VARIABLE ALEATORIA ESTADISTICA

CAPITULO IV
VARIABLE ALEATORIA

Definición.- Sea  un experimento, una variable aleatoria x es una función cuyo

dominio es el espacio muestral  y cuyo rango es el conjunto de números reales, tal que
para cada uno de los elementos    le corresponde un número real: x() = x.
Ejemplo:
Si se lanza dos monedas, luego

  (c, c)(c, s)(s, c)(s, s)

Sea:
x  número de caras que se obtiene

x
x (c, c)  2
 Rx
x (c, s)  1 (c, c)
2
x (s,c)  1 (s, c)
1
x (s,s)  0 (c, s)
0
(s, s)

Luego:
R x  0,1,2
D x  (c, c)(c, s)(s, c)(ss)

Clases de Variables Aleatorias:

a) Variable Aleatoria Discreta.- Es discreta si el conjunto de valores que toma es
numerable o contable. Su función de probabilidad(llamada también función de
cuantía)
Es: x i  0,1,2....
P(x  x i )

Px (x)  
 0
 En otro caso
- Debe cumplir ciertas propiedades:

1.  P(x i )  0

2. - P
i 1
(x i ) 1

3. - Px j  x  x k   Px j1   Px j2   ..........Px k1 

Elaborado por: MERCEDES OSORIO MAZA PAG N°1

ESTADÍSTICA VARIABLE ALEATORIA

Distribución de probabilidad de “x”. - Se le llama así al hecho de asignar

probabilidades para cada valor de la variable aleatoria.
Ejemplo:
Si se lanza dos monedas y definimos a x la variable aleatoria que determina el
número de caras tendremos
Xi 0 1 2
P(x = xi) ¼ 2/4 ¼
- Gráfica

P(x  x i )

x
0 1 2

- Las principales distribuciones discretas son:

1. Distribución Binomial
2. Distribución Poisson
3. Distribución Hipergeometrica.
b) Variable Aleatoria Continua.- Es continua si el conjunto de valores que toma
esta dentro de un intervalo o conjunto de intervalos. Su función de probabilidad
(llamada también función de densidad) cumple con las siguientes propiedades:
1. - f (x)  0

2. - f
-
(x) dx  1

b
3. - P(a  x  b)   f (x)dx
a

Función De Distribución Acumulada F(x). - Si “x” es una variable aleatoria discreta o

continua definimos a F(x) como la distribución acumulada de la variable a: Fx   Px  x i 

a) Sí “x” V.A. DISCRETA: La función de distribución acumulada será:

n
F(x)  P(x  x)   P(x i )
i 1

PAG N°2 Elaborado por : MERCEDES OSORIO MAZA

VARIABLE ALEATORIA ESTADISTICA

Ejemplo:
Si se lanza 2 monedas y xi = # de caras. Hallar la función de distribución
acumulada.
Sea:
  (c, c)(c, s)(s, c)(s, s)
x P(x  x i )
1
0 4
2
1 4
1
2 4

axb F(x)  P(x  x)   P(x)

x0 0
0  x 1 0  14  14
1 x  2 4  4  4
1 2 3

2x 4  4  4 1
1 2 1

Para el caso discreto el gráfico F(x) es una función escalera:

F(x)
1
¾

¼
x
1 2

b) Si “x” es una V.A. CONTINUA: Con función de densidad f(x), entonces la

función de distribución Acumulada será:
x
F(x)  P(x  x)  f

(x) dt x  R

D
ond eF
(
x)esá
re a
b
ajolac
u r
vaf
(t
)


 X

Elaborado por: MERCEDES OSORIO MAZA PAG N°3

ESTADÍSTICA VARIABLE ALEATORIA

Ejemplo:
Si se tiene la función de densidad f(x). Hallar F(x).

 x2 0  x 1
 1 1 x  2

F(x)    x 2 3
2 2 2x3
 0 Otro caso

Gráfico

0 1 2 3

Planteando limites:
x 1
 x2  32

  2 2

0X1X2X3

Para 0


x0   0dt 
 Para 0 x


0  x 1   0dt   dt
 0 2
1

 0 1 x
F(x)   Para

1 x  2   0dt   dt   dt

t
02
1
1 2
0 1 2 x
Para

2x3   0dt   dt   dt  
 02
1
1 2
1
2 2
1
 32 dt
0 1 2 x
 Para x3   0dt   dt   dt  
 02
1
1 2
1
2 2
1
 32 dt

Luego:
0 x0
 2
x 0  x 1
4
 x 1
F(x)    1 x  2
2 4
 3x x 2 9
   2x3
2 4 4
 1 x3

PAG N°4 Elaborado por : MERCEDES OSORIO MAZA

VARIABLE ALEATORIA ESTADISTICA

Esperanza Matemática E(x). - Es la media aritmética o el promedio de la variable x.

a) Variable Discreta: Sea “x” una V.A. discreta con rango x1, x2,........xn y
función de probabilidad „P(x) entonces:
 n
n i yi
E (x)   xP(x) E (y)  
x 0 i 1 n
Si H(x) es una función de “x”

E (H (x) )   H (x) P(x) H (x)  x 2 , x 3 , (2x  8) etc.
x 0

b) Variable Continua: Si “x” una V.A. continua con función de densidad f(x), la
esperanza E(x) se define:

E (x)   xf (x)dx
-

Si H(x) es función de “x”


E (H (x) )   H (x)f (x)dx
-

- Propiedades:
1. - E (a)  a
2. - E (ax)  aE (x)
3. - E (ax  b)  aE (x)  b
4. - E (x  y)  E (x)  E (y)

Varianza de una Variable V(x). - Sea “x” una V.A. con función de probabilidad P(x), la
varianza de una V.A. de define:
- Sea la varianza para datos agrupados

n
n i (yi - y) 2 ni
V(x)   Luego  P(x)
i 1 n n

- Si x es una V.A. Discreta


 V(x)   (x  u x ) 2 P(x)
x 0

- Si x es una V.A. Continua


 V(x)   (x  x u ) 2 f (x)dx


Elaborado por: MERCEDES OSORIO MAZA PAG N°5

ESTADÍSTICA VARIABLE ALEATORIA

- Propiedades:
1. - V(a)  0
2. - V(ax)  a2V(x)
3. - V(ax  b)  a2V(x)
4. - V(x  y)  V(x)  V(y)
Ejemplo:
1.- Sea x una variable que se considera como la ganancia de un jugador, en un juego en
que lanza un dado, el jugador gana s/10 soles si sale los números 5, 1 o 3, no gana ni
pierde si sale los números 2 ó 5 y pierde s/ 10 soles si sale los números 4 ó 6 halle el
rango de la variable.
Solución:
Experimento al lanzar un dado
x = Ganancia de un jugador.
  1,2,3,4,5,6

R (x)  10,0,10

1
x (1)  x (3)  10 2 10
x (2)  x (5)  0 3 0
 10
x (4)  x (6)  10 4
5
6

2.- Dos estudiantes apuestan de la siguiente manera:

En una caja hay dos tickcts rojos, 3 azules, 4 verdes y 1 blanca, cuando se extrae 1
ticksts y este es rojo, el jugador recibe s/ 6 soles, si es azul el jugador recibe s/ 5
soles, si es verde el jugador pierde s/ 2.5 soles y si es blanca el jugador paga s/ 15.00
soles.
Sí x: ganancia del jugador. Hallar:
a) Rango de la variable “x”
b) Distribución de probabilidad “x”
c) Le conviene jugar en esas condiciones.

PAG N°6 Elaborado por : MERCEDES OSORIO MAZA

VARIABLE ALEATORIA ESTADISTICA

Solución:
a) Sí “x” = ganancia
x
x (R)  6 R 6
x (A)  5 2R
3A
A 5
x( v)  2.5
4V
1B
V  2.5
B  15
x (B)  15.0
b)
X 6 5 -2.5 -1.5
P(x = xi) 2/10 3/10 4/10 1/10

  1 (Propiedad) La suma de las probabilidades es 1.

c) Nota: si la pregunta es conveniencia de un juego, utilidad esperada o perdida

esperada, se aplica la definición de esperanza matemática.

E(x)   xP(x)  6( )  5( )  (2.5)( )  (15)( )  0.2

2 3 4 1
10 10 10 10
- Si es favorable para el jugador ya que en promedio se obtiene $ 0.2 Nuevos soles.
- Si la E(x) = 0 y/o E(x) < 0 entonces es desfavorable parta el jugador.

3.- En una caja 4 fichas negras, 3 fichas blancas y 5 fichas rojas. Se extraen 2 fichas de
dicha caja los dos a la ves y sin reemplazo. Si se define a la variable aleatoria x =
número de fichas negras. Hallar :
a) Distribución de probabilidad de “x” gráficar P( x = xi)
b) Función de distribución acumulada “x” F(x) gráficar F(x)
c) La moda de “x” Mo(Y)
Solución: Por el Diagrama del árbol
a)

N X (NN)  2
2 fichas N B X (NB)  1
R X (BB)  1
4N
3B B B X (BR)  0
5R R X (BR)  0

R R X (RR)  0

Elaborado por: MERCEDES OSORIO MAZA PAG N°7

ESTADÍSTICA VARIABLE ALEATORIA

La probabilidad de “x”
P(x 0)  P(BB)  P(BR)  P(RR)
Será: el rango de “x”
Rx  0,1,2
Como sé esta extrayendo dos fichas a la vez con reemplazo se aplica
combinatoria.
 3  4  5   3  5  4   5  3  4 
           
                0.424
2 0 0 1 1 0 2 0 0
P(x  0)
12  12  12 
     
2  2  2 
 4  3  5   4  5  3 
       
           0.48
1 1 0 1 1 0
P(x 1)  P(NB)  P(NR)
12  12 
   
2  2 
 4  3  5 
   
      0.091
2 0 0
P(x  2)  P(NN)
12 
 
2 

Luego la Distribución de Probabilidad de “x” es:

x 0 1 2
P(x = xi) 0.424 0.485 0.091
Gráfica de P(xi)

P(x i )

0.485
0.424

0.091

0 1 2
x

b) Distribución Acumulada:

axb F(x)  P(x  x i )   P(x i )

x0 0
0  x 1 P(x  0)  0424
1 x 1 P(x  0)  P(x 1)  0.424  0.485  0.0909
2x P(x  0)  P(x 1)  P(x  2)  0.424  0.485  0.091  1

PAG N°8 Elaborado por : MERCEDES OSORIO MAZA

VARIABLE ALEATORIA ESTADISTICA

Gráfica de F(x)

F(x)

1.00

0.909

0.484

0
x
1 2

c)
La moda de “x” es x = 1 ya que P(x = 1) = 0.485

Mo(x)  1

Ejemplo De Variable Aleatoria continua

4.- Sea “x” una variable que representa el peso de un articulo en kgs. Si su función esta
dada por:

 x 8 8 x 9

f (x)  10  x 9  x  10
 0
 otro caso

El fabricante vende un articulo a un precio fijo de 2 soles. El costo produce por

unidad esta relacionado al peso de los artículos de acuerdo a la expresión:
0.05x + 0.30 determine la utilidad esperada por articulo.
Solución:

El costo de producción esta dada por C = 0.05x + 0.30 NOTA : E (x)   xf

(x) dx
La utilidad será:
U = 2.00 – C
La utilidad esperada:
E (u) = E(2.00 – c), E(u) = 2.00 – E(c)
Hallando:
E (c)  E (0.05x 0.30)
 0.05E (x)  0.30
9 10 10 9 10 10
x3 8x 2 10x 2 x2
E (x)   x(x  8)dx   x(x  10)dx     9
8 9
3 2 2 3
Luego: 9 8 9 9

Elaborado por: MERCEDES OSORIO MAZA PAG N°9

ESTADÍSTICA VARIABLE ALEATORIA

E(c)  0.05(9)  0.30

 E(c)  0.75
 La utilidad esperada será :
E (u)  2.00 - 0.75  1.25 Por c/articulo

5.- Verificar la función:

2e - 2x x0
f (x)  
 0 x0
a) Es una función densidad
b) Hallar P(0 < x < ln3)
Solución:
a) Debe cumplir:

1. - f (x)  0  x  R

2. - f
-
(x) dx  1

Comprobando:
2
1. - f (x)  0  2e- 2x   0 (Se cumple)
e 2x
  0
e  2x 1
2. -  f (x)dx   2e dx  2( - 2x
)    1  1(Se cumple)
  2 0 e

b) ln3
P(0  x ln3)   2e  2x dx
0
ln3
P(0  x  ln3)   e  2x  e  2(ln3)  e 0
0

2 1 8
P(0  x  ln3)  e ln3  1  1
9 9

Distribución de Probabilidades de Variables Discretas:

 Se caracterizan por que trabajan con variables aleatorias discretas xi, es decir los
valores que toma x debe pertenecer al conjunto de los números enteros.
Ejemplo:
X = números de artículos defectuosos
Y = números de variables, etc.

PAG N°10 Elaborado por : MERCEDES OSORIO MAZA

VARIABLE ALEATORIA ESTADISTICA

1.- DISTRIBUCIÓN BINOMIAL:

Suponga que un experimento se repita “n” veces en forma independiente, con
probabilidad de éxito igual a “p”, si definimos a x: el número de éxitos ocurridos en “n”
repeticiones, se dice que “x” sigue una distribución binomial con parámetros n y p sí su:
Función de probabilidad es:
n
P(x  x i )   P x q n  x
x
Donde:
n = Numero de veces que se realiza el experimento y/o tamaño de
muestra.
x = Números de éxitos que deseamos obtener, x  .
P = Probabilidad de éxito.
q = Probabilidad de fracaso (q = 1 – p)
Ejemplo:
Si un experimento se repite 5 veces y deseamos obtener 3 éxitos, tendremos:
P(éxito) = P , P(fracaso) = q

P(E, F,E, F,E)  P(E) .P(F) , P(E) P(F) P(E)  P3q 2

P(E, E, E, F,F)  p3q 2

P(F, F, E, E, E)  q.q.p.p.p  p3q 2
n
La probabilidad de cualquier secuencia es la misma por otro lado existen  
x
secuencias diferentes de éxito y (n – x) fracasos (formas de sortear x elementos
en “n” lugares)

 La Esperanza Matemática
 E (x)  np
 La Varianza Matemática

 V(x)  npq
Suposiciones:
1. La distribución binomial se aplica cuando la muestra es con REEMPLAZO y la
población es FINITA.

Elaborado por: MERCEDES OSORIO MAZA PAG N°11

ESTADÍSTICA VARIABLE ALEATORIA

2. Los resultados de cada repetición se clasifican en dos categorías mutuamente

excluyentes:
Ejemplos:
Éxito, fracaso.
Defecto, no defectuoso.
Cara, sello.
1. La probabilidad de éxito representada por “P” es invariable en todas las pruebas, así
como la probabilidad de fracaso “q” (p + q = 1)
La probabilidad de un jugador acierte en un juego es un ¼ .
Sí
a) Juega 7 veces ¿ cual es probabilidad de que por lo menos acierte 2 veces?
b) Juega 10 veces ¿ cual es probabilidad de que a lo mas acierte 2 veces?
Solución:
Sea “x” número de aciertos
1 3
P , q , n7
4 4

La función de Probabilidad es:

7x
 7  1   3 
x

P(x  x i )      
 x  4   4 
a)
P(x  2)  P(x  2)  P(x 3)  ............P(x  7)
 7  1   3   7  1   3   7  1   3 
2 5 3 4 7 0

             .............      

 2  4   4   3  4   4   7  4   4 
O También
P(x  2)  1 - P(x  2)
 7  1   3   7  1   3 
0 7 1 6

P(x  2)  1 - P(x  0)  P(x 1)  1 -           

 0  4   4  1  4   4 

b) Sí n = 10
P(x  2)  P(x 0)  P(x 1)  P(x  2)
10  1   3  10  1   3  10  1   3 
0 10 1 9 2 8

P(x  2)                  

 0  4   4  1  4   4   2  4   4 

PAG N°12 Elaborado por : MERCEDES OSORIO MAZA

VARIABLE ALEATORIA ESTADISTICA

2. En un grupo de 12 tubos, tres de ellos son defectuosos. Si se extrae una muestra

aleatoria de tamaño 3 con reemplazo ¿ cual es la probabilidad de que exactamente
obtengamos un tubo defectuoso?
Solución:
Sea x = número de tubos defectuosos
3
P(D)  P
12
9
P(D)   3q 3 1  9  2 39
1 2

P(x 1) 12      3   

n  31  12   12   12   12 
  (DD D)(DDD)(D DD)

¿Cuál es la probabilidad que haya 2 tubos no defectuosos?

Luego:
9
P(D)  p
12
3
P(D)  q
12
n 3

Número de tubos defectuosos.

 3  9   3 
2 1

P(x 2)      

 2  12   12 

3. El departamento de contabilidad de la UNI, tiene dos empleados “A” y “B” a tiempo

parcial. El empleado A trabaja lunes, miércoles y viernes el empleado B trabaja
martes y jueves, el empleado A archiva erróneamente 1 de c/5 documentos mientras
que B, 1 de c/6 documentos. Se elige al azar un día de la semana y se toma una
muestra de seis documentos archivados ese día.
a) ¿Cuál es la probabilidad que la muestra contenga exactamente 2 documentos
mal archivados?
b) Suponiendo que la muestra tenga 2 documentos mal archivados ¿cuál es la
probabilidad que haya sido archivado por A?
Solución:
a) Sea
x = número de documentos mal archivados por “A”
P = 1/5 (probabilidad de documentos mal archivados por “A”)

Elaborado por: MERCEDES OSORIO MAZA PAG N°13

ESTADÍSTICA VARIABLE ALEATORIA

q = 4/5
n = 6 La función de distribución para el empleado “A” es:
6 x
 6  1   4 
x

P( x  x i )      
 x  5   5 
luego:

 6  1   4 
2 4

P(x 2)      

 2  5   5 
y = número de documentos mal archivados por “B”
P = 1/6 (probabilidad de éxito de documento mal archivado)
q = 5/6
n=6
la función de distribución para el empleado “B” es:

 6  1   5 
y 6- y

P( y  yi )       Para y  2
 y  6   6 

 6  1 
2 4
5
P(y 2)      
 2  6  6

Luego por probabilidad total, tenemos:

A
Lu 2I
3 Mi
5 A
Vi

B
2
5
aM 2I
uJ
B

P(2 Doc. Incorrectos)  P(2IA)  P(2IB)

P(2 Doc. Incorrectos)  P(A) P 2I  P(B) P 2I
( ) ( )
A B

 3  6  1   4   2  6  1   5 
2 4 2 4

P(2 Doc. Incorrectos)              

 5  2  5   5   5  2  6   6 

b) Suponiendo que hay 2 documentos mal archivados tenemos:

PAG N°14 Elaborado por : MERCEDES OSORIO MAZA

VARIABLE ALEATORIA ESTADISTICA

P(A) P 2I
P(A  2I) ( )
PA   A
(
2I
) P(2I) P(2I)

(Teorema de BAYES)

 3  6  1   4 
2 4

     
 5  2  5   5 
PA 
 3  6  1   4   2  6  1   5 
2 4 2 4
( )
            
2I

 5  2  5   5   5  2  6   6 

2.- DISTRIBUCIÓN DE POISSON

Una variable aleatoria discreta “x” sigue una distribución Poisson si su función de
probabilidad esta dada por:

e   x
P( x  x )  i
x!

Donde:
  Valor medio de un suceso   np y/o   t
x  Número de exitos que se desea obtener en un determinad o número
de enzayos

Se aplica cuando:
1) El tamaño de la muestra es muy grande (m  ) y la probabilidad es muy pequeña
(p  0)
2) Cuando intervienen rangos de tiempo, área longitud en este caso se haya.

t  Que es x de ocurrencia en " t" unidades de medida

3) Cuando el números de ensayos son independientes.

4) El muestreo es con REEMPLAZO
Esperanza matemática:
E (x)  

Varianza matemática

V(x)  

Elaborado por: MERCEDES OSORIO MAZA PAG N°15

ESTADÍSTICA VARIABLE ALEATORIA

Aproximación de la Distribución Binomial a la Distribución Poisson

Cuando (n  ) y (p  0) entonces la distribución binomial es equivalent e
a distribución de Poisson :

n e   x
P(x  x i )    p x q n  x  (Valor aproximado )
x x!

lim B( x , n, p )  P( x , )
n 
p 0

Si definimos a:

  np  p  (**)
n
Sea:
n n!
lim   p x q n  x  lim p xqn x
n  x n   x!( n  x )!
p0   p0

Reemplazando(**)
n x
  
x
n!
 lim   1  
n   x!( n  x )! n
p 0    n
n x
n(n  1)(n  2).........(n  ( x  1)(n  x)!      
x

 lim   1  
n 
p 0
x!(n  x)! n  n
n x
x n(n  1)(n  2).........(n  ( x  1) x   
 lim 1  

x! np  0
x! nx  n
x
x n(n  1)(n  2).........(n  ( x  1)      
n

 lim 1   1  
 n  n
 x
x! np  0
n

x
x n  n  1  n  2   1  ( x  1)      
n

 lim   ........ 1   1  

 n
x! np  0  n  n   n  n   n 
x
x  ( x  1)     
n
 1  2
 lim 11   2  ............1  1   1  
 
x! n   n 
  n n 
n  n
 1
x
x    
n

 lim  1   lim 1  
x! n   n  n  n
1

 x
 
 lim 1  
x! n   n 
x
 e 
x!
PAG N°16  B( x ,n , p )  P( x , )Elaborado por : MERCEDES OSORIO MAZA
VARIABLE ALEATORIA ESTADISTICA

Pero:

 
n

lim 1    e  
n 
 n

O también

 n 
  
 1  

lim 1  
n    n 
  
 

   
 e 


 n  x n  x  x e  n
  p q  
 x x! p0

1) Una fabrica envía al deposito 500 artículos, la probabilidad de deterioro en el

camino es 0.002. calcular la probabilidad de que en el camino se deteriore
exactamente 3 artículos.
Solución
` X = número de artículos deteriorados
como:
n   p  0  Se aplica la distribución de Poisson.
  np  500(0.002)  1

La función de Probabilidad.

e- x e 1 (1) x
P(x  x )  
i
x! x!
1 3
e (1)
P( x 3)   0.0613
3!

Elaborado por: MERCEDES OSORIO MAZA PAG N°17

ESTADÍSTICA VARIABLE ALEATORIA

Por método Binomial:

n  500 y p  0.002 q  0.998
 500 
P(x 3)   0.002 0.998
3 497

3 
- (Es muy laboriosa por eso se aplica Poisson)
2) Si la ventanilla de una banca atiende en promedio 24 personas en una hora.
a) ¿Cuál es la probabilidad que exactamente 5 personas lleguen durante un promedio
de tiempo de 12 segundos?
b) ¿Cuál que lleguen por lo menos 4 personas en 10 minutos?
c) ¿Y cual que lleguen a lo más tres personas en 15 minutos?
Solución:
Como acá interviene un intervalo de tiempo.

24
    t    12  4.8 Personas
60
a) e- x e4.8 (4.8)5 Hay una probabilid ad de 0.1747
P(x 5)    0.1747
x! 5! que llegen 5 personas en 12
b) 24
   t    10  4 Personas
60
P( x  4 )  1  P( x  4)  1  P( x 1)  P( x  2)  P( x  3)
3
e  4 (4) x
c) P( x  4 )  1  
3 X 0 x!
P( x  3)   P( x  xi )
xi  3

24
   t    15  6 Personas.
60
e -  x
P(x  3) 
x!
e (6) 0 e  6 (6)1 e  6 (6) 2 e  6 (6)3
6
P(x  3)    
0! 1! 2! 3!

3.- DISTRIBUCIÓN HIPERGEOMETRICA

Si x es una variable aleatoria discreta que tiene una distribución hipergeometrica si tiene
como:
 N A  N B 
  
 x  n  x 
P(x  x i )  ; x  0,1,2,3.......
 N
 
n 
PAG N°18 Elaborado por : MERCEDES OSORIO MAZA
VARIABLE ALEATORIA ESTADISTICA

Donde:
NA = población con característica A.
NB = población con característica B.
N = NA + NB, población total.
n = tamaño de la muestra
X = números de éxitos que deseamos obtener.
Suposiciones:
1. Se aplica cuando el muestreo es sin REEMPLAZO pero todos a la vez.
2. Las observaciones se clasifican en 2 categorías.
3. La población es finta.
Esperanza matemática:

N 
E (x)  n A 
 N 

Varianza matemática:

 N  N  N  n 
V(x)  n A  B  
 N  N  N  1 

3) Se escriben en 10 tickets, los nombres de 4 hombres y de 6 mujeres que participan

en 1 sorteo, si se extraen 4 nombres sin reemplazo. ¿Cuál es la probabilidad de que
se extraían los nombres de tres hombres?
Solución:
Sea: x = números de nombres de hombres.
Su función distribución es:
N H  4  N  10

N M  6 n  4
 4  6 
  
 x  4  x  casos a favor
P(x  x i )  
10  casos posibles
 
4 
Cuando: x  3
 4  6 
  
   
3 1
 P(x  3)
10 
 
4 
Elaborado por: MERCEDES OSORIO MAZA PAG N°19
ESTADÍSTICA VARIABLE ALEATORIA

4) En un salón existen 3 opiniones diferentes. Se sabe que el 50% pertenece al grupo

A, el 30% al B y 20% a C. Si se elige al azar un comité formado por 10 alumnos.
Determine la probabilidad de que 6 de ellos sean del grupo “B”.
Dato: N = 50
Solución:

P(A)  50% N (A)  25

P(B)  30% N (B)  15
P(C)  20% N (C)  10
x  Número de alumnos que  a " B"
15  35 
  
 x 10 - x 
P(x  x i ) 
 50 
 
10 
Cuando x = 6
15  35 
  
P(x 6)    
6 4

 50 
 
10 

5) En un deposito hay 20 fierros de construcción, 10 son de ¼ pulg. De diámetro

¿Cuál es la probabilidad que sean de ¼ pulg. 3 de 1/8 pulg. y 2 de 3/8 pulg.?
Solución:

10  6  4 
   
P(x 5,3,2)     
5 3 2 NA NB NC N
 20 
 
10 
6) Un jurado de tesis conformado por 7 profesores van a decidir sobre la aprobación o
desaprobación de la tesis. Suponiendo que 4 profesores votan por la aprobación y
los otros 3 por la desaprobación ¿cuál es la probabilidad de que la mayoría de los
profesores voten a favor de la aprobación, si seleccionamos una muestra de 3
profesores?
Determine la función de probabilidad.
Solución:

PAG N°20 Elaborado por : MERCEDES OSORIO MAZA

VARIABLE ALEATORIA ESTADISTICA

Sea
x = números de profesores que voten a favor.
La función de probabilidad será:

 4  3 
  
 x  3  x 
P(x  x i )  n  3  (AAA)(AAD)(ADA)(DAA)
7
 
N 7 3
NA  4
ND  3
n 3
 4  3   4  3 
     
        
2 1 3 0 22
 P(x  2)  P(x  2)  P(x  3)
7 7 35
   
3 3

Elaborado por: MERCEDES OSORIO MAZA PAG N°21