝑃(−0,6 ≤ 𝑧 ≤ 0,6) = 𝐷(0,6) = 0,4515 ≈ 0,50

Gráfica

“De cada 100 veces que la máquina surta teóricamente los vasos contendrán
entre 191 y 209 ml”

Solución C

𝑃(𝑥 ≥ 230) = 1 − 𝑃(𝑥 ≤ 230) = 1 − 𝑃(𝑧 ≤ 2)

230 − 200 30
𝑧= = =2
15 15
𝑃(𝑥 ≥ 230) = 1 − 0,9772 = 0,0228 ≈ 0,023

1000 → 100%

𝑥 ← 2,28%

𝑥 = 23 𝑣𝑎𝑠𝑜𝑠

Solución D

Gráfica

𝑥−𝜇
𝑧= → 𝑥 = 𝜇 + 𝑧. 𝜎
𝜎
25% → 𝑧 = −0,674 ≪ 𝑃𝑜𝑟 𝑙𝑎 𝑡𝑎𝑏𝑙𝑎 % ≫

𝑥 = 200 + (−0,674)(15)

𝑥 = 189,89 𝑚𝑙

Teorema de Chebyshev

Independientemente de cómo se distribuyen los datos, la probabilidad de

que la variable aleatoria asuma el valor dentro de k desviaciones estándar
de la media es al menos: 1 − 1⁄𝑘 2 es decir;

𝑃(𝜇 − 𝑘𝜎 < 𝑥 < 𝜇 + 𝑘𝜎) ≥ 1 − 1⁄𝑘 2

Ejemplo N°1

La distribución de las edades de los empleados en una fábrica no tienen una

distribución normal, sin embargo tienen un promedio de 44,8 años con σ de
9,7 años. ¿Cuál será la cota inferior para el porcentaje de las edades de los
empleados que se encuentran a menos de dos desviaciones estándar de la
media?

𝑘=2

𝜇 = 44,8 𝑎ñ𝑜𝑠

𝜎 = 9,7 𝑎ñ𝑜𝑠

1
𝑃(44,8 − 2(9,7) < 𝑥 < 44,8 + 2(9,7)) ≥ 1 −
22
𝑃(25,4 < 𝑥 < 64,2) ≥ 0,75

“Al menos el 75% de las edades de los empleados de la fábrica estarán

comprendidas entre 25,4 años y 64,2 años”

Aproximación de la distribución Normal a la Distribución Binomial

La distribución normal proporciona una aproximación muy cerca a la

binomial cuando el tamaño de la muestra es muy grande (𝑛 → ∞) y cuando p
está muy cerca de 0,5 (𝑝 → 0,5)
Regla Empírica

Dist. Binomial ≈ Dist. Normal cuando:

𝑛. 𝑝 > 5 y 𝑛. 𝑞 > 5

El estadístico de prueba o variable de transformación esta dada por:

𝑥 − 𝑛. 𝑝
𝑧=
√𝑛. 𝑝. 𝑞

Transformaciones de una variable Binomial a Normal (algunas propiedades)

Distribución Binomial Distribución Normal

1. 𝑃(𝑥 = 𝑐) = 𝑃(𝑐 − 0,5 < 𝑥 < 𝑐 + 0,5)

2. 𝑃(𝑥 ≤ 𝑐) = 𝑃(𝑥 ≤ 𝑐 + 0,5)
3. 𝑃(𝑥 < 𝑐) = 𝑃(𝑥 ≤ 𝑐 − 0,5)
4. 𝑃(𝑥 > 𝑐) = 𝑃(𝑥 ≥ 𝑐 + 0.5)
5. 𝑃(𝑥 ≥ 𝑐) = 𝑃(𝑥 ≥ 𝑐 − 0,5)
6. 𝑃(𝑎 < 𝑥 < 𝑏) = 𝑃(𝑎 + 0,5 < 𝑥 < 𝑏 − 0,5)
7. 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑃(𝑎 − 0,5 ≤ 𝑥 ≤ 𝑏 + 0,5)

Ejemplo N°1

En un proceso industrial se producen 10% de artículos defectuosos. Si 100

de ellos se seleccionan al azar. ¿Cuál es la probabilidad de que el número de
artículos defectuosos:

a. Exceda de 13.
b. Sea menor que 8.
c. Sea igual a 4.

p: 10%= 0,10

q: 90%= 0,90

n=100

x: Número de artículos defectuosos producidos.

𝑥~ 𝐷𝑠𝑖𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙
Solución a.

𝑃(𝑥 > 13) = ?

𝑃(𝑥 > 13) = 𝑃(𝑥 ≥ 13,5) = 1 − 𝑃(𝑥 ≤ 13,5)

𝑥 − 𝑛. 𝑝
𝑧=
√𝑛. 𝑝. 𝑞

𝑛. 𝑝 = 100.0,10 = 10 > 5

𝑛. 𝑞 = 100.0,90 = 90 > 5

13,5 − 10 3,5
𝑧= = = 1,17
√100.0,10.0,90 √9

𝑃(𝑥 > 13) = 1 − 𝑃(𝑧 ≤ 1,17)

𝑃(𝑥 > 13) = 1 − ∅(𝑧 = 1,17) = 0,8790

𝑃(𝑥 > 13) = 1 − 0,8790 = 0,1210 ≈ 0,12

Gráfica

“De cada 100 veces que seleccionamos al azar 100 artículos en un proceso
de fabricación, teóricamente en 12 veces más de 13 estarán defectuosos”

Solución b.

𝑃(𝑥 < 8) = 𝑃(𝑥 ≤ 7,5) = 𝑃(𝑧 ≤ −0,83)

7,5 − 10 −2,5
𝑧= = = −0,83
√9 3

𝑃(𝑥 < 8) = ∅(−0,83) = 0,2033 ≈ 0,20 "𝑰𝒏𝒕𝒆𝒓𝒑𝒐𝒍𝒂𝒏𝒅𝒐"

Solución c.

𝑃(𝑥 = 4) = 𝑃(3,5 < 𝑥 < 4,5) = 𝑃(𝑧1 < 𝑧 < 𝑧2 )

3,5 − 10
𝑧1 = = −2,17
3
4,5 − 10
𝑧2 = = −1,83
3
𝑃(𝑥 = 4) = 𝑃(−2,17 < 𝑧 < −1,83)

𝑃(𝑥 = 4) = ∅(𝑧 = −2,17) < 𝑧 < ∅(𝑧 = −1,83)

𝑃(𝑥 = 4) = ∅(𝑧 = −1,83) − ∅(𝑧 = −2,17)

𝑃(𝑥 = 4) = 0,0336 − 0,0150 = 0,0186 ≈ 0,019

Gráfica

“Interpretación” Análoga a las anteriores.

Ejemplo N°2

E bibliotecario de la UNEFM elige 100 artículos al azar de los archivos de la

biblioteca e inspecciona sus condiciones físicas, en la última inspección el
40% de los libros se encontraron en condiciones no satisfactorias,
suponiendo que este porcentaje todavía se mantiene. ¿cuál es la
probabilidad de que el bibliotecario considere no satisfactorias las
condiciones de al menos el 50% de los libros?

p: 40%= 0,40

q: 60%= 0,60

n: 100
 X: Número de libros en condiciones no satisfactorias.

𝑛. 𝑝 = 100.0,40 = 40 > 5

𝑛. 𝑞 = 100.0,60 = 60 > 5

𝑃(𝑥 ≥ 50) = 𝑃(𝑥 ≥ 49,5) = 1 − 𝑃(𝑧 ≤ 1,94)

49,5 − 40
𝑧= = 1,94
4,89

𝑃(𝑥 ≥ 50) = 1 − ∅(𝑧 = 1,94)

𝑃(𝑥 ≥ 50) = 1 − 0,9738

𝑃(𝑥 ≥ 50) = 0,0262 ≈ 0,026

Gráfica

“De cada 1000 veces que el bibliotecario de la UNEFM elija 100 artículos al
azar de los archivos, teóricamente 26 veces el considera que el 50% de los
libros no se encuentran en condiciones satisfactorias”.

Función Gamma
∞

𝜎(𝛼) = ∫ 𝑥 −1 . 𝑒 −𝑥 𝑑𝑥 ; 𝛼>0
0

1. 𝑃(𝑛) = (𝑛 − 1)!
2. 𝜎(1) = 0! = 1
3. 𝑃(𝑛 + 1) = 𝑛. 𝑃(𝑛)
4. 𝜎(1⁄2) = √𝜋
Distribución Gamma

Es un tipo de distribución continua que usa 2 parámetros 𝛼, 𝛽; en donde su

función de densidad de probabilidad está dada por:

𝛽 −𝛼 −𝑥⁄𝛽
𝑥 𝛼−1 𝑒 ; 𝑥 > 0; 𝛼 > 0; 𝛽 > 0
𝑓(𝑥) {𝜎(𝛼) }
0; 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜

Parámetros

1. Media: 𝜇 = 𝛼. 𝛽
2. Varianza: 𝜎 2 = 𝛼. 𝛽²

Cuando 𝛼 = 1 obtenemos la distribución exponencial.

Distribución Exponencial

1 −𝑥⁄𝛽
.𝑒 ; 𝑥 > 0; 𝛽 > 0; 𝛼 = 1
𝑓(𝑥) {𝛽
0 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑝𝑢𝑛𝑡𝑜𝑠

Parámetros

1. Media: 𝜇 = 𝛽
2. Varianza:
𝜎 2 = 𝛽2

Distribución Weibull

Es un tipo de distribución continua que se utiliza para determinar si un

componente es confiable o falla en un determinado sistema, utiliza también
como parámetros 𝛼 𝑦 𝛽 y su función de densidad de probabilidad está dada
por la expresión:

𝛽−1 𝛽
𝑓(𝑥) = {𝛼. 𝛽. 𝑥 . 𝑒 −𝛼𝑥 ; 𝑥 > 0 ; 𝛼 > 0 ; 𝛽 > 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜𝑠
La función 𝑧(𝑡) = 𝛼. 𝛽. 𝑡𝛽−1 ; 𝑡 > 0, 𝛽 > 0, 𝛼 > 0 es rapidez de falla de los
componentes en un tiempo en la distribución Weibull.
𝛽
𝑅(𝑡) = 𝑒 −𝛼.𝑡 ; 𝑡 > 0, 𝛼 > 0, 𝛽 > 0 es la confiabilidad de los componentes en
un tiempo t en la distribución Weibull

Ejemplo N°1

Un sistema contiene cierto tipo de componente cuya duración es años está

dado por una variable T distribuida en forma exponencial con parámetro 𝛽 =
8. Si se instalan 10 de estos componentes en diferentes sistemas. ¿cuál es
la probabilidad de que por lo menos 6 funcionen todavía después de 4 años?

T: tiempo de duración de los componentes.

𝑇~ 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙: 𝛽 = 8
∞
1 −𝑡⁄
𝑃(𝑡 > 4) = ∫ . 𝑒 8 . 𝑑𝑡
8
4

𝑡 ∞
𝑃(𝑡 > 4) = − [𝑒 − ⁄8 ]

4⁄
𝑃(𝑡 > 4) = −𝑒 −∞ + 𝑒 − 8

𝑃(𝑡 > 4) = 𝑒 −0,5 = 0,61 = 𝑝

X: Número de componentes en la muestra que funcionan después de 4 años.

𝑥~𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙

𝑛 = 10

𝑝 = 0,61 𝑞 = 0,39

𝑃(𝑥 ≥ 6) = 1 − 𝑃(𝑥 ≤ 5) = 1 − 𝐹(𝑥 = 5)

𝑃(𝑥 ≥ 6)=

Interpolamos

0,60 → 0,3670
0,61 → 𝑥
0,70 → 0,150
(0,70 − 0,60) = 0,10 → (0,3670 − 0,150) = 0,2170

0,61 − 0,60 = 0,01

0,01 𝑥 0,217
𝑥= = 0,0217
0,10

𝑃(𝑥 ≥ 6) = 1 − 0,3453

𝑃(𝑥 ≥ 6) = 0,6547

“De cada 100 veces que se seleccione al azar 10 componentes para

instalarlos en diferentes sistemas, teóricamente 65 veces por lo menos 6 de
ellos funcionarán después de 4 años”.

Ejemplo N°2

Cierta fábrica manufacturera requiere de un producto específico a granel. La

cantidad del producto utilizado en un día determinado se puede modelar por
una distribución gamma con 𝛼 = 2 y 𝛽 = 4 medidas en toneladas. Encuentre,
la probabilidad de que la fábrica vaya a utilizar más de 4 toneladas en un día
determinado.

X: cantidad de toneladas utilizadas por la fábrica.

𝑥~𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑔𝑎𝑚𝑚𝑎
∞
4−2 𝑥
𝑃(𝑥 > 4) = ∫ 𝑥. 𝑒 −4 𝑑𝑥
𝜎(2)
4

∞
4−2 𝑥
𝑃(𝑥 > 4) = ∫ 𝑥. 𝑒 −4 𝑑𝑥
𝜎(2)
4

𝑢=𝑥 𝑑𝑢 = 𝑑𝑥
𝑥 𝑥
𝑣 = −4𝑒 −4 𝑑𝑣 = 𝑒 −4

𝑢. 𝑑𝑣 = 𝑢. 𝑣 − ∫ 𝑣. 𝑑𝑢

∞
1 𝑥 𝑥
𝑃(𝑥 > 4) = 2 [−𝑥. 4. 𝑒 −4 − ∫ −4. 𝑒 −4 𝑑𝑥]
4
4
 1 𝑥 −1 −𝑥
𝑃(𝑥 > 4) = = [−4. 𝑥. 𝑒 −4 − (−4. 𝑒 4 )]
16 4
1 𝑥 𝑥 ∞
𝑃(𝑥 > 4) = [ . 𝑥. 𝑒 −4 − 𝑒 −4 ] 𝑡𝑒𝑛𝑑𝑟𝑎 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎
4 4

𝑃(𝑥 > 4) = 0,37 + 0,37 = 0,74

Ejercicio N°3

La vida útil de un sellador para autos tiene una distribución de weibull con
1
una rapidez de falla de . Encuentre la probabilidad de que el sellador este
√𝑇
aún funcionando después de 4 años.

1 1⁄
𝑧(𝑡) = = 𝑡− 2
√𝑇

T: tiempo de duración del sellador para autos.

𝑇~ 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑤𝑒𝑖𝑏𝑢𝑙𝑙 ∶ 𝛼 𝑦 𝛽

𝑧(𝑡) = 𝛼. 𝛽. 𝑡𝛽−1
1⁄
𝑡− 2 = 𝛼. 𝛽. 𝑡𝛽−1

𝛼. 𝛽 = 1
1⁄
𝑡− 2 = 𝑡𝛽−1 → − 1⁄2 = 𝛽 − 1 = − 1⁄2 + 1 = 𝛽 → 𝛽 = 1⁄2