CHAPTER 1 Distribuciones de Probabilidad En ol primer capftno se estudiaron Tas distsibuckones de freenencias de tn conjini de datos cuantitatives, estas distribuciones de Gecuencia permitian construir dos histogramas de froenencias de los mismos datos y a través de clas hacerse a mma idea de distribuciin global que podria tener una poblacién. Eses primeras ideas funcionales que se examinaron alli, serén formalizadas en este expitalo, 1.1 Variables aleatorias Definido yao) coneepto de experimento aleatorio, se pricde entender tina variable, Aleatoria como un medio de deseibir Jos resultados exporimentales eon valores muméricos, Definici6n 1.1.1. Tina variable aleatorto 1s una funcedn quo asigna nn miimera reat fo enda resulinds del expncio muesimd de un experimento nlentorio Tas variables aleatarias (en adelante. v.a) se denatan por letras latinas maytise cealus, Uns vex gue se ha Hevado a cabo el experimento, el valor medido de la va se representa por un letra latina mnimisinla, Bjemplo 1.1.1 Bn un proceso de fatvicucin de: eesniconductres ve pruelun dos obluss de un lute, cade oblea ve clasifica coms si pasa o fala. Supouga que ta probubilidad de que una oblea pase la prucha ex de O.8 y que el Reche de que una bles pase ww afecta el que las dernds ableas pasen 0 ma, L. Escribir el espacio muestral para ef experimento, Solucion En este caso puede suceder que ambas obleas pasen, o gue una de ellas pase, © gue ninguna pase, por lo tanto, eb espacio muestra? estani dado por; S = {PP PN,NP,NN}, donde P significa que ta oblen pasa, NV stqnifion que ta oblea no pasa. & Define a v.a X como ef wimero de obleas que pasan, y determine los valores que puede asumir 2 Salucidn8 CMAPTER 1. DISTRY TONES DE PROBATILIDAD Xs Nrimero de ableas gue pasas. 2. Construye une table con las resultadas del cxperimenta las walores de ta e.a asociados con ella y la probabilidad de cada walor de X y de cada elementa lel espacio muestra, Salucidn Fowalada | | Probabilidiad pe} 2| aig py |7| ose NP | a| ote NN jal ong Definicién 1.1.2 (Espacio Muestral Disereto) $1 un espacio muesiral con tinewe un mimero finite de elemenlas, 0 estd constituide por wna secuerecia irefintia con tantos elementas como riweros naturales existen, se Mana espacio muestral Aisereio. Nowe que el espacio muestral del ejemplo LLL es ut espacio siuestea discrete Definicién 1.1.8 (Espacio Muestral Continuo) $1 un espacio muestrat com tiene un nainvery infnilo de pasibilidedes igual al wiwero de pares er wn serena ae recta, 29 Uamade un espacio muestral continuo, Suponieado que le distancia se aide con cierto grado de exactitud, claraauente se iene un nimeno infinito de posibles distancing ea 1sn eapario matin aie 5 puede izualarse con el conjunto de los nianervs naturales, ‘Con hase on fas dofinieiones de espacio mnuestral continuo y diseretos presentados: anleriormeute se puss decie que una variable aleatoria es disereta si esta definida sobre un espacio muestral disereto, y una v.a es continua cuando se define sobre tun espacio umestral continuo, s de Probabilidad de v.2 Dis Ln distribncidn de probabilidad de tna varinble alentorin X es smn deseripeion de Ins prababilidades asocindas a los posibles valares de ln. warinble, 1.2 Distribucion eas12, DISTRIBUC PROBADILIDAD DE V.A DISCRETAS z Definicion 1.2.1 Distribueidn de probabitidad Si X os una wevinble aleutoria disereta, y fix) — PIN — af, pare cade nalor 2 que puede tomar tava X. FL cccarta de. proves exrdenadas(, f(2)) 0s una funcidin. de distribucidn de probabitidad (tslp) de la va discrete X sii, pare cada résultada posible 2 4 see & Die) 8. PIX = 2) — (2) Observe que la distribucidn de probabilidad de una v.a discreta puede visualizarse en uma tabla, una gréfica, ima formnla n otra sistema. atilizada para espocificar todos tos valotes posibles de la variable junto oon sus tespactivas probsbilidadss, Ejemplo 1.2.1 El encaryado de un abnacén le dewuelce tres cascus de seguridad, seloccionadas aloatoréamente a tres abreros det taller guicnes ya se las habfan probada mreviamente. Suponiendo que ct arden de las abreras, Peércs, Alban y Mesa, os et cor recto pam recibir sus cascas originales, liste Ios puntos muestraies porn fos poses ccdenes cee gu las tres abreros rocthen un. casas y cansiruya.ta tabla de distribucidn arora le onriable: X que: myresenta ef nximer de asoeineiones eorreetas Bolucion 1 Za siputonte tabla presenta tas posibles comdinaciones que se puedan ablence con los cascas, danda P os Pérea, A es Ahan y MP es Mesa. Fon wy Ivirl ri lel rl vi lel y| ri lel rl ri Eacga cl espacia muestral para los easas es: Sai VEE FEY PVE PREY Sea X= nidmery de casos evrrectos. Lege ¢ — 3.4,1,6,0, por lo lantoz 400) — P(X =0) = Ef) = PX =) = 2: f() = PX =3) = $ (2 T@) 7 Observe gue fa suma de fas probabilidades en el ejemplo anterior es jnual a 1 Teorema tt Tne fincidn puede fungir coma tn fincidn de densidad de probabil dad de una v.a discrete X sit sus valores, f(x}, cumpten tas condiciones: 1. $e} 0 para Vir € Bort X) & DS ey—t Bjemplo 1.2.2 Bn el ejemplo 1.2.1, podrianas estar interesados en. encontrar dos 6 ds caseus correctos, Bale oe puede expresar como P(X $2). Bl evento de gue X £2 se tiene cuando: e—2ex—$or—o, y como los eventos son excluyentes (disyuntos), se tienes= Plr—2)1 Prt) 1 Plr— 0} ait = 04345 _4 ~B Fl qjemplo (.2.2 mnostra que on acasianes resulta canvenicnte pader exprosar probabilidades acnmniadas tales como PIX 0, ta wa disercta X, (qe: denata ef neimera de. contoos en el intervalo, tiene una distribucién de poisson can padeactea he Ademés ta funcisin de distribucitn de probabitided de Xess Observacién 1.2.1 S1X es una variable aleatoria que tiene una distribucttin pols son con panimetro A, esta se denotara de la siguiente manera: X ~ Pail)DISORETAS 12, DISTRIBUC Bjemple 1.2.10 La conluminacion constiluye wn problema en la fabricacién de flisens de admacenamiento dplice. BL miimeso re parlioulas de eenfaminacitin poe ceveree or wn disca dptica tiene wna distribuctéin de poisson y el miimero promeiio de parttenlas por centémetra cnadrado de superficie del disco es de 0.1. Fl dca de tun disen bajo estudio es de 100 centtmetros rnadrados, Fneontrar fa probabihidad de quo ocurran 12 parttendas en cl droa del disen bopo estudio: y eneunndmn ndems a probabildad de que ocurran menos de 12 parliculas en el drea de estudio. Bolucion 2 Sea X: ef niimero de particulas en et trea del disco bajo estudio, Com ef nsimero de particulas os de 0.1 por em, y el Grea del disca.es de \O0em2 extonces el raimero promedio e particulas en el diseo es de: A = 100m? x 0. tpartjem? A = wWpartcades Addomuis X ~~ Poi( 10); luego: 10392 PIX — 1} - f(a) — gat 7 << 19] — PIX <11] — F(11) — 0.6968 Tornado de fa tabla de fa Poisson : Ejemplo 1.2.11 Desarrolle cada une de lus siguientes numerales, 4. Considere una distribucién Poisson con \ = 3 y encuentre. fo} f(2) 0) Ple= 2 fo} Plo] & Cada ario mds de 50 millones de hudspedes se hospedan en hoteles que ofrecen tojamiento y desayuno. El sitio web para Be dan Breakfast Inns de Nerteam- rien, yu: rib sn promedio dp siete: wivitontes por minutn, permite: 2 muchos hoteles de este tipo atrnes clientes (Time, septicmbre de 2001). fa) Calcute ta probabilidad de que nadie visite ef sitio web en un periode de tan rainuto (6) Rotome Ia prabotahdad de das o mAs aststontos al sitio web en un perinda tle $0 segundas. fe} Determine ta probabitidad de cine 0 ris vivitantes en wee perivdy de we minuto. 3. El mimero promedio de homicidios en cierta metripoli es de @ por dia, De- terminar ta probabilidad de gue un dia dado haya fa} No més de 3 homicidios on un déa. dado. {0} Bractamente 3 homicidios en dos dias (6) No hoyo homicidios on tres dias. fd) Mais de 2 hamicidios en ure dia (0) Rotre 3 y ¥ homaradios inclusive em un sa, Dl siguieute Weorema presents la media y Ta variance para una variable aleatoria poisson,a CUIAPTER 1, DISTRIBUCI ONES DE PROBABTADAT Teorema 14 Si X eo una va fal que X ~ PoilA), ve tiene que sw needia yo vwarianen estat dada por FIX) — A ( Vix) — 2d a2) Donde E(X) ¢s la media de la variable y V(X) es su variansa, Ejemplo 1.2.12 Fl nimerw de Mamasos que entron of conmutoday te ta T de MF tiene wn distribueidn de Poisson, Si en promedio Wjan 3 Neonadas en une hora resuetea: 4. Define te variable de estudio y diga cual es su distribucién. Solucién X: nvimern de lamadas que entran al conmutadar de la U de: M on wna haa. Promeilio-d — 3 Hlanadas por hora, luego X ~ Poil3) 2 gCudl es la probahilidad de que no legue ninguna Yamada en una hora deter- minada? Solucién Bn este caso el naimero de Namadus que entrun al conmutaior ex wa hora es ero, por To tanto: PAX =0) =F) = 6.0498 a R/ Ra probabitidad de que no Heque ninguna llamada en wna horn determinada 1 de, D.D498. % gCual es la probabihdad de que entren mas de 5 Uamadas al conmutador en una hora determinada? Solucién PIX > 5) ) — 10.9161 — 0.0829 Donde P(X < 5) — 9361 s¢ puede obtener de la tohla de una distribucidn eamufoda de ta poison, eon media $, a mediante ta nlidizaciém ded Reon ta siguiente instruccicin > ppoisti8) R/ Euego la probabilidad de que entren wads de F Narvadas al conwatador et wna hora determinada es de 0.0839. 4. sCusl os la probabilidad de que entren a to sumo 6 Hamados en una horn y matin? Solucién A lo sumo 6 Hlomadas, indien que entren como mérimo 6 tamadas, adeads cambio ef intervulo de tiempo, ahora es de hora y media, por to ques1.8 DISTRIBUCIGN DE PROBABILIDAD PARA V.A INTINUAS, us ¥: wvimern de Uarandes que: entre al ennemetaddor de ta TF de: Me uma hora y media Por Ia proporcinnalidad del eaperimento poisson, se tiene: Sy — 1.53 — 4.5; Iuego de la tabla de distribucién de tos Poisson con raedin 4.8, an enenentrns También se puede utilizar la instruccién del R dads por: > ppatal6 R/ La probubilidad de que entren a lo sumo 6 Uanuadlas ere una here yp media pa de 0.8341 5. 3Cudl es miimero de lamadas esparadas en tres horas? Solucién Como ahora se tiene un nuevo intervalo de tiempo, se tiene que, la variable cambia de nuevo. 2: wimero de Wamadas que entrar al couneutador de ta U de M en tres horus, Donde por la proporcionalidad del experimento Poisson Az — Rx 3-4. Ahora bien, por Teorema (1.5) 56 tiene gues F(Z)—de-9 ,/ Bl mimero de lamadas esperndas que entren al conmutador en tres horus rs de 9 1.3 Distribuci uas mn de Probabilidad para v.a Contin- La distribueiones de probubitdnd eonsideradas hnsta ef moments san sist ibmciones asuciadas a va discvelas, A pactic de exte moueulo uos dedicaretos extudiat las distribuciones de variables continuas. Ya se habia dicho que una v.a continua es aquella que puede asumir cualquier valor en un intervalo especifico contenido en el conjunto de los reales: o de otra forma, es una variable aleatoria definida sobre un espacio uiuestral continuo, Como eousecueucia de esto, eulze dos valores consecutives existen infinitos mimeros, esto hace que la probabilidad de que una v.a continua asuma un valot especifioo (PIX — 2] — 0) es cero, sin importar la distribucién de probabilidad de la variuble; asi eutunces, si cousideramos la va X definids como Is estatura de une persona, entonces le probabilidad de encontrar una persona que tenga 21 afios es cero, pues la edad ve miide en funcidn del tempo, y el iempo es una varisble continua, por Ip tanto ve podrén encontrar personas que feugsn 21 aiios y unos meses. 0 21 aiios y unas horas, 9 21 alos y unos minutos, pero la probabilidad de encontrar una persona que tenga exactamente 21 ailos es16 CHAPTER 1. DISTRIBU NES DE PROBABILIDAD pricticamente cero, pues esto implicarfa que le persona que responda de manera afirmetiva Wendria que estar vumpliende ais en ese dia, y justo baber nario a fa hora del dia en el que se le formula la pregunta. Sin eunbaryo, si en hugar de esto quisigranus calcular la probsbilidad de que una persons Lenya entre 4 y 22 afios, est probahilidad defnitimmente cnmbiaria, pues tadis las persons qi dicen bene 21 afios estartan on este rango. Observacion 1.3.1 Nole que como para una va X continua, P(X — 2) —0 se sigue que PIX <4] — 2'LX De manera andlioga a como se definis tn distribucién de probahitidad para tas variables aleatorias discretas, se presenta la siguiente definicion de la funcién de densidad de probabilidad para el caso de has variables sleatorles continuas, Definicion 1.8.1 Funcién densidad de probabilidad La funcion fo) es una funcedn de densidad de probabitidad para fa v.a continua X, definida en ef eonjunta de los taieneras reales, kt 4 fe 2. [sede 20 para toda x & R, 1 & Pla X oH f Heda Bjemplo 1.3.1 Suponge que el error en la temperatura de reacotsn, en RC, pane wn experimento controlado de laboratorio es una vv X continua que tiene pud.g dada por: . -lere2 o Cop nf fort 1.8.1 Valor esperado y Varianza de uma v.a Contina Tine de Yas ideas mis importante sobre ol resimen deta informacién snmninistrada en tna id.p. 06 ot vatar esperado, Definicién 1.8.8 Vator Bsperado de una v.a Continua Dada una v.a continua X con fp. f(a) ef valor esperado de la variable aleatoria X, denotada por EX] estd dada port foro De ls misma manera que sucede para ef caso discreto, se tiene para una via ccontinna X com fp fx) qe: FIX] FIX] — x Vari] —o% FX pA]? 1.3.2 Distribucion Normal ‘A comtimuscigm estudiaremes una de les distribuciones contimuas més utilizedas € importantes en tods la estadistica, Esta dictribuciéu fue descublerts por D’Metvre, ‘quien fe eneontrd come un limite de la distribuckin binoaniad cuando 1 2e hace muy prande, sin embaryo quien la popularizy fue Gauss por lo que también ve le eanoee coma distribucidn pausslana, La distriburién normal es un modelo peobabilistivn apropiaily para el mstuslio de muchas v.a continnas, tales come la estatura, of peso de objetos dea. misma naturateza, los errores.on Ta medida. de una misma magnitad fisicn, ote, Definicion 1.3.4 Una v.0 continua X con funcién densidad de probabiidad pap Tene una distribucién normal con parémetros p y a2, donde 06 < ps < 0. yo? > 0. Fnaste enso 30 dlenoia como: X ~ Nipisa™): ademas IX] — ys. y Var[X]— 0". Observacian 1.8.2 La grifica dete funcisn flr) de le definecuin anterior se lama curva normal o curea gaussiana y tiene la forma acampanadas de la siguiente figura: Esta curva ha sido estudiada en gran detalle y presenta muchas propiedades de interés, entre ellus se tienen:as CHAPTER 1. DISTRIBUCIONES DE PROBABILIDAD Pigure 1.2. Grif de In diutribuciin normal 1. Tac core winuctrien respecto al eje 2 = p. 2 La matia, ta mediana y la moda eoinciden y son iquules a j. 8. Lo curva nunca foca af eje 2, aunque presenta un comportamiento asintético 0 ieguierda y derecha. 4 Lava X puede tomar valores entre -00 <4 < $00. 5. Debido a ta simetria de ta curva ta mitad del drea estd a la devel dea. 9 la fru mifad a fa izyuierda dep. 6. Br ol intervalo ys 0 0 encuentra el 68.26% del érea aproximadaments. fintre jr¢20 sn encuentm ef 95.46% del drea aprommadaments, entre nF 86 ae eneuend ef 49.7296 lel inn nprosimnadamnente entre n-bete ae encuendn ef 10056 el inn nprosimnadannente % Al variar el valor de yx dejando a. constante, la curva se desplaza sobre of iva. & Al vanier ef valor dea dejende je canstante le curve altera sv forma. 9. Las pariimetros de uw yo de una distribucién normal no a la vex Bla) — py Var(e) = 0°. 40, Si X es una n.0 com una distribucion normal con media j1 y varianza a, s¢ enotant por X~ Niji.) La distribuciéu uormal puede ser vista como uns familia de distribueiones en J enal el miembro més importante es aquel «me tiene media yw — 0 y varianza a? — 5, esta distribucion particular de la wormal es llamada una distribucion normal estindar, y ae define & coutinuscidn, 5 Distribueidn Normal Ratandar A wnn 1.n normnl gue tienn media =O y variance o? = 1 se le Nama una v.a normal estdudar. y se derotacd por Z, Definicién 1.8.6 La Juncion de distribucton acumoulada de una wa normal estine dar 9¢ dewota por: (2) = P( 2)La, _DISTRIBUCION DE PROBABILIDAD PARA V.A CONTINUA 19 A partir de (ods variable X que tenga us disteibucién aoc ve puede encon- ‘rar una variable asociada Z con distribucion uormal estindar, a este proceso de ‘transfocuacion se te Hama estandarizacion de la variable XN De esta manera Ja distcibuciéu woctusl estaudae se coustituye eu wits errauiienta para deleruinar el fora bajo la eorva tons ver que sus pardmedros je ¥ 6 son conocido, Pstandarizar uns v.s normal cousiste en realiaar una (rausformaciou de Ia curva que consiste en un cambio del orizen y un cambio de la excala vobre al je 4. Matematicamente la estandarizacion de una va X~ N(a.7) cousiste ea deficie tina nusewn vn Z dada por x Z- o La ena} también tiene ma distribncion normal, 7 ~ NY, Bjemplo 1.3.2 Dada una wa Z~ N(O,1), wlilice las tablas para halla: 1. Plz 51.83) BPE Tez 76) 8 PZ ol] Bjemplo 1.4.8 Dada una na X~ N(125,100), hallar: 4. PIX 123] Solucién Como ta variable aleatoria X no se distribuye normal estandar, entonees para poder lallar ev la tabla estus probubilidades se debe primero estundarizar, ast NS 1 PIZS O28] PIZ< 0.13] — 0.44898 Fale siltimn valor tomado de ta tabla de distribucidn. dete nareal, 0 se puesta utilizar fa hervomienta R, mesiante. fn siguinnte instrurriéns 2>pnarm(-0.13) para el caso de ta normal estindar, 7 ~ (0,1). 2 pnarm(124,125,16) para el enso da la normal no estéindar X ~ (128, 16 2 Pius sx 5 128] Solucién . 5-125 X— 195 128-195) Pius a] — 0.99 Solncién, En cote caso se debe hallar un valor de ta variable aleatoria gue satsfoce = 095, note que este problema redunda en hallar ef perwentdl 5. 6 0.95 = PLZ > x) = 0.95 nile 29 = S23, Iueno PI eh -0.9535 P[Z< x] 995 PRS eh) 9 —A.OB Iungo, le Ia tabla de dastribuent de la normal astindar se abizene vahom, sgualanda fos valores de 2 se tienes 5.64 16 espejando de esta ecuacidn ef valor de a se Gene b- 125 =—L6dx 16 + 0-125 = 26.24 = 181.24 6.24 + 1: R/ So sigue que cl nalor a de tn narvablo, por encima del enal se encuentra ef {9596 de fos datos, y por debayo el 5% restante 24 anil Ejemplo 1.3.4 Fn lo cancho de ta wniversidad se quiem instalar foros para tlumi- nar ef campo de juego. Ft provendor asegurn. que et tiempo de wida de fos focos en romedio es de $0 horas con una desviacién estdndar de 4 horas. AL escoger un foca al azar, 1, sul es ta probabildadt de gue tos foros duron af menos 5 horas? Solu Bea Xs Tiempo de vida de un foco (horas) Con X ~ N(40, 16) Que duren al menay 35 horas, imeplion que dure 35 horas 0 rads, y como Ua variable X es continua, se tiene P(X > 98) — 1- P(X < a9) —1-P(z some) -e(z “ PIX 2) — 1 PZ 125) 1.10 — ON R/ka probabilidad de que: las fowws duren al menus 35 horas ex de 089441a, _DISTRIBUCION DE PROBABILIDAD PARA V.A CONTINUAS a Cuil ex la probabitdad de gue tox focos duren minions 37 horns y wn mimo te 44 horus? Bulueidn PUTS X S44) — P(X £48) P(X 0, 7 — ate s¢ aprozima a una normal estindar, esto es, Z~ N(0,1) recuerde que si X ~ B(n,p) entonces = np y o! na. Bjemplo 1.8.6 La probabilidad de que un paciente se recupere de una vara enfer- tmedad de ta sangre es de Uf, st se sabe que 100 personas se han contraida ta enfermedad, ;Cual 2 la probatilidad de que at menos SU de. elles sabrentvan? Solucion 8 Se liene gue la variable del probleme es X : nmeradepacientesquesobrevivenalaen fermedadenelgrupade 100 Donde X » B(100,0.4}, puesto que cada gaciente silo tiene (a opeidn de recu- perarse o morir, y la probabilidad de recuperurse es de Out para cualguiese paciente (esto e8 permuanece conslante). os piden delerminar entonces PX % 30} —2 Alora bien, come w= 100, 22 grande, por lo tanto apticare las eunediciomes del teorema de De Moivre, por lo tanto, estandarizando la variable se tiene! XK onp_ X wexud _ X40 ve TOA VEE danas Z ~ N(0.1) 124 Corres por Contin ‘Los resultados de: las aprosimariones vist en & fe abbtiene mma aproximacion de distribnctones diserctas a la normal, o en general, feu aquellas variables que socialmente son tratadas de manera discreta pero que realmente son continuas, Lales como el peso, la edad, entre otras, se vequiee aplicar ‘un Gartoe de eoeeeocidn que me permita encontrar las probabilidades puntuales, que para el caso continuo sou siempre cere, pero que dado el tratamiento de la variable seria diferente de este valor seeniones antorions, on fas que Definicién 1.3.7 Factor de Correceién por Continuidad Valor de 0.5 restada y sumada, aun valor de la variable, cuando na distribucidn te prababilidad disercta se aprazima por media de un distribucién de probabitidad eenatinna. 1.3.5 Distribucién Exponencial Si bien un proporcidn elevada de datos se ajustan a la distribucién normal, existen otro tanto de situacioues que preventan vomportamiento diferentes & de dicha dis- tribucidu, » continuacin ve presenta el caso de la distribucién exponencial, que a diferencia del caso normal, no presents ui simetsia,1a, Las variables expoueuciales describen procesos en los que interwsa saber el tiempo transcurrido hasta que ocurre determinsdo evento, sabiendo que, el tiempo que piicda oenerir desde esmalgsier instante dado f, hasta que elle nerirra en sm instante ty, na depende del tiempo transeurida anteriormente en el qtte no ha pasnda nada. Definicion 1.8.8 Distribucidn exponeneial Soa X na variable aloatoria con tina. Se dice gue X tienen una distribucién erponencial, con pandmeira } si y sola si, su funcidn densidad de protabilidad estat dada por: Flr}—dexp con ore En este cusy se dive gue X tiene wr distribucidn exponencial cow pardimetro 2, oe denotand por X= exp) Iscieudo uso de a definicion anterior, le propiudades de la distribucion expo nenelal, y Ia probabilidsd scumulsda de uua variable continus, se puede detosizar el siguiente cesultade, Teorema 1.6 Seu X ana v.a continua, tal que 1 ~ expla), entonces Pixs ‘Teorema £.7 Si X es una va lal que X ~ exp}, endonees, oe-FIN=4 © Var(X) — FIX?)- De) teoreuna 1.7 ve sigue que el parmetre > de Ja exponencial est directamente relacionade con Is mnetis de ls variable, de tal manera que — Ejemplo 1.3.7 Fl tiempo de espern para que atiendan a nna persona en una cafeteria 8 wv eaciahle: aloataria gue lowe: wna disteihucitin cxpencneiad can wena media de 4 minutos. 4. Define ta variable de estudio X y escrita ou fl Solueisn. AX: tiempo de eapern para ser alerdide en una enfeleria fraiteslos) Burge X ~ expt /2), Brotonces Como w=, we sigue N= 2 = b vl fT sta—fon(Z)s 2. Determine ta férmuda deta funciin do distrebucsén acumulada para X. Soluci Como X es una ua continua, se tiene por et teorema 16 de distribuciin noumulnda gue F(x) = PIX 38 (b) X~ Poi(4), PIX 1] fe) X ~ Poi(0.28), PIX $2] (@) X ~ Peis), PRE X <6] 5. Fin fos siguientes cjercicios suponga que X ~ Bin(n,). Uiliee tas tables ‘le distribueisn de. probabitidad seumulada pars ealeutar Ia probabitidad de. fsitos dada ta probabilidad = de éxito on un ensayo dado, (a) n= Vayr-Byw—0d (b) n—10,2— () w=5em ty r= 08 (a) n-9,2-8.y 7-08 6. Si Z-~ N(0, 1) encuentre: (a) PIX (&) PIX > 13] (eo) PI X 49) = 37. Tina compania produce nn compnesta quimice y esta: proceupada por sn come fenido de impurezns. Se estima que of peso lo fas impuiroans por hobo Hlistribnye segiin ma normal con movin 12.2 gramon ¥ dssianisn tipina 2.8 ramos. Se clige wn late al azar. (a) Defina la variable, aclare su distribucion y parduetros. (b) Chal es Ia probaitidad de que comtenga menos de 10 gramos de: trae purezas? (€)_ mat es ta probabitidad de que contengn mas de 15 gramos de impuirezas? 18, Un dia después de quincena (dia de pano), llegan a fa taquilla de cierto banca tun promedio de 15 persenas por hora para realizar el pago de sus servicios priblicos. El perente del hanco, cbservando esta situacién, est comsideranda destinar una taguilla durante estos dias, que se dedique tuicamente a ate ler este tipo de pans, Para que la decisiin sea pertinente para ls entidad28 aL 22. 28. ONES DE PROBABILIDAD CHAPTER 1. DISTRIBU Beoscuiees, ol qeceuie debe wosteae que la proporciin de taguillas que stiende may de ocho payos de este Lipo en amedia hora supera el 55%. Si se sabe que Ja lewada de los clientes & una Lquilla tiene una distribucion poisson, y que Ja llegada de cliewles entre Laquillas es independiente, determine si ls sucursal Hebe destinar ums (ayuilla para este Cipo de payos ent law fechas indicadas, La probabilidad de que un vuelo programado salga a tiempo es U.83: Te probe sbilided de que lepue a tiempo es 0.82, v la probabilidad que salga_v Nemue a tiempo es 0.78, Encuentue la probabilidad de que: (a) un avion Negue @ tiempo, dado que sulio « tiempo (b) Un avién selié temprano, dado que llega a tiempo, (6) De qne im avion o salga a tiempo o Hlegue a tiempa (4) De: siete aviones que salen del acropnerto, por lo menos cnatro salen a tiempo o flegnn a tiempo si fas salidns y legadas de dos avionos diferentes san independiontes. . La edad de los estudiantes del caarto semestre de la mniversidad de Medlin tiene una distribucién normal con media 19.3 y una desviscién estandar de 24, Determine: (a) La probahitidad de que mm estndiante de cnarta semostee clogida al azar tenga ima edad de 20 ios 0 més, (b) {Cus es fy edad mins que wparantizs que ef 25% de Tos estudantes tiene dicha edad a sus augyares? (c] Si-se seleccionam at azar 15 estudiantes det cuarto semestre de la univers sidad, determiuels probubilidad de quet 4. 5 tengan 20 aifos o més, i, Alo sume 8 lenggan menos de 20 afos fii. Qe entre @ y 12 tengan 20 ans 0 mis. Las clientes legan a un establecimiento de acuerda « un procesa de Poisson de frecuencia promedio X= 4 por hora. Dado oue el establecimiento abre a Jas 9:00; jeuil es ly probybilidad de que exactamente haya Heysdo un clients para las 9:80 y un total de cinco para Iss 11:80? {Un embarqsie de 8 mierocompistadoras similares que se envin a mn distriimidoe rontiene 3 aparains defecisinsos. $i una escucin realizn tna compra alentorin fp 2 de elas compiadorns, eneaentee: (a) Ei espacio muestral para el experimento dado que indique le cantidad de computadoras defectuosas ex La compra, (b) Fnonontre tn probabitidad para cada mo de tos slementos 5 eaparin muestra (c) La disteibucion de peobabilidad para el uiauera de wieeocoputadoras defectnosas. ‘Uneupermercado de la efudad, sabe que el tiempo promedio qu debe esperar un cliente para ser atendido en una cualquiera de sus cajas para pagar la sscresucis e de 10 usiuutos, Deterine la probabilidad de que! (a) Un cliente espere menos de 6 minutos, (bo) Un cliente eapere mis de 9 minutos