INTRODUCCION

Las diferentes disciplinas relacionadas con los recursos hidráulicos y medio ambiente
son ciencias que se basan, esencialmente, en observaciones imperfectas dentro de un
ámbito complejo y discontinuo espacial y temporalmente. Esta complejidad resulta de
la naturaleza propia del comportamiento espacial y temporal de los diferentes procesos
que es, en parte, predecible, definible, explicable o determinístico y en parte, aleatorio,
probabilístico o estocástico. Desde el punto de vista determinístico, cualquier evento o
proceso ambiental puede definirse en función de expresiones rigurosas de causa y
efecto. Sin embargo, para explicar determinísticamente muchos procesos ambientales
se requeriría infinidad de observaciones de la infinidad de variables involucradas, con
la consecuente impracticabilidad de su aplicación. Otros eventos o procesos, que por la
falta de un conocimiento preciso de su evolución en el tiempo y espacio, se consideran,
actualmente, inexplicables, pueden tratarse como puramente estocásticos.

Un punto de vista pragmático invoca que el análisis de muchos procesos ambientales

debe basarse en la consideración de que una parte de la información contenida en los
datos observados es determinístico y otra parte estocástico. En este caso, resulta de
mucha utilidad la aplicación de procedimientos estadísticos, bien conocidos y
aceptados, a la información observada. Es importante hacer notar que, a través de la
aplicación de los diferentes procedimientos estadísticos, a lo largo de la historia, para
explicar diferentes procesos ambientales ha contribuido enormemente al progreso de
conceptos puramente estocásticos a conceptos puramente determinísticos.

En el presente documento, se abordan los conceptos de la estadística matemática

aplicada en los recursos hidráulicos y ciencias del medio ambiente. Se entiende por
estadística como una ciencia que describe y no una ciencia basada en razonamientos
de causa y efecto, ya que los métodos estadísticos describen la variación aleatoria de
un grupo de observaciones de un proceso y su foco de atención está dirigida, más
bien, a las observaciones mismas y no a los procesos físicos que las producen.

En este documento no se pretende discutir a profundidad los diferentes métodos

probabilísticos y estadísticos. Más bien, el material está dirigido a una revisión y
reconocimiento de los principios fundamentales que son necesarios para aplicar los
métodos más frecuentemente utilizados en descripción estadística y modelación de
diferentes procesos ambientales.
ESTADISTICA: e.orozco

CONCEPTOS BASICOS DE PROBABILIDADES

2.1 V A R I A B L E A M B I E N T A L
Una variable ambiental es aquella que mide o define la magnitud o cantidad de algún
elemento en el medio ambiente. En este tipo de variables se incluyen:

? Variables climáticas (precipitación, temperatura de aire y del suelo, evaporación, insolación,

humedad del aire, radiación, viento, etc.)
? Variables hidrológicas (precipitación, escorrentía, infiltración, precolación, ascenso capilar,
intercepción, evapotranspiración, etc.)
? Variables hidráulicas (caudal, caudal sólido, nivel de agua, velocidad de flujo, sección hidráulica,
resistencia hidráulica, conductividad hidráulica, difusión, dispersión, etc.)
? Variables espaciales (cobertura vegetal, suelos, relieve, variables morfométricas de cuencas y
red de cauces, fisiografía de cuencas, variables geológicas, etc.)
? Variables relacionadas con la calidad (nutrientes, desechos tóxicos, desechos líquidos y sólidos,
sustancias purificadoras, etc.)

2.2 V A R I A B L E A L E A T O R I A
Una variable aleatoria X es una variable que se describe mediante una distribución de
probabilidades. La distribución especifica la probabilidad con que una observación x de
la variable ocurra dentro de un rango especificado de X. Por ejemplo, si X es la
precipitación anual, P en un lugar específico, entonces la distribución especifica la
probabilidad de que la P observada en un año dado esté dentro de un rango definido,
digamos menor de 1000 mm, entre 1,000 y 1,500 mm. En otras palabras, cuando el
curso de un proceso ambiental o los resultados de observaciones se consideran como
consecuencia de variables aleatorias, todas las observaciones están sujetas a una
distribución de probabilidades.

2.3 POBLACION Y MUESTRA E S T A D I S T I C A

La población se refiere al conjunto finito o infinito (en innumerables casos hipotético) de
elementos que posee propiedades estadísticas constantes. Una muestra es un
subconjunto de elementos extraídos aleatoriamente de la población. Las propiedades
estadísticas de las muestras pueden variar de una a otra.

Pag.2
ESTADISTICA: e.orozco

2.4 ESPACIO MUESTRAL

El conjunto de todas las muestras posibles que pueden ser extraídas de la población se
le denomina espacio muestral o conjunto universal (Ω). Un evento es un subconjunto
del espacio muestral. Por ejemplo, el espacio muestral para la precipitación anual, P en
un lugar dado, está, teóricamente, entre 0 e infinito. Un evento A puede ser la
ocurrencia de P menor que cierta magnitud, digamos 1,000 mm.

EJEMPLO 2.1:

Considerar la precipitación diaria P, observada en una localidad dada, como la variable aleatoria. Cualquier
valor específico de p es un número positivo expresado; por ejemplo, en mm. Este número es una realización
particular de un evento elemental que pertenece a Ω. En la Fig. 2.1 se muestra este número mediante la letra
p0. Si se toman 30 números, digamos las observaciones durante un mes, éste subconjunto A pertenece a Ω.
Otro subconjunto, B puede contener todas las observaciones menores que cierto valor, p 0.

Ω p0

A={p1,p2,...,p30} B={p, p<p0}

Fig. 2.1 Espacio muestral Ω de precipitación diaria, p y realizaciones particulares, p 0, A y B.

EJEMPLO 2.2:

Considerar dos eventos característicos:

S: día seco, si p es menor que cierto valor p 0.
H: día húmedo, si p es mayor que p 0.

En este caso es imposible tener simultáneamente S y H. En este caso el espacio muestreal es

Ω = {S, H}

considerar ahora todos los posibles pares de días consecutivos SS, SH, HS, HH. El espacio muestral es

Ω = {SS, SH, HS, HH}

Pag.3
ESTADISTICA: e.orozco

2.5 PROBABILIDAD
“Probabilidad no es otra cosa que traducir el sentido común en cálculo” (L APLACE). La
probabilidad de un evento, P(A), se define como la frecuencia de su ocurrencia durante
la repetición de un número de observaciones. Si una muestra con N observaciones
tiene NA valores en el rango del evento A, la frecuencia relativa de A es NA/N. La
estimación de la P(A) a partir de la frecuencia relativa, mejora progresivamente al
aumentar de tamaño la muestra, matemáticamente,

NA
P( A ) = lim (2.1)
N→∞ N

Las probabilidades de eventos están sujetas a ciertos principios:

1. Positividad. La probabilidad es siempre positiva,

P(A) ≥ 0 (2.2)

2. Complementariedad. Si A es complemento de A, o sea A = Ω − A ,

entonces

P( A ) = 1 − P( A ) (2.3)

3. Probabilidad de unión (ley aditiva). Si dos eventos A y B son eventos

mutuamente NO exclusivos o disyuntivos, entonces

P(A∪B) = P(A) + P(B) – P(A∩B) (2.4)

(A∪B) = (A o B) significa que A o B ocurren, pero no ambos

simultáneamente. La P(A∩B) = P(A y B) = probabilidad de que ambos
ocurren.

4. Probabilidad condicional. Si P(B|A) representa la probabilidad del evento

B, dado que el evento A ha ocurrido ya, entonces la probabilidad de que A y
B ocurran simultáneamente, P(A∩B), es el producto de P(B|A) y P(A)
(principio de multiplicación). De aquí se deriva que,

P( A ∩ B)
P(B | A ) = (2.5)
P( A )

Pag.4
ESTADISTICA: e.orozco

El principio de multiplicación dice que si un experimento tiene N posibles

salidas y otro experimento tiene M salidas, entonces NM salidas son
posibles para los dos experimentos.

5. Permutaciones y combinaciones. Una permutación es el arreglo ordenado

de objetos. El número de diferentes maneras de ordenar un conjunto de N
elementos es

N!

Y el número de posibles maneras de ordenar muestras de tamaño r, de un

conjunto de N elementos es

Nr con reemplazo de elementos y

N(N-1)(N-2)....(N-r) sin reemplazo de elementos

Si no se toma en cuenta el orden de las muestras de tamaño r, el número

de posibles muestras que son posibles formar de un grupo de N elementos
es

N!
(N − r )! r!

Este número también se indica como  N .

r 

EJEMPLO 2.3:

En la práctica de control de calidad, solamente una fracción del producto se muestrea y examina, ya que sería
muy costoso y requería mucho tiempo para examinar todos los resultados. Suponer que existe un lote de N
ítems del cual se toma una muestra de tamaño r. Suponer, además, que el lote contiene k ítems defectuosos.
¿Cuál es la probabilidad que la muestra contiene exactamente m ítems defectuosos?

Este tipo de pregunta es relevante para establecer la eficacia de un esquema de muestreo, y el tamaño de
muestra más deseable puede determinarse calculando tales probabilidades para varios valores de r.

Si se D es el evento en cuestión, la probabilidad de D, P(D), es el número de maneras que D puede ocurrir

dividido el número total de posibles muestras, de tamaño r, que se pueden obtener de N ítems. Para el cálculo
del número de maneras que D puede ocurrir se usa el principio de multiplicación.
Existen  k  maneras de elegir los m ítems defectuosos en la muestra de k ítems defectuosos del lote.
m 
Existen  N − k  maneras de elegir los r-m ítems no defectuosos en la muestra de los N-k ítems no
r − m
defectuosos del lote.

Pag.5
ESTADISTICA: e.orozco

 k  N − k 
De tal manera que el número posible de maneras que D puede ocurrir es   
 m  r − m 
 N
El número total de posibles muestras de tamaño r en el lote es  
r 
 k  N − k 
  
 m  r − m 
Por lo tanto, P(D) =
 N
 
r

6. Independencia estadística. Dos eventos A y B son independientes, cuando

la ocurrencia de uno no afecta la probabilidad de ocurrencia del otro. Esto
significa que

P(A|B) = P(A) y P(B|A) = P(B) (2.6)

De la Ec. 2.5 se obtiene que

P(A∩B) = P(A)P(B) (2.7)

EJEMPLO 2.4:

Considerar el circuito de conductos de agua con tres válvulas. Si Vi indica el evento de que la válvula i funciona.
Asumiendo que P(Vi) = p y que las válvulas son mutuamente independientes. Si Q indica el evento de flujo a
través del circuito, entonces

Q = V3 ∪(V1∩V2)

A partir de la ley aditiva (Ec. 2.4) y la asunción de independencia,

P(Q) = P(V3) + P(A1 ∩A2) – P(A1∩A2 ∩A3) = p + p 2 – p3 .

1 2

Pag.6
ESTADISTICA: e.orozco

EJEMPLO 2.5:

Suponer que un sistema consiste de n componentes conectados en serie, de tal manera que el sistema falla si
cualquiera de sus componentes falla. Si los n componentes son mutuamente independientes y la probabilidad
de falla de cada uno es p, ¿Cuál será la probabilidad de que el sistema falle, P(F)?

Es más fácil calcular la probabilidad del complemento de este evento; o sea P( F ) (probabilidad de que el
sistema funcione). El sistema funciona solamente si todos sus componentes funcionan, esta situación tiene la
probabilidad

P( F ) = (1 – p )n

La probabilidad que el sistema falles es, entonces,

P(F) = 1 – (1 – p)n

Si n=10 y p=0.05,P( F ) = (1 – 0.05)10 = 0.60 y P(F) = 1 – 0.60 = 0.40.

Si se supone que los componentes están conectados en paralelo, de tal manera que el sistema fallará
solamente si todos fallan. En este caso, la probabilidad de que el sistema falle y funcione es, respectivamente:

P(F) = p n = 0.0510 = 9.8x10-14 P( F ) = 1 – pn = 0.9999999999999.

EJEMPLO 2.6:

Los valores de precipitación anual en la Estación Observatorio Nacional, Ciudad de Guatemala, se muestra en
el Cuadro 2.2 y Fig. 2.1.

AÑO 1920 1930 1940 1950 1960 1970 1980 1990

2000
0 752 1254 1041 1546 1456 902 991
PRECIPITACION (mm)

1 1454 1010 1329 972 1204 1034 1168 1500

2 1329 971 1298 1296 851 1142 1100
3 1811 1285 1067 978 1434 762 1100 1000
4 1234 1162 1437 1204 1029 1082 1046
5 1308 1241 1451 1148 1153 1072 1546 500
6 1547 777 1315 1177 1020 1071 1165
0
7 1154 1527 1214 832 851 1010
1929

1937

1945

1953

1961

1969

1977

1985

1993

8 1114 1209 1680 1103 871 1660

9 1397 1121 1425 1184 1652 1164 1187 AÑO

Cuadro 2.2 y Fig. 2.1 Precipitación anual (mm) en la Estación Observatorio Nacional, Guatemala.

En base a los datos anteriores calcular la probabilidad de que la precipitación, L, sea, en cualquier año menor a
los 1000 mm, mayor a los 1400 mm y entre 1000 y 1400.

Pag.7
ESTADISTICA: e.orozco

Existen N=68 datos. Sea A el evento de precipitación < 1,000 mm y B el evento de precipitación > 1400 mm. Se
puede observar que N A el número de valores menores a 1000 mm es de 12 y el número de valores mayores a
1400 es de 14.

P(A) = 12/68 = 0.176

P(B) = 14/68 = 0.206
P(1000 ≤ L ≤ 1400) = 1 – P(L < 1000) – P(L > 1400) = 1 – 0.176 – 0.206 = 0.618

Asumiendo que la precipitación en la estación mencionada es un proceso independiente, calcular la

probabilidad de que en dos años sucesivos la precipitación sea menor a 1000 mm.

Sea C el evento de L < 1000 para dos años sucesivos. Del cálculo anterior se tiene que P(L<1000) es 0.176 y
considerando independencia (Ec. 2.7).

P(C) = [P(L<1000)]2 = 0.1762 = 0.031

Observando los datos del Cuadro 2.1, se tiene que existe solamente un par de años (1977 y 1978) sucesivos
cuya precipitación es menor a 1000 mm. El número posible de pares sucesivos es de 67 (N-1). De esa manera
puede estimarse que

P(C) ≈ NC/N = 1/67 = 0.015

7. Probabilidad de eventos raros. Si A y B son eventos raros; es decir que,

sus probabilidades son muy pequeñas y además son independientes (pero
no necesariamente mutuamente exclusivos), se tiene que

P(A∪B) = P(A) + P(B) – P(A)P(B) (2.8)

≅ P(A) + P(B)

Esto significa que eventos raros independientes se comportan

aproximadamente como si fueran también mutuamente exclusivos.

EJEMPLO 2.7:

Durante un año se realizaron 350 observaciones diarias de la calidad del agua de un río en una estación dada.
Dicha calidad se define como:

Si: si el agua es sucia porque la concentración de un contaminante excede cierto valor, C 0.

Li: si el agua es clara porque la concentración del contaminante es inferior a C 0.

Un resumen de las observaciones concernientes a dos días consecutivos se muestra en el siguiente Cuadro.

Pag.8
ESTADISTICA: e.orozco

El espacio muestral Ω de dos días consecutivos es

Li+1 Si+1
Li 90 120
Ω = {LL,LS,SL,SS}
Si 120 20
Del Cuadro anterior se obtiene que en el año, 210 días fueron del tipo L (limpio); o sea, 90+120; mientras que
140 (120+20) fueron del tipo S (sucio), sin importar que tipo fue el día anterior.

Las probabilidades de tener un día L o un día S son, respectivamente:

NL 210 NS 140
P(L) = = = 0.6 y P(S) = = = 0. 4
N 350 N 350
Si el día i es tipo S, las probabilidades de que el siguiente día (i+1), sea del tipo L y del tipo S son,
respectivamente:

P(L i +1 ∩ Si ) 120 / 350

P(L i+1 | S i ) = = = 0. 857
P( Si ) 0.4
y
P(Si +1 ∩ Si ) 20 / 350
P(Si +1 | Si ) = = = 0. 143
P(Si ) 0.4

Es fácil verificar que los dos eventos Li+1|Si y Si+1|Si son complementarios; es decir que la suma de sus
probabilidades es igual a 1. De hecho, para cualquier tipo de día i (L o S), es seguro que el siguiente debe ser
Li+1 o Si+1.

8. Probabilidad total. Si se considera un conjunto de eventos mutuamente

exclusivos A1, A2, ..., Am , de tal manera que sus unión corresponde al
espacio muestral Ω, es decir
m

UA i =Ω
i =1
entonces
m
P(A1)+P(A2)+…+P(Am ) = ∑ P( A ) = P(Ω) = 1
i (2.9)
i =1

Ahora, si se define a B como la unión de los siguientes eventos mutuamente

exclusivos (Fig. 2.3)

B = (B∩A1) + (B∩A2) + … + (B∩Am )

Debe observarse que la expresión anterior es válida aún cuando la unión de

Ai no sea igual a Ω.

Pag.9
ESTADISTICA: e.orozco

Ω A4
A1
A5
B

A2 A6
A3

Fig. 2.3 Representación gráfica del teorema de la probabilidad total.

Usando las Ecs. 2.4 y 2.5, se deriva el teorema de la probabilidad total de la

forma

P(B) = P(B | A 1 )P( A 1 ) + P(B | A 2 )P( A 2 ) + ... + P(B | A m )P( A m )

m (2.10)
P(B) = ∑ P(B | A )P(A )
i =1
i i

9. Teorema de BAYES . A partir del teorema de la probabilidad total (Ec. 2.10) y

la ley multiplicativa (Ec. 2.5), se obtiene el teorema de B AYES.

P( A i ∩ B) P( A i )P(B | A i )
P( A i | B) = = m (2.11)
P(B)
∑ P(A i )P(B | A i )
i=1
En la Ec. 2.11, A1, A2, ..., Am son eventos mutuamente exclusivos y al
mismo tiempo complementarios; es decir, se cumple la Ec. 2.9.

La interpretación física de la Ec. 2.11 es la siguiente. Para derivar una

estimación de las probabilidades condicionales a posteriori,

P(A1|B), P(A2 |B), …, P(Am |B)

las probabilidades a priori,

P(A1), P(A2), …, P(Am )

se introducen en la Ec. 2.11 y se calculan en términos de las probabilidades

condicionales

P(B|A1), P(B|A2), ..., P(B|Am )

Las probabilidades a posteriori se les llama también probabilidades

objetivas porque depende completamente de las observaciones de la
variable aleatoria. Mientras que las probabilidades a priori se les llama

Pag.10
ESTADISTICA: e.orozco

también subjetivas, donde la estimación de la probabilidad de un evento

futuro se basa en el criterio y la experiencia.

EJEMPLO 2.8:

La calidad del agua de un río se clasifica en dos grupos:

A1 : buena
A2 : mala

Si se considera diferentes tipo de información, tal como fuentes de contaminación, actividades agrícolas en la
cuenca, geología y morfología de la cuenca, una estimación a priori de la calidad del agua en los grupos A1 y
A2 dio las siguientes probabilidades

P(A1) = 0.6
P(A2) = 0.4

Una conclusión cuantitativa para la calidad del agua puede obtenerse mediante análisis fisicoquímicos
específicos. Un índice I de calidad química del agua se deriva y se usa para clasificar el agua en dos grupos I1
e I2. Dado que, en realidad, la calidad del agua pertenece al grupo Aj, el siguiente Cuadro resume las
probabilidades para encontrar el índice de calidad Ii.

Valores de probabilidades condicionales P(Ii|Aj)

Este Cuadro, llamado matriz de probabilidades
i P(I1|Aj) P(I2|Aj) de transición, se lee de la siguiente manera: si
1 0.7 0.3 → 1.0 la calidad química del agua está en I1, la
2 0.1 0.9 → 1.0 probabilidad de que la estimación a priori de la
calidad del agua sea A1 es 0.7 (70 %). De
hecho los valores de P(Ii|Aj) son medidas de
comportamiento del índice de calidad química del agua iI: mientras más cercano sean los valores de
probabilidades P(Ii|Aj) a 1, cuando i=j, y a 0 cuando i≠j, más confiable es el índice Ii para representar la calidad
del agua (a priori) Aj. Debe observarse la complementariedad de los eventos (Ii|A1) y (Ii|A2); o sea

∑ P(I i | Aj) = 1 i=1,2 j=1,2

i

Suponer ahora que, después del muestreo se realiza un conjunto de análisis químico. Existen dos posibles
casos:

1) Que el índice de calidad química del agua tome el valor I1. Las probabilidades a posteriori P(A1|I1)
y P(A2|I1) pueden calcularse mediante el teorema de BAYES (Ec. 2.11):

P( A 1 )P(I1 | A 1 ) ( 0.6)( 0. 7)
P( A 1 | I1 ) = = = 0.91
∑ P(A i )P(I1 | A i ) (0.6)(0.7) + (0.4 )(0.1)
i

Pag.11
ESTADISTICA: e.orozco

P( A 2 )P(I1 | A 2 ) ( 0.4)( 0. 1)
P( A 2 | I1 ) = = = 0.09
∑ P(A i )P(I1 | A i ) (0.6)(0.7) + (0.4)(0.1)
i

Comparando estos resultados con las estimaciones anteriores: P(A1)=0.6 y P(A2)=0.4, puede
concluirse que el agua en el río es de mejor calidad que la estimada, porque P(A1|I1) > P(A1).

2) El índice de calidad química del agua tome el valor I2. Las probabilidades a posteriori P(A1|I2) y
P(A2|I2) se calculan también mediante el teorema de BAYES (Ec. 2.11):

P( A 1 )P(I 2 | A 1 ) ( 0.6)( 0. 3)
P( A 1 | I 2 ) = = = 0.33
∑ P(A i )P(I2 | A i ) (0.6)(0.3 ) + (0.4)(0.9)
i

P( A 2 )P(I2 | A 2 ) (0. 4)( 0.9)

P( A 2 | I 2 ) = = = 0. 67
∑ P(A i )P(I2 | A i ) (0.6)(0.3) + (0.4)(0.9)
i

Comparando estos resultados con las estimaciones a priori: P(A1)=0.6 y P(A2)=0.4, puede
concluirse que el agua en el río es de peor calidad que la estimada, porque P(A1|I2) < P(A1).

Un muestreo no es suficiente para obtener una buena estimación. Se deberían de analizar al

menos dos muestras y aplicar otra vez el teorema de BAYES.

Pag.12
ESTADISTICA: e.orozco

EJERCICIOS:

PROBLEMA 1: En el disco adjunto, se incluye datos precipitación diaria (HOJA: P-DIARIA) de una estación climática, con
esa información, calcular:
Sea R la variable aleatoria de precipitación diaria. Considerar dos eventos característicos de R
S: si R ≤ 2.0 mm (día seco)
H: si R > 2.0 mm (día húmedo)
a) Determinar la probabilidad de día seco y la probabilidad de día húmedo
b) Considerar pares consecutivos y determinar la probabilidad de que:
Dos días consecutivos sean secos
Dos día consecutivos sean húmedos
Día i seco y día i+1 húmedo
Día i húmedo y día i+1 seco
Si día i+1 seco dado que el día i sea húmedo
Si día i+1 seco dado que el día i sea seco
Si día i+1 húmedo dado que el día i sea seco
Si día i+1 húmedo dado que el día i sea húmedo
c) Considerar todos los posibles subconjuntos de 7 días consecutivos y determinar el espacio muestral.
d) Considerar el evento D, como la semana seca, lo que significa 7 días secos consecutivos. Calcular P(D) y
P( D ).
e) ¿Son los eventos D y D mutuamente exclusivos?, ¿Porqué?

PROBLEMA 2: Este problema introduce un modelo meteorológico simple, versiones más complejas se encuentran en la
literatura. Considerar una secuencia de días donde Ri es la precipitación en el día i. Suponer que P(Ri|Ri-1) = α y
P( Ri | Ri −1 ) = β.Suponer además que, solamente la precipitación de hoy es relevante para predecir la precipitación de
mañana, o sea que P(Ri|Ri-1∩Ri-2∩...∩R0) es equivalente a P(Ri|Ri-1).
a) Si la probabilidad de lluvia el día de hoy es p, ¿Cuál es la probabilidad de lluvia mañana?
b) ¿Cuál es la probabilidad de lluvia pasado mañana?
c) ¿Cuál es la probabilidad de lluvia n días después de hoy?
d) ¿Qué pasa cuando n se aproxima al infinito?
e) Con los datos del problema anterior, considerar que el día húmedo Hi corresponde a Ri, Calcular la
probabilidad de que:
a. el día i sea húmedo (probabilidad p del inciso a) de este problema)
b. el día i+1 sea húmedo
c. el día i+2 sea húmedo
NOTA: α de este problema corresponde a P(Hi+1|Hi) del problema anterior, y p de este problema a P(Hi)
del problema anterior.

PROBLEMA 3: Suponer que N (10) componentes de un sistema están conectados en serie. Para cada unidad existe una
unidad de repuesto, y el sistema falla solamente si ambos la unidad y su repuesto fallan. Asumir que todas las unidades
son independientes y fallan con probabilidad p (0.05). ¿Cuál es la probabilidad de que el sistema funcione?

PROBLEMA 4: Determinar la probabilidad de que el siguiente sistema funcione si cada uno de sus componentes
funcionan independientes con probabilidad p.

Pag.13
ESTADISTICA: e.orozco

Un sistema de N componentes, cada uno de los cuales falla con probabilidad p. El sistema falla solamente si k o más de
sus componentes fallan. ¿Cuál es la probabilidad de que el sistema falle?

Pag.14