UNIVERSIDAD POLITECNICA

SALESIANA

FACULTAD DE INGENIERIA ELECTRNICA

PROBABILIDAD Y ESTADSTICA

ING. WILLAM CAIZA

CAPTULO 1 Conjuntos e Induccin

Matemtica
1.1 CONJUNTOS
Un conjunto es la agrupacin de ciertos objetos unidos por un criterio en comn.
Ejemplo1:

A= { a , e , i, o , u } A= {las vocales }
B=

{ 1X , x N , x< 5}B={11 , 12 , 13 , 14 }

Los conjuntos se pueden definir por extensin y comprensin.

Un conjunto se define por extensin cuando se enumera cada uno de los
elementos del conjunto.
Un conjunto se define por comprensin cuando se describe la caracterstica
que debe cumplir dicho conjunto.
Ejemplo2:
Dado el conjunto

A= [ x R x 3x=0 ]

, definido por comprensin, exprselo por

extensin

x 3x=0
x ( x 21 ) =0
x ( x +1 )( x1 )=0
x=0 v x +1=0 v x1=0

x=0 v x=1 v x =1

Ejemplo 3:
Dados los intervalos

a) A

b) A B

A= [ 3,5 ] ; B=[4,7] encontrar:

a) A B = [3,7 ]

b) A B =

1.2 OPERACIONES CON CONJUNTOS

Unin de conjuntos
Definicin

A B={ x /x A x B }
Interseccin de conjuntos
Definicin

A B={ x / x A y x B }
Diferencia entre 2 conjuntos
Definicin

A / B= { x / x A y x no es B }
Est formado por todas las x tal que x sea elemento de A y x no sea elemento de B
Ejemplo 4:

A= {1,3,5 }
B={ 2,9 }
Encontrar:

A / B= {1, 3,5 } B/ A={ 2,9 }

Complemento de un conjunto
El complemento de A esta formado por todos aquellos elementos que no pertenecen a
A, es decir:

A C =U / A

Diferencia Simtrica de dos conjuntos

A B=( A /B ) ( B / A )
Dado los conjuntos A y B, el conjunto C diferencia simtrica est constituido por todos
los elementos del conjunto A que no pertenecen al conjunto B, unidos a todos los
elementos del conjunto B que no pertenecen al conjunto A se llaman diferencia
simtrica de los conjuntos A y B.
Ejemplo 5:

M ={ 1, 3,6, 8, 9 } N= {2, 4, 6, 8 }
M N ={ 1, 2,3, 4, 9 }
M /N

= { 1,3, 9 } N / M = {2, 4 }

1.3 PROPIEDADES DE LAS OPERACIONES CON CONJUNTOS

1) Idempotencia

A A= A

A A= A
2) Conmutativa

A B=B A
A B=B A
3) Asociativa

( A B ) C= A ( B C )
( A B ) C= A ( B C )

4) Distributiva

A ( B C )=( A B ) ( A C )
A ( B C )=( A B ) ( A C )
5) Identidad

A = A A U=U

A = A U= A
6) Complemento

A A C = ( AC )

=U

=A

A A C = U c =
7) De Morgan
C

( A B) = A B

( A B)C =A C BC
8) Diferencia

A
B

=A

Ejemplo 6:
1) Demostrar que (A U B) \ C = ( A U B U C) \ C
Primera Forma
(A U B U C)\C
(A U B U C)
((A U B) U C)

Hiptesis

C
C

((A U B) C) U (C
((A U B) C) U

(A U B)

Definicin de diferencia

(A U B)\C

Asociativa

C)

Distributiva
Complemento
Identidad
Diferencia

Segunda Forma
(A U B)\C
(A U B)

Hiptesis

((A U B) C) U

Definicin de Diferencia
Identidad

 C) U (C C)

((A U B)

((A U B) U C)
(A U B U C)

Identidad
Distributiva

Asociativa

(A U B U C) \C*

Diferencia

2) Demuestre que [(A U C)\B] U [(B U C)\A]=( A U B U C)\(A

B)

(A U B U C)\(A
(A U B U C)

Hiptesis

(A

(A U B U C)
[(A U B U C)

B)

Diferencia

(A U B)

Ley de Morgan

A] U [( A U B U C) B]
A]U [ (B U (A U C)) B]

[(A U ( B U C))

B)

Distributiva
Conmutativa

Asociativa
[(A

A) U ((B U C) A)] U [ (B B) u ((A U C) B)]

[ U ((B U C)
[(B U C)

A)] U [ U ((A U C) B)]

A] U [(A U C) B]

Distributiva

Complemento
Identidad

[(B U C)\ A] U [(A U C)\ B]

Diferencia

[(A U C)\ B] U [(B U C)\ A]

Conmutativa

3) Demuestre (A C) U (B

B)=[C\(A U B)] U [(B

C)\(A

C)]
[C\(A U B)] U [(B
[C

C) \ (A B C)]

(A U B)] U [(B

C) (A B C)]

Hiptesis
Diferencia

[C
[(C

(A

B)] U [(B

C) (A U B U C)]

A) B] U [(B

C)

Morgan

(A U (B C)]

Conmutativa Morgan
[(A

C)

B] U [(B C) A] U

Complemento
[(A

C)

B] U [A C] B]

(A C) U (B

Identidad

B)

Distributiva

EJERCICIOS PROPUESTOS. Tomados del Libro de Walpole R., Myers R., Myers
D.(1999). Probabilidad y estadstica para ingenieros. (sexta edicin).
1. Liste los elementos de cada uno de los espacios muestrales siguientes.
a) El conjunto de enteros entre 1 y 50 divisibles entre 8.
2

b) El conjunto S={ xx + 4 y 5=0

2. Un experimento implica lanzar un par de dados, 1 verde y 1 rojo , y registra los

nmeros que salen. Si x es igual al resultado en el dado verde e y es el resultado
en el dado rojo, describe el espacio muestral S.
a) Mediante la lista de los elemento (x,y)
b) Mediante el uso del mtodo de la regla
3. Para el espacio muestral del ejercicio anterior.
a) Liste los elementos que corresponden al evento A de que la suma sea mayor a 8
b) Liste los elementos que corresponden al evento B de qeu ocurra un 2 en cualquiera
de los dos lados.
c) Liste los elementos qeu corresponden al evento C de que salga un nmero mayor
qeu 4 en el dado verde
d) Liste los elementos que corresponden al evento

A C

e) Liste los elementos que corresponden al evento

B C

f) Liste los elementos que corresponden al evento

A B

Construya un diagrama de Venn para ilustrar las intersecciones y uniones de los

eventos A,B y C
4. Si S={0,1,2,3,4,5,6,7,8,9} y A={0,2,4,6,8}, B={1,3,5,7,9}, C={2,3,4,5} y D={1,6,7},
liste los elementos de los conjuntos que corresponden a los siguientes eventos.
a)

A C

b) C
c) (C D) B

5. Demostrar que [A-(A B)] [B-(A B )] (A B)=A B

CAPTULO 2
INDUCCIN MATEMTICA
La demostracin o afirmacin de que se cumplen una expresin matemtica funcin
de m, se puede demostrar mediante el principio de induccin matemtica.
La induccin matemtica nos permite verificar si la expresin matemtica verdadera
siempre y cuando dicha expresin sea funcin de 1 nmero natural los pasos para la
demostracin mediante induccin matemtica
1. Se comprueba la validez de la afirmacin para n=1
2. Se supone la validez de esta afirmacin para n=k
3. Se demuestra la validez de esta afirmacin para n=k+1 tomando en
consideracin su validez su puesto para n=

despus de lo cual se saca la

conclusin de que la afirmacin es vlida para cualquier nmero natural n

Ejemplos:
1) Demostrar que para todo nmero natural se verifica toda igual

1+2+3+4 +n=

n ( n+1 )
=Sn
2

1. Se verifica el cumplimiento para n=1

1=

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

3(3+1) 12
= =6
2
2

6=6
2. Suponer que para n=k es verdadera

1+2+3+4 +k =

k ( k +1 )
hipotesis Inductiva
2

3. Se debe demostrar para n=k+1 la expresin es verdadera

1+2+3+4 +k =

k ( k +1 ) ( k +2 )
TI
2

1+2+3+4 +k =

k ( k +1 )
H .I
2

1+2+3+4 +k + ( k +1 )=

k ( k +1 )
+k +1
2

k ( k +1 )
k 2+3 k + 2
+ k +1
2
2
k ( k +1 ) +2 k +2 ( k +2)(k +1)
2
2
2

k +k +2 k +2
2
n(n+1)
LQQD
2
2) Verifique que para todo nmero natural n se cumple n 2

n1

1. Se verifica el cumplimiento para n=1

1 2

11

1 20
1 1
2. Suponemos que para n=k es verdadero

k 2n1

3. Se debe demostrar que para n=k+1 la expresin es verdadera

k +1 2(k+1 )1
k +1 2k T . I

k1

k +1 2

k +1 2k 2
1 y 2 multiplicamos

k ( k +1) 2 k (2k1)
2
2( k 1)
k + 1
k +1 2k LQQD
EJERCICIOS PROPUESTOS
Demuestre por induccin las siguientes igualdades

n(n+1)(n+2)
6

12+ 22 + 32 ++ n2 =

( n+1 ) ( n+2 ) ( n+3 ) .. ( n+ n )=2 n135(2 n1)

1
2
5

+ 3 +..+ n )+

( 1 +2

+ 3

+..+ n

n
4
2

n1

+ 3 4 + ...+ (1)

1
n(n+1)
= ( n1
2

1 2

1
1
1
n+ 2

(1 ) ( 1 ..( 1
2
=
4
9
2 n+2
( n+1 )

Dado la desigualdad Bernoulli

es fijo,
n

(1+ ) >1+n

n=2

>1

)=2(1+2+3++

(1+ ) >1+2
2

1+2 + > 1+ 2

Es verdadero

n=k

(1+ )k >1+k

H.I

n=k+1

(1+ )k +1>1+ ( k +1)

T.I

(1+ )k >1+k

( 1+ )k (1+ k )>(1+k )(1+ )

( 1+ )k+1 >(1+ k)(1+)
( 1+ )k+1 > ( 1+k + + 2 k )
( 1+ )k+1 > ( 2 k + k+ +1 )

k > 0

k 2+ k +1>1+ k
2

k + k +1+ >1+k +

( 1+ )k+1 > ( 1+ )( k +1 ) LQQD

CAPITULO 3
ESTADISTICA DESCRIPTIVA

Definiciones Preliminares:

Muestra: es una parte de la poblacin y depende del experimento hacer analizado.

Modelo: es la representacin de una realidad, se representa mediante expresiones
matemticas.
Poblacin: es el conjunto de todos los elementos correspondientes al experimento
analizado, poblacin no es sinnimo de un conjunto inmenso, si no que depende del
experimento.
Modelo Determinstico: es aquel donde los estadsticos estn determinados o son
fijos.
Modelo Probabilstico: es un modelo de la realidad analizada la cual es aleatoria o
estocstica.
Estadstica Descriptiva: es la ciencia que recolecta datos, los analiza, los ordena, los
procesa (mediante herramientas matemticas), finalmente obteniendo informacin
para una toma de decisiones.
Estadstica Inferencial: se basa en una muestra, la misma que debe ser significativa
en otras palabras debe ser una muestra representativa de la poblacin, mediante la
cual se infiere los parmetros de la poblacin.
SIMBOLOGA
Tamao poblacin

Tamao muestra

Variables

Valores

Ejemplo
X: Bienestar Estudiantil UPS
X= (Ingreso familia, Casa propia, Carro propio)

X 1 = Ingreso familia
x 1=2000
x 2=1500
.
.

x n=1000

3.1 DESCRIPCIN DE DATOS

La descripcin de datos, se la realiza mediante una tabla de frecuencias la misma que

consta de la siguiente informacin.
a) Frecuencia (

f i ): en general es el nmero de datos que contiene la clase i.

b) Frecuencia Relativa (

y es igual a

f ri=

f ri ): es el tanto por uno de la frecuencia i en la clase i,

fi
n .

c) Frecuencia Acumulada (

Fi ): es igual al nmero de datos hasta la clase i.

d) Frecuencia Relativa Acumulada (

es igual a

Fri =

Fri ): es el tanto por uno hasta la clase i, y

Fi
n .

Tabla de frecuencia:
Es un dispositivo para la agrupacin de datos y as facilitar su interpretacin.
Ejemplo
Obtenga la Tabla de Frecuencia para los siguientes 40 datos de una muestra,
correspondiente al tiempo que se utiliz para atender a las personas en una estacin
de servicio:
3,1
4,5
2,9
2,7
3,8
5,1
2,5
3,6
4,3
5,1

Numero de clase:

2,8
2,8
3,7
3,5
4,4
2,5
5,6
5,1
4,7
4,2

numero de datos
40

Numero de clase
:
6,32455532
Longitud clase:

4,9
3,5
2,1
4,2
2,2
1,8
3,6
6,1
5,7
4,9

Valor mximo Valor mnimo

3,6
4,1
4,1
3,7
2,9
6,3
4,8
3,9
3,6
3,1

Longitud clase: 6,3 1,8 = 4,5

Ancho de la clase:

longitud de la clase
de elementos de la clase i

Ancho de la clase:

4,5
=0,75
6

Clase i
1
2
3
4
5
6

Intervalo de Clase
lim.superior
Fi
2,5
5
3,25
7
4
10
4,75
8
5,5
6
6,25
4

lim.inferior
1,75
2,5
3,25
4
4,75
5,5

fri
0,13
0,18
0,25
0,20
0,15
0,10

F
5
12
22
30
36
40

Fri
0,13
0,30
0,55
0,75
0,90
1,00

EJERCICIOS PROPUESTOS
Tabla de distribuciones
1. La tabla muestra la distribucin del ingreso familiar mensual de 80 familias.
Intervalo
640-680
680-720
720-760
760-800
800-840

Frec. Absoluta

Frec. Absoluta

Frec. Relativa

acumulada

48

60
0,125
0,075

Determine el nmero de familias que tiene un ingreso menos a 800 dlares

mensuales.
Respuesta: 76.
GALINDO Edwin, Estadstica - Mtodos y Aplicaciones, ProCiencia Editores 2011,
Ejercicios: Anlisis Exploratorio de datos pag18.
2. Se dispone de los siguientes datos incompletos en una Tabla de Frecuencias,
completar la Tabla:
Nmero
1
2
3
4
5
6
7

Clase
[1,2)

Marca

F
1

f/n

F/n

6
0.25
0.7
0.9

8
0.05

Respuesta:
Nmero
1
2
3
4
5
6
7

Clase
[1,2)
[2,3)
[3,4)
[4,5)
[5,6)
[6,7)
[7,8)

Marca
1.5
2.5
3.5
4.5
5.5
6.5
7.5

F
1
5
10
12
8
2
2

F
1
6
16
28
36
38
40

f/n
0.025
0.125
0.25
0.3
0.2
0.05
0.05

F/n
0.025
0.15
0.4
0.7
0.9
0.95
1

Luis Rodrguez Ojeda, Mcs., Probabilidad y Estadstica Bsica para ingenieros,

Escuela Superior Politcnica del Litoral, Guayaquil- Ecuador, 2007, Ejercicio resuelto
datos agrupados, pg. 29.
3. En la en la tabla indicada los tiempos de espera en las ventanillas de un
banco
Tiempo (min)
0-3
3-6
6-9
9-12
12-15

Frec.absoluta
32

Frec. Realtiva
0.30

0.05
0.10

Halle el tamao de la muestra y complete la tabla de distribucin de frecuencias

Respuesta n = 160.
GALINDO Edwin, Estadstica - Mtodos y Aplicaciones, ProCiencia Editores 2011,
Ejercicios: Anlisis Exploratorio de datos pag18.

4. Halle el tamao de la muestra y reconstruya la siguiente tabla asimtrica de

distribucin de frecuencia.
Intervalo
10 12
12 18-20

Frec. Absoluta
7

Frec. Relativa

Frec. Relativa acumulada

0.24

0.52
5

Respuesta: n=50.
GALINDO Edwin, Estadstica - Mtodos y Aplicaciones, ProCiencia Editores 2011,
Ejercicios: Anlisis Exploratorio de datos pag18.

5. La tabla muestra la distribucin del ingreso familiar mensual de 80 familias.

Intervalo
640 680
680 720
720 760
760 800
800 840

Frec. Absoluta

Frec. Absoluta acumulada

48

60

Frec. Relativa
0.125
0.075

Complete la tabla y determine el nmero de familias que tienen un ingreso menor a

800 dlares.
Respuesta: 76.
GALINDO Edwin, Estadstica - Mtodos y Aplicaciones, ProCiencia Editores 2011,
Ejercicios: Anlisis Exploratorio de datos

3.2 MEDIDAS DE TENDENCIA CENTRAL

Media muestral: es el valor ms representativo de un conjunto de datos.

x 1 + x 2+ x3 ..+ x n 1 n
x =
= xi
n
n i=1
Una de las caractersticas principales de la media es que se distorsiona con valores
atpicos es decir valores muy grandes o muy pequeos.

Ejemplo:
2, 6, 11, 8, 11, 4, 7, 5, 90

x =

2+ 6+11+8+ 11+4 +5+5+90

=16
9

Cuando se tiene valores atpicos es recomendable utilizar una media cortada,

generalmente a un 5 y 10%.
En el ejercicio anterior se puede observar que existen valores atpicos, por lo tanto
vamos a calcular una media cortada al 30%.

100 9
30 x

x 30 =

x=3

6+11+ 8+11+5+7
=8
6

MODA
Moda muestral: es el dato que ms se repite en un conjunto de datos (Mo).

MEDIANA
Mediana muestral: es el valor a partir del cual el 50% de datos estn sobre el y el otro
50% de datos estn bajo el, no es sensible a datos atpicos (Md).
La mediana se puede calcular a partir de datos que deben estar ordenados de menor
a mayor y para datos pares como impares, cuyo clculo se puede realizar mediante la
siguiente expresin.

{(

x n +1 sin es par
2

Md= 1
x +x
si n es impar
2 n2 ( n2 +1)

Ejemplo
Para datos impares
2, 2, 3, 4, 5, 6, 7, 7

Md=x n+1
2

9+1
= x5
2
Md =x
Para datos pares
3, 3, 4, 4, 4, 5, 6, 7, 8, 23

Md=

1
2

Md=

1
2

( 4 +5 ) = 4,5

x 5+ x 6 )

Ejemplo
Para 20 datos obtener el porcentaje

x 25 =x 0,2520=x 5=5
x 65 =x 0,6020=x 12=8
x 33 =x 0,3320=x 7=6
x 75 =x 0,7520=x 15=23
A partir del dato 23 todos los datos que estn sobre l representan el 75, y los datos
que estn bajo el representan el 17%.

3.3 MEDIDAS DE DISPERSIN

RANGO
Rango: es una medida de dispersin y es igual a su valor mximo menos su valor
mnimo.
Con el rango podemos calcular la desviacin emprica, que es aproximadamente:

s emprica

R
4

VARIANZA
Varianza muestral: es un valor representativo de la dispersin de un conjunto de
datos con respecto a la media.
n

( x 1 x )2

s 2= i=1

n1

s 2=

n x 2i ( x i )
i=1

i =1

n(n1)

Ejemplo
11, 2, 6, 8, 11, 4, 7, 5

x =

11+2+6+8+ 11+4 +7+5

=6,75
8

( x 1 x )2

s 2= i=1

n1
2

(116,75) +(26,75) +(66,75) +( 116,75) +( 86,75) +(46,75) +(76,75) +(56,75)

s=
7
2

s =10,21 es el valor representativo de la dispersion de eseconjunto de datos .

DESVIACIN ESTANDAR
Desviacin estndar muestral: es el valor representativo de la dispersin de un
conjunto de datos extrado la raz.

s 2=Var ( x)
s= Var (x )
Ejemplo
Encontrar otra expresin para el clculo de la varianza

( x 1 x )2

s=
2

n1

2
2
( x i 2 x 1 x + x )

s=
2

n1

x i 2 x1 x + x
s2 =
n1

s=

x 2i n x 2
n1

Ejercicio
Encontrar la varianza y la desviacin x edad

x 1=22

x 1=21
x 1=23
x 1=22
x 1=22
x 1=19
x =21,5
PRIMERA FORMA

( x 1 x )2

s=
2

n1

s=

(2221,25) +(2121,25) +(2321,25) +(2221,25) +(2221,25) +(1921,25)

5

s 2=1,9
s= 1,9=1,38
SEGUNDA FORMA

x 2i n x 2

s=
2

n1

21,5

2
[ ( 22 )2+ ( 21 )2+( 23 )2+( 22 )2 + ( 22 )2 +( 19 )2 ]6
s 2=
s 2=1,9
s= 1,9=1,38

3.4 MEDIDAS DE POSICIN

Indica la posicin del valor dentro del grupo.

CUARTILES:
Q1: Es el valor a partir del cual el 25% de datos estn sobre el, y el 75% de datos bajo
ese valor.
Q2: es el valor a partir del cual el 50% de datos estn sobre el, y el 50% de datos bajo
ese valor.
Q3: es el valor a partir del cual el 75% de datos estn sobre el, y el 25% de datos bajo
ese valor.
DECILES:
D1: es el valor a partir del cual el 10% de datos estn sobre el, y el 90% de datos bajo
ese valor, existen diez deciles: D1,D2,,D10.
PERCENTIL:
Existen 100 percentiles
P1: es el valor a partir del cual el 1% de datos estn sobre l, y el 99% de datos bajo
ese valor, asi cada uno de los 99 percentiles restantes.
EJERCICIOS PROPUESTOS:
(Estadstica - Mtodos y aplicaciones, 2da Edicin, Edwin Galindo, Ejercicios 5,
10, 13, 13, 14, 20, 21, 23, 24 ,25)
1. Un inversor tiene ahorros repartidos en 3 depsitos con 200, 5000 y 10 000
dlares, respectivamente. Si el primero le rinde un 5% anual, el segundo un 4%
anual y el tercero un 2% anual. Cul es el tipo de inters que recibe?
Respuesta: 2.94%
2. Dados los datos y sus frecuencias
xi
1
3
6
9
10
Halle: a) Q2; b)niMedia;8 c) S;
d)
RIQ
20 25 10 2
Respuesta: a) Q2=6; b) x=5.046; c) S=2.63; d) RIQ = 3
3. A partir de la siguiente distribucin de frecuencias
xi
1.2 2.3 3.5 5.4 7.8 8.3 12.1
ni
2
4
4
6
3
5 1
a) Determine: cuartiles, media armnica, media geomtrica.
Respuesta: a) Q1 = 2.9; Q2 = 5.4; Q3 = 8.05; H=3.715; Mg = 4.5837.
4. La tabla muestra la temperatura nocturna (en C) durante 200 das.
Intervalo

Frecuencia

Intervalo

Frecuencias

24

21

12 14

14

46

16

14 16

20

68

15

16 18

22

8 10

26

18 20

18

10 12

23

20 22

25

a) Determine: Media, mediana, cuartiles inferior y Superior

Respuesta: x=12,29; Q1 = 7.73; Q2 = 11.91; Q3 = 17.36
5. Un automvil ha recorrido los 832 km que separan Loja de Esmeraldas,
permutando regularmente las 5 llantas (incluida la de emergencia) para que
todas tengan igual desgaste. Cul es el recorrido promedio de cada llanta?
Respuesta: 665.6 km
6. EL kilometraje que marca un auto, luego de 4 aos de uso, es 100 mil
kilmetros, Si el dueo lo compro nuevo y lo hace descansar 1 da, luego de
usarlos 4 das seguidos. Cul es el recorrido promedio diario de los das
manejados, considerando aos de 365 das?
Respuesta: 85.62 km/da
7. Se tiene 4 nmeros. Al aadir el promedio de 3 de ellos al nmero restante, se
obtienen los nmeros 17, 21, 23, 29. Si se excluye al mayor de estos nmeros,
Cul es el promedio de los 3 restantes?
Respuesta: 8
8. El promedio de 53 nmeros es 600. Si se elimina 3 nmeros consecutivos, se
observa que el nuevo promedio aumenta en 5%. Cul es el mayor de dichos
nmeros consecutivos?
Respuesta: 101

9. Calcule la mediana de las siguientes temperaturas:

Temp.

20.5

20

19.5

19

18.5

18

17.5

(C)
No. Das

13

Respuesta: 19

3.5 MEDIDAS DE FORMA

CURTOSIS Y ASIMETRIA
Asimetra
La asimetra de una distribucin hace referencia al grado en que los datos se repartan
por encima o por debajo de la tendencia central. Y se define como:
n

( xix )3

As= i=1

s3n

(A) As>0 Asimetra Positiva

(B) As=0 Simetra
(C) As<0 Asimetra Negativa

Apuntamiento o Curtosis
El coeficiente de apuntamiento o curtosis de una variable sirve para medir el grado
concentracin de los valores que toma en torno a su media.
n

(xi x )4 /n

Ap= i=1

s4

(A) Cr>0 Distribucin Leptocrtica

(B) Cr=0 Distribucin Mesocrtica
(C) Cr<0 Distribucin Platicrtica
EJERCICIOS PROPUESTOS. (Libro
Galindo pagina 43, Estadistica
Descriptiva de S. Fernandez pp 259)

1. Dadas = 8 mediciones: 4, 2, 6, 5, 7, 5, 4, 6. Determine:

x ;

a
b
c
d
e
f

La mediana;
s;
El rango;
La asimetra;
La curtosis ;

Respuestas: a)

x =4.875 b) Me=5 c) s=1.553 d) R=5 e) As=-0.644 f) Ap=0.592

2. Dadas = 9 mediciones: 5, 8, 8, 4, 4, 9, 7, 5, 4. Determine:

x ;

a
b
c
d
e
f

La mediana;
s;
El rango;
La asimetra;
La curtosis ;

Respuestas: a)

x =6; (b) 5 ;(c) s=2; (d) R=5; e) As=0.362 (f) Ap=-1.826

3. La direccin general de trfico est interesada en estudiar la educacin

vial en los jvenes. Para ello selecciona una muestra aleatoria de sujetos
que acaban de obtener el carnet de conducir (grupo 1) y otra con sujetos
que lo tienen hace 5 aos (grupo 2) y registra el n de veces que han
perdido puntos en el ltimo ao. Los resultados se muestran a
continuacin:
Grupo 1:

Grupo 2:

Respuesta:

x 1=2;

x 2=6; S1=1,5; S2=5,5

4. Calcular el valor Asimtrico y Curtosis de los siguientes valores: 2,4,8,2

Respuesta:

x =4; s=2,82, As=0,53; Ap=-1,86

5. Estudiar la simetra de los siguientes datos:

10-12-12-14-10-10-16-12-14-10
Respuestas:

x =12; s=2, As=0,53; As=0,6 Asimetra positiva.

3.6 ANALISIS DE DATOS AGRUPADOS

El anlisis de los datos se la puede realizar mediante datos individuales y datos

agrupados, generalmente el anlisis que se realiza es mediante datos agrupados ya
que el proceso se realiza con una gran cantidad de datos.
Definicin: media de datos agrupados:
k

x =

1
mi , fi
n i=1

Definicin: varianza de datos agrupados:

k

s=

1
2
fi (mix )

n1 i=1

nmero de datos

nmero de clase

mi

marca de la clase i (es el valor central del intervalo de la clase)

fi

frecuencia de la clase i

Ejemplo:
La tabla de frecuencias siguiente contiene los datos agrupados en 6 clases del nmero
de artculos vendidos por un almacn en 50 das. Calcule la media y varianza.

Media:

x =

1
( m1 f 1+m 2 f 2+ m3 f 3+ m4 f 4 +m5 f 5+ m6 f 6 )
50

x =

1
( 152+ 2510+3512+4514+ 559+ 653 )
50

x =40,4
Lo que indica que en promedio diariamente se ha vendido 40 artculos.
Varianza:

s 2=

1
[2 ( 1540,4 )2+ 10 (2540,4 )2 +12 ( 3540,4 )2+ 14 ( 4540,4 )2+ 9 ( 5540,4 )2 +3 ( 6540,4 )2 ]
49

s =164,12
s=12,81
La desviacin estndar indica que la diferencia de ventas entre das fue
aproximadamente de 12 artculos.
Ejemplo:
Se dispone de los siguientes datos incompletos en una tabla de frecuencia.
Numero
Clase
Marca
F
F
f/n
F/n
1
[5,10)
7,5
2
2
0,05
0,05
2
[10,15)
12,5
8
10
0,2
0,25
3
[15,20)
17,5
14
24
0,35
0,6
4
[20,25)
22,5
7
31
0,175
0,775
5
[25,30)
27,5
5
36
0,125
0,9
6
[30,35)
32,5
3
39
0,075
0,975
7
[35,40)
27,5
1
40
0,025
1
Se conoce adems que la media calculada con los datos agrupados es 19.7

Fr =0,6 ( 40 )
Fr 3=24
F r 3=

F3
n

0,6=

F3
n

F r 6=

F6
n

40 ( 0,975 ) =F6
F6 =39
f 6 /n=

f6 3
= =0,075
n 40

f 2 /n=F i2 /nFi 1 /n
f 2 /n=0,250,5=0,2
F r 2=

F2
n

0,25 ( 40 ) =F2
F2 =40
Ecuaciones:
k

x+ y=121.

19,7=

x =

1
mi , fi
n i=1

1
( 7,52+12,58+17,514+ 22,5 x +27,5 y +32,53+37,51 )
40

788=495+22,5 x+ 27,5 y

293=22,5 x +27,5 y 2.
293=22,5 (12 y )+ 27,5 y

293=27022,5 y +27,5 y
23=5 y

y=4,6 5
x+ 5=12

x=7

DIAGRAMA DE CAJA
Sirve para analizar grupos de datos de diferentes poblaciones, o de la misma.
Ejemplo:
A continuacin se presenta dos diagramas de caja referentes a dos cursos, que se
desea analizar la nota de estadstica, realice el anlisis respectivo.
Diagrama caja grupo 1

Min

Q1

Max
Diagrama caja grupo 2

Q2

Q3

Min

Q1

Q2

Q3

Max
ANALISIS
1) Se puede ver en los diagramas de caja que las notas mnimas y mximas de
los dos grupos son idnticas.
2) Se puede ver en los grficos que en el grupo 1 hay menos dispersin que en el
grupo 2.
3) Se puede ver en los diagramas que el 25% de alumnos del grupo 1 tienen baja
nota que los del grupo 2.
4) Se puede observar que las notas del promedio del grupo 2 son ms altas que
las del grupo 1.
5) Se puede observar que en el grupo 1 las notas son homogneas alrededor de
la media, mientras que en el grupo 2 comparadas con el grupo 1 se puede
visualizar que existen personas con excelentes notas.
Ejemplos:
1. Se desea conocer la representacin de los niveles de cotinina de fumadores.
Remitase a los 40 niveles de cotinina de los fumadores de la siguiente tabla:
NIVELES DE COTININA: Fumador
1
35
130
123

0
112
234
167

131
477
164
250

173
289
198
245

265
227
17
48

210
103
253
86

44
222
87
284

277
149
121
1

32
313
266
208

3
491
290
173

a) Obtenga los valores que construyen el resumen de los cinco nmeros.

b) Construya con los valores una grfica de caja.
a) Solucin: El resumen de los cinco nmeros consta del valor minimo,
mediana,

Q3

Q1 , la

y el valor mximo. Para obtener dichos valores, primero ordene los

datos(acomdelos en orden del mas bajo al mas alto). El minimo de 0 y el mximo son
491 son fciles de identificar en la lista ordenada. Ahora, proceda a calcular los
cuartiles. Encontramos el cuartil uno:

Q1=P25=86.5
La mediana es 170, que es el valor que est a la mitad entre los valores 20o y 21o,
tambin encontramos

Q3 =251.5, al hallar los valores obtenemos los cinco nmeros

son: 0, 86.5, 170, 251.5, 491.

b) Creamos la grfica del cuadro para datos, utilizamos el valor mnimo(0) y el valor
mximo (491) para determinar la escala de valores; despus, graficamos los valores
del resumen de los cinco nmeros como se indica a continuacin.

Q1 Mediana Q2
Mnim
17
86
251.
0

20

10

30

Mximo
491

40

50

2. Alexanders Pizza ofrece entregas gratuitas de pizza a 15 millas a la redonda.

Alex el propietario, desea informacin relacionada con el tiempo de entrega.
Cunto tarda una entrega tpica?. En que margen de tiempos deben completarse
la mayora de las entregas? En el caso de una muestra de 20 entregas, Alex
recopil la siguiente informacin:

Valor mnimo=13 minutos

Q1=15 minutos
Mediana=18 minutos

Q3=22 minutos
Valor mximo=30 minutos
Elabore un diagrama de caja para los tiempos de entrega. Qu conclusiones deduce
sobre los tiempos de entrega?
El primer paso para elaborar un diagrama de caja consiste en crear una escala
adecuada a lo largo del eje horizontal. Enseguida, dibujamos na caja que inicie en

Q1

(15 minutos) y termine en

Q3

(22 minutos). Dentro de la caja trazamos una

lnea vertical para representar la mediana (18 minutos). Por ltimo, prolongamos lneas
horizontales a partir de la caja dirigidas al valor mnimo (13 minutos) y al valor mximo
(30 minutos). Estas lneas horizontales que salen de la caja, a veces reciben el
nombre de bigotes, en virtud de que se asemejan a los bigotes de un gato.
Valor mnimo

Mediana

Valor mximo

12 14 16 18 20 22 24 26 28 30 32

El diagrama de caja muestra que el valor medio de las entregas, 50% consume entre
15 y 22 minutos. La distancia entre los extremos de la caja, 7 minutos, es el rango
intercuartil. Este rango es la distancia entre el primer y tercer cuartil, muestra la
propagacin o dispersin de la mayora de las entregas.

CAPTULO 4
FUNDAMENTOS DE LA TEORIA DE PROBABILIDAD
Definicin: principio bsico de conteo o principio de multiplicacin.
El principio indica, si un proceso se lo puede dividir en n subprocesos y cada
subproceso se puede realizar de
se lo puede realizar de

r 1 , ,

rn

maneras, entonces todo el proceso

r 1 * r 2 ** r n maneras.

Ejemplo:
Se lanza un dado y una moneda. Cuntos resultados diferentes se obtiene de este
experimento?
Respuesta: al lanzar el dado se puede tener m=6 resultados diferentes; mientras que
al lanzar la moneda se obtiene n=2 resultados diferentes. Por lo tanto, el nmero total
de resultados del experimento es mxn=6x2=12.
Los doce resultados son:
Cara= c
Sello= s
{(1,c),(1,s), (2,c),(2,s), (3,c),(3,s), (4,c),(4,s), (5,c),(5,s), (6,c),(6,s)}
PERMUTACIONES
Son los arreglos diferentes que se pueden hacer con los elementos de un grupo.
En estos arreglos se debe considerar el orden de los elementos incluidos, su clculo
es:

n PK =

n!
( nk ) !

COMBINACIONES
Son los arreglos que se pueden hacer con los elementos de un conjunto considerando
que el orden de los elementos en cada arreglo no es de inters.

n CK=

n!
( nk ) ! k !

Ejemplo:
Un grupo de 15 personas, 7 leen la revista A, 5 leen la revista B y 6 ninguna revista.
Encuentra la cantidad de personas que leen al menos una revista.
TABLA DE CONTINGENCIA

Leen A
No leen A
Total

Leen B
3
2
5

No leen B
4
6
10

7
8
15

Del cuadro se obtiene directamente que:

4 leen A, nicamente
2 leen B, nicamente
3 leen A y B
Por lo tanto, 9 personas leen al menos una revista
Encuentre la cantidad de formas diferentes de elegir cuatro personas que al menos
lean una revista.

C =

9!
=126
5!4!

Encuentre la cantidad de formas diferentes de elegir cuatro personas de tal manera

que dos lean solamente A, una lea solamente B, y una no lea revistas.
Cantidad de formas diferentes de elegir 2 de las que leen solamente A:

C = 6

Cantidad de formas diferentes de elegir 1 de las que leen solamente B:

=2

Cantidad de formas diferentes de elegir 1 de las que no leen revistas:

=6

4.1 ESPACIO MUESTRAL () .

Es el conjunto de todos los posibles resultados de un experimento.
Ejemplo:
Experimento: Lanzamiento de una moneda

= {cara, sello}

Ejemplo:
Experimento: Lanzamiento dos monedas

= {(

C1 , C2 ),( C1 , S 2 ), ( S1 ,C 2 ) , ( S 1 , S2 ) }

Conjunto Partes de

(subconjuntos)

El conjunto partes de , se refiere al nmero de subconjuntos que tiene dicho

conjunto; al nmero de subconjunto de
es igual a

se le denomina cardinalidad de

2n .

Todo espacio muestral podra tener las siguientes caractersticas, siendo estas:
a) Espacio muestral de variable Discreta, si sus elementos son nmeros enteros;
finitos si sus elementos son numerables e infinitos si no lo son.
b) Espacio muestral variable continua, si sus elementos forman parte de un
intervalo y sus elementos son infinitos.
Ejemplo:
1) Experimento: Lanzamiento de una moneda

= {cara, sello}, este espacio muestral tiene la caracterstica de ser discreto y

numerable.
2) Experimento: Sueldo de una empresa

= { x /x [ a , b ] , x es el sueldo }, tiene la caracterstica de ser continuo y no

numerable.

EVENTOS
Los eventos son subconjuntos de , siendo estos de dos tipos, simples y
compuestos:
Evento Simple: est formado por un elemento o un punto muestral.
Evento Compuesto: est formado por varios puntos muestrales.
Probabilidad de eventos
Generalmente la probabilidad clsica se define de la siguiente manera:

Probabilidad de A:

de casos favorables alevento A

casos totales

Ejemplo:
Un grupo de 15 personas, 7 leen la revista A, 5 leen la revista B y 6 ninguna revista.
Encuentra la cantidad de personas que leen al menos una revista.
Leen B
Leen A
3
No leen A 2
Total
5
Del cuadro se obtiene directamente que:

No leen B
4
6
10

7
8
15

4 leen A, nicamente
2 leen B, nicamente
3 leen A y B
P (al menos lean una revista) =

9
15

P (elegir 3 personas, dos lean revista y uno no lea) =

Sea

=s={ E1 , E2 , , E n } eventos simples

C C 36
=
=0,039.
C
455

, entonces la probabilidad de la unin

de esos eventos es igual a la suma de sus probabilidades, es decir:

i=1
n

P ( n Ei ) = P( E i) ;
i=1

E1 E 2 .. En ) = P ( E1 ) + P ( E2 ) + P ( En ), esto se debe a

P(

que los eventos simples son disjuntos, es decir

i , j ; Ei E j = se dice Ei y E j , y

tenemos que la suma de sus probabilidades es igual a 1.

Observacin:

s= { E 1 , E2 , , E n }
i=1
n

P ( n E1 ) =

P(E 1)=1
i=1

Ejemplo:
1) Cul es la posibilidad que al lanzar un dado se obtenga un nmero par.
P (Obtenga par)

P(

P(

Sale 2 Sale 4 Sale 6

o
o
)
E1
E2
E3
E3
E 1 E 2 E3 ) = P (
E1 + P ( E2 ) + P ) =

1 1 1 1
+ + =
6 6 6 2

2) P (Salga un nmero en el lanzamiento de un dado)

P (sale 1, sale 2, sale 3, , sale 6)

1 1 1 1 1 1
+ + + + +
6 6 6 6 6

P( 6

)=1

La suma de los elementos muestrales siempre es 1.

Ejemplo:
P (Extraer 2 bateras buenas) =

C 6
= =0,4
c 15

Interpretacin: de 100 veces que se realice el experimento, y se extraigan 2 bateras

en 40 de los casos 2 saldrn buenas.

4.2 AXIOMAS DE LA PROBABILIDAD

1.

P( A) 0

2.

P ( )=1

3.

A 1 , A 2 s A 1 A 2= P( A 1 A2 )=P ( A1 ) + P( A 2)

PROPIEDADES DE LA PROBABILIDAD
1) Probabilidad de un evento nulo

P ( ) =0
Demostracin:

s=s
P ( s )=P ( s )+ P ()

1=1+ P()
P ( ) =0 LQQD
2) Probabilidad del evento complemento

P ( Ec )=1P ( E)
Demostracin:

s=E E c
P( s)=P( E Ec )
P ( s )=P ( E ) + P(Ec )
1=P ( E ) + P(E c )
P ( Ec )=1P ( E )
3) Probabilidad de eventos incluidos

Si A B , entonces P ( A ) P ( B )
Demostracin:

B= A ( A B)
P ( B ) =P ( A )+ P( A c B)
P (B) P ( A)
4) La probabilidad de un evento est entre 0 y 1

0 P( E) 1
Demostracin:

E S

P() P( E) P( S)
0 P( E) 1
5) Probabilidad de la diferencia de eventos

P ( AB )=P ( A )P ( A B )=P ( A Bc )
Demostracin:

A= ( AB ) ( A B )
P ( A )=P ( AB ) + P ( A B )
P ( AB )=P ( A )P ( A B )=P ( A Bc )
6) Regla aditiva de probabilidad de Eventos

P ( A B )=P ( A ) + P ( B )=P ( A B )
Demostracin:

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

Ejemplo:

Si la probabilidad que un estudiante apruebe Algebra Lineal es de 0,7, la probabilidad

que apruebe Ingles es 0,8 y la probabilidad que apruebe ambas materias es 0,6. Cul
es la probabilidad que el estudiante apruebe al menos una de estas materias?
Solucin
P (apruebe al menos una de las dos materias)
P (algebra lineal o apruebe ingles)

P ( A 1 A2 ) =P ( A 1 ) + P ( A 2 )P( A 1 A 2)
= 0,7 + 0,8 - 0,6
= 0,9

4.3 INDEPENDENCIA DE EVENTOS

Se dice que dos eventos A y B son independientes si el uno no influye en la
consecucin del otro y viceversa, es decir:
Matemticamente:

P ( A y B )=P ( A B )=P ( AB )=P ( A ) P ( B )

4.4 CONDICIONALIDAD DE EVENTOS

Sean dos eventos A y B y

P( B) 0

se dice que el evento A est condicionada a la

consecucin del evento B si:

Matemticamente:

P( A/ B)=

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

Ejemplo:
1) La probabilidad del que el evento M ocurra es igual a 1, la probabilidad de
que el evento N ocurra es 3, y la probabilidad de que los complementos

de M y N ocurran es de

P (M )=

P ( N )=

1
4

3
5

3
10

Son independientes M y N?

P ( M N )=

3
10

P ( M c N c )=P( M N )c =1P(M N )
3
=1P ( M ) P ( N ) + P ( M N )
10
3
1 3
=1 + P ( M N )
10
4 5
3
3
= +P (M N )
10 20
3
=P ( M N )
20
Para demostrar que M y N son independientes se deber demostrar que:

P ( M N )=P ( M ) P ( N )
P ( M N )=

3
(1)
20

1
3
4
3
P ( M ) . P ( N )=
= (2)
5
20
(1) = (2)

Se concluye que M y N son independientes.

2) Se conoce que el 60% de las mujeres y el 40% de los hombres reaccionan

positivamente

ante

cierto

medicamento.

Se

les

proporcion

el

medicamento a 20 personas de las cuales 12 eran mujeres, se tom al

azar uno de los resultados y se observ que era de reaccin negativa.
Halle la probabilidad de que el resultado corresponda a un hombre.

R
H
M
Total

4,8
4,8
9,6

+
R
3,2
7,2
10,4

8
12
20

P ( A 1 )=

8
20

A 1= al elegir 1 persona al azar esta sea hombre

P ( A 2 )=

12
20

A 2=

al elegir una persona al azar esta sea mujer

P ( A 3 )=

9,6
20

A 3=

al elegir una persona al azar esta reaccione negativamente

P ( A4)=

10,4
20

A 4 = al elegir una persona al zar esta reaccione positivamente

P ( A 5 )=

4,8
20

A 5=

al elegir una persona al azar este sea hombre y reaccione negativamente

P ( A 6 )=

7,2
20

A 6= al elegir una persona al azar sea mujer y reaccione positivamente

P ( A 7 )=
A 7=

4,8
9,6
al elegir una persona al azar sea hombre puesto que reacciono

negativamente

P ( A 8 )=

4,8
10

/ H=
A8=R

es la probabilidad que al elegir una persona al azar que reacciono

negativamente este haya sido hombre.

La probabilidad de que al elegir una persona al azar sea hombre conociendo que
reaccion negativamente se puede calcular de dos formas:

a)

b)

4,8
H / R =
=0,5
9,6
P ( A ) =P

H R

P
P
H /R =
P ( A )=P

Observacin:
a)

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

b)

C /( A B)
P ( A B C )=P ( ( A B ) C )=P ( A B ) P

Ejemplo:
1) En un taller trabajan 7 hombres y 3 mujeres, se escogen al azar 3
personas. Halla la probabilidad de que todas las personas seleccionadas
sean hombres.
P (3 personas seleccionadas sean hombre) = P (1ra persona seleccionada sea
hombre) P (2da persona seleccionada sea hombre, dado que la 1ra persona
seleccionada fue hombre) P (3ra persona seleccionada sea hombre, dado que las
anteriores fueron hombres)

7
6
10
5
9
7

= sin reposicin
8
24
7
7
10
7
10
343

=
con reposicin
10
1000

EJERCICIOS PROPUESTO

1. En una universidad en la que no hay ms que estudiantes de ingeniera,

ciencias y letras, acaban la carrera el 5% de ingeniera, el 10% de ciencias
y el 20% de letras.
Se sabe que el 20% estudian ingeniera, el 30% ciencias y el 50% letras.
Tomado un estudiante cualquiera al azar, se pide.
a) Probabilidad de que haya acabado la carrera y sea de ingeniera.
b) Si se tiene la carrera terminada, cul es la probabilidad de que sea de
ingeniera?
R: a)0,01 y b) 0,071
2. El 35% de los crditos de un banco son para vivienda, el 50% son para
industria y el 15% para consumo diverso. Resultan fallidos el 20% de los
crditos para vivienda, el 15% de los crditos para industrias y el 70% de
los crditos para consumo. Calcula la probabilidad de que se pague un
crdito elegido al azar.
R: 0,75
3. De los crditos concedidos por un banco, un 42% lo son para clientes
nacionales, un
33% para clientes de la Unin Europea y un 25% para individuos del resto
del mundo. De esos crditos, son destinados a vivienda un 30%, un 24% y
un 14% segn sean nacionales, de la UE o del resto del mundo. Elegido
un cliente al azar, qu probabilidad hay de que el crdito concedido no
sea para vivienda?
R: 0,7598
4. En cierta empresa se producen dos bienes A y B en la proporcin 3 a 4.
La probabilidad de que un bien de tipo A tenga defecto de fabricacin es
del 3%, y del tipo B, del 5%. Se analiza un bien, elegido al azar, y resulta
correcto, qu probabilidad existe de que sea del tipo A?
R: 0,4337
5. Tenemos tres urnas: U1 con 3 bolas rojas y 5 negras, U2 con 2 bolas rojas
y 1 negra y U3 con 2 bolas rojas y 3 negras. Escogemos una urna al azar y
extraemos una bola. Si la bola ha sido roja, cul es la probabilidad de
haber sido extrada de la urna U1?
R: 0,26
6. Una bolsa contiene 3 monedas, una de las cuales est acuada con 2
caras, mientras que las otras dos son normales. Se escoge una moneda
al azar y se lanza sucesivamente 4 veces, obtenindose 4 caras. Cul es

la probabilidad de que la moneda elegida sea la de 2 caras? Razona la

respuesta.
R: 8/9
7.

Tenemos dos urnas; una A con 4 bolas rojas y 6 blancas, y otra B con 7
bolas rojas y 3 blancas. Se selecciona al azar una urna, se extrae una bola
y se coloca en la otra urna. A continuacin, se extrae una bola de la
segunda urna. Calcula la probabilidad de que las 2 bolas extradas sean
del mismo color.

R: 0,509
8. Juan y Pedro lanzan una pelota a un blanco. La probabilidad de que Juan
d en el blanco es 1/3 y la probabilidad de que d Pedro es 1/4.
Supngase que Juan lanza primero y que los dos chicos se van turnando
para lanzar:
a) Calcula la probabilidad de que el primer lanzamiento que d en el blanco sea
el segundo de Juan.
b) Cul es la probabilidad de que Juan d en el blanco antes de que lo haga
Pedro?.
R: a) 1/6 y b) 2/3
9. En una clase infantil hay 6 nias y 10 nios. Si se escoge a 3 alumnos al
azar, halla la probabilidad de:
a) Seleccionar 3 nios.
b) Seleccionar 2 nios y una nia.
R: a) 3/14 y

b)27/56

10. Dos nios escriben en un papel una vocal cada uno, cul es la
probabilidad de que sea la misma?.
R: 1/5

4.5 PROBABILIDAD TOTAL

Sea

A 1 , A 2 , An una reparticin de y sea B un seceso (eventos) cualquiera,

del que se conoce las probabilidades condicionales.

P( B/ A i) , la probabilidad del suceso B es :

n

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

Demostracin:

A
1

A
1

A
1

A
1

A i son particiones

Subconjuntos

A i A j =
P( B)=( B A i ) ( B A2 ) (B An )
P(B)=( B A i ) ( B A J ) =
P ( B ) =P ( A i ) P(B / A i)+ P ( A 2 ) P (B / A 2)++ P ( A n ) P(B / A n)
Ai
P()P(B / A i)
n

P ( B ) =
i=1

4.6 TEOREMA DE BAYES

P( Ai / B)=

P ( Ai B )
P ( B)

P ( Ai ) P( B/ Ai )
n

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

EJERCICIOS PROPUESTOS. Tomados del Libro de Walpole R., Myers R., Myers
D.(1999). Probabilidad y estadstica para ingenieros. (Sexta edicin).
1. En cierta regin del pas se sabe por experiencia del pasado que la
probabilidad de seleccionar un adulto mayor de 40 aos de edad con
cncer es 0.05. Si la probabilidad de que un doctor diagnostique de forma
correcta que una persona con cncer tiene la enfermedad es 0.78 y la
probabilidad de que diagnostique de forma incorrecta que una persona

sin cncer como si tuviera la enfermedad es 0.06.Cul es la probabilidad

de que a una persona se le diagnostique cncer?
C: un adulto seleccionado tiene cncer.
D: El adulto es diagnosticado como que tuviera cncer.
2. La polica planea reforzar los lmites de velocidad mediante el uso de un
sistema de radar en cuatro diferentes puntos dentro de la ciudad. Las
trampas de radar en cada uno de los sitios es L1, L2, L3 y L4 operan 40%,
30%,20% y 30% del tiempo, y si una persona que maneja a gran velocidad
cuando va a si trabajo tiene las probabilidades de 0.2, 0.1, 0.5, y 0.2,
respectivamente, de pasar por esos lugares. Cul es la probabilidad de
que reciba una multa por conducir con exceso de velocidad?
3. Refirindose al primer ejercicio Cul es la probabilidad de que una
persona a la que se le diagnostica cncer realmente tenga la enfermedad?
4. Suponga que los cuatro inspectores de una fbrica de pelculas colocan
la fecha de caducidad en cada paquete de pelcula al final de la lnea de
montaje. John, que coloca la fecha de caducidad en 20% de los paquetes,
no la pone una vez en cada 200 paquetes; Tom, que la coloca en 60% de
los paquetes, no lo coloca una vez en cada 100 paquetes; Jeff, quien lo
coloca en 12% de los paquetes, no lo hace una vez en cada 90 paquetes;
y Pat, que fecha 5% de los paquetes, no lo hace una vez en cada 200
paquetes. Si un consumidor se queja de que si paquete de pelcula no
muestra la fecha de caducidad. Cul es la probabilidad de que haya sido
inspeccionado por John?
5. La contaminacin en los ros en Estados Unidos es un problema de hace
varios aos. Considere los eventos siguientes

CAPTULO 5
VARIABLES ALEATORIAS

Definicin: la variable aleatoria es una funcin definida por:

x : R
Observacin:

P: [0,1]
A P ( A ) [ 0,1 ]

5.1 FUNCION DE DISTRIBUCIN (V.A.D)

Definicin: sea x una variable aleatoria discreta de la funcin real F tal que:

tR,

F ( t )=P ( x t ) , se denomina funcin de distribucin de la v.a.d.

PROPIEDADES
1. La Funcin es Creciente:

lim F (t )=0 y lim F ( t ) =1

t

2.

F ( t )=P ( x t )= pj
j t

3.

P ( a x b )=F ( b )F(a)

4.

P ( a x b )=F ( b )F ( a )+ P ( x=a )

5.

6.
7.

a
P ( x=a )=F ( a )F

a
P ( x <a )=F
P ( a< x< b )=F ( b )F ( a )P( x=b)

Observacin:
P(x(A)=1) = P(x=1) = P1
P(x=2) = P2
P(x=3) = P3

5.1 ESPERANZAS Y VARIANZAS DE UNA VARIABLE

ALEATORIA
Correlacin.- describe la relacin lineal entre variables X y Y; existen 4 tipos de
correlacin:
Correlacin lineal positiva

Correlacin lineal negativa

No existe correlacin
Correlacin no lineal

Covarianza muestral.- mide la variabilidad

conjunta entre dos variables (x,y).

y
y i
( x i x )
1
S xy =

n1
Si x=y

y
y i
( x i x )
1
S xy =S xx=

n1
S xy =

1
(x x )2 =S 2x =Var ( x )
n1 i

S 2 varianza , mide la variabilidad con signo mismo

Coeficiente de correlacin lineal: mide la relacin lineal existen entre dos variables.

r=

S xy
,1 r 1
Sx Sy

Valor de r

XyY

Cercano a 1

tiene correlacin lineal positiva fuerte

Cercano a -1

tiene correlacin lineal negativa fuerte

Cercano a 0

no existe correlacin lineal

Matriz de Varianza y Covarianza.- es una matriz cuadrada simtrica y depende del

nmero de variables aleatorias.

[ S xi , yj ]=

S2x1 S x 1 x 2
S x2 x1 S 2x 2

Demostracin:

S xy =S yx

( y i y ) ( xi x ) =S xy
1
(x i x ) ( y i y ) =

n1
1

n1
Matriz de correlacin.- es una matriz cuadrada simtrica y depende del nmero de
variables aleatorias y su diagonal es 1.

r ij =

r 1,1 r 1,2
r 2,1 r 2,2

Demostracin:

r=

S xy
Sx Sy

r 1,1=

S xx S 2x
= =1
S x S x S 2x

r 1,2=r 2,1

r 1,2=

S xy
S
= yx =r 2,1
Sx Sy S y Sx

ESPERANZA MATEMTICA
Definicin: la esperanza matemtica de una variable aleatoria discreta es:
n

E ( x )= pi x i , pi=P(x =xi )
i=1

Observacin:
La esperanza matemtica es una especie de promedio.

E ( x )=u ; La esperanza o promedio de la media aritmtica es igual a la media

poblacional.

ESPERANZA MATEMTICA DE UNA VARIABLE ALEATORIA

CONTINUA
Definicin: la esperanza matemtica de una variable aleatoria continua es:
+

E ( x )= x f ( x ) dx , x I

Observacin:
b

E ( x )= x f ( x ) dx , x (a , b)
a

PROPIEDADES DE LA ESPERANZA MATEMTICA

1.

E ( c )=c , c es cte
+

E ( x )= x f ( x ) dx

E ( c )= c f ( x ) dx

E ( c )=c f ( x ) dx

E ( c )=c
2.

E ( x+ y )=E ( x ) + E ( y )
+

E ( x )= x f ( x ) dx

E ( g( x) ) = g(x ) f ( x ) dx

E ( x+ y )= ( x+ y ) f ( x ) dx

E ( x+ y )= x f ( x ) dx + y f ( x ) dx

E ( x+ y )=E ( x ) + E ( y )
3.

E ( cx )=cE ( x )
+

E ( cx )= cx f ( x ) dx

E ( cx )=c x f ( x ) dx

E ( cx )=c E ( x )

LA VARIANZA
Definicin: la varianza de una variable aleatoria x (discreta o continua) se define:

Var ( x )=E (xE ( x ))2

Demostracin:

Var ( x )=Ex 2(E ( x ) )2

2

Var ( x )=E ( x E ( x ) )
x 22 xE ( x ) +( E ( x ) )
E( 2)
Var ( x )=
x
xE()+( E ( x ) )

E (x 2)2 E
Var ( x )=

x
E()+( E ( x ) )
E( x 2)2 E
Var ( x )=
Var ( x )=E (x 2)2 E( x 2 )+(E ( x ))2
Var ( x )=Ex 2(E ( x ) )2
Definicin de varianza variable aleatoria discreta:
Sea x una v.a.d la varianza se define:
n

Var ( x )= ( x iEx ) 2 pi
i=1

Var ( x )= xi pi(Ex)
2

i=1

Definicin de varianza variable aleatoria continua:

Sea x una v.a.c la varianza se define:
+

Var ( x )= ( xEx )2 f ( x ) dx

Var ( x )= x 2 f ( x ) dx( Ex)2

Observacin: si f(x) se define en

I [a , b]

Var ( x )= x 2 f ( x ) dx(Ex)2
a

PROPIEDADES DE LA VARIANZA
1.

Var ( c ) =0 ; c es cte

Var ( x )= ( xEx )2 f ( x ) dx

Var ( c ) = ( cEx )2 f ( x ) dx

Var ( c ) = ( cc )2 f ( x ) dx

Var ( c ) =0
2.

Var ( x )=c 2 Var ( x )

+

Var ( cx )= ( cx Ecx ) f ( x ) dx
2

Var ( cx )= c ( xE( x ) ) f ( x ) dx

Var ( cx )=c

( xE( x ))2 f ( x ) dx

Var ( x )=c 2 Var ( x )

3.

Var ( x + y )=Var ( x ) +Var ( y )

Conocemos:

Var ( x )=E (Ex)

Var ( x + y )=E [ ( x+ y ) E( x + y)]

(x+ y)
[ 22 E ( x + y ) ( x+ y ) + E ( x+ y)]
Var ( x + y )=E
x
[( 2+2 xy+ y 2)2 E ( x+ y )( x + y ) + Ex+ Ey ]
Var ( x + y )=E

x
x
( 2+2 xy+ y 2)+ Ex+ Ey
( 2+2 xy + y2 )2 E

Var ( x+ y )=E
x
( 2+2 xy+ y )2 E x 2+ 2 Exy2 E y 2
Var ( x + y )=E + Ex + Ey
2

x
+( y + 2 yEy + E y 2)+
Var ( x+ y )=E
2

Var ( x + y )=Var ( x ) +Var ( y ) + E [ 2 ( xyxEx yEx + ExEy ) ]

Covarianza (x+y):

E[(xEx )( yEy)]

Var ( x + y )=E (xyxEy yEx + Ex+ ExEy)

Var ( x + y )=Var ( x ) +Var ( y )

Ejemplos.
1) Halle la esperanza y la varianza de una v.a x que tiene como funcin de
distribucin:

0;
x 1
x +1
F ( x )=
; 1< x 3
4
1;
x> 3

1
( x+1 ) ;
4
F ' ( x )=f ( x)

1
( x+1 ) dx ;
4

1
1
( 1 )=
4
4

1
f ( x )= 4
0

;1< x 3
; en otro caso

x
1
E ( x )= xf ( x ) dx= dx= xdx=1
4 1
1
1 4
2

Var ( x )=E x (Ex)

3

E x2 = x2 f (x) dx=
1

Var ( x )=

1
x 2 dx= 73
4 1

13
10

2) Halle la esperanza y la varianza de la v.a.d definida por:

y
p

2
0,3

4
0,1

5
0,2

6
0,4

E ( y )= ( y i pi) = (2(0,3)+4 (0,1)+5(0,2)+6(0,4 ))=4,4

i=1
y
( i) pi(Ey)2
2

Var ( y )=
i=1

y
( i)2 pi= [ 4 ( 0,3 ) +16 ( 0,1 ) +25 ( 0,2 ) +36 ( 0,4 ) ]=
4

i=1

Var ( y )=

111 22 2 71

=
5
5
25

( )

111
5

3) Sean x,y,z variables aleatorias independientes cada una con media

varianza

2 .

Esperanza y varianza de S=x+y+z

E ( s )=E ( x + y + z )
x

z
E ( s )=E
E ( s )=+ +
E ( s )=3
Var ( x )=Var ( x + y + z )
x

z
Var ( x )=Var
Var ( x )= 2 + 2 + 2
Var ( x )=3 2

T =3 E ( T )
E ( T ) =E (3 x )
E ( T ) =3 E ( x )
E ( T ) =3
Var ( T )=Var ( 3 x )
Var ( T )=9Var ( x )

Var ( x )=9

4) Sea x una v.a.d en el intervalo [-1; 1] y f(x) su funcin de densidad.

|x| .

Encuentre E(x) si f(x)=

f ( x )= x ,x <0
x ,x 0
1

E ( x )= xf ( x ) dx= x (x)dx+ x(x )dx

1

E ( x )= x 2 dx+ x2 dx=
0

1 1
+ =0
3 3

EJERCICIOS PROPUESTOS
1

La densidad de probabilidad de una variable aleatoria x est dada por:

315 x

(1- 4

0<x<1

f(x)=
0
a
b
2

otro x

calcule la esperanza
calcule la varianza de x

El tiempo que tarda en atender a una persona en un restaurante es una

variable aleatoria con densidad de probabilidad
0.25 x

0.25(e

0<x<2

f(x)=
0

otro x

a Calcule el tiempo promedio que se demora en atender a cada cliente

b calcule la varianza de x
El peso (en kilogramos) de una foca se distribuye segn
1
f(x)=

1<x<2

0
a
b
4

otro x

determine el promedio del peso

determine la esperanza

El tiempo de vida (horas) de un automvil tiene por funcin de densidad

-3x(x-1)

1
2

0 x 1

f(x)=
0
a
b
5

resto

determine el promedio de horas

determine la varianza de x

La variable aleatoria X es el tiempo (en minutos) durante el cual un

dispositivo elctrico se utiliza a su mxima carga durante cierto periodo
de tiempo. Supongamos que X es una v.a contina

cuya funcin de

densidad esta dada por:

x
1500 2

si 0 x 1500

f(x)=

( x3000)
1500 2

si 1500 x 3000

calcule el valor esperado de la variable

RESPUESTA
1 a)0.5

b)0.11

2.a)0.1516 b)0.3813
3.a)1.5 kg b)0.0833
4.a)0.25 horas b)0.0125
5.a)1500 minutos

5.2 FUNCIN GENERADORA DE MOMENTOS

Definicin de momento: sea x una v.a (variable aleatoria) y sea k un nmero natural,
se define el momento de orden k,

k =E (x k ) .

Definicin de funcin generadora de momentos: la f.g.m se define:

M ( t )=E (e xt )
Definida para valores t, en los cuales la esperanza existe.
Teorema: sea x una f.g.m con derivadas continuas de cualquier orden entonces:
k

d
k
k =E ( x ) = k M ( t ) , para t=0
dt

Ejemplos.
1) Encuentre la funcin generadora de momentos para la v.a cuya
probabilidad es:
x
pi

-4
0,2

6
0,3

10
0,5

Sabemos:
m

xt
xt
4 t
6t
10t
M ( t )=E ( e ) = e P (x=x i)=0,2e + 0,3 e +0,5 e
i=1

2) Halle la funcin generadora de momentos de una v.a cuya funcin de

densidad es:

1
f ( x )= 4
0

;1< x 3
; en otro caso
3

M ( t )=E ( e xt ) =
1

1 xt
1
e dx= ( e3 t et )
4
4t

CAPTULO 6
DISTRIBUCION V.A DISCRETAS
Distribucin de Bernoulli.- Si x v.a, si fue una distribucin de Bernoulli entonces tiene
dos posibles resultados
a) xito P (xito) =p
b) Fracaso P (Fracaso)=q
Distribucin Binomial .- dado n pruebas de Bernoulli conocer la posibilidad de k
xitos en las n pruebas
k

nk

P ( x=k )=nC k p q
p=P( exito)
q=P( fracaso)

x Bin (n , p) P(exito)
Muestra Bernoulli

E ( x )=np
Var ( x )=n pq
1. Distribucin Binomial

E ( x )=n p
y=D( p)
Donde

x B ( n , p )= y + y + y + y+ + y
Q x ( t )=Q y ( t )Q y ( t )Q y ( t )Q y ( t )
( p et +q )( p e t +q )( p e t + q )( p et +q )( p e t + q)
Teorema de momento

e=Qt 0 (t)
Q (t )=n( p et +q)n+1 p et
Si t=0

Q ( 0 )=n (1)n1 p
n p

E ( x )=E[ y + y + y + y ++ y ]
E ( x )=E ( y )+ E ( y )+ + E ( y )
E ( x )=n p
Var x = E(x2) u2 (1)
E(x2) = Q2 (t)

Q ( t )=n ( n1 ) ( p et + q )

n2

p e t p et + p et [n ( p e t +q )

si T =0
Q ( t )=n 2 p2n p2 +n p2 (2)
Var x=n2 p2 n p 2+ npn2 p2
Var x=np n p 2
Var x=np ( 1 p )
Var x=n p q

n1

Ejemplos:
1) Una maquina llena de cajas de palillos de fosforo .En una porcin del
0%la maquina no llena las cajas por completo se forma al azar 25 cajas
de fosforo . calcule la probabilidad de q no haya ms de 2 cajas
incompletas
xito = cajas incompletas
X #de cajas incompletas

P ( x 2 ) =P ( x=0 ) + P ( x =1 )+ P ( x=2 )
P ( x=0 )=25 C 0 (0,1)0 (0,9)25=0,07
1

24

23

P ( x=1 )=25 C0 (0,1) (0,9) =0,19

P ( x=2 )=25 C0 ( 0,1) (0,9) =0,27
P ( x 2 ) =0,54

2) Una encuesta revala que el 20%de la poblacin es favorable a un poltico

a)
b)

y el resto es desfavorable. Si se eligen 6 personas al azar se desea saber

La probabilidad de que las 6 personas sean desfavorables
La probabilidad de que a 4 de las 6 personas sean favorables
a)

P ( exito )= p=0,8

x= personasdesfavorables

P ( x=6 )=6 C 6 ( 0,8 )6 ( 0,2 )0=0,26

b) xito favorable

P ( exito )= p=0,2

x= personas favorables

P ( x=4 )=6 C 4 ( 0,2 )4 ( 0,8 )2=0,015

3) Una aeronave dispone de 4 motores que funcionen independientemente

la probabilidad de que falle 1 motor durante un vuelo sea 0,01. Cul es la
probabilidad de que un vuelo dado :
a) No se observe fallas
b) No se observe ms de una falla
c) Si un avin puede seguir volando si al menos dos motores

4 motores
a)

P ( un motor falle en el vuelo )= p=0,01

( exito )=motor falle

P ( exito )= p=0,01
x= de motores que fallen
P ( x=k )=nC k p k qnk
n

P ( x=k )=4 C 0 ( 0,01 ) ( 0,99 ) =0,015

P ( x=k )=0,96
P ( no se observa mas de una falla )= p( x 1)

b)

P ( x=0 ) + P ( x=1 )
0

4 C 0 ( 0,01 ) ( 0,99 ) +4 C 1 ( 0,01 ) ( 0,99 )

0,99
c)

P ( por lo menos 2 motores funcionando y se accidente )= p(x 3)

3

4 C 3 ( 0,01 ) ( 0,99)
6

3,96 X 10

DISTRIBUCION HIPERGEOMETRICA
Investigar la probabilidad de que en el grupo elegido contenga exactamente k-bolas
rojas
N bolas
n rojas
N-n
negras

p=

n C k Nn C
=k=0,1 . min [ n. r ]
NC r
r k

Muestra (1)

p=

n
; q=1 p
N
N p Ck Nn C
=k=0,1 . min [ n .r ]
NC r

P ( x=k )=

E ( x )=

r k

rn
=rp
N

Var ( x )=rpq

N r
n1

Distribucin Hipergeomtrica

k N k
(
x )( nk )
E ( x )= x
( Nn )
n

x=0

N k
(
( k1 ) !
nk )
k
( x1 ) ! ( kx ) ! N
(n)
n

x=1

( k1 ) N k
x1 nk

N
x=1
n
n

()

Puesto que:

N k = ( N1 )(k 1)
(n1
y ) ( n1 y )

( Nn )= n ! ( NNn! ) ! = Nn ( N1
n1 )

Y con y= x-1, obtenemos

k1 N k
(
x 1)( nk )

( Nn )
n

x=1

( k1 ) N1k +1
y
n1 y
nk
nk
=

M x=1
N
N1
n1

(
( )

E ( x )=

nk
N

PARMETROS
x binomial (n,p)
x hipergeometrica (N,n,r)
Ejemplos:
1. En una lnea de control de calidad se revisan 10 artculos determinando
que hay 3 que no cumplen con las especificaciones. Si se escogen al
azar 2 artculos identifique los parmetros de la ley y halle la esperanza
de V.A , que describe el nmero de piezas correctas , las dos escogidas
N bolas
n
correctas
U-n
incorrecto
Muestra (r)

P ( x=0 )=

3 C2 7 C0
=0,06
10 C2

P ( x=1 )=

3 C 17 C 1
=0,46
10 C 2

P ( x=2 )=

3C 0 7C 2
=0,46
10C 2

N=articulos
3 artculos no cumplen especificacin
2 artculos se escogen al azar

E ( x )= x i pi
i=1

0+0,46+ 2(0,46)
1,38

E ( x )=

rn
7
=rp=2( )
N
10

7
E ( x )= =1,4
5

2. Para llenar 4 vacantes de contador se presentan 10 personas, 7 h y 3m.

Salen seleccionado 3h y 1m .las M acusan al empleador de discriminacin
sexual por que los llevan a juicio si el juez supone que la eleccin fue al
azar puede decirse que existi discriminacin al hacer la eleccin

N=10 personas

1 hombres3 H
3 mujeres 1 H
Grupo de 4 personas

x=# de hombres

P ( x=3 )=

7 C3 3 C1
=0,03
10 C 4

No existe discriminacin

DISTRIBUCION GEOMETRICA
Sea una secuencia de pruebas de Bernoulli con probabilidad de xito p ,en lugar de
contar el # de xitos ,nos interesa conocer el # de intentos hasta obtener el primer
xito
Una sucesin de prueba de este tipo se dice que es un experimento geomtrico

x= eventos hasta obtener el primer exito

P ( x=k )=qk1 p ; k=1,2 ..

x v . a . d G( p)

E ( x )=

1
p

Var ( x )=

q
p2

Distribucin Geomtrica
Esperanza

Qx ( t ) = e

1+k

i=0

p q = p ( e+ q)
k

K=0

p
1e t q

E ( x )=

pq
2
(q1)

p=q1

E ( x )=

pq q
=
p2 r

E ( x )=

q
p

Varianza

Var x= E ( x2 ) u'

Si t=0;

E ( x 2) =

Q (t ) q(1+ p)
=
t2
p2

Var ( x )=

Var ( x )=

q +q q
p2

q
p2

Ejercicios:
1. Cuando se graba un comercial de tv la probabilidad de que un actor recite
el dialogo de su toma es de 0.3. Cul es la probabilidad que el actor recite
correctamente su dialogo en la 6ta vez

x=# intentos hasta recite correctamente

P ( x=6 )=( 0,7 )5 (0,3)=0,05
1
1
E ( x )= =
=3.33 a laterceera vez su dialogo sera correcto
p 0,3
Var ( x )=

q 0,7
= 2 =7,78
2
p 0,3

2. En 1 examen el profesor realiza varias preguntas a 1 estudiante de P de

que el estudiante responda correctamente a cualquier preguntas es =0,9
el profesor interrumpe el examen

apenas el estudiante manifiesta el

desconocimiento de la pregunta hecha calcular

a) Formar la ley de distribucin de la v.a que describe el nmero de preguntas que
realiza el profesor
b) Hallar el numero esperado de preguntas que ha de realizar el profesor

x=# de preguntas a realizar

Exito=no responda

P ( exito )= p=0,1
P ( x=k )=qk1 p
0

P ( x=1 )=( 0.9 ) ( 0,1 )=0,1

1

P ( x=2 )=( 0.9 ) ( 0,1 )=0,09

2

P ( x=3 )=( 0.9 ) ( 0,1 )=0,081

3

P ( x=4 )=( 0.9 ) ( 0,1 )=0,073

1
1
E ( x )= =
=10
p 0,1

DISTRIBUCION DE POISSON
Sea x una v.a.d se dice que x sigue una distribucin de Poisson con parmetro es un
promedio de los sucesos por unidad de tiempo es decir: x P(), la distribucin de
Poisson indica la probabilidad de sucesos o de una unidad de tiempo

e
(
)
P x=k =
; k =0,1,2 .
k
E ( x )=c y Var ( x ) =
Observacin:
t

e (t)
P ( x=k )=
; k=0,1,2 .
k
Distribucin de poision

F ( x )=
x=0

e x
x!

Q (t )=E (e)

e [1+

2
+ +]
1! 2 !

(e

Q (t )=e

e
!

t1

Esperanza
u=E(x)
Donde
= Q(t)
t

= e

=+e 1
E ( x )=
Varianza
2
Var ( x )=E ( x ) [ E ( x ) ]

Var ( x )=(+ )
Var ( x )=

Ejemplo:
1) El promedio de llamadas que recibe una central telefnica en un minuto
es de 1,5 halle la probabilidad de que en 4 minutos se reciban:
a) 3 llamadas
b) Menos de 3 llamadas
c) No menos de 4 y no ms de 7
a)

=1,5

llamadas
minuto

t=4 minutos

x= de llamadas 4 minutos
3

P ( x=3 )=

e(1,5 ( 4) ) ( 1,5 ( 4 ) )
=0,089
3!

P ( x <3 ) =P ( x=2 )+ P ( x=1 ) + P ( x=0 )

b)

e( 1,5 (4 )) ( 1,5 ( 4 ) ) e( 1,5 (4 )) ( 1,5 ( 4 ) ) e(1,5 ( 4) ) ( 1,5 ( 4 ) )

+
+
2!
1!
0!

0,04+ 0,01+ 2,47 X 10

0,06
c)

P ( 4 x 7 )=P ( x=4 ) + P ( x=5 ) + P ( x=6 ) + P ( x=7 )

4

e( 1,5 (4 )) ( 1,5 ( 4 ) ) e(1,5 ( 4 )) ( 1,5 ( 4 ) ) e( 1,5 (4 )) ( 1,5 ( 4 ) ) e(1,5 ( 4) ) ( 1,5 ( 4 ) )

+
+
+
4!
5!
6!
7!
0,133+0,16+ 0,16+0,14

0,593
2) En un hotel el promedio de pedidos a la habitacin es igual a dos cada
media hora. Halle la probabilidad de que en una hora se reciba
a) Tres pedidos
b) Menos de 3 pedidos

=2

] [

pedidos
pedidos
=4
30 min
1 hora

t=1 h

x=#de pedidos en una hora

a)
3

e( 1,5 (1) ) ( 4 ( 1 ) )
=0,195
3!
b)

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

2

e( 4 (1 )) ( 4 ( 1 ) ) e( 4 (1) ) ( 4 ( 1 ) ) e(4 (1) ) ( 4 ( 1 ) )

+
+
+
2!
1!
0!
0,146+0,073+ 0,018
0,237

DISTRIBUCION BINOMIAL NEGATIVA

Sea X una variable aleatoria binomial negativa con parmetros r y p. Entonces:
k r
P ( X=k )= r 1 p r ( q )
k1

( )

La funcin generadora de momentos de X est dada por:

mx ( t )=

( p e t )r
donde q=1p
(1q e t )r

E ( X )=r /P

Var ( X )=rq / p2

Ejercicios Propuestos. (Libro Galindo pagina 132)

1. Una jugadora de tenis gana el 30 % de los partidos que realiza. Ella jugara
a
b

en un torneo mientras no sea eliminada en el partido.

Halle la probabilidad de que sea eliminada en el segundo partido;
Si para ganar el torneo se debe ganar 5 partidos consecutivos, cul es la

probabilidad de que la jugadora pierda en la final del torneo?

Cuntos partidos se espera que llegue a jugar durante el torneo?

Respuestas: a) 0.2211 b) 0.007946 c) partidos

2. Una marca de refrescos tiene impresas, en cada una de las tapas, una de
las figuras de los cuatro jinetes del apocalipsis, y quien rena la
coleccin completa ganara un premio. Si un comprador cree que hay
igual nmero de figuras de cada uno de los personajes en la proporcin,
Cuntos refrescos a de esperar para ganar el premio?
Respuesta: E(X)= 8.33, es decir 9 refrescos
3. Un lepidopterista solo est interesado en los ejemplares de una clase de
mariposas, que constituyen el 15% de todas las mariposas de la zona.
Halle la probabilidad de que esta persona tenga que cazar 8 mariposas de
a
b

las que no le interesan antes de comprar.

un ejemplar de clase deseada;
tres ejemplares de clase deseada;

Respuestas: a) 0.04087 b) 0.03564

4. En una fbrica, el departamento de control de calidad, revisa los lotes de
piezas que entran, de acuerdo con el siguiente criterio: se van extrayendo
piezas sucesivamente y el lote es rechazado si se encuentra la primera
pieza defectuosa antes de la vigsima extraccin. Si conocemos que el
2% de piezas son defectuosas, cul es la probabilidad que un lote sea
rechazado?
Respuestas: 0.3188
5. Se sabe que, aproximadamente, el 20% de usuarios de Windows no
cierran el programa adecuadamente. Supongamos que el Windows est
instalado en una computadora publica que es utilizada aleatoriamente por
a

personas que actan independientemente unas de otras?

Cul es la probabilidad que el tercer usuario sea el primero que cierra

adecuadamente el Windows?;
Cul es el nmero medio de personas que usan la computadora desde el
momento en que se enciende hasta que alguien no cierra el programa
adecuadamente?;

Respuestas: a) 0.032 b) 5

6.2 DISTRIBUCIN CONTINUAS

Distribucin Uniforme.-sea x una v.a.c se dice que x sigue una distribucin n
uniforme en un intervalo [a, b] denotado por: x U([a ,b])cuya funcin de densidad es:

f ( x )=

1
, x [ a , b ]
ba
0 , en otro caso

0
xa
F ( x )=
, x [ a , b]
ba
1 , x> b
E ( x )=

a+b
2
;Var ( x )=( ba )
2
b

1
1
x
dx=
ba
ba

( )

1
( b a ) = a+b
( ) x dx=( 2 ( ba
2
))
2

x f ( x ) =
a

E ( x ) =
a

Var ( x )=E ( x 2 ) ( E ( x 2 ) )
b

x2
a

1
( ba
) dx

1
x 3
ba
1
b 2 +ab+ a2
3
3

=
( b a ) =
3
3
3 ( ba )
1
Var ( x )= ( b2 +ab+ a2 )
3

b 22 ab+a 2
12

( a+b2 )2
2

b 2ab+ a2 (a+ b)

3
4
2

4 b + 4 ab+ 4 a 3(a +2 ab+b )

12

b 2 ab+a
12

Var ( x )=

( ba)
12

DISTRIBUCIN EXPONENCIAL
Sea x una variable aleatoria continua, se dice que z sigue una distribucin exponencial
so el parmetro , y se nota que el parmetro X sigue una distribucin exponencial
X()

1/

E(X)=

x e

E(X)=

lim x e x dx
b

dx =

u=x

dv=

du=dx

v=

e x
0

1 x
e

x x
1
lim
e + ex dx

b
0
b

[ ]

lim [x ex ]

1 x
e

1
1
lim b e x e x +

dx

lim

lim 1

1 x
e
+ b
+

lim b e

Distribucin Exponencial

y (t )=E [ etx ]= e tx e dx
0

(t)e(t ) x dx
0

E ( x )=

f ( x ) de una exp ( 1 )=1

Q ( t )=

(1

=
t

1
1

t 1
)

Entonces la varianza ser:

3
2 ( 1t ) (1 ) 2
2=Q ( t ) =
=

Var ( x )= 212

Var ( x )=

2
1
2
2

Var ( x )=

1
2

Ejemplos:
1. Una variable aleatoria est distribuida segn una ley exponencial del
parmetro

=3.

a) Hallar la probabilidad del resultado de la prueba (0.13;0.7)

b) Determine su esperanza y su desviacin estndar.
X()
=3
a)

f ( x )=

{ e0,x,x<0 0

f ( x )=

0
{3 e0,x<
,x 0

3 x

Pr(0.13

0.7)

0.7

3 e3 x dx

0.13

1
3(e3 x ) 0.7
3
0.13

e3(0.7 ) e3(0.13)
+
= 3
3
3
=

3 (0.04 +0.23 )

= 0.57
b)

E(x) =

3 e3 x x dx
0

e3 x x dx

= 3 blim

e3 x dx

u=x

dv=

du=dx

e3 x
v=
3

b
3 x

3 lim xe
b

+1/3 e3 x dx
0

] [

]
]

e3 x
e3 x b
b
+1/3
= 3 blim
3
3
0

3 x

3 x

e
e
e
b

+
= 3 blim
3
9
9

b
=

e3 x
e3 x
lim
+ lim 1/9
3
b 9
b
lim
b

3 1/3 lim

b
1
1/ 9 lim 3 x +1 / 9
3b
b

e
e

1
1
( 0 ) (0)+ 1/9
3
9

1
3

2. El tiempo durante el cual las bateras para telfono celular trabaja en

forma efectiva hasta que falla se distribuye segn un modelo exponencial
con un tiempo modelo de falla de 500h.
a) Calcular la probabilidad de que una batera funcione por ms de 600h.
b) Si una batera ha trabajado 350h, cual es la probabilidad de que trabaje
ms de 300h adicionales.
E(x)= 500h = 1/
X(1/500)

= 1/500

0,x <0

x
f ( x )= 1 1
e 500 ,x 0
500

P ("La batera funcione por ms de 600h")

x= Nmero de horas que funciona la batera
P (x=600)

1 500
= 500 e dx
600

1
500
= 500 e dx
600

1
500
= 500 500 e
600

= e 500 + e

1
=

500

+e

=0+ e

600
500

6
5

6
5

=0.30
b)
P(x 350+300/ x >350 )
P(A/B)= P

( A B)
P (B)

P(x 350+300/ x >350 )

=

P(x >650 x >350)

P(x >350)

P( x >650)
P( x>350)

1e
=

1e

650
500
350
500

= 0.72/0.50
= 1.432

DISTRIBUCIN NORMAL
X es una variable aleatoria continua, se dice que X sigue una distribucin normal
2

X N ( , ) , La funcin de densidad de una distribucin normal:

f(x)=

Hay diferentes formas de

1
.e
2

( x )
2
2

X N ( , 2) .

Su grfico es simtrico.
Si

X N ( , 2)

X Z ; Z=
Si x-
Si

Z N ( 0,1) .

, los datos estn centrados.

, los datos estn estandarizados.

xR

Ejemplo:
1) El permetro craneal de os hombres en una ciudad, es una variable
aleatoria con

=60cm y 2 =2.

a) Qu porcentaje de los hombres tiene un permetro craneal entre 57 y

64cm.
b) Qu permetro craneal debe tener un hombre para que el 16.8% de sus
paisanos tengan ms cabeza que l.
c ) Y cuanto para que el 35.2% tenga menos.
a) x= "Permetro craneal de los hombres"

X N ( 60,2)
P(57
z1=

64)

5760
2

z2=

z1=-1.5
= P(-1.5

6460
2

z2=2
Z

2)

= P(Z 2 ) - P(Z 1.5 )

= 0.9752-0.0668
= 0.9084
b)
Ecuacin estocstica
P(x T ) = 0.166
ZT=

T 60
2

ZT=0.97
(0.97*2)+60=T
T=61.94
c)
P(X T )=0.352
0.352 -0.3-0.008 = -0.38

ZT=

T 60
2

ZT=-0.38
=(-0.38*2)+60=T
T= 59.24
2) En una fbrica de autos un ing. est diseando autobuses pequeos,
sabe que la estatura de la poblacin est distribuida con media de 1.7m y
5cm. Que altura mnima debe tener los autobuses para que no ms del 1%
de las personas golpee su cabeza por la parte superior del bus.
X ="Estatura de la poblacin
X N(170cm,5cm)

P(x T )= 0.01
ZT=2.33
T=(2.33*5)+170
T=181.63cm
3) Se toman dos exmenes sobre 100 puntos en el primero se obtuvo una
media de 80 y desviacin estndar de 4 y en el segundo una media de 65
y desviacin estndar de 5. Un estudiante saco 84 en el primer examen y
75 en el segundo. En cul de los dos resultados obtuvo mejor
resultado?
X1 N(80,4)
X2 N(65,5)

P(x 84 ) =

8480
4

= 0.84

P(x 75 ) =

7565
5

= 0.97

DISTRIBUCIN GAMMA

( )=(1)! ; z
b

x b1 ex dx
0

u= x

du = (b-1) x b2 dx

b1

dv= e

v=e

dx

u.v-v.dv

e
(x).(b1) x b2 dx
xb 1 .ex

lim [ x

lim b

e
b
(x). x b2 dx
.e ]
+(
0
1
x

e
(x). x b2 dx
+(
1

eb

e
(x)x b 2 dx
(

( 1 )=

e
(x)x 2 dx

( )=(1) ( 1 )

 ( 1)
( )=( 1)( 2) )
= ( 1 ) ( 2 )( 3 )( 4 ) .

=1

=2

x 1 ex dx
0

dx

y e y () dy
0

si Y=x/

dy 1
=
dy

y e y dy

dy=dx

( +1 ) = x ex dx
0

x e

dx= +1

( +1 )

1
( )

( +1 )
( )

( )
( )

+1

( +1 )

WEIBULL
Ejercicios propuestos
1. Sea T
Determine:
a)P(T<1)
b)P(T>5)
c)P(2<T<4)
R: a)0,049

Weibull (0,5 y 3)

b)1,2208

C)0,011

2. En el artculo Parameter Estimation with Only Complete Failure

Observation. Se modela la duracin, en horas, de cierto tipo de cojinete
con la distribucin de Weibull con parmetros

=4,474 X 104 =2,25

Determin la probabilidad de que un cojinete dure ms de 1000 horas

R:0,151
3. Suponga que la vida til de cierto elemento es una variable aleatoria que
tiene distribucin Weibull con = 0.5 y = 0.01 . Calcular:
a. La vida media til de ese artculo.
b. La variacin de la vida til.
c. La probabilidad de que el elemento dure ms de 300 horas
R: a) 200 b)4447,21
c) 0,177
4. Sabiendo que el nmero de aos de supervivencia de un paciente tras
haber sido sometido a cierta operacin quirrgica tiene una distribucin
de Weibull de parmetros alfa

y lambda iguales a 3.5 y 0.3,

respectivamente, obtener la probabilidad de que el paciente sobreviva a la

intervencin transcurridos 5 aos.
R: 0,01
5. Tenemos que seis unidades idnticas, con una confiabilidad probada de
los mismos niveles de tensin de operacin y uso . Todas estas unidades
fallan durante la prueba despus de funcionar el siguiente nmero de
horas: T 93, 34, 16, 120, 53, y 75 .
Estime los valores de los parmetros para una distribucin de Weibull y
determine la confiabilidad de las unidades para un valor de misin de 15
horas

R: 0,90

EJERCICIOS RESUELTOS
INDUCCION MATEMATICA
1. Determine para que valores de n

N es verdadera la desigualdad al

examinar los valores

2n >n2 +4 n+5
Al examinar los valores los valores n =1,2,3,4,5.6 se da cuenta que la desigualdad no
se cumple .Por lo que se tendr que demostrar por el mtodo de induccin incompleta
que para todos los valores de n

7 la desigualdad es verdadera

Resolucin
Paso 1

27 >72 +4 ( 7 ) +5 cuando n=7 la desigualdad es correcta

Si n =7, obtenemos
Paso 2

(Hiptesis Inductiva) Se supone que la desigualdad es verdadera para un cierto valor

k

2 >k + 4 ( k ) +5

de n=k, o sea,

Paso 3

A partir de la hiptesis inductiva , se desea probar la tesis dada por

k+1

>(k +1) + 4 ( k + 1 )+ 5

Al multiplicar la desigualdad dada en la hiptesis inductiva por 2, obtenemos

2k+1 >2 k 2 +8 k + 10
Transformando el segundo miembro de esa desigualdad obtenemos

2k+1 >(k +1)2+ 4 ( k + 1 )+ 5+ k 2 +2 k

Teniendo en cuenta que

k 2 +2 k >0

para todo k 7 , podemos deducir

que

2k+1 >(k +1)2+ 4 ( k + 1 )+ 5 , obteniendo lo que se quera demostrar (Tesis).

2. Demostrar que la suma de los n primeros nmeros naturales es igual a

n(n+1)
2
Demostracin:
Queremos probar que

n N

Sea p(n): 1+2+3+4+..n=

propiedades (1),(2),(3)

p(1) :1=

1(1+1)
2

: 1+2+3+4+..+n=

n(n+1)
2

n(n+1)
2

, debemos probar que p(n) satisface las

Se supone que la igualdad es verdadera para un cierto valor de k, es decir,

1+2+3+4+k=

Sea k

k (k +1)
2
= p(k+1) es verdadero hay que

, debemos probar que p(k)

hacer la demostracin suponiendo que p(k) es verdadera

Como p(k+1) : 1+2+3+..+k+(k+1)=(k+1)((k+1)+1)/2 , p(k+1)

debe formarse de

p(k) sumando k+1 a ambos miembros de la igualdad (de la hiptesis inductiva)

1+2+3+..k + (k+1)=

k (k +1)
+ (k+1)= (
2

k
2

k +2
2 )
+1)(k+1)=(k+1)

Se ha confirmado que p(k+1) es verdadera suponiendo que p(k) lo es

As se ha demostrado que

n N

: 1+2+3+4+..+n=

n(n+1)
2

es verdadera

3. Determine todos los nmeros naturales para los cuales

n

1*2*3*4n > 2

Solucin: La frmula no es vlida para n =1,2,3

4

Para n=4 se tiene que 24 =1*2*3*4 > 2

= 16 verdadero

Supongamos que la desigualdad es vlida para k

k

1*2*3*4..k> 2 ,

con k

4 ; esto es

4.

Por demostrar que la desigualdad es vlida para k+1, es decir que

k+1

1*2*3*4..k(k+1)> 2

, k 4.

En efecto
1*2*3*4k (k+1) =(1*2*3*4..k) (k+1) >
Luego 1*2*3*4n >
n>

2 , y por lo

4. Pruebe que la formula

2k (k +1) > 2k (2) = 2+1

tanto

nN

,n

4 1*2*3*4 ..

1*2+2*3+3*4+..n(n+1)=

n(n+1)(n+2)
3

es valida para todo natural n.

n(n+1)(n+2)
Demostracin .Sea p(n), 1*2+2*3+3*4+.+n(n+1)=
3
Entonces p(1), 1*2 =

123
3

=2 verdadera .

Hiptesis Inductiva : p(k) verdadera, es decir

1*2+2*3+3*4+.+k(k+1) =

k (k +1)(k +2)
3

Tesis: Por demostrar p(k+1), es decir

1*2+2*3+3*4+..+ k(k+1)+(k+1)(k+2) =

(k +1)(k +2)( k+3)

3

Sumando (k+1)*(k+2) a ambos lados a la igualdad de la hiptesis inductiva se obtiene :

1*2+2*3+3*4++k(k+1)+(k+1)(k+2)=

k (k +1)(k +2)
+(k+1)(k+2)
3

Luego solo resta probar que

k (k +1)(k + 2)
3

+(k+1)(k+2)=

(k +1)(k + 2)( k+ 3)
3
k

Factorizando por (k+1)(k+2), se tiene (k+1)(k+2)(1+ 3 )=

(k +1)(k +2)( k+3)

3

Que es justamente la tesis deseada y lo que prueba que p (n) es verdadera para todo
natural n

5. Demuestre que para todo natural n

1
1
1
1
+
+
+ .+
> n
1 2 3
n
Demostracin

1
Sea p(n) la proposicin dada, luego para n =2, se tiene que 1 + 2
proposicin verdadera
Hiptesis de induccin : n=k

>

. La

1
1
1
1
+
+
+ .+
> k
1 2 3
k
Tesis: n=k+1, Por demostrar que

1
1
1
1
1
+ + + .+ +
> k +1
1 2 3
k k +1
1
k +1

Sumando

a la igualdad de la hiptesis inductiva se tiene

1
1
1
1
1
1
+ + + .+ +
>k +
1 2 3
k k +1
k + 1
Como

k+

1
k +1

k 2+ k +1 > k +1
k +1

k +1

k +1

Se concluye la demostracin

Anlisis Exploratorio de Datos

Ejercicios resueltos:
(Estadstica - Mtodos y aplicaciones, 2da Edicin, Edwin Galindo, Ejercicios 2,
3, 6, 8, 9, 10, 19)
1. Dadas n=8 mediciones 4, 2, 6, 5, 7, 5, 4, 6.
Determine:
a) La media muestral

x=

x=

4+ 2+ 6+5+7+5+ 4+ 6
8

39
8

x=4.875
b) La mediana
Ordenamos datos:
2 + 4 + 4 + 5 + 5 + 6 + 6 +7

1
M d= ( x 8 + x 8 )
2 2 2 +1

1
M d= ( x 4 + x 5)
2
1
M d= (5+5)
2
Md=

10
2

Md=5
c) S
n

( x 1x )2

S= i=1

n1
2

(24.875) +2( 44.875) +2(54.875) +2( 64.875) +(74.875)

7

8.265625+1.53125+ 0.03125+2.53125+4.515625
7

16.905003
7

4.22625
2. Dadas n=9 mediciones 5, 8, 8, 4, 4, 9, 7, 5, 4.
Determine:
a) La media muestral

x=

x=

5+8+8+ 4+ 4+ 9+7+5+ 4
9

54
9

x=6
b) La mediana
Ordenamos datos:
4 + 4 + 4 + 5 + 5 + 7 + 8 + 8 + 9

M d= X

n +1
)
2

M d= X

M d= X

9 +1
)
2

10
)
2

M d= X (5)
M d=5
c) S
n

( x 1x )2

S= i=1

n1
2

3 (46) +2(56) +(76) +2( 86) +(96)

12+2+1+8+ 9
7

32
7

4.571428571

3. Calcule el promedio, la media y la moda de las edades de 25 personas:

32 33 34 31 32 31 34 32 34 32 31 34 31
31 32 32 34 34 32 33 34 33 33 34 31
a) Media
n=25

X=

X=

32+33+34 +31+32+31+34+32+34 +32+31+ 34+31+31+32+32+34+ 34+32+33+34 +33+

25

814
25

X =32.56
b) Mediana
Ordenamos datos.
31+31+31+31+31+31+32+32+32+32+32+32+32+33+33+33+33+34+34+34+34+34+34+
34

Md=x n+1
2

Md=x 25+1
2

Md=x 13
Md=32
c) Moda
Puede ser 32 y 34
4. Dados los datos y sus frecuencias
a) Media

xi 2 5 7 10
ni 8 12 16 14
( 28 ) + ( 512 )+ (716 )+(1014)
X=
8+12+16+ 14
X=

16+ 60+112+140
50

X=

328
50

X =6.56
b) Moda
La moda es7 porque hay 16 veces
c) Rango

R=102

R=8

5. A continuacin se dan los resultados de la estatura de 100 estudiantes

Estatura (en cm)
No. De estudiantes

155 160 165 170 175 180 185

10
14 26 28
12 8
2

a) La media Armnica

H=

n
n

x1
i=1

H=

H=

100
1
1
1
1
1
1
1
+
+
+
+
+
+
15510 16014 16526 17028 17512 1808 1852
100
1
1
1
1
1
1
1
+
+
+
+
+
+
1550 2240 4290 4760 2100 1440 370

H=184.9
b) La media geomtrica

Mg=

100

Mg=

100

( 15510 )( 16014 )( 16526 )( 17028 )( 18089 )(1852)

7.932810 22

Mg=169
6. Las notas de un examen de 6 alumnos son: 6, 5, 9, 19, 3 y 18. Un alumno
aprueba si su nota es mayor o igual que el promedio y que la mediana de
las notas. Qu porcentaje de los alumnos aprobaron el examen?

X=

6+ 5+9+19+3+18
6

X=

60
6

X =10
Aprueban 2 estudiantes
Si 6 estudiantes es el 100%, cuantos son 2?

2100
6

=33.33
(Probabilidad y estadstica para ingenieros, Ronald E. Walpole, pgina 9,
ejercicios 1, 2 3)

7. Un fabricante de componentes electrnicos interesa determinar el tiempo

de vida de cierto tipo de batera. La que sigue es una muestra, en horas
de vida:
123, 116, 122, 110, 175, 126, 125, 111, 118, 117
a) Encuentre la media

X=

123+116 +122+110+175+126 +125+111+ 118+117

10

X=

1243
10

X =124.3
b) Mediana
Se ordenan los datos
110, 111, 116, 117, 118, 122, 123, 125, 126, 175

M d=

1
x +x
2 n2 n2 +1

1
M d= ( x 10 + x 10 )
+1
2 2
2

1
M d= ( x 5 + x 6 )
2
1
M d= (118+122)
2
1
M d= (240)
2
M d=120

8. Un fabricante de neumticos quiere determinar el dimetro interior de

cierto grado de neumtico. Idealmente el dimetro seria 570 mm. Los
datos son los siguiente:
572, 572, 573, 568, 570

a) La varianza

X=

572+572+573+568+570
5

X =571
n

( x 1x )2

S= i=1

n1
2

2(572571) +(573571) +(568571) +(570571)

S=
4

S=

2+4 +9+1
4

S=4
b) Desviacin Estndar

S 2=16
c) Rango

R=573568

R=5

9. En una empresa se registr la edad(en aos completos) de sus

empleados, resultando la siguiente tabla
31
45
51
36
56

49
61
18
40
35

36
40
29
46
48

39
39
34
37
44

56
47
42
49
42

29
27
38
25
43

57
36
62
21
49

a) Qu porcentaje de los empleados es menor que 50?

Hay 43 empleados menores que 50 aos
Decimos: Si 50 es el 100% 43 cuanto ser:

41
37
31
39
22

40
16
28
35
25

51
37
25
37
28

43100
50

4300
50

=86
86% representa a los empleados menores que 50 aos.
b) Qu porcentaje de los empleados es mayor que 35.5?
Hay 33 empleados mayores que 35.5 aos
Decimos: Si 50 es el 100% 33 cuanto ser:

33100
50

3300
50

=66
66% representa a los empleados mayores que 35.5.
10. Se conduce un estudio de los efectos de fumar sobre los patrones de
sueo. La medicin que se observa es el tiempo, en minutos, que toma
quedarse dormido, se obtienen estos datos.
69.3 56.0 22.1 47.6 53.2 48.1
a) Media

X=

69.3+56.0+ 22.1+ 47.6+53.2+ 48.1

5

X=

296.3
5

X =59.26
b) Desviacin Estndar

Debemos encontrar la Varianza muestral, para eso usamos.

n

( x 1x )2

S= i=1

n1

S=

( 69.359.26)2+(5659.26)2+(22.159.26)2 +( 47.659.26)2 +(53.259.26)2

4

S=

98.8036+10.6276+1380.8656+ 135.9556+36.7236+124.5456
4

S=

1787.5216
4

S=446.8804
2

S =199702.09

EJERCICIOS RESUELTOS
Tabla de Distribuciones
1. Completar los datos que faltan en la siguiente tabla estadstica:
Xi
1
2
3
4
5
6
7
8

Fi
4
4
7
5
7

Fi

Ni
0.08

16

0.16
0.14

28
38
45

Calcular la media, mediana y moda de esta distribucin.

Primera fila:

F 1=4
4
=0.08
N
N=50
Segunda fila:

4
=0.08
50
F2 =4+ 4=8
Tercera fila:

n3
=0.16
50

n3=0.16 .50=8
Cuarta fila:

N 4 =16+7=23
Quinta fila:

n5=

5
=0.1
50

Sexta fila:

28+ N 8=38
N 8=10
n6 =

10
=0.2
50

Sptima fila:

n7 =

7
=0.17
50

Octava fila:

N 8=N =50
N 8=5045=5
n8=

5
=0.1
50

Se ha pasado un test de 80 preguntas a 600 personas. El nmero de respuestas

correctas se refleja en la siguiente tabla:

RESPUESTAS NMERO

CORRECTAS DE PERSONAS

[0, 10)
[10, 20)
[20, 30)
[30, 40)
[40, 50)
[50, 60)
[60, 70)
[70, 80)

40
60
75
90
105
85
80
65

a) Complete la tabla de frecuencias y calcular

b) la media, desviacin media y desviacin tpica.
b) Calcula la mediana, los cuartiles y los percentiles 20 y 85.
c) Cul es el percentil de una persona que tiene 65 respuestas correctas?

xi 2

Intervalo

Xi

ni

Ni

xi . ni

[0,10)

40

40

200

1000

1506.67

[10,20)

15

60

100

900

13500

1660,00

[20,30)

25

75

175

1875

46875

1325,00

[30,40)

35

90

265

3150

110250

690,00

[40,50)

45

105

370

4725

212625

245,00

[50,60)

55

85

455

4675

257125

1048,00

[60,70)

65

80

535

5200

338000

1786,67

[70,80)

75

65
600

600

4875

365625
134500

2101,67
10363,33

a)

x=

2=

25600
=42,67
600

1345000
42,672=420,94
600

=17,27

b) Para la mediana 600/2 = 300, luego voy al intervalo [40,50)

Me=40+

Para

300265
.10=43.44
370265

Q1 = 600/4 = 150, luego voy al intervalo [20,30)

( xiX )

Q1=20+
Para

Q3 (3/4).600= 450, luego voy al intervalo [50.60)

Q3=50+

Para

150100
.10=26.66
175100

450370
.10=59.41
455370

P20 = 600(20/100) = 120, luego voy al intervalo [20,30)

P20=20+
Para

120100
.10=22.66
175100

P85 (85/100).600= 510, luego voy al intervalo [60.70)

P85=60+

510455
.10=68.88
535455

CURTOSIS Y ASIMETRIA
Ejercicios Resueltos. (Libro Galindo pgina 38)
1. Calcular los coeficientes de simetra y apuntamiento de los sueldos de diez
personas que ganan (en dlares).
170

172

Calculando

168

165

173

178

180

165

167

x =171 y s=5,1

(xix )3
i=1

(170171)3+(172171)3+ +( 172171)3
=
=55.8
10

(xix )4
i=1

(170171) +(172171) ++(172171)

=1191
10

172

( xix )3 /n

As= i=1

55,8
=0.421
5,13

Los datos son levemente asimtricos, con asimetra hacia la derecha; tambin, son
platicrticos, debido a posibles valores atpicos.

2. Calcular los coeficientes de simetra y apuntamiento de la siguiente datos

2

Calculando

=4 y s=2,45

(xix )3
i=1

48
=12
4

288
=72
4

(xix )4
i=1

n
n

( xix )3 /n

As= i=1

12
=0.421
2,453

( xi x )4 /n

Ap= i=1

3=

72
3=1
2,454

Se trata de una distribucin platicrtica con asimetra positiva.

3. Calcular la Asimetra de los siguientes datos:

6

12

12

12

15

17

(xi- x )^3

Dato
s
6
9
9
12
12
12
15
17
Total

-166.375
-15,625
-15,625
0,125
0,125
0,125
42,875
166,375
12

x =11.5
S=3,279
n

(xix )3 / n
As=

i=1

12/ 8
=0.035
3
(3,279)

Se muestra una simetra positiva.

4. Calcular la Asimetra de los siguientes datos:
6

Dato
s
6
9
9
12
12
12
15
17
Total

(xi- x )^4

12

12

12

15

17

915,0625
39,0625
39,0625
0,0625
0,0625
0,0625
150,0652
915,0652
2058,5

x =11.5
S=3,279
n

( xi x )4 /n

Ap= i=1

3=

2058,5/8
3=0,77
3,279 4

Se trata de una distribucin platicrtica.

5. Calcule el ndice de Apuntamiento a partir de los datos:

10-12-12-14-10-10-16-12-14-10

x =12
s=2
n

( xi x )4 /n

Ap= i=1

3=

352/10
3=0,8
24

Se trata de una distribucin platicrtica.

DISTRIBUCION BINOMIAL NEGATIVA

Ejercicios Resueltos. (Libro Galindo pagina 132; Probabilidad y Estadistica 2da
Edicion de Montmery, Runger; pag 126 y Probabilidad y Estadistica de Jsusan
Milton y jesse Arnold; pag72)
1. Un avin de alto rendimiento contiene tres computadoras idnticas. Se
utiliza nicamente una operar el avin; las dos restantes son repuestos
que pueden activarse en caso de que el sistema primario falle. Durante
una hora de operacin, la probabilidad de una falla en la computadora
primaria es 0.0005. Suponiendo que cada hora representa un ensayo
independiente. Cul es el tiempo promedio para que fallen 3
computadoras?
Sea el nmero de horas hasta que los tres fallen sistemas fallen, y sea que X1, X2,
X3 denoten el nmero de horas operadas antes de una falla de la primera, la
segunda y la tercera computadoras usadas, respectivamente. Entonces,
X=x1+x2+x3,

Ademas,

se

supone

que

las

horas

comprenden

ensayos

independientes con probabilidad constante de falla p=0.0005. Por otra parte, una
computadora de repuesto no es afectada por la cantidad de tiempo que transcurra
antes de activarse. Por consiguiente, X tiene una distribucin binomial negativa
con p=0,0005 y r=3. En consecuente.
E(X) =3/0.0005= 6000 horas
Cul es la probabilidad de que las tres computadoras fallen en un vuelo en 5 horas?
La probabilidad es P(X5)
P(X5) = P(X=3)+ P(X=4)+ P(X=5)

0.00053 + 3 0.00053 ( 0.9995 ) + 4 0.00053 ( 0.9995 )

2
2

()

1.2510

10

10

+3.7510

()

10

+ 7.4910

1.24910

2. Las fibras de algodn usadas en los propulsores de cohetes son

sometidas a un proceso de nitracin, el cual permite que las fibras de
algodn entre en solucin. Este proceso tiene efectividad de 90% en
cuanto a que el material producido pueda conformarse segn se requiera
en una etapa ulterior de proceso, con probabilidad de 0,9, Cul es la
probabilidad de que se produzcan exactamente 20 lotes para obtener el
tercer lote defectuoso?
En este caso, el xito es la obtencin de un lote defectuoso, por lo que p=0,1
y r=3. La probabilidad de que X=20 est dada por:

f ( 20 ) = 19 0.917 ( 0.13 )
2

( )

El

valor

rq/ p2=

esperado

de

es

r / p=3 /0.1=30 y la varianza de x es

3 ( 0.9 )
=270.
( 0.1 )2

Existe otro aspecto que debe resaltarse. Cuando r=1, la distribucin binomial negativa
se reduce a la distribucin geomtrica.
3. Una mquina, que est daada, envasa latas de conserva de una en una y
de manera independiente. Se considera que el 5% de lo envasado resulta
defectuoso. Si la maquina se detiene penas produce el tercer defectuoso:
a) Cul es el nmero de latas producidas hasta que se detiene la maquina?
b) Cul es la probabilidad de que la maquina se detenga en la novena lata
producida?
c) Cul es la probabilidad de que se detenga sin producir ninguna lata buena?
a) Calculemos la esperanza de X:

r
3
E ( X )= =
=60
p 0.05

Se esperara producir 60 latas hasta que se detenga la maquina.

b) Calculemos Pr(X=9)
3
93
Pr ( X =9 ) =C31
=0.00257
91 (0.05) (10.05)

c) Que ninguna lata producida fue buena, significa que las 3 primeras latas fueron
defectuosas; es decir, k=3
3
33
Pr ( X =3 )=C 31
=0.00125
31 (0.05) (10.05)

4. Suponiendo que la probabilidad de que una persona contraiga cierta

enfermedad a la que est expuesta 30%, calcule la probabilidad que la
decima persona expuesta a la enfermedad sea la cuarta en Contraerla.
Cada persona expuesta a la enfermedad constituye un ensayo. Estos ensayos
son independientes y la probabilidad de xito es 0.3.
Por la pregunta concluimos que es una Distribucin Binomial negativa.
k=4, p=0.3
X= cantidad de ensayos realizados hasta obtener k xitos
X=4,5,6.

x4
P ( X=x )= x 1 0,34 ( 10.3 ) , x=4,5,6 .
4 1

104
P(X =10)= 10 1 0,3 4 (10.3 )
=0.08
41

5.

S la probabilidad de que un cierto dispositivo de medicin muestre una

desviacin excesiva es de 0.05, cul es la probabilidad de que el sexto
de estos dispositivos de medicin sometidos a prueba sea el tercero en
mostrar una desviacin excesiva? Solucin:

k = 6 dispositivos de medicin
r = 3 dispositivos que muestran desviacin excesiva
p = p(dispositivo muestre una desviacin excesiva) = 0.05
q = p(dispositivo no muestre una desviacin excesiva) = 0.95
3
63
Pr ( X =6 ) =C61
=0.001072
31 (0.05) (10.05)

VARIABLES ALEATORIAS CONTINUAS (ESPERANZA Y VARIANZA)

1) Suponga que f (x) = 0,25, para 0 < X < 4. Calcule la media y la varianza de
la variable aleatoria continua X.

E(x)=

x f (x)

dx =

0.25 x
0

E( x

)=

x f (x)
2

0.25 42
dx =
2

dx =

0.25 x 2
0

Var (x)=E( x (E( X 2

es un valor promedio

0.25 43
dx =
3

0.25 4 2

4
2
Var(x)= 0.25 43
= 3

3
2) El peso (en gramos) de un insecto se distribuye segn
si 1 x 2

1
f(x) =
0
a
b

resto

Determine la esperanza de x:
Determine la varianza de x:

E(x)=

x f (x)

dx =

x
1

E( x

2
dx = 2

1
2

= 2

2
)= x f (x) dx =

23
2
x
dx = 3
1

7
13
=
3
3

2
x

Var (x)=E(
(E( X 2
3 2

1
2
Var(x)= 7
= 12

3)

El tiempo de vida (en aos) de una determinada componente de un

juguete electrnico tiene por funcin de densidad

si 0 x 1

-6x(x-1)
f(x) =
0

resto

Hallar su esperanza y varianza

E(x)= x f (x) dx =

x (6 x ( x1 ) ) dx =
0

E( x

6 x3 +6 x 2 dx
0

2
)= x f (x) dx =

x2
0

(-6x(x-1))dx =

6
5

3
2 =
2

1
2

3
3
2 = 10

2
x

Var (x)=E(
(E( X 2
1 2

1
2
Var(x)= 3
= 20

10
4)

Calcule la media y la varianza de la estacin de servicio de transporte

aereo en donde x es una variable aleatoria continua que representa
tiempo de atencin en horas, siendo su densidad de probabilidad

2
5 (x+2)

f(x)=
0

0 x 1
otro x

Respuesta

2
E(x)= E(x)= x f (x) dx = x 5 ( x+ 2) dx =

25x
0

8
4x
dx =
15
5

Es el tiempo de atencin promedio para los clientes

E( x

)=

x f (x)
2

dx =

x
0

2
4
11
+
= (4 )5 (3)5 = 30
2

Var (x)=E( x (E( X 2

3
2
2
( x +2) dx 2 x + 4 x dx
5
5
5
0

8 2

15
Var(x)= 11
=0.0822

30
5) Calcule el promedio y la varianza para la atencin en la cafetera
En donde x es una variable aleatoria continua
siendo su densidad de probabilidad

2(

x +1

que representa el tiempo (horas)

0 x 2

f(x)=
0

otro caso

x +1
8
2 x ()

x f (x)

E(x)= E(x)=

dx =

(2)8
(2)x 2 (2)x
(2)4
dx = 8 + 8 dx = 8(3) + 16 =
0

7
6
El promedio para la atencin a cada cliente

E( x

2
)= x f (x) dx =

216
= ( 4)8

2 x2
0

28
5
(3)8 = 3
2

Var (x)=E( x (E( X 2

7 2

6
Var(x)= 5
=0.3055

3
2
x +1
)d x 2 x + 2 x dx
8
8
8
0

DISTRIBUCION DE WEIBULL
1. La duracin de un ventilador , en horas, que se usa en un sistema
computacional tiene una distribucin de Weibull con = 1,5 y = 0,0001
a)Cul es la probabilidad de que un ventilador dure ms de 10000
horas ?
1,5

P (T >10000 )=1(1e[(0,0001)(10000)] )
1,5

e[(0,0001)(10000)] = 0,3679
b)Cul es la probabilidad de que un ventilador dure menos de 500 horas ?
1,5

P (T 5000 ) =1e [ ( 0,0001 )(5000 ) ] =0,2978

2. Supongamos que, en una rea donde se estudia la instalacin de
aerogeneradores, la velocidad del viento en metros por segundo es una
variable aleatoria X con la siguiente funcin de distribucin de Weibull.
x

x
2
F x ( x )= x e 25 (x >0)
25

( x< 0)

Si un modelo de aerogenerador est preparado para funcionar con velocidades de

viento
Comprendidas entre los 3 y los 25 metros por segundo qu proporcin del
tiempo estara
Funcionando una vez instalado en esa rea?.
Solucin:
La proporcin del tiempo en que el viento alcanza velocidades comprendidas entre los
3y
Los 25 metros por segundo es la probabilidad de que en un momento cualquiera la
velocidad
Este en ese intervalo, es decir:

25

P [ 3 X 25 ] =F X

(X es una variable continua y por eso podemos escribir P[3 X 25] = P[3 < X 25] =
FX (25) FX(3).) El 69077 % del tiempo el aerogenerador estara funcionando.
3. Suponga que X tiene una distribucin de Weibull con = 100 horas y =
0,2 determine la esperanza y la varianza de X

E ( x )=100 1+

1
=1005 !=1200horas
0,2

1 2
=3,61 X 10 10
0,2
1
V ( x ) =1002 1+
1002
0,2

1+

4. El tiempo de falla, en horas, de un rodamiento de una caja de velocidades

se modele satisfactoriamente como una variable aleatoria de Weibull con
=1/2 y = 5000 horas .
Determine el tiempo medio de falla y la probabilidad de que un
rodamiento dure mas de 6000 horas. De la expresin de la media.
Solucin:

E ( x )=5000 1+

1
=5000 [ 3 ]=50002 !=10000horas
0,5

Y tenemos

=e1,095=0,334
P ( x >6000 ) =1F ( 6000 )=exp
Por lo tanto solo el 33,4% de todos los rodamientos durara al menos 6000 horas.
5. Asuma que la vida de una lmpara fluorescente sigue una distribucin de
Weibull con parmetros =2 y = 10.000 horas
Determine la probabilidad de que la lmpara dure al menos 8000 horas.

=e0,64 =0,5273
P ( x >8000 )=1F ( 8000 )=exp

PROBABILIDAD CONDICIONAL
1. El 70% de empresas tiene errores en sus activos financieros, el 60% tiene errores
en sus pasivos financieros y el 40% tiene errores en sus activos y en sus pasivos
financieros. Obtn razonadamente el porcentaje de empresas sin errores en sus
activos, en sus pasivos o en ambos. De una muestra de 500 empresas, cuntas se
espera que no tengan errores ni en sus activos ni en sus pasivos financieros?

Solucin:
Llamemos A = {tener errores en los activos financieros} y B = {tener errores en los
pasivos financieros}. Entonces:

P ( A )=0,7

P ( B ) =0,6

P ( A B )=0,4

El suceso no tener errores en los activos financieros es AC y por tanto :

P ( A C )=1P ( A )

P ( A C )=10,7

P ( A C )=0,3

lo que significa el 30%.

El suceso no tener errores en los pasivos financieros es B C y por tanto :

P ( BC ) =1P ( B )
P ( BC ) =10,6
P ( BC ) =0,4

lo que significa el 40%.

El suceso no tener errores en ambos equivale a no tener errores en los activos

financieros y no tener errores en los pasivos financieros, es decir, AC
por las leyes de Morgan, AC

BC = (A B)C. Entonces:

A B C
P ( A C BC ) =P
P ( A C BC ) =1P ( A B )
P ( A C BC ) =1[ P ( A ) + P ( B )P ( A B ) ]

P ( A C BC ) =1( 0,7 +0,60,4 )

P ( A C BC ) =10,9
P ( A C BC ) =0,1

lo que significa un 10 %

BC . Pero,

Segn lo anterior se espera que un 10% de las empresas no tengan errores ni en sus
activos ni en sus pasivos financieros. Si tenemos una muestra de 500 empresas
podemos esperar que:

500

10
=50
100

Empresas no tengan errores ni en sus activos ni en sus pasivos

financieros.
2. Si los sucesos A y B son independientes y compatibles, cules de las siguientes
afirmaciones son ciertas?
a) P(A

B) = P(B)

b) P(B

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

Solucin:
a) Como A y B son independientes
=> P ( A B ) =P ( A )P(B)

Esta ltima expresin solamente es igual a P(B)

si P(A) = 1.
b)

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

). Si fuera cierta la afirmacin entonces

> P ( A ) + P ( B ) =P ( B ) + P ( A )=P(B A)

> P ( B A )=0
> B A=

y esto es imposible pues A y B son compatibles. As pues la

afirmacin no es cierta.
3. Se ha comprobado que el 48% de los alumnos de Bachillerato de cierta regin son
aficionados a la msica clsica y a la pintura, y que el 60% de los aficionados a la
pintura tambin son aficionados a la msica clsica. Si se elige al azar un alumno de
Bachillerato de esa regin, qu probabilidad hay de que no sea aficionado a la
pintura?
Solucin:
Llamemos A = {ser aficionado a la msica clsica} y B = {ser aficionado a la pintura}.
Segn el enunciado P(A

B) = 0,48 y P(A/B) = 0,6. Hemos de hallar

P(BC ). Pero como P(A/B) = P(A B )/P(B) entonces despejando tenemos

P (B)=

P( A B)
P( A /B)

P (B)=

0,48
=0,8
0,6

> P ( BC )=1P ( B )=10,8=0,2

4. En una clase hay 12 alumnos y 16 alumnas. El profesor saca a 4 a la pizarra.
Cul es la probabilidad de que todas sean alumnas?
Solucin:
Llamemos A1 = {la primera es alumna}, A2 = {la segunda es alumna}, A3 = {la tercera
es alumna}, A4 = {la cuarta es alumna}, B1 = {el primero es alumno}, B2 = {el segundo
es alumno}, B3 = {el tercero es alumno} y B4 = {el cuarto es alumno}.
=>P(todas alumnas) = P(1 alumna y 2 alumna y 3 alumna y 4 alumna) = P(A1 A2
A3 A4)

> P ( A1 A 2 A 3 A 4 ) =P ( A 1 )P

A2
A
P 3 A2 P( A 4 A 1 A 2 A 3)
A1
A1

( ) (

( 1628 )( 1527 )( 1426 )( 1325 )=0,089

5. Un estudiante hace dos pruebas en un mismo da. La probabilidad de que pase la

primera es 0,6 la probabilidad de que pase la segunda es 0,8 y la de que pase ambas
es 0,5. Se pide:
a) Probabilidad de que pase al menos una prueba.
b) Probabilidad de que no pase ninguna prueba.
SOLUCION
Llamemos A = {pasar primera prueba} y B = {pasar segunda prueba}. Se nos
proporcionan tres probabilidades: P(A) = 06, P(B) = 08 y P(A B) = 05.

P ( A B )=P ( A ) + P ( B )+ P ( A B )=0,6+0,80,5=0,9

a)

C
A B =1P ( A B ) =10,9=0,1
C
C
P ( A B )=P

b)

6. En una muestra de 1.000 personas hay 300 que saben ingls, 100 que saben ruso y
50 ambos idiomas. Con estos datos averigua si son independientes o no los sucesos
saber ingls y saber ruso.
Solucin:
Llamemos A = {saber ingls} y B = {saber ruso}. Entonces :

P ( A )=

300
=0,3
1000

P (B)=

100
=0,1
1000

P( A B=

50
=0,05)
1000

Para que los sucesos Ay B sean independientes se ha de cumplir que:

P ( A B ) =P ( A )P( B) PERO
P ( A )P ( B )=0,30,1=0,03 0,05=P (A B) .As A y B son independientes.
7. Estudiando un determinado colectivo de personas resulta que: 2 de cada 5 son
morenas, y 3 de cada 9 tienen los ojos azules, teniendo el resto los ojos de distinto
color al azul. Calcula las siguientes probabilidades:
a) Que una persona sea morena y tenga los ojos azules.
b) Que una persona sea morena o no tenga los ojos azules
Solucin:
Llamemos M = {ser morena} y A = {tener los ojos azules}. Entonces P(M) = 2/5 y
P(A) = 3/9 = 1/3. Adems ambos sucesos son claramente independientes pues el color
del pelo o de la piel no debe de influir para nada en el color que se tenga de ojos.
a)

b)

P ( M A ) =P ( M )=

( 25 )( 13 )= 152

C
C
C
C
C
P ( M A ) =P ( M ) + P ( A ) P ( M A ) =P ( M ) + P ( A ) P ( M )P ( A )

2
2
2 2 5
2 2 4 12 4
+
= + = =
5 3
3
5 3 15 15 5

8.- Para la sealizacin de emergencia de un hospital se han instalado dos indicadores

que funcionan independientemente. La probabilidad de que el indicador A se accione
durante la avera es de 0,99, mientras que para el indicador B, la probabilidad es de
0,95:
a) Calcula la probabilidad de que durante una avera se accione un solo indicador.
b) Calcula la probabilidad de que durante una avera no se accione ninguno de los dos
indicadores.
Solucin:

a) P [ ( A B ) ( B A
C

) ]=P ( A B C )+ P(B A C )
P ( AB ) + P ( BA )
P ( A )P ( A B ) + P ( B )P ( B A )
P ( A )+ P ( B )2P( A B)
0.99+0,9520,990,951,881=0,059

P ( A ) + P ( B ) P ( A B)
C
b) A B =1P ( A B ) =1
P ( AC BC )=
1( 0,99+0,950,990,95 )=1O ,9995=0,0005

9. Dos profesores comparten un nmero de telfono. De las llamadas que llegan, 2/5
son para el profesor A y 3/5 son para el profesor B. Sus ocupaciones docentes les
alejan de este telfono, de modo que A est fuera el 50% del tiempo y B el 25%.
Calcula la probabilidad de estar presente un profesor cuando le llamen.
Solucin:
Sean A = {llamar al profesor A}, B = {llamar al profesor B}, F = {estar fuera}. El
problema ofrece las siguientes probabilidades: P(A) = 2/5 = 0,4 P(B) = 3/5 = 0,6P(F/A)
= 0,5 y P(F/B) = 0,25. De estas dos ltimas probabilidades se deduce claramente la
probabilidades P( FC/A) = 05 (del tiempo que A est presente) y P( FC/B) = 0,75 (del
tiempo que B est presente).
La probabilidad de estar presente un profesor cuando le llamen se puede representar
as:

P [ ( FC A ) ( F C B ) ]=P ( FC A ) + P ( F C B )
P

FC
FC
P ( A )+ P
P ( B )
A
B

( )

( )

0,50,4+0,750,6=0,65

10. El despertador de Javier no funciona muy bien, pues el 20% de las veces no
suena.

Cuando suena, Javier llega tarde a clase con probabilidad 0,2, pero si no suena, la
probabilidad de que llegue tarde es 0,9. Javier ha llegado tarde a clase, cul es la
probabilidad de que haya sonado el despertador?
Solucin:
Sean los sucesos S = {el despertador de Javier suena} y T = {Javier llega tarde a
clase. Entonces P(S) = 0,8 P(T/S) = 0,2 y P(T/S ) = 0,9.

P ( S T ) 0,16
S
=
=
=0,47
T
0,34
P (T )

()

EJERCICIOS RESUELTOS BAYES

Devore J.(2010). Probabilidad y estadstica para ingeniera y ciencias. (sptima
edicin). Cengage learning. Mxico. Pg 48-49, 54-57
1. En la sala de pediatra de un hospital, el 60% de los pacientes son nias. De
los nios el 35% son menores de 24 meses. El 20% de las nias tienen menos de
24 meses. Un pediatra que ingresa a la sala selecciona un infante al azar.
a. Determine el valor de la probabilidad de que sea menor de 24 meses.
En los ejercicios de teorema de bayes, es importante identificar los sucesos que
forman la poblacin y cul es la caracterstica que tienen en comn dichos sucesos. en
este caso los sucesos sern:
Suceso H: seleccionar una nia.
Suceso V: seleccionar un nio.
Suceso M: infante menor de 24 meses.
En este caso, la poblacin es de los infantes. Y la caracterstica en comn es que sean
menores de 24 meses. Por lo tanto, la probabilidad de seleccionar un infante menor de
24 meses ser:
P(M) = P(H)*P(M/H)+P(V)*P(M/V)
P(M)=0.6*0.2+0.4*0.35
P(M)=0.26
Existe una probabilidad de 0.26 de que el infante escogido al azar por la enfermera
sea menor de 24 meses
b. Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea una
nia.

Primero, hay que reconocer que es una probabilidad condicionada y que la

caracterstica comn de los sucesos condicionantes ya ha ocurrido. Entonces, la
probabilidad de que sea nia una infante menor de 24 meses ser:

P ( H )P( M / H)
P(H/M)= P ( H )P M + P ( V )P( M /V )
H

( )

0.60.2
P(H/M)= 0.60.2+ 0.40.35
P(H/M)=0.12/0.26
P(H/M)=0.46
La probabilidad de que el infante sea nia dado que es menos de 24 meses es de 0.46
2. Un mdico cirujano se especializa en cirugas estticas. Entre sus pacientes,
el 20% se realizan correcciones faciales, un 35% implantes mamarios y el
restante en otras cirugas correctivas. Se sabe adems, que son de gnero
masculino el 25% de los que se realizan correcciones faciales, 15% implantes
mamarios y 40% otras cirugas correctivas. Si se selecciona un paciente al azar,
determine:
a. Determine la probabilidad de que sea de gnero masculino
Se definen los sucesos:
Suceso F: pacientes que se realizan cirugas faciales
Suceso M: pacientes que se realizan implantes mamarios
Suceso O: pacientes que se realizan otras cirugas correctivas
Suceso H: pacientes de gnero masculino
La probabilidad de que sea de gnero masculino se refiere a un problema de
probabilidad total, ya que es el suceso condicionado y las cirugas los condicionantes.
Dicho valor ser:
P(H)=P(F)*P(H/F)+P(M)*P(H/M)+P(O)*P(O/H)
P(H)= 0.2*0.25*0.35*0.15+0.45*0.40
P(H)=0.28
b. Si resulta que es de gnero masculino, determine la probabilidad que se haya
realizado una ciruga de implantes mamarios.

Como el suceso condicionado ha ocurrido entonces se aplica el teorema de bayes,

luego, el valor de la probabilidad ser:

P ( M )P(H / M )
P(M/H)= P ( F )P ( H /F ) + P ( M )P H + P ( O )P(O/ H)
M

( )

0.350.15
P(M/H)= 0.20.25+0.350.15+0.450.40
P(P/M)=0.0525/0.2825 = 0.19
3. Un Doctor dispone de tres equipos electrnicos para realizar ecosonogramas.
El uso que le da a cada equipo es de 25% al primero, 35% el segundo en y 40% el
tercero. Se sabe que los aparatos tienen probabilidades de error de 1%, 2% y 3%
respectivamente. Un paciente busca el resultado de una ecografa y observa que
tiene un error. Determine la probabilidad de que se ha usado el primer aparato.
Se definen los sucesos:
Suceso P: seleccionar el primer aparato
Suceso S: seleccionar el segundo aparato
Suceso T: seleccionar el tercer aparato
Suceso E: seleccionar un resultado con error
Se puede observar que la pregunta es sobre determinar la probabilidad de que un
examen errado sea del primer aparato, es decir, ya ha ocurrido el error. Por lo tanto,
debemos recurrir al teorema de bayes. Claro est, que es necesario de igual forma
obtener la probabilidad de que los aparatos produzcan un resultado errneo, por lo
tanto:

P(P/E)=

P(P)P(E /P)
E
E
P ( P )P
+ P ( S )P
+ P ( T )P( E/T )
P
S

( )

( )

0.250.01
P(P/E)= 0.250.01+0.350.02+0.40.03
P(P/E)= 0.0025/0.0215 = 0.116
Ej. Tomados del Libro de Walpole R., Myers R., Myers D.(1999). Probabilidad y
estadstica para ingenieros. (sexta edicin). pag 48 y49.

4. En cierta planta de montaje, tres mquinas, B1, B2 y B3, montan 30%, 45% y
25% de los productos respectivamente . Se sabe de la experiencia pasada que el
2%, #% y 2% de los productos ensamblados por cada mquina, respectivamente,
tiene defectos. Ahora, suponga que se selecciona de forma aleatoria un
producto terminado Cul es la probabilidad de que est defectuoso?
Considere los eventos siguientes
A: el producto est defectuoso.
B1: El producto est ensamblado por la mquina B1
B2: El producto est ensamblado por la mquina B2
B3: El producto est ensamblado por la mquina B3
Al aplicar la regla de eliminacin, podemos escribir:
P(A)= P(B1)P(A/B1)+P(B2)P(A/B2)+P(B3)P(A/B3)
P(B1)P(A/B1)= (0.3)(0.02)=0.006
P(B2)P(A/B2)=(0.45)(0.03)=0.0135
P(B3)P(A/B3)=(0.25)(0.02)=0.005
P(A)=0.006+0.0135+0.005
P(A)=0.0245
5. Con referencia al ejercicio anterior, si se elige al azar un producto y se
encuentra que es defectuoso Cul es la probabilidad de que est ensamblado
por la mquina B3
Con el uso de la regla de Bayes:

P ( B 3 ) P( A /B 3)
P(B3/A)= P ( B1 ) P A + P ( B 2 ) P A + P ( B 3 ) P( A /B 3)
B1
B2

( )

0.005
P(B3/A)= 0.006+0.0135+0.005
P(B3/A)=0.005/0.0245
P(B3/A)=10/49

( )