2

SESION 01
INTRODUCCIN
El
trmino
Estadstica
tiene
diversos
significados, dependiendo del modo en que se
emplee; as pues, para un poltico, estar
relacionado con algn tipo de rcord nacional
o regional; un cientfico lo relacionar con
alguna tcnica ms o menos sofisticada de
prueba de hiptesis; para un matemtico, este
trmino estar relacionado con alguna frmula
empleada para estimar algn parmetro de
una variable aleatoria. Todos estos significados
se agrupan para formar esta ciencia, rama de
las matemticas, la cual se fundamenta
bsicamente en la teora de probabilidades.
Antes de tratar de discutir este tema, ser
conveniente revisar algunas definiciones:
Steel y Torrie dicen que la estadstica "es la
ciencia, pura y aplicada, que se encarga de
crear, desarrollar y aplicar tcnicas, de tal
manera que la incertidumbre de las inferencias
inductivas pueda ser evaluada".
Segn Lewis, "ciencia y tcnica que se ocupa
de reunir, analizar y resumir datos y de
estimar la probabilidad de la inferencia que se
haga con dichos datos".
Toro, define a la estadstica como "ciencia que
tiene por objeto agrupar metdicamente todos
los hechos que se presten a una valuacin
numrica".
Toro , define a la bioestadstica como "parte
de la biologa que aplica a los seres vivientes
los mtodos estadsticos y el clculo de
probabilidades".
La Estadstica, particularmente desde el
punto de vista aplicado al mtodo cientfico, es
una ciencia joven pudindose estudiar desde
dos aspectos: el descriptivo y el inferencial:
La Estadstica Descriptiva. se ocupa de
la representacin objetiva de la
informacin (datos) colectada; para
esto se requiere al menos de un
mnimo de conocimientos tericos, as
como de bastante habilidad para
comunicar en forma clara un mensaje
deseado, haciendo uso de figuras,
grficas, tablas, dibujos, etc.
La Estadstica Inferencial. trata de lo
concerniente a la obtencin de
deducciones de una parte al todo,
desarrollando para esto las tcnicas de
muestreo, las tcnicas de estimacin y
las tcnicas de prueba de hiptesis.
Para
llegar
a
la
parte
aplicada,
y
principalmente para conocer las bases sobre
las que descansa esto, se necesita tener al
menos un concepto somero acerca de

mediciones,
lgebra
de
conjuntos,
probabilidades,
variables,
funciones,
densidades, distribuciones y de lmites de
confianza en la estimacin de parmetros o
constantes poblacionales.
Los objetivos que expone Genter para un
curso de este estilo, parecen muy apropiados
para finalizar este captulo de introduccin:
Introducir a los estudiantes en el
lenguaje y filosofa de la estadstica.
relacionarlos
con
los
tipos
de
problemas que pueden ser conducidos
a soluciones estadsticas.
Presentar suficiente tcnica estadstica
para que los estudiantes puedan
trabajar algunos tipos estndar de
problemas.
Habilitar a los estudiantes para que
puedan
leer
y
comprender
los
resultados
sumarizados
de
experimentos estadsticos llevados a
cabo por otros investigadores. puede
ser que algunos nunca tengan que
llevar a cabo un experimento por s
mismos, pero puede ser que tengan
que leer acerca del trabajo de otros en
"Journals".
PERMUTACIONES
Permutacin: Conjunto ordenado de n
elementos.
Notacin: Pn
;
Pn,n
;
An, n
Permutacin de 5 elementos
P5 = 5! Por lo que:
Pn = n!
P5 = 5! = 5 x 4 x 3 x 2 x 1 = 120
Ejemplo 1:
Para el conjunto {a, b, c} existen las
siguientes permutaciones:
Solucin:
Abc, acb, bca, bac, cab, cba = 6
P3 = 3! = 6
Ejemplo 2:
En una asamblea de accionistas, hay 6
personas que han solicitado hacer uso de la
palabra En cuntas rdenes diferentes
pueden hablar, si es que no se ha establecido
un orden de prioridades?
Solucin:
P6 = 6! = 720 formas distintas
Ejemplo 3:
En un proceso de manufactura hay seis
operaciones distintas, que se indican con A, B,
C, D, E y F. En general no existe una secuencia
fija para las operaciones, con la salvedad de
que A debe efectuarse al principio y F al final.

3
Cuntas
secuencias
diferentes
pueden
ocurrir?
Solucin:
A B C D E F
P4 = 4! = 24 formas diferentes
Cuando se toman parte de los elementos del
conjunto se tiene:
n!
Pn,r =
( n r )!
Ejemplo 4:
Si : n = 5
y
r=3
5!
5! 120

60
P5,3 =
(5 3)! 2!
2
Ejemplo 5:
Hay 7 candidatos para desempear 3 tareas, si
todos
los
candidatos
son
igualmente
eficientes, De cuntas maneras se puede
efectuar la asignacin?
Solucin:
7!
7!
7.6.5.4!

210
P7,3 =
(7 3)!
4!
4!
Ejemplo 6:
De cuntas maneras 3 fresadoras, 4 tornos, 4
taladros y 2 cepillos pueden ordenarse en fila
en un taller, de modo que el mismo tipo de
mquina queden juntas.
3F
4T
4T
2C
P3 = 3!

P4 = 4!

P4 = 4!

P2 = 2!

P4 = 4!
3! x 4! x 4! x 2! x 4! = 165,888 maneras
diferentes
Combinaciones :
Una combinacin de n elementos tomados
de r en r es un subconjunto no ordenado
de r elementos con r n.
2 combinaciones formadas por r elementos
son distintas, si difieren al menos en un
elemento.
Ejemplo 1:
Sea el conjunto {a, b, c} de cuntas maneras
podemos seleccionar:
a)
un elemento
b)
dos elementos
c)
tres elementos
Solucin:
a)
Existen 3 formas de seleccionar un
elementos: a; b; c.
b)
Existen 3 formas de seleccionar dos
elementos: ab, ac, bc
c)
Existe 1 forma de seleccionar 3
elementos: abc

n

r
Para determinar el nmero de combinaciones
de n elementos tomando de r en r:
n!
C rn
r!( n r )!
Ejemplo :
Si n = 10
r=7
10
!
10!
10.9.8.7! 720
C710

120
7! (10 7)! 7!.3!
7!.3!
6
Notacin: nCr;

Ejemplo 2:
El congreso anglomexicano de administracin
pblica, debe elegir el futuro comit ejecutivo
que regir a esa institucin durante el prximo
ao.
La comisin directiva se forma con 6
integrantes y este ao han sido propuestos 7
representantes mexicanos y 4 ingleses para
ser electos. Se pide determinar de cuntas
maneras se puede integrar la comisin en los
siguientes casos:
a)
Si en la comisin debe haber 4
mexicanos y 2 ingleses.
b)
Si en la comisin debe haber como
mnimo 2 ingleses y 2 mexicanos.
Solucin:
a)
Los mexicanos se pueden escoger de:
7!
C 47
35
4!.3!
Los ingleses se pueden escoger de:
4!
C24
6
2!.2!
Conjuntamente :
= 35 x 6 = 210
7 .
4

C4

b)
1)

C2

Se pueden presentar los casos:

2 ingleses y 4 mexicanos:
4

C2 C47

=6x

35 = 210
2)
3 ingleses y 3 mexicanos: C34 C37 = 140
3)
4 ingleses y 2 mexicanos: C44 C37 = 21
210 + 140 + 21 = 371
Ejemplo 3:
En los laboratorios ELKO hay 3 plazas
vacantes de un total de 33 solicitudes de
empleo, slo 14 se han considerado
aceptables, en bases en las entrevistas
practicadas por el departamento de personal.
De cuntas maneras pueden asignarse las 3
plazas?
a)
Si todos los empleos son de la misma
categora

4
b)
Si un empleo es de gerente de ventas,
uno es de agente visitador para las ciudades
de Puebla y Tlaxcala y otro de agente visitador
para las ciudades de Tampico y Cd. Madero.
Solucin:
a)
C314 364
b)

14 P3

14!
2184
11!

Problemas y Ejercicios Propuestos:

1. De 7 candidatos Cuntas ternos se pueden
escoger?
2. 4 alumnos deciden el horario en el cual
harn sus prcticas pre profesionales ,
sabiendo que existen 6 turnos disponible
distintos y en cada turno debe asistir uno de
ellos. Entonces cuntas formas pueden
practicar
3. En la distribucin de material para mdico
para 5 hospitales se tom en cuenta lo
siguiente :
A uno de ellos se debe entregar el material a
las 8:30 al otro a las 9:00 y al siguiente a las
9:30 y as sucesivamente hasta el ltimo . Si
existe la posibilidad de variar el orden de
entrega de material a cada hospital, entonces
de cuantas formas distintas se entrega el
material.
4. Cuntos objetos distintos deben existir para
que el nmero de combinacin que se puede
formar , tomndolos de 2 en 2 sea igual a 6
veces el nmero de objetos
5. Calcular :

35!*28!
27!*36!
29!
b) K
27!28!
36!37!
c) K
37!36!
a) K

SESION 02
COMBINACIONES
Anlisis Combinatorio
Principio Fundamental del Conteo:
Suponga que una persona tiene 2 formas de ir
de una ciudad A a otra ciudad B; y una vez
llegada a B, tiene 3 maneras de llegar a otra
ciudad C, De cuntas maneras podr realizar
el viaje de A a C pasando por B?

Si empez a pie, podr tomar luego avin,

carro o trasatlntico, y si empez en bicicleta,
tambin
podr
tomar
avin,
carro
o
trasatlntico.
La persona tuvo 6 formas diferentes de
realizar el viaje que son:
(iniciales) pa, pc, pt, ba, bc, bt. (2 x 3 = 6)
Se puede representar en un diagrama de rbol

Por lo que el principio fundamental del anlisis

combinatorio, puede expresarse as:
Si una primera decisin, operacin o accin
puede efectuarse de a formas diferentes, una
segunda accin puede efectuarse de b formas
diferentes,
una
tercera
accin
puede
efectuarse de c formas diferentes y as
sucesivamente hasta la ensima accin que
puede efectuarse de z formas diferentes,
entonces el nmero total de formas diferentes
que pueden efectuarse estas n acciones es
igual con:
a x b x c x ... x z
Este principio tambin se llama principio del
anlisis combinatorio principio multiplicativo.
Ejemplo 1: De cuntas maneras diferentes
podr vestirse un joven que tiene 3 camisas
diferentes, 4 pantalones y 2 pares de calzado?
Solucin:
3 x 4 x 2 = 24 maneras diferentes
Ejemplo 2: En una ciudad los nmeros de
telfono constan de 5 dgitos, cada uno de los
cuales se llama con alguno de los 10 dgitos (0
al 9). Cuntos nmeros diferentes pueden
formularse?
Solucin:
10 x 10 x 10 x 10 x 10 = 100,000 nmeros
diferentes
Ejemplo 3:
La agencia de Publicidad PIPSA, ha obtenido la
exclusividad respecto a una lnea de polvos
para preparar postres. A estos efectos la
agencia ha decidido organizar un concurso

5
nacional destinado a adivinar el nombre futuro
de esa lnea de productos.
Las condiciones son:
a)
Los nombres que se propongan deben
ser de 4 letras.
b)
Ninguna letra debe repetirse.
c)
La primera y tercera letras deben ser
consonantes.
d)
La segunda y cuarta letras deben ser
vocales.
e)
Si una persona propone 2 veces el
mismo nombre queda descalificada.
Cuntos nombres debe proponer una
persona para estar seguro que participa en el
sorteo pblico?
Considerar 28 letras del alfabeto
Solucin:
23 x 5 x 22 x 4 = 10,120 nombres diferentes
Por qu esos nmeros?
Porque hay 28 letras del alfabeto, 23
consonantes y 5 vocales, pero se disminuy de
23 a 22 en la primera y tercera cifra porque
una de las condiciones es que las letras no se
repitan. As como 5 y 4 en la segunda y cuarta
cifras, que son las vocales.
Notacin Factorial
En algunos problemas de matemticas se nos
presentan
multiplicaciones
de
nmeros
naturales sucesivos tal como:
4 x 3 x 2 x 1 = 24
;
3x2x1=6
;
2 x 1 = 2.
Para abreviar estas expresiones, se usa una
notacin especial llamada notacin factorial y
nos denota las multiplicaciones sucesivas de n
hasta l y se define como:
4 x 3 x 2 x 1 = 4!
Se lee: cuatro factorial
o factorial de cuatro
3 x 2 x 1 = 3! Se lee: tres factorial
o
factorial de tres
En trminos generales:
n(n-1)(n-2)...x 2 x 1 = n! Se lee n factorial
o factorial de n
Propiedades:
a)
para n natural
n! = n(n-1)!
Ejemplo: 7! = 7 x 6! = 7 x 6 x 5 x 4!
b)
0! = 1
Ejemplos:
1)
5! = 5 x 4 x 3 x 2 x 1 = 120
2)
4! 3! = (24)(6) = 144
3)
4)

5)
Cuando n es demasiado grande se suele
utilizar la frmula de Stirling:
Ejemplo:
Determinar 50! por Stirling:
SESION 03
VARIACIONES
Calcula el nmero de subgrupos de 1, 2, 3,
etc. elementos que se pueden establecer con
los "n" elementos de una muestra. Cada
subgrupo se diferencia del resto en los
elementos que lo componen o en el orden de
dichos elementos (es lo que le diferencia de
las combinaciones).
Por ejemplo, calcular las
posibles variaciones de 2
elementos que se pueden
establecer con los nmeros 1, 2
y 3.
Ahora tendramos 6 posibles
parejas: (1,2), (1,3), (2,1), (2,3),
(3,1) y (3,3). En este caso los
subgrupos (1,2) y (2,1) se
consideran distintos.
SESION 04
INTRODUCCIN A LA PROBABILIDAD
Azar y Desconocimiento.
El azar est relacionado con el
desconocimiento. Un ejemplo nos puede
ayudar; piense en un proceso industrial que
produce grandes cantidades de un artculo
determinado. No todos los artculos producidos
son idnticos, cada artculo puede calificarse
como ``bueno'' o ``defectuoso''. Si de toda la
produccin se escoge un artculo ``a ciegas'',
ese artculo puede resultar bueno o
defectuoso. Esta es una situacin azarosa (o
aleatoria) y la parte esencial de este azar es
que no sabemos si el artculo seleccionado es
defectuoso. Claro que con experiencia en el
proceso es posible cuantificar de una manera
numrica qu tan factible es que el artculo
sea defectuoso o no.
Azar e incertidumbre.
Hay otro concepto asociado al azar y es el de
incertidumbre. Veamos un ejemplo. Respecto a
una inversin, podemos estar contemplando
invertir una cantidad de dinero. El retorno
sobre la inversin puede ser fijo, como en el
caso de una cuenta en un banco con inters
fijo; pero pensemos en una empresa. El

6
negocio puede resultar desde un gran xito
hasta un fracaso, es decir, la ganancia no es
fija, sino que depende del xito a obtener. Si
no podemos evaluar qu tan factible es cada
monto posible de la ganancia, tenemos una
situacin de incertidumbre. Por el contrario, si
podemos tener una idea de qu tan probables
son los diferentes resultados y entonces
tendremos una situacin de riesgo. Esta ltima
es la que llamamos aleatoria o azarosa.
Espacio Muestral y Probabilidad.
El prrafo anterior se resume diciendo que en
las situaciones o experimentos aleatorios
tenemos dos elementos esenciales:
1. Una lista de posibilidades a futuro:
espacio muestral
2. Una cuantificacin de la incertidumbre
sobre esa lista de posibilidades:
asignacin de probabilidades.
Cualquier problema o situacin en la
probabilidad, parte de esos dos elementos:
Espacio Muestral y Probabilidades.
ESPACIO MUESTRAL.
El espacio muestral es el conjunto de todos los
posibles resultados de un experimento o
situacin aleatoria.
Si en una caja hay 10 manzanas y 2 estn
echadas a perder (al menos en este
momento!), al extraer tres manzanas y ver
cuantas son buenas podemos obtener 1, 2 o 3
buenas (0 buenas es imposible!). De modo
que en este ejemplo el espacio muestral es:
{ 1, 2, 3 }.
Si un juego consiste en tirar todos los volados
que hagan falta hasta obtener tres guilas
seguidas o hasta que sean 15 volados, si nos
fijamos en el nmero de volados requeridos, el
espacio muestral es: { 3, 4, 5, . . . , 15 }. Pero
si nos fijramos en el nmero de soles que
resultan, entonces el espacio muestral es: { 0,
1, 2, . . . , 15 }.
Es claro que para determinar el espacio
muestral en un experimento aleatorio es
necesario entender perfectamente:
Qu se va a hacer.
Qu se va a observar o contar.
SUCESOS O EVENTOS.
Cuando se tiene un espacio muestral
llamamos, formalmente evento a cualquier
subconjunto del espacio muestral.
Decimos que un evento se realiza, cuando el
resultado del experimento aleatorio es un
elemento del evento.
Las dos definiciones anteriores son muy
abstractas. Veamos un par de ejemplos.

En el caso de contar cuantos volados hacen

falta para conseguir tres guilas seguidas o
tirar 15 volados; el espacio muestral son los
nmeros: 3, 4, 5, . . . , 15.
Un evento podra ser { 3, 5, 7, . . . , 15}.
Este evento corresponde a que el nmero de
tiros necesario sea n n. Si al hacer los
volados los resultados fueran:
AASAASSSAAA (aqu nos detenemos
porque han cado ya, tres guilas
seguidas), el evento si se realiz
porque el nmero necesario fue 11 y es
nn.
SSSAAA (aqu paramos porque ya hay
tres guilas), el evento no se realiz.
Podemos pensar que cada experimento al azar
es un juego y que un evento es una lista de los
resultados que hacen que YO gane.
Otro ejemplo ms. Al comprar llantas para mi
auto, puede ser que manifiesten un defecto de
fabricacin dentro del perodo de garanta
total y que el fabricante deba reponerlas.
Tambin puede pasar que el defecto se
manifieste en el perodo de garanta parcial y
que el fabricante bonifique slo un porcentaje
o que el defecto se manifieste despus de
vencido el perodo de garanta en cuyo caso el
fabricante no paga nada. Tambin puede pasar
que las llantas no tengan defecto de
fabricacin aparente y que no haya garanta
que reclamar. Como se puede considerar que
las llantas que me vendieron se escogieron al
azar de entre toda la produccin, tenemos un
experimento aleatorio.
El espacio muestral en este experimento es: S
= { T, P1, P2, P3, N, OK }. Con la siguiente
notacin T: pago total, P1 pago del 50%, P2:
pago del 30%, P3: pago del 10%, N: nada de
pago, OK: llantas sin defecto. El evento { OK }
slo se realiza cuando las llantas no tienen
defecto.
En este ltimo ejemplo se tiene un evento
simple porque consta de un solo punto del
espacio muestral. Ser compuesto cuando
tiene varios puntos del espacio muestral. Se
llama evento imposible al que no puede
ocurrir; ste evento corresponde al conjunto
vaco. Otro evento extremo es el espacio
muestral mismo que, puesto que siempre
ocurre, se llama evento seguro.
Problemas Propuestos:
1. En una caja hay 8 focos de los cuales 3
estn fundidos. Se van a sacar los focos
de uno en uno, hasta encontrar los tres
fundidos. Si nos fijamos en el nmero
de focos que se quedan en la caja cul
es el espacio muestral?

7
2. En el experimento de los volados
mencionado arriba. Si nos fijamos en el
nmero de soles que salieron, describa
en sus propias palabras, cul es el
evento { 0, 1, 2 }. Si los resultados
fueron AASAASAAA Por qu se detuvo
el experimento? Se realiz el evento?
3. Jntese con un compaero de este
curso y entre los dos discutan y
encuentren
un
ejemplo
de
un
experimento aleatorio relacionado con
las personas que estn en la biblioteca
despus de las 10 de la noche.
Expliquen cul es el espacio muestral.
Expliquen qu informacin necesitaran
para asignar probabilidades.
4. Con su mismo compaero, encuentren
un ejemplo
de un
experimento
aleatorio referente a las inscripciones.
Detallen
el
espacio
muestral.
Propongan un evento. Den un ejemplo
de un resultado que implique que el
evento no se realiz y otro resultado
donde el evento s se haya realizado.
SESION 05
PRACTICA CALIFICADA
SESION 06
PROBABILIDAD
Aparte del espacio muestral, en cada
experimento aleatorio hay una asignacin
primaria de probabilidades. Basados en la
experiencia o en razonamientos de simetra, a
cada elemento del espacio muestral le
asignamos una evaluacin de qu tan factible
es. Esta evaluacin se refleja en un porcentaje
(nmero entre 0 y 1). Entre ms factible sea el
resultado, mayor es el porcentaje que se le
asigna. Los casos extremos son:
Un evento que no puede suceder, tiene
probabilidad cero. Muchas veces estos
eventos con probabilidad cero son
imposibles por alguna contradiccin
lgica en su definicin. Por ejemplo:
``que la suma de dos dados sea n n y
los dos dados tengan el mismo
nmero''.
En el otro extremo hay eventos que
siempre suceden y estos tienen
probabilidad uno. Por ejemplo: ``que el
nmero de guilas en dos volados sea
menor o igual a 7.8'', aunque el evento
pueda resultar extrao en su definicin,
siempre sucede y tiene probabilidad
igual a 1.

La asignacin toma la forma matemtica de

una funcin y se llama funcin de
probabilidad.
El dominio de esta funcin es el espacio
muestral y su codominio es el intervalo real
[ 0, 1 ].
Esta funcin nos da las probabilidades de los
eventos simples. Para un evento compuesto,
simplemente sumamos las probabilidades de
los elementos que lo componen.
EJEMPLOS.
La probabilidad es un concepto muy viejo en
las matemticas. Actualmente lo aplicamos en
prcticamente todos los campos de la
actividad humana. La variedad de situaciones
en que se aplica va desde la produccin hasta
la planeacin a largo plazo de las empresas.
Aunque esta es la visin moderna, y la razn
de que estemos estudiando probabilidad en
este curso, los orgenes del concepto son muy
humildes, comenz aplicndose a los juegos
de azar.
Pensemos
en
un
dado
perfectamente
balanceado de modo que ninguno de los seis
lados es favorecido.
El espacio muestral es { 1, 2, 3, 4, 5, 6 }.
La funcin de probabilidad le asigna a cada
uno de los elementos del espacio muestral el
valor de 1 / 6.
Esta asignacin la hacemos porque el dado
est balanceado.
Decimos que la probabilidad de un evento es
el nmero de resultados favorables al evento
entre el nmero de resultados posibles.
Por ejemplo, la probabilidad de que el
resultado sea mayor que 4 es 2 / 6, porque
hay 2 resultados favorables entre los 6
resultados posibles. Formalmente, el evento es
A = { 5, 6 } y P[A] = 2/6.
La probabilidad que resulta de esta manera,
tiene una interpretacin emprica; si hacemos
una serie larga de lanzamientos del dado, y
observamos la frecuencia de resultados
favorables al evento A, esta frecuencia tiende
a ser 2/6.
Otro ejemplo: una urna con 50 papelitos
numerados de los cuales se escoge uno para
que tenga un premio. El espacio muestral es
{ 1, 2, 3, . . . , 50 }. La asignacin de
probabilidades es de 1 / 50 para cada
resultado. Si yo compr los nmeros 1, 14 y
18; el evento de que yo gane es { 1, 14, 18 } y
la probabilidad de que gane es 3 / 50.
SESION 07
PROBABILIDAD DE SUCESOS

Al definir los sucesos hablamos de las

diferentes relaciones que pueden guardar dos
sucesos entre s, as como de las posibles
relaciones que se pueden establecer entre los
mismos. Vamos a ver ahora cmo se refleja
esto en el clculo de probabilidades.
a) Un suceso puede estar contenido en
otro: entonces, la probabilidad del primer
suceso ser menor que la del suceso que lo
contiene.
Ejemplo: lanzamos un dado y analizamos dos
sucesos: a) que salga el nmero 6, y b) que
salga un nmero par. Dijimos que el suceso a)
est contenido en el suceso b).
P(A) = 1/6 = 0,166
P(B) = 3 / 6 = 0,50
Por lo tanto, podemos ver que la probabilidad
del suceso contenido, suceso a), es menor que
la probabilidad del suceso que lo contiene,
suceso b).
b) Dos sucesos pueden ser iguales: en
este caso, las probabilidades de ambos
sucesos son las mismas.
Ejemplo: lanzamos un dado al aire y
analizamos dos sucesos: a) que salga nmero
par, y b) que salga mltiplo de 2. Las
soluciones coinciden en ambos casos.
P(A) = 3 / 6 = 0,50
P(B) = 3 / 6 = 0,50
c) Interseccin de sucesos: es aquel suceso
compuesto por los elementos comunes de los
dos o ms sucesos que se intersectan. La
probabilidad ser igual a la probabilidad de los
elemntos comunes.
Ejemplo: lanzamos un dado al aire y
analizamos dos sucesos: a) que salga nmero
par, y b) que sea mayor que 3. La interseccin
de estos dos sucesos tiene dos elementos: el 4
y el 6.
Su probabilidad ser por tanto:
P(A B) = 2 / 6 = 0,33
SESION 08
PROBABILIDAD DE SUCESOS
d) Unin de dos o ms sucesos: la
probabilidad de la unin de dos sucesos es
igual a la suma de las probabilidades
individuales de los dos sucesos que se unen,
menos la probabilidad del suceso interseccin
Ejemplo: lanzamos un dado al aire y
analizamos dos sucesos: a) que salga nmero
par, y b) que el resultado sea mayor que 3. El
suceso unin estara formado por los
siguientes resultados: el 2, el 4, el 5 y el 6.
P(A) = 3 / 6 = 0,50
P(B) = 3 / 6 = 0,50
P (A B) = 2 / 6 = 0,33
Por lo tanto,
P (A u B) = (0,50 + 0,50) - 0,33 = 0,666

e) Sucesos incompatibles: la probabilidad

de la unin de dos sucesos incompatibles ser
igual a la suma de las probabilidades de cada
uno de los sucesos (ya que su interseccin es
el conjunto vacio y por lo tanto no hay que
restarle nada).
Ejemplo: lanzamos un dado al aire y
analizamos dos sucesos: a) que salga un
nmero menor que 3, y b) que salga el nmero
6.
La probabilidad del suceso unin de estos dos
sucesos ser igual a:
P(A) = 2 / 6 = 0,333
P(B) = 1 / 6 = 0,166
Por lo tanto,
P(A u B) = 0,33 + 0,166 = 0,50
f) Sucesos complementarios: la
probabilidad de un suceso complementario a
un suceso (A) es igual a 1 - P(A)
Ejemplo: lanzamos un dado al aire. el suceso
(A) es que salga un nmero par, luego su
complementario, suceso (B), es que salga un
nmero impar.
La probabilidad del suceso (A) es igual a :
P(A) = 3 / 6 = 0,50
Luego, la probabilidad del suceso (B) es igual
a:
P(B) = 1 - P(A) = 1 - 0,50 = 0,50
Se puede comprobar aplicando la regla de
"casos favorables / casos posibles":
P(B) = 3 / 6 = 0,50
g) Unin de sucesos complementarios: la
probabilidad de la unin de dos sucesos
complementarios es igual a 1.
Ejemplo: seguimos con el
ejemplo anterior: a) que salga
un nmero par, y b) que salga
un nmero impar. La
probabilidad del suceso unin de
estos dos sucesos ser igual a:
P(A) = 3 / 6 = 0,50
P(B) = 3 / 6 = 0,50
Por lo tanto,
P(A U B) = 0,50 + 0,50 = 1
SESION 09
AXIOMAS DE LA PROBABILIDAD
Teniendo en cuenta las operaciones para hacer
conjuntos nuevos, hay algunos hechos
fundamentales respecto a la probabilidad que
se cumplen siempre:
1. P(A) mayor o igual a 0
2. P(S) = 1
3. P(A B) = P(A) + P(B) si A y B son
excluyentes.
De estas tres propiedades, los matemticos
deducen un montn de reglas tiles para
calcular probabilidades en situaciones ms
complicadas. A este tipo de proposiciones de
las que se deducen otras, se les llama axiomas

9
y los tres de arriba son los axiomas de la
probabilidad. Algunas de las frmulas ms
tiles, deducidas de los axiomas, son las
siguientes.
P( vaco ) = 0
P(A') = 1- P(A)
P(A - B) = P(A) - P(A y B)
Si A est contenido en B entonces P(A)
menor o igual a P(B)
P(A) menor o igual a 1
P(A B) = P(A) + P(B) - P(A y B).
La deduccin de estas leyes a partir de los tres
axiomas es un ejercicio de ingenio matemtico
al que valdra la pena asomarse, pero en el
que no tenemos intencin de meternos de
lleno. Ya que desde el punto de vista de este
curso, lo interesante es aplicarlas.
Respecto a la tercera de la reglas, note bien
que la resta de conjuntos se define as: ``A B'' es la coleccin de elementos de A que no
estn en B. De tal suerte que P(A - B) debe
contemplar slo a elementos de A y por eso es
que a P(A) no le restamos P(B) sino solamente
P(A y B).
Otro comentario lo merece la ltima regla:
P(A B) = P(A) + P(B) - P(A y B).
Es preciso restar P(A y B) ya que as no lo
hiciramos, se estara tomando en cuenta dos
veces a los elementos comunes a A y a B.
Problemas Propuestos
Resolver los siguientes ejercicios
1. Inventen un juego con dos dados.
Como ejemplos,
o tirar dos dados y el resultado no
es la suma de los dados sino la
multiplicacin.
o tirar dos dados y el resultado es
1000 si la suma de los dos es
par y 5000 si la suma es n n.
Escriban el espacio muestral y,
teniendo en cuenta que las 36 parejas
de posibles resultados con dos dados: {
(1,1), (1,2), (1,3), . . . } son igualmente
probables, encuentren la funcin de
probabilidad
para
el
juego
que
inventaron.
Combinaciones de Sucesos o Eventos.
Definir la unin e interseccin de eventos.
Obtener la probabilidad de la unin e
interseccin de eventos. Enunciar y aplicar las
leyes de la probabilidad. Definir eventos
mutuamente excluyentes y la particin de un
espacio muestral. Establecer y aplicar la ley de
la adicin de la probabilidad para n eventos.

De la funcin de Probabilidad al clculo

de probabilidades
Toda la informacin matemticamente
importante respecto a un experimento
aleatorio se encuentra en:
El espacio muestral.
La funcin de probabilidad.
El clculo de la probabilidad de un evento se
simplifica partindolo en eventos ms sencillos
y uniendo los pedazos de acuerdo a la llamada
ley de la adicin para probabilidades.
Un ejemplo nos puede servir. Se van a tirar
dos dados y yo gano si
la suma de los dados da siete o
aunque la suma no sea siete, si uno, al
menos, de los dados cae en uno.
Los resultados de tirar los dados son 36: S =
{ (1,1),(1,2),(1,3), . . . ,(6,6) }. Adems, por la
simetra interna de los dados, cada uno de
estos 36 resultados es igualmente probable.
Esto establece la funcin de probabilidad.
Pasemos
al
problema
de
calcular
la
probabilidad
de
ganar.
Una
manera
equivocada de resolver el problema es as. Yo
gano si
el primer dado cae uno o
el segundo dado cae uno o
la suma de los dos es siete.
Como las respectivas probabilidades son: 1 / 6,
1 / 6 y 1 / 6. La probabilidad de que gane es la
suma de estas tres, 1 / 2. Lo que tiene mal
este razonamiento es que los eventos en que
hemos partido el resultado de que yo gane no
son ajenos, y en estas circunstancias no se
vale sumar las probabilidades y ya.
Para responder correctamente hay que partir
el resultado de que yo gane en ms pedazos:
que el primer dado caiga uno y el otro
no o
que el segundo caiga uno y el primero
no o
que los dos caigan uno o
que la suma sea siete pero no haya
ningn uno.
Las respectivas probabilidades son: 5 / 36, 5 /
36, 1 / 36 y 4 / 36. Para una probabilidad total
de ganar de: 15 / 36; esto es menor que 1 / 2
que es la que habamos calculado mal.
Fjese que para resolver el problema lo
partimos en pedazos ms pequeos,
los pedazos son ajenos.
la probabilidad fue la suma de esos
pedazos.
En el ejemplo usamos un espacio muestral
equiprobable.
Problemas propuestos:
Resuelva estos ejercicios.

10
1. Se van a tirar 5 monedas y el resultado
va a ser el nmero de guilas menos el
nmero de soles. Escriban el espacio
muestral
equiprobable
para
este
experimento.
(Debe
tener
32
resultados).
2. Siguiendo con el ejercicio anterior, me
van a dar una cantidad de pesos igual a
la resta: [nmero de guilas] MENOS
[nmero de soles]. Si sale negativo
quiere decir que yo pago! Cul es la
probabilidad de que gane ms de dos
pesos?
3. Si un dado se construye de modo que
un 1 o un 2 ocurran dos veces ms
frecuentemente que un 5, mismo que
se presenta tres veces ms seguido
que un 3 o un 4 o un 6. Cul es la
probabilidad de que el nmero que se
obtiene sea par? Cul la de que sea un
cuadrado perfecto? Cul la de que sea
mayor que 4?
4. Cmo haran Uds. para construir un
dado como el que se propone en el
ejercicio anterior?
SESION 10
EXAMEN PARCIAL
SESION 11
PROBABILIDAD CONDICIONAL
Consideremos la siguiente situacin. Se tienen
tres urnas similares; por fuera son idnticas.
Se sabe que
en la urna 1 hay 3 bolas blancas y 19
azules,
en la urna 2 hay 20 bolas blancas y 2
azules,
en la urna 3 hay 11 bolas blancas y 11
azules.
Se va a sacar una bola de una de las urnas.
Puede ser azul o blanca. Cul es la
probabilidad de que sea blanca?
Hay cuatro posibles soluciones:
1. La probabilidad de una blanca es 3 / 22.
Esto es porque si se escoge la urna 1,
hay 3 de 22 bolas que son blancas.
Esta respuesta nos deja pensando en
que es muy arbitrario decir que la urna
escogida es la 1. Si la urna escogida
fuese la 1 esta sera la respuesta
correcta.
2. De manera similar, podemos pensar
que la urna escogida es la 2 y entonces
la probabilidad de una bola blanca es
20 / 22.

10

3. Claro que, tambin, la urna escogida

puede ser la 3 y entonces la
probabilidad de blanca es 11 / 22.
4. Como no se sabe cual es la urna
escogida y las tres urnas tienen el
mismo
nmero
de
bolas,
la
probabilidad se calcula como si fuese
una gran urna con 66 bolas de las
cuales 3 + 20 + 11 son blancas y, as,
la probabilidad es 34 / 66
Cul es la respuesta correcta? o habr otra
que sea la respuesta correcta?
Una cosa es clara; si podemos suponer que la
urna escogida es la 1, la respuesta correcta es
la primera. Lo mismo se puede decir de la
segunda y la tercera. La cuarta es un poquito
ms atrevida y quiz sea correcta. Por lo
pronto vamos a darle un nombre a las tres
primeras:
les
llamamos
probabilidad
condicional.
A la primera la llamamos ``probabilidad
condicional de blanca dado que la urna
es la 1''.
A la segunda, la llamamos de manera
similar condicional de blanca dado que
la urna es la 2.
A la tercera se le da un nombre anlogo
[Cul nombre?].
Ms adelante en el curso, veremos lo que se
llama frmula de la probabilidad total y
entonces, veremos que la cuarta respuesta
dara la ``probabilidad no condicional''.
Por el momento ampliemos nuestras ideas
sobre probabilidad condicional con un poco de
matemticas.
Formalmente,
definimos
en
clase
la
probabilidad condicional de la siguiente
manera:
P( A | B ) = [P( A y B )] / [P( B )]
El smbolo P( A | B ) lo leemos como
probabilidad de A dado B. Lo
interpretamos como la probabilidad de
que, sabiendo que ya sucedi B,
adems suceda A. En el ejemplo de las
urnas A sera el evento ``la bola es
blanca'';
B
sera
la
urna
correspondiente.
Como lo que est abajo en el quebrado
es la probabilidad de lo dado, la
frmula no es simtrica en A y B. Si los
intercambiamos, da otro nmero. Esto
se ve en el ejemplo ya que no es lo
mismo que nos informen cual es el
nmero de la urna escogida a que nos
digan que la bola fue blanca y nos
pregunten cul es la urna.
Esta
frmula
no
tiene
sentido
matemtico si P(B) = 0. En tal caso

11
decimos que la probabilidad condicional
no est definida. Claro que eso est
bien porque no puede haber sucedido
algo que es imposible.
Fjese que esta frmula se usar cuando haya
una manera fcil de calcular las probabilidades
no condicionales y la condicional sea difcil.
Eso no fue el caso con el color de la bola y las
urnas.
Para ejemplificar el tipo de situacin en que
nos sirve la frmula descrita, considere este
problema.
Se tiran dos dados y se sabe que el primero no
tiene el nmero 5. Cul es la probabilidad de
que la suma de los dados sea 8?
Para resolver, llamemos
B el evento: ``el primer dado no es 5''.
A el evento: ``la suma de los dados es
8''.
Con los datos se ve que:
P(B) = 30 / 36.
Porque de las 36 parejas posibles, 6 tienen
5 en el primer dado.
P(A y B) = 4 / 36.
Porque slo se obtiene 8, con las parejas
(2,6), (3,5), (4,4) y (6,2) [La pareja (5,3) s
suma ocho pero tiene un 5 en el primer
dado].
y, usando la frmula, P(A|B) = 4 / 30.
Tambin hubiramos podido calcular sin la
frmula, pero esa cuenta requiere ms
ingenio. En este ejemplo es fcil calcular las
probabilidades no condicionales.
Hay muchos problemas, como en el de las
urnas, en que lo contrario es lo cierto: es fcil
calcular la condicional y la podemos usar para
calcular la conjunta.
Si despejamos a P(A y B), tendremos una
frmula para calcular la probabilidad conjunta
cuando sea fcil calcular la condicional.
En clase hacemos un ejemplo simple de
clculo de probabilidad condicional con una
tabla de dos clasificaciones cruzadas.
En ese ejemplo se ven tres cosas:
1. La probabilidad condicional nos permite
medir la informacin. En los ejemplos
vimos como cambia la probabilidad de
A, antes de conocer nada: P(A) y
despus de conocer la ocurrencia de el
evento B: P(A | B).
2. En un extremo est el cambio enorme
que corresponde a que A y B sean
excluyentes (ajenos). En este caso la
probabilidad podra llegar incluso a ser
cero.
3. En el otro extremo estn los eventos en
los que sucede que P(A | B) = P(A). Esto
quiere decir que la informacin de que

11

B ocurri no cambia la probabilidad de

A y decimos que A y B son
independientes.
Esta ltima caracterstica, la independencia,
juega un papel muy importante en la
probabilidad y merece una atencin ms
detallada. Por el momento debemos establecer
una definicin:
A
y
B
son
eventos
independientes si y slo si P(A y
B) = P(A) P(B)
En forma equivalente decimos:
A
y
B
son
eventos
independientes si y slo si P(A |
B) = P(A)
La equivalencia se sigue de una sustitucin
algebraica muy sencilla.
La consecuencia de que esta sea una
definicin es que:
para
comprobar
la
independencia de dos eventos
es preciso hacer ver que P(A y
B) = P(A)P(B).
Es importante remarcar la diferencia de
concepto entre eventos independientes y
eventos excluyentes o ajenos. En nuestro
ejemplo se ve claramente que ambos
conceptos son antitticos. El hecho de que dos
eventos se excluyan casi implica que no son
independientes. La excepcin se da en el caso
degenerado de que alguno de ellos (o los dos),
sea imposible. En el habla cotidiana, a veces,
se confunden estos conceptos.
Note que si A es imposible; P(A) = 0. Adems
``A y B'' tambin es imposible y se tiene P(A y
B) = P(A)P(B) ya que ambos lados de la
igualdad valen cero . Pero ste es el nico
caso en que dos eventos son ajenos e
independientes a la vez; en trminos
geomtricos la idea de independencia se
asemeja a la perpendicularidad y la de
``ajenos'' al paralelismo.
Probabilidades de Intersecciones de
Sucesos o Eventos.
Establecer
y
aplicar
la
ley
general
multiplicativa de la probabilidad para n
eventos.
Definir independencia de n eventos.
Dada una coleccin de eventos, determinar si
son o no independientes.
Establecer y aplicar la ley particular
multiplicativa de la probabilidad para n
eventos independientes.
Probabilidades conjuntas
Con:
la
definicin
que
hicimos
probabilidad condicional y

de

12

la
definicin
de
independencia
podemos establecer igualdades que
nos
auxilien
para
calcular
la
probabilidad
de
la
ocurrencia
simultnea de dos eventos.
1. Para dos eventos en general.
P(A y B) = P(A) P(B | A)
o Esta igualdad no es ms que la
definicin
de
probabilidad
condicional volteada al revs.
o Para aplicar esta igualdad es
preciso
que
contemos,
de
alguna manera indirecta, con la
probabilidad condicional.
o La igualdad se puede escribir
tambin, condicionando sobre B,
as.
P(A y B) = P(B) P(A | B)
2. Para dos eventos independientes
P(A y B) = P(A) P(B)
o Para poder usar esta igualdad se
necesita saber, de otras fuentes,
que A y B son independientes.
o Esta igualdad no es ms que la
versin de la de arriba cuando
P(B | A) = P(B).
Estas igualdades son muy tiles cuando el
experimento aleatorio se va a llevar a cabo en
etapas temporales. Por ejemplo, suponga que
una
empresa
recibe
materia
prima
empaquetada en sobres de 300g. que vienen
en cajas de 50 sobres cada una; suponga,
adems que cada sobre puede ser: bueno o
deficiente. Para revisar una caja, se van a
tomar, al azar, 3 sobres.
si ms de 2 sobres son deficientes se
rechazar la caja completa.
si ningn sobre es deficiente, se
aceptar la caja completa.
si hay 1 o 2 sobres deficientes, se
tomarn otros 3 sobres y si el total de
deficientes de los 6 sobres revisados,
se pasa de 2, se rechazar la caja
completa (en caso de ser 2 o menos, se
acepta la caja).
Una fuente secreta nos informa que una caja
especfica tiene 10 sobres deficientes. Cul es
la probabilidad de que esa caja sea aceptada?
El problema es complejo, trate Ud. de
resolverlo, la respuesta involucra pensar en
etapas, de acuerdo a los diferentes resultados
de la primera etapa. El problema lo
resolvemos en el saln.
Ms de dos Sucesos o Eventos
Ambas igualdades se pueden llevar a tres o
ms eventos, como sigue:
P(A y B y C) = P(A) P(B | A) P(C | A y B)
o
cualquier
otro
orden
para
el
condicionamiento,

12

por ejemplo:
P(A y B y C) = P(B) P(C | B) P(A | B y C)
Para el caso de eventos independientes la
igualdad se simplifica en su escritura:
P(A y B y C) = P(A) P(B) P(C)
La generalizacin de las frmulas anteriores a
ms de tres eventos es inmediata.
No olvide que para aplicar cualquiera de estas
frmulas es preciso conocer, previamente los
valores de las probabilidades involucradas.
Un ejemplo de uso de estas frmulas es el
siguiente:
Si una pistola est cargada con 15 cartuchos,
de los cuales 2 son intiles y no funcionarn,
Qu probabilidad hay de que el primer
cartucho funcione y los dos siguientes no?
En este ejemplo, por la especificacin del
evento, podemos calcular las probabilidades
condicionales por separado y eso nos lleva
aplicar la primera de las frmulas vistas arriba.
La solucin la damos en el pizarrn.
Ms sobre independencia
Respecto a la independencia de dos eventos,
hay algunas cosas muy elementales que
agregar a la definicin que hicimos en notas
pasadas.
1. La independencia de dos eventos A y B,
quiere decir que el saber que A sucedi
no modifica la probabilidad de que B
tambin
haya
sucedido.
Como
consecuencia saber que A no sucedi
tampoco
puede
afectar
a
la
probabilidad de B.
Hacemos una demostracin formal en
el pizarrn.
Podemos poner esto diciendo que
Si
A
y
B
son
independientes, tambin
lo son las tres siguientes
pares: A' y B ; A y B' ; A'
y B' (estamos usando el
apstrofe ' para denotar
complemento)
2. Cuando se tienen tres eventos, se
puede presentar una situacin muy
curiosa. Puede pasar que
o A y B sean independientes y
o A y C sean independientes y
o B
y
C
tambin
sean
independientes.
Pero
A,
B
y
C
NO
sean
independientes.
Esta situacin curiosa se describe
diciendo que no basta que varios
eventos sean independientes a pares,
para que sean independientes.
El ejemplo clsico es el de un
experimento aleatorio con cuatro

13
posibles
resultados
igualmente
probables: 1, 2, 3 y 4 .
o Si el resultado es 1, A gana y
nadie ms.
o Si el resultado es 2, B gana y
nadie ms.
o Si el resultado es 3, C gana y
nadie ms, pero
o Si el resultado es 4, los tres A, B
y C ganan.
Usted puede calcular las probabilidades
para darse cuenta que:
o P(A y B) = P(A) P(B)
o P(A y C) = P(A) P(C)
o P(B y C) = P(B) P(C)
pero P(A y B y C) no es igual a P(A) P(B)
P(C).
3. Una nota final de un estilo menos
matemtico. La palabra independencia
se utiliza en otros contextos para
denotar un sinnmero de conceptos
diferentes.
Los ejemplos ms comunes son en
poltica, en historia, en derecho. En la
ciencia
se
habla
de
variables
independientes y el significado es
diferente que el que usamos aqu. An
en otras ramas de la matemtica se
usa la palabra independencia para
denotar a otros conceptos. Cuando
queremos
distinguir
la
definicin
tcnica que usamos en la probabilidad
de otras nociones le ponemos un
apellido a la independencia y decimos
independencia estocstica.
Es conveniente recordar que cuando existe
duda si dos eventos son independientes o n,
la nica forma de zanjar la cuestin es viendo
si P(A y B) es igual o diferente al resultado de
multiplicar P(A) P(B). Naturalmente que si la
independencia de dos eventos est en duda, el
clculo de P(A y B) no se puede hacer
simplemente multiplicando P(A) P(B) sino que
se debe justificar de alguna otra manera.
SESION 12
TEOREMA DE BAYES
Veamos un problema que nos llevar a una
regla interesante de clculo de probabilidades
que se llama: el teorema de Bayes.
En una etapa de la produccin de un artculo
se aplica soldadura y para eso se usan tres
diferentes robots. La probabilidad de que la
soldadura sea defectuosa vara para cada uno
de los tres, as como la proporcin de artculos
que cada uno procesa, de acuerdo a la
siguiente tabla.
prob.
prop.
robot
Defect.
Proces.

13

A
0.002
18%
B
0.005
42%
C
0.001
40%
Tenemos un par de preguntas:
Cul es la proporcin global de defectos
producida por las tres mquinas
Si tomo un artculo al azar y resulta con
defectos en la soldadura, cul es la
probabilidad de que haya sido soldado
por el robot C.
(I) La primera pregunta nos va a llevar a lo que
se conoce con el nombre de frmula de la
probabilidad total.
Queremos conocer la proporcin global de
defectos delos tres robots. Despus de
reflexionar un momento se ve que si todas las
soldaduras las pusiera el robot C, habra pocos
defectos, seran 0.001 o 0.1%. En cambio, si
todas las pone el B, sera un desastre!,
tendramos cinco veces ms: 0.005 o 0.5%. De
modo que en nuestra respuesta debemos
tener en cuenta las diferentes proporciones de
lo maquinado en cada robot.
Nuestra idea es empezar por descomponer el
evento ``defectuoso'' en ``viene del robot A y
es defectuoso'' o ``viene del robot B y es
defectuoso'' o ``viene del robot C y es
defectuoso''. En smbolos tendremos
P(d) = P(A y d) + P(B y d) + P(C y d)

P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)

Antes de ponerle nmeros y resolver nuestro
problema fijmonos en la frmula obtenida.
1. Hay tres eventos A, B y C que
o son ajenos y
o cubren todo el espacio muestral.
2. Conocemos las probabilidades de cada
uno de ellos.
3. Adems, conocemos las probabilidades
condicionales de otro evento dado cada
uno de ellos.
La frmula de arriba se llama frmula de la
probabilidad total.
Llenando con nuestros nmeros, tenemos que
P(d) = (0.18)(0.002) + (0.42)(0.005) + (0.40)
(0.001)
o sea que P(d) = 0.00286 casi 3 piezas por
cada mil.
Es bueno comparar este resultado con los
porcentajes de soldaduras defectuosas de
cada robot por separado. Podemos ver que el
resultado se encuentra entre todas ellas y se
encuentra
relativamente
cerca
de
los
porcentajes de los robots ms utilizados (el B y
el C). Esto es muy razonable.
(II) La segunda pregunta es, a la vez ms
simple y ms complicada. Nos va a llevar a lo
que se conoce con el nombre de teorema de
Bayes.

14
La probabilidad que buscamos es una
condicional pero al revs de las que tenemos.
Buscamos
P( C | d)
para calcularla usamos la
probabilidad condicional:
P( C | d) = [P(C y d)] / [P( d )]

definicin

de

El numerador (lo de arriba) lo calculamos con

P( C y d ) = P(C) P(d|C)
y el denominador lo calculamos con la frmula
de probabilidad total
P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)
juntando las dos tenemos la frmula de Bayes:
P( C|d) = [P(C) P(d|C)] / [P(A) P( d|A) + P(B)
P( d|B) + P(C) P( d|C)]
Aplicndola a nuestro caso tenemos
P(C|d) = [(0.40)(0.001)]/[(0.18)(0.002) +
(0.42)(0.005) + (0.40)(0.001)]
o sea
P(C|d) = [0.0004]/[0.00286] = 0.1399
casi 14%.
O sea que si tomamos una pieza al azar, la
probabilidad de que haya sido soldada por el
robot C es alta, 40%. Pero, como ese robot
produce slo 1 de cada mil soldaduras
defectuosas,
al
saber
que
la
pieza
seleccionada es defectuosa, la probabilidad de
que provenga del robot C disminuye a
solamente 14%. Esto quiere decir que, en este
caso el saber que la soldadura es defectuosa,
nos provee con una gran cantidad de
informacin.
Si analizramos, usando de nuevo la frmula
de Bayes las probabilidades de los robots A y
B, tendramos
P(B|d) = 0.7343 y P(A|d) = 0.1259
Comparadas con las probabilidades de cada
mquina sin saber que la pieza es defectuosa
vemos un gran incremento en la probabilidad
de B.
Si, por el contrario la pieza no hubiese tenido
defectos de soldadura, el mismo teorema de
Bayes nos dara (haga Ud. las cuentas y fjese
que no me haya equivocado yo!):
P(A|no d) = 0.1802 P(B|no d) = 0.4191 y P(C|
no d) = 0.4007
Las probabilidades no son idnticas a las
probabilidades no condicionales, pero la
diferencia es muy pequea.
Para apreciar mejor el cambio, pongamos en
una sola tabla las probabilidades iniciales y las
condicionales obtenidas bajo el conocimiento
de la soldadura de la pieza.
Robot P() P( |d) P(
|no

14

d)
0.125
A
0.18
0.1802
9
0.734
B
0.42
0.4191
3
0.139
C
0.40
0.4007
9
Es tan grande el xito de los tres robots en el
soldado correcto que el saber que la pieza no
tiene defectos, prcticamente no altera las
probabilidades de produccin en uno u otro.
Por el contrario, el robot C es tan bueno,
comparado con el B que, al saber que la pieza
es defectuosa, las probabilidades cambian
dramticamente.
En este ejemplo el clculo de probabilidades
condicionales nos cuantifica algo que el
sentido comn nos dice de otra forma. Note
que la frmula de Bayes nos sirvi para pasar
de las probabilidades no condicionales a las
condicionales.
Otro ejemplo del uso del teorema de
Bayes
Otro ejemplo clsico del uso del teorema de
Bayes es un problema de oro y plata. Hay tres
bolsas que tienen, cada una dos monedas. Las
de la primera son de oro, las de la segunda
son de plata y las de la tercera son una de
plata y otra de oro. Se escoge una bolsa al
azar y de ella una moneda tambin al azar. Si
la moneda es de oro, cul es la probabilidad
de que la otra moneda en la bolsa sea de oro
tambin?
Primero notemos que la segunda bolsa no
pudo haber sido elegida (porque no tiene
monedas de oro), slo pudo haber sido
seleccionada la primera o la tercera. Si la
bolsa elegida hubiese sido la tercera, el evento
cuya probabilidad nos interesa no se realiza.
De modo que el evento que nos interesa es
equivalente a que se haya elegido la primera
bolsa.
Una vez establecido lo anterior, apliquemos el
teorema de Bayes para calcular
P(I|Au) = [P(I)P(Au|I)] / [P(I)P(Au|I) + P(II)P(Au|
II) + P(III)P(Au|III)]
Las probabilidades que entran al lado derecho
de la igualdad las sacamos, inmediatamente,
de las condiciones del problema y despus de
hacer cuentas tenemos:
P(I|Au) = 2 / 3
Este problema es clsico porque existe una
``solucin'' a la que muchas personas llegan y
es falsa. El argumento es el siguiente. Como
todas las bolsas son igualmente posibles, y el
hecho de que la primer moneda extrada sea
de oro, nos indica que no se trata de la
segunda bolsa. Concluimos que las dos bolsas
restantes tienen igual probabilidad y, por

15
tanto, la probabilidad de que la otra moneda
sea de oro es 1/2.
Si Ud. piensa de acuerdo a este razonamiento
(errneo!), es muy difcil que encuentre en
qu se equivoca.
Lo que est mal es que lo que averiguamos, al
saber que la moneda extrada es de oro, es
algo ms que el rechazo de la segunda bolsa.
Si slo nos dijeran que la bolsa escogida al
azar no fue la segunda, sin informarnos del
metal de la moneda sacada, todava
tendramos incertidumbre respecto a la primer
moneda; todava podramos apostar a si sta
es de oro o de plata. Al decirnos que la
moneda fue de oro, estamos aprendiendo algo
ms, y eso echa por tierra el argumento de
``igual probabilidad para las dos bolsas
restantes''.
Lo interesante del problema es que, si nos
hubieran dicho que la moneda sacada fue de
plata, aplicando la frmula de Bayes, llegamos
a la conclusin de que la probabilidad de que
la otra moneda sea tambin de plata es 2/3
[Haga Ud. las cuentas!].
Es decir, si vamos a apostar al metal de la otra
moneda, nos conviene apostar por el metal de
la primera.
Este ejemplo nos lleva a reflexionar sobre el
uso adecuado de la informacin contenida en
``lo dado'' en el clculo de la probabilidad
condicional.
Problemas Propuestos :
1. Una mujer portadora de hemofilia clsica da
a luz tres hijos.
a) Cual es la probabilidad de que de
los tres hijos, ninguno est afectado por
la enfermedad?
b) Cual es la probabilidad de que
exactamente dos de los tres nios est
afectado?
2. El 60% de los individuos de una poblacin
estn
vacunados
contra
una
cierta
enfermedad. Durante una epidemia se sabe
que el 20% la ha contrado y que 2 de cada
100 individuos estn vacunados y son
enfermos. Calcular el porcentaje de vacunados
que enferma y el de vacunados entre los que
estn enfermos..
3. La proporcin de alcohlicos que existe en
la poblacin de Mlaga es, aproximadamente,
un 10%; no obstante, en las bajas que dan los
mdicos de la Seguridad Social difcilmente se
encuentra el diagnstico de alcoholismo.
Aparecen sin embargo diagnosticados de
hepatopatas, lumbalgias, etc., que pueden
hacer sospechar alcoholismo subyacente. Se
realiz un estudio que puso de manifiesto que

15

el 85% de los individuos alcohlicos y el 7% de

los no alcohlicos sufran tales patologas. Se
desea saber cul es la probabilidad de que un
individuo con esas patologas sea realmente
alcohlico.
4. Dos tratamientos A y B curan una
determinada enfermedad en el 20% y 30% de
los casos, respectivamente. Suponiendo que
ambos actan de modo independiente, cul de
las dos siguientes estrategias utilizara para
curar a un individuo con tal enfermedad:
a)
Aplicar ambos tratamientos a la
vez.
b) Aplicar primero el tratamiento B y, si
no surte efecto, aplicar el A.
5. Se eligen al azar 3 deportistas de un equipo
de 10 integrantes para realizar un control
antidopaje; Se sabe que 2 de los jugadores del
equipo han tomado sustancias prohibidas.
Cul es la probabilidad de elegir para el
anlisis a alguno de los infractores?
6. Estamos interesados en saber cul de dos
anlisis A y B es mejor para el diagnstico de
una determinada enfermedad, de la cual
sabemos que la presentan un 10% de
individuos de la poblacin. El porcentaje de
resultados falsos positivos del anlisis A es del
15% y el de B es del 22%. El porcentaje de
falsos negativos de A es del 7% y de B es del
3%. Cul es la probabilidad de acertar en el
diagnstico con cada mtodo?
7. Con objeto de diagnosticar la colelitiasis se
usan los ultrasonidos. Tal tcnica tiene una
sensibilidad del 91% y una especificidad del
98%. En la poblacin que nos ocupa la
probabilidad de colelitiasis es del 20%.
a) Si a un individuo de tal poblacin se
le aplican los ultrasonidos y dan
positivos, cul es la probabilidad de
que sufra la colelitiasis?
b) Si el resultado fuese negativo, cul
es la probabilidad de que no tenga la
enfermedad?
8. Entre los estudiantes de una Facultad de
Filosofa y Letras se dan las siguientes
proporciones: el 40% son hombres. El 70% de
los varones fuman, mientras que entre las
mujeres slo fuman el 20%. Escogido un
estudiante al azar, calclese la probabilidad de
que fume.
9. Los estudios epidemiolgicos indican que el
20% de los ancianos sufren un deterioro
neuropsicolgico. Sabemos que la tomografa
axial computerizada (TAC) es capaz de
detectar este trastorno en el 80% de los que lo
sufren, pero que tambin da un 3% de falsos
positivos entre personas sanas. Si tomamos un
anciano al azar y da positivo en el TAC, cul
es la probabilidad de que est realmente
enfermo?

16
10. Sabemos que tiene estudios superiores el
15% de la poblacin espaola, estudios
medios el 40%, estudios primarios el 35% y no
tiene estudios el 10%. Los desempleados no se
distribuyen proporcionalmente entre esas
categoras, dado que de entre los de estudios
superiores estn sin trabajo el 10%, entre los
de estudios medios el 35%, entre los de
estudios primarios el 18%, y entre los que no
tienen estudios el 37%. Obtenga las
probabilidades de que extrado uno al azar,
ste sea:
a) Titulado superior, sabiendo que est
parado.
b) Un sujeto sin estudios que est en
paro.
c) Un sujeto con estudios primarios o
que est trabajando.
11. Una enfermedad puede estar producida
por tres virus A, B, y C. En el laboratorio hay 3
tubos de ensayo con el virus A, 2 tubos con el
virus B y 5 tubos con el virus C. La
probabilidad de que el virus A produzca la
enfermedad es de 1/3, que la produzca B es de
2/3 y que la produzca el virus C es de 1/7. Se
inocula un virus a un animal y contrae la
enfermedad. Cul es la probabilidad de que el
virus que se inocule sea el C?
12. El 70% de los estudiantes aprueba una
asignatura A y un 60% aprueba otra
asignatura B. Sabemos, adems, que un 35%
del total aprueba ambas. Elegido un
estudiante al azar, calcular las probabilidades
de las siguientes situaciones:
a)
Haya aprobado la asignatura B,
sabiendo que ha aprobado la A.
b)
Haya aprobado la asignatura B,
sabiendo que no ha aprobado la A.
c) No haya aprobado la asignatura B,
sabiendo que ha aprobado la A.
d) No haya aprobado la asignatura B,
sabiendo que no ha aprobado la A.
13. La cuarta parte de los conductores de
coche son mujeres. La probabilidad de que una
mujer sufra un accidente en un ao es de
5/10.000, y para los hombres es de 1/10.000.
Calclese la probabilidad de que si acaece un
accidente, el accidentado sea hombre.
14. En un campus universitario existen 3
carreras sanitarias. Se sabe que el 50% cursan
estudios de Enfermera, el 30% Medicina y el
20% Veterinaria. Los que finalizaron sus
estudios son el 20, 10 y 5% respectivamente.
Elegido un estudiante al azar, hllese la
probabilidad de que haya acabado la carrera.
SESION 13
VARIABLE ALEATORIA

16

Frecuentemente
el
resultado
de
un
experimento aleatorio se denota con un
nmero:
el resultado de lanzar un dado,
el nmero de unidades defectuosas
entre 10 unidades seleccionadas,
el tiempo que hay que esperar para
que se presente una falla en un
circuito,
el nmero de estaciones de una red de
computadoras
que
requieren
la
atencin del servidor de la red en un
momento dado,
el nmero de personas en una
comunidad que requieren atencin
mdica en un da especificado,
el peso sumado de las personas que
estn en un elevador en un momento
determinado del da,
la
cantidad
en
dinero
de
lo
transportado en un camin antes de
que sufra una descompostura, etc.
A un nmero tal, le llamamos variable
aleatoria. Ponga atencin al hecho de que una
variable aleatoria no es una variable en el
sentido usual. Las variables que estamos
acostumbrados a manejar son, por ejemplo: el
peso de un cohete que va quemando el
combustible que lo impulsa, la distancia del
piso a un objeto que cae hacia l, la
concentracin de una solucin dentro de un
tanque conforme pasa el tiempo, etc. En los
ejemplos anteriores el valor de la variable
puede cambiar con el tiempo, pero es
predecible a partir de las leyes de la mecnica,
la qumica, la hidrulica o alguna otra ciencia.
Con una variable aleatoria la situacin es
enteramente diferente. El valor de una
variable aleatoria no se puede conocer con
exactitud de antemano a la realizacin del
experimento. Qu otros ejemplos de variables
aleatorias se le ocurren adems de los
mencionados arriba? Al contestar esta
pregunta tenga en cuenta que el azar debe
jugar algn papel en la medicin de la variable
y que su valor no debe ser predecible.
Una
variable
aleatoria
presenta
dos
caractersticas importantes:
1. Una coleccin (conjunto) de valores
posibles al que llamamos imagen de la
variable aleatoria (antes lo llambamos
espacio muestral).
2. Una probabilidad asociada a los
posibles resultados la cual queda
expresada mediante una funcin de
probabilidad.
Las variables aleatorias que tienen un
conjunto de posibles valores discreto, se
llaman discretas. Estas variables son el

17
resultado de contar . Cules de las variables
aleatorias mencionadas arriba son discretas?
Ciertamente el peso de las personas en el
elevador no es discreto, pero entre las otras
cules son discretas?
Por otra parte, las variables aleatorias cuyos
valores posibles se encuentran en cualquier
parte de un intervalo, se llaman continuas.
Estas variables son el resultado de medir.
El hecho de que una variable aleatoria nos
interesa cuando an no tiene un valor
especfico, nos obliga a utilizar una notacin
extraa al referirnos a ella. Denotamos con
letras maysculas a las variables aleatorias y
con
minsculas
a
los
valores
que
contemplamos para ellas.
Si tomamos como variable aleatoria el
resultado (suma) de lanzar dos dados, desde
el punto de vista de la probabilidad, el nmero
resultante nos interesa antes de que
realicemos el experimento. Conocido el
resultado, ya no es interesante (al menos, no
para la probabilidad). La imagen de esta
variable aleatoria es S = { 2, 3, 4, 5, 6, 7, 8, 9,
10, 11, 12 }. Llamando X al resultado del
experimento, podemos contemplar el evento
de que X sea igual a x, donde x es cualquier
elemento de S. Claro que nos resultar muy
interesante saber cosas como P(X = x) para
los diferentes valores de x en S; por ejemplo,
P(X = 6) = 5/36 [esto se lee: ``la probabilidad
de que X sea igual a seis es un sexto'']. Puede
Ud. mostrar que P(X = 8) = 5/36 ?
Siguiendo con el ejemplo de los dos dados, el
lanzar dados para ver que nmero cae no es
muy apasionante que digamos, acompaemos
los dados con un tablero de oca o de
serpientes y escaleras o de turista o de back
gamn o algn otro juego interesante. Ya
puestos a jugar turista o monopolio, es natural
que nos interesen otro tipo de eventos.
Podramos estar interesados en saber
si el resultado es menor que 8: P(X < 8)
= 21/36 Puede Ud. ver por qu?;
que el resultado sea desde 4 hasta
menos que 9: P(3 < X < 9) = 23/36
Por qu?;
tambin podemos estar interesados en
que X sea distinta de 7: P(X distinto de
7) = 1 - P(X = 7) = 1 - 1/6 = 5/6.
Naturalmente esta notacin se extiende de
manera natural a todo tipo de intervalos y
desigualdades.
Regresando a donde estbamos,
A la funcin: f(x) = P(X = x) se
le llama funcin de probabilidad
de X.
Esta funcin es una funcin ordinaria de las
que estudiamos en los cursos de matemticas;

17

no tiene nada de aleatorio. Dicho de otra

forma, una vez determinados los valores de las
probabilidades, la funcin de probabilidad es
una funcin comn y corriente, tiene su
dominio, su codominio, su grfica, puede ser
inyectiva, etc.
Hay algunos hechos importantes respecto a
esta funcin:
1. Para una variable aleatoria discreta los
valores posibles son los nicos para los
cuales esta probabilidad es diferente de
cero. Dicho de otra forma, no nos hace
dao ampliar el dominio de la funcin
de probabilidad a todos los reales, pero
va a valer cero casi siempre excepto en
un conjunto discreto de puntos.
2. El valor de la funcin de probabilidad
depende esencialmente de la variable
aleatoria a la que nos referimos,
cuando no sea claro a cul variable nos
referimos, es conveniente poner el
smbolo de la variable como subndice
para la funcin: fX(x).
Esta costumbre puede causar estragos
en la comprensin de los novatos, est
Ud. prevenido. Qu querr decir fY(w)?
3. La grfica de una funcin como sta se
presenta en el pizarrn.
Regresando al ejemplo de los dados,
cambiemos el turista por otro juego. En este
juego Ud. gana si el resultado es par y pierde
si es n n; la cantidad que pierde o gana ser
el doble del resultado. Aqu, su ganancia
(positiva si Ud. gana, negativa si pierde) es
una variable aleatoria Y, su imagen es S = {22, -18, -14, -10, -6, 4, 8, 12, 16, 20, 24}
>Puede Ud. terminar la tabla de la funcin de
probabilidad de Y?:
Y -22 -18 -14 -10 -6 4 8 12 16 20 24
f(y)
Una vez que haya llenado la tabla anterior,
calcule la probabilidad de que gane Ud. ms
de 8 pesos; la probabilidad de que pierda ms
de 10 pesos; la probabilidad de que su
ganancia est entre -10 y +16 inclusive; la
probabilidad de que su ganancia o prdida
exceda a 9 pesos.
Una funcin de probabilidad de una variable
aleatoria discreta, para ser correcta, debe
satisfacer dos propiedades
f(x) debe ser siempre mayor o igual a 0
la suma de f(x) para todos los valores
de x debe dar 1 .
Funcin de Distribucin.
Cuando la imagen de una variable aleatoria es
un intervalo real decimos, segn habamos
quedado, que la variable es continua. La
matemtica que utilizamos para las variables

18
continuas es diferente a la de las discretas Por
eso empezamos nuestro estudio con las
discretas. An no acabamos con las variables
discretas, todava nos faltan por discutir temas
muy importantes. Pero antes, hablaremos de
una nocin que es comn a las discretas y a
las continuas.
Una funcin muy til en el clculo de
probabilidades de una v. a. es la funcin de
distribucin. Esta funcin se define de igual
forma
para
continuas
y
discretas:
F (x) = P(X <= x)
Vea bien la definicin anterior y aprndasela
de memoria. Coja una hoja de papel en blanco
y escrbala.
Para no confundirnos con la notacin, suele
escribirse
tambin
as:
F (t) = P(X <= t)
La funcin de distribucin tiene las siguientes
propiedades:
1. F(en menos infinito) = 0 ; F(en ms
infinito) = 1
2. F es una funcin no decreciente.
3. F sirve para calcular probabilidades as
P( a < X <= b ) = F(b) - F(a)
Para que esta ltima propiedad nos sea de
utilidad deberamos tener la distribucin ya
calculada. Para muchas variables aleatorias de
uso comn, las distribuciones ya estn
calculadas y tabuladas (una hoja de clculo,
como Excel ya incluye prcticamente todas las
distribuciones que veremos en este curso).
Para las variables aleatorias discretas hay que
tener cuidado con el hecho de que la primera
desigualdad es estricta y la segunda no.
Por ejemplo si la imagen de X son todos los
enteros, P(2 < X <= 5) se puede calcular
haciendo
la
resta
F(5)-F(2).
Pero
la
probabilidad P(2 < X < 5) se obtiene restando
F(5)- F(1) (Por qu?). Cmo calcula Ud. P(2
<= X < 5)?
Las 4 propiedades que se sealaron arriba
definen a una funcin de distribucin, de modo
que para saber si una funcin es una
distribucin o no, basta ver que las cumpla.
Considere
el
siguiente
ejemplo.
F (x) = 1 - exp. (- 0.7 x ) para x > 0
Se trata de una variable aleatoria continua,
cuya imagen son los nmeros positivos(Por
qu?). Lo que Ud. tiene que hacer es:
Mostrar que es una distribucin y
usarla para calcular P( X >= 1.0), P( 0.7
< X < 1.0), P(X < 0.7), P( X > 1.0 X
<= 0.4 ).
En el pizarrn hacemos ejemplos de cmo es
la forma matemtica de una funcin de
distribucin y de su grfica.
variables Aleatorias Continuas

18

Las variables aleatorias que hemos estudiado

hasta ahora tienen la propiedad de que son el
resultado de contar; sus valores posibles
varan en forma discreta (a saltos). Hay otro
tipo de variables aleatorias, las que son el
resultado de un proceso de medir; sus valores
posibles cubren todo un intervalo en los reales.
Cuando la imagen de una variable aleatoria es
un intervalo real decimos que la variable es
continua. La matemtica que utilizamos para
las variables continuas es diferente a la de las
discretas aunque los conceptos probabilsticos
sean los mismos de manera que en nuestro
estudio de las continuas utilizaremos este
paralelo con las discretas.
Densidad de una variable aleatoria
continua
El primer hecho de importancia es que una v.
a.
(variable
aleatoria)
continua
tiene
probabilidad cero de tomar un valor especfico,
slo tiene valores positivos para intervalos:
P( X = a ) = 0 para cualquier valor de a
Para calcular la probabilidad de que X est en
un intervalo (a,b) o (a,b] o [a,b) o [a,b]
debemos hacer uso de una funcin asociada a
la variable aleatoria, la funcin de densidad de
X. Las variables aleatorias discretas tienen la
funcin de probabilidad, las continuas tienen
funcin de densidad.
Esta funcin de densidad tiene las siguientes
caractersticas:
f(x) >= 0
la integral de f(x) vale 1
La integral a la que nos referimos es la integral
definida sobre toda la imagen de la variable
aleatoria.
Note que estas caractersticas son el anlogo
continuo de las de la funcin de probabilidad
de una v. a. discreta. Es decir la probabilidad
nunca es negativa y
la suma de todas las probabilidades es
uno.
Por este motivo, es frecuente utilizar el
nombre de densidad tanto para esta funcin
como para la funcin de probabilidad de una v.
a. discreta.
Adems, como en el caso discreto, la funcin
de densidad est ligada a la v. a. X de modo
que cuando sea necesario aclarar a cul
densidad nos referimos podemos usar la
notacin fX(x), ponindole el subndice X a la f.
Clculo
de
Probabilidades
con
la
densidad.
Para obtener la probabilidad de un intervalo,
hacemos la integral de la densidad sobre el
intervalo del que queremos calcular la

19
probabilidad. De nuevo, la integral a la que
nos referimos es una integral definida cuyos
extremos son los del intervalo.
Escriba la integral que da la probabilidad de
que X est entre 3 y 44.2
Escriba en forma de integrales las siguientes:
P(a < X < a + h),
P( 2.2 < X <= 5 ),
P( X > 8 ),
P( X <= 15 ),
P( X < 2 X > 3)
Considere un par de ejemplos que le servirn
para apreciar las implicaciones de lo anterior.
Como primer ejemplo tome el siguiente. Sea X
una v. a. continua cuya densidad es:
f(x) = a x para x en [ 3, 7]
a es una constante necesaria para que la
integral de f(x) definida de 3 a 7, sea igual a
uno. Muestre que a = 1/20 = 0.05, adems
muestre que P( 3 < X <= 5 ) = 0.40
Otro ejemplo ms es el siguiente. La densidad
es:
f(x)=

o 0.025x para x en (3,7)

o k x2 si x est en [7,10)
o 0 en cualquier otra parte
muestre que k = 1/438 y muestre tambin que
P(6 <= X <= 8) = 0.3155
Distribucin de una variable aleatoria
continua
Una funcin muy til en el clculo de
probabilidades de una v. a. continua es la
funcin de distribucin. Esta funcin se define
de igual forma para continuas y discretas:
F (x) = P(X <= x)
Para no confundir la notacin, suele escribirse
tambin as:
F (t) = P(X <= t)
En el caso de una v.a. continua la derivada de
la distribucin es la densidad:
f(x) = F '(x)
En los dos ejemplos anteriores calcule las
funciones de distribucin correspondientes.
La funcin de distribucin tiene las siguientes
propiedades:
1. F(menos infinito) = 0; F(mas infinito) =
1
2. F es una funcin no decreciente.
3. F sirve para calcular probabilidades as
P( a < X <= b ) = F(b) - F(a)
En esta ltima propiedad, si se trata de una
v.a. continua no importa si las desigualdades
son estrictas o no. En el caso de la v.a. discreta
es muy importante que la primera desigualdad
sea estricta y la segunda n.

19

Estas propiedades se deducen de la definicin

de
la
distribucin.
Estas
propiedades
caracterizan a la distribucin de modo que
para saber si una funcin es una distribucin o
n, basta ver que las cumpla.
Considere el siguiente ejemplo.
F (x) = 1- exp (- 0.7 x ); para x > 0
muestre que es una distribucin y sela para
calcular P( X >= 1.0), P( 0.7 < X < 1.0), P(X <
0.7), P( X > 1.0 X >= 0.4 ).
En el pizarrn hacemos ejemplos de cmo es
la forma matemtica de una funcin de
distribucin y de su grfica.
Valores Esperados.
Hay un par de cantidades importantes
asociadas con cada variable aleatoria:
el
valor
esperado,
esperanza
matemtica o simplemente esperanza
o media.
la varianza y su raz cuadrada, la
desviacin estndar.
Ambas cantidades se definen en base a un
operador
que
llamamos
el
operador
esperanza. Matemticamente la esperanza se
define as, para una v.a. discreta
E( g(X) ) = suma { g(i) f(i) }
donde g(i) es cualquier funcin y f(i) es la
funcin de probabilidad de la v.a.; f(i) = P(X =
i). Por ejemplo,
Si la funcin g es g(t)=52t,
E(52X) = suma{52i f(i)} = 52 suma{i
f(i)} = 52 E(X)

Si la funcin g es g(t)= (t-4)2, su

esperanza es
E( [X - 4]2 ) = suma{[i-4]2f(i)} =
suma{i2f(i)}
suma{8if(i)}
+
suma{16f(i)}
=
E(X2) - 8E(X) + 16

Y si g es g(t)= t/ 28
E( X/ 28) = suma{i/ 28 f(i)} = 1/28
suma{i
f(i)}
=
= (1/ 28) E(X) = E(X)/ 28

Utilizando el operador esperanza, definimos

para cualquier v.a. discreta X :
1. El valor esperado de X es E(X).
2. La varianza de X es var(X) = E( [X E(X)]2).
Ejemplo.
Ejemplos: si X es una v.a. continua cuya
funcin de probabilidad es
X 1
2
3
4
5
6
f(x) 1/21 2/21 3/21 4/21 5/21 6/21

20
E(X) = 13 / 3 (detalles en el pizarrn) y var(X)
= 20 / 9 as la desv.est.(X) = 1.4907.
Propiedades Aritmticas.
Las definiciones matemticas de valor
esperado y varianza, nos dicen cmo calcular
estas
cantidades.
Como
operaciones
matemticas, tienen algunas propiedades que
vale la pena resaltar, porque a veces
simplifican algunas cuentas
E(c) = c
la esperanza de una
constante es la misma constante
E(c g(X)) = c E(g(X))
una constante
multiplicando se puede sacar de la
esperanza.
E(g(X) + h(X)) = E(g(X)) + E(h(X))
la
esperanza de una suma es la suma de
las esperanzas.
Las anteriores propiedades son muy parecidas
a las de la integral.
Ahora tenemos algunas propiedades de la
varianza.
var(X) = E(X2) - [E(X)]2 esta propiedad
es muy til para calcular, y podemos
tomarla como definicin de la varianza.
var(aX) = a2var(X) una constante
multiplicando se saca de la varianza
elevndola al cuadrado.
var( c ) = 0 la varianza de una
constante es cero.
La varianza de una suma en general no
es igual a la suma de las varianzas.
Segn veremos despus, la igualdad se
cumple slo cuando las variables son
independientes.
Como un ejemplo de estas propiedades,
veamos la razn de la frmula var(X) = E(X 2) [E(X)]2. De acuerdo a la definicin
var(X)
=
E([X-E(X)]2)
2
=
E[X
2XE(X)
+
E(X)2]
=
2
= E( X ) - E(2XE(X)) + E(E(X) 2) =
= E( X2) - 2E(X) E(X) + E(X)2 =
= E( X2) - E(X)2
haciendo las operaciones y, juntando los dos
extremos, se tiene:
var(X) = E(X2) - [E(X)]2
SESION 14
DESIGUALDAD DE TCHEBYSHEV

20

Si conocemos la distribucin de probabilidad

de una variable aleatoria X ( la funcin
de densidad en el caso continuo, la
funcin de probabilidad en el caso
discreto ) hemos visto que podemos
determinar y 2 (media y varianza) ,
si existen. Pero lo reciproco no es cierto
es decir, conociendo la media () y la
varianza ( 2)no podemos determinar la
distribucin de probabilidad de X. Sin
embargo se puede dar una cota superior
(o inferior) para probabilidad del tipo:
P[IX-uI k ], este resultado se conoce con el
nombre
de
la
desigualdad
de
tchebyshev.
Teorema (De Tchebyshev)
Si la variable aleatoria X tiene media () y
varianza(2) finita, entonces para
cualquier K > 1 , se cumple:
P[IX-I k ]

1
k2

La cual indica que la probabilidad que X tome

algn valor fuera del intervalo :
< k , + k > es a lo ms

1
k2

Consecuencias:
a)
Si = k se tiene : P[IX-uI ]
2
2
b)

Puesto que { IX- I k } y { IX I < k

}
son eventos
complementarios,
entonces
se
cumple que:

P[ IX- I k ] 1 -

1
k2

Indica que la probabilidad de que X tome

valores dentro del intervalo < k
, + k >es por lo menos 1 -

1
k2

Ejemplo de Aplicacin:
Sea X una variable aleatoria con media 33 y
varianza 16 . Hallar una cota inferior
para :
P [ 23 < X < 43 ]
Solucin:
P [ 23 < X < 43 ]
= P [ 23 - 33 < X 33 < 43 - 33 ]
= P [ - 10 < X 33 < 10 ] = P [ IX- I < 10 ]
Observe que: 10 = k y = 4 , entonces k
= 5/2 .

21
Luego: P [ 23 < X < 43 ] = P [ IX- I <
1
(5/2) (4) ] 1 (5 / 2) 2
Por lo tanto: P [ 23 < X < 43 ]

21
25

Problemas propuestos:
1. Sea X una variable aleatoria con media
=2 y varianza 2 = 1. use la
desigualdad de tchebyshev para hallar
una cota inferior para :
a)
P [ IX- 2 I < 4 ]
b) P [ - 3 < X < 7 ]
2. Sea X una variable aleatoria con media
= 10 y varianza 2 = 4

Hallar : a) P [ IX- 10 I 3 ]
b)
P [ IX- 10 I < 3 ]
c)
P [ 5 < X < 15 ]
3. Con los datos del problema anterior
determine el valor de c tal que:
P [ IX- 10 I c ] 0.04
DISTRIBUCIONES DISCRETAS
Modelos Especiales.
Hay algunas variables aleatorias discretas que
se usan muy frecuentemente en una gran
cantidad de aplicaciones. Estos modelos
reciben nombres especiales, que se utilizan en
todo el mundo. Los modelos principales que
estudiamos
son:
el
binomial,
el
hipergeomtrico y el de Poisson. Estudiaremos
cada una por turno
DISTRIBUCIN BINOMIAL
Se tiene un nmero fijo de pruebas n. Con las
siguientes caractersticas:
Cada prueba tiene slo dos posibles
resultados:
genricamente
los
llamamos
xito
y
fracaso.
Los
denotamos con 1 (xito) y 0 (fracaso).
El resultado de cada prueba es
independiente del resultado de las
dems pruebas.
La probabilidad de xito no cambia de
una prueba a otra.
Nos interesa slo el nmero total de
xitos X y no el orden en que hayan
ocurrido.
Cuando se cumplen las condiciones anteriores
X tiene la distribucin binomial con parmetros
n y p, donde n es el nmero de intentos y p la
probabilidad de obtener un xito. Los valores
posibles son desde cero hasta ene: { 0, 1, 2, ...
, n }. La funcin de probabilidad es:

21

f(k) = P(X=k) = nCk pkq(n-k), para k en

{0,1,2,...,n}
donde me he visto obligado por la tipografa, a
usar el smbolo poco usual nCk para denotar
las combinaciones de k objetos tomados de un
total de n:
nCk = [n!] / [k!(n-k)!]
adems, la letra q representa la probabilidad
de fracaso q = 1-p.
La media de la binomial es: E(X) = np y la
varianza: var(X) = npq.
Dnde se aplica el modelo binomial?:
1. En una familia de tres hijos, cul es la
probabilidad de que a lo ms 2 sean
nias? La probabilidad de nia es 0.5;
el sexo de cada hijo es independiente
del de los dems; n=3 y p=0.5.
P(X <= 2) = P(X=0) + P(X=1) + P(X=2)
= 0.125 + 3(0.125) + 3(0.125)
= 0.875
o bien. P(X <= 2) = 1 - P(X=3) = 1 0.125 = 0.875
2. Se extraen 4 canicas CON REEMPLAZO
de una urna que tiene 5 blancas y 3
negras. Cul es la probabilidad de que
salgan menos de 2 blancas? Como la
eleccin se hace con reemplazo, se
cumplen
los
requisitos
de
un
experimento binomial. X es el nmero
de canicas blancas, n = 4 y p = 5/8 =
0.625. La probabilidad que necesitamos
es P(X < 2) y sta es igual a:
P(X < 2) = P(X=0) + P(X=1)
=
0.3754
+
(4)(0.625)(0.375)3
= 0.1516
3. De un lote con 1,000 artculos de los
cuales el 10% son defectuosos, se
escogen al azar 10. Cul es la
probabilidad de que haya ms de 2
defectuosos? Aunque el muestreo se
hace sin reemplazo, por la gran
cantidad de artculos que hay en el lote
comparados con los que se escogen,
suponemos que son vlidos los
supuestos del modelo binomial. X es el
nmero de artculos defectuosos y la
probabilidad que se nos pide es: P(X >
2).
Como el clculo de las 8 probabilidades
necesarias es muy latoso, notemos que
P(X > 2) = 1 - P(X <= 2). An as,
hagamos esta cuenta consultando la
tabla de la binomial adecuada: n = 10,
p = 0.10. La tabla dice que P(X <= 2) =
0.9298. Por tanto, la probabilidad
buscada es P(X > 2) = 0.0702 [Vea su
tabla y descubra este valor]. Claro que
tambin tenemos la posibilidad de
calcular P(X <= 2) y restarla de uno.

22
P(X <= 2) = P(X=0) + P(X=1) + P(X=2)
= (.9)10 + (10)(.1)(.9)9 + (45)(.1)2(.9)8
= 0.9298
Distribucin de Bernoulli.
Este modelo se llama as en honor del
probabilista de este apellido. A la binomial
cuando n = 1 se le llama Bernoulli.
Es aquel modelo que sigue un experimento
que se realiza una sola vez y que puede tener
dos soluciones: acierto o fracaso:
Cuando es acierto la variable
toma el valor 1
Cuando es fracaso la variable
toma el valor 0
Ejemplo: Probabilidad de salir
cara al lanzar una moneda al
aire (sale cara o no sale);
probabilidad de ser admitido en
una universidad (o te admiten o
no te admiten); probabilidad de
acertar una quiniela (o aciertas
o no aciertas)
Al haber nicamente dos soluciones se trata
de sucesos complementarios:
A la probabilidad de xito se le
denomina "p"
A la probabilidad de fracaso se
le denomina "q"
Verificndose que:
p+q=1
Veamos los ejemplos anteriores :
Ejemplo 1: Probabilidad de salir
cara al lanzar una moneda al
aire:
Probabilidad de
que salga cara: p
= 0,5
Probabilidad de
que no salga cara:
q = 0,5
p + q = 0,5 + 0,5
=1
Ejemplo 2: Probabilidad de ser
admitido en la universidad:
Probabilidad de
ser admitido: p =
0,25
Probabilidad de no
ser admitido: q =
0,75
p + q = 0,25 +
0,75 = 1
Ejemplo 3: Probabilidad de
acertar una quiniela:
Probabilidad de
acertar: p =
0,00001
Probabilidad de no
acertar: q =
0,99999

22
p + q = 0,00001
+ 0,99999 = 1

Distribucin Hipergeomtrica
Se tiene un grupo de N objetos de los cuales k
son xitos y el resto,(N-k), son fracasos. Se
seleccionan n de los N, SIN REEMPLAZO. La
v.a. X que nos interesa es el nmero total de
xitos entre los n seleccionados y no el orden
en que salieron.
En estas condiciones la v.a. X tiene la
distribucin hipergeomtrica. Su imagen es
{0,1,...,n}. La funcin de probabilidad est
dada por:
P(X=x) = [ kC x (N-k)C(n-x) ] / [ NCn ]; para x en
{ 0,1,...,n }
La media es: E(X) = nk/N y la varianza: var(X)
= [N-n]/[N-1] n (1-k/N) k/N
Dnde se aplica?
1. En situaciones de muestreo sin
reemplazo en que la muestra es un
porcentaje
considerable
de
la
poblacin. Como ejemplo, de un lote de
40 artculos se seleccionan al azar 4
para probarlos y si fallan la prueba ms
de 2 se rechaza el lote completo. Cul
es la probabilidad de rechazar un lote
que tenga 8 defectuosos? Dado que el
muestreo se hace sin reemplazo y la
fraccin de muestreo es grande (10%)
tenemos una v.a. hipergeomtrica. Los
parmetros son: N=40, k=8, n=4, X es
el nmero de defectuosos en la
muestra y queremos la probabilidad
P(X > 2) = P(X=3) + P(X=4) =
1792/91390 + 70/91390 = 0.0204
sta es la probabilidad de rechazar un
lote con 25% de defectuosos y es muy
baja. Para mejorar el proceso de
seleccin,
los
ingenieros
deciden
rechazar el lote cuando haya 2 o ms
defectuosos. Cul es la probabilidad
de rechazar un lote que tenga 8
defectuosos?
Los
parmetros
permanecen iguales lo que cambia es
la probabilidad, ahora es
P(X >= 2) = P(X=2) + P(X>2) = 0.1520
+ 0.0204 = 0.1724
Con esta nueva poltica de rechazar el
lote cuando sean 2 o ms, cul es la
probabilidad de rechazar un lote con 6
defectuosos? Los parmetros son,
ahora, N=40, k=6, n=4 y queremos la
probabilidad:
P(X > 10) = 1 - [P(X=0) + P(X=1)]
= 1 - [46376/ 91390 + 35904/ 91390]
= 0.0997
2. En el saln de tercer ao de una
escuela hay 35 alumnos, de los cuales
10 son nias y 25 nios. Se nombra un

23
comit de 7 alumnos que represente al
saln. La seleccin se hace al azar.
Qu probabilidad hay de que en el
comit haya mayora de nias? En esta
situacin se cumplen las hiptesis de
una hipergeomtrica. Los parmetros
son: N=35, k=10, n=7, X es el nmero
de nias en el comit. La probabilidad
pedida es:
P(X > 3) = P(X=4) + P(X=5) + P(X=6)
+
P(X=7)
= 0.0839
Problemas Propuestos:
1.
La probabilidad que en cierto
establecimiento
industrial
el
consumo de energa elctrica sea
normal en 24 horas es igual a .
Determinar
la
distribucin
de
probabilidad del nmero de das de
consumo
normal
de
energa
elctrica en un lapso de 6 das;
represente en un diagrama esta
distribucin . determine adems
cul es la probabilidad que haya 4
das de consumo normal?
2.
Se lanza un dado 4 veces cul es la
probabilidad
que
la
suma
9
aparezca exactamente 2 veces.
3.
Una mquina produce cierto tipo de
piezas , de las cuales un promedio
de 5% son defectuosas . En una
muestra aleatoria de cinco piezas .
cul es la probabilidad de obtener :
a)
Exactamente
una
pieza
defectuosa.
b) Por lo menos una pieza
defectuosa.
4.
La probabilidad de fallar durante el
vuelo para cada uno de los 6
motores de un avin es 0.0005 .
Suponiendo que los 6 motores
trabajan independientes, determine
la probabilidad que en un vuelo
determinado :
a) no ocurra ninguna falla de
motor.
b) No ocurra ms de una falla.
c) Ocurra exactamente 2 fallas.
5.
Suponga que los motores de un
avin de cierta marca que operan
independientemente , tienen una
probabilidad de falla
de 0.1 .
suponga que un avin efecta un
vuelo exitoso , si al menos la mitad
de
sus
motores
operan
normalmente , determine cul
avin , una con 4 motores y otro con
6
motores
,
tiene
mayor

23

6.

7.

8.

probabilidad de efectuar un vuelo

exitoso.
Suponga que la mquina A produce
el doble de artculos que la mquina
B . Se sabe que el 6% de los
artculos que produce la mquina A
son defectuosos mientras que el 3%
de los artculos que produce la
mquina B son defectuosos .
Suponga que se junta la produccin
diaria de estas mquinas y se toma
una muestra aleatoria de 10
artculos. Cul es la probabilidad de
obtener 3 artculos defectuosos.
Un
examen
consta
de
20
preguntas , cada una tiene 5
respuestas, de las cuales slo una
es correcta . Un estudiante que
desconoce el curso responde el
examen al azar.
a) Cul es la probabilidad que
acierte mas de 10 respuestas
correctas?
b) Cul es la probabilidad que
acierte mas de 15 respuestas
correctas?
Se sabe que la probabilidad de que
germine una sola semilla de cierta
clase es 0.9 . un agricultor quiere
vender cultivos de esta planta, para
lo cul asevera que cada uno
contiene 100 plantas . Si siembra
110 semillas en cada cultivo ( que
se suponen germinarn en forma
independientes ) cuntas plantas
se puede esperar que contenga un
cultivo promedio?

SESION 15
DISTRIBUCIN DE POISSON
Este modelo se llama as para honrar la
memoria de otro gran probabilista y
matemtico. La v.a. de Poisson se refiere a
sucesos en un intervalo de tiempo o en una
rea especfica. El intervalo de tiempo puede
ser de cualquier duracin, un minuto, una
hora, un da, un ao. Algunos ejemplos de
situaciones modeladas con el modelo de
Poisson son: el nmero de fallas de una
mquina en una semana, el nmero juegos de
algn deporte pospuestos por lluvia en una
temporada.
Cuando se trata de superficies, los ejemplos
son: el nmero de ratas en un terreno, el
nmero de errores de mecanografa por
pgina, el nmero de defectos por centmetro
cuadrado.
Para que una v.a. sea de Poisson, se requiere
que se satisfagan 3 hiptesis (que suelen

24
llamarse tambin postulados del proceso de
Poisson).
En los problemas que resolvemos en este
curso, el hecho de que el modelo a utilizar sea
el de Poisson, forma parte del enunciado del
problema.
La v.a. de Poisson tiene un solo parmetro que
es mu = lambda.t ;donde t es la longitud del
intervalo o la superficie de la regin y lambda
es la tasa de ocurrencia de eventos por unidad
de medida.
La imagen de la v.a. de Poisson es {0, 1, 2, . . .
} es decir todos los enteros no negativos. La
funcin de probabilidad esta dada por:
P(X = k) = exp(-mu)[mu(k) / k!]; k = 0, 1, 2, . . .
La media es E(X) = mu y la varianza es var(X)
= mu.
Dnde de aplica la v.a. de Poisson?
1. Si el promedio de llamadas por da
hbil (de ocho horas) que se reciben en
un banco es 96. Cul es la
probabilidad de que en una hora se
reciban exactamente 14?
Aqu, mu = 12 y
P(X = 14) = e(-12)[12(14) / 14!] = 0.0905
En la misma situacin Cul es la
probabilidad de tener ms de 16
llamadas
en
una
hora?
Ahora
queremos:
P(X > 16) = 1 - P(X <= 16)
esta ltima probabilidad la leemos en la
tabla de Poisson y tenemos:
P(X > 16) = 1 - 0.8987 = 0.1013
2. Una aplicacin muy importante de la
probabilidad de Poisson se da para
aproximar
la
binomial.
Esta
aproximacin
funciona
bajo
las
siguientes circunstancias.
o La v.a. X cuyas probabilidades
se quieren es binomial.
o La n es muy grande (n >= 20) y
o La p es muy pequea (p <=
0.05).
o De modo que, aproximadamente
np < 5
En estas condiciones:
P(X = k) aproximadamente es exp(-mu)
[mu(k) / k!]
donde mu = np
Ejemplo. En una cierta comunidad la
probabilidad de que una persona
infectada por neumona muera es
0.002. Cul es la probabilidad de que
mueran a lo ms 5 de las siguientes
2000 personas infectadas? Aqu se dan
las condiciones para la aproximacin:
n= 2000 y p = 0.002 de modo que mu
= 4 y la probabilidad pedida se obtiene
de la tabla como

24
P(X >= 5) aproximadamente es 0.7851
3. Un mecangrafo comete, en promedio,
2 errores por pgina. Cul es la
probabilidad de que tenga ms de 20
errores en un documento de 7 pginas?
Aqu mu = 14 que es el nmero
esperado de errores en el documento.
La probabilidad buscada, usando la
tabla es
P(X > 20) = 1 - P(X <= 20) = 0.0479

Geomtrica y Binomial Negativa.

El modelo geomtrico surge con la misma
situacin bsica de la binomial: Se tiene una
serie de pruebas. Con las siguientes
caractersticas:
Cada prueba tiene slo dos posibles
resultados:
genricamente
los
llamamos
xito
y
fracaso.
Los
denotamos con 1 (xito) y 0 (fracaso).
El resultado de cada prueba es
independiente del resultado de las
dems pruebas.
La probabilidad de xito no cambia de
una prueba a otra.
Fjese que ahora no tenemos fijo el nmero de
pruebas, sino que vamos a realizar las pruebas
hasta obtener el primer xito. La variable
aleatoria que vamos a observar es el nmero
total de pruebas realizadas.
Por ejemplo, si tiramos volados hasta que
salga la primera guila, el nmero total de
volados necesarios ser la variable aleatoria.
Esta v. a. tiene como posibles valores {1, 2,
3, . . . }.
La funcin de probabilidad es:
P(X = k) = q(k-1)p; para k en {1,2,3, . . . }
La media y la varianza son: E(X) = 1 / p y
var(X) = (1-p) / p2.
Dnde se aplica el modelo geomtrico?
1. En un canal de comunicacin, un
modem puede equivocar un carcter
enviado con una probabilidad p=0.001.
Qu
probabilidad
hay
de
que
transmita 300 caracteres sin error?
Se aplica el modelo geomtrico. La
probabilidad que buscamos es P(X >
300). Para calcular esta probabilidad
hay que encontrar el valor de la serie
suma desde 301 a infinito {q(k-1)p} .
Esta serie da q300 = (0.99)300 = 0.049.
En el mismo problema Cul es el
promedio de caracteres sin error?
La repuesta es E(X) = 1 / 0.001 = 1,000
2. En un proceso de manufactura se sabe
que, en promedio, una de cada cien
piezas es defectuosa. Cul es la
probabilidad de que la quinta pieza

25
seleccionada al azar sea la primera
defectuosa?
Aqu aplicamos el modelo geomtrico
con p=0.01. La probabilidad que
requerimos es P(X = 5). De acuerdo a
la
frmula
sta
es:
(0.99)4(0.01)=0.0096
La Binomial Negativa es el modelo que
aplicamos cuando, en la misma situacin que
la geomtrica, nos interesa el nmero de
intentos necesarios para obtener el k-simo
xito.
La imagen de esta variable aleatoria es: {k,
k+1, k+2, . . . }
La funcin de probabilidades es:
(k) (m-k)
P(X
=
m)
=
<B
(m-1)C(k-1)p q
para m en { k, k+1, k+2, . . . }
Dnde se aplica?
1. Una persona se entretiene lanzando al
aire dos monedas, las recoge y las
vuelve a lanzar, siempre lanzando las
dos. Cul es la probabilidad de que las
dos monedas caigan guilas ambas por
tercera
ocasin,
en
el
sexto
lanzamiento.
Este es un problema binomial negativo
(tambin parece un problema de
ociosos!) donde xito es que las dos
monedas caigan ambas guilas. La
probabilidad de que suceda esto, en un
solo intento es p = 0.25. Si X es el
nmero de intento en que ambas sean
guilas por tercera vez, X es binomial
negativa con k=3. La probabilidad que
se nos pide es P(X = 6) usando la
frmula, tenemos:
3
3
5C2(0.25) (0.75) = 0.0659
SESION 16
DISTRIBUCIONES CONTINUAS
Modelos Uniforme y Exponencial.
En las notas anteriores definimos el modelo
exponencial (con media beta) y el modelo
uniforme en el intervalo (0, 1).
Slo queda mencionar respecto a ellos sus
usos ms frecuentes.
El modelo exponencial se usa para modelar
tiempos de espera.
Por ejemplo, el tiempo que un foco dura
prendido hasta el momento en que se funde es
una variable aleatoria ya que el foco se puede
fundir en cualquier momento. La experiencia
de las personas que se dedican al
mantenimiento indica que este fenmeno se
puede modelar bien con la densidad
exponencial.
Otro ejemplo es el tiempo entre llegadas de
llamadas telefnicas a un conmutador. En este

25

caso, la experiencia tambin indica que se

puede modelar razonablemente bien este flujo
de llamadas con la exponencial; en un rato del
da que el conmutador est muy ocupado (por
ejemplo en las horas hbiles de una oficina), el
promedio entre llegadas ser pequeo (beta
pequeo) mientras que cuando las llamadas
estn mas espaciadas beta ser grande.
El modelo uniforme se utiliza para modelar
loteras. Si busco un nmero real entre 3 y 18
y quiero que la probabilidad se reparta por
igual entre todos los nmeros, utilizo una
variable aleatoria uniforme U que sea uniforme
en el intervalo (0, 1) y la multiplico por 15 y al
resultado le sumo 3; en frmula: X = U * 15 +
3. Note que como el valor ms pequeo para U
es el 0, el valor ms pequeo para X ser 3. En
el otro extremo, para U = 1, X ser 18.
[Cmo hace un nmero uniforme entre -15 y
45?].
Con la uniforme en el (0, 1) tambin es posible
tener nmeros uniformes discretos.
Por ejemplo, si quiero un nmero que valga 1
2 3 con igual probabilidad, tomo un uniforme
en el intervalo (0, 1);
Si me toca U menor que 1/ 3, entonces
toca el 1
Si U sale entre 1/ 3 y 2/ 3, entonces
toca el 2
Si U es mayor que 2/ 3, entonces toca
el 3.
Es claro que con este mecanismo los tres
valores: 1, 2 y 3 tienen la misma probabilidad.
[Cmo hacemos un nmero que valga 1, 2, 3,
. . . , 34 con la misma probabilidad a partir de
un uniforme en el (0, 1)?]
Las tcnicas de simulacin por computadora
utilizan mucho los nmeros uniformes en el
intervalo (0, 1) como elementos bsicos para
construir modelos de colas en los bancos,
procesos industriales, funcionamiento de redes
de computadoras, procesos de espera, trfico
en andenes de ferrocarril, movimiento de
mercancas
en
aduanas,
etc.

LA DISTRIBUCION NORMAL.
La Normal Estndar
El modelo normal estndar es el de una
variable aleatoria continua cuya imagen son
todos los nmeros reales.
La densidad de la normal estndar es:
f(z) = (2)-1/2exp(-z2 / 2)
Esta funcin no tiene una integral elemental
de modo que se requiere una tabla especial
para conocer los valores de la probabilidad de
una
variable
normal.
La
tabla
da
probabilidades para
F(t) = P(Z < t)

26

La variable aleatoria normal estndar tiene

propiedades importantes:
La probabilidad est concentrada cerca
de cero. Se puede ver, usando la tabla,
que la probabilidad de un intervalo
cercano a cero es mayor que la de un
intervalo del mismo ancho pero alejado
de cero. En el saln hacemos varios
ejercicios de clculo de probabilidades
que nos convencen de este hecho.
La probabilidad est simtricamente
distribuida alrededor del cero. Haciendo
cuentas con la misma tabla se ve que
la F(a) + F(-a) = 1, para cualquier valor
de a. Esto nos lleva a concluir la
simetra de la distribucin.
Para algunos clculos de probabilidad
de
una
normal
es
conveniente
considerar el eje real partido en cuatro
pedazos,
1. antes de -a,
2. entre -a y 0,
3. entre 0 y a,
4. despus de a.
Las probabilidades de (1) y (4) son
iguales; las de (2) y (4) son iguales; las
de (1) y (2) sumadas dan 0.5; las de (3)
y (4) suman 0.5.
Use la tabla para calcular: P(Z < 1.45), P(Z >
-0.92), P(-0.53 < Z < 1.23). En la tarea tiene
Ud. muchos ejercicios ms de clculo de
diferentes probabilidades en el modelo normal.
Esta variable aleatoria, debido a la forma de la
densidad, tiene un valor central (el cero) que
``atrae'' los valores. La unidad de medida de
esta variable es el uno.
Usos de la normal. La normal no estndar
En los casos en que este modelo se usa,
generalmente:
el valor central o promedio vale mu
(distinto de cero)
la unidad de medida o desviacin
estndar es sigma (distinta de uno).
Para calcular en este caso no estndar, es
preciso hacer una transformacin que se llama
estandarizacin. Esta estandarizacin es un
codificacin de los valores.
La frmula para estandarizar es:
Z = (X - mu) / sigma
La forma de usar esta codificacin la
ejemplificamos en el pizarrn y tiene Ud.
abundantes ejercicios en la tarea.
En esta parte del curso calcularemos
probabilidades suponiendo que el promedio y
la desviacin estndar nos son dados. En un
problema real, estos valores se tendrn que

26

obtener mediante observaciones a travs del

proceso de estimacin.
Modelos relacionados con la normal
Los distribuciones relacionadas con la normal
referidas en el objetivo 5.2 del temario: t, ji
cuadrada y F, sern vistas posteriormente
cuando tengamos necesidad de usarlas. Por el
momento es muy importante que haga Ud.
abundantes ejercicios con la normal.
Ejemplo:
Sea X una variable aleatoria N(5, 4) .
a)
Cul es la probabilidad de que X tome
valores entre 4 y 7?
b)
Cul es la probabilidad de que X tome
valores mayores que 10.?
Solucin:
X
45
a) P[ 4 < X < 7 ] = P [
<
<

75
]
2
P[ -1/2 < Z < 1 ] = (1) ( 1 / 2)
= 0.8413 0.3085
= 0.5328
b)
P[ X > 10 ] = 1 - P[ X 10 ]
X
= 1 - P [

10 5
]
2
= 1 - P[ Z < 5/2 ] =
= 1 - ( 2.5)
= 1 0.9938 = 0.0062

<

Problemas Propuestos.
1.
Sea X una variable aleatoria con
N( , 25 )
Calcular: P[ X > 3 ]
2.
Si
X es una
variable aleatoria con
N( 650, 625 ). Hallar la constante c > 0
tal que:
P[ X 650 < c ] = 0.9544
3.
En una distribucin normal se tienen los
siguientes datos:
P[ X < 45 ] = 0.31
P[ X > 64 ]
= 0.08
Hallar la media y la desviacin estndar
de la distribucin.
4.
Una pequea ciudad es abastecida de
agua cada 2 das ;
El consumo en
volumen de agua para esa pequea
ciudad tiene una distribucin normal con
media 20000 litros y una desviacin de
1000 litros ( se entiende el consumo cada
2 das ) . Se trata de hallar la capacidad
de su tanque de agua para que sea de
solo 0.01 , la probabilidad que en un
periodo de dos das el agua no sea
suficiente para toda la demanda.

27
5.

Si la duracin de los periodos de

duracin de los postes telefnicos de
madera es tal que el 9.51% tienen un
periodo de duracin que exceden los 9
aos, determine la desviacin estndar
de los periodos de duracin si se sabe
que la distribucin de dichos periodos es
normal.

SESION 17
TEOREMA CENTRAL DEL LMITE
La distribucin de probabilidad de una
estadstica
Quiz el resultado mas importante para la
estadstica es el Teorema del Lmite Central.
Este resultado nos indica que, para la
estadstica promedio de la muestra
el valor esperado es la media de la
poblacin.
la varianza es igual a la de la poblacin
dividida
por
el
nmero
de
elementos de la muestra.
la distribucin de probabilidad es la
normal.
Este teorema es muy importante porque
permite calcular probabilidades acerca de
dnde se encuentra el valor del promedio
muestral. Es slo cuestin de usar la tabla
normal teniendo cuidado al estandarizar de
usar la desviacin estndar adecuada que es
la de la poblacin dividida por la raz cuadrada
del nmero de elementos de la muestra.
En el saln hacemos en forma detallada,
ejemplos de estos clculos

3.5*n y varianza 35n/12. La curva roja es el

grafico de la funcin de densidad de una
normal con esos parmetros.
Problemas propuestos:
1.
Un examen de tipo test contiene 100
preguntas, cada una con dos posibles
respuestas (verdadera-falsa), de las
que slo una es cierta. Hacer uso de la
aproximacin normal para:
a. Calcular la probabilidad de que
un alumno consiga acertar 40
preguntas sorteando al azar las
100 respuestas.
b. Calcular la probabilidad de que
un alumno consiga acertar 70
preguntas
cuando
sabe
la
respuesta de 25 preguntas y
sortea las respuestas de las
otras 75.
c. Determinar
el
nmero
de
preguntas que un alumno debe
acertar para que el profesor
asegure
que
con
una
probabilidad de 0.9 el alumno
no ha sorteado todas las
respuestas.
2.
En cierta poblacin de animales, el
30% de los individuos tienen menos de
un ao de edad. Utiliza el Teorema
Central del Lmite para calcular la
probabilidad de que en una muestra de
40 animales haya 10 de menos de un
ao
3.
La variable aleatoria Yn es igual a la
suma de los puntos que salen al
realizar n lanzamientos independientes
de un dado equilibrado. Utilizando el
teorema central del lmite, escoger n de
modo que

4.

En este applet, vemos nuevamente tiradas de

dados. Sea X el numero que muestra un dado
al ser tirado. El valor medio de los valores
posibles de X es 3.5, y la varianza es 35/12 .
Si Sn es el la suma de n dados tirados,
entonces si n es ``grande'', la variable
aleatoria
5.
Puede ser aproximada por una normal, luego
Sn puede considerarse una normal de media

27

Se selecciona una muestra de 10000

votantes.
Definimos
la
variable
aleatoria:

Sea
Cul es la probabilidad de que
se
diferencie de la proporcin p de
votantes afirmativos que hay en la
poblacin en menos de 0.01?
Un jugador va a jugar a cara o cruz 400
partidas, en cada una de las cuales, y
con idntica probabilidad, puede ganar
o perder una peseta. Cul es la

28
mnima cantidad que debe llevar para
que, supuesto que los pagos o cobros
se hacen al final de la serie, tenga una
probabilidad de 0.95 de hacer frente a
sus posibles prdidas?
6.
Se toman 30 nmeros reales elegidos al
azar entre 10 y 20; cada uno de ellos
sirve para formar un paraleleppedo de
dimensin 30.
Calcular el valor de a para que P(Volumen
< a)=0.95
7.
Supongamos
que
extraemos
una
muestra aleatoria simple de una
poblacin que se distribuye segn una
U[0,2]. Encontrar aproximadamente la
probabilidad de que la media muestral
es encuentre entre 0.8 y 1.1, si el
tamao de la muestra es 48.
8.

9.

10.

Sea
variables aleatorias
independientes
e
idnticamente
distribuidas con media 75 y varianza
225.
a.
Utilizar
la
desigualdad
de
Tchebichev para calcular la
probabilidad de que la media
muestral no difiera de la media
poblacional en ms de 6
unidades.
b.
Utilizar el Teorema Central de
Lmite para calcular la misma
probabilidad.
Un individuo posee tres monedas
idnticas externamente, pero en las
que las probabilidades de obtener cara
son diferentes e iguales a 0.8, 0.6 y
0.4. Las tres monedas son lanzadas
simultneamente 100 veces.Cul es la
probabilidad de obtener ms de 175
caras en los 100 lanzamientos?
En un cierto juego la probabilidad de
ganar es 18/37. Supongamos que en
cada juego se puede ganar 1 pts. o
perder 1 pts.Cuntas veces hay que
jugar para ganar al menos 1000 pts.
con probabilidad 0.5?
Las ganancias diarias de un jugador (en
dlares) se distribuyen uniformemente
en el intervalo (-40,50). Cul es la
probabilidad de que el jugador gane
ms de 500 dlares en 60 das?

SESION 18
PRUEBAS DE HIPTESIS
Introduccin y Suposiciones
Una hiptesis es una aseveracin sobre algn
atributo poblacional. Segn Mndez (1973),
una hiptesis es "Una suposicin terica que

28

se acepta provisionalmente para explicar

ciertos
hechos".
Aseveraciones
sobre
parmetros poblacionales conducen a pruebas
paramtricas. Estas pruebas se basan en el
anlisis de muestras con el fin de evaluar
algn
valor
hipottico.
Las
tcnicas
paramtricas se basan generalmente en una o
varias suposiciones sobre los elementos de la
poblacin. Por otra parte, existen hiptesis que
se plantean con respecto a un intervalo de
valores, es decir, en este caso el inters no es
determinar un valor en particular sino
construir un intervalo de confianza, es decir,
con base a una muestra determinar el valor de
P (a< Q < b), la probabilidad de que el
parmetro Q se encuentre entre (a,b) y el
grado de confiabilidad en esta aseveracin.
Las suposiciones mas importantes en la
mayora de las pruebas de hiptesis son:
1. Normalidad. Los observaciones deben
tener una distribucin normal. Estas
observaciones se distribuyen alrededor
de una media Mu y una varianza
sigma2. Yij ~ N(Mu, sigma 2). Es decir, la
distribucin de los errores es normal.
En ciertos casos, la distribucin puede
ser otra, por ejemplo, chi-cuadrada, tstudent,
exponencial,
etc.,
sin
embargo, la mayora de las pruebas son
robustas a la normalidad, es decir,
relativamente insensible al tipo de
distribucin, debido al teorema del
limite central (la distribucin de medias
es aproximadamente normal para
cualquier distribucin siempre y cuando
el tamao de muestra sea grande). Por
otra
parte,
los
datos
pueden
transformarse para cumplir con esta
suposicin.
2. Independencia. Los datos deben ser
independientes. En otras palabras, las
observaciones deben ser extradas al
azar y no estar correlacionadas.
Cuando
los
datos
estn
correlacionados, la validez de la prueba
disminuye. La independencia se logra
mediante
muestreo
aleatorio
o
asignacin aleatoria de tratamientos a
unidades experimentales. Esta es una
suposicin
fundamental
en
la
realizacin de pruebas de hiptesis. La
falta de independencia, debido a la
pobre planeacin de un experimento,
generalmente conduce a la invalidez de
los resultados. A diferencia de las otras
suposiciones en las cuales es posible
realizar transformaciones o cambiar de
anlisis
para
cumplir
con
esas
suposiciones, en el caso de falta de
independencia lo recomendable es

29
analizar
cuidadosamente
el
experimento
para
determinar
las
causas de la falta de independencia y
corregir estas fallas (Sokal y Rohlf,
1995).
3. Varianzas
homogneas.
La
variabilidad de las observaciones entre
dos o mas conjuntos de datos debe ser
similar: Sigma12 = sigma_22 =... =
sigmat2. Esto significa que las fuentes
de error experimental deben ser
similares. Cuando las varianzas no son
homogneas puede haber problemas
en la deteccin de diferencias entre
medias. En este caso conviene realizar
una transformacin para hacer las
varianzas homogneas o bien hacer el
anlisis con subgrupos. Otra alternativa
es emplear mtodos no paramtricos.

Procedimiento
General
para
Formular
y
Probar
Hiptesis
Estadsticas
La formulacin y prueba de hiptesis
estadsticas siguen, en general, los
siguientes pasos (no necesariamente
en este orden):
Especificar la poblacin sobre la cual
nuestras inferencias son aplicables.
Extraer una muestra de la poblacin
sobre la cual se pretende probar alguna
hiptesis. Esta muestra (o muestras)
deben extraerse al azar para que las
inferencias tengan validez. El tamao
de muestra depende de la variabilidad
de los datos, los costos de procesar la
muestra y la confiabilidad en las
estimaciones.
Establecer la hiptesis nula e hiptesis
alternativa. La hiptesis nula (Ho) es la
aseveracin de que el parmetro es
igual a cierto valor, mientras que la
hiptesis
alternativa
(Ha)
es
la
negacin de la hiptesis alternativa. Por
ejemplo, para determinar la efectividad
de algn insecticida, Ho sera: no hay
efecto del insecticida sobre la poblacin
de insectos plaga de inters. La
hiptesis alternativa seria que s existe
efecto del plaguicida. El rechazo de Ho
significa la "aceptacin" de la hiptesis
alternativa. La decisin sobre el
rechazo o no de la hiptesis nula
siempre conlleva un riesgo de error
pues la decisin se basa en una
muestra que no contiene todos los
elementos de la poblacin. Cuando no
se rechaza Ho no quiere decir que se
acepta Ho. Es decir, la evidencia no

29

significa que la aseveracin es cierta;

simplemente es que los datos se
conforman, hasta ese momento, con
Ho.
Seleccionar y determinar el valor de la
estadstica de prueba. La estadstica de
prueba es la variable que se calcula
con base a cierto modelo probabilstico.
La estadstica de prueba es una
variable aleatoria que tiene cierta
distribucin conocida cuando Ho es
cierta. La idea es determinar que tan
probable es que el valor de la
estadstica de prueba calculada ocurra
cuando
Ho
es
cierta.
Si
esta
probabilidad es baja, se rechaza Ho,
con una probabilidad de equivocarse
tambin baja.
Determinar el riesgo de equivocarse
cuando se rechaza la hiptesis nula
(Error tipo I). Este riesgo generalmente
se establece a priori y valores entre
0.10 y 0.001 son generalmente usados.
En una seccin posterior se discute el
empleo de los valores de P (P-vales)
asociados a la estadstica de prueba y
empleados para tomar una decisin
sobre Ho.
Determinar un valor crtico de la
estadstica de prueba acuerdo al
modelo probabilstico que genera dicha
estadstica y la probabilidad de cometer
error tipo I. Este valor permite decidir
sobre la aceptacin o el rechazo de Ho.
Alternativamente se puede calcular el
valor de P.
Establecer un criterio de decisin: Por
ejemplo, rechazar Ho si y solo si el
valor calculado de la estadstica de
prueba es mayor o igual que el valor
crtico.
Comparar el valor calculado contra el
valor crtico y tomar una decisin. Esta
es la parte final de una prueba de
hiptesis, sin embargo, en toda
investigacin, este proceso es cclico
(Platt, 1964).

Alternativamente, el valor de la estadstica de

prueba puede emplearse para calcular la
probabilidad de obtener dicho valor cuando la
hiptesis nula es cierta. Si esta probabilidad es
reducida, se tienen dos opciones (Mndez,
1973):
a) La hiptesis nula es falsa, o b) La hiptesis
nula es cierta pero se obtuvo una muestra
"rara" o poco probable. En este situacin se
rechazar la hiptesis nula y queda la

30
incertidumbre (baja) de cometer un error tipo
I.
Distribuciones de Referencia
La mayora de las pruebas estadsticas hacen
uso de una distribucin de referencia. Una
distribucin de referencia es un modelo
probabilstico de la estadstica de prueba que
ocurre cuando Ho es cierta, es decir, cuyo(s)
parmetro(s) corresponden a los establecidos
en la hiptesis nula. Con esta distribucin de
referencia podemos calcular las probabilidades
de obtener el valor observado de dicha
estadstica. Por ejemplo, suponga que
examinamos una muestra de la cual
obtuvimos una media muestral =8. Podemos
suponer que este valor provino de una
distribucin N(5,2), es decir, de una
distribucin
de
medias
distribuidas
normalmente, Media ~ N(5, 2). En este caso,
estamos suponiendo que la media poblacional
<= 5, i.e., Ho: <= 5, contra Ha: > 5.
Adems, tambin suponemos que la varianza
de las medias es 2. La Figura 1 ilustra la
distribucin probabilstica N(5,2).

Fig. 1. Distribucin normal N(5, 2).

En la Fig. 1 observamos que el valor de
nuestra media muestral (8) se encuentra en el
extremo de la distribucin. En efecto, la
probabilidad de obtener valores >= 8 cuando
Ho <=5 y varianza = 2 son bajas. Al calcular
la probabilidad exacta obtenemos el siguiente
valor:
P(Y media >= 8)= 0.067
Observamos que el valor de la media muestral
(mayores o iguales a 8) ocurre con una
probabilidad muy baja. Es decir, si Ho fuese
cierta, la probabilidad de obtener un valor de 8
o mayor es 0.067. Ciertamente, otros valores
de > 5 podran generar muestras con Y

30

media = 8 con una mayor probabilidad.

Cuando las probabilidades de ocurrencia de la
estadstica de prueba son bajas (digamos <
0.05) entonces podemos tomar la decisin de
rechazar Ho, corriendo el riesgo de cometer un
error igual a la probabilidad de obtener valores
iguales o mayores de dicha estadstica. En
este caso, podemos rechazar Ho con un riesgo
de error equivalente a P(Ymedia >= 8) =
0.067. El valor de P(Ymedia >= 8) corresponde
al P-value.
Existen algunas pruebas que hacen uso de una
distribucin de referencia, en particular, las
pruebas de aleatorizacin y pruebas
basadas
en
"experimentos
previos"
permiten probar hiptesis sin necesidad de
contar con una distribucin de referencia .
Ejemplos de Formulacin de Hiptesis
Estadsticas
Para una, dos o mas poblaciones.
Una poblacin
1. Se inspecciona una muestra de
pulgones de cierta regin y se mide la
longitud de cornculo. Por datos
obtenidos en otra regin, se sabe que
la longitud promedio del cornculo es de
0.10 mm.
La hiptesis nula se expresa como: Ho :
mu= 0.10,
la hiptesis alternativa: Ha: mu <>
0.10 mm.
En otras palabras, se prueba si la
muestra proviene de una poblacin con
media 0.1 mm, la hiptesis alternativa
es que la media es distinta.
2. Se inspecciona una muestra de plantas
de frjol, se cuenta el nmero de
picudos del ejote por vaina. Se desea
saber
que
tipo
de
distribucin
probabilstica representa los conteos de
insectos.
Dos poblaciones
1. Se realiza el siguiente experimento. Se
pretende probar si cierto tipo de
trampa captura adultos de "salivazos"
igualmente del lado norte y del lado
sur. Aqui la hiptesis es mu1 = mu2,
contra Ha: mu1 <> mu2. mu1 es la
media poblacional (nmero de insectos
capturados) en el lado sur, y mu2 es la
media poblacional en el lado norte.
2. Se postula que existe una relacin lineal
entre el numero de chinches del sorgo
y el rendimiento del sorgo. El modelo
estadstico mas simple es que el
rendimiento (Y) es una funcin lineal
del nmero de chinches (X): Yi = B0 +
B1X + ei. Si este modelo es cierto,

31
entonces B1 <> 0, de otra manera no
existe relacin entre X y Y y el modelo
se colapsa a: Yi = B0 + ei.
B0 representa la media general y B1 la
pendiente de una recta. La hiptesis
que se desea probar es: Ho: B1 = 0 vs
B1 <> 0.
Varias
poblaciones
(>
2
poblaciones)
1. Se evalan cuatro herbicidas A, B, C, D.
Los herbicidas A y B son preemergentes
y C, D post-emergentes. Los herbicidas
A y C contienen el mismo ingrediente
activo y
la misma formulacin pero son hechos
por dos compaas distintas y tienen
costo distinto. El herbicida B es una
mezcla del ingrediente activo del
herbicida A y otro componente. Lo
mismo ocurre con el herbicida D. Es
decir, el herbicida D es una formulacin
del herbicida C (ingrediente activo) con
otro ingrediente activo. Adems de
estos
herbicidas
se
tiene
un
tratamiento testigo (no hay control de
malezas) y otro tratamiento que
consiste en control manual (machete).
Los herbicidas A y B son producidos por
la
compaa
Agroqumicos-1,
los
herbicidas C y D son producidos por la
compaa Agroqumicos-2.
Se formulan las siguientes hiptesis:
a) Existe diferencia en los tratamientos
qumicos con respecto al testigo (no
control) ?
b) Existe diferencia entre los herbicidas
preemergentes con respecto a los
postemergentes?
Observe que estas hiptesis son
propuestas antes del experimento
2. Se disea un experimento para
determinar la efectividad de dos
depredadores:
Hippodamia
y
Coccinella.
Se
evalan
ambos
depredadores tanto en estado larval
como
adultos.
Se
prueban
las
siguientes hiptesis:
Existen diferencias en el consumo entre
Hippodamia y Coccinella?
Existen diferencias en el consumo de
pulgones entre larvas y adultos de
ambos depredadores?
La diferencia en el consumo entre
larvas y adultos es el mismo para las
dos especies?
3. Se prueban varias variedades de
frijol con respecto al ataque de

31
Zabrotes. El objetivo es determinar si
existen
variedades
resistentes
al
ataque de este insecto, evaluado
mediante
el
efecto
de
dichas
variedades
sobre
las
tasas
de
desarrollo. Una hiptesis de interes
sera:
Cual es la variedad mas resistente con
respecto al testigo

PROBLEMAS PROPUESTOS:
1.
Un contador cree que los
problemas de flujo de efectivo de una
empresa son resultado directo del lento
proceso de cobro de las cuentas por
cobrar. Dice que al menos el 70% de las
actuales cuentas por cobrar tienen ms
de dos meses. Una muestra de 120
cuentas por cobrar indica que hay 78
con ms de dos meses. Pruebe la
afirmacin del contador, al nivel de
significancia de =0.05.
2. Se tiene
hiptesis:

la

siguiente

prueba

de

Ho: 1 - 2 0
Ha: 1 - 2 > 0
Los resultados siguientes son para dos
muestras independientes tomadas de
dos
poblaciones
Muestra 1
n1 = 40

Muestra 2
n2 = 50

= 22.8
= 25.2
S1 = 5.2
S2 = 6.0
a) Cul es su conclusin de la prueba de
hiptesis con
= 0.05?
b) Cul es el valor p?
3. Se tiene la siguiente prueba de
hiptesis
Ho: 1 - 2 = 0
Ha: 1 - 2 0
Los resultados siguientes son para dos
muestras independientes tomadas de dos
poblaciones
Muestra 1
n1 = 80
= 104

Muestra 2
n2 = 70
= 106

32
S1 = 8.4
S2 = 7.6
a. Cul es su conclusin de la prueba de
hiptesis con
= 0.05?
b. Cul es el valor p?
RESPUESTA: a) z = -1.53; no rechazar H o
b)
0.1260
4. Se tiene la siguiente prueba de
hiptesis
Ho: 1 - 2 = 0
Ha: 1 - 2 0
Los resultados siguientes corresponden
a dos muestras independientes de las
dos poblaciones. Cul es su conclusin
de la prueba de hiptesis con a = 0.05?

Muestra 1
n1 = 8

Muestra 2
n2 = 7

= 1.4
= 1.0
S1 = 0.4
S2 = 0.6
5. Los
siguientes
estadsticos
corresponden al ejercicio anterior, en el
que con dos muestras independientes
de
viajeros
se
calificaron
los
aeropuertos de Miami y Los ngeles.
Aeropue Tamao
Media
Desviaci
rto
de
la de
la n estndar
muestra
muestra de
la
muestra
Miami
50
6.34
2.163
Los
50
6.72
2.374
ngeles
Es la media de la poblacin de
calificaciones del aeropuerto de Los
ngeles mayor que la del de Miami? Apoye
su conclusin con una prueba estadstica
que emplee un nivel de significancia de
=0.05
RESPUESTA: 0.84, no rechazar Ho
6. El estudio de las tiendas Greyston
Department Store de la seccin 10.1
produjo los siguientes datos acerca de
las edades de los clientes, con dos
muestras aleatorias independientes
tomadas en dos lugares de la ciudad.
Tienda del centro
Tienda suburbana
n1 = 36
n2 = 49
= 40 aos
S1 = 9 aos

= 35 aos
S2 = 10 aos

32

Para a = 0.05, pruebe Ho: 1 - 2 = 0 contra la

alternativa Ha: 1 - 2
0. Cul es su
conclusin acerca de las medias de las edades
de las poblaciones de los clientes en las dos
tiendas?
7. El Servicio de Evaluacin educativa llev a
cabo un estudio para investigar las diferencias
entre las calificaciones de alumnos hombres y
mujeres en la Prueba de Aptitud Escolar (PAE).
El estudio identific una muestra aleatoria de
562 alumnos mujeres y 852 alumnos hombres
que alcanzaron la misma alta calificacin en la
parte de matemticas. Esto es, se consider
que los alumnos, mujeres y hombres, tenan
aptitudes semejantes y altas en matemticas.
Las calificaciones de expresin oral del PAE,
para las dos muestras, se resumen en la tabla
siguiente.
Alumnos
mujeres

Alumnos hombres

= 547
= 525
S1 = 83
S2 = 78
Esos datos, respaldan la conclusin que, dada
una poblacin de alumnos mujeres y una de
alumnos hombres con aptitudes matemticas
altas, los alumnos mujeres tienen una aptitud
bastante mayor de expresin oral? Haga la
prueba con nivel de significancia de = 0.02.
Cul es su conclusin?
RESPUESTA: z = 4.99; rechazar Ho