ESTADISTICACOMPLEJA

(Probabilidad)
Cod.301014

AdrianaMoralesRobayo
Estadstico

UNIVERSIDADNACIONALABIERTAYADISTANCIAUNAD
ESCUELADECIENCIASBSICASEINGENIERA
UNIDADDECIENCIASBSICAS
BogotD.C.,2007
2

COMITDIRECTIVO

JaimeAlbertoLealAfanador
Rector

RobertoSalazarRamos
VicerrectordeMediosyMediacionesPedaggicas

GloriaHerreraSnchez
VicerrectoraAcadmicaydeInvestigacin

MDULO
CURSOPROBABILIDAD
PRIMERAEDICIN

Copyrigth
UniversidadNacionalAbiertayaDistancia

INTRODUCCIN

LaEstadsticasehaconvertidoenunefectivomtodoparadescribir,relacionary
analizar los valores de datos econmicos, polticos, sociales, biolgicos, fsicos,
entre otros. Pero esta ciencia no slo consiste en reunir y tabular los datos, sino
endarlaposibilidaddetomardecisionesacertadasyatiempo,ascomorealizar
proyeccionesdelcomportamientodealgnevento.Esascomoeldesarrollodela
teora de la Probabilidad ha aumentado el alcance de las aplicaciones de la
Estadstica.

Muchos de los eventos que ocurren en la vida del ser humano no se pueden
predecir con exactitud, pues la mayora de los hechos estn influenciados por el
azar,esdecir,porprocesosinciertos,enlosquenoseestsegurodeloquevaa
ocurrir.Seraunerrorafirmarquevivimosenunmundodeterminista,endondeno
hay influencia del azar y la incertidumbre. La Probabilidad permite un
acercamiento a estos sucesos, ponderando las posibilidades de su ocurrencia y
proporcionando mtodos para tales ponderaciones, creando as modelos
Probabilsticos. Precisamente, algunos de esos mtodos proporcionados por la
teoradelaProbabilidadllevanadescubrirqueciertoseventostienenunamayoro
menor probabilidad de ocurrir que la apreciacin hecha a travs del sentido
comn.

De esta manera, la Probabilidad permite estudiar los eventos de una manera

sistemticaymscercanaalarealidad,entregandounainformacinmsprecisa
yconfiabley,portanto,mstilparalasdistintasdisciplinasdelserhumano.De
ah que se vea la importancia de conocer a profundidad las caractersticas de
ciertos fenmenos cotidianos que el ser humano vive, comprender los mtodos
Probabilsticosmscomnmenteusadosyconellosllegaratomarlasdecisiones
msapropiadas.

El conocimientode laProbabilidad constituye labase que permite comprender la

formaenquesedesarrollanlastcnicasdelaInferenciaEstadsticaylatomade
decisiones, en otras palabras, esel lenguaje y la fundamentacin matemtica de
laInferenciaEstadstica.

El curso de Probabilidad, programado como curso acadmico bsico comn

entre los diferentes programas que oferta la UNAD, busca fomentar en el
estudiante la capacidad de reconocer y establecer modelos apropiados para
describirfenmenosaleatoriosquesurgenensusreasdeespecialidad,yapunta
aquestereconozcaquelaEstadsticaproporcionalasherramientasnecesarias
parahacerinferenciassobreuntodo(poblacin)enbasealosdatosrecopilados
en slo unos cuantos elementos observados de la poblacin (muestra) y que la
Probabilidadaportaloselementosdevalidacindelosmtodosestadsticos.
5

El presente mdulo busca dotar al estudiante de las herramientas probabilsticas

bsicasparaelestudiodefenmenospropiosdesudisciplinadeformacinydel
entorno social, econmico y poltico en que se desenvuelve, cuya evolucin
temporal o espacial depende del azar, y apunta a que el estudiante tome
decisiones ms objetivas frente a dichos fenmenos. En l se introducen los
conceptos bsicos de la Probabilidad y se manejan las distribuciones de
probabilidadmsconocidas.

Estetextocontienedosunidadesdidcticas
1
,correlacionadasdirectamenteconel
nmero de crditos acadmicos asignados. La primera de ellas considera los
Principios de Probabilidad, necesarios para el cumplimiento de los propsitos y
objetivos del curso. En esta unidad se recuerdan algunos conceptos bsicos de
lastcnicasdeconteo:permutaciones,variacionesycombinaciones;seidentifican
conceptos sobre espacios muestrales y eventos, las propiedades bsicas de la
probabilidad como las reglas de adicin y multiplicacin, la probabilidad
condicionalyelteoremadeBayes.Enlasegundaunidaddidctica,seestablece
la diferencia entre variables aleatorias discretas y continuas, en trminos de su
funcin de probabilidad, valor esperado, varianza y desviacin estndar se
reconocen algunas de las distribuciones de probabilidad ms comunes, tanto las
discretas como las continuas. Entre las primeras se contemplan la uniforme
discreta,binomial,geomtrica,binomialnegativa,hipergeomtricayladistribucin
de Poisson y, como distribuciones de probabilidad continua, se trabajan la
distribucin uniforme continua, normal, exponencial, Weibull, Erlang, Gamma, Ji-
cuadrada,t-studentyFdeFisher.

El mdulo est dirigido a una poblacin estudiantil que se interesa en la

estadstica por su valor como instructivo para apoyar procesos de investigacin,
ms que como objeto del conocimiento, que sera el caso si se tratara de
estudiantes de estadstica o matemtica. Es por esto que se evitarn los
desarrollos matemticos de las frmulas, aunque se presentan algunos
razonamientosyprocedimientosenqueellassefundamentan.Seenfatizamsen
laformaadecuadadeinterpretar,seleccionaryutilizardichosplanteamientos,que
enlasdemostraciones,deduccionesydesarrollosmatemticos.

El curso est escrito partiendo de la premisa de que el estudiante posee los

conocimientosbsicosdelaEstadsticaDescriptiva,requisitosmnimosparallevar
con xito las intencionalidades formativas trazadas para el curso. Tambin es
deseable tener algunos conocimientos bsicos de la teora de conjuntos y del

1
Conjuntodeconocimientosseleccionados,organizadosydesarrolladosapartirdepalabrasclave
tomados como conceptos que los tipifican, en articulacin con las intencionalidades formativas,
destinadas a potenciar y hacer efectivo el aprendizaje mediante el desarrollo de operaciones,
modificaciones y actualizaciones cognitivas y nuevas actuaciones o competencias por parte del
estudiante.ELMATERIALDIDCTICO.RobertoJ.SalazarRamos.UNAD,BogotD.C.2004.

6
clculointegraldebidoaqueestospermitenobtenerunaperspectivamsamplia
delaProbabilidad.

Estetextonopretendereemplazarlasdiferentesreferenciasbibliogrficasclsicas
delaProbabilidad,eselresultadodelaconsultadediferentesfuentesquetratan
cadatemaenformamsamplia.Loquesepretendeesentregarlosconceptosde
unmodomsdidctico,enfocadoenelautoaprendizajeyenrelacindirectacon
laGuadeActividadesreferenciadaenelprotocolodelpresentecurso.Alfinalde
cada unidad, el estudiante encontrar las referencias bibliogrficas bsicas, pero
no nicas, para que con ellas refuerce en conceptos y definiciones. Adems,
encontrar una serie de pginas web recomendadas que amplan los temas
tratados. Se trata pues de un material didctico de apoyo para el curso de
Probabilidad de la UNAD, como parte de las diferentes y diversas herramientas
didcticasenlasqueseapoyaelaprendizajeautnomo.

CONTENIDO

INTRODUCCIN

UNIDADUNO
PRINCIPIOSDEPROBABILIDAD

INTRODUCCINALAUNIDAD

OBJETIVOGENERAL
OBJETIVOSESPECFICOS

RESEAHISTRICADELAPROBABILIDAD

1.-EXPERIMENTOALEATORIO,ESPACIOSMUESTRALESYEVENTOS

1.1.ESPACIOMUESTRAL
1.2.SUCESOSOEVENTOS.OPERACIONESCONEVENTOS

EJERCICIOSCAPITULO1

2.-TCNICASDECONTEO

2.1PRINCIPIOFUNDAMENTALDELCONTEO

2.2.FACTORIALDEUNNMERO

2.3PERMUTACIONESYVARIACIONES

2.4COMBINACIONES

2.5REGLADELEXPONENTE

EJERCICIOSCAPTULO2

3.-PROPIEDADESBSICASDELAPROBABILIDAD

3.1.-INTERPRETACIONESDELAPROBABILIDAD

3.2.AXIOMASDEPROBABILIDAD

3.3.PROBABILIDADTOTALYTEOREMADEBAYES

EJERCICIOSCAPTULO3
8

UNIDADDOS

VariablesAleatoriasyDistribucionesdeprobabilidad

INTRODUCCINALAUNIDAD

OBJETIVOGENERAL
OBJETIVOSESPECFICOS

1.-VARIABLESALEATORIAS

1.1.-VARIABLEALEATORIADISCRETA

1.2.-VARIABLEALEATORIACONTINUA

1.3.-TEOREMADECHBYSHEV

EJERCICIOSCAPTULO1

2.-DISTRIBUCIONESDEPROBABILIDADDISCRETA

2.1.-DISTRIBUCINUNIFORMEDISCRETA

2.2..-DISTRIBUCINBINOMIAL

2.3.-DISTRIBUCINGEOMTRICA

2.4.-DISTRIBUCINBINOMIALNEGATIVA

2.5.-DISTRIBUCINHIPERGEOMTRICA

2.6.-DISTRIBUCINPOISSON

3.-DISTRIBUCIONESDEPROBABILIDADCONTINUA

3.1.-DISTRIBUCINUNIFORMECONTINUA

3.2..-DISTRIBUCINNORMAL

BIBLIOGRAFA

UnidadUno

PRINCIPIOSDEPROBABILIDAD

10

INTRODUCCINALAUNIDAD

Para indicar el grado de incertidumbre de un evento, sta debe expresarse en

trminos numricos; para ello se requiere conocer las reglas y operacionesde la
probabilidad. Es as como, en esta primera unidad didctica, se tratarn los
principiosbsicosdeProbabilidad.

Esta unidad se divide en cuatro captulos. Los dos primeros captulos se centran
ennocionesbsicasparaeldesarrollocompletodelconceptodeprobabilidad.El
primero de ellos introduce los trminos bsicos que se encuentran ligados al
lenguajeestadsticoylosfundamentosnecesariosparaelestudiodelateorade
la probabilidad. El segundo captulo desarrolla la teora del conteo y las tcnicas
paradeterminarelnmerodevecesdeocurrenciadeunevento.Enelcaptulo3
se desarrolla el concepto de probabilidad y se examinan las diferentes
interpretaciones que se tienen de ella, tambin se trata aqu los axiomas que
satisfacen las probabilidades de cualquier experimento aleatorio, las reglas de
adicin y de multiplicacin para probabilidades, la probabilidad condicional, la
independenciadeeventosyelTeoremadeBayes.

11

OBJETIVOGENERAL

Analizar e interiorizar los principios de Probabilidad, identificando sus

propiedades,leyesyloscamposdeaplicacinquetieneestacienciapropiadela
estadstica.

OBJETIVOSESPECFICOS

Introducir los fundamentos necesarios para el estudio de la teora de la

probabilidad.

Reconocerlascaractersticasdeunexperimentoaleatorio.

Identificar el espacio muestral y distintos eventos de experimentos

aleatorios.

Adquirir las herramientas y habilidades necesarias de las tcnicas de

conteo.

Calcular las medidas de espacios muestrales y eventos aplicando reglas

bsicasdeconteo,permutacionesycombinaciones.

Establecer y aplicar las tcnicas de conteo a travs de permutaciones y

combinaciones.

Enunciar y aplicar el principio fundamental de conteo o principio

multiplicativoyutilizardiagramasderbolparaejemplificarlo

Definiryestudiardiversostiposdeespaciosdeprobabilidad.

Reconocerlaimportanciadelateoradelasprobabilidadesenelanlisise
interpretacindeinformacinestadstica.

Aplicarlaspropiedadesmatemticasbsicasdelasprobabilidadesparael
clculo de la probabilidad de diferentes eventos que ocurren en
experimentosaleatorios.

Calcularlaprobabilidaddeunevento,dadoqueotrohasucedido.

12
Demostrarlaindependenciaonodedosomseventos.

Enunciaryaplicarlaleydelaprobabilidadtotal.

Obtener la probabilidad de eventos que involucren el uso del principio

multiplicativo,diagramasderbolylastcnicasdeconteo.

CalcularlaprobabilidaddecausasaplicandoelteoremadeBayes.

13
RESEAHISTRICADELAPROBABILIDAD
2
.

Elorigendelateoradelasprobabilidadesesoscuroynisiquieraloshistoriadores
estndeacuerdoconlafechaenquepuedesituarse.En1494(apenasdosaos
despus del descubrimiento de Amrica), el italiano Pacioli plante algunas
preguntasconcretassobrelaprobabilidad,peronuncaintentabordareltemade
maneracientfica.

Cincuenta y seis aos ms tarde, tambin en Italia, el

clebre y controvertido matemtico Girolamo Cardano
(1501-1576)loestudiconmayorprofundidadyescribi
untratadosobrelosjuegosdeazar,perosusescritosno
fueronpublicadossinohastadespusdesumuerte,bajo
el ttulo Lber de Ludo Aleae (Libro sobre los juegos del
azar). se fue el primer tratado sobre la teora de las
probabilidades que se escribi en el mundo y pasaran
msdecienaosantesdequeseescribieraelsegundo.

Contodaseguridad,elestudianterecordaroasociarelnombredeCardanocon
la solucin de las ecuaciones generales de tercer y cuarto grado por medio de
radicales,aunquealgunoshistoriadoressostienenqueesasfrmulasCardanose
lasusurpalvenecianoNiccoloTartaglia(1500-1557).Alparecer,Cardano,adicto
a los juegos de azar y las apuestas, desarroll por su cuenta la teora de
probabilidades para sacar ventaja en el juego, pero sus resultados ms
importantes jams los public por miedo a que sus contrincantes en el juego
tambin los utilizaran. Se cuenta que Cardano tena frecuentes disputas con sus
adversarioseneljuegoysiemprecargabauncuchillo,conelcualhirienlacara
auncontrincantequenoquerapagarleunaapuesta.Esunaironadelahistoria
que Cardano sea reconocido por algo que aparentemente no hizo (la solucin
general de las cbicas y las curticas), y en cambio no sea reconocido por algo
queshizo(serelprimeroencrearlasbasesdelateoradelasprobabilidades).A
pesardesupasincompulsivaporeljuegoylasapuestas,Cardanologrescribir
muchos libros acerca de todo lo que le interesaba, era un hombre sabio, estudi
medicinayamabalamsica.Suinfanciafuemuydura:sumadrejamsloquiso,
por lo que lo regal a unos parientes, quienes lo golpeaban y lo hacan trabajar
duro. Ya de viejo pronostic que morira exactamente a los 75 aos, y
efectivamentesesuicidel21deseptiembrede1576alaedadde75aos.

En1654,ydesconociendoloquehabaescritoCardanomsdecienaosatrs,
el gran matemtico francs (o gemetra, como se autonombraba) Blas Pascal
redescubri las bases de la teora de las probabilidades con un enfoque mucho
ms universal y riguroso. Se cuenta que por aquella poca el caballero de Mere

2
SOTOMAYORG.yP.WISNIESKIPiotr.ProbabilidadyEstadsticaparaIngenierayCiencias.Thomson
Learning.2001.
14
formul, en Pars, la siguiente pregunta al clebre ex prodigio Blas Pascal: "Si
alguien lanza un par de dados ordinarios una y otra vez, cuntas veces habr
que lanzarlos para que se pueda apostar ventajosamente a que aparecer el
doble seis?" Aunque hoy en da este problema lo puede resolver con facilidad
cualquier estudiante de un primer curso de
probabilidad, en aquella poca fue un planteamiento
novedoso. Pascal se puso a trabajar en este asunto y
al cabo de unos das hall una serie de frmulas
simples que permitan resolver el problema y otros
similares.PascalinformentoncesalCaballerodeMe-
re que ya tena la respuesta a su pregunta: resulta
ventajoso apostar al doble seis en 25 tiradas de los
dados o ms; pero es desventajoso hacer semejante
apuesta en 24 tiradas o menos. Al parecer, a raz de
este incidente, Pascal se interes por el estudio
matemticoseriodelosfenmenosrelacionadosconel
azar,aunquenoseregistraningunapublicacinsuyaal
respecto: pero hubo un intercambio de cartas entre
Pascal y otro ilustre matemtico que curiosamente
eraabogadodeprofesin,PierreFermat.

Aproximadamente tres aos despus deeste incidente, un jovenholandsde 27

aos radicado temporalmente en Pars y de nombre Christian Huygens, tuvo
acceso a las cartas que haban intercambiado Pascal y Fermat, y profundiz las
ideas de ambosenuna pequeamonografa sobre la incertidumbre y el azar (El
razonamientoenlosjuegosdelazar).Esefueelsegundolibrosobrelateorade
probabilidadesqueaparecienelmundoyademsmarcelcaminosobreelque
deberadesarrollarseestaciencia.

Algunos aos despus de la aparicin del libro de Huygens, Jacobo Bernoulli

public en Basilea, Suiza, su obra Ars Conjectandi, en la cual aparecen por
primera vez las frmulas y leyes bsicas de la teora de las probabilidades. El
desarrollo posterior de esta ciencia tuvo lugar primero en Francia, y algunas
dcadasdespusenInglaterrayAlemania.Unfuertedesarrollodeesateoraest
asociado con los nombres de ilustres matemticos franceses como el Marqus
PierreSimndeLaplace(1749-1827),AbrahamDeMoivre(1667-1754),Georges-
LouisLecler(CondedeBuffon),JosephLouisFrancoisBertrand(1822-1900)(este
ltimo autor del libro Calcul des Probabilits), as como el reverendo Thomas
Bayes en Inglaterra; el ruso Pafnuty Lvovich Chbyshev (1821-1894) y Carlos
Federico Gauss en Alemania, este ltimo considerado por muchos como el
matemticomsnotableentodalahistoriadelahumanidadhastanuestrosdas,
no tanto por la cantidad (la cual fue bastante exigua) sino por la impresionante
calidad y originalidad de sus trabajo y descubrimientos, los cuales tuvieron
influenciadeterminanteencasitodaslasramasdelasmatemticas.

15
En el siglo XIX, Pierre Simon, marqus de Laplace (1749 - 1827), unific todas
estasprimerasideasycompillaprimerateorageneraldelaprobabilidad.

A mediados del siglo XIX, un fraile agustino austriaco, Gregor Mendel, inici el
estudio de la herencia, la gentica, con sus interesantes experimentos sobre el
cruce de plantas de diferentes caractersticas. Su obra, La matemtica de la
Herencia, fue una de las primeras aplicaciones importantes de la teora de
probabilidadalascienciasnaturales.

Lateoradelaprobabilidadfueaplicadaconxitoenlasmesasdejuegoy,loque
esmsimportante,enproblemassocialesyeconmicos.Laindustriadeseguros
requera un conocimiento preciso acerca de los riesgos de prdida. Muchos
centros de aprendizaje estudiaron la probabilidad como una herramienta para el
entendimientodelosfenmenossociales.

Nuestranecesidaddetratarcontotalincertidumbrenosllevaaestudiaryutilizarla
teora de la probabilidad. Al organizar la informacin y considerarla de manera
sistemtica, seremos capaces de reconocer nuestras suposiciones, comunicar
nuestrorazonamientoaotraspersonasytomarunadecisinmsslida.
16
CAPITULO1

EXPERIMENTOSALEATORIOSYESPACIOMUESTRAL.

Enlateoradeprobabilidadessehablaamenudodeexperimentosaleatoriosyde
fenmenosaleatorios.Lapalabraaleatorioprovienedelvocablolatinoalea,elcual
significasuerteoazar.Unfenmenoaleatorio,esportanto,aqulcuyoresultado
estfueradecontrolyquedependedelazar.

Experimentos o fenmenos aleatorios son los que pueden dar lugar a varios
resultados, sin que pueda ser previsible enunciar con certeza cul de stos va a
serobservadoenlarealizacindelexperimento.

Sidejamoscaerunapiedraolalanzamos,yconocemoslascondicionesiniciales
de altura, velocidad, etc., sabremos con seguridad dnde caer, cunto tiempo
tardar, etc. Es una experiencia determinista. Si echamos un dado sobre una
mesa,ignoramosqucaraquedararriba.Elresultadodependedelazar.Esuna
experienciaaleatoria.

S Su uc ce es so oa al le ea at to or ri io oe es su un na ac co on nt te ec ci im mi ie en nt to oq qu ue eo oc cu ur rr ri ir r o on no o, ,d de ep pe en nd di ie en nd do od de el la az za ar r. .

La vida cotidiana est plagada de sucesos aleatorios. Muchos de ellos, de tipo

sociolgico (viajes, accidentes, nmero de personas que acudirn a un gran
almacn o que se matricularn en una carrera...) aunque son suma de muchas
decisiones individuales, pueden ser estudiados, muy ventajosamente, como
aleatorios.

1.1ESPACIOMUESTRAL

Espaciomuestral es el conjuntoformado por todos los posibles resultados de un

experimento aleatorio. En adelante lo designaremos por S. A la coleccin de
resultados que se obtiene en los experimentos aleatorios se le llama espacio
muestral.

EJEMPLO1.1:
Enundado,S={1,2,3,4,5,6}
Enunamoneda,S={C,+}
Unexperimentoaleatoriocumpleconlassiguientescaractersticas:

17
Elexperimentopuederealizarsebajoidnticascondicionescuantasvecessea
necesario.
Losposiblesresultadossontodosconocidos.
Elresultadodelexperimentoesincierto,dependedelazar.
Se observa cierto patrn de regularidad a medida que aumentan las
repeticiones.

EJEMPLO1.2:

Enunaempresadelcteoshacencontroldecalidadalllenadodebolsasdeleche
de1000ccdevolumen.Cada20minutosseverificaelvolumendellenadodela
mquina. La evaluacin contina hasta encontrar una bolsa que no cumple las
especificaciones.
Sea s el hecho de que la bolsa de leche cumple con las especificaciones de
volumen, y n las que no cumple con ellas. Cul es el espacio muestral de este
experimento?

El espaciomuestral se representa comouna secuenciade las letras s y n. Dado

que el experimento termina cuando una bolsa de leche no cumple con las
especificaciones de volumen, el espacio muestral estar formado por una
secuenciadesseguidaporunan.

,...} , , , , , { sssssn ssssn sssn ssn sn n S =

1.2.SUCESOSOEVENTOS.OPERACIONESCONSUCESOS.
SucesosoEventos.
Elespaciomuestralasociadoallanzamientodetresdadosyanotarlasumadelos
puntosobtenidoses:
S={3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18}

PodemosconsideraralgunossubconjuntosdeS,porejemplo:

Salirmltiplode5: A={5,10,15}
Salirnmeroprimo: C={2,3,5,7,11,13,17}
Salirmayoroigualque12: D={12,13,14,15,16,17,18}

18
Todos estos subconjuntos del espacio muestral S los llamamos sucesos o
eventos.
S Su uc ce es so o o o E Ev ve en nt to o d de e u un n f fe en n m me en no o o o e ex xp pe er ri im me en nt to o a al le ea at to or ri io o e es s c ca ad da a u un no o d de e l lo os s
s su ub bc co on nj ju un nt to os s d de el l e es sp pa ac ci io o m mu ue es st tr ra al l S S. . L Lo os s e el le em me en nt to os s d de e S S s se e l ll la am ma an n s su uc ce es so os s
i in nd di iv vi id du ua al le es s o o s su uc ce es so os s e el le em me en nt ta al le es s. . T Ta am mb bi i n n s so on n s su uc ce es so os s e el l s su uc ce es so o v va ac c o o o o
s su uc ce es so oi im mp po os si ib bl le e, , , ,y ye el lp pr ro op pi io oS S, ,s su uc ce es so os se eg gu ur ro o. .
SiStieneunnmerofinito,n,deelementos,elnmerodesucesosdeEes2
n
.

EJEMPLO1.3:
{1,2},{2,4,6},{3,5}sonsucesos.{1},{2},{3}...,sonsucesosindividuales.
Enundadohay2
6
=64sucesos.
Enunamonedahay2
2
=4sucesos,queson:,{C},{+},{C,+}
Esdecir,S={,{C},{+},{C,+}}

1.2.1.-Operacionesconsucesosoevento

Ya que los eventos o sucesos son subconjuntos, entonces es posible usar las
operaciones bsicas de conjuntos
3
, tales como uniones, intersecciones y
complementos, para formar otros eventos de inters, denominados eventos o
sucesoscompuestos.

Dadosdossucesos,AyB,sellaman:
Unin

eselsucesoformadopor
todosloselementosdeAytodoslos
elementosdeB.

3
En el desarrollo del presente mdulo se parte de la premisa de que el estudiante maneja los diferentes
conceptos de la Teora de Conjuntos. Se recomienda al estudiante que consulte el mdulo de Lgica
Matemticaocualquierotrotextoquecontengadichosconceptos.
19
Interseccin

eselsucesoformadopor
todosloselementosqueson,ala
vez,deAydeB.
Diferencia

eselsucesoformadopor
todosloselementosdeAquenoson
deB.
Suceso
complementario

ElsucesoA=E-Asellamasuceso
complementariodeA.
Dos sucesos A y B, se llaman incompatibles cuando no tienen ningn elemento
comn. Es decir, cuando = (A y B son mutuamente excluyentes o
disjuntos)
Decimos que un suceso se ha verificado, si al realizar el experimento aleatorio
correspondiente,elresultadoesunodelossucesoselementalesdedichosuceso.
Porejemplo,siallanzarundadosale5,sehaverificado,entreotros,lossucesos
{5},{1,3,5}oS.

Demaneraanloga,decimosque:
Elsuceso severificacuandoseverificaunodelosdosoambos.
Elsuceso severificacuandoseverificansimultneamenteAyB.
ElsucesoA,contrariodeA,severificacuandonoseverificaA.
Dos sucesos incompatibles o mutuamente excluyentes no se verifican
simultneamente.

EJEMPLO1.4:
EnelexperimentoS="lanzarundadoalaire",consideramoslossucesos:
A="sacarunnmeropar".
B={1,2,3,5}="obtenerun1,2,35".
20
C={4,6}="obtenerun4un6".
D={2,4,6}="obtenerun2,46".
F={1,3}="obtenerun1un3".
G="obtenerunmltiplode3".
A y D son sucesos iguales al estar formados por los mismos sucesos
elementales.
C est contenido en A. Luego = C, puesto que siempre que
ocurre el suceso C (sacar 4 6) ocurre el suceso A, puesto que se
obtieneunnmeropar.
B y C son incompatibles, ya que B C = y complementarios, al
cumplirseB C=E.
="sacarunnmeropar" {1,2,3,5}={1,2,3,4,5,6}=E.
A G = {2,4,6} {3,6} = {6}, es decir, el suceso interseccin de los
sucesos"sacarunnmeropar"y"obtenerunmltiplodetres"es"sacar
un6".
B-D=B ={1,2,3,5} {1,3,5}={1,3,5}="obtenerunnmeroimpar"=
.
CyFsonincompatiblespuestoqueC F=.

Las operaciones unin, interseccin y complementacin (contrario) verifican las

propiedades:
Unin Interseccin
1.Conmutativa

2.Asociativa

3.Idempotente

4.Simplificacin

5.Distributiva

6.Elemento
neutro

7.Absorcin

Paradescribirlasrelacionesentreeventosseusanconfrecuencialosdiagramas.
Estos bien pueden ser los denominados diagramas de Venn o los diagramas de
rbol.Acontinuacinsedescribenambostratamientosgrficosdeloseventosde
unespaciomuestraldeterminado.

21
LosdiagramasdeVennsuelenemplearsepararepresentarunespaciomuestral
y sus eventos. En la figura siguiente se contempla un espacio muestral S (los
puntosdentrodelrectngulo)yloseventosA,ByCcomosubconjuntosdeeste.
Se representan diferentes diagramas de Venn, ilustrando varios eventos
combinados.

Figura1.1
DiagramasdeVenn

(a)EspaciomuestralSconloseventosAyBmutuamenteexcluyentes, = B A .
(b)InterseccindeloseventosAyBdelespaciomuestralS, B A .
(c)ComplementodeleventoA(A)enelespaciomuestralS.
(d)Evento C B A ) ( .
(e)Evento ) ( C A

EJEMPLO1.5:

Lasorqudeasdeunvivero,presentanlassiguientescaractersticas:

Tamaodeptalo
Grande Pequeo
Color
Lila 40 4
Blanca 2 3

Seanloseventos:
A:laorqudeaesdeptalogrande.
B:laorqudeaesdecolorlila.
Determine el nmero de muestras en B A , ` A y B A . Represente con
diagramasdeVennesteespaciomuestralyloseventosAyB.Indiqueelnmero
deresultadosencadaregindeldiagrama.
(a) (b) (c)
(d) (e)
22

Observe que siempre es necesario describir el evento que se va a considerar

dentrodelespaciomuestral.

De acuerdo a las caractersticas descritas, el evento B A est formado por 40

orqudeas para las cuales el tamao de ptalos es grande y son de color lila al
mismo tiempo. El evento ` A contiene 7 orqudeas para las que sus ptalos son
pequeos, independiente de su color. El evento B A est conformado por 46
orqudeas en las que sus ptalos son grandes o su color es lila (o ambas
caractersticasalavez).

El siguiente diagrama de Venn representa dicho espacio muestral y los dos

eventosAyB.Losnmerosindicanlacantidadderesultadosencadaregindel
diagrama.

Figura1.2
DiagramadeVenn,ejemplo1.5

Cuandounespaciomuestralpuedeconstruirseenvariospasosoetapassueleser
ms til hacer uso de los diagramas de rbol. Cada una de las n
1
maneras de
completarelprimerpasopuederepresentarsecomounaramadelrbol,cadauna
delasmanerasdecompletarelsegundopasopuederepresentarseconn
2
ramas
quecomienzandondeterminanlasramasoriginales,yassucesivamente.

Un diagrama de rbol es una especie de mapa de acontecimientos en donde se

describen los eventos bsicos que ocurren en un experimento aleatorio. Este
grficoestformadoporsegmentosderectasypuntos.Loseventosqueocurren
sedenotanporpuntos.Estediagramapuedeserdibujadodeizquierdaaderecha
odearribahaciaabajo,nohayrestriccionesparaello(Verfigura3).

Estetipodediagramasesmuyusualnosloparadescribirunespaciomuestral,
sinoensituacionesdeprobabilidad,casoenelcuallaprobabilidaddeleventose
indica sobre el segmento de recta, tambin en combinatoria y en muchas otras
ramasdelamatemtica.

23
Figura1.3
Diagramasderbol
(a)Vertical,(b)Horizontal

EJEMPLO1.6:

Sofa y Camila Intervienen en un torneo de tenis. La primera persona que gane

dos juegos seguidos o que complete tres, gana el torneo. Use un diagrama de
rbolparadeterminarlosposiblesresultadosdeltorneo.

Figura1.4
Diagramaderboldelejemplo1.6

El recorrido desde el principio del rbol hasta los puntos terminales, indica quin
gan cada juego en el torneo individual de tenis. Observe que hay 10 puntos
terminalesquecorrespondenalos10resultadosposiblesdeltorneo,ellosson:

{SS,SCSS,SCSCS,SCSCC,SCC,CSS,CSCSS,CSCSC,CSCC,CC.}

S
A
B
C
S
A
B
C
(a) (b)
S
S
S
S
S
S
S
S
S
C
C
C
C
C
C
C
C
C
24
E EJ JE ER RC CI IC CI IO OS SC CA AP P T TU UL LO O1 1

1.- Proporcione una descripcin razonable del espacio muestral de cada uno de
lossiguientesexperimentosaleatorios.Utiliceundiagramaderbol.

a.- Lanzar tres veces una moneda y observar la serie de sellos o caras que
aparecen.
b.- Tirar un dado, si el resultado es un numero par lanzar una moneda, si el
resultadoesunnumeroimparlanzarunamonedadosveces.

2.- Se desea observar una familia que posee dos automviles y para cada uno
observamossifuefabricadoenColombia,siesAmericanoosiesEuropeo.

a.-Cualessonlosposiblesresultadosdeesteexperimento?
b.-DefinaeleventoA:LosdosautomovilesnosonfabricadosenColombia,Liste
eleventoB:Unautomovilescolombianoyelotrono.
c.-DefinaloseventosAByBA.

3- La biblioteca de una universidad tiene cinco ejemplares de un cierto texto en

reserva,Dosejemplares(1y2)sonprimeraedicinylosotrostres(3,4y5)son
segundas ediciones. Un estudiante examina estos libros en orden aleatorio, y se
detienecuandoseleccionaunasegundaimpresin.Ejemplosderesultadosson:5,
213.

a.-hagaunalistadeloselementosdeS
b.- Liste los eventos A: el libro 5 es seleccionado, B: exactamente un libro debe
serexaminado,C:ellibro1noesexaminado
c.-Encuentre:AB,BA.,ACyBC.

4.-Dosestacionesdegasolinaseencuentranenunciertocrucedelaciudad,en
cadaunahay4bombasparadespachodegasolina.Considereelexperimentoen
queelnumerodebombasenusoenundaparticularsedeterminaparacadauna
delasestaciones.Unresultadoexperimentalespecificacuantasbombasestnen
usoenlaprimeraestacinycuantasestnenusoenlasegunda.

a.-Cualessonlosposiblesresultadosdelexperimento
b.- Defina el evento A: el numero de bombas en uso es el mismo en ambas
estaciones, el evento B: el numero de bombas en uso es mximo dos en cada
estacin,eleventoC:elnumerototaldebombasenusoenambasestacioneses
cuatro.
c.-DefinaAB,BC

5.- El siguiente diagrama de Venn contiene tres eventos. Reproduzca la figura y

sombreelareginquecorrespondeacadaunodelossiguienteseventos:

25
a. A
b. B A
c. C B A ) (
d. ) ( C B
e. C B A ) (

6.- Una mujer es portadora de hemofilia clsica. Esto significa que, aunque la
mujer no tenga hemofilia, puede transmitir la enfermedad a sus hijos. Ella tiene
treshijos.Describaelespaciomuestraldeesteexperimento.

7.- En una encuesta realizada entre 200 inversionistas activos, se hall que 120
utilizan corredores por comisin, 126 usan corredores de tiempo completo y 64
empleanambostiposdecorredores.Determineelnmerodeinversionistastales
que:

a.Utilizanalmenosuntipodecorredor.
b.Utilizanexactamenteuntipodecorredor.
c.Utilizanslocorredoresporcomisin.
d.Noutilizancorredores.

Represente con un diagrama de Venn este espacio muestral y los eventos

relacionados.Indiqueelnmeroderesultadosencadaregindeldiagrama.

8.- La tabla siguiente presenta un resumen de las caractersticas solicitadas en

100rdenesdecompradecomputadores.

Memoriaadicional
No Si
Procesadoropcional
dealtavelocidad
No 75 7
Si 10 8

Sean:
A: evento donde la orden de compra es solicitada sin memoria adicional y sin
procesadoropcionaldealtavelocidad.
B:eventodondelaordendecompraessolicitadasinmemoriaadicional.

Determineelnmerodemuestrasen B A , B y B A .Dibujeundiagramade
Vennquerepresenteestosdatos.

9.-Selepidia110comerciantesquedijeranquetipodeprogramadetelevisin
preferan.Latablamuestra las respuestas clasificadas a la vez segn el nivel de
estudiosdeloscomerciantesysegneltipodeprogramapreferido.
26

TipodePrograma
Niveldeestudios
Colegio
(A)
Universidad
(B)
Postgrado
(C)
Total
Deportes(D) 15 8 7 30
Noticias(N) 3 27 10 40
Drama(M) 5 5 15 25
Comedia(W) 10 3 2 15
Total 33 43 34 110

Especifique el numero de elementos en cada uno de los siguientes eventos y

defnalosconpalabras:
a)D,
b)AM
c)W`
d)CN
e)DB
f)(MA)

27
CAPITULO2

TCNICASDECONTEO

Enelclculodelasprobabilidadessedebepoderdeterminarelnmerodeveces
que ocurre un evento o suceso determinado. Es muchas situaciones de
importanciaprcticaesimposiblecontarfsicamenteelnumerodeocurrenciasde
uneventooenumrelosunoaunosevuelveunprocedimientoengorroso.Cuando
se estafrente aestasituacinesmuy til disponer de un mtodo corto, rpido y
eficazparacontar.

Acontinuacinsepresentanalgunasdeestastcnicas,denominadastcnicasde
conteo o anlisis combinatorio, entre las cuales se tienen: el principio
fundamental del conteo, permutaciones, variaciones, combinaciones, la regla del
exponenteyeldiagramaderbol.

2.1PRINCIPIOFUNDAMENTALDELCONTEO

En la teora fundamental del conteo se tienen dos principios bsicos, que son la
baseparadesarrollarotros conceptos como permutaciones y combinaciones que
severnmsadelante.

2.1.1Principiodemultiplicacinomultiplicativo

Algunos problemas de probabilidad pueden resolverse aplicando este principio.

Suponga que una persona desea preparar un almuerzo para sus amigos y tiene
dos recetas para la sopa, tres para el plato principal y dos para el postre. De
cuntas maneras puede el anfitrin hacer su men? En la figura 5 se sealan
todaslasmanerasposiblesparaprepararelalmuerzo.

Figura2.5
Diagramadelasposiblesopcionesparaprepararunmen

Lasalternativasquetendrson:
{1,3,6} {1,3,7} {1,4,6} {1,4,7} {1,5,6} {1,5,7}
{2,3,6} {2,3,7} {2,4,6} {2,4,7} {2,5,6} {2,5,7}
Sopa
Plato
principal
Postre
1
2
3
4
5
6
7
28

En total se tienen 12 maneras diferentes de preparar un delicioso almuerzo.

Aplicandoelprincipiodemultiplicacinsetiene:

2x3x2=12

Generalizando, si un evento determinado puede realizarse de n

1
maneras
diferentes,ysiunsegundoeventopuederealizarseden
2
manerasdiferentes,ysi,
adems, un tercer evento puede realizarse de n
3
maneras diferentes y as
sucesivamente, y si al mismo tiempo cada evento es independiente del otro,
entonceselnmerodemanerasenqueloseventospuedenrealizarseenelorden
indicadoeselproducto:

...
3 2 1
n n n

2.1.2Principioaditivo

Este principio tiene las mismas premisas del principio multiplicativo, pero con la
condicin no de que los eventos sean independientes sino de que sean
mutuamente excluyentes, es decir que cada uno ocurra sin la necesidad de que
otrolohaga.Elnmerototaldemanerasenlasquepuedenrealizarseloseventos
eslaadicin:

...
3 2 1
+ + + n n n

Suponga,ahora,quelapersonaquepreparaelmenparasusamigospreparar
pescado como plato principal. Para preparar el pescado, l encuentra cinco
maneras diferentes de hacerlo al horno, dos para hacerlo frito y tres para
prepararlococido.Decuntasmanerasdiferentespuedecocinarsupescado?

Cadaunadelasmanerasdeprepararelpescadoesexcluyentedelasotrasdos.
Esdecir,sielcocinerodecideprepararelpescadococido,yanopodrprepararlo
ni fritoni al horno; deigual manera sucedesi decide hacerlo al horno ofrito. As
que en total, y de acuerdo con el principio aditivo, slo hay 5+2+3=10 maneras
diferentesdecocinarelpescado.

Figura2.6
Esquemadeinterpretacindelosprincipiosmultiplicativoyaditivo

n
1
n
2
n
3
...
Principio
multiplicativo
n
1

n
2

n
3

.
.
.

Principioaditivo
29
El esquema de la figura 1.6 ilustra una interpretacin sencilla de ambos
principios
4
.Msadelantesedesarrollanlosconceptosdeeventosindependientes
yeventosmutuamenteexcluyentes,peroyainiciaunprimeracercamientoaellos.

2.2FACTORIALDEUNNMERO

En el anlisis combinatorio interviene con mucha frecuencia el concepto de

factorialdeunenterononegativon.Estesedenotaporelsmbolon!ysedefine
comoelproductodenportodoslosenterosqueleprecedenhastallegaraluno.

Simblicamentequedaexpresadocomo:

( )( ) 1 1 2 1 = n n- n- n n!

Laexcepcineselcasode0!Elcualconvienedefinirlocomoiguala1conobjeto
de preservar la validez de las frmulas en casos extremos. Muchas calculadoras
traenunateclafactorial,verifiquequelasuyalatengaypractique.

EJEMPLO2.7

Calcule:
a. 720 1 2 3 4 5 6 ! 6 = =
b. 000 . 368 . 674 . 307 ' 1 1 2 3 ... 13 14 15 ! 15 = =
c. 121 ) 1 2 3 4 5 ( ) 1 ( ! 5 ! 0 = + = +
d. 156 12 13
! 11
! 11 12 13
! 11
! 13
156 12 13
1 2 3 ... 9 10 11
1 2 3 ... 11 12 13
! 11
! 13
= =

= = =


=
e.
720
1
8 9 10
1
! 7 8 9 10
! 7
! 10
! 7
1 2 3 ... 9 10
1 2 3 4 5 6 7
! 10
! 7
=

=

=


=

2.3PERMUTACIONESYVARIACIONES

Considere un conjunto de elementos { } c b a S , , = . Una permutacin de los

elementosesunacomodouORDENAMIENTOdeellos.As:

abc acb bac bca cab cba

4
Modificado de Probabilidad y estadstica para ingeniera y ciencias, Gabriel Velasco S. y Piotr
MarianWisniewski.ThomsonLearning.Mxico.2001
30
son las permutaciones de los elementos del conjunto S y son en total 6 posibles
acomodos.Estoes:

6 1 2 3 ! 3 = =

El nmero de permutaciones (acomodos u ordenaciones) de n elementos

distintos,tomadostodosdeunavez,sedenotaporn!

Unaordenacindeunnmerordeelementosdelconjuntodenelementos, n r ,
es denominada variacin. Son permutaciones en las que implica un orden en la
colocacin de los elementos, tomando nicamente una parte de los elementos.
Unavariacinpuedeconstruirseseleccionandoelelementoquesercolocadoen
laprimeraposicindelarreglodeentrelosnelementos,paraluegoseleccionarel
elemento de la segunda posicin de entre los n-1 elementos restantes, para
seleccionar despus el tercer elemento de entre los n-2 restantes, y as
sucesivamente.Setratapuesdeunapermutacindenelementostomandorala
vez.

Elnmerodepermutacionesdenelementostomadosralavezsedenotacomo
r n
P o
n
r
V ysedefinecomo:

( )( ) ( )
( )! r n
n!
r n ... n n n P P
n
r r n

= + = = 1 2 1

Observequeenelcasoespecialder=n,setiene:

! 1 2 3 )... 2 )( 1 ( n n n n P
n n
= =

En el siguiente ejemplo se har un anlisis bsico y didctico para comprender

fcilmenteelusoadecuadodelaspermutacionesylasvariaciones.

Ejemplo2.7

SupongaquesetienenlasbasesTiamina(T),Adenina(A),Citosina(C)yGuanina
(G). De cuntas maneras diferentes se pueden ordenar estas bases en una
secuenciadelongitud4,sinrepetirningunabase?

Supngasequeenlassiguientescasillasseubicarnlasbases.

31
Enlaprimeracasillasepuedeubicarunadelascuatrobases,cualquieradeellas.
Demodoquesetienen4formasdellenarestacasilla.Independientedelabase
elegida para la primera casilla, quedan tres bases no seleccionadas, pues se ha
aclaradoquenosepuederepetirningunabase.Demodoquelasegundacasilla
podr llenarse de 3 maneras diferentes. La tercera casilla se puede llenar de 2
maneras diferentes. Una vez llenada la tercera casilla, queda una sola base que
deberserubicadaenlacuartacasilla.Demodoqueeltotaldeformasdiferentes
dellenarestascuatrocasillases:

4 3 2 1 = 24 = 4!

Haciendo uso de los conceptos hasta ahora estudiados, se trata de conocer el

nmero de permutaciones de 4 elementos distintos, tomados todos de una vez.
As:
24 1 2 3 4 ! 4 = =

Bien, ahora suponga que se seleccionar una secuencia de 2 elementos, de

cuntasmanerassepuedenordenarestasbases?

Setienenahoralassiguientescasillas:

Enlaprimeracasillasepuedeubicarunadelascuatrobases,cualquieradeellas.
Demodoquesetienen4formasdellenarestacasilla.Independientedelabase
elegidaparalaprimeracasilla,quedantresbasesnoseleccionadas.Demodoque
lasegundacasillapodrllenarsede3manerasdiferentes.As,eltotaldeformas
diferentesdellenarestascuatrocasillases:

4 3 = 12

Se trata de un problema tipo variacin, en donde se pide el nmero de

permutacionesde4elementosdistintostomados2alavez.

( )
( )
12 3 4
2
4
2 4
4
12 3 4 1 2 4 4
2 4 2 4
= = =

= = = + =
!
!
!
!
P P

Cuando uno o varios elementos estn repetidos, el clculo de las permutaciones

vara; en este caso se habla de permutaciones con repeticin. El nmero de
permutacionesdenobjetosdeloscualesn
1
soniguales,n
2
soniguales,,n
r
son
iguales,es:
32

! !... !
!
2 1 r
n n n
n

Ejemplo2.8

CalcularelnmerodeacomodosdistintosdelapalabraCASA.

Para la palabra CASA se tendran un nmero inferior a 24 acomodos distintos.

DebetenerseencuentalarepeticindelaletraA.Debeaplicarse:

12 4 3
! 2
! 4
= =

Compruebeculessonesas12permutacionesposiblesdelapalabraCASA.

Ahorabien,decuntasmanerasdistintassepuedeordenarlapalabraCASAS?

10
2
4 5
! 2 ! 2
! 5
=

Compruebeculessonesas10permutacionesposibles.

2.4COMBINACIONES

Suponga que tiene un conjunto de n elementos. Una combinacin de ellos,

tomadosralavez,esunsubconjuntoderelementosdondeelordennosetiene
encuenta.Elnmerodecombinacionesdenelementostomadosralavez, n r ,
sintenerencuentaelorden,es:

! )! (
!
r r n
n
r
n
C C
n
r r n

=
|
|

\
|
= =

Ejemplo2.9

Sea el conjunto { } d c b a S , , , = , si se desea combinar loscuatro elementos a la

vez,cuntascombinacionessepodrnhacer?
33
Una sola combinacin, ya que al no importar el orden de colocacin da lo
mismocualquieradeellas.Comprubelousandolafrmula.

Si se desean combinar esas cuatro letrasen subconjuntos de dos elementos,

cuntascombinacionessepodrnhacer?
Lascombinacionesposiblestomadasdosalavezson:

ab,ac,ad,bc,bd,cd

Observequeelsubconjuntocompuestodeloselementosaybpuedeser{a,b}
o {b, a}, puesenunacombinacin no se tiene en cuenta el orden. El nmero
deposiblescombinacioneses:

6
! 2 )! 2 4 (
! 4
2 4
=

= C

Elusodecombinacionesesmsusualcuandosetratadecontarlasposibilidades
de ordenar un conjunto de elementos independientemente de su colocacin o
posicin.Enelsiguienteejemploseversuusomscomn,endondenoimporta
quin o qu es tomado de primero, o en qu orden especfico es tomado, de un
subconjuntodeelementosdeterminado.

EJEMPLO2.10

Enunaasambleadesociosdeunaimportanteempresadelpas,compuestade7
hombres y 5 mujeres, se acuerda conformar una comisin de verificacin de
actividades comerciales en la regin. Esta comisin debe estar compuesta por 3
hombresy2mujeres.Decuntasmaneraspuedeescogersedichacomisin?

Delos7hombrespuedenseleccionarse3.Estoes:
35
1 2 3
5 6 7
! 3 ! 4
! 7
3
7
3 7
=


=

=
|
|

\
|
= C posibles maneras deseleccionar3hombres deun
conjuntode7.

Delas5mujerespuedenseleccionarse2.Estoes:
10
1 2
4 5
! 2 ! 3
! 5
2
5
2 5
=

=
|
|

\
|
= C posibles maneras de seleccionar 2 mujeres de un
conjuntode5.

Por consiguiente, la comisin puede escogerse de 350 10 35 = maneras

diferentes.
34

En la gran mayora de calculadoras cientficas existe un par de teclas que

simplificanelclculodelaspermutacionesylascombinaciones.Observesiensu
calculadora de trabajo se encuentran dichas teclas. Para las permutaciones la
teclaseexpresacomo
r n
P
r
n
P ) , ( r n P yparalascombinacioneses
r n
C
r
n
C
) , ( r n C .Identifiqueestasteclasensucalculadoraypractique.

2.5REGLADELEXPONENTE

Se trata de un tipo de combinacin o arreglo ordenado en donde siempre hay

reemplazodelelementoquesetoma.

Si se tienen un conjunto de N elementos y se construye con estos elementosun

conjunto de n elementos, con la condicin de que cada vez que se tome un
elemento del conjunto de N elementos este sea nuevamente reemplazado,
entonceselnmerodeposiblesarreglosoacomodosdelconjuntodenelementos
es:

n
N

El siguiente ejemplo explica de una manera didctica el clculo del nmero de

posiblesarregloshaciendousodelaregladelexponente.

Ejemplo2.11

Cuntoscasosposiblesexistenallanzarunamonedaen5lanzamientos?

En el lanzamiento de una moneda se tienen dos posibilidades: cara o sello. El

nmerodecasosposiblesestardadoporelnmerodeposibilidades(2,eneste
caso)conexponenteigualalnmerodelanzamientos:
Enunlanzamiento:
2 2
1
=
casosposibles
Endoslanzamientos:
4 2
2
=
casosposibles
Entreslanzamientos:
8 2
3
=
casosposibles

Demodoque,paracincolanzamientos,hay 32 2
5
= casosposibles

35
E EJ JE ER RC CI IC CI IO OS SC CA AP P T TU UL LO O2 2. .

1.-SupongaqueunapersonaqueviveenelmunicipiodeBello(Antioquia)trabajaenel
centro de la ciudad de Medelln. Para llegar a su sitio de trabajo, este tiene tres rutas
distintas para llegar a la Autopista y de all puede tomar otras tres rutas para llegar al
centro de la ciudad. En el centro, puede tomar cuatro rutas para llegar al parqueadero
mscercanoasuoficina.Decuntasmanerasorutasdistintaspodratomarlapersona
parallegardelacasaalparqueaderomsprximoasuoficina?

2.- En un restaurante en el centro de la ciudad ofrecen almuerzos ejecutivos con las

siguientes opciones: tres tipos diferentes de sopa, cuatro tipos de carne con la bandeja,
cuatrobebidasaescogerydostiposdepostre.Decuntasmaneraspuedeuncomensal
elegir su men que consista de una sopa, una carne para su bandeja, una bebida y un
postre?

3.- Si un futbolista conoce 7 jugadas diferentes y si el entrenador le instruye para que

jueguelas7sinqueningunaserepita,qulibertadlequedaaesejugador?

4.-Cuntas permutaciones pueden efectuarse con el conjunto S={a,b,c,d}? Describa

cadaunadelaspermutacionesposibles.

5.- Cuntas permutaciones distintas pueden formarse con las letras de la palabra
PROBABILIDAD?

6.- Dados los siguientes seis nmeros: 2, 3, 5, 6, 7, 9; y si no se permiten repeticiones,

resuelva:
Cuntosnmerosdetresdgitossepuedenformarconestosseisdgitos?
Cuntosdeestossonmenoresde400?
Cuntossonpares?
Cuntossonimpares?
Cuntossonmltiplosdecinco?

7.- Una tarjeta de circuito impreso tiene ocho posiciones diferentes en las que puede
colocarse un componente. Si se van a colocar cuatro componentes distintos sobre la
tarjeta,culeselnmerodediseosdiferentesposible?

8.-Enunapizzeraseanunciaqueofrecenmsde500variedadesdistintasdepizza.Un
cliente puede ordenar una pizza con una combinacin de uno o ms de los siguientes
nueve ingredientes: jamn, championes, pia, pimentn, salchicha, cebolla, peperoni,
salamiyaceitunas.Esciertoloqueafirmasupublicidad?

9.- El itinerario de un recorrido turstico por Europa incluye cuatro sitios de visita que
debenseleccionarseentrediezciudades.Encuntasformasdiferentespuedeplanearse
esterecorridosi:
Esimportanteelordendelasvisitas?
Noimportaelordendelasvisitas?

10.-ElmuyconocidoBALOTOelectrnicoesunjuegodeazarqueconsisteenacertaren
6nmerosde45posiblesparaganarelpremiomayor.Calculecuntosboletosdejuego
36
debe usted comprar para asegurar que tendr el boleto ganador. La empresa del
BALOTOaseguratambinqueustedpuedeganarunmontodeterminadosiacierta3,4o
5 veces, calcule tambin cuntos boletos debe comprar para asegurar 3, 4 y 5 aciertos.
TodavacreeenelBALOTO?

11.-Enunasaladeesperaseencuentran5personas:3hombresy2mujeres.
Decuntasmaneraspuedensentarseenunafila?
Decuntasmaneraspuedensentarseenfilasiloshombressesientanjuntosylas
mujerestambin?
De cuntas maneras pueden sentarse en fila si justamente las mujeres se sientan
juntas?
Decuntasmaneraspuedensentarseenunamesaredonda?

12.- En una urna se tienen 10 bolitas: 5 rojas, 3 blancas y 2 azules. Si se toman 3 con
reemplazo, de cuntas maneras se pueden sacar las tres bolitas de modo que todas
seandelmismocolor?

13.- Una prueba de opcin mltiple consta de 15 preguntas y cada una tiene tres
alternativas, de las cuales slo debe marcar una. En cuntas formas diferentes puede
marcarunestudiantesurespuestaaestaspreguntas?

14.-CuntasplacasvehicularessepuedenelaborarenColombia?Recuerdequestas
constandetresletrasdelalfabetoytresdgitos.Tome26letrasdelalfabeto.

15.-Cuantasformashaydeseleccionar3candidatosdeuntotalde8recinegresadosy
conlasmismascapacidadesparaocuparvacantesenunaempresa?

16.-EnunestudiorealizadoenCalifornia,seconcluyoquealseguir7reglassencillasde
saludlavidadeunhombrepuedealargarse,enpromedio11aos.Las7reglassonno
fumar, hacer ejercicio regularmente, tomar alcohol solo en forma moderada, dormir 7
horas,conservarunpesoapropiado,desayunarynocomerentrealimentos.Encuantas
formaspuedeunapersonaadoptar5deestasreglas,a)siactualmentelasviolatodas;b)
Sinuncatomabebidasalcohlicasysiempredesayuna.

17.-UnTestigodeunaccidentedetrnsitoenelqueelcausantehuyleindicaalpolica
queelnumerodematriculatenialasletrasRHLseguidaportresdgitoselprimerodelos
cualeseracinco,eltestigonopuederecordarlosotrosdosperoestaseguroquelostres
nmeroserandiferentes,encuentreelnumeromximoderegistrosquedebe verificarla
polica

18.- Seis alumnos de ltimo ao de bachillerato participan en un concurso de ensayo

literario. No puede haber empates. Cuntos resultados diferentes son posibles?
Cuntosgruposdeprimero,segundoytercerpuestopuedehaber?

19.- Un psiclogo tiene 14 pacientes entre los cuales debe seleccionar nueve para un
experimentoengrupo.Cuntosgruposdenuevesepuedehacer?

37
CAPITULOTRES
PROPIEDADESBSICASDELASPROBABILIDADES.
En la vida cotidiana nos hemos acostumbrado a hacer y a or afirmaciones que llevan
implcito el concepto de probabilidades: los pronsticos meteorolgicos nos sealan las
probabilidades de lluvia; los mdicos nos dicen que probabilidad hay de que nuestras
enfermedades se curen por medio de determinados tratamientos; los consejeros
escolares, en el colegio, especulan sobre nuestras posibilidades de xito en la
universidad,losencuestadorespolticosnosdicenqueoportunidadtienedeganarenlas
eleccionesnuestrocandidatofavorito.

En forma muy simple se puede definir la probabilidad como un nmero de 0 a 1, que le

asignamosasucesoparaindicarsuposibilidaddeocurrir.Lasprobabilidadesseexpresan
como fracciones o como decimales que estn entre uno y cero o tambin en valor
porcentual entre 0 y 100. Tener una probabilidad de cero significa que algo nuca va a
suceder; una probabilidad de uno indica que algo va a suceder siempre. Casi todo el
mundo estar de acuerdo en que si se lanza un apelota al aire la probabilidad de que
vuelvaacaeres1.Porelcontrario,laprobabilidaddequeunapersonapuedasobrevivir
enelplanetaMercuriosinningunaclasedeproteccines0.

Enelpresentecaptuloseexaminarnlasdiferentesinterpretacionesquesetienendela
probabilidad: la clsica, la de frecuencias relativas y la subjetiva o a priori. Las dos
primeras son muy similares por cuanto se basan en la repeticin de experimentos
realizados bajo las mismas condiciones; mientras que la tercera representa una medida
delgradodecreenciaconrespectoaunaproposicin.

Despusdedefinidalaprobabilidaddeunevento,severacontinuacinlosaxiomasque
deben satisfacer las probabilidades de cualquier experimento aleatorio. Posteriormente,
se tratarn lasreglas de adicin y de multiplicacin para probabilidades,apoyadas en la
teora de conjuntos, dedonde se derivan conceptos como la probabilidad condicional, la
independenciadeeventosyelTeoremadeBayes.

3.1.-INTERPRETACIONESDELAPROBABILIDAD

Existentresdiferentesformasdedefinirlaprobabilidaddeunevento.Cadaunadeestas
formasdeinterpretacintienesulugarenelestudiodelaProbabilidadyningunadeellas
porseparadocubrecompletamentetodosloscasos.

Antes de iniciar con estas definiciones, se hace importante acordar una notacin quese
seguir a lo largo del texto, y que usted encontrar comnmente en otros textos
acadmicos relacionados con la probabilidad. Los eventos sern enunciados en letras
maysculas as: A, B, C,; la letra mayscula P denotar una probabilidad y P(A)
indicar,entonces,laprobabilidaddequeocurraeleventoA.

38
3.1.1.-DEFINICINCLSICADEPROBABILIDADOAPRIORI

Cuandounexperimentoaleatoriotienenresultados,ytodosellosconigualposibilidadde
ocurrencia, entonces se emplea el mtodo clsico de la probabilidad para estimar la
posibilidad de ocurrencia de cada uno de ellos. Le corresponde pues, a cada resultado,
unaprobabilidadiguala1/n.

Considere, por ejemplo, un dado de 6 caras, cul es la probabilidad de que caiga el

nmero5despusdeunlanzamiento?Undadobalanceado(estoes,norecargado)tiene
6resultadosposibles:1,2,3,4,5,6.Laprobabilidaddequecaigaelnmero5esiguala
laprobabilidadquetienecualquierotrodelosvalores,yestaesiguala1/6.

Resumiendo, la probabilidad de que ocurra un evento A cualquiera, que tiene la misma

posibilidad de ocurrencia que cualquier otro evento dentro del espacio muestral de
tamaon,sedefinecomo:

n
A P
1
) ( =

Esteplanteamientodelaprobabilidadtieneseriosproblemascuandointentamosaplicarlo
a los problemas de toma de decisiones menos previsibles. El planteamiento clsico
supone un mundo que no existe, supone que no existen situaciones que son bastante
improbables pero que podemos concebir como reales. La probabilidad clsica supone
tambinunaespeciedesimetraenelmundo.

3.1.2.- DEFINICIN DE PROBABILIDAD SEGN EL CONCEPTO DE FRECUENCIA

RELATIVAOPROBABILIDADFRECUENTISTA
En el siglo XIX, los estadsticos britnicos, interesados en la fundamentacin terica del
clculo del riesgo de prdidas en las plizas de seguros de vida y comerciales,
empezaron a recoger datos sobre nacimientos y defunciones. En la actualidad, a este
planteamiento se le llama frecuencia relativa de presentacin de un evento y define la
probabilidadcomo:

La frecuencia relativa observada de un evento durante un gran nmero de

intentos,o
La fraccin de veces que un evento se presenta a la larga, cuando las
condicionessonestables.

Este mtodo utiliza la frecuencia relativa de las presentaciones pasadas de un evento

comounaprobabilidad.Determinamosqutanfrecuentehasucedidoalgoenelpasadoy
usamosesacifraparapredecirlaprobabilidaddequesucedadenuevoenelfuturo.

Un experimento aleatorio se caracteriza porque repetido muchas veces y en idnticas

condicioneselcocienteentreelnmerodevecesqueapareceunresultado(suceso)yel
nmero total de veces que se realiza el experimento tiende a un nmero fijo. Esta
propiedad es conocida como ley de los grandes nmeros, establecida por Jacob
39
Bernouilli. Tiene el inconveniente de variar la sucesin de las frecuencias relativas de
unasseriesderealizacionesaotras,sibienelvaloralqueseaproximanamedidaqueel
nmeroderealizacionesaumentasemantieneestable.

LafrecuenciarelativadelsucesoA:

Cuandoutilizamoselplanteamientodefrecuenciarelativaparaestablecerprobabilidades,
el nmero que obtenemos como probabilidad adquirir mayor precisin a medida que
aumentan las observaciones. Una dificultad presente con este planteamiento es que la
genteloutilizaamenudosinevaluarelnmerosuficientederesultados.

ParaunespaciomuestraldetamaonyparauneventocualquieraAconfrecuenciaf,se
tienequesuprobabilidaddeocurrenciaes:

n
f
A P = ) (

EJEMPLO3.12

Enunaurnasetienen9bolitasdediferentescolores:4blancas,3grisesy2negras.Sise
seleccionadelaurnaunabolita,sean:

B:Eventoparaelcuallabolitaseleccionadaesblanca.
G:Eventoparaelcuallabolitaseleccionadaesgris.
N:Eventoparaelcuallabolitaseleccionadaesnegra.

Determinarlaprobabilidaddeocurrenciadecadaevento.

Tamaodelamuestra: 9 = n
FrecuenciadeB: 4 =
B
f
FrecuenciadeG: 3 =
G
f
FrecuenciadeN: 2 =
N
f
% 2 . 22 22 . 0
9
2
) (
% 3 . 33 33 . 0
9
3
) (
% 4 . 44 44 . 0
9
4
) (
= = = =
= = = =
= = = =
n
f
N P
n
f
G P
n
f
B P
N
G
B

40
Intuitivamente, se puede pensar que la probabilidad de ocurrencia de un evento est
asociada a la cantidad de veces en que se repite un procedimiento o fenmeno. Por
ejemplo, en un tpico experimento aleatorio como lanzar una moneda, se tienen dos
resultadosprobables:caraosello.Ambosresultadossonigualmenteprobables(siempre
y cuando la moneda no est recargada). Pero perfectamente en un experimento con 10
lanzamientosdelamoneda,sepodratenerunresultadocomo8carasy2sellos.Estees
un resultado normal. Sin embargo, si el experimento fuera de 100 lanzamientos, sera
muy extrao encontrar un resultado como 80 caras y 20 sellos; o bien, con 1000
lanzamientos 800 caras y 200 sellos. Entonces, no se puede garantizar cul ser el
resultadoenunlanzamiento,opocoslanzamientos,perosepuedeverqueconunagran
cantidaddelanzamientoslosresultadosdequelamonedacaigacarasernmuysimilares
alnmerodevecesparasello.

Con lo anterior, puede concluirse que al calcular probabilidades con el mtodo de

frecuencias relativas, se obtiene un estimado y no un valor exacto. Conforme el nmero
deobservacionesseincrementa,losestimadoscorrespondientestiendenaacercarseala
probabilidadreal.Estapropiedadesconocidacomnmentecomolaleydelosgrandes
nmeros.

3.1.1.-PROBABILIDADESSUBJETIVAS.

Las probabilidades subjetivas estn basadas en las creencias de las personas que
efectanlaestimacindeprobabilidad.Laprobabilidadsubjetivasepuededefinircomola
probabilidadasignadaauneventoporpartedeunindividuo,basadaenlaevidenciaque
setengadisponible.Esaevidenciapuedepresentarseenformadefrecuenciarelativade
presentacin de eventos pasados o puede tratarse simplemente de una creencia
meditada.

Las valoraciones subjetivas de la probabilidad permiten una ms amplia flexibilidad que

losotrosdosplanteamientos.Lostomadoresdedecisionespuedehacerusodecualquier
evidencia que tengan a mano y mezclarlas con los sentimientos personales sobre la
situacin.Lasasignacionesdeprobabilidadsubjetivasedanconmsfrecuenciacuando
loseventossepresentanslounavezounnmeromuyreducidodeveces.

Por ejemplo, una mujer en embarazo asegura que el beb que tendr ser varn por la
cantidad de pataditas recibidas en el vientre, mientras que su cuada le refuta este
argumento, pues afirma que la forma de su barriga le asegura que tendr una nia.
Ambas mujeres parten de una experiencia o una prctica personal para atreverse a
asegurar el sexo del ser que viene en camino. Sin embargo, la probabilidad de que sea
nioesigualalaprobabilidaddequeseania,yesoesiguala0.5(50%).

Otro ejemplo comn es el de las predicciones meteorolgicas, en las que el cientfico

debe usar su conocimiento experto de las condiciones del tiempo para desarrollar un
estimado de la probabilidad de buen o mal tiempo. Como casi todas las decisiones
socialesyadministrativasdealtonivelserefierenasituacionesespecficasynicas,los
responsablesdetomardecisioneshacenunusoconsiderabledelaprobabilidadsubjetiva.

41
Se trata pues de una conjetura entrenada, basada siempre en la prctica, en la
comprensin de fenmenos similares o en las circunstancias que rodea al evento, y no
comopresuncioneslanzadassinunconocimientodelascausasocomocorazonadas.

Este mtodo es usado, por ejemplo, cuando un mdico estima la probabilidad de

recuperacin para un enfermo grave o tambin cuando un ingeniero estima rpida y
subjetivamentelaresistenciadeunpuentealpasodeunacargasuperioralaestablecida
enlosdiseos.

Es importante entender que el mtodo de la probabilidad a priori o subjetiva no debe

menospreciarse frente a los otros mtodos (frecuencia relativa y clsica), ya que es
frecuente no tener registros del comportamiento de cierta variable para determinar una
probabilidadrelacionada,puessimplementenoesposiblerepetirelexperimento.

Por ejemplo, las aseguradoras no pueden darse el lujo de repetir el ensayo del dao de
un carro, del robo de una valiosa obra de arte, del secuestro de una persona o del
accidente de un avin. stas solo pueden basarse en experiencias adquiridas para
estimarsuprobabilidaddeocurrenciayasdeterminarelcostodelseguroqueofrece.De
la misma manera, no se podra determinar la probabilidad de que una ciudad sea
bombardeadapormeteoritos,porquesimplementenohayregistroshistricosparahacer
unaestimacin.Slosepuedehacerunestimadosubjetivo.

EJEMPLO3.13

Suponga que usted es un astrnomo que quiere determinar la probabilidad de que un

granasteroidedestruyaelplanetaTierra.Qumtodousaraparaesteclculo?

Observequenopuedeusarseelmtodoclsico,porquelosresultadosposiblesnotienen
lamismaposibilidaddeocurrir.
Tampoco se aplica el mtodo de las frecuencias relativas, ya que es imposible realizar
ensayosynohaydatoshistricosdeunadestruccindeesetipo.
Slopuedeaplicarseelmtododelaprobabilidadsubjetivaapoyndose,porejemplo,en
el nmero de asteroides reportados con un tamao suficiente y tan cercanos a nuestro
planeta como para destruirlo, tambin en el conocimiento de las rbitas de estos
asteroides.
Los astrnomos desarrollaron la probabilidad subjetiva de que el planeta Tierra fuera
destruidoporunacolisinconunasteroideenalgnmomentoenlosprximos100aos:
laprobabilidadesaproximadamentede1/5000.

3.2.Axiomasdeprobabilidad

Conocida ahora la probabilidad de un evento, se pueden reunir ciertas caractersticas

conocidas como axiomas de probabilidad que satisfacen la probabilidad de cualquier
experimentoaleatorio.Estosaxiomasnodeterminanlasprobabilidades,loquehacenes
facilitar el clculo de las probabilidades de algunos eventos a partir del conocimiento de
lasprobabilidadesdeotros.
42

Entendiendolaprobabilidaddecualquiereventocomounnmeroentre0y1,ella
satisfacelassiguientespropiedades:

Si S es el espacio muestral y A es cualquier evento del experimento aleatorio,

entonces:

1. 1 ) ( = S P

2. 1 ) ( 0 A P

Estosaxiomasimplicanlossiguientesresultados.

Laprobabilidaddeuneventoimposiblees0P()=0.
Laprobabilidaddequeuneventoocurraconcertezaes1.
ParacualquiereventoA, ) ( 1 ) ( A P A P = .
SieleventoA
1
estcontenidoeneleventoA
2
,entonces: ) ( ) (
2 1
A P A P

Laprobabilidaddeuneventocompuesto,generadoalaplicarlasoperacionesbsicasde
los conjuntos a los eventos individuales que lo componen (unin, interseccin y
complementodeeventos),sepuedeobtenerapartirdelasprobabilidadesdeloseventos
individuales.Enestoscasos,lasoperacionesbsicasdelosconjuntostambinsontiles
paradeterminarlaprobabilidaddeuneventocompuesto

3.2.1.REGLADELAADICIN

a.-Regladelaadicinparaeventosmutuamenteexcluyentes.

A menudo, estamos interesados en la probabilidad de que una cosa u otra suceda; es

decir nos interesa la probabilidad de la unin de dos eventos. Si estos dos eventos son
mutuamente excluyentes, podemos expresar esta probabilidad haciendo uso de la regla
deadicinparaeventosmutuamenteexcluyentes:

P(AB)=P(A)+P(B)

Existeuncasoespecial,paracualquiereventoA,tenemosquestesucedeonosucede.
DemodoqueloseventosAyAsonmutuamenteexcluyentesyexhaustivos:

P(A)+P(A)=1

P(A)=1-P(A)

b.-Regladeadicinparaeventosquenosonmutuamenteexcluyentes.

Si dos eventos no son mutuamente excluyentes, es posible que ambos se presenten al

mismo tiempo. En tales casos, debemos modificar la regla de la adicin para evitar el
conteodoble:
43

P(AB)=P(A)+P(B)-P(AB)

Elsiguientediagramadeflujo
5
,resumelasreglasdeadicinparaelclculodela
probabilidaddedoseventosdadosAyB.

Figura3.7
Diagramadeflujodelaregladeadicin

EJEMPLO3.14:

Lassiguientessonlascaractersticasdelasorqudeasdeunvivero:

Tamaodeptalo
Grande Pequeo
Color
Lila 40 4
Blanca 2 3

SeaeleventoA:laorqudeaesdeptalogrande.Entonces:

49 42 ) ( = A P

YseaeleventoB:laorqudeaesdecolorlila.Entonces:

49 44 ) ( = B P

Deotrolado, ) ( B A P eslaprobabilidaddequelaorqudeaseadeptalograndeyal
mismotiempodecolorlila.Entonces:

49 40 ) ( = B A P

5
ModificadodeProbabilidadyestadstica,MarioF.Triola.Novenaedicin.Pearson&Addison
Wesley.Mxico.2004.
) ( B A P
= B A ?
) ( ) ( ) ( B P A P B A P + =
) ( ) ( ) ( ) ( B A P B P A P B A P + =
Si
No
44
Elevento B A esaqueldondelaorqudeaesdetamaodeptalograndeodecolorlila
o ambos. La tabla indica rpidamente, al igual que su diagrama de Venn, el valor de
49 6 4 ) ( = B A P .

Laotramaneradecalcularloes:

49 6 4 ) (
49 40 49 44 49 42 ) (
) ( ) ( ) ( ) (
=
+ =
+ =
B A P
B A P
B A P B P A P B A P

SeaeleventoEdondelaorqudeanoesdeptalograndeytampocoesdecolorlila.La
tablatambinindicaelvalorde 49 3 ) ( = E P

Otra alternativa para el clculo de ) (E P , es hacer uso adecuado de operaciones entre

conjuntos.Setieneque:

) ( = B A E
Portanto,
49 3 49 6 4 1 ) ( 1 ) ( = = = B A P E P

3.2.2REGLASDEMULTIPLICACIN

En el tema anterior se present la regla de la adicin para calcular

) ( B A P
. En esta
seccin se desarrollar una regla para determinar
) ( B A P
, esto es, la probabilidad de
que el evento A ocurra en un primer experimento y el evento B ocurra en un segundo
experimento.

a.-Probabilidadesbajocondicionesdeindependenciaestadstica.

Cuando se presentan dos eventos, el resultado del primero puede tener un efecto en el
resultadodelsegundo,opuedenotenerlo.Estoes,loseventospuedenserdependientes
o independientes. Existen tres tipos de probabilidades que se presentan bajo
independenciaestadstica:

Marginal.
Conjunta.
Condicional.

Probabilidadesmarginalesbajoindependenciaestadstica.

Una probabilidad marginal o incondicional es la probabilidad simple de

presentacindeunevento.

Probabilidadesconjuntasbajocondicionesdeindependenciaestadstica.

45
La probabilidad de dos o ms eventos independientes que se presentan juntos o en
sucesineselproductodesusprobabilidadesmarginales:

P(A B)=P(A)XP(B)

Probabilidadescondicionalesbajoindependenciaestadstica.

Simblicamente,laprobabilidadcondicionalseescribeP(B/A)yselee"laprobabilidadde
que se presente el evento B, dado que el evento A se ha presentado". La probabilidad
condicional es la probabilidad de que un segundo evento (B) se presente, si un primer
evento(A)yahasucedido.

Paraeventosestadsticamenteindependientes,laprobabilidadcondicionaldequesuceda
el evento B dado que el evento A se ha presentado, es simplemente la probabilidad del
eventoB:

P(B/A)=P(B)

b.-Probabilidadesbajocondicionesdedependenciaestadstica.

La dependencia estadstica existe cuando la probabilidad de que se presente algn

sucesodependeoseveafectadaporlapresentacindealgnotroevento.Lostiposde
probabilidadbajocondicionesdedependenciaestadsticason:

Condicional.
Conjunta.
Marginal.

Probabilidadcondicionalbajodependenciaestadstica.

P(B/A)=P(BA)/P(A)

Probabilidadesconjuntasbajocondicionesdedependenciaestadstica.

P(B A)=P(B/A)xP(A)

P(B A)=P(A/B)xP(B)

Ejemplo3.1.5
Retomeelejemplodelascaractersticasdelasorqudeasdeunviveroycalculela
probabilidaddequelaorqudeaqueseseleccioneseadecolorliladadoqueseha
tomadounaorqudeadetamaodeptalogrande.

46
Tamaodeptalo
Grande Pequeo
Color
Lila 40 4
Blanca 2 3

Seanloseventos:
A:laorqudeaesdeptalogrande.
B:laorqudeaesdecolorlila.

Sepideentonces:
) (
) (
) (
A P
A B P
A B P

=
49 / 42 ) (
49 / 40 ) (
=
=
A P
A B P

As: % 2 , 95 952 , 0
49 / 42
49 / 40
) ( = = = A B P

Calcule ahora la probabilidad de que la orqudea seleccionada sea de ptalo

grandedadoqueesdecolorlila.
Observequeestaprobabilidadesdiferentealacalculadaarriba,sepide:

% 9 , 90 909 , 0
49 / 44
49 / 40
) (
) (
) (
) ( = = =

= B A P
B P
B A P
B A P

En este caso, ) ( A P y ) ( B A P son las probabilidades del mismo evento (la

orqudea es de ptalo grande) pero calculadas bajo dos diferentes estados de
conocimiento:laprimera,sinlacondicindesucolorylasegunda,condicionadaa
quesucolorsealila.Demanerasimilar, ) (B P y ) ( A B P sonlasprobabilidadesdel
mismoevento(laorqudeaesdecolorlila)calculadasbajodosestadosdiferentes
deconocimiento:sincondicionarsutamaodeptaloparalaprimeraylasegunda
condicionadaaquesutamaodeptaloseagrande.

La regla de la multiplicacin se puede resumir en el siguiente diagramade flujo

6
para el
clculodelaprobabilidaddelainterseccindedoseventosdadosAyB.

6
ModificadodeProbabilidadyestadstica,MarioF.Triola.Novenaedicin.Pearson&Addison
Wesley.Mxico.2004.
47
Figura3.8.
Diagramadeflujodelareglademultiplicacin

RECOMENDACIONESPRCTICAS:
Cuandoseaplicalaregladelaadicindeprobabilidades,determinarpreviamente
siloseventossonexcluyentesono.
Cuando se usa la regla de la multiplicacin, determinar si los eventos son
dependientesoindependientes.
Siempre que sea posible, apoyar la interpretacin del problema mediante el
empleodediagramasdeVenn.
Laprobabilidadesunnmeroquenuncapuedetenervalornegativo,nisermayor
que1.
3.3.PROBABILIDADTOTALYTEOREMADEBAYES.
Lareglademultiplicacinestilparadeterminarlaprobabilidaddeuneventoque
depende deotros.Enesta seccin se verotro modode calcular la probabilidad
deuneventoconsiderandoaestecomoelresultadodelaunindeotroseventos.
Paraestoesnecesariodefinirelconceptodeparticin.

Se llama particin al conjunto de eventos A

i
tales que
n
A A A S = L
2 1
y
=
j i
A A ; es decir un conjunto de eventos mutuamente excluyentes y que
componen todo el espacio muestral S. en general, se dice que una coleccin de
conjuntosA
1
,A
2
,,A
n
esexhaustivasi
n
A A A S = L
2 1
.Lasiguientefigura
presenta el diagrama de Venn que corresponde a la particin de un espacio
muestralSenA
n
eventos.

) ( B A P
SonAyB
independientes?
) ( ) ( ) ( B P A P B A P =
) ( ) ( ) ( A B P A P B A P =
Si
No
48
Figura3.10
DiagramadeVennindicandolaparticindeunespaciomuestral

Para cualquier evento B, ste puede definirse como un evento compuesto de

variossubconjuntosmutuamenteexcluyentes(verfigura3.6.),estoes:

) ( ) ( ) (
2 1 n
A B A B A B B = L

Figura3.11
DiagramadeVenndeuneventoenvariossubconjuntosmutuamenteexcluyentes

La probabilidad total de un evento es la suma exhaustiva de las probabilidades

detodosloscasosmutuamenteexcluyentesqueconducenadichoevento.,Esas
comolaregladeprobabilidadtotalafirma:

) ( ) ( ) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
2 2 1 1
2 1
n n
n
A P A B P A P A B P A P A B P B P
A B A B P A B P B P
+ + + =
+ + + =
L
L

Algunosautoresresumenestadefinicincomounasumatoria,as:

49

=
=
n
i
n n
A P A B P B P
1
) ( ) ( ) (

Laregladeprobabilidadtotalparadoseventossesimplificaconsiderandoqueel
eventoBpuededescribirsecomolaunindelapartedeBqueestenAylaparte
deBqueestenA.Estoes:

) ' ( ) ( A B A B B =

DemaneraqueparacualquierpardeeventosAyB:

) ' ( ) ' ( ) ( ) ( ) ( ) ' ( ) ( ) ( A P A B P A P A B P B P A B P A B P B P + = + =

Ejemplo3.16

Una compaa dedicada al transporte pblico tiene tres lneas enuna ciudad,de
forma que el 60% de los autobuses cubre el servicio de la primera lnea, el 30%
cubre la segunda y el 10% cubre el servicio de la tercera lnea. Se sabe que la
probabilidad de que, diariamente, un autobs se avere es del 2%, 4% y 1%,
respectivamente,paracadalnea.Determinelaprobabilidaddeque,enunda,un
autobssufraunaavera.

Recuerde que el primer paso en el clculo de probabilidades es la adecuada

definicindeloseventosqueintervienen.As,sedefinenlossiguienteseventos:

L1:eventoparaelcualelautobscubreelserviciodelaprimeralnea.
L2:eventoparaelcualelautobscubreelserviciodelasegundalnea.
L3:eventoparaelcualelautobscubreelserviciodelaterceralnea.
A:eventodondeelautobsseavera.

Conesto,seveclaramentequelaprobabilidadpedidaesP(A).Usandolareglade
probabilidadtotal,setiene:

025 , 0 ) (
) 1 , 0 01 , 0 ( ) 3 , 0 04 , 0 ( ) 6 , 0 02 , 0 ( ) (
) 3 ( ) 3 ( ) 2 ( ) 2 ( ) 1 ( ) 1 ( ) (
) 3 ( ) 2 ( ) 1 ( ) (
=
+ + =
+ + =
+ + =
A P
A P
L P L A P L P L A P L P L A P A P
L A P L A P L A P A P

De manera que la probabilidad de que en un da un autobs de la compaa se

avereesdel2,5%.
50
3.3.1TEOREMADEBAYES
En el ao 1763, dos aos despus de la muerte de
Thomas Bayes (1702-1761), se public una memoria
en la que aparece, por vez primera, la determinacin
delaprobabilidaddelascausasapartirdelosefectos
que han podido ser observados. El clculo de dichas
probabilidadesrecibeelnombredeteoremadeBayes.
Sea A
1
, A
2
, ...,A
n
un sistema completo de sucesos,
tales que la probabilidad de cada uno de ellos es
distinta de cero, y sea B un suceso cualquier del que
se conocen las probabilidades condicionales P(B/A
i
).
entonces la probabilidad P(A
i
/B) viene dada por la
expresin:

dondeeldenominadorcorrespondeaencontrarlaProbabilidadTotaldeB.
En los problemas relacionados con la probabilidad, y en particular con la probabilidad
condicionada, as como con la probabilidad total y el teorema de Bayes, es aconsejable
que,conlainformacindelproblema,construyasunatabladecontingenciaoundiagrama
derbol.

EJEMPLO3.17
Tresmquinas,A,ByC,producenel45%,30%y25%,respectivamente,deltotaldelas
piezasproducidasenunafbrica.Losporcentajesdeproduccindefectuosadeestas
mquinassondel3%,4%y5%.
a. Seleccionamosunapiezaalazar;calculalaprobabilidaddequeseadefectuosa.
b. Tomamos,alazar,unapiezayresultaserdefectuosa;calculalaprobabilidadde
habersidoproducidaporlamquinaB.
c. Qumquinatienelamayorprobabilidaddehaberproducidolacitadapieza
defectuosa?
Solucin:
SeaD="lapiezaesdefectuosa"yN="lapiezanoesdefectuosa".Lainformacindel
problemapuedeexpresarseeneldiagramaderboladjunto.
51
a. Paracalcularlaprobabilidaddequelapiezaelegidaseadefectuosa,P(D),porla
propiedaddelaprobabilidadtotal,
P(D)=P(A)P(D/A)+P(B)P(D/B)+P(C)P(D/C)=
=0.450.03+0.300.04+0.250.05=0.038
b. DebemoscalcularP(B/D).PorelteoremadeBayes,

c. CalculamosP(A/D)yP(C/D),comparndolasconelvalordeP(B/D)yacalculado.
AplicandoelteoremadeBayes,obtenemos:

LamquinaconmayorprobabilidaddehaberproducidolapiezadefectuosaesA

EJEMPLO3.18
Tenemostresurnas:Acon3bolasrojasy5negras,Bcon2bolasrojasy1negrayCcon
2bolasrojasy3negras.Escogemosunaurnaalazaryextraemosunabola.Silabolaha
sidoroja,culeslaprobabilidaddehabersidoextradadelaurnaA
Solucin:
LlamamosR="sacarbolaroja"yN="sacarbolanegra".Eneldiagramaderboladjunto
puedenverselasdistintasprobabilidadesdeocurrenciadelossucesosRoNparacada
unadelastresurnas.
52
LaprobabilidadpedidaesP(A/R).UtilizandoelteoremadeBayes,tenemos:

53
EJERCICIOSCAPITULO3

1-SeaP(A)=0.6P(AB)=0.25P(B)=0.7
a.-EncontrarP(B/A)b.-SonAyBindependientes,compruebe?c.-EncontrarP(A)

2.-Seextraeunacartaalazardeunabarajade40cartas.a.-Culeslaprobabilidadde
queseadososeaunsiete?B.-Cualeslaprobabilidaddequeseaorooun6?

3.- Consideremos el lanzamiento de un dado, usted gana si el resultado es impar o

divisiblepordos.culeslaprobabilidaddeganar?

4.- En el curso de estadstica la probabilidad de que los estudiantes tengan computador

esde0.60,laprobabilidaddequetenganautoesde0.25yambascosasesde0.15.Cual
eslaprobabilidaddequeunestudianteescogidoalazartengacomputadoroauto?

5.-Deentre20tanquesdecombustiblefabricadosparaeltransbordadorespacial,tresse
encuentran defectuosos. Si se seleccionan aleatoriamente 4 tanques: a.- cual es la
probabilidaddequeningunodelostanquesseadefectuosob.-Cualeslaprobabilidadde
queunodelostanquestengadefectos.

6.- En la tabla aparecen 1000 estudiantes universitarios clasificados de acuerdo con los
puntajesqueobtuvieronenunexamendeadmisinalauniversidad.Tambinmuestrala
clasificacindeloscolegiosendondesegraduarondebachilleres:

Puntaje
Colegio
Total Inferior(I) Regular(R) Superior(S)
Bajo(B) 100 50 50 200
Medio(M) 75 175 150 400
Alto(A) 25 75 300 400
Total 200 300 500 1000

Calcular la Probabilidad de que un estudiante escogido al azar: a) haya obtenido un

puntajebajoenelexamen.b)Sehayagraduadoenuncolegiodenivelsuperiorc)haya
obtenidounpuntajebajoenelexamenysehayagraduadoenuncolegiodenivelsuperior
d)hayaobtenidounpuntajebajoenelexamendadoquesehayagraduadoenuncolegio
de nivel inferior e) si el estudiante escogido termino en un colegio de grado regular
encontrarlaprobabilidaddequetengaunpuntajealtoenelexamen.

7.- Fabin y Pilar estudian en unmismo curso.La probabilidad dequeFabin no pierda

ningunamateriaesdel85%yladePilaresdel90%.a)Cualeslaprobabilidaddequelos
dos no pierdan ninguna materia. b) Cual es la probabilidad de que Fabin pierda una
materiayPilarninguna.C)Cualeslaprobabilidaddequelosdospierdanunamateria.

8.-Cuatroamigossedirigenaunlugarytoman4rutasdiferentesdeacuerdoalriesgode
tener un accidente. Las probabilidades de riesgo de cada ruta son 0.2, 0.15, 0.25, 0.10
respectivamente.Cualeslaprobabilidaddequeningunosufraunaccidente.

9.-Elconsejeroescolardeuncolegioestimlasprobabilidadesdexitoenlauniversidad
para tres alumnos de ltimo ao en 0.9, 0.8 y 0.7 respectivamente. Cul es la
probabilidaddequelostrestenganxitoenlauniversidad?
54

10.-Unamaquinaqueproduceundeterminadoartculofueadquiridabajolacondicinde
que el 3% de los artculos producidos son defectuosos. Si el proceso se realiza bajo
control, es decir independiente cual es la probabilidad de que a.- dos artculos seguidos
sean defectuosos, b.- dos artculos seguidos no sean defectuosos, c.- el primero sea
defectuosoyelsegundobueno.

11.- La probabilidad de que un doctor diagnostique en forma correcta una determinada

enfermedadesde0.7.Dadoqueeldoctorhaceundiagnosticoincorrecto,laprobabilidad
dequeunpacientepresentaunademandaesde0.9.culeslaprobabilidaddequeel
doctorhagaundiagnosticoincorrectoyelpacientepresenteunademanda?

12.-Enunaempresa,laprobabilidaddequeunempleadoescogidoalazartengamsde
30aosesde0.55.Culeslaprobabilidaddequeunempleadoescogidoalazartenga
30aosomenos?

13.-Enunaciudadgrandeel70%deloshogarescompraunperidicomatutinoyel90%
uno vespertino. Si se supone que los dos eventos son independientes cual es la
probabilidad de que un hogar escogido al azar sea uno de los que compra ambos
peridicos?

14.- Latabla muestra el resultado de 500 entrevistas hechas durante una encuesta. Los
datosseclasificaronsegnelsectordelaciudaddondeseaplicoelcuestionario.

Sector
Resultadodelaentrevista
Total Contesto(C) Nocontesto(N) Noestaba(S)
M 100 5 20 125
N 115 5 5 125
O 50 15 60 125
P 35 40 50 125
Total 300 65 135 500

Siseseleccionauncuestionario.Cualeslaprobabilidaddea)Nosehayacontestadob)
Lapersonanoestabaencasac)elcuestionariosehayacontestadoylapersonavivaen
el sector N d) Dado que la persona viva en el sector O, no haya contestado el
cuestionario e) La persona viva en el sector M Conteste el cuestionario. F) Si la
personanoestabacualeslaprobabilidaddequevivaenelsectorO.

15.-Enelejercicioanterior,elresultadodelaentrevistaesindependientedelsectordela
ciudaddondevivelapersona?Comprobarlarespuesta

16.- El 70% de los estudiantes aprueba una asignatura A y el 60% aprueba otra
asignaturaB.Sabemosadems,queel35%deltotaldelosestudiantesapruebaambas.
Elegidounestudiantealazar,calcularlasprobabilidadesde:
a.-hayaaprobadolaasignaturaBsabiendoquehaaprobadolaA
b.-hayaaprobadolaasignaturaBsabiendoquenohaaprobadolaA
c.-nohayaaprobadolaasignaturaBsabiendoquehaaprobadolaA
d.-nohayaaprobadolaasignaturaBsabiendoquenohaaprobadolaA

55
17.- Los pedidos nuevos de los productos de una compaa varan en valor monetario,
segnelsiguientecuadro

Montoventa 0-1000 1001-

2000
2001-
3000
3001-
4000
4001-
5000

Probabilidad 0.10 0.35 0.25 0.20 0.10

a) cualeslaprobabilidaddequeunnuevopedidoseamayora$2.000
b) cualeslaprobabilidaddequeunnuevopedidoseaigualomenora$2000dado
queelpedidoexcedea$1.000
c) cualeslaprobabilidaddequeunnuevopedidoseamayora$3.000dadoquela
ventaexcedea$2.000

18.-Unacompaaencontrqueel82%delaspersonasseleccionadasparasuprograma
de entrenamiento de vendedores termino el curso. De estos solamente 60% se
convirtieron en vendedores productivos. Si un aspirante nuevo llega al curso cual es la
probabilidaddequetermineelcursoyseconviertaenunvendedorproductivo.

19-Enuncentromdico,losfumadoresquesesospechatenancncerpulmonar,el90%
lo tena, mientras que el 5% de los no fumadores lo padeca. Si la proporcin de
fumadores es del 45% a) Cul es la probabilidad de que un paciente con cncer
seleccionado al azar sea fumador? B) Cual es la probabilidad de que la persona tenga
cncer..

20.- Un investigador de una clnica de especialistas ha descubierto que durante un

periodo de varios aos, el 20% de los pacientes que llegaron a la clnica tenan la
enfermedad D1, el 30% la enfermedad D2, y el 50% la enfermedad D3. El investigador
descubri tambin que un conjunto de sntomas bien definidos al que denomino S, se
encontrabaenun25%delospacientesconlaenfermedadD1,60%delosquetenanla
enfermedadD2,y80%delosquetenanlaenfermedadD3.Elinvestigadorquiereutilizar
esta informacin para hacer rpidamente el diagnostico a los pacientes recin llegados.
SupongamosquehasidoadmitidounpacienteconelconjuntodesntomasS,cualesla
probabilidad de que tenga la enfermedad D3, cual es la probabilidad de que tenga la
enfermedadD1.

21.-Uncientficohadescubiertoenunhospitalparaenfermedadescrnicasqueel15%
delospacientespermanecenenelhospitalmenosde30das,mientrasqueel85%delos
pacientespermanece30dasoms.Tambinhadescubiertoqueel20%delosquese
quedanmenosde30dasyel60%delosquesequedan30dasoms,presentancierto
grupodecaractersticas.Cualeslaprobabilidaddequeunpacientequellegaalhospital
conesascaractersticaspermanezcamenosde30das?.

22.-Aunsospechososeleaplicaunsuerodelaverdadquesesabequeesconfiableen
90% cuando la persona es culpable y en 99% cuando la persona es inocente. En otras
palabrasel10%delosculpablesseconsideraninocentescuandoseusaelsueroyel1%
de los inocentes sejuzgan culpables. Si el sospechoso se escogi de un grupo del cual
solo5%hancometidoalgunavezuncrimenyelsueroindicaquelapersonaesculpable,
cualeslaprobabilidaddequeseainocente?

56
23.-Conlosjugadoresdeunclubdeftbolseformandosequiposparajugarunpartido
deentrenamiento;entrelosdosequiposserenen6defensas,8medios,6delanterosy2
porteros.Elentrenadorsabequeenestospartidos,laprobabilidaddequeselesioneun
jugadores0.22siesdelantero,0.11siesmedio,0.055siesdefensay0siesportero.
a.- Calcular la probabilidad de que se lesione uno cualquiera de los jugadores en este
partido.
b.- Si se sabe que un jugador se ha lesionado, determinar la probabilidad de que haya
sidoundefensa.

23.-Tras un estudio estadstico en una ciudad se observa que el 70% de los motoristas
sonvaronesy,deestos,el60%llevanhabitualmentecasco.Elporcentajedemujeresque
conducenhabitualmenteconcascoesdel40%.Sepide:
a.-Calcularlaprobabilidaddequeunmotoristaelegidoalazarllevecasco.
b.-Seeligeunmotoristaalazaryseobservaquellevacasco.Culeslaprobabilidadde
queseavarn?

24.- Los alumnos de Primero de Biologa tienen que realizar dos pruebas, una terica y
otraprctica.Laprobabilidaddequeunestudianteapruebelapartetericaesde0.6,la
probabilidaddequeapruebelaparteprcticaesde0.8ylaprobabilidaddequeapruebe
ambaspruebases0.5.
a.-Sonindependienteslossucesosaprobarlapartetericaylaparteprctica?
b.-Culeslaprobabilidaddequeunalumnonoapruebeningunodelosdosexmenes?
c.- Cul es la probabilidad de que un alumno apruebe solamente uno de los dos
exmenes?
d.-Se sabe que un alumno aprob la teora. Cul es la probabilidad de que apruebe
tambinlaprctica?

25.-Enunacajahayxbolasblancasy1bolaroja.Alextraerdelacajadosbolasalazar
sin reemplazamiento, la probabilidad de que sean blancas es 1/2. Calcula el nmero de
bolasblancasquedebetenerlacaja.

26.- El 20% de los empleados de una empresa son ingenieros y otro 20% son
economistas. El 75% de los ingenieros ocupan un puesto directivo y el 50% de los
economistastambin,mientrasque de los no ingenieros y no economistas solamente el
20% ocupan un puestodirectivo. Cul es la probabilidad de que un empleado directivo
elegidoalazarseaingeniero?

57
AUTOEVALUACIONUNIDAD1

1.- Una Vendedora tiene 10 productos y los desea exhibir en una feria nacional.
Sin embargo, no puede exhibir sino cuatro. Entre cuantas muestras diferentes
puedeescogersielordenenquevaaexhibirlosproductosnotieneimportancia?

2.- En un depsito hay almacenados 503 equipos de televisin. En la tabla se

hallanclasificadossegnlamarcayelmodelo.

Modelo
Marca
Total
B
1
B
2
B
3

S
1
70 22 50 142
S
2
65 16 40 121
S
3
45 35 30 110
S
4
50 17 60 127
Total 230 90 180 500
Conlosdatos,encontrar:
a)P(B
1
) b)P(B
2
S
4
) c)P(S
1
B
1
)
d) La probabilidad de que un equipo seleccionado aleatoriamente sea de marca
B1,dadoquesumodeloesS
4

e)LaprobabilidaddequeunequiposeleccionadoseademarcaB
1
oB
3

3.- Cinco amigos quedan de reunirse el sbado en la tarde en el restaurante el

sombrerosucedequehaycincorestaurantesenlaciudadconelmismonombrey
no acordaron a cual de ellos iban a ir. Cual es la probabilidad de que los cinco
vayanarestaurantesdiferentes?

4.- En los archivos de una compaa de seguros se han registrado que en los
ltimosaosdeuntotalde949171jvenesde21aos,solo577882llegaronala
edadde65aos.Sitomamosestosdatoscomorepresentativosdelarealidad
a)culeslaprobabilidaddequeunjovende21aosvivaparapensionarsealos
65aos?b)Sienunaciudadpequeahayenlaactualidad2000jvenescuantos
deellossepuedeesperarquesepensionen.

5.- Un seor reemplazo las dos pilas inservibles de su linterna por dos nuevas,
pero se le olvido tirar las pilas usadas a la basura. Su hijo pequeo que estaba
jugandoconlalinterna,sacolaspilasyrevolvilaspilasnuevasconlasusadas.
Sielseorcolocanuevamentepilasasulinternaculeslaprobabilidaddeque
funcione?Porsupuesto,sesuponequelalinternanopuedefuncionarconunapila
nuevayunainservible.

6.- Un seor tena cinco maquinas de afeitar desechables las cuales ya estaban
muyusadas,laspusoenuncajnconlaintencindebotarlasalabasura.Suhijo
pequeonolosabaylasrevolvicontresnuevasquesacodeunpaquete.Siel
58
seor prueba dos maquinas de afeitar una tras otra Cul es la probabilidad de
quelasdosestnusadas?

7.- La probabilidad de que Juan llegue tarde a su cita con Rosy es de 0.3. La
probabilidad de que ambos lleguen tarde es de 0.2. Cul es la probabilidad de
queJuanlaesteesperando?

8.- En un examen de matemticas solo 75% de una clase respondi todas las
preguntas. De aquellos que lo hicieron, 80% aprob, pero de los que no
respondieron todo, slo aprobaron 50%. Si un estudiante paso, Cul es la
probabilidaddequehayarespondidotodaslaspreguntas?

9.- Se ha observado que hombres y mujeres reaccionan diferente a un

medicamento;70%delasmujeresreaccionanbien,mientrasqueelporcentajeen
los hombres es solamente de 40%. Se realizo una prueba a un grupo de 20
personas, 15 mujeres y 5 hombres para analizar sus reacciones. Una respuesta
elegida al azar de las 20 resulto negativa. Cul es la probabilidad de que haya
contestadounhombre?

10.- Ernesto y Lus estn enamorados de Silvia. Si Ernesto le pide que sea su
novia,tiene70%deprobabilidaddequeledigaquesyLuis30%.SiErnestoesel
novio de Silvia hay una probabilidad del 40% de que se casen y si es Luis del
30%.SiSilviasecasCuleslaprobabilidaddequehayasidoconLuis?

RESPUESTAS
AUTOEVALUACINUNIDAD1

1.-210
2.- a)0.46 b)0.025 c)0.605
d)0.4082 e)0.825
3.-0.0384
4.-a)0.609 b)1216
5.-1/6
6.-0.357
7.-0.2857
8.-24/29
9.-0.40
10.-0.756
59

UnidadDos

VARIABLESALEATORIASY
DISTRIBUCIONESDEPROBABILIDAD

60

INTRODUCCINALAUNIDAD

ConlosprincipiosdeProbabilidad,laspropiedadesbsicasyleyes,sedefinenlas
variablesaleatoriasyseestableceladiferenciaentrevariablesaleatoriasdiscretas
ycontinuas,entrminosdesufuncindeprobabilidad,valoresperado,varianzay
desviacinestndarysedesarrollaladesigualdaddeChbyshevqueseaplicaa
cualquiervariablealeatoriadiscretaocontinua.

Posteriormente se inicia el estudio de las distribuciones de probabilidad, es

pertinente comentar que en todo fenmeno, los datos obtenidos tienen un
comportamiento especfico, es as como el anlisis de las distribuciones de
probabilidad permite determinar que distribucin deprobabilidades la pertinente
paraunconjuntodedatos.

Las distribuciones de probabilidad son de tipo discreto y continuo, segn la

variablealeatoriaqueesteencuestin,luegoenesteaparteseestudiarandichas
distribuciones, sus principios, la funcin que la identifica, sus propiedades y los
camposdeaplicacindelasmismas.

Bienvenidos a el mundo de las distribuciones de probabilidad, ser un camino

muy interesante y ameno, por los ejemplos propuestos y las situaciones
analizadas.

61

OBJETIVOGENERAL

Comprender e interiorizar los tipos de distribuciones de probabilidad que existen,

suscaractersticas,susparmetrosyloscamposdeaplicacinquetienendichas
distribuciones.

OBJETIVOSESPECFICOS

Definirvariablealeatoria.

Definirvariablealeatoriadiscretaycontinua.

Definirfuncindeprobabilidaddeunavariablealeatoriadiscreta.

Definirfuncindedensidaddeunavariablealeatoriacontinua.

Obtener probabilidades de eventos haciendo uso de la funcin de

probabilidaddeunavariablealeatoriadiscreta.

Establecer las propiedades de la funcin de distribucin de probabilidad

acumuladadeunavariablealeatoriadiscreta.

Obtener y graficar la funcin de probabilidad acumulada de una variable

aleatoriadiscreta,dadasufuncindeprobabilidad.

Obtener y graficar la funcin de distribucin acumulada de una variable

aleatoriacontinua.

Obtener probabilidades de eventos que involucren variables aleatorias

discretas o continuas, haciendo uso de su funcin de distribucin
acumulada.

Definiryobtenerelvaloresperadodeunavariablealeatoria,tantodiscreta
comocontinua.

Definir y obtener la varianza y la desviacin estndar de una variable

aleatoria,tantodiscretacomocontinua.

62
Aplicar adecuadamente el teorema de Chbyshev para cualquier variable
aleatoriadiscretaocontinua.

Describirlasprincipalescaractersticasypropiedadesdelasdistribuciones
deprobabilidaddiscretaycontinua.

Identificar y diferenciar las distribuciones de probabilidad discretas ms

comunes, como son: distribucin uniforme discreta, binomial, geomtrica,
binomialnegativa,hipergeomtricayPoisson.

Calculareinterpretarparmetrosestadsticos,talescomoMedia,varianzay
desviacin estndar, de las diferentes distribuciones de probabilidad
discretaycontinua.

ReconocercundounexperimentoaleatorioesunensayodeBernoulli.

Identificar y diferenciar las distribuciones de probabilidad continuas ms

comunes,comoson:distribucinuniformecontinua,normal,exponencial.

Estandarizarunavariablealeatoria.

Emplear la distribucin normal para aproximar las probabilidades de una

variablealeatoriabinomialyPoisson.

Interpretar y utilizar correctamente las tablas existentes para cada una de

lasdistribucionesdeprobabilidaddiscretasycontinuas.

63
CAPITULOUNO
VARIABLESALEATORIAS

En el captulo anterior se examinaron los conceptos bsicos de probabilidad con

respectoaeventosqueseencuentranenunespaciomuestral,enestecaptulose
ver la importancia de cuantificar los resultados de un experimento aleatorio
sabiendoqueellospuedensercualitativosocuantitativos.

En un experimento aleatorio lo que ms interesa es conocer el nmero total de

veces que se obtiene un mismo resultado en un determinado nmero de
ejecuciones (es decir, cuantificar) y no en cul ejecucin se obtiene un
determinado resultado. Es por esto que en la teora de la probabilidad, se hace
necesaria la cuantificacin de los resultados cualitativos de un espacio muestral
para luego, mediante el empleo de medidas numricas, estudiar su
comportamientoaleatorio.

Parafacilitarestosclculosseacudeaunafuncinqueubicaelespaciomuestral
enelconjuntodelosnmerosreales,lacualesconocidacomovariablealeatoria.

Una variable aleatoria es pues, una funcin que asigna un nmero real a cada
resultado en el espacio muestral de un experimento aleatorio. Ellas se denotan
conunaletramayscula,talcomoX.

Se dice que X es aleatoria porque involucra la probabilidad de los resultados del

espacio muestral, y se define X como una funcin porque transforma todos los
posiblesresultadosdelespaciomuestralencantidadesnumricasreales.

Ejemplo1.1.

Considere el lanzamiento de una moneda. El espacio muestral de este

experimentoaleatorioestconstituidopordosresultados:caraysello.

SisedefineX(cara)=0yX(sello)=1,setransformanlosdosposiblesresultadosdel
espaciomuestralencantidadesnumricasreales.

DeestamaneraP(X=0)representalaprobabilidaddequeelresultadoallanzarla
monedaescara.

64
EJEMPLO1.2

Considereellanzamientodedosdados
7
.Elespaciomuestraldeesteexperimento
aleatorioestconstituidopor36posiblesresultados.
SedefinecomovariablealeatoriaXlasumadelosvaloresdelasdoscarasdelos
dados. La siguiente tabla relaciona los 36 resultados con los valores
correspondientesdelavariablealeatoriaXdefinidaenesteejemplo.

Tabla1.1.
Correspondenciaentrelosresultadosdellanzamientodeunpardedadosylavariable
aleatoriaquerepresentalasumadelascaras.

Resultado
Valordela
variable
aleatoria
Nmerode
ocurrencias
Probabilidad
(1,1) 2 1 1/36
(1,2)(2,1) 3 2 2/36
(1,3)(2,2)(3,1) 4 3 3/36
(1,4)(2,3)(3,2)(4,1) 5 4 4/36
(1,5)(2,4)(3,3)(4,2)(5,1) 6 5 5/36
(1,6)(2,5)(3,4)(4,3)(5,2)(6,1) 7 6 6/36
(2,6)(3,5)(4,4)(5,3)(6,2) 8 5 5/36
(3,6)(4,5)(5,4)(6,3) 9 4 4/36
(4,6)(5,5)(6,4) 10 3 3/36
(5,6)(6.5) 11 2 2/36
(6,6) 12 1 1/36

Sepuedendefinirvariablesaleatoriascuyosvaloresseancontablesono,yalser
una caracterizacin cuantitativa de los resultados de un espacio muestral, ellas
puedenserdiscretasocontinuas.Enlosdostemassiguientessedesarrollanlos
conceptos de variable aleatoria discreta y variable aleatoria continua y sus
estadsticosasociados.

1.1.-VARIABLEALEATORIADISCRETA

Se dice que una variable aleatoria X es discreta si el nmero de valores que

puedetomaresfinito(oinfinitocontable).

Frecuentemente el inters recae en la probabilidad de que una variable aleatoria

tome un valor particular, para ello se requiere primero definir claramente la

7
TomadodeProbabilidadyestadstica.Aplicacionesymtodos,GeorgeC.Canavos.McGrawHill.
Mxico.1988.
65
variable aleatoria. Ser importantepues, acordar la siguiente simbologa: { } x X =
denotar el evento formado por todos los resultados para los que x X = y
) ( x X P = serlaprobabilidaddedichoevento.

La distribucin de probabilidad de una variable aleatoria X es una descripcin

delconjuntodeposiblesvaloresdeX,juntoconlaprobabilidadasociadaconcada
unodeestosvalores.Estadistribucinbienpuedeserunagrfica,unatablaouna
ecuacin que da la probabilidad de cada valor de la variable aleatoria y se
consideracomoelresumenmstildeunexperimentoaleatorio.

Toda distribucin de probabilidad debe satisfacer cada uno de los dos requisitos
siguientes:
1 ) ( = =

x X P
1 ) ( 0 = x X P

EJEMPLO1.3

Determinesilasiguientetabladescribeunadistribucindeprobabilidad

x 0 1 2
P(X=x) 0,04 0,32 0,64

Para ser una distribucin de probabilidad, P(X=x) debe satisfacer los dos
requisitos.

1 ) (
64 , 0 , 32 , 0 04 , 0 ) (
) 2 ( ) 1 ( ) 0 ( ) (
= =
+ + = =
= + = + = = =

x X P
x X P
X P X P X P x X P

De manera que la tabla de probabilidades de la variable aleatoria X satisface el

primer requisito. Observe, adems, que cada uno de los valores de P(X=x) se
encuentran entre 0 y 1. Como ambos requisitos se satisfacen, la tabla de
probabilidadesdelavariablealeatoriaXesunadistribucindeprobabilidaddeX.

Cuandoladistribucindeprobabilidadsedescribeapartirdeunaecuacin,sele
denominafuncindeprobabilidad.Estafuncin ) ( ) ( x X P x f = = vadelconjunto
delosvaloresposiblesdelavariablealeatoriadiscretaX(denominadorangode
X)alintervalo[0,1]ysatisfacelassiguientespropiedades:
x x f 0 ) (
66
1 ) ( =

x f

Ejemplo1.4
Determine si la funcin
3
) ( ) (
x
x X P x f = = = (donde x puede ser 0, 1 2) es una
funcindeprobabilidad.

EnlasiguientetablaseresumenlosposiblesvaloresdelavariablealeatoriaX.

X 0 1 2
f(x)=P(X=x) 0 1/3 2/3

Observequetodoslosvaloresdef(x)sontodospositivos,estoes 0 .Ademsse
cumpleelsegundorequisito:

1
3
2
3
1
0 ) ( = + + =

x f

Porlotanto,lafuncinf(x)esunafuncindeprobabilidad.

Enocasiones,estilpoderexpresarprobabilidadesacumuladas,estoes,valores
para los que X son menores o iguales a un valor especfico x. El uso de
probabilidades acumuladas es una alternativa para describir la distribucin de
probabilidaddeunavariablealeatoria.

La funcin de distribucin acumulada de una variable aleatoria discreta X,

denotadaporF(x)es:

= =
x x
i
i
x f x X P x F ) ( ) ( ) (

ParaunavariablealeatoriadiscretaX,F(x)satisfacelassiguientespropiedades:

1 ) ( 0 x F
) ( ) ( , y F x F entonces y x Si
) ( 1 ) ( x F x X P = >
0 ) ( = F
1 ) ( = + F

Adems, puede establecerse que para variables aleatorias discretas de valor

enterosetiene:

67
) 1 ( ) ( ) ( = = x F x F x X P
) 1 ( ) ( ) ( =
i j j i
x F x F x X x P

La funcin de distribucin acumulada tambin proporciona probabilidades. El

siguienteejemploilustracmoemplearlafuncindedistribucinacumuladapara
determinarlafuncindeprobabilidaddeunavariablealeatoriadiscreta.

EJEMPLO1.5

SupongaquelafuncindedistribucinacumuladadelavariablealeatoriaXes:

<
<
=
x
x
x
x F
3 1
3 1 5 , 0
1 0
) (

DeterminelafuncindeprobabilidaddeX.

Figura1.1.
(a)Funcindedistribucinacumuladadelejemplo4.5.
(b)Funcindeprobabilidaddelejemplo4.5.

En la figura 1.1. (a), se representa una grfica de la funcin F(x). Se puede ver
quelosnicospuntosquetienenunaprobabilidaddistintadeceroson1y3.Para
todovalordexmenorque1, 0 ) ( = x X P yf(1)=0,5.Paravaloresdexentre1y3
ymayoresde3,sinincluiresteltimo, 0 ) ( = x X P yf(3)=0,5.Demaneraquela
funcindeprobabilidaddeXsepuedeescribircomo:

F(x)
x
0,5
1
1
2 3
f(x)
x
0,5
1
1
2 3
(a)
(b)
68

>
=
< <
=
<
=
x
x
x
x
x
x f
3 0
3 5 , 0
3 1 0
1 5 , 0
1 0
) (

Lafigura1.1.(b)representalagrficadelafuncindeprobabilidaddeX.Observe
tambinquelafuncinqueseacabadedefinircumplelosdosrequisitos: 0 ) ( x f
y 1 ) ( =

x f .Comprubelo.

Ahora bien, observe como se usan las propiedades de la funcin de distribucin

acumuladadeXparacalcularlassiguientesprobabilidades:

a. 1 ) 3 ( ) 3 ( = = F X P
b. 5 , 0 ) 2 ( ) 2 ( = = F X P
c. 0 5 , 0 5 , 0 ) 1 ( ) 2 ( ) 2 1 ( = = = F F X P
d. 5 , 0 ) 2 ( 1 ) 2 ( = = > F X P

El valor esperado (tambin llamado media o esperanza matemtica) de una

variablealeatoriadiscretaXesunamedidadeposicinparaladistribucindeX.
Se simboliza con y se calcula al sumar el producto de cada valor de X con su
probabilidadcorrespondiente.Enotraspalabras,lamediaovaloresperadodeuna
variablealeatoriadiscretaXes:

= =
x
X
x f x X E )] ( [ ) (

EJEMPLO1.6.

ConsiderelasiguientedistribucindeunavariablealeatoriaX.

X 0 1 2
f(x) 0,04 0,32 0,64

Lamediaestdadapor:

6 , 1 ) 64 , 0 2 ( ) 32 , 0 1 ( ) 04 , 0 0 ( ) ( = + + = = X E
X

69

EJEMPLO1.7

Determine el valor esperado de la suma de las caras de dos dados al ser

lanzados.

SeaXlavariablealeatoriaquerepresentalasumadelascarasdelosdosdados.
Tomando de referencia la tabla 4.1. en la que se relacionan los resultados del
lanzamientodelosdadosylasumadelascaras,setiene:

7 ) 36 / 1 12 ( ) 36 / 2 11 ( ... ) 36 / 3 4 ( ) 36 / 2 3 ( ) 36 / 1 2 ( ) ( = + + + + + = = X E
X

Demaneraqueelvaloresperadoallanzardosdadoses7.

La varianza de una variable aleatoria es una medida de la dispersin de la

distribucin de probabilidad de sta.Se calcula ponderandoel cuadrado de cada
desviacin con respecto a la media, con la probabilidad asociada con la
desviacin.Enotraspalabras,lavarianzadeunavariablealeatoriadiscretaXcon
media
X
yfuncindeprobabilidadf(x),es:

= = =
x
X X X
x f x X E X V )] ( ) [( ) ( ) (
2 2 2

Odeunmodoequivalente,

2 2 2
)] ( [( ) (
X
x
X
x f x X V = =

EJEMPLO1.8

Determineahoralavarianzadelavariablealeatoriadefinidaenelejemplo4.7.

05 , 2 7 )] 36 / 1 12 ( ... ) 36 / 3 4 ( ) 36 / 2 3 ( ) 36 / 1 2 [(
2 2 2 2 2 2
= + + + + =
X

Otra alternativa para medir la variabilidad, que con frecuencia es ms fcil de

interpretarpuessusunidadessonidnticasalasdelavariablealeatoriaX,esla
desviacin estndar denotada por
X
y que corresponde a la raz cuadrada
positivadelavarianza.
70

1.2.-VARIABLEALEATORIACONTINUA

Eneltemaanteriorsepresentelconceptodevariablealeatoriacomounafuncin
devalorqueasignaunnmerorealfinito(oinfinitocontable)acadaresultadoen
elespaciomuestraldeunexperimentoaleatorio;variablesaleatoriasquehansido
denominadas discretas. En este tema, donde las variables aleatorias pueden
tomarvaloresenunaescalacontinua,elprocedimientoescasielmismo.

Se dice que una variable aleatoria X es continua si el nmero de valores que

puedetomarestncontenidosenunintervalo(finitooinfinito)denmerosreales.
Dichosvalorespuedenasociarseamedicionesenunaescalacontinua,demanera
quenohayahuecosointerrupciones.

En algunos casos, la variable aleatoria considerada continua en realidad es

discreta,perocomoelrangodetodoslosvaloresposiblesesmuygrande,resulta
msconvenienteutilizarunmodelobasadoenunavariablealeatoriacontinua.

La distribucin de probabilidad de una variable aleatoria continua X est

caracterizadaporunafuncinf(x)querecibeelnombredefuncindedensidad
deprobabilidad.Estafuncinf(x)noeslamismafuncindeprobabilidaddeuna
variable aleatoria discreta. La grfica de la funcin f(x) es una curva que se
obtiene para un nmero muy grande de observaciones y para una amplitud de
intervalomuypequea.Recuerdequelagrficadeunafuncindeprobabilidadde
unavariablealeatoriadiscretaesescalonada,dandolasensacindepeldaosen
ascendencia(verfigura1.1.(a)).

Estafuncindedensidaddeprobabilidadf(x)permitecalcularelreabajolacurva
que representa la probabilidad de que la variable aleatoria continua X tome un
valorentreelintervalodondesedefinelafuncin.

Formalmente,lafuncindedensidaddeprobabilidadf(x)deunavariablealeatoria
continua,sedefinecomotalsiparacualquierintervalodenmerosreales[a,b]se
cumpleque:

0 ) ( x f
1 ) ( =

dx x f

=
b
a
dx x f b X a P ) ( ) (

71
Puesto que el rea total bajo f(x) es uno, la probabilidad del intervalo [a,b] es el
reaacotadaporlafuncindedensidadylasrectasX=ayX=b,comosemuestra
enlafigurasiguiente.

Figura1.2.
Probabilidadilustradacomoelreabajolacurvadedensidad

Elmodelodevariablealeatoriacontinuaimplicalosiguiente:

) ( ) ( ) ( ) ( b X a P b X a P b X a P b X a P < < = < = < =

Adems, para cualquier valor en el rango de la variable aleatoria continua X, se

cumplequeP(X=x)=0.Esteresultadosedesprendedelaspropiedadesdelclculo
integral
8
:

0 ) ( =

x
x
dx x f

8
Separtedelapremisadequeelestudiantemanejaelclculodiferencial,oporlomenostieneun
conocimiento bsico de este. Se recomienda al estudiante que consulte el mdulo de Clculo
Integralocualquierotrotexto.Sinembargo,eneltratamientodelasdistribucionesdeprobabilidad
elclculode integralescomplejasnoescomn y,comoseverenlasiguienteUnidadDidctica,
las distribuciones de probabilidad ms comunes estn definidas por funciones poco complejas y
permitenasuntratamientosencillo.
72
EJEMPLO1.9

Supongaque
x
e x f

= ) ( parax>0.Calculelassiguientesprobabilidades:

a. 368 , 0 ) ( ) 1 (
1
1
1 1
= + = = = = >

e e e dx e dx x f X P
x x

b. 286 , 0 ) ( ) 5 , 2 1 (
1 5 , 2
5 , 2
1
5 , 2
1
5 , 2
1
= + = = = = < <


e e e dx e dx x f X P
x x

c. 0 ) 3 ( = = X P
d. { } 982 . 0 018 , 0 1 1 1 ) 4 ( 1 ) 4 (
4
4
= = + = = > = <

e e dx e X P X P
x

e. 05 , 0 ) ( ) 3 ( ) 3 (
3
3
3 3
= + = = = = =

e e e dx e dx x f X P X P
x x

Al igual que en el caso de una variable aleatoria discreta, la funcin de

distribucin acumulada de una variable aleatoria continua X es la probabilidad
dequeXtomeunvalormenoroigualaalgnxespecfico.Estoes,

= =
x
dx x f x X P x F ) ( ) ( ) ( para < < x

Por lo tanto, la funcin de distribucin acumulada F(x) es el rea acotada por la

funcin de densidad que se encuentra a la izquierda de la recta X=x, como se
ilustraenlafigura4.3.

LafuncindedistribucinacumuladaF(x)cumplelassiguientespropiedades:

) ( ) ( ) ( x X P x X P x F < = =
0 ) ( = F
) ( ) ( ) ( a F b F b X a P = < <
) (
) (
x f
dx
x dF
=

EJEMPLO1.10
73
SupongalasiguientefuncindedistribucinacumuladadelavariablealeatoriaXy
determine:

<
<
=
x
x x
x
x F
5 1
5 0 2 , 0
0 0
) (

a. 56 , 0 8 , 2 2 , 0 ) 8 , 2 ( ) 8 , 2 ( = = = < F X P
b. 70 , 0 ) 5 , 1 2 , 0 ( 1 ) 5 , 1 ( 1 ) 5 , 1 ( 1 ) 5 , 1 ( = = = < = > F X P X P
c. 0 ) 2 ( ) 2 ( = = < F X P
d. 0 1 1 ) 6 ( 1 ) 6 ( 1 ) 6 ( = = = < = > F X P X P
e. 2 , 0 ) 4 2 , 0 ( 1 ) 4 ( ) 6 ( ) 6 4 ( = = = < < F F X P

La media y la varianza deuna variable aleatoria continua se definen de manera

similaralcasodelavariablealeatoriadiscreta.Enlasdefiniciones,laintegracin
sustituyealasumatoria.

= = dx x xf X E
X
) ( ) (

[ ]
2 2 2
2 2
) ( ) (
) ( ) ( ) (


= =
= =

dx x f x X V
dx x f x X V
X
X X

Asmismo,ladesviacinestndardeXes
2
X X
=

EJEMPLO1.11

Supongaquef(x)=0,125xpara0<x<4.CalculelamediaylavarianzadeX.

( )
3
8
24
1
8
1
125 , 0
4
0
3
4
0
2
4
0
= = = =

x dx x dx x x
X

74
88 , 0
9
64
8
1
) (
4
0
3 2
= = =

dx x X V
X

1.3.-TEOREMADECHBYSHEV

Parademostrarcmoladesviacinestndaresindicadoradeladispersindela
distribucin de una variable aleatoria, el matemtico ruso Pafnuty Lvovich
Chbyshevdesarrollunteoremaenelqueofreceunagarantamnimaacercade
la probabilidad de que una variable aleatoria asuma un valor dentro de k
desviacionesestndaralrededordelamedia.

Para cualquier variable aleatoria X con media y desviacin estndar , la

probabilidad de que X tome un valor contenido en k desviaciones estndar de la
media,siendokunaconstantepositivacualquiera,escuandomenos
2
1
1
k
.

Simblicamente,elteoremaseexpresadecualquieradelassiguientesmaneras:

( ) ( )
2 2
1 1
1
k
k X P
k
k X P >

La desigualdad de Chbyshev es muy importante, ya que permite determinar los

lmitesdelasprobabilidadesdevariablesaleatoriasdiscretasocontinuassintener
que especificar sus funciones de probabilidad. Este teorema asegura que la
probabilidad de que una variable aleatoria se aleje de la media no ms de k
desviacionesestndar,esmenoroiguala1/k
2
paraalgnvalordek>1.

Aunquelagarantanosiempreesmuyprecisa,laventajasobreesteteoremaes
su gran generalidad por cuanto es aplicable a cualquier variable aleatoria con
cualquierdistribucindeprobabilidad,yaseadiscretaocontinua.

EJEMPLO1.12

Elnmerodelicenciasdeconduccinexpedidasenunaciudadduranteelmesde
junio puede considerarse como una variable aleatoria cuya distribucin de
probabilidad se desconoce, pero se estima que su media sea aproximadamente
=124ysudesviacinestndar=7,5.SegnelteoremadeChbyshev,conqu
probabilidad se puede afirmar que se expedirn entre 64 y 184 licencias de
conduccinenesaciudadduranteelmesdejunio?

75
Paradar solucin a este problema sedebe conocer cules esevalor de k. Para
ellosepartedeladefinicindeunadesigualdadmenorquedeunvalorabsoluto:

( ) ( )
2 2
1
1
1
1
k
k X k P
k
k X k P + +

Tomandoelfactordelaizquierda,setiene
( ) ( ) 184 64 + + X P k X k P

Esto quiere decir que:

64 = + k
o bien que
184 = + k
. Al despejar k de
cualquieradeellassetiene:
8
5 , 7
64 124 64
=

DemaneraqueladesigualdaddeChbyshevquedaplanteada:
( ) ( ) 9844 , 0 184 64
8
1
1 184 64
2
X P X P

De modo que se puede afirmar que se expedirn entre 64 y 184 licencias de

conduccin en esa ciudad durante el mes de junio con una probabilidad del
98,44%.

76
E EJ JE ER RC CI IC CI IO OS SC CA AP P T TU UL LO O1 1. .

1.-Unaurnacontienecuatrobalotasconlosnmeros1,2,3y4,respectivamente.
SisetomandosbalotasdelaurnasinsustitucinyXeslasumadelosnmeros
de las dos balotas extradas, determine la distribucin de probabilidad de X y
represntelapormediodeunhistograma.

2.-Paralassiguientestablasdedatos,determinesisetratadeunadistribucinde
probabilidad. En los casos en que sea as, identifique los requisitos que no se
satisfacen. En los casos en que si se describa una distribucin de probabilidad,
calculesumediaydesviacinestndar.

a.
x 0 1 2 3
f(x) 0,125 0,375 0,375 0,125

b.
x 0 1 2 3 4
F(x) 0,502 0,365 0,098 0,011 0,001

c.
x 0 1 2 3 4
f(x) 0,0000 0,0001 0,0006 0,0387 0,9606

3.- El espacio muestral de un experimento aleatorio es { } f e d c b a , , , , , , y cada

resultadoesigualmenteprobable.Sedefineunavariablealeatoriadelasiguiente
manera:

resultado a b c d e f
x 0 0 1,5 1,5 2 3

Determine:
a. LafuncindeprobabilidaddeX. e. ) 2 0 ( < X P
b. ) 5 , 1 ( = X P f. ) 2 0 ( = = X X P
c. ) 7 , 2 5 , 0 ( < < X P g.
2
X X
y
d. ) 3 ( > X P

4.- Sea X una variable aleatoria discreta. Determine el valor de k para que la
funcin x k x f / ) ( = ,x=1,2,3,4,sealafuncindeprobabilidaddeX.Determine
adems ) 3 1 ( X P .

5.-ElrangodelavariablealeatoriaXes[0,1,2,3,x],dondexesunaincgnita.Si
cadavaloresigualmenteprobableylamediadeXes6,calculex.

77
6.-Compruebequelasiguientefuncinesfuncindedistribucinacumuladadela
variable aleatoria discreta X y calcule la funcin de probabilidad y las
probabilidadespedidas.

<
<
<
=
x
x
x
x
x F
5 , 0 1
5 , 0 3 , 0 75 , 0
3 , 0 1 , 0 25 , 0
1 , 0 0
) (

a. ) 5 , 0 ( X P d. ) 0 ( < X P
b. ) 4 , 0 ( X P e. ) 1 , 0 0 ( < X P
c. ) 6 , 0 4 , 0 ( X P f. ) 1 , 0 1 , 0 ( < < X P

7.-Verifiquequelasiguientefuncinesunafuncindeprobabilidadycalculelas
probabilidadespedidas.

x -2 -1 0 1 2
f(x) 1/8 2/8 2/8 2/8 1/8

a. ) 2 ( X P d. ) 2 1 ( = X X P
b. ) 2 ( > X P e. Determine
2
X X
y
c. ) 1 1 ( X P

8.- Dada la siguiente funcin de probabilidad acumulada de la variable aleatoria

discretaX,

<
<
<
<
=
5 1
5 3 4 3
3 1 2 1
1 1 4 1
1 0
) (
x
x
x
x
x
x F
Obtenga:
a. ) 3 ( X P d. ) 3 ( = X P
b. ) 1 ( X P e. ) 4 4 , 0 ( < < X P
c. ) 3 ( < X P f. ) 5 ( = X P

9.-SeaXunavariablealeatoriaquerepresentaelnmerodeclientesquellegaa
unalmacnenunahora.Dadalasiguienteinformacin:

x 0 1 2 3 4 5 6 7 8
f(x) 0,05 0,10 0,10 0,10 0,20 0,25 0,10 0,05 0,05

EncuentreE(X)yV(X).
78

10.- Demuestre que las siguientes funciones son funciones de densidad de

probabilidad para algn valor de k; determine el valor de k. Calcule la media y
varianzadecadaunadelastresfuncionesdedensidad.

2
) ( kx x f = para 4 0 < < x
) 2 1 ( ) ( x k x f + = para 2 0 < < x

x
ke x f

= ) ( para x < 0

11.- Lafuncin de densidad de probabilidad de una variable aleatoria continuaX

estdadapor:

< <
=
caso otro en
x
x f
0
7 2 5 1
) (

a. Demuestrequeelreabajolacurvadeestafuncinesiguala1.
b. Determine ) 5 3 ( < < X P

12.-SeaXunavariablealeatoriacontinua.

a. Determineelvalordek,demaneraquelafuncinf(x)sealafuncin
dedensidaddeprobabilidaddeX.

=
caso otro en
x kx
x f
0
1 1
) (
2

b DeterminelafuncindedistribucinacumuladadeX.
c. Calcule ) 2 / 1 2 / 1 ( ) 2 / 1 ( X P y X P .

13.- La funcin de distribucin acumulada de una variable aleatoria continua X

estdadapor:

>
< <

=
1 1
1 0 2
0 0
) (
2
x
x x x
x
x F

Determine:
a. ) (x f b. ) 2 / 1 ( < X P c. ) 4 / 3 ( > X P

14.- Suponga que la funcin de distribucin acumulada de la variable aleatoria

continuaXes:
79

< +
<
=
x
x x
x
x F
2 1
2 2 5 , 0 25 , 0
2 0
) (

Determine:
a. ) 8 , 1 ( < X P c. ) 2 ( < X P
b. ) 5 , 1 ( > X P d. ) 1 1 ( < < X P

4.15. Supongaque 25 , 0 ) ( = x f ,para 4 0 < < x .Calculelamediaylavarianzade

lavariablealeatoriacontinuaX.

16.- Sea X la variable que representa la cantidad de lluvia cada de una semana
enunaregindeterminada.Supongaque=1,0y=0,25pulgadas.Seraextrao
queestareginregistremsdedospulgadasdeaguaduranteunasemana?

17.- Sea X el nmero de casos de rabia registrados en un mes en una ciudad

determinada. Suponga que =1/2 y
2
=1/25. Podra considerarse infrecuente
registrardoscasosderabiaenunmesenesaciudad?

18.- Se lleva a cabo un estudio de un frmaco destinado a mantener un ritmo

cardacoconstanteenpacientesqueyahansufridouninfarto.SeaXelnmerode
latidos por minuto, registrado durante la utilizacin de este frmaco con la
siguientefuncindeprobabilidad:

x 40 60 68 70 72 80 100
f(x) 0,01 0,04 0,05 0,80 0,05 0,04 0,01

Utilizando la desigualdad de Chbyshev, entre qu valores oscilar el

ritmocardacodel75%delospacientestratados?

19.- Cul es el valor mnimo de k en el teorema de Chbyshev para el cual la

probabilidad de que una variable aleatoria tome un valor entre que -k y +k
sea:
a. cuandomenos0,95?
b. cuandomenos0,99?
80
CAPITULODOS
DISTRIBUCIONESDEPROBABILIDADDISCRETA

En este captulo se examinan con detalle seis familias de distribuciones de

probabilidad discreta y se hacen comentarios sobre su aplicacin. Estas son: las
distribuciones uniforme discreta, binomial, geomtrica, binomial negativa,
hipergeomtricayPoisson.Tambinseestudiansusparmetrosestadsticosms
usados;esdecir,lamediaovaloresperado,lavarianzayladesviacinestndar.

2.1. DISTRIBUCINUNIFORMEDISCRETA

La variable aleatoria discreta ms sencilla es aquella que toma slo un

nmerofinito de valores posibles n, cada uno con la misma probabilidad. Ella se
denomina entonces variable aleatoria discreta uniforme y su distribucin
uniformediscretaestdadapor:

n
x f
1
) ( =

Para una variable aleatoria discreta uniforme X, que puede tomar los
valores1,2,,n,lamediaes:

2
1
) (
+
= =
n
X E
X

Ysudesviacinestndares:

12
1
2

=
n
X

Otros autores expresan estos parmetros en trminos del rango de la

variablealeatoriadiscretauniforme[a,b].

12
1 ) 1 (
2
) (
2
+
=
+
= =
a b b a
X E
X X

No hay reparos para usar una u otra frmula, queda a criterio del
estudiante.Loimportanteesquesteentiendaquesonequivalentes.

81

EJEMPLO2.1.

La variable aleatoria X tiene una distribucin discreta uniforme sobre los enteros
100 91 x .DeterminelamediaylavarianzadeX.

5 , 95
2
91 100
) ( =
+
= = X E
X

25 , 8
12
1 ) 1 91 100 (
) (
2
2
=
+
= = X V
X

EJEMPLO2.2

Un jugador lanza un dado corriente. Si sale un nmero primo, gana el valor en

dlares pero si no sale el nmero, entonces pierde igual cantidad en dlares.
Determinesieljuegoesfavorableodesfavorableparaelapostador.

Solucin:
Losposiblesvaloresqueseobtienenallanzarundadosonlosnmerosdel1al6,
de ellos slo tres son nmeros primos, a saber: 2, 3 y 5. Estos nmeros
corresponden a las ganancias posibles en dlares del apostador. Las posibles
prdidas sern entonces: 1, 4 y 6. La siguiente tabla relaciona los posibles
resultados de la variable aleatoria X (cantidad de dlares ganados al lanzar un
dado)consusrespectivasprobabilidades,queparaestecasosonigualespuesel
dadonoseencuentracargadohaciaunacaradeterminada.

x -1 2 3 -4 5 -6
f(x) 1/6 1/6 1/6 1/6 1/6 1/6

Observequelosnmeros1,4y6sonnegativos,puescorrespondenalhechode
queeljugadorpierdesinosaleunnmeroprimo.
Comocadavalordelavariablealeatoriatieneigualprobabilidad,ladistribucinde
probabilidadesuniformediscreta.Perotengaencuentaquelosvaloresquetoma
X no son consecutivos, por tanto no se aplica la definicin de valor esperado y
deberecurrirsealadefinicinoriginalEstoes:

6
1
) 6 5 4 3 2 1 (
6
1
) ( ) (
1
= + + + = = =

=
n
i
i X
x f x X E

Comoelvaloresperadoesnegativo,eljuegoesdesfavorableparaelapostador.

82

Si todos los valores del rango de la variable aleatoria X se multiplican por una
constante (sin cambiar ninguna de las probabilidades), entonces la media y la
desviacinestndardeXquedanmultiplicadasporlamismaconstante.

2.2.- DISTRIBUCINBINOMIAL

Las distribuciones binomiales son las ms tiles dentro de las distribuciones de

probabilidad discretas. Sus reas de aplicacin incluyen inspeccin de calidad,
ventas, mercadotecnia, medicina, investigacin de opiniones, entre otras. Estas
distribuciones permiten enfrentar circunstancias en las que los resultados
pertenecenadoscategorasrelevantes:queocurrauneventodeterminadooque
no lo haga. Este tipo de experimento aleatorio particular es denominado ensayo
deBernoulli.Susdosresultadosposiblessondenotadosporxitoyfracasoy
sedefineporplaprobabilidaddeunxitoy1-plaprobabilidaddeunfracaso.

En general, un experimento aleatorio que consiste de n ensayos repetidos tales

que:
Losensayossonindependientes
Cada ensayo es de tipo Bernoulli. Esto es, tiene slo dos resultados
posibles:xitoofracaso.
La probabilidad de xito de cada ensayo, denotada por p, permanece
constante.

recibeelnombredeexperimentobinomial.

La variable aleatoria X, de un experimento binomial, que corresponde al nmero

de ensayos donde el resultado es un xito, tiene una distribucin binomial con
parmetrospyn=1,2,ysufuncindeprobabilidades
9
:

n x para p p
x
n
n p x f
x n x
,..., 1 , 0 ) 1 ( ) , ; ( =
|
|

\
|
=

Sisedenotalaprobabilidaddefracasocomo p q =1 ,lafuncindeprobabilidad
binomialsesimplificadelasiguientemanera:

x n x
q p
x
n
n p x f


|
|

\
|
= ) , ; (

9
Recuerdequelanotacin
)! ( !
!
x n x
n
x
n

=
|
|

\
|
esunacombinacinyestdesarrolladaenelcaptulo2
delaUnidadDidcticaUnodelpresentemdulo.
83

En muchos casos es conveniente denotar la funcin de probabilidad binomial

como ) , ; ( n p x b .

Lafuncindedistribucinbinomialacumuladaseexpresacomo:

|
|

\
|
= =
x
i
i n i
q p
i
n
n p x F x X P
0
) , ; ( ) (

EJEMPLO2.3

LavariablealeatoriaXtieneunadistribucinbinomialconn=10yp=0,5.Calcule
lasprobabilidadessiguientes.

Antes de determinar las probabilidades pedidas, debe definirse la distribucin

binomialconlosparmetrosdados.

10 10
5 . 0
10
) 5 . 0 1 ( 5 . 0
10
) 10 , 5 . 0 ; ( ) (
|
|

\
|
=
|
|

\
|
= = =

x x
x f x X P
x x

a. 246 , 0 5 . 0
5
10
) 10 , 5 . 0 ; 5 ( ) 5 (
10
=
|
|

\
|
= = = f X P
b. 055 , 0 5 . 0
2
10
5 . 0
1
10
) 10 , 5 . 0 ; 2 ( ) 2 (
2 1
=
|
|

\
|
+
|
|

\
|
= = F X P
c.

=
= =
|
|

\
|
= =
8
0
011 , 0 989 , 0 1 5 . 0
10
1 ) 8 ( 1 ) 9 (
i
i
i
X P X P
d.

=
=
|
|

\
|
= <
4
3
322 , 0 5 . 0
10
) 5 3 (
i
i
i
X P
e. 945 , 0 055 , 0 1 ) 2 ( 1 ) 2 ( = = = > X P X P

La media y la varianza de una variable aleatoria binomial dependen slo de los

parmetrospyn.Yellassedefinen:

npq p np y np X E
X X
= = = = ) 1 ( ) (
2

EJEMPLO2.4
84

Laprobabilidaddequeunfutbolistaprofesionalhagagoldetirolibreesdel70%.
Enunentrenamiento,estefutbolistahace14tiroslibres.Calculelaprobabilidadde
que ste haga por lo menos 7 goles, la probabilidad de que falle entre 3 y 6
inclusive, la probabilidad de que no haga ningn gol y la probabilidad de que en
todossustiroslacierte.Calculetambin,elpromediodegolesesperados.

SeaXelnmerodegoleshechosporunfutbolistaen14tiros.ObservequeXes
unavariablealeatoriaquesedistribuyecomounabinomialconp=0.7yn=14.

x x
x
x f n p x b


|
|

\
|
= =
14
3 . 0 7 . 0
14
) 14 , 7 . 0 ; ( ) , ; (

Sepidelaprobabilidaddequehagaporlomenos7goles,estoes:

=

=
= =
|
|

\
|
= = =
6
0
14
14
7
9685 , 0 0315 , 0 1 3 . 0 7 . 0
14
1 ) 6 ( 1 ) 14 , 7 . 0 ; ( ) 7 (
i
i i
i
i
X P i f X P

La probabilidad de que falle entre 3 y 6 equivale a que este haga entre 8 y 11

golesinclusive.Puessifalla3goles,esporquehaacertadoen11ysifallaen6,
ha hecho 8 goles. Recuerde que se ha definido la variable aleatoria como el
nmerodeaciertosodegoleshechosynoelnmerodefallas.Demaneraquela
probabilidadpedidaes:

=
|
|

\
|
=
11
8
14
7459 , 0 3 . 0 7 . 0
14
) 11 8 (
i
i i
i
X P

Laprobabilidaddequeelfutbolistanohaganingngolensus14tiroslibresest
dadapor:
0 10 783 , 4 3 . 0 7 . 0
0
14
) 0 (
8 14 0
=
|
|

\
|
= =

X P
Escasiimposible,encondicionesnormales,queunfutbolistaconladestrezade7
golesporcada10detirolibrenopuedahacerunslogolen14oportunidades

Porltimo,laprobabilidaddequestehagalos14golesser:
0068 , 0 10 782 , 6 3 . 0 7 . 0
14
14
) 14 (
3 0 14
=
|
|

\
|
= =

X P
Esto quiere decir que nuestro futbolista tiene una probabilidad menor del 1% de
acertarentodossus14tiroslibres.

Ahorabien,elpromediodegolesqueseesperanes:
8 . 9 7 . 0 14 ) ( = = = X E
X

Conunadesviacinestndarde1,71goles.Comprubelo.

85

La distribucin binomial seha tabulado demaneraextensaparadistintos valores

denyp.EnlatabladelarchivoanexoTablasestadsticas
10
,seproporcionanlas
probabilidades acumuladas para distintos valores de los parmetros n y p. El
procedimientoparasuclculoeselsiguiente:

(1)Localiceelvalorden,indicadoenlaprimeracolumnadelatablaenmencin.
(2)Ubiqueelvalorcorrespondientedexenlasegundacolumna.
(3)Identifiqueelrenglnofiladenmeros,resultadodelospasos(1)y(2).
(4)Enlaprimerafiladelatabla,quecorrespondealvalordep,ubiqueelvalorde
subsqueda.
(5) Haga coincidir o cruzar la fila que obtuvo en el paso (3) con la columna del
paso(4).
(6) El valor correspondiente a la interseccin obtenida en el paso (5) ser la
probabilidadacumuladadeseada.
Enelsiguienteejemploseindicacmohaceresteclculo.

EJEMPLO1.5

Sea X una variable aleatoria binomial con n = 13 y p = 0.3. Haciendo uso de la

tablaA.1.delanexoA,calculelaprobabilidaddequeXpuedasercuatro.

La siguiente tabla es extrada de la tabla de distribucin binomial acumulada,

correspondientealvalorden=13.

Tabla2.1.
Distribucinbinomialacumuladaparan=13

P
n x 0.1 0.2 0.25 0.3 0.4
13 0 0.2542 0.0550 0.0238 0.0097 0.0013
1 0.6213 0.2336 0.1267 0.0637 0.0126
2 0.8661 0.5017 0.3326 0.2025 0.0579
3 0.9658 0.7473 0.5843 0.4206 0.1686
4 0.9935 0.9009 0.7940 0.6543 0.3530
5 0.9991 0.9700 0.9198 0.8346 0.5744
6 0.9999 0.9930 0.9757 0.9376 0.7712
7 1.0000 0.9988 0.9944 0.9818 0.9023

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

10
http://www.informatica.us.es/~calvo/asi/varios/tablaspedro.pdf

86
p
n x 0.1 0.2 0.25 0.3 0.4
13 0 0.2542 0.0550 0.0238 0.0097 0.0013
1 0.6213 0.2336 0.1267 0.0637 0.0126
2 0.8661 0.5017 0.3326 0.2025 0.0579
3 0.9658 0.7473 0.5843 0.4206 0.1686
4 0.9935 0.9009 0.7940 0.6543 0.3530
5 0.9991 0.9700 0.9198 0.8346 0.5744
6 0.9999 0.9930 0.9757 0.9376 0.7712
7 1.0000 0.9988 0.9944 0.9818 0.9023

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

(1)
(2) (3)
(4)
(5)

Enlafigurasiguienteseindicangrficamenteunoaunolospasosparaelclculo
de
6543 , 0 7 . 0 3 . 0
13
) 13 , 3 . 0 ; 4 ( ) 4 (
13
0
13
=
|
|

\
|
= =

=

i
i i
i
F X P

Figura2.1.
Esquemagrficoparaelusodelatabladedistribucinbinomialacumulada

De la misma manera, puede hacerse uso de esta tabla para determinar las
probabilidadesindividualespuestoquelavariablealeatoriabinomialtieneunvalor
enteroyseaplicalapropiedad:

) , ; 1 ( ) , ; ( ) , ; ( p n x F p n x F p n x b =

Parailustrarlo,sean=10yp=0.3,laprobabilidaddequeXseaexactamentecinco
es:

1030 , 0 8497 , 0 9527 , 0 ) 4 ( ) 5 ( ) 5 ( = = = = F F X P

Nota:
Enelsiguientelinksepuedeencontrarunprogramasencilloquepermitecalcular
probabilidades de variables aleatorias discretas, simplemente conociendo los
valoresdelosparmetrosdecadauna

87
http://www.pwpamplona.com/wen/calcu/calcu1.htm

2.3DISTRIBUCINGEOMTRICA

Considere ahora una serie de ensayos Bernoulli con una probabilidad constante
de xitos p, en la que el nmero de ensayos no es fijo como en la distribucin
binomial si no que stos se realizan hasta que se obtiene el primer xito. Sea
entonces, la variable aleatoria X el nmero de ensayos realizados hasta obtener
unxito,ellatieneunadistribucingeomtricaconparmetropyseexpresa:

,... 2 , 1 ) 1 ( ) ; (
1
= =

x p p p x f
x

Tomando p q =1 y denotando la distribucin geomtrica como ) ; ( p x g ,

ellasesimplificadelasiguientemanera:

p q p x g
x
=
1
) ; (

Lafuncindedistribucingeomtricaacumuladaseexpresacomo:

= =
x
i
i
p q p x F x X P
0
1
) ; ( ) (

Lamediaylavarianzadeunavariablealeatoriageomtricason:

2
2
) (
1
) (
p
q
X V
p
X E
X X
= = = =

EJEMPLO1.6

Supongaquecadaunadelasllamadasquehaceunapersonaaunaestacinde
radiomuypopulartieneunaprobabilidadde2%dequelalneanoestocupada.
Supongaquelasllamadassonindependientes.

a. Cul es la probabilidad de que la primera llamada que entre sea de la

dcimapersonaquelarealiz?
Sea X la variable aleatoria correspondiente a encontrar la lnea desocupada, en
otras palabras, que entre la llamada. Entonces X se distribuye geomtricamente
conp=0.02.
02 . 0 98 . 0 ) 02 . 0 ; (
1
=
x
x g
88

Entonces: 0167 , 0 02 . 0 98 . 0 ) 02 . 0 ; 10 ( ) 10 (
9
= = = = g X P

b. Cul es la probabilidad de que sea necesario llamar ms de cinco veces

parahallardesocupadalalnea?
8836 , 0 ) 0184 , 0 0188 , 0 0192 , 0 0196 , 0 0200 , 0 0204 , 0 ( 1 ) 5 (
02 . 0 98 . 0 1 ) 5 ( 1 ) 5 (
5
0
1
= + + + + + = >
= = >

=

X P
X P X P
i
i

c. Cul es el nmero promedio de llamadas que deben hacerse para hallar

desocupadalalnea?
50
02 . 0
1
) ( = = = X E
X
llamadas.

2.4.-DISTRIBUCINBINOMIALNEGATIVA

Enladistribucingeomtrica,lavariablealeatoriaestabadefinidacomoelnmero
deensayosBernoullinecesariosparaobtenerelprimerxito.Supongaahoraque
se desea conocer el nmero de ensayos hasta obtener r xitos; en este caso la
variablealeatoriaesdenominadabinomialnegativa.

La distribucin binomial negativa o distribucin de Pascal es una

generalizacin de la distribucin geomtrica donde la variable aleatoria X es el
nmero de ensayos Bernoulli efectuados hasta que se tienen r xitos, con una
probabilidad constante de xito p. Se dice entonces que X tiene una distribucin
binomialnegativaconparmetrospyr=1,2,3,

... 2 , 1 ,
1
1
) , ; ( + + + + =
|
|

\
|

=

r r r r x p q
r
x
r p x f
r r x

Algunosautoresdenotanestadistribucincomo ) , ; (
*
r p x b Observequeenelcaso
especial donde r = 1, la variable aleatoria binomial negativa se convierte en una
variablealeatoriageomtrica.

Latablasiguienteexpresaladiferenciaentreunavariablealeatoriabinomialyuna
variablealeatoriabinomialnegativa.Enestesentido,lavariablealeatoriabinomial
negativa se considera como el opuesto, o el negativo, de una variable aleatoria
binomial.

89
Tabla2.2.
Comparacinentreunavariablealeatoriabinomial
yunavariablealeatoriabinomialnegativa

Variablealeatoria Predeterminado Aleatorio

Binomial
Conteodelnmerode
xitosennensayos
Bernoulli,
Nmerototalde
ensayos
Nmerode
xitos.
Binomialnegativa
Conteodelnmerose
ensayosnecesariospara
obtenerrxitos.
Nmerodexitos
Nmerode
ensayos.

La media y la varianza de una variable aleatoria binomial negativa X con

parmetrospyrson:

2
2
) ( ) (
p
q r
X V
p
r
X E
X X

= = = =

Ejemplo2.7

Suponga otra vez el caso del jugador de ftbol del ejemplo 1.4. Cul es la
probabilidaddequeelquintotiroquelanzaseaprecisamentesutercergol?

Sea X el nmero de tiros libres hechos por un futbolista para obtener tres goles.
ObservequeXesunavariablealeatoriabinomialnegativaconp=0.7yr=3.

3 3 *
7 . 0 3 . 0
1 3
1
) 3 , 7 . 0 ; (
|
|

\
|

=
x
x
x b

Laprobabilidadpedidaes:

1852 , 0 7 . 0 3 . 0
2
1 5
) 5 (
3 2
=
|
|

\
|
= = X P

Lafuncindedistribucinbinomialnegativaacumuladaseexpresacomo:

|
|

\
|

= =
x
r i
r r i
p q
r
i
r p x F x X P
1
1
) , ; ( ) (

90

EJEMPLO2.8

Suponga que X es una variable aleatoria binomial negativa con p = 0,2 y r = 4.

Calcule:

a. LamediadeX. 20
2 . 0
4
) ( = = = X E
X

b. 0436 , 0 2 . 0 8 . 0
1 4
1 20
) 20 (
4 4 20
=
|
|

\
|

= =

X P

c. 0170 , 0 2 . 0 8 . 0
3
1
) 6 (
6
4
4 4
=
|
|

\
|
=

=

i
i
i
X P

d. 9830 , 0 0170 , 0 1 ) 6 ( 1 ) 5 ( = = = > X P X P

2.5.DISTRIBUCINHIPERGEOMTRICA

En la distribucin binomial se vea que el muestreo se haca con reemplazo,

asegurando la independencia de los ensayos y la probabilidad constante.
Supngaseahoraqueelmuestreoessinreemplazo,casoenelcuallosensayos
nosonindependientes.

SeaNelnmerodeelementosdeunconjuntodeloscualesksondeterminados
como xitos y N-k como fallas, se trata ahora de determinar la probabilidad de x
xitos en n ensayos de los N elementos del conjunto donde N k y N n . Sea
tambin la variable aleatoria X el nmero de xitos en la muestra. Entonces, X
tiene una distribucin hipergeomtrica y su funcin de distribucin de
probabilidadestdadapor:

) , ( ,... 2 , 1 , 0 ) , , ; ( n k mn x
n
N
x n
k N
x
k
n k N x f =
|
|

\
|
|
|

\
|

|
|

\
|
=

Laexpresinmn(k,n)correspondealvalormenorentreeltamaodelamuestrak
y el nmero mximo de xitos que puede presentarse en la muestra n. La
distribucinhipergeomtricasueleexpresarsecomo ) , , ; ( n k N x h .
91

Lafuncindedistribucinhipergeomtricaacumuladaseexpresacomo:

=
|
|

\
|
|
|

\
|

|
|

\
|
= =
x
i
n
N
i n
k N
i
k
n k N x F x X P
0
) , , ; ( ) (

Elreadondemsaplicacionestieneladistribucinhipergeomtricaeselcontrol
estadstico de calidad y la aceptacin de muestreo, el siguiente ejemplo es
muestradeello.

EJEMPLO2.9

Un lote de 75 quesos contiene cinco en los que la variabilidad de su peso es

inaceptable.Setomaunamuestraalazarde10quesos,sinreemplazo.Determine
lassiguientesprobabilidades.

Antesdeiniciarconelclculodelasprobabilidades,sedebeidentificareltipode
variablealeatoriaqueintervieneenelproblemaysusrespectivosparmetros.Sea
Xelnmerodequesosinaceptablesenunamuestrade10,tomadosdeunlotede
75quesosdeloscuales5soninaceptables.Estoes,Xesunavariablealeatoria
hipergeomtrica con parmetros N=75, k=5 y n=10 y su distribucin de
probabilidades:

|
|

\
|
|
|

\
|

|
|

\
|
=
10
75
10
70 5
) 10 , 5 , 75 ; (
x x
x h

a. Cul es la probabilidad de que ninguno de los quesos inaceptables se

encuentrenelamuestra?

4786 , 0
10
75
10
70
0
5
) 0 ( =
|
|

\
|
|
|

\
|
|
|

\
|
= = X P

b. Cul es la probabilidad de que al menos uno de los quesos inaceptables

seencuentreenlamuestra?
92

8709 , 0 3923 , 0 4786 , 0

10
75
9
70
1
5
10
75
10
70
0
5
) 1 ( ) 0 ( ) 1 ( = + =
|
|

\
|
|
|

\
|
|
|

\
|
+
|
|

\
|
|
|

\
|
|
|

\
|
= + = F F X P

c. Cul es la probabilidad de que exactamente uno de los quesos

inaceptablesseencuentreenlamuestra?

3923 , 0
10
75
9
70
1
5
) 1 ( =
|
|

\
|
|
|

\
|
|
|

\
|
= = X P

La media y la varianza de una variable aleatoria hipergeomtrica X con

parmetrosN,kynson:

N
k N
p q y
N
k
p donde
N
n N
npq X V np X E
X X

= = =
|

\
|

= = = =
1
1
) ( ) (
2

Observe que el valor de la media para una variable aleatoria hipergeomtrica es

similaralresultadocorrespondienteaunavariablealeatoriabinomial.Adems,el
valordesuvarianzadifiereentreambasdistribucionesporelfactor:
1

N
n N
,quese
conocecomofactordecorreccindepoblacinfinita.Estacorreccinsehace
sobre la varianza binomial debido a que el muestreo en la distribucin
hipergeomtricaessinreemplazodeunconjuntofinitodetamaoN.

SinespequeorespectoaN,entonceslacorreccinespequeayladistribucin
hipergeomtrica es similar a la binomial. De esta forma, la distribucin
hipergeomtrica tiende a la binomial conforme el cociente de n/N se vuelve ms
pequeo. De manera general, la funcin de probabilidad binomial aproximar de
maneraadecuadaaladistribucindeprobabilidadhipergeomtricasisetieneque
n<0,1N.

93

EJEMPLO2.10

Un fabricante asegura que slo el 1% de su produccin total se encuentra

defectuosa. De un lote de 1000 artculos y se seleccionan 25 al azar para
inspeccionarlos.Siloqueafirmaelfabricanteescierto,culeslaprobabilidadde
observardosomsartculosdefectuososenlamuestra?

SeaXelnmerodeartculosdefectuososdeunamuestrade25,tomadosdeun
lote de 1000 con 10 artculos defectuosos. Entonces X es una variable aleatoria
hipergeomtrica con parmetros N=1000, k=10 y n=25. Dado que el cociente
n/N=0,025<0,1 puede emplearse la distribucin binomial para aproximar la
probabilidaddeseada.

0258 , 0 ) 1964 , 0 7778 , 0 ( 1 ) 2 (

99 . 0 01 . 0
1
25
99 . 0 01 . 0
0
25
1 ) 2 (
) 25 , 01 . 0 ; 1 ( 1 ) 1 ( 1 ) 2 (
24 25 0
= + =
(

|
|

\
|
+
|
|

\
|
=
= =
X P
X P
F X P X P
b
DondeF
b
esladistribucin
Comoseve,laprobabilidaddetenerdosomsartculosenelloteesdemasiado
pequea.Estoquieredecirquesedeberechazarellotesiseencuentranmsde
dos artculos defectuosos, pues habra serias dudas de que el fabricante est
diciendolaverdadfrenteasuproduccin.

2.6.DISTRIBUCINPOISSON

Estaesotradistribucindeprobabilidaddiscretatilenlaquelavariablealeatoria
representa el nmero de eventos independientes que ocurren a una velocidad
constante. La distribucin de Poisson, llamada as en honor a Simen Denis
Poisson probabilista francs que fue el primero en describirla, es el principal
modelo de probabilidad empleado para analizar problemas de lneas de espera,
confiabilidad y control de calidad; como el nmero de personas que llegan a un
lugardeterminadoenuntiempodefinido,losdefectosenpiezassimilaresparael
material,elnmerodebacteriasenuncultivo,elnmerodegolesanotadosenun
partidodeftbol,elnmerodefallasdeunamquinaenunahoraoenunda,la
cantidad de vehculos que transitan por una autopista, el nmero de llamadas
telefnicas por minuto, etc. Como se puede observar se trata de hallar la
probabilidaddeocurrenciadecualquiernmeroporunidaddemedicin(temporal
oespacial).

Dado un intervalo de nmeros reales, si ste puede dividirse en subintervalos

suficientementepequeos,talesque:
94
(1) La probabilidad de ms de un acierto en un subintervalo es cero o
insignificante.
(2) La probabilidad de una ocurrencia en un subintervalo es la misma
paratodoslossubintervalos,yesproporcionalalalongituddeestos.
(3) El conteo de ocurrencias en cada subintervalo es independiente del
delosdemssubintervalos.
entonces el experimento aleatorio recibe el nombre de proceso Poisson o flujo
deprocesosdePoisson.

Un proceso Poisson constituye un mecanismo fsico aleatorio en el cual los

eventosocurrenalazarenunaescaladetiempo(odedistancia).Porejemplo,la
ocurrencia de accidentes en un cruce especfico de una carretera sigue dicho
proceso. Cabe recordar que no es posible predecir con exactitud la cantidad de
accidentes que pueden ocurrir en determinado intervalo de tiempo, pero s el
patrndelosaccidentesengrannmerodedichosintervalos.

Dado un proceso Poisson donde es el nmero promedio de ocurrencias en el

intervalo de nmeros reales donde este se define, la variable aleatoria X
correspondiente al nmero de ocurrencias en el intervalo es llamada variable
aleatoriaPoissonysufuncindeprobabilidadestdadapor:

0 ,... 2 , 1 , 0
!
) ; ( > = =

x
x
e
x f
x

LadistribucinPoissonrepresentalaprobabilidaddequeuneventoaisladoocurra
unnmeroespecficodevecesenunintervalodetiempo(ounespacio)dado,al
fijarse la tasa de acontecimientos en un continuo temporal (o espacial). Su
parmetroes,elnmeropromediodeocurrenciasdelexperimentoaleatorio.En
muchoscasossedenotacomo
) ; ( x
.

LaprobabilidaddequeunavariablealeatoriaPoissonXseamenoroiguala
unvalordexsedeterminaporlafuncindedistribucinacumulada:

= =
x
i
i
i
e
x F x X P
0
!
) ; ( ) (

LadistribucinPoissonsehatabuladodemaneraparadistintosvaloresde.En
la tabla A.2. del anexo A, se proporcionan las probabilidades acumuladas para
distintos valores del parmetro . El procedimiento para su clculo es similar al
seguido en el clculo de probabilidades acumuladas de variables aleatorias
binomiales,
(1)Localiceelvalorde,indicadoenlaprimerafiladelatabla.
(2)Identifiquelacolumnadenmerosqueseobtienendelpaso(1).
(3)Ubiqueelvalorcorrespondientedexenlaprimeracolumna.
95
(4)Hagacoincidirocruzarlafilaqueobtuvoenelpaso(3)conlacolumna
delpaso(1)paraobtenerelvalordelaprobabilidadacumuladadeseada.

Sepuedehacerusodeestatablaparadeterminarlasprobabilidadesindividuales
puesto que la variable aleatoria Poisson tiene un valor entero y se aplica la
propiedad:

) ; 1 ( ) ; ( ) ; ( = x F x F x

El nmero promedio de ocurrencias de un evento por unidad de tiempo (o de

espacio)eslamediadelavariablealeatoriaPoissonysedefinecomo:

= = ) ( X E
X

Yladesviacinestndarresultaser: = = ) (
2
X V
X

EJEMPLO2.11
Un equipo de ftbol, en un campeonato local, lleva un promedio de 2,5 goles
anotados.Calculelaprobabilidaddequeenunpartidocualquieraelequipohaga:
a. cuatrogoles.
b. entre4y6golesinclusive.
c. nomsdetresgoles.
d. ningngol.
e. porlomenostresgoles.

Sea X el nmero de goles por partido de ftbol jugado anotados por un equipo.
EntoncesXsedistribuyecomounaPoissonconparmetro=2.5.
!
5 . 2
) 5 . 2 ; (
5 . 2
x
e
x
x
=
HaciendousodelastablasdeprobabilidadesacumuladasdePoisson,seobtiene:

a. 1336 , 0 7576 , 0 8912 , 0 ) 5 . 2 ; 3 ( ) 5 . 2 ; 4 ( ) 5 . 2 ; ( ) 5 . 2 ; ( ) 4 (

3
0
4
0
= = = = =

= =
F F x x X P
x x

b.
2282 , 0 7576 , 0 9858 , 0 ) 5 . 2 ; 3 ( ) 5 . 2 ; 6 (
) 5 . 2 ; ( ) 5 . 2 ; ( ) 5 . 2 ; ( ) 6 4 (
3
0
6
0
6
4
= = =
= =

= = =
F F
x x x X P
x x x

c. 7576 , 0 ) 5 . 2 ; 3 ( ) 3 ( = = F X P

96
d. 0821 , 0 ) 5 . 2 ; 0 ( ) 5 . 2 ; ( ) 0 (
0
0
= = = =

=
F x X P
x

e. 4562 , 0 5438 , 0 1 ) 5 . 2 ; 2 ( 1 ) 5 . 2 ; ( 1 ) 3 (
2
0
= = = =

=
F x X P
x

2.6.1. DistribucinPoissoncomoaproximacinaladistribucinbinomial

La distribucin Poisson ofrece una aproximacin excelente a la funcin de

probabilidad binomialcuando la probabilidad p de tener un xitoes pequea y el
tamaondelamuestraesgrande.Podradecirsequesetieneunaaproximacin
muy satisfactoria cuando 20 n y 05 . 0 n y tal aproximacin se incrementa a
medidaquedisminuyep.Esteresultadoseobtienemedianteelsiguienteteorema.

SeaXunavariablealeatoriacondistribucinbinomialyfuncindeprobabilidad:
x n x
q p
x
n
n p x b


|
|

\
|
= ) , ; (

Si para n = 1, 2, la relacin
n
p

= es cierta para alguna constante 0 > ,
entonces:
,... 2 , 1 , 0
!
) , ; (
0
= =

x
x
e
p n x b lm
x
p
n

Deacuerdoalanteriorteorema,lamediaylavarianzadeladistribucinbinomial
es:
= = = np X V X E ) ( ) (

EJEMPLO2.12.

Siel1%delasbombillasfabricadasporunaempresasondefectuosas,determine
laprobabilidaddequeenunamuestrade100bombillas3seandefectuosas.

SeaXelnmerodebombillasdefectuosasconp=0.01yn=100,entoncesXes
una variable aleatoria binomial que puede aproximarse a una Poisson con
parmetro=np=(0.01)(100)=1ysufuncindedistribucines:

97
!
1
) 1 ; (
1
x
e
x
x
=

Laprobabilidaddeencontrar3bombillasdefectuosases:

0613 , 0
! 3
1
) 3 (
3 1
= = =

e
X P

98
EJERCICIOSCAPITULODOS

1.-Sesabequeel60%delosalumnosdeunauniversidadasistenaclaseselda
viernes.Enunaencuestaa8alumnosdelauniversidad.Culeslaprobabilidad
dequea)porlomenossieteasistanaclaseeldaviernes.b)porlomenosdosno
asistanaclase.

2.-Segnlosregistrosuniversitariosfracasael5%delosalumnosdeciertocurso.
culeslaprobabilidaddequede6estudiantesseleccionadosalazar,menosde
3hayanfracasado?

3.- En promedio, el 10% de las varillas de madera usadas en cierto producto

presentan problemas para ser usadas. cul es la probabilidad de que en un
paquetede15varillas,a)encuentreexactamente5condefectos.b)porlomenos
10estnnudosas,c)nomasde4estnnudosas.

4.- Una compaa de seguros considera que alrededor del 25% de los carros se
accidentan cada ao. Cual es la probabilidad de que por lo menos 3 de una
muestrade7vehculosasegurados,sehayaaccidentado?

5.-Losregistrosmuestranque30%delospacientesadmitidosenunaclnica,no
pagansusfacturasyeventualmentesecondonaladeuda.Supongaquellegan4
nuevos pacientes a la clnica, cual es la probabilidad de que se tenga que
perdonar la deuda de uno de los cuatro. B) los cuatro pacientes paguen sus
facturas.

6.- El conmutador de un hospital recibe en promedio 20 llamadas cada dos

minutos.Cualeslaprobabilidaddequelleguencomomximodosllamadasenun
periodode15segundos.

7.- Los clientes llegan a una exhibicin a razn de 6,8 clientes /hora Calcule la
probabilidaddequea)enlaprimeramediahoraporlomenoslleguendosclientes;
b)encualquierhoradadalleguemasdeuno.

8.-Elnumeropromediodeurgenciasquellegaaunhospitalenunahoraesde12.
Cual es la probabilidad de que en un minuto lleguen por lo menos 2 urgencias.
Cualeselnumerodeurgenciasesperadoporminuto?

9.- Las estadsticas indican que en una fabrica se presentan en promedio 10

accidentes por trimestre. Determine la probabilidad de que no haya mas de 12
accidentesenelltimotrimestre.

10.-Elnumerodepersonasqueingresanalaunidaddecuidadosintensivosdeun
hospitalenundacualquiera,esde5personasdiarias.Cualeslaprobabilidadde
99
queelnumerodepersonasqueingresanalaunidaddecuidadosintensivosenun
daparticularseamenoroiguala2personas?

11.- Un jefe de almacn sabe que 6 de las 25 bicicletas que tiene para la venta
presentan fallas en los frenos y necesitan ajuste. Si el vendedor que no tena
conocimientodeloanteriorvendienelda4bicicletas,culeslaprobabilidad
dequevendieradosdelasquerequeranajuste

12.-De un grupo de 20 ingenieros con doctorado, se seleccionan 10 para unalto

cargo de una compaa. Cual es la probabilidad de que los 10 seleccionados
incluyaalos5ingenierosquetienenlasmejorescalificacionesdelgrupode20?

13.- Un almacn contiene diez maquinas impresoras, cuatro de las cuales estn
defectuosas. Una compaa selecciona al azar cinco de las maquinas, pensando
que todas estn en condiciones de trabajar, cul es la probabilidad de que las
cincomaquinasestnenbuenestado?

14.- En promedio una casa de cada 2000 en cierta zona de Barranquilla se

incendiaduranteelao,sihay6000casasendichazonaCuleslaprobabilidad
dequemasde3casasseincendienduranteelao?

15.-Laprobabilidaddequeunestudiantedeaviacinpaselapruebaescritapara
obtener su licencia de piloto privado es de 0.7. encuentre la probabilidad de que
unapersonapaselapruebaantesdelcuartointento.

16.- La experiencia mostr que en promedio, solamente uno de diez pozos

perforadosllegaaproducirpetrleo.Cualeslaprobabilidaddequenecesiteocho
perforacionesparaencontrarpetrleo.

17.- En un departamento de control de calidad se inspeccionan las unidades

terminadasqueprovienendeunalneadeensamble.Sepiensaquelaproporcin
de unidades defectuosas es de 0.05. Cual es la probabilidad de que la vigsima
unidadinspeccionadasealasegundaqueseencuentredefectuosa?

100
CAPITULOTRES
DISTRIBUCIONESDEPROBABILIDADCONTINUA

3.1.DISTRIBUCIONUNIFORME
SedicequeunavariableXposeeunadistribucinuniformeenelintervalo[a,b],
sisufuncindedensidadeslasiguiente:

Con esta ley de probabilidad, la probabilidad de que al hacer un experimento

aleatorio, el valor deX este comprendido en cierto subintervalo de [a,b] depende
nicamentedelalongituddelmismo,nodesuposicin.
Teniendoencuentaquesi ,

lafuncindedistribucinde es:

101
Figura3.1
FuncindeProbabilidadydeDistribucindelaVariableUniformeContinua

Elvaloresperadosepuededefinir:

Lavarianza:

Ejemplo3.1:
El volumen de precipitaciones estimado para el prximo ao en la ciudad de
Bucaramanga va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la
funcindedistribucinylaprecipitacinmediaesperada:

Esdecir,queelvolumendeprecipitacionesestentre400y401litrostieneun1%
deprobabilidades;queestentre401y402litros,otro1%,etc.
102
Elvalormedioesperadoes:

Esdecir,laprecipitacinmediaestimadaenBucaramangaparaelprximoaoes
de450litros.

3.2.DISTRIBUCIONNORMALOGAUSSIANA
Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de
fenmenossecomportansegnunadistribucinnormal.
Esta distribucin de caracteriza porque los valores se distribuyen formando una
campana de Gauss,en tornoa un valor central que coincide con el valor medio
deladistribucin:
Figura3.2
Funcindedensidaddeunavariablealeatoriadedistribucinnormal

Ladistribucingaussiana,recibetambinelnombrededistribucinnormal,yaque
una gran mayora de las variables aleatorias continuas de la naturaleza siguen
esta distribucin. Se dice que una variable aleatoria X sigue una distribucin
normalsisufuncindedensidades:

Estadistribucinvienedefinidapordosparmetros:X:N(,
2
)
103

:eselvalormediodeladistribucinyesprecisamentedondesesitaelcentro
delacurva(delacampanadeGauss).

2
: es la varianza. Indica si los valores estn ms o menos alejados del valor
central: si la varianza es baja los valores estn prximos a la media; si es alta,
entonceslosvaloresestnmuyalejadosdeella.Serepresentapor
2
porquesu
raizcuadrada, ,esladenominadadesviacinestandar.
3.2.1Distribucinnormalestndarotipificada

Cuando la media de la distribucin normal es 0 y la varianza es 1, se denomina

"normal tipificada", y su ventaja reside en que hay tablas, o rutinas de clculo
que permiten obtener esos mismos valores, donde se recoge la probabilidad
acumuladaparacadapuntodelacurvadeestadistribucin.

Adems, toda distribucin normal se puede transformar en una normal

tipificada:
Enelcasodequetengamosunadistribucindiferente,
seobtieneZhaciendoelsiguientecambio:

La distribucin normal tipificada tiene la ventaja, como ya hemos indicado, de

que las probabilidades para cada valor de la curva se encuentran recogidas en
unatabla.(VertablacompletaenelarchivoanexodeTablasestadsticas)
X 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
104
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
Cmoseleeestatabla?
Lacolumnadelaizquierdaindicaelvalorcuyaprobabilidadacumuladaqueremos
conocer. La primera fila nos indica el segundo decimal del valor que estamos
consultando.

Ejemplo3.2.

Queremos conocer la probabilidad acumulada en el valor 2,75. Entonces

buscamos en la columna de la izquierda el valor 2,7 y en la primera fila el valor
0,05. La casilla en laque se interceptan essu probabilidad acumulada (0,99702,
esdecir99.7%).

Atencin:latablanosdalaprobabilidadacumulada,esdecir,laquevadesdeel
inicio de la curva por la izquierda hasta dicho valor. No nos da la probabilidad
concreta en ese punto. En una distribucin continua en el que la variable puede
105
tomar infinitos valores, la probabilidad en un punto concreto es prcticamente
despreciable.

Ejemplo3.3.

Imaginemos que una variable continua puede tomar valores entre 0 y 5. La

probabilidad de que tome exactamente el valor 2 es despreciable, ya que podra
tomarinfinitosvalores:porejemplo:1,99,1,994,1,9967,1,9998,1999791,etc.

Veamosotrosejemplos:

a.-Probabilidadacumuladaenelvalor0,67:larespuestaes0,7486
b.-Probabilidadacumuladaenelvalor1,35:larespuestaes0,9115
c,-Probabilidadacumuladaenelvalor2,19:larespuestaes0,98574
Veamosahora,comopodemosutilizarestatablaconunadistribucinnormal:

Ejemplo3.4.

El salario medio de los empleados de una empresa se distribuye segn una

distribucinnormal,conmedia$500.000.ydesviacintpica$100.000Calcularel
porcentajedeempleadosconunsueldoinferiora$700.000
Solucin:
Loprimeroqueharemosestransformaresadistribucinenunanormaltipificada,
paraellosecreaunanuevavariable(Z)queserigualalaanterior(X)menossu
mediaydivididaporladesviacintpica
000 . 100
000 . 500 000 . 700
= Z
Esta nueva variable se distribuye como una normal tipificada. La variable Z que
correspondeaunavariableXdevalor700.000es:
2 = Z
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2
(equivalentealaprobabilidaddesueldosinferioresa$700.000.).Estaprobabilidad
es0,97725
106
Porlotanto,elporcentajedeempleadosconsalariosinferioresa$700.000esdel
97,725%.
EJEMPLO3.5.
La renta media de los habitantes de un pas es de 4 millones depesos/ao, con
unavarianzade1,5.Sesuponequesedistribuyesegnunadistribucinnormal.
CalcularelPorcentajedelapoblacinconunarentainferiora3millonesdepesos.
Solucin:
Loprimeroquetenemosquehacerescalcularlanormaltipificada:
5 . 1
4 3
= Z
Recordemos que el denominador es la desviacin tpica ( raz cuadrada de la
varianza)
ElvalordeZequivalentea3millonesdepesoses-0,816.
P(X<3)=P(Z<-0,816)
Ahora tenemos que ver cul es la probabilidad acumulada hasta ese
valor.Tenemos un problema: la tabla de probabilidades slo abarca valores
positivos, no obstante, este problema tiene fcil solucin, ya que la distribucin
normalessimtricarespectoalvalormedio.
Porlotanto:
P(Z<-0,816)=P(Z>0,816)
Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%)
menoslaprobabilidadacumuladahastadichovalor:
P(Z>0,816)=1-P(Z<0,816)=1-0,7925=0,2075
Luego,el20,75%delapoblacintieneunarentainferiora3millonespesos.

EJEMPLO3.6

107
Lavidamediadeloshabitantesdeunpasesde68aos,conunavarianzade
25.Sehaceunestudioenunapequeaciudadde10.000habitantes:
a)Cuntaspersonassuperarnprevisiblementelos75aos?
b)Cuntosvivirnmenosde60aos?

Solucin:
a)Cuntas personas superarn previsiblemente los 75 aos? Calculamos el
valordelanormaltipificadaequivalentea75aos
P(X>75)=P(Z>1,4)=1-P(Z<1,4)=1-0,9192=0,0808
Luego,el8,08%delapoblacin(808habitantes)vivirnmsde75aos.
b)Personasquevivirn(previsiblemente)menosde60aos.Calculamoselvalor
delanormaltipificadaequivalentea60aos
P(X<60)=P(Z<-1,6)=P(Z>1,6)=1-P(Z<1,6)=0,0548
Luego, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a
estaedad.
EJEMPLO3.7
La vida media de una lmpara, segn el fabricante, es de 68 meses, con una
desviacintpicade5.Sesuponequesedistribuyesegnunadistribucinnormal
Enunlotede10.000lmparas.a)Cuntaslmparassuperarnprevisiblemente
los75meses?.b)Cuntoslmparasseestropearnantesde60meses?
Solucin:
Z=(75-68)/5=1,4
P(X>75)=P(Z>1,4)=1-P(Z1,4)=1-0,9192=0,0808
Luego,el8,08%delaslmparas(808lmparas)superarnlos75meses
b)Z=(60-68)/5=-1,6
P(X60)=P(Z-1,6)=P(Z>1,6)=1-P(Z1,6)=0,0548
Luego, el 5,48% del lote (548 lmparas) no llegarn probablemente a durar 60
meses

108
Ejemplo3.8
El consumo medio bimestral de energa elctrica en una ciudad es de 59 Kwh.,
con una desviacin tpica de 6 Kwh. Se supone que se distribuye segn una
distribucinnormal. a) Cuntos Kwh. tendra que consumir bimestralmentepara
pertenecer al 5% de la poblacin que ms consume?. b) Si usted consume 45
Kwh.qu%delapoblacinconsumemenosqueusted?
Solucin:
a) Buscamos en la tabla el valor de la variable tipificada cuya probabilidad
acumulada es el 0,95 (95%), por lo que por arriba estara el 5% restante. Este
valorcorrespondeaZ=1,645.AhoracalculamoslavariablenormalXequivalente
aesevalordelanormaltipificada:
1,645=(X-59)/6X=67,87
Porlotanto,tendraustedqueconsumirmsde67,87Kwh.bimestralmentepara
perteneceral5%delapoblacinquemsconsume
b)Vamosaverenqueniveldelapoblacinsesituaraustedenfuncindelos45
Kwh.consumidos.
Calculamoselvalordelanormaltipificadacorrespondientea45Kwh.
Z=(45-59)/9=-2.333
P (X 45) = P (Z -2,333) = P (Z > 2,333) = 1 - P (Z 2,333) = 1 - 0,9901 =
0,0099
Luego,tansloun1,39%delapoblacinconsumemenosqueusted

109
EJERCICIOSCAPITULO3
1.- Una maquina automtica con funcionamiento electrnico hace pernos de 3/8
depulgadaloscualesdebentenerunalongitudde3pulgadas.Sienrealidadlas
longitudesde los pernos de 3/8 sedistribuyen uniformeenel intervalo (2,5 : 3,5)
pulgadasCuleslaprobabilidaddequeunodelospernoselegidoalazar,deun
lotedeterminadotengaunalongitudde:
a.-esteentre2.75y3.25pulgadas
b.-seamayorde3.25pulgadas
c.-seaexactamenteiguala3pulgadas

2.- Una empresa de productos de hule fabrica pelotas esfricas de hule baratas,
cuyos dimetros oscilan entre 4 y 8 cm. Suponga que el dimetro de una pelota
elegidaalazaresunavariablealeatoriaquesedistribuyedemodouniformeentre
dichosvalores.Culeselvaloresperadodelvolumendeunapelota?

3.-Elpesodeunbeberecinnacidoenunpasesunavariablealeatoriacontinua
quesigueunadistribucinnormal,conmedia3.2kgydesviacintpicade0.4kg.
Determineelporcentajedebebesrecinnacidosquepesan3.5kgomas.

4.- Un nmero considerable de muestras aleatorias de leche parcialmente

descremadafueron
110

BIBLIOGRAFA

CANAVOSC.,George(1986).ProbabilidadyEstadstica.Mxico:McGrawHil.

CASTILLOGARZN,Patricia(1998).MtodoscuantitativosIenadministracin.
SantafdeBogot:UNAD.

CHRISTENSEN, Howard B. (1999). Estadstica Paso a Paso. Mxico: Editorial

Trillas.

HERNNDEZ MAHECHA, Carlo Marcelo (2000). Introduccin a la Probabilidad.

GuadeEstudio.SantafedeBogot:UNAD.

KENNEDY, John B. & NEVILLE, Adam M. (1982). Estadstica para ciencias e

ingeniera.Mxico:HarlaS.A.

LIPSCHUTZ,Seymour.Teorayproblemasdeprobabilidad.Seriedecompendios
Schaum.Mxico:McGrawHill.

LOPES, Paulo Afonso (2000). Probabilidad & Estadstica: Conceptos, Modelos,

AplicacionesenExcel.SantafedeBogot:PrenticeHall,PearsonEducacin.

MARTNEZBENCARDINO,Ciro(2004).EstadsticaBsicaAplicada.Santafede
Bogot:ECOEEdiciones.

MARTNEZ BENCARDINO, Ciro (2003). Estadstica y Muestreo. Santa fe de

Bogot:ECOEEdiciones.

MARTNEZ BENCARDINO, Ciro (1992). Estadstica. Apuntes y 614 problemas

resueltos.SantafedeBogot:ECOEEdiciones.

MENDENHALL (1982). Introduccin a la Probabilidad y la Estadstica. EEUU:

Iberoamericana

MILTON,J.Susan(1999).Estadsticaparabiologaycienciasdelasalud.Madrid:
McGrawHillInteramericana.

MONTGOMERY, Douglas C. & RUNGER, George C. (1997). Probabilidad y

EstadsticaaplicadasalaIngeniera.Mxico:McGrawHill.

111
ORTEGA, Joaqun y WSCHEBOR, Mario (1994). Introduccin a la Probabilidad.
SantafedeBogot:UNISUR.

PUENTES MEJA, Carlos Eduardo (1995). Elementos de Probabilidad y de

MtodosEstadsticos.SantafdeBogot:UNISUR.

SPIEGEL, Murray R. (1991). Estadstica. Serie de compendios Schaum. Mxico:

McGrawHill.

TRIOLA, Mario F. (2004). Probabilidad y estadstica. Novena edicin. Mxico:

Pearson&AddisonWesley.

VELASCO SOTOMAYOR, Gabriel & PIOTR WISNIEWSKI, Marian (2001).

Probabilidadyestadsticaparaingenierayciencias.Mxico:ThomsonLearning.

VELASCO SOTOMAYOR, Gabriel & PIOTR WISNIEWSKI, Marian (2001).

ProblemariodeProbabilidad.Mxico:ThomsonLearning.

CIBERGRAFA

http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematicas-28.html

http://server2.southlink.com.ar/vap/PROBABILIDAD.htm

http://es.wikipedia.org/wiki/Probabilidad

http://descartes.cnice.mecd.es/3_eso/Azar_y_probabilidad/

http://www.terra.es/personal2/jpb00000/pprobjunio99.htm

http://www.terra.es/personal2/jpb00000/pprobjunio00.htm

http://www.fvet.edu.uy/estadis/probabilidad.htm

http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematicas-28.html

http://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm

http://www.uantof.cl/facultades/csbasicas/Matematicas/academicos/emartinez/Esta
distica/index.html

http://www.cortland.edu/flteach/stats/links.html

http://www.d16acbl.org/U173/Brmx_prob1.html#_1

112
http://espanol.geocities.com/eprobabilidades/index.htm

http://www.monografias.com/trabajos11/tebas/tebas.shtml#intro