Guia - Probabilidad Material

GUA PARA EL EXAMEN DE
ADMISIN A LA MAESTRA DE
ADMINISTRACIN
SEPI-UPIICSA-IPN
PROBABILIDAD
ELABORADA POR
DR. EDUARDO
GUTIRREZ
GONZLEZ
Octubre del 2005
ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ
CONTENIDO
CONTENIDO.........................................................................................................................................................1
1.1 Modelos determinsticos y probabilsticos...............................................................................................4

Ejemplo 1.1 Sobre modelos determinsticos..........................................................................................4
Ejemplo 1.2 Sobre modelos probabilsticos...........................................................................................4
Ejemplo 1.3 Sobre experimentos aleatorios...........................................................................................5
Ejemplo 1.4 Sobre experimentos determinsticos..................................................................................5
Ejemplo 1.5 Sobre espacios muestrales..................................................................................................5
Ejemplos 1.6 Sobre eventos....................................................................................................................6
1.2 Interpretaciones de la probabilidad...........................................................................................................6
1.2.1 Corriente frecuentista........................................................................................................................6
1.2.2 Corriente clasica (a priori).................................................................................................................7
1.2.3 Corriente subjetiva............................................................................................................................8
1.2.4 Corriente bayesiana (a posteriori).....................................................................................................8
1.3 Conceptos fundamentales sobre eventos...................................................................................................8
1.3.1 Relaciones fundamentales entre eventos...........................................................................................9
1.3.2 Operaciones fundamentales entre eventos ......................................................................................10
1.- Unin entre eventos........................................................................................................................10
2.- Interseccin entre eventos ..............................................................................................................10
3.- Diferencia entre eventos.................................................................................................................10
4.- Evento complementario o complemento de un evento...................................................................10
1.4 axiomatizacin de la probabilidad.........................................................................................................10
Ejercicios ..............................................................................................................................................11
TCNICAS DE CONTEO Y PROBABILIDAD......................................................................................................13
2.1.1 Arreglos con repeticin (Reemplazo) .............................................................................................13
2.1.2 Arreglos sin repeticin: Permutaciones..........................................................................................14
2.1.3 Permutaciones con elementos iguales.............................................................................................15
1
GUA PARA EL EXAMEN DE PROBABILIDAD
2.2 Combinaciones.......................................................................................................................................15
2.3 Regla de la suma.....................................................................................................................................16
2.4 Aplicacin de las tcnicas de conteo a la probabilidad ..........................................................................18
Ejercicios...................................................................................................................................................20
3.1 PROBABILIDAD CONDICIONAL......................................................................................................22
3.2 Regla de la multiplicacin de probabilidades................................................................................23
3.2.2 Eempleo de los diagramas de rbol en la probabilidad condicional............................................24
3.3 Eventos independientes..................................................................................................................26
3.4 teorema de bayes............................................................................................................................27
2.- Trace el diagrama de rbol del ejercicio anterior. ..........................................................................29
Ejercicios ..............................................................................................................................................30
VARIABLES ALEATORIAS DISCRETAS.....................................................................................................35
4.1 Variables aleatorias ................................................................................................................................35
4.2 Variables aleatorias discretas..................................................................................................................35
4.2.1 Distribucin de probabilidad...............................................................................................................36
4.4 Valor esperado de una vad......................................................................................................................38
4.4.1 Propiedades del valor esperado de una vad.........................................................................................39
4.5 Variancia de una vad ..............................................................................................................................39
4.5.1 Propiedades de la variancia de una vad...............................................................................................40
Ejercicios de variables aleatorias discretas...........................................................................................41
MODELOS DISCRETOS DE PROBABILIDAD.............................................................................................43
4.6 Modelo binomial .....................................................................................................................................43
4.6.1 Clculo de probabilidades de los modelos binomiales y uso de tablas binomiales.............................44
Uso de tablas binomiales...............................................................................................................................44
Ejercicios 1....................................................................................................................................................46
4.7 Modelo geomtrico..................................................................................................................................46
Ejercicios 2....................................................................................................................................................48
4.8 Modelo hipergeomtrico..........................................................................................................................48
Ejercicios 3....................................................................................................................................................50
2
4.9 Modelo de poisson...................................................................................................................................50

Uso de tablas de poisson................................................................................................................................52
Ejercicios 4....................................................................................................................................................53
Ejercicios de modelos discretos............................................................................................................53
VARIABLES ALEATORIAS CONTINUAS ...................................................................................................56
5.1.1 Funcin de densidad de probabilidad .........................................................................................57
5.1.2 Funcin acumulada de una variable aleatoria continua..............................................................57
5.1.2a Propiedades de una funcin de distribucin acumulada ...........................................................57
5.2 Valor esperado y variancia de una variable aleatoria continua......................................................58
5.2.1 Propiedades del valor esperado de una vac.................................................................................58
5.2.2 Variancia de una variable aleatoria continua..............................................................................59
5.2.3 Propiedades de la variancia de una vac.......................................................................................59
Ejercicios variables aleatorias continuas ..............................................................................................61
MODELOS CONTINUOS DE PROBABILIDAD............................................................................................63
5.3 Modelo exponencial ...............................................................................................................................63
Ejercicios 1 ...........................................................................................................................................65
5.4 Modelo normal .......................................................................................................................................65
5.4.1 Clculo de probabilidades................................................................................................................66
5.4.2 Propiedades de la distribucin normal estndar..............................................................................68
5.4.3 Uso de tablas de la funcin acumulada...........................................................................................68
5.4.4 Uso de tablas porcentuales..............................................................................................................71
Ejercicios 2 ...........................................................................................................................................73
Ejercicios modelos continuos ...............................................................................................................74
Examen de Admisin 1998.................................................................................................................74
Examen de Admisin 2000.................................................................................................................74
Examen de Admisin Marzo del 2005...............................................................................................82
1.1 MODELOS DETERMINSTICOS Y PROBABILSTICOS

Uno de los objetivos del estudio de las Ciencias es desarrollar estructuras conceptuales que permitan
comprender los fenmenos que ocurren en la naturaleza y poder predecir sus efectos que de ellos se
derivan. De la experiencia cientfica se deduce fcilmente que para poder estudiar un fenmeno es
necesaria su imitacin o reproduccin en una cantidad suficiente para que su investigacin sea lo ms
precisa posible. Esta necesidad es lo que da origen a los modelos.
Por modelo, entenderemos a la representacin o reproduccin de los fenmenos. Los modelos
pueden ser de diferentes tipos, para nuestros objetivos nos interesarn modelos de tipo matemtico.
Definicin 1.1 Modelo matemtico
Un Modelo Matemtico es una representacin simblica de un fenmeno cualquiera, realizada
con el fin de estudiarlo mejor. Por ejemplo: fenmenos fsicos, econmicos, sociales, etc.
Los modelos matemticos los podemos clasificar en: determinsticos y probabilsticos.
Definicin 1.2 Modelos determinsticos
Cuando se realiza el modelo matemtico de un fenmeno y en l se pueden manejar los factores
que intervienen en su estudio con el propsito de predecir sus resultados, lo llamaremos Modelo
Determinstico.
EJEMPLO 1.1 Sobre modelos determinsticos
El modelo de una compaa en donde dos productos se elaboran al pasar en forma sucesiva por tres
mquinas. Ah el tiempo por mquina asignado a los dos productos est limitado por una cantidad
determinada de horas por da; igualmente, el tiempo de produccin y la ganancia por captulo de cada
producto se pueden establecer de tal manera que combinando los productos podemos obtener una
ganancia ptima.
En el modelo anterior se puede notar que en l nosotros estamos controlando los
diferentes parmetros que intervienen; por lo tanto, al establecer el modelo matemtico
correspondiente y los valores para los factores podemos predecir su resultado.
Definicin 1.3 Modelo probabilstico o estocstico
A los modelos matemticos de los fenmenos en los cuales no se pueden controlar los factores que
intervienen en su estudio, y adems dichos factores ocurren de manera tal que no es posible
predecir sus resultados, los llamaremos Modelos Probabilsticos.
EJEMPLO 1.2 Sobre modelos probabilsticos
Si deseamos conocer el lugar de cada de un satlite que se sali de su rbita y se dirige a la tierra no
podemos predecir el lugar donde l caer, puesto que no podemos controlar su movimiento; por lo
tanto, slo es posible indicar una regin en donde se cree caer el satlite con un valor numrico que
represente la aseveracin.
Definicin 1.4 Experimento aleatorio o probabilstico

Al proceso por el cual se describen los resultados que no se conocen y no se pueden predecir, lo
llamaremos experimento aleatorio.
EJEMPLO 1.3 Sobre experimentos aleatorios
Observacin de la cantidad de artculos defectuosos en un lote de 50 artculos, en donde existen 9
defectuosos. Se eligen los artculos sin reemplazo y se anotan los resultados hasta obtener el ltimo
defectuoso.
Definicin 1.5 Experimento determinstico
Al proceso por el cual se describen los fenmenos de los que se pueden predecir sus resultados, lo
llamaremos experimento determinstico.
EJEMPLO 1.4 Sobre experimentos determinsticos
La mezcla de sustancias qumicas para la obtencin de algn compuesto.
Al realizar un experimento generalmente se registran sus resultados para obtener las conclusiones
correspondientes al fenmeno en estudio, por lo que surge la necesidad de introducir un concepto
referente al conjunto1 de todos los resultados del experimento.
Definicin 1.6 Espacio muestral
Al conjunto de todos los resultados posibles de un experimento probabilstico lo llamaremos
Espacio Muestral del experimento y lo denotaremos por S. A los elementos de un espacio
muestral los llamaremos puntos muestrales.
EJEMPLO 1.5 Sobre espacios muestrales.
Se realiza el experimento sobre el lanzamiento de una moneda 3 veces y anotan sus resultados
posibles.
En el espacio muestral a representa guila y s cara
S = {sss, ssa, sas, ass, saa, asa, aas, aaa}.

Definicin 1.7 Evento
Dado un experimento aleatorio y su espacio muestral S, se llama evento a un conjunto de
resultados posibles de S. Fcilmente podemos notar que un evento, no es ms que un subconjunto
de un espacio muestral.
Definicin 1.8 Evento simple
Al evento que consta de un slo elemento le llamaremos evento simple.
1
Entendemos por conjunto a una coleccin de objetos bien definida por medio de alguna o algunas propiedades en comn.
Por objeto comprendemos no slo cosas fsicas como discos, computadoras, etc., sino tambin abstractas, como son
nmeros, letras, etc. A los objetos que forman el conjunto, los llamamos elementos del conjunto.
5
EJEMPLOS 1.6 Sobre eventos

Obtenga el evento indicado en los espacios muestrales de los ejemplos anteriores.
Se lanza una moneda 3 veces y se anotan sus resultados posibles. Sea el evento
E: Aparece una sola guila. Representando guila por a y sol por s, el evento ser:
E = {ssa, sas, ass}

1.2 INTERPRETACIONES DE LA PROBABILIDAD
La palabra probabilidad es empleada por el ser humano con demasiada frecuencia; por ejemplo en
expresiones tales como: Es probable que hoy estudie estadstica, El equipo mexicano de ftbol est
jugando mal, y es muy probable que en su siguiente partido pierda, El cielo est bastante despejado;
por lo tanto, no hay muchas posibilidades de que hoy llueva, etc. Como se pudo notar en las
expresiones anteriores, las palabras relacionadas con la probabilidad tienen la caracterstica de basarse
en sucesos que pueden ser verdaderos y que a causa de los hechos observados; resultados preliminares;
tiempo, etc. se puede hablar de la posibilidad de su ocurrencia.
A pesar de los esfuerzos realizados por muchos matemticos para asignar de forma nica la
probabilidad a un suceso todo ha sido en vano puesto que desde los inicios de su estudio hasta nuestros
das, no tenemos una forma nica de asignacin de probabilidades. Con lo que contamos son con
diferentes corrientes de probabilidad, las cuales se aplican para asignar un valor numrico a la
posibilidad de la ocurrencia de algn suceso probabilstico. De hecho, el verdadero significado de la
probabilidad sigue siendo conflictivo; por lo tanto, en lugar de comenzar el curso con una definicin
formal de probabilidad comentaremos sus 4 corrientes ms comunes.
1.2.1 CORRIENTE FRECUENTISTA
En la corriente frecuentista -tal vez una de las ms empleadas-, se asigna un valor de probabilidad a un
evento E, a partir de lo que se considera que ocurrir. Su definicin o interpretacin de la probabilidad
est basada, como su titulo lo indica, en la frecuencia relativa2 con la que se obtendra E, si el
experimento se repite una gran cantidad de veces, en condiciones similares (no idnticas, puesto que
en este caso el proceso no sera aleatorio).
Por ejemplo, se lanza una moneda 3 veces y se cuenta la cantidad de soles que aparecen. Sea el
evento E: Obtencin de dos soles en los tres lanzamientos, la pregunta es cul es la probabilidad de
que ocurra el evento E?
Para responder a la pregunta desde el punto de vista frecuentista, se debe de realizar el
experimento una gran cantidad de veces. Supongamos que el experimento se repite 1000 veces en
condiciones similares y como resultado se obtienen 400 casos con dos soles, en tal situacin, se dira
400
que la probabilidad de que ocurra E, ser:
= 0.4 . Si ahora el experimento se repite 100,000
1000
veces, de las cuales 38,000 resultan con dos soles, diramos que la probabilidad de que ocurra E es:
Frecuencia relativa de un suceso es igual al cociente de la cantidad de veces en que ocurre el suceso entre el total de
veces que se repite el experimento.
38,000
= 0.38 , de esta forma podramos repetir nuestro experimento tantas veces como se quiera y
100,000
obtener una frecuencia relativa para la probabilidad del evento E, pero surge la pregunta porqu
diferentes resultados para un mismo evento?. La respuesta est en la interpretacin de que entendemos
por: repetir el experimento una gran cantidad de veces, qu se entiende por una gran cantidad de
veces? y cul sera dicha cantidad de repeticiones?. Estas condiciones son muy vagas para servir de
base en una definicin cientfica de probabilidad. Aunado a lo anterior en muchos de los fenmenos no
podemos realizar una gran repeticin de estos, por ejemplo:
a).- Para calcular la probabilidad de que el lanzamiento de un cohete resulte exitoso.
Evidentemente, no podemos realizar una gran cantidad de lanzamientos de cohetes, para que
de esta manera se obtenga la probabilidad en forma frecuentista del xito de un lanzamiento.
b).- Para calcular la probabilidad de que Juan Prez se case este ao. En este caso tampoco
podemos realizar una gran cantidad de repeticiones del experimento para indicar el valor
numrico que represente desde el punto de vista de la frecuencia relativa de que Juan Prez se
casar o no este ao.
1.2.2 CORRIENTE CLASICA (A PRIORI)
En la corriente clsica se consideran espacios muestrales uniformes, es decir se asigna probabilidades a
eventos, basndose en resultados equiprobables (igualmente verosmiles). Esto es, los clasistas asignan
la misma probabilidad a cada punto del espacio muestral ( 1 n , en donde n es la cantidad de elementos
del espacio muestral), posteriormente para obtener la probabilidad de la ocurrencia de un evento E, se
suma la cantidad de elementos de E, y se multiplica por la probabilidad de un elemento del espacio
muestral ( 1 n ). Cabe notar que de lo anterior se deduce, que la probabilidad de los puntos muestrales
se establece a priori, es decir, antes de cualquier experimento.
Resolviendo el ejemplo anterior en la forma clsica tendremos, lo siguiente:
Se lanza una moneda equilibrada 3 veces y se anotan los resultados posibles que aparecen, sea el
evento E: Obtencin de dos soles en los tres lanzamientos, la pregunta es cul es la probabilidad de
que ocurra el evento E?
Para responder a la pregunta, desde el punto de vista clasista obtenemos el espacio muestral;
representando guila por a y sol por s, tendremos:
S = {sss, ssa, sas, ass, saa, asa, aas, aaa}.

En estos casos, ssa representa que los primeros 2 lanzamientos resultaron soles y el tercer
lanzamiento guila. Considerando que cada punto del espacio muestral es equiprobable con
probabilidad de ocurrencia 1 8 , tendremos que la probabilidad del evento E (resulten dos soles en los
tres lanzamientos), se resuelve al conocer la cantidad de elementos del evento:
E = {ssa, sas, ass},

como E contiene 3 elementos tenemos que la probabilidad de que ocurra el evento E es:
Probabilidad de E = 3
1
= 0.375 .
8
Algunas de las dificultades por las que atraviesa esta interpretacin de probabilidad son:
7
En primer lugar al hablar de resultados equiprobables (tienen la misma probabilidad), estamos

empleando el concepto que se est definiendo.
En segundo lugar cuando los resultados no son equiprobables.
En tercer lugar no se indica un mtodo para realizar el clculo de las probabilidades.
1.2.3 CORRIENTE SUBJETIVA
En la corriente subjetivista (esta interpretacin de la probabilidad es muy empleada en el estudio de la
Teora de decisiones), se asignan probabilidades a eventos basndose en el conocimiento o experiencia
que cada persona tiene sobre el experimento; por lo tanto, la probabilidad asignada est sujeta al
conocimiento que el cientfico tenga con respecto al fenmeno estudiado. Para un mismo experimento
las probabilidades asignadas por diferentes personas pueden ser distintas.
La interpretacin subjetiva de la probabilidad tiene diferentes dificultades, una de ellas es la
dependencia en el juicio de cada persona al asignarla, adems que tal juicio debe estar completamente
fuera de contradicciones lo que es sumamente difcil por depender de la persona que la asigne.
Podemos mencionar que en la asignacin de probabilidades subjetivas se emplea en muchos
casos el conocimiento frecuentista que se tenga del experimento.
1.2.4 CORRIENTE BAYESIANA (A POSTERIORI)
En la corriente bayesiana se asignan probabilidades a eventos, despus del experimento. Es decir las
probabilidades son del tipo dependiente, esto es basndose en el conocimiento de la ocurrencia de
eventos que estn en dependencia con el evento estudiado. Por ejemplo, en el caso anterior cuando se
lanza una moneda equilibrada, 3 veces y se cuenta la cantidad de soles que aparecen, el evento E
:Obtencin de dos soles en los tres lanzamientos, la pregunta es cul es la probabilidad de que
ocurra el evento E?, si se sabe que el primer lanzamiento result un sol.
Como se puede comprender no se debe comenzar un estudio matemtico de la teora de las
probabilidades si se quiere tener una forma universal de asignacin de probabilidades para los
diferentes eventos. Por lo tanto, es necesario estructurar a la probabilidad sobre una base axiomtica
que le d el formalismo que el lgebra, la Geometra y las otras reas de las matemticas tienen,
esto se puede lograr haciendo uso de la teora de conjuntos aplicada a los eventos, formando lo que se
denomina lgebra de Eventos.
1.3 CONCEPTOS FUNDAMENTALES SOBRE EVENTOS
Notacin de eventos. Al espacio muestral de un experimento lo denotamos por S, y a los eventos por
letras maysculas, como son A, B, C, etc. A los resultados del experimento, que cumplen las
condiciones del evento, se les representa por letras minsculas, como son a, b, etc. Si el resultado a del
experimento realizado pertenece al evento A, esto lo simbolizaremos a A , en caso de que no
pertenezca, se simbolizar por a A . Los eventos tambin se representan por llaves, dentro de las
cuales se escriben sus elementos ( sin repetirlos ), o las propiedades que dichos elementos cumplen.
Definicin 1.9. Eventos finitos.
Si al contar los elementos de un evento resulta una cantidad determinada, entonces dicho evento
se llama finito.
8
Por ejemplo:
1.- A: Es un nmero par, resultado del lanzamiento de un dado, esto es, A = {2, 4, 6} .
2.- A: Al menos se observan 4 soles en 6 lanzamientos de una moneda, esto es, A = {4, 5, 6}.
Definicin 1.10 Evento vaco o no realizable.
El Evento que no contiene ningn elemento, esto es, no existe algn resultado del experimento que
cumpla las condiciones del evento se llama evento vaco.
Por ejemplo.
A: Lanzamiento de un par de dados y que la suma de sus lados sea mayor a 13, esto es
A = { } , el evento A no tiene ningn elemento. La mxima suma de las caras en el lanzamiento
de dos dados es 12. El evento vaco, se suele simbolizar por .
Definicin 1.11 Eventos infinitos
Si al contar los resultados posibles de un evento el proceso de conteo no termina con el tiempo,
entonces el evento se llama infinito.
Por ejemplo:
1.- E: La cantidad de lanzamientos de una moneda hasta obtener la primer guila.
E = {1, 2, 3, 4, 5, K}.
2.- El evento cuyos elementos son todos los puntos del intervalo indicado en donde los extremos son
diferentes, E = (2,7) .
1.3.1 RELACIONES FUNDAMENTALES ENTRE EVENTOS
Definicin 1.13 Igualdad de eventos
Los eventos A y B correspondientes a un mismo experimento son iguales, si cualquier resultado de A
es tambin elemento de B, y viceversa
A = B, si a A, entonces a B y viceversa, b B, entonces b A
Una relacin muy particular entre los eventos consiste en estudiar los casos cuando todos los
elementos de un evento dado estn contenidos en el otro evento.
Definicin 1.14 Subeventos
Sean los eventos A y B correspondientes a un mismo experimento, se dice que A es subevento de
B si cualquier elemento que est en A est en B. Lo anterior se simboliza,
A B . Es decir, A B ; si a A , entonces a B .
Definicin 1.15 eventos mutuamente excluyentes (ver conjuntos ajenos o disjuntos)
Los eventos A y B, correspondientes a un mismo experimento, se llaman mutuamente
excluyentes si no tienen resultados comunes. Esto es: Para cualquier a A , entonces a B ;
igualmente, para todo b B , entonces b A .
Podemos generalizar que el evento vaco con cualquier otro evento es mutuamente excluyente.
9
1.3.2 OPERACIONES FUNDAMENTALES ENTRE EVENTOS

1.- UNIN ENTRE EVENTOS
La unin de los eventos A y B, correspondiente a un mismo experimento, es otro evento formado por
los resultados que pertenecen al evento A o al evento B o a los dos. La unin la simbolizaremos por:
A B (A unin B).
A B = { x x A o x B} la unin de los eventos A y B.
2.- INTERSECCIN ENTRE EVENTOS

La interseccin entre los eventos A y B, correspondientes a un mismo experimento, es otro evento
formado por los elementos que pertenecen a ambos eventos. La interseccin, la simbolizaremos
A B (A interseccin B).
A B = { x x A y x B} la interseccin entre los eventos A y B.
3.- DIFERENCIA ENTRE EVENTOS
La diferencia del evento A menos el evento B, correspondientes a un mismo experimento, es otro
evento formado por los elementos del evento A, que no pertenecen al evento B. La diferencia, la
simbolizaremos A B (A menos B).
A B = { x x A y x B} la diferencia del conjunto A, menos B.
4.- EVENTO COMPLEMENTARIO O COMPLEMENTO DE UN EVENTO
El complemento del evento A, es otro evento formado por los resultados del experimento que
pertenecen al espacio muestral, pero que no pertenezcan al evento A. El complemento del evento A, lo
simbolizaremos, como A c o A (complemento de A)
A c = {x x S y x A} el evento complementario de A.
1.4 AXIOMATIZACIN DE LA PROBABILIDAD

Definicin 1.18 Probabilidad axiomtica
Dado un experimento con espacio muestral S, y una familia de eventos , tal que sus elementos cumplen
con las leyes del lgebra de Eventos, llamaremos Probabilidad axiomtica a la funcin numrica P, cuyo
dominio es y rango el intervalo [0,1] , y es tal que los valores P(E ) para cualquier evento E en ,
cumplen con los siguientes tres axiomas llamados axiomas de Kolmogrov, para familias finitas:
Axioma 1. Para cualquier evento E, de la familia , P( E ) 0 .
Axioma 2. Para el espacio muestral S, P( S ) = 1 .
Axioma 3. Para cualquier sucesin finita (o infinita) de eventos mutuamente excluyentes, de ,
E1 , E 2 , E 3 , K , E n , se cumple:
n
n
P U E k = P( E1 ) + P (E 2 ) + L + P ( E n ) = P (E k ) .
k =1
k =1
10
TEOREMA 1.1
Sea el evento vaco, entonces P () = 0
TEOREMA 1.2
( )
Para cualquier evento E, P E c = 1 P ( E )

TEOREMA 1.3
Para cualquier evento E, 0 P ( E ) 1
TEOREMA 1.4
Si A y B son eventos de un mismo espacio muestral, tales que
P ( A) P ( B )
A B , entonces
TEOREMA 1.5
Para dos eventos cualesquiera A y B de un mismo espacio muestral, se cumple que:
P ( A B ) = P ( A) + P ( B ) P ( A B )
EJEMPLO 1.13
1).- Sean los eventos a y b, correspondientes a un mismo espacio muestral, tales que: P A c = 0.6 ,
( )
( )
P B c = 0.7 y P ( A B ) = 0.2 , calcule P ( A B ) .
Empleando el Teorema 1.2, tenemos
( )
( )
P ( A) = 1 P A c = 1 0.6 = 0.4 y P ( B ) = 1 P B c = 1 0.7 = 0.3 .
Finalmente, del Teorema 1.5 P ( A B ) = P ( A) + P ( B ) P ( A B ) = 0.4 + 0.3 0.2 = 0.5 .

2).- Sean los eventos a y b, correspondientes a un mismo espacio muestral, tales que:
P ( A B ) c = 0.2 , P A c = 0.2 y P ( A B ) = 0.2 , calcule P ( A) y P (B ) .
( )
Empleando el Teorema 1.2,
( )
P ( A) = 1 P A c = 1 0.2 = 0.8 y P ( A B ) = 1 P ( A B ) c = 1 0.2 = 0.8 .

Finalmente, del teorema 1.5
P ( A B ) = P ( A) + P ( B ) P ( A B ), despejando P ( B )
P ( B ) = P ( A B ) P ( A) + P ( A B ) = 0.8 0.8 + 0.2
= 0.2
EJERCICIOS
1).- Cmo se le llama al conjunto de todos los resultados posibles de un experimento estocstico?
2).- Cmo se le llama al conjunto que representa a una parte de todos los resultados posibles (pueden
ser todos los resultados o ninguno) de un experimento estocstico?
3).- Cules son los tipos de corrientes de probabilidad ms comunes?
11
4).- Si un administrador asigna probabilidades a eventos dependiendo de su experiencia para realizar

una toma de decisin, l estara empleando la corriente de probabilidad llamada.
5).- Cuando la probabilidad de ocurrencia de un evento se asigna antes que se realice el experimento se
le llama probabilidad de tipo...
6).- Cundo dos eventos son mutuamente excluyentes?
7).- Enumera las operaciones fundamentales entre eventos.
8).- Sean A y B dos eventos cualesquiera de un mismo espacio muestral. Cules incisos son correctos?
a).- A B A y A B B
d).- A B A y A B B
b).- A B A
e).- A B B
c).- A A B
f).- A c A = S
9).- Describa los tres axiomas de Kolmogrov, para un lgebra finita.
10).- Sean A y B dos eventos cualesquiera de un mismo espacio muestral. Cules incisos son
correctos?
d).- P ( A B ) P ( A)
a).- P ( A B ) = P ( A)
b).- P ( A B ) P ( A)
e).- P ( A c ) = P ( A) 1
c).- P ( A) = 1 P ( A c )
11).- S el evento E est constituido de puros elementos negativos, entonces su probabilidad tendr
que ser negativa? Justifique respuesta.
12).-
En el caso en que A B = , slo puede ocurrir si A y B son....
13).-
A B = slo puede ocurrir si...
14).-
En qu se basa la definicin frecuentista para calcular la probabilidad de un evento?
15).-
Cmo se considera el espacio muestral en la corriente clsica de probabilidad?
16).-
Cmo es la asignacin de probabilidades a los eventos en la corriente subjetiva?
17).-
Por qu a la corriente bayesiana se le conoce tambin con el nombre de a posteriori?
18).- Cules son las dificultades por las que atraviesa la interpretacin clsica, para la asignacin de
probabilidades a los diferentes eventos?
19).- Sean A y B dos eventos cualesquiera de un mismo espacio muestral. Cul inciso es correcto?
a).- A B A y A B B
c).- A B B
b).- A B A
d).- A A B
20).- Sean A y B dos eventos cualesquiera de un mismo espacio muestral. Cul inciso es correcto?
a).- P ( A B ) = P ( A)
c).- P ( A B ) P ( A)
c
b).- P ( A B ) P ( A)
d).- P( A ) = P ( A) 1
21).- Qu corriente de probabilidad ser conveniente emplear para la asignacin de un valor
numrico al suceso de que Miguel Prez se case este ao?
22).- Si A y B son
P( A B ) = P( A) P( B) ?
dos
eventos
mutuamente
excluyentes,
entonces
en
general
12
TCNICAS DE CONTEO Y PROBABILIDAD

Definicin 2.1
Sean A1 , K , Ak k conjuntos diferentes y n1 , n2 , , nk las cantidades respectivas de elementos de

dichos conjuntos, entonces la cantidad de arreglos diferentes que contienen un elemento de cada
conjunto; escribiendo primero los elementos del conjunto 1, seguidos de los del conjunto 2 y as
sucesivamente hasta escribir los del conjunto k, la llamaremos regla generalizada de la
multiplicacin est dada por:
n1 n 2 L n k
EJEMPLO 2.1
Si se tienen 8 libros de Filosofa, 4 de Historia y 7 de Matemticas, todos ellos diferentes, cuntos
arreglos de 3 libros, que contengan un libro de cada tema, se pueden formar con todos los libros
anteriores?, si primero van los libros de Filosofa, seguidos por los de Historia y finalmente los de
Matemticas.
Como se puede escoger de 8 maneras un libro de Filosofa, de 4 maneras uno de Historia y de 7
maneras el de Matemticas, la regla de la multiplicacin, nos indica que el total de arreglos que consten
de tres libros diferentes (uno de cada tema), ser 8 4 7 = 224 .
2.1.1 ARREGLOS CON REPETICIN (REEMPLAZO)
Diremos que los arreglos son con repeticin o reemplazo, cuando despus de elegido un elemento
puede volverse a seleccionar (cada vez que se realice una nueva extraccin). Es decir, si tenemos un
conjunto A con n elementos diferentes y realizamos una extraccin, esto se podr hacer de n formas
diferentes. Si nos condicionamos a colocar el elemento elegido en el conjunto (reemplazarlo), al
realizar una segunda extraccin la podremos realizar otra vez de n formas, y as sucesivamente k veces,
resultando
n142
n L
n = n k arreglos diferentes.
4
43
4
k veces
Definicin 2.2
Sea el conjunto A = {a1 , a2 ,K , a n } con n elementos diferentes, la cantidad de arreglos que
contengan k elementos elegidos con reemplazo del conjunto A estar dada por:
nk
EJEMPLO 2.2
Cuntos nmeros diferentes de placas se pueden formar con los nmeros dgitos y las letras del
alfabeto, si cada nmero de placa consta de 3 letras y 3 dgitos? Supngase que se permite la
repeticin.
Cada letra del arreglo se puede escoger de 26 maneras, ya que se permite la repeticin. Igualmente
cada dgito del arreglo se puede escoger de 10 maneras; por lo tanto, existen
26 26 26 10 10 10 = 263 103 nmeros de placas diferentes.
2.1.2 ARREGLOS SIN REPETICIN: PERMUTACIONES

Diremos que los arreglos son sin repeticin o sin reemplazo, cuando despus de elegido un elemento ya
no puede volver a ser seleccionado. Es decir, si tenemos un conjunto A = {a1 , a2 ,K , a n } con n
elementos diferentes y realizamos una primer extraccin, esto se podr hacer de n formas diferentes.
Sea el elemento elegido a 3 , ste ya no se regresa al conjunto teniendo un conjunto
A2 = {a1 , a 2 , a 4 , a 5 , K , a n1 } con n 1 elementos diferentes, de tal forma que cuando se efecte una
segunda extraccin la podremos realizar slo de n 1 formas, y as sucesivamente hasta el k simo
conjunto el cual contendr (n (k 1)) elementos diferentes para elegir uno y por la regla de la
multiplicacin la cantidad de arreglos diferentes que se puedan formar con los k conjuntos estar dada
n ( n 1) ( n 2) L(n ( k 1) ) arreglos diferentes.
144444424444443
k elementos
Definicin 2.3
Sea el conjunto A = {a1 , a2 ,K , a n } con n elementos diferentes, la cantidad de arreglos ordenados
que contengan k elementos elegidos sin reemplazo del conjunto A estar dada por el nmero
resultante de:
n (n 1) (n 2) L (n (k 1))
EJEMPLO 2.3
Cuntos nmeros diferentes de placas se pueden formar con los nmeros dgitos y las letras del
alfabeto, si cada nmero de placa consta de 3 letras y 3 dgitos? Supngase que no se permite la
repeticin.
La primer letra se puede elegir de 26 maneras, la segunda de las 25 restantes y la tercer letra de las
24 sobrantes, en el caso de los nmeros dgitos se escogern, el primero de 10 maneras, el segundo
de 9 y el tercero de 8, finalmente por la definicin 3.4 y la regla de la multiplicacin se tiene que la
cantidad de arreglos es (26 25 24) (10 9 8) = 11232000 .
Definicin 2.5 Factorial de un nmero.
El factorial de un nmero n N se define como el producto sucesivo 1 2 L n . y se
simboliza por n! .
NOTA:
0! = 1
Definicin 2.4
Llamaremos Permutacin de k elementos escogidos de un total n (todos diferentes) a:
Pkn =
n!
, 0 k n.
(n k )!
La cual representa la cantidad total de arreglos ordenados de tamao k, que se pueden formar con
n elementos diferentes cuando no se permite la repeticin
14
2.1.3 PERMUTACIONES CON ELEMENTOS IGUALES

En los casos en que se quiere formar arreglos con todos los elementos de un conjunto entre los cuales
existen algunos que son iguales, tenemos lo siguiente.
De forma general cuando se tienen n1 elementos iguales, n2 elementos iguales, y nm
elementos iguales, tales que: n1 + n2 +L+ nm = n , resultar la cantidad total de ordenamientos
diferentes, considerando todos los n elementos por ordenamiento:
n!
; con n1 + n2 +L+ nm = n
Pnn1n2Knm =
n1!n2 !L nm !
(1)
EJEMPLOS 2.4
1.- Se tiene 4 computadoras Acer de aspecto semejante, 3 computadoras Digital tambin de
aspecto semejante y 3 computadoras Compaq igualmente de aspecto semejante, en cuntas maneras
diferentes se pueden ordenar en lnea recta todas las computadoras?
Como se tiene en total 10 computadoras, de las cuales existen 4, 3 y 3 de aspecto semejante, de la
expresin 1, se tendr:
10!
= 4200 total de arreglos diferentes.
4!3! 3!
2.- Cuntas permutaciones diferentes, se pueden formar con todas las letras de la palabra Guanajuato?
El problema es del caso en el que existen elementos iguales, se tienen 3 a, 2 u y una letra g,
n, j, t y o. Empleando la expresin 1, tendremos que el total de arreglos es:
10!
= 302400 permutaciones diferentes
3! 2!1!1!1!1!1!
2.2 COMBINACIONES
Definicin 2.5
Dado un conjunto con n elementos diferentes, llamaremos combinacin a cualquier subconjunto
no ordenado de tamao k. Denotaremos al nmero de combinaciones de tamao k que se pueden
formar con los n elementos por: C kn , 0 k n . En donde C kn =
n!
k! (n k )!
, 0 k n
(2)
NOTAS
1.- Una diferencia fundamental entre las permutaciones y las combinaciones consiste en que el orden
de los elementos de los grupos escogidos en estas ltimas no importa, slo se considera su cantidad
de elementos en el grupo, mientras que en las permutaciones el orden entre sus elementos es
fundamental.
Permutaciones ab ba.
15
Combinaciones
{a ,b} = {b, a} .
2.- En muchas literaturas para la notacin de combinatoria, tambin suele usarse alguna de las
siguientes: n y nCk , esta ltima se emplea en las calculadoras, junto con la de nPk para las
k
permutaciones.
EJEMPLO 2.5
Cuntos grupos de 2 elementos se puede formar de un conjunto que contiene 5 elementos?.
Como en estos casos no importa el orden entre los elementos de los arreglos de la expresin (2),
5!
tendremos que C 25 =
= 10 , es el total de grupos diferentes que consten de dos elementos cada
2!(5 2 )!
uno. Por ejemplo, si el conjunto es {a , b , c, d , e,} , los grupos de 2 elementos son:
{a ,b} ,{a , c} ,{a , d},{a , e} ,{b, c},{b, d} ,{b, e} ,{c, d} ,{c, e},{d , e} .
2.3 REGLA DE LA SUMA
Definicin 2.6
Sean A , A ,, Am diferentes tipos de arreglos que pueden ocurrir de las siguientes
formas n , n ,,nm respectivamente, entonces el total de arreglos de todos los m
tipos ocurrirn de:
1
n1 + n2 +L+ nm
formas y se le llamar regla de la suma.

NOTA
La aplicacin de la regla de la suma por lo general se realiza cuando aparecen en el enunciado del
problema las frases: a lo ms, al menos, por lo menos, menos que, menos que, etc.
EJEMPLO 2.6
Se va a seleccionar un comit de 5 personas a partir de un grupo de 20, de los cuales 3 son hermanos
de cuntas maneras se puede formar el comit, si por lo menos dos de los hermanos estarn en el
comit?
Como en el problema se pide que al menos dos de los tres hermanos estn en el comit, se tiene
que existen dos tipos de arreglos.
Un tipo de estos arreglos, ser cuando se tengan dos hermanos en el comit, lo que podr ocurrir de la
siguiente manera (notar que el orden en este problema no es importante, ya que slo interesa que en el
comit existan 5 personas). Puesto que se requieren cinco personas en el comit y dos de ellas deben
de elegirse de los tres hermanos, tenemos por la regla de la multiplicacin, que esto podr ocurrir de:
C23 C317 maneras,
en donde C23 representa la cantidad de maneras de escoger dos de los tres hermanos, mientras que C317
representa la cantidad de maneras de escoger a las otras tres personas de los 17 restantes.
16
El segundo tipo de arreglos, es cuando en el comit se elijan los tres hermanos, lo cual puede ocurrir
de:
C33 C217 maneras,
en donde C33 representa la cantidad de maneras de escoger tres de los tres hermanos, mientras que C217
representa la cantidad de maneras de escoger a las otras dos personas de los 17 restantes.
Finalmente, por la regla de la suma, tenemos que el total de maneras en que pueden ocurrir los
dos tipos de arreglos es:
C23 C317 + C33 C217 = 3680 + 1136 = 2176.
EJEMPLOS 2.7
1.- Una prueba de falso y verdadero est formada de 14 preguntas de las cuales 8 son verdaderas y las
dems falsas cuntos arreglos de 14 respuestas se pueden dar, si se contestan todas las preguntas?
Observemos que el problema se refiere a los casos en que existen elementos iguales (ya que si dos
o ms respuestas son verdaderas no se distingue entre ellas). Por lo tanto, de la frmula (1),
tendremos que la cantidad de arreglos posibles est dada por:
P814
,6 =
14!
= 3003 maneras de contestar el examen.
8!6!
2.- En una fbrica se distribuyen 15 aparatos electrnicos en tres lneas diferentes, con 5 aparatos en
cada lnea. Si dos de los aparatos resultaron defectuosos, de cuntas maneras se pueden distribuir los
aparatos en las cinco lneas, cuando
a).- los dos defectuosos quedan en la lnea uno?
b).- los dos defectuosos quedan en una misma lnea?
Solucin: En este problema, el orden entre los aparatos no importa, slo nos interesa que existan 5 en
cada lnea.
a).- Se tiene que de los cinco aparatos de la lnea uno, dos son defectuosos, por lo que podemos
escoger C22 defectuosos y C313 buenos para la lnea uno, mientras que para la lnea dos se escogern los
5 de los 10 buenos restantes. Finalmente los 5 de la lnea 3 se escogern de los 5 buenos restantes, lo
cual se puede representar de la siguiente forma:
C22 C313
C510
C55
= C22 C313 C510 C55 = 72072
b).- Ahora se pide que los dos aparatos defectuosos se localicen en una misma lnea, la cual puede ser
la primera, la segunda o la tercera. Cada tipo de arreglo tendr la misma cantidad de casos, por lo cual
es necesario resolver slo uno. Por ejemplo, en la primer lnea (inciso a) y despus multiplicarlo por la
cantidad de casos a ocurrir C13 = 3 . Basndose en lo anterior, se tendr 372072 = 216216, maneras
de distribuir los 15 aparatos.
17
2.4 APLICACIN DE LAS TCNICAS DE CONTEO A LA PROBABILIDAD

Slo se considerarn espacios muestrales finitos; por lo tanto, simbolizamos por ( S ) 0 , a la
cantidad de elementos del espacio muestral y por (E ) la cantidad de elementos de algn evento E.
Al considerar que los elementos del espacio muestral son equiprobables, la probabilidad de uno
1
y, por la definicin clsica de probabilidad tendremos la probabilidad del
cualesquiera de ellos es
(S )
evento igual a:
(E)
. con ( S ) 0 y E S .
P( E ) =
(S )
En los ejemplos siguientes el procedimiento de solucin consiste en lo siguiente:
Primero. Definimos al experimento del que se habla en el problema.
Segundo. Se encuentra el espacio muestral del experimento.
Tercero. Se define y encuentra al evento correspondiente.
Finalmente se aplica la definicin clsica de probabilidad.

EJEMPLOS 2.8
1.- Una urna contiene 13 bolas numeradas del 1 al 13, de las cuales 3 son rojas, 4 blancas y 6 azules;
todas idnticas en forma y tamao. Se selecciona al azar 2 bolas de la urna. Calcule la probabilidad
de que exactamente una de ellas sea roja, si se extraen
a).- una tras otra sin reemplazo.
El experimento consiste en: La extraccin de dos de las 13 bolas, una tras otra sin reemplazo.
Por lo tanto, el espacio muestral S tendr ( S ) = 13 12 = 156 elementos.
Por otro lado, el evento E se define como: Los resultados del experimento en los que una, y slo
una, de las dos bolas es roja.
Lo anterior puede ocurrir en dos casos: Primero cuando la primer bola extrada es roja y la
segunda no lo es 3 10 = 30 opciones; y el segundo caso cuando la primera no es roja y la segunda s
lo es 10 3 = 30 opciones. Por lo tanto, ( E ) = 30 + 30 = 60 , y la probabilidad ser:
( E ) 60
=
= 0.3846 .
P( E ) =
( S ) 156
b).- Las dos a la vez.
El experimento consiste en: La extraccin de dos, de las 13 bolas a la vez.
Por lo tanto, el espacio muestral S tendr ( S ) = C 213 = 78 elementos.
Por otro lado, el evento E se definir como: Los resultados del experimento en los que una, y
slo una de las dos bolas es roja. Lo anterior ocurre de ( E ) = C13 C110 = 30 maneras, y la
probabilidad es:
18
P( E ) =
( E ) 30
=
= 0.3846 .
( S ) 78
c).- Con reemplazo.

El experimento consiste en: La extraccin de dos de las 13 bolas una tras otra, con reemplazo.
Por lo tanto, el espacio muestral S tendr ( S ) = 13 13 = 169 elementos.
Por otro lado, el evento E se define as: Los resultados del experimento en los que una, y slo
una, de las dos bolas es roja.
Lo anterior puede ocurrir, en dos casos: el primero ocurre cuando la primer bola extrada es roja
y la segunda no lo es, 3 10 = 30 opciones, y el segundo caso es cuando la primera no es roja y la
segunda s es roja, 10 3 = 30 opciones. Por lo tanto, ( E ) = 30 + 30 = 60 , y la probabilidad ser:
P( E ) =
( E ) 60
=
= 0.3550
( S ) 169
2.- Si se sientan en lnea recta 7 hombres y 4 mujeres, en forma aleatoria. Calcule la probabilidad de
que:
a).- todas las mujeres se sienten en los primeros 4 lugares?
b).- todas las mujeres deben sentarse siempre en lugares contiguos?
Solucin: Notemos que en este problema, s importa el orden.
El experimento lo definiremos como: La manera en que pueden sentarse 11 personas en lnea
recta.
Por lo tanto, el espacio muestral S tendr ( S ) = 11! puntos muestrales.
a).- Vamos a definir al evento E: Las mujeres deben sentarse primero.
Debido a que las mujeres solas pueden sentar de 4321 = 4! = 24 formas diferentes, mientras que
los hombres se pueden sentar de 7! = 5040 formas. Por la regla de la multiplicacin, tenemos que el
total de arreglos cuando las mujeres se sentarn primero es:
(E ) = 4!7! = 245040 = 120960,

de donde,
P( E ) =
( E ) 4!7!
120,960
=
=
= 0.0030
39,916,800
( S ) 11!
b).- En este caso el evento E: Las mujeres deben sentarse siempre juntas.
Se tendrn diferentes tipos de arreglos, uno cuando estn las mujeres en primer lugar, otro en
segundo, en tercero, etc. hasta el octavo lugar, y todos van a tener la misma cantidad de maneras de
acomodarlos; por lo tanto, empleando el resultado del inciso a, tendremos que el total de arreglos
cuando las mujeres van siempre juntas est dado por:
(E ) = 4!7!8 = 967680.
de donde: P( E ) =
( E ) 4!8!
967,680
=
=
= 0.0242
39,916,800
( S ) 11!
19
EJERCICIOS
1).- Cul es el nombre que se le da a los arreglos en donde el orden entre sus elementos no es de
importancia?
2).- Qu diferencia existe entre arreglos con elementos iguales y arreglos con repeticin?
3).- Qu relacin existe entre una permutacin sin repeticin y una combinacin?
4).- En qu consiste la principal diferencia entre una permutacin y una combinacin?
5).- El administrador de una red de 3 salas tiene en su poder 20 pelculas diferentes con clasificaciones
A (6 pelculas), B (4 pelculas) y C (10 pelculas), para proyectar en los siguientes 10 das. Si por
polticas de la administracin en un periodo de 10 das se proyectan 2 pelculas diferentes en cada
sala, y el administrador hace la programacin al azar. Cul es la probabilidad de que la asignacin
de las dos pelculas en la sala uno sean del tipo A, la asignacin de las dos pelculas en la sala 2
sean del tipo B y finalmente las dos pelculas en la sala 3 sean del tipo C?
6).- Considere todas las letras de la palabra Administracin. Calcule la cantidad de arreglos
diferentes que se pueden formar considerando todas las letras al mismo tiempo.
7).- Una persona, que no sabe leer absolutamente nada, acomoda en lnea recta en un estante de una
tienda de libros de viejos, en la calle Donceles, 6 libros de Filosofa, 4 de Qumica y 8 libros de
Historia (todos ellos diferentes). En cuntas formas se pueden acomodar los libros si los de
Filosofa deben de ir juntos?
8).- Se dispone de un grupo de doce problemas, para realizar de tarea.
a).- De cuntas maneras diferentes se puede asignar la tarea si consta de cinco problemas?
b).- Si se tiene 2 problemas ms difcil que los dems, cuntas veces se incluirn los 2 problemas
ms difciles en la tarea?
9).- Un experimento consiste en lanzar dos dados, utilice los teoremas combinatorios para determinar el
nmero de puntos muestrales y asigne probabilidades a los puntos muestrales y encuentre la
probabilidad de que la suma de los nmeros que aparecen en los dados sea igual a 9.
10).- Para presentar un examen de Fsica, el profesor les da a sus alumnos de antemano 60 preguntas
diferentes; las cuales el da del examen colocar en una urna y el estudiante deber elegir
aleatoriamente 3 preguntas, sin reemplazo. Supngase que el primer estudiante que va a elegir slo
se preparo en 50 de las preguntas (las cuales puede contestar sin equivocacin), mientras que de las
otras 10 no sabe absolutamente nada (si le toca una de ellas la dejara en blanco). El estudiante
aprobar el examen si contesta bien al menos dos de las tres preguntas. Calcule la probabilidad de
que en dichas condiciones el estudiante apruebe el examen.
11).- En un componente electrnico existen 20 placas de tres tipos diferentes (8 del tipo I, 5 del tipo
II y 7 del tipo III). Se seleccionan al azar 5 placas para inspeccionarlas. Encuentre la probabilidad
de:
a).- Que las 5 placas sean del mismo tipo.
b).- Que dos sean del tipo I; una del tipo II y 2 del tipo III.
12).- Un productor tiene almacenados nueve motores diferentes; dos de los cuales fueron
suministrados por un proveedor en particular. Se deben de distribuir los motores en tres lneas de
produccin, con tres motores en cada lnea. Si la asignacin de los motores es aleatoria, encuentre
la probabilidad de que los dos motores del proveedor queden en una misma lnea.
20
13).- En un centro comercial quedan 10 carros de control remoto para la venta, entre los cuales
existen 4 defectuosos. Si el seor Jaime Lpez entra a la tienda para comprar dos de tales carros
para sus hijos, Juan y Carlos. Calcule la probabilidad de que al menos uno de los carros elegidos
sea defectuoso.
14).- En una tienda se tienen 40 refrigeradores de los cuales 35 son buenos y 5 defectuosos.
Encuentre la probabilidad de que en los siguientes 4 pedidos que se vendan, se encuentren dos
defectuosos.
15).- Un juego consiste en elegir 6 nmeros sin repeticin de 47 posibles (Melate). La persona que
halla elegido con anterioridad al sorteo los 6 nmeros resultantes correctos, ganar el juego.
Calcule la probabilidad de que 3 de los 6 nmeros elegidos por una persona coincida con los 6
nmeros resultantes del sorteo.
16).- El alumno Armando Gonzlez se ha preparado en 25 temas, de un total de 35, para un examen,
en el cual se les entregar una ficha con 5 temas al azar de la lista de 35. Si el alumno deber
contestar correctamente al menos 3 temas de los 5 para pasar, calcule la probabilidad de que
Armando Gonzlez apruebe el examen.
17).- Cul es la probabilidad de que el portero de un cine s niegue dejar entrar a 2 menores de edad
(ya que se exhibe una pelcula slo para adultos), al revisar las identificaciones de 4 personas de
entre un grupo de 8, de los cuales tres no son mayores de edad?.
18).- Considere todas las letras de la palabra Estadstica. Calcule la cantidad de arreglos diferentes
que se pueden formar considerando todas las letras al mismo tiempo (ignorando la acentuacin).
19).- Un examen de lgebra Lineal en la UPIICSA est formado por tres temas. El tema A contiene
6 preguntas, el tema B, 4 preguntas y el tema C, 8 preguntas. Se debe contestar 5 preguntas. De
cuntas maneras diferentes puede elegir sus preguntas un estudiante, si a lo ms debe de elegir 2
preguntas del tema C?
20).- En un grupo de 30 personas se tiene 4 con apellido Gmez. Si se elige un equipo de 3 personas
representante del grupo. De cuntas formas diferentes se puede realizar la eleccin de tal manera
que al menos una de las personas elegidas tenga el apellido Gmez?
21).- En una tienda se tiene 30 artculos de los cuales 20 son buenos y 10 defectuosos. Se
seleccionan 8 artculos, de cuntas maneras se llevar a cabo la eleccin de tal forma que a lo ms
2 sean defectuosos?
21
3.1 PROBABILIDAD CONDICIONAL

Definicin 3.1
Dados dos eventos A y B llamaremos probabilidad condicional del evento A dado que sucedi B
a:
P( A B)
, con P ( B ) > 0
P( A | B) =
P( B)
EJEMPLOS 3.1
1.- Dados los eventos A y B (dentro de un mismo espacio muestral S), tales que P ( A) = 0.6 ,
P ( B ) = 0.4 y P ( A B ) = 0.1 . Calcule la P ( A | B ) .
De la frmula 1, tenemos que: P( A | B) =
0 .1
= 0.25 .
0 .4
2.- Supngase que en un lote de 50 automviles VW se repartirn aleatoriamente 20 para el mercado

interno y 30 para el de exportacin. Diez de los automviles de exportacin son de color blanco, y
los otros 20 de color azul. Mientras que la mitad de los automviles del mercado interno son de
color blanco y la otra mitad azul. Si el gerente elige aleatoriamente un automvil de color blanco
cul es la probabilidad de que dicho automvil sea de exportacin?
Este tipo de problemas se resuelve fcilmente empleando una tabla para representar los datos.
Mercado interno, I
Mercado externo, E
Totales
Blanco, B
10
10
20
Azul, A
10
20
30
Totales
20
30
50
Puesto que nos restringimos a la eleccin de un automvil blanco la probabilidad de que el

automvil elegido sea de exportacin es de tipo condicional.
Representemos por I, los automviles del mercado interno, por E los del externo, por B los de
color blanco, y finalmente por A los de color azul. Notamos que el espacio muestral en este caso
consta de 50 elementos. Por tanto:
La probabilidad de elegir un automvil blanco es: P ( B ) =
( B ) 20
=
= 0.40 , mientras que la
( S ) 50
probabilidad de elegir un automvil blanco y de exportacin es:

P( E B) =
Luego P ( E | B ) =
( E B) 10
=
= 0.20 .
(S )
50
P ( E B ) 0.20
=
= 0. 5 .
0.40
P( B)
22
3.2 REGLA DE LA MULTIPLICACIN DE PROBABILIDADES

Al calcular la probabilidad de la interseccin de dos eventos A y B cuando conocemos la probabilidad
de uno de ellos y la probabilidad del otro condicionado al primero se puede emplear la formula 1, para
realizar el clculo, por medio de una regla a la que llamaremos Regla de la multiplicacin de
Probabilidades.
P( A B) = P( B) P( A | B) ,
(2)
tambin de forma equivalente a partir de P ( B | A) , se obtiene:

P ( A B ) = P ( A) P ( B | A) .
(3)
A las frmulas anteriores, se les conoce como Regla de la multiplicacin de probabilidades.

EJEMPLO 3.2
En una urna se tienen 13 bolas numeradas del 1 al 13 de las cuales 5 son rojas y 8 blancas todas
idnticas en forma y tamao. Se seleccionan al azar 2 bolas una tras otra sin reemplazo. Calcule la
probabilidad de que las dos bolas extradas sean blancas.
Primero simbolicemos por
A: La primer bola extrada es blanca
B: La segunda bola extrada es blanca.
Como originalmente en la urna existen 13 bolas, de las cuales 8 son blancas, tenemos P ( A) =
8
.
13
Cuando calculamos la probabilidad del evento B nos restringimos a la extraccin de una bola
blanca quedando en la urna 12 bolas de las cuales 7 son blancas. Se tiene entonces que la probabilidad
7
de extraer una segunda bola blanca es P ( B | A) = .
12
Finalmente, con las probabilidades calculadas, y empleando la expresin 3, se obtiene:
P( A B) = P( A) P( B | A) =
8 7
56
=
= 0.3590 .
13 12 156
La regla de la multiplicacin para tres eventos.

P ( A B C ) = P( A ( B C ) ) = P ( B C ) P ( A | B C ) =
= P(C ) P( B | C ) P( A | B C )
En su forma general la regla de multiplicacin de Probabilidades para n eventos estar dada por
la expresin:
P ( A1 A2 K An ) = P( A1 )P( A2 | A1 )P ( A3 | A1 A2 )L P( An | A1 A2 K An1 )
23
3.2.2 EMPLEO DE LOS DIAGRAMAS DE RBOL EN LA PROBABILIDAD CONDICIONAL
El rbol lo comenzaremos trazando desde un punto que llamaremos vrtice las diferentes
ramas, llamadas caminos o aristas; cada una de ellas llega a otro vrtice y de igual forma desde ese
punto pueden trazarse otras aristas y as sucesivamente hasta terminar con todos los caminos
posibles.
En la teora de las probabilidades siempre debe cumplirse que la suma de todas las probabilidades
de los diferentes caminos de cualquier vrtice sea igual a 1.
La probabilidad de una rama cualquiera se obtiene multiplicando las probabilidades de los
caminos descendentes, esto se hace a partir del vrtice de la ltima arista y hasta llegar al vrtice
inicial.
Es importante hacer notar que las probabilidades de los caminos ascendentes son probabilidades
condicionales; puesto que estn restringidas a que sucedan los eventos de las aristas por las que est
dirigido el camino.
EJEMPLO 3.3
Una bolsa contiene 5 pelotas blancas y 3 negras, una segunda bolsa contiene 3 blancas y 6 negras,
finalmente una tercer bolsa contiene 8 pelotas blancas y 3 negras, todas las pelotas son de igual forma y
tamao. Se saca una pelota aleatoriamente de la primer bolsa y se coloca sin verla en la segunda,
posteriormente de sta se saca una pelota y se coloca en la tercera. Cul es la probabilidad de que una
pelota que se saque bajo estas condiciones de la tercer bolsa sea negra? Resuelva por diagramas de
rbol, pero escriba en forma simblica las probabilidades encontradas.
Primero vamos a hacer un diagrama que nos represente las diferentes acciones que pueden
ocurrir al sacar e introducir pelotas de una urna a otra. Posteriormente comenzamos con la asignacin
de probabilidades a las diferentes ramificaciones del diagrama de rbol ya elaborado. Ver figura
siguiente.
Explicacin:
3er. bolsa
Si sacamos una pelota blanca de la primer bolsa y se
2da. bolsa (8+1)b
coloca en la segunda tendremos, en sta, 3 + 1 = 4 pelotas
blancas
y 6 negras.
1er. bolsa (3+1)b
3n
En caso de que la pelota de la primer bolsa sea negra
8b
5b
en la segunda bolsa tendremos 3 blancas y 6 + 1 = 7
(3+1)n
6n
negras.
(8+1)b
Finalmente, si de la segunda bolsa se extrae una
3b
3n
3n
pelota blanca al colocarla en la tercer bolsa tendremos
8b
8 + 1 = 9 blancas y 3 negras, en caso contrario sern
(6+1)n
(3+1)n
3 + 1 = 4 negras y 8 blancas.
Simbolizando por Bk al evento.
La pelota
extrada de la bolsa k es blanca.

De igual forma por N k al evento: La pelota extrada de la bolsa k es negra.
En el siguiente diagrama mostraremos las probabilidades correspondientes:
24
P( B3 | B2 B1 ) =
P( B2 | B1 ) =
P( B1 ) =
P( N1 ) =
5
8
4
10
3
12
8
P( B3 | N 2 B1 ) =
12
P( N3 | B2 B1 ) =
P( N 2 | B1 ) =
6
10
3
8
P( B2 | N1 ) =
P( N 2 | N1 ) =
7
10
9
12
3
10
P( N3 | N 2 B1 ) =
4
12
P( B3 | B2 N1 ) =
9
12
P( N3 | B2 N1 ) =
3
12
P( B3 | N 2 N1 ) =
8
12
P( N3 | N 2 N1 ) =
4
12
Segn el diagrama anterior resultan las siguientes probabilidades:

Para la bolsa 1: P( B1 ) =
5
3
y P( N1 ) = .
8
8
Despus de ocurrida la extraccin de la bolsa 1, tenemos las probabilidades condicionales para la

bolsa 2:
En el caso de la primera ramificacin en la primera bolsa:
P( B2 | B1 ) =
4 2
=
10 5
o P( N 2 | B1 ) =
6 3
= .
10 5
Para el caso de la segunda ramificacin en la primera bolsa:

3
7
P( B2 | N1 ) =
o P( N 2 | N1 ) = .
10
10
Finalmente despus de ocurridas las extracciones de las bolsas 1 y 2, tenemos las probabilidades
condicionales para la bolsa 3:
En el caso de la primera ramificacin en la segunda bolsa:
P( B3 | B2 B1 ) =
9 3
3 1
=
o P( N3 | B2 B1 ) =
= .
12 4
12 4
En el caso de la segunda ramificacin en la segunda bolsa:
25
P( B3 | N 2 B1 ) =
8 2
4 1
=
o P( N3 | N 2 B1 ) =
= .
12 3
12 3
En el caso de la tercer ramificacin en la segunda bolsa:

P( B3 | B2 N1 ) =
9 3
3 1
=
o P( N3 | B2 N1 ) =
= .
12 4
12 4
En el caso de la cuarta ramificacin en la segunda bolsa:

P( B3 | N 2 N1 ) =
8 2
4 1
=
o P( N3 | N 2 N1 ) =
= .
12 3
12 3
De los resultados anteriores fcilmente se calculan las probabilidades de que la bola extrada de
la tercera urna sea negra. Para tal efecto tenemos 4 casos, tal y como se muestra a continuacin:
P( N3 | B1 B2 ) P( B2 | B1 ) P( B1 ) =
3 4 5 1
=
.
12 10 8 16
P( N3 | B1 N 2 ) P( N 2 | B1 ) P( B1 ) =
4 6 5 1
= .
12 10 8 8
P( N3 | N1 B2 ) P( B2 | N1 ) P( N1 ) =
3 3 3
9
=
.
12 10 8 320
P( N3 | N1 N 2 ) P( N 2 | N1 ) P( N1 ) =
4 7 3 7
=
.
12 10 8 80
Finalmente por el principio de la suma resultar P( N3 ) =
1 1
9
7
97
+ +
+
=
= 0.303125 .
16 8 320 80 320
3.3 EVENTOS INDEPENDIENTES

Definicin 3.2
Dos eventos A y B son independientes, si y slo si P ( A B ) = P ( A) P ( B ) .
(5)
OBSERVACIN
Del ejemplo anterior podemos concluir que los ejercicios en donde se realicen elecciones, las
condiciones con o sin reemplazo influyen en los eventos para que sean independientes o dependientes.
Con reemplazo independencia
Sin reemplazo dependencia
TEOREMA 3.1
Si S es un espacio muestral, A y B eventos independientes en S, entonces las parejas
siguientes, tambin son independientes A y B c ; A c y B ; A c y B c .
26
EJEMPLO 3.4
En una urna se tienen 13 bolas numeradas del 1 al 13 de las cuales 5 bolas son rojas y 8 blancas, todas
idnticas en forma y tamao. Se seleccionan al azar 2 bolas de la urna, una tras otra con reemplazo.
Calcule la probabilidad de que las dos bolas extradas sean blancas.
Primero simbolicemos por
A: La primer bola extrada es blanca
B: La segunda bola extrada es blanca
Como originalmente en la urna existen 13 bolas, de las cuales 8 son blancas. Considerando que
el experimento consiste en extraer dos bolas una tras otra con reemplazo, tenemos que el espacio
muestral S tiene ( S ) = 13 13 = 169 elementos.
Por otro lado, el evento A B : Ambas bolas blancas, tiene ( A B ) = 8 8 = 64 elementos, y
( A B) 64
por tanto, P( A B) =
.
=
(S )
169
Vamos a calcular las probabilidades de A y de B y comprobaremos que estos eventos
son independientes.
Para el evento A tenemos 13 bolas de las cuales 8 son blancas; por lo tanto: P ( A) =
8
.
13
Despus de esto volvemos a colocar la bola en la urna quedando 8 blancas y 5 rojas, de tal forma
8
que al sacar otra vez una bola la probabilidad del evento B es: P ( B ) = .
13
Fcilmente se comprueba que los eventos son independientes puesto que:
P( A B) = P ( A) P ( B ) =
8 8
64
.
=
13 13 169
3.4 TEOREMA DE BAYES

Veamos ahora como se resolveran ciertos problemas en donde se conoce el espacio muestral y una
particin de ste. Adems de que se tiene conocimientos con respecto a las probabilidades de los
eventos de la particin y se quiera calcular la probabilidad de algn otro evento del espacio muestral.
Pero antes de continuar recordemos el concepto de particin de un espacio muestral.
Pues bien sea S un espacio muestral, se dice que los eventos E1 , E 2 , K , E n forman una particin
de S, si cumplen con lo siguiente:
a) P ( E k ) 0 , para toda k = 1, 2, K , n .
b)
c)
S = U Ek .
k =1
Para cualesquier par de eventos E y E , con i j , de la particin se cumple E E = .

i
27
EJEMPLOS 3.5
1.- Sea el experimento Lanzamiento de dos monedas, y anotemos las combinaciones de resultados
posibles, S = {ss, sa, as, aa} (denotando sol por s y guila con a).
Los siguientes eventos forman una particin de S.
E1 : Resulte una sola guila, E1 = {sa, as} .

E 2 : Resulten dos guilas, E 2 = {aa} .
E 3 : Ningn guila, E 3 = {ss} .
2.- Un espacio muestral S siempre tiene una particin formada con un evento E, tal que 0 < P ( E ) < 1 , y
su complemento.
Este tipo de particin se emplea con mucha frecuencia en los problemas de probabilidad. Dichos
eventos s forman una particin de S; puesto que cumplen con las tres condiciones de una particin.
Graficamente una particin del espacio muestral se observa de la siguiente forma:
S
E1
E3
E2
E6
E4
E5
E7
... En
Fig. 3.1 Muestra la particin de un espacio muestral.

TEOREMA 3.2 De la probabilidad total
Si S es un espacio muestral, A un evento en S y E1 , E 2 , K , E n una particin de S, entonces
P ( A) = P ( A | E1 ) P ( E1 ) + P ( A | E 2 ) P ( E 2 ) + L + P ( A | E n ) P ( E n ) .
EJEMPLO 3.6
Un preso que se fugo es buscado por la polica, la cual est segura que el prfugo slo puede seguir uno
de 5 caminos posibles C1 , C 2 , C 3 , C 4 y C 5 , los cuales puede elegir con las probabilidades, 0.20,
0.30, 0.10, 0.25 y 0.15, respectivamente. Por las condiciones policacas de cada una de las ciudades a
las que puede llegar las probabilidades, respectivamente, de que pueda ser atrapado, son; 0.20, 0.10,
0.40, 0.30 y 0.40. Calcule la probabilidad de que sea capturado.
De las condiciones del problema podemos deducir las probabilidades:
P (C1 ) = 0.20 , P (C 2 ) = 0.30 , P(C 3 ) = 0.10 , P (C 4 ) = 0.25 y P(C 5 ) = 0.15

Como podemos notar tendremos tantas ciudades como caminos, por lo tanto numeraremos a las
ciudades con respecto al camino elegido.
28
Simbolizando por A el evento: El fugitivo es atrapado, tendremos que para ser atrapado en la
ciudad k, con k = 1, 2, 3, 4, 5 primero debe huir por el camino k. Se tienen entonces las probabilidades
condicionales:
P ( A | C1 ) = 0.20 , P ( A | C 2 ) = 0.10 , P( A | C 3 ) = 0.40 , P ( A | C 4 ) = 0.30 y P( A | C 5 ) = 0.40 ,

finalmente por el Teorema de la probabilidad total resulta:
P ( A) = P ( A | C1 ) P (C1 ) + P ( A | C 2 ) P (C 2 ) + L + P ( A | C 5 ) P (C 5 ) =
= 0.20 0.20 + 0.10 0.30 + 0.40 0.10 + 0.30 0.25 + 0.40 0.15 = 0.245
TEOREMA 3.3 Teorema de Bayes

Si S es un espacio muestral A un evento en S y E1 , E 2 , K , E n una particin de S, entonces
para cualquier evento k de la particin tendremos que:
P( A | E k ) P( E k )
.
P( E k | A) =
P( A | E1 ) P( E1 ) + P( A | E 2 ) P( E 2 ) + L + P( A | E n ) P( E n )
EJEMPLOS 3.7
1.- Del ejemplo anterior, si el fugitivo fue atrapado, cul es la probabilidad de que la detencin se
efectuar en la ciudad nmero 2?
Empleando la simbologa anterior y el Teorema de Bayes tendremos:
P (C 2 | A) =
=
P (C 2 A)
P ( A | C 2 ) P (C 2 )
=
P ( A)
P ( A | C1 ) P (C1 ) + P ( A | C 2 ) P (C 2 ) + L + P ( A | C 5 ) P (C 5 )
0.10 0.30
= 0.122
0.245
2.- Trace el diagrama de rbol del ejercicio anterior.

0.20
C1
0.20
0.30
C2
0.10
0.25
0.15
C3
C4
C5
0.80
0.10
0.90
Explicacin del diagrama de rbol:
Ac
El vrtice inicial tiene 5 caminos. En cada uno de ellos se

anotan sus probabilidades de ser elegido (observe que la suma
de los 5 es uno). En la parte de arriba en el otro vrtice en cada
caso se trazan otros dos caminos, uno para el evento A, y el otro
para su complemento; la suma de probabilidades por vrtice
sigue siendo uno.
0.40
0.60
Ac
A
Ac
A
0.30
0.70 c
0.40 A
0.60 c
P ( A | C 4 ) = 0.30 y P( A | C 5 ) = 0.40 ;
De lo anterior se deduce que las segundas probabilidades

son condicionales; puesto que nos estamos restringiendo a la
ocurrencia de que haya elegido alguno de los caminos. Por lo
tanto, las probabilidades son:
P ( A | C1 ) = 0.20 ,
P ( A | C 2 ) = 0.10 ,
P ( A | C 3 ) = 0.40 ,
29
y sus complementos respectivos:

P ( A c | C1 ) = 0.80 , P ( A c | C 2 ) = 0.90 , P( A c | C 3 ) = 0.60 , P ( A c | C 4 ) = 0.70 y P( A c | C 5 ) = 0.60 .
Igualmente tenemos la primera ramificacin con probabilidades:
P (C1 ) = 0.20 , P (C 2 ) = 0.30 , P(C 3 ) = 0.10 , P (C 4 ) = 0.25 y P(C 5 ) = 0.15 .

Con estos datos y el diagrama de rbol podemos calcular fcilmente cualquiera de las
probabilidades requeridas.
EJERCICIOS
1).- Cmo se llama el tipo de corriente de Probabilidad para los clculos de sta en los eventos dependientes?.
Si A y B son eventos dependientes y A est condicionado a B, su probabilidad se representara por

P ( A | B ) . Cmo se representara la probabilidad del complemento del evento anterior?.
3).- Con base en qu concepto se obtiene la regla de la multiplicacin de probabilidades?.
4).- Simboliza la regla de la multiplicacin para tres eventos.
5).- En un diagrama de rbol de probabilidades cmo son stas en sus caminos ascendentes?.
6).- Si dos eventos cualesquiera son mutuamente excluyentes tambin son independientes?.
7).- Si dos eventos cualesquiera son independientes tambin son mutuamente excluyentes?.
8).- Qu relacin existe entre la independencia de eventos y la extraccin con reemplazo en un experimento
aleatorio?
9).- Podrn ser dos eventos A y B diferentes e independientes y tener el mismo valor de probabilidad?
10).En que tipos de eventos se puede aplicar el Teorema de la Probabilidad Total.
11).- El teorema de Bayes no es ms que una probabilidad condicional en donde se aplica el teorema...
2).-
Son las probabilidades P ( A | B) y P ( A | B c ) complementarias? Considrese 0 < P ( B ) < 1 .

Entendiendo por probabilidades complementarias, aquellas cuya suma siempre sea uno.
13).- Si A y B son dos eventos mutuamente excluyentes, entonces en general P ( A B ) = P ( A) ?.
12).-
Los teoremas de la probabilidad total y el de Bayes, se pueden aplican cuando tenemos un conjunto
finito de eventos independientes cuya unin es el espacio muestral?
15).- Una compaa de gran prestigio tiene 2 administradores, Luis y Mauricio. Cuando se llevan a cabo los
reportes financieros de la empresa, el gerente deja la misma tarea a ambos administradores. Si la
probabilidad de que Luis se equivoque es de 0.03 y de que Mauricio lo haga es del 0.05, calcula la
probabilidad de que ambos se equivoquen en el siguiente periodo de reportes. Se supone independencia en
los reportes errneos de ambos.
16).- Cuando los artculos llegan al final de una lnea de produccin, un supervisor escoge los que deben pasar
por una inspeccin completa; 10% de todos los artculos producidos son defectuosos; 60% de todos los
artculos defectuosos y 20% de todos los artculos buenos pasan por una inspeccin completa. Cul es la
probabilidad de que un artculo sea defectuoso dado que pas por una inspeccin completa?.
14).-
30
El administrador de una red de 3 salas tiene en su poder 20 pelculas diferentes con clasificaciones A (6
pelculas), B (4 pelculas) y C (10 pelculas), para proyectar en los siguientes 10 das. Si por polticas de la
administracin en un periodo de 10 das se proyectan 2 pelculas diferentes por cada sala, y el administrador
hace la programacin al azar. Cul es la probabilidad de que la asignacin de las 2 pelculas en la sala uno
sean tipo A, las dos pelculas en la sala 2 sean del tipo B dado que la asignacin de las dos pelculas en la
sala 3 fue del tipo C?
18).- Una mquina produce artculos de los que regularmente el 5% salen con defectos. El productor
acostumbra revisar la mquina cada hora, y para ello toma e inspecciona una muestra de tamao 10. Si la
muestra no contiene artculos defectuosos, entonces permite que la maquina trabaje otra hora.
a).- Cul es la probabilidad de que este sistema lo conduzca a que la mquina siga funcionando cuando de
hecho produce un 10% de artculos defectuosos?.
b).- De qu tamao debe ser la muestra inspeccionada, para asegurar que si la cantidad de defectuosos es
igual al 1% la probabilidad de que la mquina no se detenga sea menor o igual a 0.01?.
19).- Suponga que existe un mtodo de diagnstico rpido para la diabetes. Con la particularidad de que se
observan resultados positivos en el 95% de los casos de pacientes enfermos; sin embargo, con este mtodo
algunos individuos sanos tambin muestran lecturas positivas, indicando que poseen la enfermedad en el 1%
de los casos.
a).- Si se seleccionan dos pacientes, uno enfermo y uno sano, cul es la probabilidad de que un paciente
elegido al azar y que reaccione positivamente est en realidad enfermo de diabetes?.
c).- Si se seleccionan dos pacientes, uno enfermo y uno sano, cul es la probabilidad de que la prueba
falle en ambos casos; esto es, que la prueba indique errneamente que el enfermo est sano y el sano
enfermo?.
20).- Un laboratorista ha creado un estudio clnico para detectar cncer. Este estudio se prob una gran
cantidad de veces, resultando que es acertado en un 97.5% de los casos cuando la persona est realmente
enferma de cncer. Sin embargo tambin se equivoca en un 3% de los casos cuando la persona no tiene
cncer el estudio indica que si lo tiene. Se examina a un gran grupo de personas de las cuales slo el 20%
tiene realmente cncer.
Cul es la confiabilidad del estudio clnico para una sola persona?. Sug. Calcule la probabilidad de
a).que el estudio clnico muestre que una persona est enferma, cuando en realidad tiene la enfermedad y
que muestre que est sana cuando en realidad no tiene la enfermedad.
Segn la confiabilidad calculada en el inciso a), calcule la probabilidad de que al realizar los
b).siguientes 10 estudios clnicos de cncer resulten al menos 4 realizados con la confiabilidad calculada
en a).
c).- Se eligen aleatoriamente a 10 personas del grupo para un estudio clnico de cncer, cul es la
probabilidad de que exactamente una de ellas muestre un resultado con cncer?
21).- Un juego consiste en ir de un extremo a otro por alguno de 4 caminos, C1 , C 2 , C 3 y C 4 , las
probabilidades respectivas de elegir alguno de ellos, por cualquiera de los concursantes son respectivamente,
0.15, 0.35, 0.30 y 0.20. Cada camino tiene una trampa, las probabilidades de caer en la trampa son
respectivamente, 0.6, 0.4, 0.5 y 0.5.
a).- Cul es la probabilidad de que el prximo concursante caiga en la trampa.
b).- Si la persona cae en la trampa, cul es la probabilidad de que haya elegido el camino C 2 ?
c).- Si la persona cae en la trampa, cul es la probabilidad de que haya elegido el camino C 2 o el C 3 ?.
Sug. Note que los caminos son mutuamente excluyentes.
22).- Supngase que en la ciudad de Mxico existen slo dos empresas televisivas, E1 y E 2 (TV Azteca y
Televisa). La empresa 1 tiene el 35% de los televidentes en una hora determinada, mientras que su
competidor, la empresa 2, tiene el restante 65%. Para aumentar su nmero de televidentes a dicha hora, la
empresa 1 comienza a mostrar pelculas de estreno. Despus de una semana de estrenos, se encuentra que el
17).-
31
90% de televidentes de la empresa 1 sigue en su programacin, mientras que el 25% de los televidentes de la
empresa 2 cambian de programacin a la empresa 1.
Qu porcentaje de televidentes se mantiene en cada empresa televisiva despus de una semana?
a).Qu porcentaje de televidentes se mantiene en cada empresa televisiva despus de dos semanas?
b).23).- Una empresa tiene dos repartidores y quiere tomar una decisin para quedarse con uno slo de ellos, y
decide que se quedar con el que tenga la mayor probabilidad de atender a tiempo en 3 pedidos. El
repartidor 1 tiene una probabilidad de atencin puntual al primer pedido de 0.95. Si no llega a tiempo en su
pedido la probabilidad de que al siguiente llegue a tiempo es de 0.75. Mientras que el repartidor 2 tiene una
probabilidad de llevar a tiempo el primer pedido de 0.90, pero si llega tarde ste, la probabilidad de que al
siguiente si llegue a tiempo es de 0.8. En estas condiciones a cual de los dos repartidores despedir la
empresa.
24).- Supngase que en un pedido por parte de la UPIICSA de 150 computadoras para sus Departamentos, se
surtir aleatoriamente 50 de la marca Acer, 70 Compaq y el restante Digital. 30 de las computadoras Acer
son Pentium II y 20 Pentium III. En cuanto a las computadoras Compaq 20 son Pentium II y 50 Pentium III.
Mientras que las Digital son todas Pentium III. Si el jefe de Ciencias Bsicas, elige aleatoriamente una
computadora Pentium III cul es la probabilidad de que dicha computadora sea de la marca Compaq?
25).- Las enfermedades I y II son comunes entre la gente de cierta poblacin. Se supone que 30% de la
poblacin contraer la enfermedad I alguna vez en su vida, 20% contraer eventualmente la enfermedad II y
el 3% contraer ambas. Calcule la probabilidad de que una persona elegida al azar de esta poblacin
contraiga ambas enfermedades, dado que ha contrado al menos una de ellas.
26).- Sea ha observado que en la ciudad de Mxico el 70% de los trabajadores hacen uso del transporte urbano
para llegar a su trabajo y el restante automvil propio. De los usuarios del transporte urbano 80% hacen uso
del metro y el 20% restante slo microbs o combi. Si el trabajador que se entrevista hace uso del
transporte urbano, calcule la probabilidad de que slo haga uso de microbs o combi.
27).- Un sistema para detectar humo utiliza dos dispositivos, A y B, que trabajan independientemente. Si hay
humo, la probabilidad de que sea detectado por el dispositivo A, es de 0.8 y por el dispositivo B, de 0.75. Si
hay humo, encuentre la probabilidad de que sea detectado por ambos dispositivos.
28).- En un fraccionamiento residencial de la ciudad de Cuernavaca se bombea el agua potable, para tal efecto
se tienen dos bombas, una trabajando y la otra de repuesto. Si la probabilidad de que cualquiera de las dos
bombas falle es 0.10 y su funcionamiento es independiente. Calcule la probabilidad de que en un da
determinado los habitantes del fraccionamiento se queden sin agua.
29).- En las elecciones pasadas para Presidente de la Repblica Mexicana el 44% de los votantes estuvo a
favor de Fox. Se reporta que el 60% de los votantes en favor de Fox fueron menores de 22 aos, mientras
que con respecto a los otros candidatos los votantes a su favor menores de 22 aos slo fue el 10%. Se
escoge una persona de 20 aos de edad al azar de esta poblacin de votantes. Encuentre la probabilidad
condicional de que esta persona vot a favor de Fox.
30).- Cierto tipo de accidentes son comunes en los obreros de una fbrica. Se supone que el 10% de quienes
ingresan a trabajar en esta fbrica sufrir slo un accidente durante su vida laboral; el 15% sufrir dos
accidentes y el 3% sufrir tres o ms accidentes. Considere que la ocurrencia de accidentes entre obreros son
independientes.
a).- Qu probabilidad hay de que en un grupo de tres obreros de nuevo ingreso no ocurran accidentes
durante su vida laboral?
b).- Qu probabilidad hay de que en este mismo grupo todos los obreros tengan dos o ms accidentes
alguna vez?.
31).- Suponga que existe un mtodo de diagnstico rpido para la diabetes. Con la particularidad de que se
observan resultados positivos en el 95% de los casos de pacientes enfermos; sin embargo, con este mtodo
algunos individuos sanos tambin muestran lecturas positivas, indicando que poseen la enfermedad en el 3%
32
de los casos. Supngase que para probar el diagnstico se estudia a una persona de una poblacin muy
grande en donde el 30% tiene la enfermedad. Cul es la probabilidad de que un paciente elegido al azar y
que reaccion positivamente est en realidad enfermo de diabetes?.
32).- La probabilidad de que en un da una ama de casa de la ciudad de Mxico reciba al menos una llamada
telefnica errnea es de 0.10 . Considere que las llamadas telefnicas errneas por da son independientes.
a).- Cul es probabilidad de que la seora Laura que vive en el centro de la ciudad reciba el da de hoy
una llamada telefnica errnea dado que ayer recibi 3 de stas llamadas?
b).- Cul es probabilidad de que la seora Laura que vive en el centro de la ciudad reciba al menos una
llamada telefnica errnea dos das seguidos?
33).- Una agencia de publicidad se da cuenta de que aproximadamente uno de 50 compradores potenciales de
un producto ve cierto anuncio en una revista y uno de 5 ve un anuncio correspondiente en la televisin; uno
de cien ve los dos anuncios; uno de 3 compra realmente el producto si ha visto el anuncio, y de cada 10 que
no han visto el anuncio, lo compra 1. Cul es la probabilidad de que un comprador potencial escogido al
azar compre el producto?.
34).- Un detector de mentiras muestra una lectura positiva (es decir, indica una mentira) en 10% de los casos
cuando la persona dice la verdad y en 95% de los casos cuando la persona miente. Suponga que se sospecha
de dos personas de haber cometido un delito, que fue ejecutado por una sola persona, y de hecho slo una de
ellas es culpable.
a).- Cul es la probabilidad de que el detector muestre una lectura positiva para los dos sospechosos?.
b).- Cul es la probabilidad de que est completamente equivocado el detector, es decir, que indique una
lectura positiva para el inocente y una lectura negativa para el culpable?.
c).- Cul es la probabilidad de que el detector muestre una lectura positiva para cualquiera de los dos o
para ambos sospechosos?.
d).- Si el juez del caso decide considerar al detector como una prueba valida, slo en el caso en que la
confiabilidad del detector sea mayor al 90%. En tales condiciones considerar el juez al detector de
mentiras como una prueba valida?
Un agente de ventas tiene que estar viajando constantemente a cuatro ciudades C1 , C 2 , C3 y C 4 , con
un porcentaje de visitas de 20%, 40%, 25% y 15%, respectivamente. La probabilidad de que venda sus
productos en las ciudades, respectivamente es del 40%, 30%, 50% y 30%. Despus de regresar de una
ciudad el agente ha vendido sus productos, cul es la probabilidad de que en esta ocasin viajo a la ciudad
2?
De los artculos producidos diariamente por cierta fabrica, el 30% proviene de la lnea I, 40% de la
36).lnea II y 30% de la lnea III; mientras que el porcentaje de artculos buenos, dado que son producidos por
la lnea I, es el 80% ; de la lnea II tambin el 80% son buenos y de la lnea III el 90% son buenos.
a).- Se escoge un artculo al azar de la produccin diaria; calcule la probabilidad de que sea bueno.
b).- Se escoge un artculo al azar de la produccin diaria y resulta ser bueno. Calcule la probabilidad de
que el artculo escogido se haya elaborado en la lnea II.
35).-
Se afirma que una prueba para diagnosticar cierta enfermedad tiene una confiabilidad de 90% ; es
decir, la prueba detectar la enfermedad con una probabilidad de 0.9, si la persona tiene la enfermedad. La
prueba tambin indicar que no la tiene con una probabilidad de 0.9 (si la persona est sana). Solamente
1% de la poblacin tiene la enfermedad en cuestin. Si se escoge una persona al azar de la poblacin y el
diagnstico indica que tiene la enfermedad,
a).- cul es la probabilidad condicional de que realmente tenga la enfermedad?
b).- Dira que esta prueba es confiable?
37).-
33
Se ha observado que los hombres y las mujeres reaccionan de una manera diferente en ciertas
circunstancias; 70% de las mujeres reaccionan positivamente en dichas circunstancias, mientras que el
porcentaje en los hombres es solamente del 40% . Se someti a prueba un grupo de 20 personas, 15
mujeres y 5 hombres, y se les pidi contestar un cuestionario para descubrir sus reacciones. Una respuesta
escogida al azar de las 20 result negativa. Cul es la probabilidad de que haya sido contestada por un
hombre?.
39).- Existen dos mtodos A y B para ensear a los trabajadores cierta habilidad industrial. El porcentaje de
fracasos es 20% para A y 10% para B. Sin embargo, B cuesta ms y por eso se utiliza solamente en el
40% de los casos (se utiliza A en el otro 60%). Se entren a un trabajador segn uno de los dos mtodos
pero no logra prenderlo correctamente. Cul es la probabilidad de que haya recibido el entrenamiento con
el mtodo A ?.
40).Supngase que en un lote de 50 automviles VW se repartirn aleatoriamente 20 para el mercado
interno y 30 para el de exportacin. Diez de los automviles de exportacin son de color blanco, y los otros
20 de color azul, mientras que la mitad de los automviles del mercado interno son de color blanco y la otra
mitad azul.
Blanco, B
Azul, A
Totales
Mercado interno, I
10
10
20
Mercado externo E
10
20
30
Totales
20
30
50
38).-
a).b).-
Si el gerente elige aleatoriamente un automvil de color blanco, cul es la probabilidad de que dicho
automvil sea de exportacin?
Si el gerente elige aleatoriamente un automvil de exportacin, cul es la probabilidad de que dicho
automvil sea de color azul?
34
VARIABLES ALEATORIAS DISCRETAS

4.1 VARIABLES ALEATORIAS
Definicin 4.1
Dado un experimento con espacio muestral S, llamaremos variable aleatoria del experimento a
la funcin numrica que asocia un nmero real a cada elemento del espacio muestral.
En la Teora de Probabilidades, generalmente a las variables aleatorias se les simboliza por las
letras maysculas, X, Y, Z, etc. y sus elementos por las letras minsculas correspondientes.
Sea S el espacio muestral del experimento, y R X R ; en donde R, representa al conjunto de los
nmeros reales. Por lo tanto:
X : S a RX
representa a la funcin cuyo dominio es S y rango R X . Veamos su representacin grfica.
X : S a RX
RX
S
e
Dominio
x
Contradominio o rango
Fig. 4.1 Representacin grfica de una variable aleatoria.

Los elementos del rango de una variable aleatoria generalmente se representan por letras
minsculas correspondientes a la variable aleatoria. De tal manera que:
X (e ) = x
representa la asignacin del nmero real x al punto muestral e, o lo que es lo mismo con el lenguaje de
funciones, X (e) = x representa a la funcin X evaluada en el elemento muestral e, cuya imagen es x.
4.2 VARIABLES ALEATORIAS DISCRETAS
Definicin 4.2
Dado un experimento aleatorio y X una variable aleatoria de ste con rango R X , llamaremos a X
Variable aleatoria discreta, vad, cuando el conjunto R X resulta finito o infinito numerable.
NOTA
Las Variables Aleatorias Discretas tienen cabida cuando la variable del experimento es tal que se
requiere de un conteo para determinar sus elementos.
35
EJEMPLOS 4.2
1).- Al analizar una muestra de 10 artculos entre los cuales existen 3 defectuosos, podemos definir a
la variable aleatoria X, como: La cantidad de extracciones sin reemplazo necesarios para encontrar
a los tres artculos defectuosos de la muestra.
R X = {3, 4, 5, 6, 7, 8, 9}, conjunto finito.

2).- Si el experimento consiste en lanzar una moneda, y la variable aleatoria X, se define como: La
cantidad de lanzamientos hasta obtener una primer guila. Tendremos que esta variable es
discreta y su rango es:
R X = {1, 2, 3, 4, K} , conjunto infinito numerable.

4.2.1 DISTRIBUCIN DE PROBABILIDAD
Definicin 4.3
Dado un experimento y una variable aleatoria discreta X en l, con rango igual a
R X = {x1 , x 2 , K , x n } (puede ser infinito numerable). Definimos en todos los reales a la Funcin
de Probabilidad de la variable aleatoria discreta X, como:
P ( X = x k ), si x k R X
p( x k ) =
si x k R X
0,
Observamos que p ( x k ) debe cumplir con las siguientes condiciones:
a)
p( x k ) 0 para toda k, las probabilidades siempre son mayores o iguales a cero.
b)
p( x k ) = 1 .
La suma de todas las probabilidades siempre debe de valer uno.
k 1
Por medio de diagramas de Venn podemos ilustrar a La Funcin de Probabilidad. Ver Fig. 4.2.
X : S a RX
S
e
xk
[0,1]
p : RX a [0,1]
Fig. 4.2 Representacin grfica de la funcin de probabilidad con el

espacio muestral y la variable aleatoria correspondiente.
Con frecuencia a partir de la funcin de probabilidad se introduce una definicin ms
Distribucin de Probabilidad.
la
36
Definicin 4.4
Sea X una variable aleatoria con rango R X = {x1 , x 2 , K , x n } (puede ser infinito numerable), y
funcin de probabilidad p (x) ; llamaremos distribucin de probabilidad, al conjunto de parejas
( x k , p( x k ) ) , para toda x k R X , tal que se cumple:
1. - p ( x k ) 0, para toda x k R X
2. -
p( x
) =1
Otro concepto probabilstico de importancia es la funcin de distribucin acumulada.

Definicin 4.5
Sea X una variable aleatoria con rango R X = {x1 , x 2 , K , x n } (puede ser infinito numerable), y
funcin de probabilidad p (x) llamaremos funcin de distribucin acumulada (fda) de X, a la
funcin positiva y no decreciente definida en todos los reales y discontinua en cada punto
x k R X , tal que:
F ( x) =
p( x
k
k)
, para toda x k R X y x k x .
A partir de la definicin de F (x ) , fcilmente se deduce que:

a) F (x ) es una funcin no decreciente, es decir, para todos los reales x, y, si x < y , entonces
F ( x) F ( y ) .
b)
lm F ( x ) = 0 y
lm F ( x) = 1 . Se deducen fcilmente de las propiedades a) y b) de las
x +
funciones de probabilidad.
c) La grfica de F (x ) es una funcin escalonada, en donde cada salto representa la probabilidad del
punto de discontinuidad a la derecha.

EJEMPLOS 4.3
Analicemos el ejemplo relativo al lanzamiento de tres monedas. En donde,
X: Representa la cantidad de guilas en el lanzamiento de las tres monedas.
Est claro que R X = {0, 1, 2, 3} . Por otro lado, las probabilidades para los valores de X son:
1
8
1 1 1 3
p (1) = P ( X = 1) = + + =
8 8 8 8
1 1 1 3
p ( 2) = P ( X = 2) = + + =
8 8 8 8
1
p(3) = P( X = 3) = .
8
p (0) = P ( X = 3) =
1
8 , para x = 0, 3
3
es decir, p( x ) = , para x = 1, 2
8
0, para otro valor
37
Mientras que su funcin de Distribucin Acumulada segn la definicin 4.5, ser:

0, si x < 0
1
, si 0 x < 1
8
4
F ( x) = , si 1 x < 2 .
8
7
8 , si 2 x < 3
1, si 3 x
Fcilmente se comprueba que se cumplen las condiciones anteriores, respecto a la Funcin de

Probabilidad y La Funcin de Distribucin Acumulada. Ver figura siguiente.
1
p (x)
F (x)
1
0.6
0.6
0.2
0.2
(a)
(b)
Fig. 4.3 Representa las funciones de probabilidad (a) y fda (b),

del lanzamiento de las tres monedas.
NOTAS
En la grfica de la funcin de probabilidad los segmentos verticales son simblicos, puesto que
en caso contrario no se tratara de una funcin. El valor de la funcin est representado por el
crculo negro, y en los dems puntos vale cero.
Los saltos de discontinuidad en la funcin de distribucin acumulada, muestran los valores de la

probabilidad en dichos puntos de la variable aleatoria discreta.
4.4 VALOR ESPERADO DE UNA VAD

Definicin 4.6
Sea X una variable aleatoria con rango R X = {x1 , x 2 , K , x n }, puede ser infinito numerable, y
funcin de probabilidad p (x) , llamaremos valor esperado de X (o esperanza matemtica de X), a
la cantidad que denotaremos por E ( X ) o X , y se calcular por:
E ( X ) = xk p( x k )
k 1
NOTAS
El valor esperado de una variable aleatoria discreta X es un parmetro de dicha variable, que
representa el valor promedio que se espera suceda al repetir el experimento, en forma
38
independiente, una gran cantidad de veces. De lo mencionado, se concluye que E ( X ) siempre

es un valor intermedio de los R X = {x1 , x 2 , K , x n }, pero que no necesariamente debe coincidir con
alguno de estos valores.
2
Cuando la variable aleatoria discreta X, tiene un rango infinito numerable, el valor esperado es una
serie, E ( X ) = x k p ( x k ) . Si la serie converge absolutamente,

k =1
xk
k =1
p ( x k ) < , entonces E ( X )
se designa como valor promedio de X.

n
Cuando la variable aleatoria discreta X tiene un rango finito, el valor esperado E ( X ) = x k p ( x k ) ,

k =1
se puede considerar como un valor medio ponderado de los valores de R X , x1 , x 2 , K , x n , con

pesos respectivos p ( x1 ), p ( x 2 ), K , p ( x n ) . Por otro lado, debemos tener bien claro que E ( X ) y
promedio ponderado de un conjunto de datos, no son sinnimos. Puesto que; E ( X ) es un
parmetro asociado a una variable aleatoria discreta X, mientras que el Promedio Ponderado es el
resultado de una combinacin aritmtica entre ciertos datos.
4.4.1 PROPIEDADES DEL VALOR ESPERADO DE UNA VAD
1.-
Valor esperado de una constante. Sea X = b constante, entonces E (b) = b .
2.- Si realizamos un cambio de variable lineal Y = aX + b , en donde a y b son constantes el valor

esperado de la nueva variable estar dado por E (Y ) = aE ( X ) + b .
4.5 VARIANCIA DE UNA VAD
Como es lgico suponer un slo parmetro no es suficiente para describir el comportamiento de una
variable aleatoria discreta. Por lo que es necesario recurrir a otro parmetro que nos indique en cierta
medida la variabilidad de los valores de la variable en relacin con su valor esperado.
Definicin 4.7
Dado un experimento y una variable aleatoria discreta X en l con rango R X = {x1 , x 2 , , x n },

puede ser infinito numerable, y funcin de probabilidad p (x ) . Llamaremos variancia de X a la
cantidad que simbolizaremos con V ( X ) X2 , y calcularemos por medio de:
V (X ) =
(x
k 1
E ( X ) ) p( x k ) .
2
Debido a que las unidades en que se mide la variable aleatoria y su variancia no coinciden (sta
ltima tiene las unidades cuadradas de la variable), se suele introducir otra definicin en base a la raz
cuadrada positiva de la variancia.
Definicin 4.8
En las condiciones anteriores llamaremos desviacin estndar de la variable aleatoria discreta X,
a la raz cuadrada positiva de la variancia: X = V ( X ) .
39
OBSERVACIN
La variancia de la variable aleatoria discreta X es un parmetro positivo de dicha variable el cual
representa el valor esperado de los cuadrados de las desviaciones que tiene cada uno de los valores
x k R X , con respecto al valor esperado de la variable aleatoria discreta X.
4.5.1 PROPIEDADES DE LA VARIANCIA DE UNA VAD
1.-
De la definicin de valor esperado de una variable aleatoria se deduce que :

V ( X ) = ( x k E ( X ) ) 2 p( x k ) = E[ X E ( X ) ]2 .
k 1
2.3.4.-
( )
Para los clculos la varianza se obtiene como V ( X ) = E X 2 [E ( X )]2 .

La variancia de una constante vale cero. Si X = c , entonces V ( X ) = 0 .
Si realizamos un cambio lineal de variable Y = aX + b , en donde a y b son constantes la
variancia de la nueva variable estar dado por V (Y ) = a 2V ( X ) .
EJEMPLOS 4.4
1.- Sea ( x k , p( x k ) ) la distribucin de probabilidad de una variable aleatoria discreta X, segn se
muestra explcitamente:
X =x
p (x)
0.4
1
0.3
0.2
0.1
Encuentre el valor esperado y la variancia de X.

a).- E ( X ) = x k p ( x k ) = (3)0.4 + (1)0.3 + (1)0.2 + (2)0.1 = 1.1
k 1
b). - V ( X ) = ( x k E ( X ) ) p( x k )
2
k 1
= ( 3 ( 1.1) )2 0.4 + ( 1 ( 1.1) ) 2 0.3 + (1 ( 1.1) )2 0.2 + (2 ( 1.1) ) 2 0.1

= 1.444 + 0.003 + 0.882 + 0.961 = 3.29
La desviacin estndar es igual a
3.29 = 1.814
Con la propiedad (2) el clculo resulta ms fcil.
( )
V ( X ) = E X 2 [E ( X )] = (3) 2 0.4 + (1) 2 0.3 + (1) 2 0.2 + (2) 2 0.1 (1.1) 2 =

2
= 3.6 + 0.3 + 0.2 + 0.4 1.21 = 4.5 1.21 = 3.29
2.- Sea ( y k , p( y k ) ) , la distribucin de probabilidad de una variable aleatoria discreta Y, definida por
Y = 25 X 10 , cuyos valores se encuentran en la tabla siguiente. Encuentre el valor esperado y la
variancia de Y.
40
Y=y
15
40
90
140
165
X =x
0.15
0.20
0.35
0.25
0.05
p ( y ) = p ( x ) , y = 25 x 10
De la tabla de distribucin y las frmulas para el valor esperado y la variancia podemos calcular
stas directamente. Pero de la relacin Y = 25 X 10 , simplificaramos los clculos ya que
E (Y ) = E (25 X 10) = 25 E ( X ) 10 .
Por lo anterior es suficiente encontrar el valor esperado y la variancia de la variable aleatoria
discreta X.
E ( X ) = x k p ( x k ) = (1)0.15 + (2)0.20 + (4)0.35 + (6)0.25 + (7)0.05 = 3.80
k 1
Por tanto, E (Y ) = 25 E ( X ) 10 = (25)3.8 10 = 85 .

De forma similar para la variancia, V (Y ) = a 2V ( X ) .
( )
V ( X ) = E X 2 [E ( X ) ]2 = (1) 2 0.15 + ( 2) 2 0.2 + (4) 2 0.35 + (6) 2 0.25 + (7) 2 0.05 (3.8) 2 =
= 0.15 + 0.8 + 5.6 + 9 + 2.45 14.44 = 18 14.44 = 3.56
Finalmente la variancia de Y resulta: V (Y ) = 25 2 V ( X ) = (625)3.56 = 2225 .
Mientras que su desviacin estndar ser: Y = V (Y ) = 25 V ( X ) = 47.17 .
EJERCICIOS DE VARIABLES ALEATORIAS DISCRETAS

1).- Los valores de una variable aleatoria discreta se obtienen por medio de ...
2).- Podrn ser negativos los valores de una variable aleatoria?
3).- Qu diferencia existe entre una funcin de probabilidad y una distribucin de probabilidad de una
variable aleatoria discreta X?
4).- Al sumar todas las probabilidades de la distribucin de probabilidad de una variable aleatoria
discreta X, el resultado debe ser igual a....
5).- Qu representa la funcin de distribucin acumulada de una variable aleatoria discreta?
6).- Cmo es la funcin de distribucin acumulada de una variable aleatoria discreta en los valores de
sta ltima?
7).- La variancia de una variable aleatoria se puede entender como el valor esperado del...
8).- Qu representa el valor esperado de una variable aleatoria discreta X? No se pide definir al
valor esperado!.
9).- Podr ser negativa la variancia de una variable aleatoria discreta?
10).- Al sumar todas las probabilidades de la distribucin de probabilidad de una variable aleatoria
discreta X, el resultado es igual a:
41
a).b).-
Depende de los valores de la variable X.

Uno.
c).- Menor a uno

d).- Cualquier valor entre 0 y 1.
11).- En los siguientes incisos indica cul de ellos describe a la definicin de una variable aleatoria.
a).- Una representacin de los eventos.
b).- Una representacin del espacio muestral.
c).- Una asignacin de probabilidades para los elementos muestrales.
d).- Una funcin que asocia un nmero real a cada elemento del espacio muestral.
12).- Con el propsito de verificar la exactitud de sus estados financieros, las compaas tienen
auditores permanentes para verificar los asientos contables. Supngase que los empleados de una
compaa efectan asientos errneos en el 5% de las veces. Si un auditor verifica tres asientos al
azar: Encuentre la probabilidad de que el auditor detecte ms de un error.
13).Un cliente potencial para una pliza de seguro por $20,000 (dlares) tiene una casa en un rea
que, de acuerdo con la experiencia, puede sufrir una prdida total en un ao con una probabilidad
de 0.001 y una prdida del 50% con una probabilidad de 0.01. Qu prima tendra que cobrar la
compaa de seguros por una pliza anual, para salir a mano con todas las plizas de $20,000 de
este tipo, ignorando todas las otras prdidas parciales?.
14).Sea X una variable aleatoria que representa el nmero de clientes que en un da se quejan por
el servicio de una tienda, cuya funcin de probabilidad est dada por:
0.1( x + 1), con x = 0, 1, 2, 3
f ( x) =
con x 0, 1, 2, 3
0,
Encuentre cuntos clientes se espera acudan a quejarse por el servicio en un da determinado.
15).El gerente de un almacn, en una fbrica, ha construido la siguiente distribucin de
probabilidad para la demanda diaria (nmero de veces utilizada) para una herramienta en particular.
x
0
1
2
P ( X = x)
0.1
0.5
0.4
Le cuesta a la fbrica $90 pesos cada vez que se utiliza tal herramienta. Encuentre la media y la
variancia del costo diario para el uso de tal herramienta.
16).- La produccin de artculos domsticos por da, en una cierta fbrica es de 12 aparatos, de los
cuales hay dos defectuosos. Se elige una muestra de 3 aparatos y sea X la variable aleatoria que
asigna La cantidad de aparatos defectuosos en la muestra. Determine la funcin de probabilidad de
X.
17).- Un vendedor de equipo pesado puede entrevistar a uno o dos clientes diariamente con una
probabilidad de 1 3 y 2 3 , respectivamente. Cada entrevista tendr como resultado una no
venta o una venta de $50,000 (dlares) con probabilidades de 0.9 y 0.1, respectivamente.
Obtenga la distribucin de probabilidad para las ventas diarias. Encuentre la media y la desviacin
estndar de las ventas diarias.
18).- Una agencia de alquiler que arrienda equipo pesado por das, se da cuenta de que un equipo
costoso es arrendado en promedio, solamente un da de cinco. Si el alquiler en un da es
independiente del alquiler en cualquier otro da, encuentre la distribucin de probabilidad para X,
que representa: El nmero de das entre dos alquileres.
42
MODELOS DISCRETOS DE PROBABILIDAD

4.6 MODELO BINOMIAL
En el estudio de La Probabilidad y la Estadstica el concepto de independencia juega un papel muy
importante. Por consiguiente, existen muchos fenmenos probabilsticos discretos en donde las
pruebas de los experimentos se consideran independientes. Uno de tales Modelos discretos que tiene
mucho auge en los experimentos con pruebas independientes es el Modelo Binomial.
Definicin 4.9
Un experimento aleatorio se llama Binomial, cuando cumple con las siguientes condiciones:
1).- El experimento consta de n (nmero finito) pruebas independientes.
2).- Cada prueba tiene slo dos resultados. xito y fracaso.
3).- La probabilidad de xito en una prueba es p y la de fracaso q = 1 p , y se mantienen
constantes de prueba en prueba.
Definicin 4.10
A cada una de las pruebas efectuadas en un experimento de Binomial les llamaremos Ensayos de
Bernoulli.
NOTAS
Por xito en un ensayo entenderemos el cumplimiento de la variable aleatoria. Es decir si la
variable X se define como: Cantidad de artculos defectuosos. Un xito ser cuando el artculo
sea defectuoso.
Un experimento de Bernoulli se termina cuando ocurre la n-sima prueba.
Definicin 4.11
A la variable aleatoria X definida en un experimento binomial que representa la cantidad de xitos
en n ensayos de Bernoulli le llamaremos Variable aleatoria Binomial.
Veamos algunos ejemplos en los que comprobaremos, si la variable aleatoria definida en el
problema trata o no de una variable de binomial.
EJEMPLOS 4.5
Un sistema de 3 radares para detectar carros a gran velocidad se instala en una carretera. Cada radar
funciona independientemente con probabilidad de detectar un carro que viaje a gran velocidad igual a
0.99. Calcule la probabilidad de que un carro que viaja a gran velocidad, por dicha carretera, no sea
detectado. Considerando a la variable aleatoria
X: Cantidad de radares que detectan el carro que viaja a gran velocidad.
Determine que este experimento es de tipo binomial.
43
Comprobacin: Verifiquemos que se cumplen las propiedades de un experimento Binomial.

1.- El experimento consiste de tres ensayos cada uno de ellos determina si el radar detecta
o no al carro que viaja a gran velocidad. Por las condiciones del problema vemos que
los ensayos son independientes.
2.- Al pasar el carro a gran velocidad por un radar slo puede ocurrir una de dos: que sea
o no detectado, esto es un xito o un fracaso.
3.- El xito, que sea detectado, de las condiciones del problema se conserva constante de
radar en radar e igual a 0.99. Igualmente el fracaso es 0.01.
Teorema 4.1
Si X es una variable aleatoria binomial y R X = {0, 1, K , n} , con xito p y fracaso q = 1 p , entonces se
cumplir:
n
P( X = k ) = C kn p k q n k , k = 0, 1, K , n ,
Ckn p k q nk = 1
E ( X ) = np ,
V ( X ) = npq
k =0
4.6.1 CLCULO DE PROBABILIDADES DE LOS MODELOS BINOMIALES Y USO DE

TABLAS BINOMIALES
En forma general para calcular probabilidades de una variable aleatoria discreta X, con distribucin
binomial, se emplea el Teorema 4.1, en donde:
P( X = k ) = C kn p k q n k , k = 0, 1, K , n .
con n cantidad de ensayos, p xito de un ensayo y q el fracaso. Pero si el valor de n est entre 1 y 30, y
los valores de p son: 0.05, 0.10, 0.15, ..., 0.95, podemos emplear tablas para la distribucin acumulada
de la binomial, tal y como se muestra a continuacin.
USO DE TABLAS BINOMIALES
Las tablas binomiales estn dadas para la funcin de distribucin acumulada, como se muestra a
continuacin.
x
Funcin acumulada de la distribucin Binomial, F ( x) = C kn p k (1 p ) n k

k =0
Valores de p
n x 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95
14 8
9
10
11
1.0000 1.0000 1.0000 0.9996 0.9978 0.9917 0.9757 0.9417 0.8811 0.7880 0.6627 0.5141 0.3595 0.2195 0.1117 0.0439 0.0115 0.0015 0.0000
1.0000 1.0000 1.0000 1.0000 0.9997 0.9983 0.9940 0.9825 0.9574 0.9102 0.8328 0.7207 0.5773 0.4158 0.2585 0.1298 0.0467 0.0092 0.0004
1.0000 1.0000 1.0000 1.0000 1.0000 0.9998 0.9989 0.9961 0.9886 0.9713 0.9368 0.8757 0.7795 0.6448 0.4787 0.3018 0.1465 0.0441 0.0042
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9994 0.9978 0.9935 0.9830 0.9602 0.9161 0.8392 0.7189 0.5519 0.3521 0.1584 0.0301
Las probabilidades ms comunes para calcular son: P ( X k ) , P ( X k ) y

ejemplo, para n = 14 y p = 0.60 , tendremos (ver valores en la tabla anterior):
P(k X m) .
Por
44
a).- P ( X 9) = F (9) = 0.7207 , P ( X < 10) = P ( X 9) = F (9) = 0.7207 .

b).- P ( X 10) = 1 F (9) = 1 0.7207 = 0.2793 ,
P ( X > 9) = P ( X 10) = 1 F (9) = 1 0.7207 = 0.2793
c).- P (8 X 11) = F (11) F (8) = 0.9202 0.5141 = 0.4061 .
NOTA
Para resolver problemas de modelos discretos se recomienda seguir tres pasos.

1).- Definir a la variable aleatoria en estudio.
2).- Identificar el modelo al que pertenece la variable definida.
3).- Aplicar las frmulas correspondientes para el clculo de probabilidades, valor esperado y
variancia.
EJEMPLO 4.6
Un sistema para detectar carros a gran velocidad consta de 3 radares que se instalan en una carretera.
Cada radar funciona independientemente, con probabilidad de detectar a un carro que viaja a gran
velocidad e igual a 0.99. Considerando a la variable aleatoria X : El nmero de radares que detectan
al carro que viaja a gran velocidad. Determine
a).- Distribucin de probabilidad, para X.
b).- Valor esperado y variancia de X.
En este ejemplo el primer punto para la solucin de problemas ya esta hecho, puesto que la
variable ya se defini.
X : El nmero de radares que detectan al carro que viaja a gran velocidad.
El segundo punto tambin ya se realiz puesto que en el ejemplo anterior, result que X tiene una
distribucin Binomial con R X = {0, 1, 2, 3} .
Finalmente el tercer y ltimo punto para la aplicacin de las formulas tendremos:

a).- Del Teorema 4.1 para p = 0.99 y q = 0.01 resultar:
P( X = 0) = C 03 (0.99) 0 (0.01) 3 = 0.000001

P ( X = 1) = C13 (0.99)1 (0.01) 2 = 0.000297
P ( X = 2) = C 23 (0.99) 2 (0.01)1 = 0.029403
P( X = 3) = C 33 (0.99) 3 (0.01) 0 = 0.970299

b).- Del Teorema 4.1 se obtiene:
E ( X ) = np = 3(0.99) = 2.97
V ( X ) = npq = 3(0.99)(0.01) = 0.0297
45
EJERCICIOS 1
1).- La revisin aduanal se efecta en el Aeropuerto aleatoriamente, de la siguiente manera: En la
salida se encuentra un semforo, si al pasar la persona se activa la luz roja se realizar la revisin;
en caso de activarse la verde, el viajero sale tranquilamente sin revisin. La luz roja aparece con
una frecuencia del 10% . Si se consideran 18 viajeros, Cul es la probabilidad de que:
a).- 3 o ms sean revisados?
b).- menos de 5 sean revisados?
c).- Cuntos de los siguientes 100 viajeros se espera sean revisados?
2).- Si en general 15 de cada 100 hijos de padres alcohlicos nacen con deficiencias fsicas o mentales,
a).- Cul es la probabilidad de que en los prximos 10 nacimientos (por parte de padres
alcohlicos) resulten, por lo menos 2 casos de nacimientos de nios con deficiencias fsicas o
mentales?
b).- De los siguientes 20 nacimientos (por parte de padres alcohlicos) cuntos se espera que no
tengan deficiencias fsicas o mentales?
3).- Una mquina produce generalmente el 5% de objetos defectuosos. Una muestra de 8 objetos se
selecciona al azar, de la lnea de produccin. Si la muestra produce ms de dos objetos
defectuosos, se inspeccionar el 100% de la produccin.
a).- Cul es la probabilidad de que ocurra la inspeccin?
b).- Cuntos objetos se espera que no estn defectuosos en una muestra de 50?
4).- De una poblacin humana muy grande de la cual el 10% sufre diabetes se seleccionan 20 personas
al azar.
a).- Cul es la probabilidad de que al menos 2 de estas personas sean diabticas?
b).- Cul es la cantidad de personas (de las 20 que se seleccionaron), que se espera sean
diabticas?
4.7 MODELO GEOMTRICO
Definicin 4.12
Un experimento aleatorio se llama geomtrico, si cumple con:
1.- El experimento consta de ensayos independientes.
2.- Cada ensayo tiene slo dos resultados. xito y fracaso.
3.- La probabilidad de xito en un ensayo es p y la de fracaso q = 1 p , y se mantienen
constantes de ensayo en ensayo.
4.- El experimento termina cuando ocurre el primer xito en un ensayo.
Definicin 4.13
A la variable aleatoria discreta X definida en un experimento geomtrico que representa a la
cantidad de pruebas necesarias hasta obtener el primer xito, se le llama Variable aleatoria
Geomtrica.
46
EJEMPLOS 4.7
1).- S el 35% de la poblacin, del D.F., est a favor del candidato Cuauhtmoc Crdenas, para las
elecciones del 2000, podemos definir a la variable aleatoria:
X: Cantidad de personas que se va a entrevistar aleatoriamente hasta obtener la primera que est en
favor del candidato.
2).- S una mquina despachadora de refrescos arroja un poco ms de 200 ml. por vaso derramndose
el lquido en un 5%, de los vasos despachados. Podemos definir a la variable aleatoria:
X: Cantidad de vasos despachados, hasta obtener el primero que se derramar
Simbolizaremos por G (k ; p ) = P ( X = k ) a la probabilidad de que el primer xito ocurra en el
ensayo k. La formula para calcular las probabilidades de un Modelo Geomtrico estar dada por el
siguiente teorema.
Teorema 4.2
Si X es una variable aleatoria geomtrica, con xito p y fracaso q = 1 p , entonces
G (k ; p ) = P ( X = k ) = q k 1 p , k = 1, 2, 3, K
E( X ) =
1
p
k =1
k =1
G (k ; p) = q k 1 p = 1
V (X ) =
1 p
p2
para los clculos
a).-
P ( X k ) = 1 q k , para k = 1, 2, L
b).-
P ( X k + 1) = P ( X > k ) = q k , para k = 1, 2, L
c).-
P (m X k ) = q m 1 q k , para m, k = 1, 2, L y m k .
NOTA
De la definicin de variable aleatoria con distribucin geomtrica debemos de observar que el rango de
la variable a diferencia de la binomial comienza en 1 y no termina, es infinito.
EJEMPLO 4.8
S el 25% de la poblacin, del D.F. est a favor del candidato Cuauhtmoc Crdenas para las elecciones
del 2000.
a).- Encuentre la probabilidad que la primera persona que est a favor del candidato Crdenas, se
encuentre despus de la quinta persona entrevistada.
b).- Cuntas personas se espera entrevistar hasta encontrar la primera que est a favor del candidato
Crdenas?
Primer punto, definiremos a la variable.
X: Cantidad de personas que se va a entrevistar aleatoriamente hasta obtener la primera que
est a favor del candidato.
El segundo punto, clasificaremos el modelo. Cmo se vio en el ejemplo 5.5.2, result que X
cumple con una variable Geomtrica con p = 0.25 y q = 0.75 .
47
Finalmente el tercer y ltimo punto para la aplicacin de las formulas tendremos:

a).- Del Teorema 4.2 inciso b) resulta: P( X > 5) = q 5 = (0.75) 5 = 0.2373 .
b).- Del Teorema 4.2 resulta: E ( X ) =
1
1
=
=4 .
p 0.25
EJERCICIOS 2
1).- Sea una mquina despachadora de refrescos que arroja un poco ms de 20 ml por vaso
derramndose el lquido en un 5% de los vasos despachados. Podemos definir a la variable
aleatoria X: Cantidad de vasos despachados hasta obtener el primero que se derramar.
Considere que la forma de despachar el lquido por la mquina es independiente de vaso en vaso.
Calcule la probabilidad de que el primer vaso que se derrame se encuentre despus del 15vo. vaso
despachado.
2).- Un inspector de la SECOFI ha encontrado que en 6 de 10 tiendas que visita se presentan
irregularidades. Si el inspector visita una serie de tiendas al azar. Cul es la probabilidad de que:
a).- la primer tienda con irregularidades fuera encontrada despus de revisar la cuarta?
b).- Cuntas tiendas se espera que tenga que visitar para encontrar la primera con
irregularidades?
3).- En un lote grande de artculos hay 3% de defectuosos. Si se selecciona al azar un artculo uno tras
otro hasta encontrar un defectuoso. Cul es la probabilidad de que se deban inspeccionar ms de 5
artculos?
4).- Se estima que el 70% de una poblacin de consumidores prefiere una marca particular de pasta de
dientes A. Cul es la probabilidad que al entrevistar a un grupo de consumidores
a).- sea necesario entrevistar exactamente 4 personas para encontrar el primer consumidor que
prefiere la marca A?
b).- se tenga que entrevistar al menos 6 personas para encontrar el primer consumidor que prefiere
la marca A?
4.8 MODELO HIPERGEOMTRICO
Un modelo probabilstico ser de tipo Hipergeomtrico cuando los experimentos que se realizan con
respecto a un evento E son tales que sus pruebas no son independientes. En estos modelos se
consideran lotes de artculos, los cuales estn constituidos de elementos divididos en dos clases. El
experimento consiste en elegir una muestra del lote sin reemplazo y calcular las probabilidades cuando
sus elementos pertenezcan a una de las clases.
Definicin 4.14
Un experimento aleatorio se llama Hipergeomtrico si cumple con las condiciones:
1.- El experimento se realiza considerando un lote de tamao N en el cual sus elementos estn
divididos en dos clases de tamaos m y N m .
2.- Se toma una muestra de tamao n, sin reemplazo del lote.
3.- Se calculan las probabilidades de que k elementos de una de las clases estn en la muestra de
tamao n.
48
Definicin 4.15
A la variable aleatoria discreta X definida en un experimento Hipergeomtrico que representa a la
cantidad de elementos que se encuentran en la muestra perteneciente a la clase de xitos se le
llama Variable aleatoria Hipergeomtrica.
Teorema 4.3
Si X es una variable aleatoria Hipergeomtrica con m xitos en una poblacin de tamao N de la
cual se elige una muestra sin reemplazo de tamao n, entonces
P( X = k ) =
C km C nNkm
C nN
, mx{n + m N , 0} k mn{n, m}
C km C nNkm
N = 1
k = mx{n+ m N } C n
mn{n m}
,
, 0
m
m N n
V ( X ) = n 1
N
N N 1

m
E ( X ) = n
N
EJEMPLO 4.9
En un lote de 10 componentes electrnicos de TV en buen estado, se agregan 3 defectuosos, todos en
apariencia y tamao iguales. Una persona compra 4 de tales componentes para reparar televisores.
Calcule la probabilidad de que la persona tenga que regresar a reclamar al vendedor, por haber
obtenido componentes defectuosos.
Primer punto, definicin de la variable.
Sea X: Cantidad de componentes defectuosos en la seleccin
El segundo punto, clasificacin del modelo. Por las condiciones del problema se deduce que la
seleccin se realizo sin reemplazo. Adems el tamao del lote es finito e igual a 13 y slo tenemos
dos clases de componentes, buenos y defectuosos. De lo anterior se deduce que X es una variable
Hipergeomtrica, con: N = 13 , n = 4 , m = 3 .
Tercer y ltimo punto aplicacin de formulas.
De las condiciones del problema tenemos que la persona reclamar, s al menos un componente
resulta defectuoso. Por lo tanto, la probabilidad que necesitamos calcular es:
P ( X 1) = 1 P ( X = 0) = 1
C 03C 410
C 413
1 0.2937 = 0.7063 .
Este resultado nos indica, que probablemente el comprador regresar a reclamar.

NOTA
Los modelos Hipergeomtricos debido a su naturaleza son mucho muy empleados en los problemas de
Teora del Control Estadstico, en donde juega un rol muy importante al analizar los componentes de
los lotes, para determinar si se puede aceptar o rechazar un lote dividido en dos clases, buenos y
defectuosos.
49
EJERCICIOS 3
1).- Para llevar a cabo un reporte de control de calidad sobre la fabricacin de videos; de un lote de 25
de estos se elige una muestra aleatoria de 5 y se prueban, en caso de que no se encuentren
defectuosos entre estos 5 el reporte se escribe satisfactorio. Cul es la probabilidad de que el
reporte sea satisfactorio, si en el lote se han introducido 4 videos defectuosos?
2).- En el aeropuerto Benito Jurez de la ciudad de Mxico debido a la gran afluencia de pasajeros,
slo se revisa el 10% de estos a la salida. Si de un grupo de 20 turistas, 12 tienen compras muy por
arriba de la cantidad permitida y se conserva el mismo 10% de revisiones para las 20 personas,
cul es la probabilidad de que las dos personas revisadas tengan que pagar los impuestos
correspondientes por exceso de compras permitidas por las autoridades del aeropuerto?
3).- Se van a escoger al azar sin reemplazo 8 objetos de un lote con 15 buenos y 6 defectuosos.
a).- Calcule la probabilidad de que se encuentren exactamente 2 defectuosos entre los 8 objetos
seleccionados.
b).- Cuntos de los 8 objetos se espera que no estn defectuosos.
4.9 MODELO DE POISSON
El ltimo de los modelos probabilsticos discreto que estudiaremos es el llamado: Modelo de
Poisson3. Este modelo estudia los experimentos cuyos resultados tienen lugar en intervalos
continuos4; de tiempo, reas, volmenes, etc. Antes de seguir, cabe mencionar que el modelo de
Poisson es discreto puesto que en sus experimentos slo nos interesar la cantidad de resultados que
pueden ocurrir en un intervalo (de los antes mencionados), ms no la continuidad del intervalo.
El modelo de Poisson tiene muchas aplicaciones. Se emplea generalmente en donde, se desea
optimizar los tiempos, tanto de espera como de servicio, a este tipo de problemas se les estudia en el
rea de Investigacin de operaciones en los temas: Lneas de Espera o Teora de Colas.
NOTA
Para ejemplificar la definicin de experimento de Poisson al hablar de intervalo, nos referiremos al

tiempo, pero tomaremos en cuenta que en lugar de tiempo se podra tratar de un rea, un volumen, etc.
Definicin 4.16
A la variable aleatoria X definida en un experimento de Poisson, que representa la cantidad de
resultados, que ocurren en el intervalo de tiempo (t 0 , t ) , se le llama Variable aleatoria de
Poisson.
En estas condiciones es obvio que X es discreta con valores: 0, 1, 2, 3,....
Los intervalos dependen del experimento, y estos pueden ser:
Un minuto, un da, una semana, un ao, etc.
Un metro cuadrado, una hectrea, etc.
En honor al matemtico frances Simon Denis Poisson. Nacido en Pithiviers 1781 y muerto en Paris en 1840. Fue uno
de los creadores de la fsica matemtica y autor de una serie de trabajos sobre: la mecnica celeste, elasticidad, capilaridad,
clculo de probabilidades y magnetismo.
4
Debido a los intervalos continuos en los que ocurren los Modelos de Poisson, stos tienen una estrecha relacin con los
Modelos Continuos de tipo Exponencial.
3
50
Un metro cbico, etc.
EJEMPLOS 4.10
1).- La cantidad de llamadas telefnicas a un conmutador en un intervalo de 5 minutos.
2).- La cantidad de accidentes automovilsticos mensuales en un crucero determinado.
3).- La cantidad de carros que llegan a un estacionamiento en una hora determinada.
4).- El nmero de partculas que pasan a travs de un contador en un milisegundo.
5).- La cantidad de errores de mecanografa por pgina en un libro determinado.
6).- Cantidad de rboles infectados por ciertos gusanos en un rea determinada.
7).- Llegadas de clientes a una tienda durante un intervalo de tiempo determinado.
Simbolicemos por P (k ; t ) = P ( X = k ) - La probabilidad de que en el experimento de Poisson
ocurran k resultados en un intervalo (t 0 , t ) .
Definicin 4.17
Llamaremos Distribucin de Probabilidad de Poisson, a las parejas (k , P(k ; t ) ) , para k igual a

0, 1, 2, 3, ....
En el siguiente teorema daremos la formula para calcular probabilidades de Modelos de Poisson,

pero debido a lo complejo de su demostracin no la llevaremos a cabo.
Teorema 5.16
Si X es una variable aleatoria de Poisson en el intervalo (t 0 , t ) , y R X = {0, 1, 2, K} , entonces
(representando por t la longitud del intervalo (t 0 , t ) )
( t )
P ( k ; t ) = P ( X = k ) =
e
!
k
k = 0, 1, 2, K
P ( k ; t ) = 1
= E ( X ) = t
k =0
2 = V ( X ) = t
El parmetro est dado por:
E( X )
- Representa la razn esperada de resultados en el intervalo de estudio.
t
En caso de que t sea igual a una unidad del intervalo (1 hora, 1 da , 1 metro, etc.), y E ( X )
tienen el mismo valor numrico. En tal caso, podemos escribir la formula para el calculo de
k e
probabilidades como: P (k , ) =
.
k!
51
USO DE TABLAS DE POISSON

Las tablas de Poisson estn dadas para la funcin de distribucin acumulada, como se muestra a
continuacin.
e t (t ) k
Funcin acumulada de la Distribucin de Poisson, P ( x; t ) = k =0
.
k!
Valores de = t
x
x
0
1
2
3
4
4.00
4.10
4.20
4.30
4.40
4.50
4.60
4.70
4.80
5.00
5.20
5.30
5.40
0.0183 0.0166 0.0150 0.0136 0.0123 0.0111 0.0101 0.0091 0.0082 0.0067 0.0055 0.0050 0.0045
0.0916 0.0845 0.0780 0.0719 0.0663 0.0611 0.0563 0.0518 0.0477 0.0404 0.0342 0.0314 0.0289
0.2381 0.2238 0.2102 0.1974 0.1851 0.1736 0.1626 0.1523 0.1425 0.1247 0.1088 0.1016 0.0948
0.4335 0.4142 0.3954 0.3772 0.3594 0.3423 0.3257 0.3097 0.2942 0.2650 0.2381 0.2254 0.2133
0.6288 0.6093 0.5898 0.5704 0.5512 0.5321 0.5132 0.4946 0.4763 0.4405 0.4061 0.3895 0.3733
5.50
5.60
5.70
5.80
5.90
0.0041 0.0037 0.0033 0.0030 0.0027

0.0266 0.0244 0.0224 0.0206 0.0189
0.0884 0.0824 0.0768 0.0715 0.0666
0.2017 0.1906 0.1800 0.1700 0.1604
0.3575 0.3422 0.3272 0.3127 0.2987
Las probabilidades ms comunes para calcular son: P ( X k ) , P ( X k ) y

ejemplo, para = 5.40 , tendremos (ver valores en la tabla anterior):
P(k X m) .
Por
a).- P ( X 3) = P (3; 5.40) = 0.2133 , P ( X < 4) = P (3; 5.40) = 0.2133 .

b).- P ( X 3) = 1 P (2; 5.40) = 1 0.0948 = 0.9052 ,
P ( X > 2) = P ( X 3) = 1 P (2; 5.40) = 1 0.0948 = 0.9052
c).- P ( 2 X 4) = P ( 4; 5.40 ) P (1; 5.40 ) = 0.3733 0.0289 = 0.3444 .
EJEMPLO 4.11
En una tienda los clientes llegan al mostrador conforme una distribucin de Poisson con un promedio
de 10 por hora. En una hora dada, cul es la probabilidad de que lleguen al menos 5 clientes?
Identificacin de datos:
Definamos a la variable aleatoria X : Cantidad de clientes que llegan a la tienda.
Un promedio de 10 clientes por hora, = 10
clientes
.
hora
En un intervalo de una hora dada, es decir:
= 1 hora .
clientes
Por lo tanto, = t = 10
(1 hora) = 10 clientes , con lo cual:
hora
P( X 5) = 1 P( X 4) = 1 [P ( X = 0) + P( X = 1) + P( X = 2) + P( X = 3) + P( X = 4)] =
e 10 (10) 0 e 10 (10) 1 e 10 (10) 2 e 10 (10) 3 e 10 (10) 4
= 1
+
+
+
+
=
0!
1!
2!
3!
4!
= 1 0.0293 = 0.9707
La probabilidad es bastante grande, puesto que considerando un valor esperado de 10 clientes

ser muy probable que 5 o ms clientes lleguen en el transcurso de una hora.
52
La probabilidad anterior se pudo haber calculado por tablas, con = t = 10 clientes ,

P ( X 5) = 1 P ( X 4) = 1 P (4; 10) = 1 0.0293 = 0.9707 .
EJERCICIOS 4
1).- Una secretaria comete en promedio dos errores al escribir una pgina. Si los errores cometidos son
independientes y siguen un proceso de Poisson Cul es la probabilidad de que cometa 1 o ms
errores en la siguiente pgina que escriba?
2).- Desde el ao 1996 el cierre de empresas por problemas financieros ha ocurrido, en promedio, a
razn de 5.7 cierres por ao. Suponga que el nmero de cierres por ao tiene una distribucin de
Poisson. Encuentre la probabilidad de que, ninguna empresa cierre durante un periodo de 4 meses.
3).- Supngase que una cajera de un Banco atiende (en promedio), a razn de 4.5 clientes por cada 10
minutos, y adems que la cantidad de personas atendidas por la cajera sigue un proceso de Poisson.
Calcule la probabilidad, de que dicha cajera atienda a slo 2 clientes en el transcurso de los
siguientes 10 minutos.
EJERCICIOS DE MODELOS DISCRETOS

1).- Qu representa P ( X = k ) , para una variable X con distribucin binomial?
2).- Qu representa P ( X = k ) , para una variable X con distribucin geomtrica?
3).- Qu representa P ( X = k ) , para una variable X con distribucin Hipergeomtrica?
4).- Qu representa P ( X = k ) , para una variable X con distribucin de Poisson?
5).- Cundo se termina un experimento de Bernoulli?
6).- Qu diferencias fundamentales existen entre los modelos binomial y geomtrico?
7).- Qu semejanzas existen entre los modelos binomial y geomtrico?
8).- En qu modelo siempre son iguales el valor esperado y su variancia?
9).- En que modelo discreto la dependencia entre sus pruebas es una de sus caractersticas?
10).-
Qu valores puede tomar el rango de una variable aleatoria con distribucin geomtrica?
11).-
Qu valores puede tomar el rango de una variable aleatoria con distribucin de Poisson?
1).- Segn las estadsticas de la ciudad de Mxico, en la colonia Doctores se cometen en promedio 10
asaltos a automovilistas al da. Si los asaltos son independientes y se apegan a un proceso de
Poisson.
a).- Calcule la probabilidad de que en un da determinado se cometan ms de 10 asaltos a
automovilistas.
b).- Calcule la probabilidad de que en el transcurso de las 6 y 12 horas del da de maana, no se
cometan asaltos a automovilistas. Comente el resultado obtenido.
2).- Si el costo de pasaje por persona en una Combi es de $2.5 y cada vehculo transporta en promedio
12 pasajeros por cada 30 minutos. Suponga que la cantidad de personas transportadas por la combi
sigue una distribucin de Poisson.
53
a).b).-
Encuentre el ingreso esperado por da de trabajo de un chofer (1 da de trabajo equivale a 10

horas), si en gasolina invierte 200 pesos diarios.
La probabilidad de que en un intervalo determinado, de 30 minutos, transporte a lo ms la
mitad del promedio dado anteriormente?
3).- La administracin de la empresa PARTEC, S.A. quiere conocer las probabilidades que pueden
suceder para llevar a efecto un control de calidad, para lo cual el administrador supone que tiene un
lote de 20 artculos de los cuales 3 son defectuosos y quiere conocer la probabilidad de que al elegir
una muestra de 4 artculos, se encuentre al menos un defectuoso.
4).- La probabilidad de que un cliente acuda al mostrador de una tienda de abarrotes en cualquier
periodo de un segundo es igual a 0.1. Supngase que los clientes llegan de manera aleatoria y por
lo tanto, las llegadas en cada intervalo de un segundo son independientes.
a).- Encuentre la probabilidad de que la primera llegada ocurra durante el tercer intervalo de un
segundo.
b).- Encuentre la probabilidad de que la primera llegada ocurra despus del tercer intervalo de un
segundo.
5).- Las estaciones de radio en Mxico, durante su periodo de mayor audiencia (cuando se ofrecen
premios por llamar a la estacin), es tal que la probabilidad de que una persona pueda comunicarse
(la lnea est desocupada es de 0.05). Suponga que las llamadas son independientes.
a).- Calcule la probabilidad de que la tercera llamada que entra sea la dcima que se realiz.
b).- Cul es el nmero de llamadas que deben de hacerse para que entre la primera llamada?
6).- Las estaciones de radio en Mxico, durante su periodo de mayor audiencia (cuando se ofrecen
premios por llamar a la estacin), es tal que la probabilidad de que una persona pueda comunicarse
(la lnea est desocupada es de 0.05). Suponga que las llamadas son independientes. Si un radio
escucha habla cada da para tratar de ganar los premios que se reparten diariamente. Calcule la
probabilidad de que en dos de los siguientes 5 das gane premio, si ste se obtiene con ser el
primero que hable. Considere independientes la obtencin de los premios por da.
7).- Segn un estudio se obtuvo que el 65% de los empleados de una Universidad que tiene pocos aos
de laborar desean afiliarse a un sindicato. Si toma una muestra aleatoria de 15 empleados y se les
pregunta si desean o no el sindicato, calcule la probabilidad de que:
a).- La mayor parte deseen el sindicato.
b).- Slo 5 deseen el sindicato.
8).- Se sabe que el 30% de los accionistas dedican 10 o menos minutos a la lectura del balance de su
empresa. Se eligen al azar 8 accionistas de la empresa, calcule la probabilidad de que 5 o menos
dediquen 10 o menos minutos a la lectura del balance de la empresa.
9).- En una tienda se encontr que la venta de cierto articulo sigue un proceso de Poisson con un
promedio de 5 ventas al da, cul es la probabilidad de que en un da dado el articulo?
a).- Sea pedido ms de 6 veces.
b).- Si los pedidos de da en da, se suponen independientes, calcule la probabilidad, de que tengan
que pasar ms de 4 das de pedidos, para que resulte el primer da con ms de seis pedidos.
10).- En la ciudad de Mxico se efectuaron encuestas a un gran nmero de amas de casa para saber si
por la noche el agua de su casa se sala de las cisternas, encontrndose que aproximadamente el 5%
contesto afirmativamente. Considere la estimacin anterior vlida, calcule la probabilidad de que al
inspeccionar a 20 casas, por la noche, al menos en una de ellas se est tirando el agua.
54
11).- El conmutador del IPN puede manejar un mximo de 3 llamadas por minuto. Si se sabe que en
promedio recibe 40 llamadas por hora.
a).- Cul es la probabilidad de que en un intervalo de un minuto determinado se sature el
conmutador?.
b).- Cuntos intervalos de un minuto se espera tengan que ocurrir para que se encuentre el
primero en que se sature el conmutador?
12).- Para llevar a cabo un reporte de control de calidad sobre la fabricacin de videos, se analizan
por lotes independientes de 15 aparatos cada uno. Si de cada uno de estos lotes se elige una
muestra aleatoria de 3 de ellos y se prueban. Considere que el productor a introducido en cada lote
2 defectuosos. La embarcacin de videos se comprar, si despus de analizar un lote no se han
encontrado defectuosos. Calcule la probabilidad de que en estas condiciones se tenga que comprar
la embarcacin.
13).- Una institucin bancaria selecciona a 20 clientes de los cuales 5 forman parte de su cartera
vencida. Si selecciona una muestra aleatoria de 6 de ellos, calcule la probabilidad de que sean
deudores con plazo vencido Ms de tres.
14).- En la industria de la cerveza se lleva a cabo un control de calidad con respecto a la cantidad de
llenado de los botes de la misma. Se sabe que la probabilidad de que el llenado est fuera de las
especificaciones es de 0.01, la lnea de produccin se detiene para ajustarla, si al analizar
aleatoriamente una muestra de 25 botes, ms de uno tiene un contenido de cerveza fuera de las
especificaciones. Calcule la probabilidad de que la lnea de produccin tenga que ser detenida al
realizar el siguiente muestreo.
15).- Un contador pblico titulado (CPT) ha encontrado que 9 de 10 auditorias de compaas
contienen errores importantes. Si el CPT revisa la contabilidad de una serie de compaas cul es
la probabilidad de que:
a).- la primer contabilidad con errores sustanciales sea la tercera revisada?
b).- la primer contabilidad con errores importantes fuera encontrada despus de revisar la tercera?
16).En el aeropuerto Benito Jurez de la ciudad de Mxico, debido a la gran afluencia de
pasajeros, slo se revisa el 10% de estos a la salida. Si de un grupo de 30 turistas, 10 tiene compras
muy por arriba de la cantidad permitida y se conserva el mismo 10% de revisiones para las 30
personas, cul es la probabilidad de que las tres personas revisadas tengan que pagar los impuestos
correspondientes por exceso de compras permitidas por las autoridades del aeropuerto?
17).Desde el ao 1996 el cierre de empresas por problemas financieros ha ocurrido, en promedio, a
razn de 5.7 cierres por ao. Suponga que el nmero de cierres por ao tiene una distribucin de
Poisson. Encuentre la probabilidad de que, ninguna empresa cierre durante un periodo de 4 meses.
18).Supngase que una cajera de Bancomer atiende (en promedio), a razn de 3 clientes por cada
10 minutos, y adems que la cantidad de personas atendidas por la cajera sigue un proceso de
Poisson. Calcule la probabilidad, de que una cajera atienda a slo 2 clientes en el transcurso de los
siguientes 10 minutos.
19).- Los clientes a cierto restaurante de la zona Rosa, llegan en carro de acuerdo con un proceso de
Poisson con media de 10 carros/hora. El estacionamiento tiene 8 lugares techados, si ste abre a las
10:30 horas, cul es la probabilidad de que un cliente que llegue en su carro a las 11:00 horas
alcance un lugar techado del estacionamiento?. Suponga que un cliente que llega al restaurante
tarde ms de 45 minutos en salir.
55
VARIABLES ALEATORIAS CONTINUAS

En la parte 4 se repasaron las variables aleatorias que requieren del conteo de sus elementos, dando
origen a las variables aleatorias discretas, esto es, variables con dominios finitos o infinitos numerables.
Ms sin embargo en la prctica resultan una infinidad de experimentos en los cuales sus resultados se
obtienen por mediciones y sus valores pueden ser cualquiera de los puntos de un intervalo.
EJEMPLOS 5.1
a) Al lanzar una moneda puede interesarnos predecir el rea en la que ella caera.
En este caso podemos apreciar que la cantidad de resultados posibles no es contable, puesto que un
resultado puede ser cualquier regin de un rea determinada y del Clculo sabemos que un rea
tiene una cantidad no numerable de puntos.
b) La humedad en cierta regin podemos medirla y asignarle a cada medicin de humedad, un punto
nico en un intervalo.
c) La estatura de los estudiantes de la Universidad.
Al medir a los estudiantes podemos asignarles a cada una de sus estaturas un valor dentro de un
intervalo.
d) El tiempo de espera en una fila de una oficina, negocio, etc.
Al medir el tiempo de espera de las personas al establecimiento se le puede asignar un punto

cualesquiera de un intervalo.
Definicin 5.1
Una variable aleatoria X de un experimento aleatorio dado con rango R X , la llamaremos:
Variable Aleatoria Continua, abreviada por vac, cuando el conjunto R X resulta ser un
intervalo del conjunto de los nmeros reales R.
Como vimos en los ejemplos anteriores generalmente este tipo de variables tiene cabida cuando
la variable del experimento es tal que se requiere de una medicin para determinar sus elementos.
Para la asignacin de probabilidades de las variables aleatorias continuas a diferencia de las
variables aleatorias discretas, resulta un poco ms complejo el problema, puesto que en stas ltimas
podemos contar las probabilidades P ( X = x k ) y posteriormente sumarlas, mientras que en las variables
aleatorias continuas no se puede hacer. Por otro lado, en las variables aleatorias continuas X la
cantidad de elementos no es contable. Por lo tanto, P ( X = x ) pierde significado, incluso como
veremos en unos momentos, a diferencia de las variables aleatorias discretas, la probabilidad en un
punto de una variable aleatoria continua siempre ser igual a cero.
El primer problema a resolver en las variables aleatorias continuas consiste en la asignacin de
probabilidades. Continuando el uso de la teora de funciones, tendremos que introducir una funcin
que nos permita realizar el clculo de probabilidades de las variables aleatorias continuas.
56
5.1.1 FUNCIN DE DENSIDAD DE PROBABILIDAD

Definicin 5.2
A la funcin sumable f (x) en todos los reales; que cumple, con las condiciones siguientes le
llamaremos Funcin de Densidad de Probabilidad, abreviado por fdp, de la variable aleatoria
continua X.
a).- f ( x ) 0 , para toda x R .
b).-
f ( x)dx = 1
c).- Para cualesquier reales a y b, tales que a b ; tenemos P(a X b) = f ( x)dx .

a
Antes de continuar debemos notar que f (x) no representa alguna probabilidad. Las Probabilidades en
un intervalo (a, b) estn representadas por el rea bajo la curva de la funcin f (x) , en dicho intervalo.
Ver la figura 5.1.
b
P (a X b) = f ( x)dx
a
f ( x)
Fig. 5.1 Muestra el rea bajo la curva de f (x) , en el intervalo (a, b) .

5.1.2 FUNCIN ACUMULADA DE UNA VARIABLE ALEATORIA CONTINUA
Definicin 5.3
Sea X una variable aleatoria continua con funcin de densidad f (x) , llamaremos funcin de
distribucin acumulada (fda) de la variable aleatoria continua X, a la funcin F (x) definida en
todos los reales, tal que:
F ( x) = P( X x) =
f (t )dt , para toda
xR
5.1.2A PROPIEDADES DE UNA FUNCIN DE DISTRIBUCIN ACUMULADA

a) F (x ) , es una funcin no decreciente; es decir, para todos los reales x e y, si x < y , entonces
F ( x) F ( y ) .
b) lm F ( x ) = 0 . Se deduce fcilmente de la definicin de una funcin de distribucin acumulada.
x
57
c)
lm F ( x) = 1 . Se deduce inmediatamente del inciso b) de la definicin de una funcin de densidad
x +
de probabilidad.
d) La funcin de distribucin acumulada de una variable aleatoria continua es continua.
e) La funcin de densidad de una variable aleatoria continua X se obtiene de la acumulada
f ( x) =
dF ( x )
.
dx
f) Con la funcin de distribucin acumulada se pueden calcular probabilidades
P ( X b) =
f ( x)dx = F (b)
P(a X ) = 1 P( X a) = 1
f ( x)dx = 1 F (a)
P (a X b) = f ( x )dx =
a
f ( x ) dx
f ( x)dx = F (b) F (a)
5.2 VALOR ESPERADO Y VARIANCIA DE UNA VARIABLE ALEATORIA CONTINUA

Los parmetros el valor esperado y la variancia de una variable aleatoria discreta los estudiamos en la
parte 4. Para las variables aleatorias continuas la interpretacin de stos se conserva, slo cambiar su
frmula para hacer clculos, puesto que la sumatoria se cambia por una integral.
Definicin 5.4
Sea X una variable aleatoria continua con funcin de densidad, f (x) , llamaremos valor esperado
de X (o esperanza matemtica de X), al valor que denotaremos por E ( X ) o X , y se calcula por:
E( X ) =
xf ( x)dx
5.2.1 PROPIEDADES DEL VALOR ESPERADO DE UNA VAC

Las propiedades son las mismas que en las variables aleatorias discretas. Sea X una variable aleatoria
continua con funcin de densidad f (x ) , entonces se tienen las siguientes propiedades.
a. Si Y = h( X ) , entonces E (Y ) = E (h( X ) ) =
h( x) f ( x)dx .
b. Si Y = h( X ) = aX + b , entonces E (Y ) = aE ( X ) + b .
c.
Si X = c , entonces E ( X ) = c . Es decir el valor esperado de una constante, es la misma

constante.
d. En particular; si Y = aX , entonces E (Y ) = aE ( X ) .
58
5.2.2 VARIANCIA DE UNA VARIABLE ALEATORIA CONTINUA

Definicin 5.5
Dado un experimento y una variable aleatoria continua X en l, con funcin de densidad f (x) ,
llamaremos variancia de X al valor que denotaremos por V ( X ) o X2 , y se calcula:
V (X ) =
(x E( X ))
f ( x)dx .
se llama desviacin estndar de la variable aleatoria continua X, a la raz positiva de la variancia:

X = V (X )
5.2.3 PROPIEDADES DE LA VARIANCIA DE UNA VAC
Las propiedades son las mismas que en las variables aleatorias discretas. Sea X una variable aleatoria
continua con funcin de densidad f (x ) , entonces se tienen las siguientes propiedades.
a. V ( X ) =
(x E ( X ))
f ( x)dx = E[ X E ( X )]2
( )
b. V ( X ) = E X 2 [E ( X )]2
c. Si Y = h( X ) = aX + b , entonces V (Y ) = a 2V ( X ) . En particular; si X = c , entonces V ( X ) = 0 ,
puesto que no existe variabilidad entre los elementos de una variable aleatoria continua
constante. En particular; si Y = aX , entonces V (Y ) = a 2V ( X ) .
EJEMPLOS 5.2
1.- Una gasolinera tiene dos bombas, que pueden bombear cada una hasta 10,000 galones de gasolina
por mes. La cantidad total de gasolina bombeada en un mes es una variable aleatoria X (expresada
en diez miles de galones) con una funcin de densidad de probabilidad dada por
0 < x <1
x,
f ( x ) = 2 x, 1 x < 2
0,
en otro lugar
a)
b)
Calcule la probabilidad de que la gasolinera bombee entre 8,000 y 12,000 galones en un mes.
Si se sabe que la gasolinera ha bombeado ms de 10,000 galones en un mes en particular,
encuentre la probabilidad de que haya bombeado ms de 15,000 galones durante el mes.
1.2
1.2
x2
P (0.80 X 1.2) = f ( x ) = xdx + ( 2 x ) dx =
a).2
0.8
0.8
1
x =1
x = 0.8
( 2 x) 2
x =1.2
=
x =1
= 0.18 + 0.18 = 0.36
59
(2 x) 2
x=2
(2 x)dx
P[( X > 1.5) ( X > 1)] P( X > 1.5) 1.5
x =1.5
P( X > 1.5 | X > 1) =
=
= 2
=
x=2
P( X > 1)
P( X > 1)
(2 x) 2
b).x
dx
(
2
2
1
x =1
=
2.-
0.125
= 0.25
0.50
Dada una variable aleatoria continua X con funcin de densidad de probabilidad

e x , si x > 0
, y la variable aleatoria continua Y = h( x ) = 3 X + 10 . Calcule: E (Y ) y
f ( x) =
0
,
si
0
x
V (Y ) .
Primero se calcular E ( X ) =
xf ( x)dx = xe
dx = e x ( x + 1)
x
x =0
= 0 + 1 = 1.
De las propiedades del valor esperado, E (Y ) = 3E ( X ) + 10 = 3(1) + 10 = 13 .

Para la variancia primero calculamos E ( X 2 ) ,
2
E( X ) =
2 x
2
x
x f ( x)dx = x e dx = e ( x + 2 x + 2)
2
x
x =0
= 0 + 2 = 2.
De las propiedades de la varianza, tenemos V ( X ) = E ( X 2 ) E 2 ( X ) = 4 1 = 3 .

Finalmente, V (Y ) = 3 2 V ( X ) = 3 3 = 27 .
3).- El costo de reparacin anual X para cierta mquina tiene una funcin de densidad de probabilidad,
dada por
3(1 x) 2 ,
f ( x) =
0,
con las mediciones dadas en diez miles de pesos.
anualmente para los costos de reparacin, para que
presupuestada un 10% de las veces?
0 < x <1
en otro lugar
Qu cantidad de dinero debe presupuestarse
el costo real solamente exceda a la cantidad
Sea x 0 la cantidad buscada, tendremos:

1
0.10 = P ( X > x 0 ) = 3(1 x) 2 dx = (1 x) 3

x0
x =1
x = x0
= 0 + (1 x 0 ) 3 = (1 x 0 ) 3 = 0.10
Despejando x 0 en la ltima igualdad de la expresin anterior, tenemos
x 0 = 1 3 0.10 = 0.53584 diez miles de pesos, esto es x 0 = $5,358.4 .

60
EJERCICIOS VARIABLES ALEATORIAS CONTINUAS

1).- Generalmente los valores de una variable aleatoria continua se obtienen por medio de ...
2).- Podrn ser negativos los valores de una variable aleatoria continua?
3).- Podrn ser negativos los valores de una funcin de densidad?
4).- Podr decrecer la funcin acumulada?
5).- Si la probabilidad de un evento de una variable aleatoria continua vale cero, esto implica que el
evento es el vaco?
6).- La variancia de una variable aleatoria se puede entender como el valor esperado del...
7).- Podr ser negativo el valor esperado de una variable aleatoria continua?
8).- Si conoces la funcin acumulada de una variable aleatoria continua cmo puedes encontrar su
funcin de densidad?
9).- Es cierto que en las variables aleatorias continuas tanto la funcin acumulada como la de densidad
no deben tener puntos de discontinuidad?
10).La cantidad total de gasolina bombeada en un mes es una variable aleatoria X (expresada en
diez miles de galones) con una funcin de densidad de probabilidad dada por:
1
,
0< x<3
f ( x) = 3
0, en otro lugar
a).b).-
Calcule la probabilidad de que la gasolinera bombee entre 8,000 y 12,000 galones en un

mes.
Si se sabe que la gasolinera ha bombeado ms de 20,000 galones en un mes en particular,
encuentre la probabilidad de que haya bombeado ms de 25,000 galones durante el mes.
11).El costo de reparacin anual X para cierta mquina tiene una funcin de densidad de
probabilidad, dada por:
2(1 x ), 0 < x < 1
f ( x) =
en otro lugar
0,
con las mediciones dadas en diez miles de pesos. Qu cantidad de dinero debe presupuestarse
anualmente en los costos de reparacin, para que el costo real solamente exceda a la cantidad
12).- El costo de reparacin anual X para cierta mquina tiene una funcin de densidad de
probabilidad, dada por:
3(1 x) 2 ,
0,
en otro lugar
f ( x) =
< x <1
con las mediciones dadas en diez miles de pesos. Qu cantidad de dinero debe presupuestarse
anualmente para los costos de reparacin, para que el costo real solamente exceda a la cantidad
61
13).- Por medio de observaciones una persona a notado que su tiempo de espera a la llegada de su
Microbs (en minutos), tiene un comportamiento aproximadamente igual a la funcin acumulada:
x0
0,
F ( x) =
x 3
1 e , x > 0
Encuentre la probabilidad de que el primer da que la persona tenga que esperar ms de 5 minutos su
Microbs sea el tercer da de la semana. Considere que la espera del microbs son independientes.
14).- La vida til de cierto tipo de lavadora automtica tiene una distribucin con funcin de densidad
igual a:
0,
x<0
f ( x) =
0.2 x
, x0
0.2e
Cul tiene que ser el tiempo de garanta en aos que otorgue la empresa, si slo quiere reparar un
20% de las lavadoras que venda?
15).- La elaboracin de cierto proyecto est planeado a terminarse segn una variable aleatoria X, la
cual tendr la siguiente funcin de densidad. Para el primer ao se espera un resultado optimista de
terminacin dado por x y en caso de surgir contratiempos se tiene un comportamiento de
terminacin pesimista, dado por 2 x . Es decir, la funcin de densidad correspondiente, est dada
por:
0 x <1
x,
f ( x ) = 2 x, 1 x 2
0,
x [0,2]
Calcule la probabilidad de que el proyecto sea terminado en la segunda mitad del tiempo optimista.
16).La administracin de una empresa quiere calcular los costos de reparacin anual de cierta
mquina. Para esto lleva a cabo un estudio en el cual obtiene que los costos de reparacin anual se
comportan de forma proporcional a una variable aleatoria X, dada por:
1 + x
, 0< x<2
f ( x) = 4
0,
en otro lugar
con las mediciones dadas en miles de pesos.

a). Encuentra la funcin de distribucin acumulada correspondiente.
b). Calcula el valor esperado de X.
c). Calcula la probabilidad de que el costo sea menor a 1000 pesos (como estn en miles sera la
probabilidad de que X sea menor que 1).
62
MODELOS CONTINUOS DE PROBABILIDAD

5.3 MODELO EXPONENCIAL
En una gran parte de los modelos continuos relacionados con el tiempo podemos notar que su
distribucin es de tal forma que en los tiempos cercanos a cero tiene una mayor acumulacin y que
conforme pasa el tiempo sta decrece rpidamente de forma similar a una funcin exponencial
negativa. Por ejemplo, en los modelos relacionados con las lneas de espera es comn que en los
primeros instantes el cliente tenga una mayor probabilidad de ser atendido que despus de un tiempo
transcurrido. Se dice que un modelo probabilstico continuo que describe apropiadamente tales
fenmenos es de tipo exponencial cuando la variable aleatoria continua X est distribuida en el
intervalo [0, ) de tal forma que su funcin de densidad de probabilidad es una funcin de tipo
exponencial negativa.
Definicin 5.6
Sea X una variable aleatoria continua del experimento realizado, diremos que tiene una
distribucin exponencial con parmetro positivo en el intervalo [0, ) , cuando su funcin de
densidad de probabilidad (fdp) es:
1 x
f ( x) = e , x 0
0,
en otro lugar
Los modelos exponenciales tienen una gran aplicacin en las Lneas de espera o Teora de
Colas, porque las distribuciones de tiempos son propicias para:
a).- Espera y llegada de clientes a un centro de servicios.
b).- Espera para ser atendidos en un banco.
c).- Espera para ser atendidos los pacientes en una clnica.
d).- En algunos otros casos en los que se estudian las duraciones de vida de componentes
electrnicos; resulta que generalmente tienen una distribucin tipo exponencial.
e).- Duracin de equipos industriales para poder establecer tiempos de garantas.
Los modelos exponenciales se emplean cuando la probabilidad de que la variable aleatoria en
estudio que ocurre en una unidad de tiempo sea igual a que suceda en cualquier otra. Lo anterior
significa que las variables aleatorias exponenciales son invariantes en el tiempo.
Teorema 5.1
Si X es una variable aleatoria continua distribuida exponencialmente en [0, ) y, f ( x ) su funcin
de densidad de probabilidad, entonces
a)
= E( X ) = ,
b).- 2 = V ( X ) = 2
x<0
0,
x
c).- F ( x) =
1 e , x 0
Clculos
. P( X > a) = e
P( X < a) = 1 e
P ( a < X < b) = e
, con b > a > 0

63
EJEMPLOS 5.3
1.- El tiempo de espera de los clientes en un restaurante para ser atendido es una variable aleatoria
continua X con distribucin exponencial y media = 5 minutos.
a).- Calcula la probabilidad, de que la siguiente persona que entre al restaurante sea atendida despus
de 6 minutos.
b).- Si se sabe que Pablo fue atendido despus de 4 minutos, calcula la probabilidad, de que haya sido
atendido despus de 6 minutos.
c).- Calcula la probabilidad de que Pablo sea atendido despus de 2 minutos. Compara el resultado,
con el obtenido en el inciso b).
Como X est distribuida exponencialmente con parmetro = 5 tendremos.
a) Por el teorema anterior P ( X > 6) = e
6
5.
b) Por el Teorema anterior y la probabilidad condicional, tenemos:

P ( X > 6 | X > 4) =
P[( X > 6) ( X > 4)]

P ( X > 4)
c) Por el Teorema anterior: P ( X > 2) = e
2
5
P ( X > 6)
P ( X > 4)
e
e
6
5
4
5
=e
2
5
, esta probabilidad coincide con la del inciso b.
OBSERVACIN
El resultado del inciso b) se puede generalizar, y nos muestra (al igual que se hizo con el modelo
geomtrico) que la distribucin exponencial no tiene memoria. Es decir: Para cualesquier a y b, se
cumple:
P ( X > a + b | X > a ) = P ( X > b) . Esto ltimo quiere decir que si comparamos las
probabilidades de duracin de un componente usado, el cual tiene una distribucin exponencial. La
probabilidad de que opere por lo menos t unidades de tiempo adicionales debe ser igual a la
probabilidad cuando un componente nuevo de tal tipo opere al menos la misma t unidad de tiempo que
el viejo.
2.- Una lavadora MABE tiene una vida media de 10 aos. Si la vida til de ese tipo de motor puede
considerarse como una variable aleatoria distribuida en forma exponencial. Cul debe ser el
tiempo de garanta que deben tener dichas lavadoras si se desea que no ms del 20 % de stas fallen
antes de que expire su garanta?.
Primeramente vamos a definir a la variable aleatoria con distribucin exponencial X
X: Tiempo de vida de las lavadoras Mabe.
Sea T el tiempo de garanta de las lavadoras. Por otro lado, para que una lavadora sea reparada
durante su tiempo de garanta, es necesario que P ( X < T ) = 0.20 . Si adems tomamos en cuenta que
= 10 , tendremos:
De donde, 0.20 = P ( X < T ) = 1 e
tiempo de garanta.
T
10 ,
la probabilidad de que la lavadora dure menos que el
64
Despejando la exponencial, resulta: e

Por medio del logaritmo natural:
T
10
= 0.80 .
T
= ln(0.80) .
10
Finalmente: T = 10 ln(0.80) = 2.23 aos.

EJERCICIOS 1
1).-
Se ha hecho un estudio sobre el tiempo de espera de los usuarios a cierto banco del D.F.,
obtenindose que el tiempo promedio que tardan en atender a un usuario entre las 9 y las 12 horas
de un da normal es de 10 minutos, y que el tiempo de espera en ser atendido se distribuye
exponencialmente. Calcula la probabilidad de que si vas a dicho banco en un da normal a las 10:20
horas seas atendido
a).- En menos de 5 minutos.
b).- En ms de 10 minutos.
2).-
El periodo de vida en aos de un interruptor elctrico tiene una distribucin exponencial con
un promedio de falla de = 2 aos. Cul es la probabilidad de que un interruptor falle despus
del 2do. ao?
3).-
Un motor elctrico tiene una vida media de 6 aos. Si la vida til de ese tipo de motor puede
considerarse como una variable aleatoria distribuida en forma exponencial. Cul debe ser el
tiempo de garanta que debe tener el motor si se desea que a lo ms el 15 % de los motores fallen
antes de que expire su garanta?.
4).-
Por medio de una repeticin de experimentos se obtuvo que la variable aleatoria continua X se
describe en forma muy propicia por un modelo de tipo exponencial, y para determinar su parmetro
correspondiente se ha empleado su funcin de distribucin acumulada, resultando que la
probabilidad P ( X < 35) = 0.26 . Encuentre en tales circunstancias al parmetro .
5.4 MODELO NORMAL

La distribucin normal fue encontrada por Carl Friedrich Gauss5, en algunos trabajos se le conoce
como: Ley de probabilidad de Gauss, segn sta una magnitud sufre la influencia de numerosas
causas de variacin, todas ellas muy pequeas e independientes entre s, los resultados se acumulan
alrededor de la media, distribuyndola simtricamente a su alrededor con una frecuencia que disminuye
rpidamente al alejarse del centro.
Definicin 5.7
Sea X una variable aleatoria continua,se dice que X tiene una distribucin normal o de Gauss, con
parmetros y (positivo) en todos los reales cuando su funcin de densidad de probabilidad es :
f ( x) =
( x )2
2 2
en x (, ) .
Carl Friedrich Gauss matemtico, astrnomo y fsico alemn. Naci en Brunswick en 1777 y muri en Gotinga en 1855.
65
Como se mencion arriba los modelos con distribucin normal se caracterizan por la forma de
la grfica de su funcin de densidad. La grfica de la distribucin Normal tiene forma de campana,
como la mostrada en la siguiente figura:
Segmento de
longitud
1.1
E( X ) =
Segmento de
longitud
0.9
0.7
0.5
V (X ) = 2
0.3
0.1
-1
-0.1
0.5
1.5
2.5
3.5
Fig. 5.2 Grfica de la fdp, de una variable aleatoria continua X,

con distribucin normal, media y variancia 2 .
En la grfica anterior, se puede apreciar que la recta x = es el eje de simetra de la funcin;
mientras que en los valores x = y x = + se tienen los puntos de inflexin de la grfica de la
funcin compruebe esto ltimo por medio del Clculo!
El modelo normal tiene gran aplicacin en diferentes reas y es una de las distribuciones con
mayor auge en el estudio de las probabilidades y la estadstica, la dimensin de su importancia radica
en un Teorema titulado: Teorema del Lmite Central.
Teorema 5.2
Si X es una variable aleatoria continua distribuida normalmente en ( , ) y f (x) su funcin de
densidad de probabilidad, entonces
a) E ( X ) = .
b)
V (X ) = 2 .
5.4.1 CLCULO DE PROBABILIDADES

Como se mencion anteriormente la distribucin de Gauss tiene una gran importancia en el estudio de
las probabilidades y la estadstica, por consiguiente es de gran importancia tener un anlisis detallado
sobre su comportamiento para el clculo de probabilidades. Pero de los cursos de Clculo, se sabe que
la integral de la funcin:
1
f ( x) =
e
2
( x )2
2 2
no se puede resolver en base a funciones elementales. Por lo tanto, cuando la integral es definida slo
podemos aproximar sus valores por medio de alguno de los mtodos numricos, entre algunos otros
tenemos: Mtodo del trapecio, Simpson 1 3 y Cuadratura de Gauss.
De lo anterior, podemos notar que el clculo de probabilidades resultara bastante engorroso para
este tipo de distribuciones, pero debido a su importancia se tienen tablas y programas para calcular
las probabilidades. Desde luego, como es de suponerse se requiere de algn mtodo, con el que no se
tenga que resolver integrales para diferentes valores de y .
66
El problema anterior se resuelve con el cambio de variable aleatoria:
Z=
al cual se le llama: La estandarizacin de la variable X a unidades en Z.

La frmula en Z es una regla de transformacin puesto que en la estandarizacin X ,
representa un desplazamiento del eje de las ordenadas ver Figura 5.3; mientras que la divisin entre la
desviacin estndar influye en la amplitud de la funcin, ver figura 5.4.
= 1; = 1
0.45
= 2; = 1
0.35
0.25
0.15
0.05
X
-2.0 -1.5 -1.0 -0.05 0.0 0.5 1.0 1.5 2.0 2.5 3.0
3.5 4.0 4.5 5.0
Fig. 5.3 Muestra la grficas de la distribucin normal con la misma

desviacin estndar, pero diferente valor esperado.
Se puede apreciar que las dos grficas son iguales, slo cambia la posicin del eje de las
ordenadas. En las grficas de abajo cambiar su amplitud, a mayor variancia menor amplitud.
= 1; = 0.75 o bien N (1,0.75)

0.55
0.45
0.35
0.25
= 1; = 1.5 o bien N (1,1.5)
0.15
0.05
-3.0 -2.5 -2.0 -1.5 -1.0 -0.05 0.0 0.5 1.0 1.5
X
2.0 2.5 3.0 3.5
4.0 4.5 5.0
Fig. 5.4 Muestra la grficas de la distribucin normal con el mismo

valor esperado, pero diferente desviacin estndar.
Cuando se realiza la estandarizacin resulta que E ( Z ) = 0 y V ( Z ) = 1 .
y su grfica se representa en la Figura 5.5.
67

0.45
0.35
0.25
0.15
0.05
-3.0 -2.5 -2.0 -1.5 -1.0 -0.05 0.0 0.5 1.0 1.5
2.0 2.5 3.0
Fig. 7.5 Grfica de la distribucin normal estndar.

La integral para la funcin acumulada de la variable aleatoria Z, es decir la distribucin normal
en su forma estndar se calcula y representar por:
F (z0 ) =
1
2
z0
dz = ( z 0 )
Para el clculo de probabilidades se emplean las propiedades siguientes de la distribucin y la

tabla de la normal estndar.
5.4.2 PROPIEDADES DE LA DISTRIBUCIN NORMAL ESTNDAR
a) Propiedad de simetra. La funcin f (z ) es simtrica con respecto al eje de las ordenadas. Es
decir, P( Z < Z 0 ) = P( Z > Z 0 ) .
b) Propiedad del complemento. En los casos de P( Z > Z 0 ) se puede emplear la simetra, inciso a, o
el complemento. Es decir, P( Z > Z 0 ) = 1 P( Z Z 0 ) .
c) P (1 < Z < 1) = 0.6827 y P (2 < Z < 2) = 0.9545 .
d) La suma de probabilidades fuera del intervalo (4, 4) , no puede ser mayor a 0.0001, es decir, casi
vale cero.
5.4.3 USO DE TABLAS DE LA FUNCIN ACUMULADA
Como se ha mencionado el uso de tablas o de algn programa para el clculo de probabilidades es
fundamental en la solucin de los ejercicios. Por lo tanto, para homogeneizar el uso de tablas que
emplearemos en los clculos.
Funcin acumulada de la Distribucin Normal Estndar
(z) =
2 dx
D(z) =
-Z
1
2
dx
z ( z ) (z ) D(z ) z ( z ) (z ) D(z ) z ( z ) (z ) D(z ) z ( z ) (z ) D(z )

0.04 0.4840 0.5160 0.0319 0.44 0.3300 0.6700 0.3401 0.84 0.2005 0.7995 0.5991 1.24 0.1075 0.8925 0.7850
0.05 0.4801 0.5199 0.0399 0.45 0.3264 0.6736 0.3473 0.85 0.1977 0.8023 0.6047 1.25 0.1056 0.8944 0.7887
0.06 0.4761 0.5239 0.0478 0.46 0.3228 0.6772 0.3545 0.86 0.1949 0.8051 0.6102 1.26 0.1038 0.8962 0.7923
68
Como se puede observar en estas tablas la funcin acumulada se representa por medio de la
funcin (z ) . Para el clculo de probabilidades en intervalos simtricos se tiene otra funcin:
1
D( z 0 ) =
2
z0
z0
dz = ( z 0 ) ( z 0 )
Por lo tanto el clculo de probabilidades en base a estas funciones y las propiedades anteriores, se
podr efectuar de la siguiente forma:
1).-
P( Z < Z 0 ) = ( Z 0 ) .
2).-
P( Z > Z 0 ) = P( Z < Z 0 ) = ( Z 0 ) .
3).-
P ( Z 0 < Z < Z 0 ) = D( Z 0 ) .
4).-
P(a < Z < b) = (b) (a) .
En los siguientes ejemplos emplearemos ambas funciones (z ) y D(z ) .

EJEMPLOS 5.4
Sea Z una variable aleatoria continua con distribucin normal estndar, calcula las probabilidades
indicadas:
1).- P ( Z < 1.25) = (1.25) = 0.8944 .
2).- P ( Z < 0.86) = (0.86) = 0.1949

0.1949
0.8944
Z
1.25
3).-
0.86
4).-
P ( Z > 1.03) = 1 P ( Z 1.03) =

= 1 (1.03) =
P(2.97 < Z < 2.97) = D(2.97) =

= 0.9970
= 1 0.1515 = 0.8485, o
P ( Z > 1.03) = P ( Z < 1.03) = (1.03) =
= 0.8485
0.9970
0.8485
1.03
2.97
Z
2.97
69
5).- P (0.57 < Z < 0.57) = D(0.57) = 0.4313 .

6).- P (0.67 < Z < 1.24) = (1.24) (0.67) = 0.8925 0.2514 = 0.6411 .
0.6411
0.67
Z
1.24
7).- P (0.06 < Z < 3.04) = (3.04) (0.06) = 0.9988 0.5239 = 0.4749 .
8).- P ( Z < 4.5) = (4.5) 0 .
9).- P ( Z < 5) = (5) 1 .
10).- P (0.06 < Z < 5.1) = (5.1) (0.06) 1 0.5239 = 0.4761
Sea X una variable aleatoria continua con distribucin normal, calcula las probabilidades
indicadas:
11).-
Si E ( X ) = 4 y V ( X ) = 9 ; calcule la probabilidad P ( X 7) .
Para esto, primero realizamos la estandarizacin de la variable X, y despus empleamos las tablas
de la distribucin normal estndar.
X 4 7 4
P ( X 7) = P
=
3
9
= P(Z 1) = P (Z 1) =
= (1) =
= 0.1587
12).-
0.1587
Si E ( X ) = 3 y = 2.5 ; calcule P (1 < X < 5) .
Para esto, primero realizamos la estandarizacin, y despus empleamos las tablas de la distribucin
normal estndar.
1 3 X 3 5 3
P (1 < X < 5) = P
<
<
= P( 1.6 < Z < 0.8) = (0.8) (1.6)
2.5
2.5
2.5
= 0.7881 0.0548 = 0.7333
13).- El peso de los estudiantes hombres de la UPIICSA se distribuye normalmente con un valor
promedio de 70.5 kg y una variancia de 5.3. Si los estudiantes que pesen ms de 85 kg. sern
convocados para formar parte del equipo de Fut-bol americano que representar a la escuela,
determine el porcentaje de alumnos que podrn ser convocados.
Sea la variable aleatoria X: peso de los estudiantes hombres de la UPIICSA.
X 70.5 85 70.5
P( X > 85) = P
>
= P(Z > 2.74 ) = (2.74) = 0.0031 = 0.31% .
5 .3
5 .3
70
14).- Supngase que X, representa la resistencia a la ruptura de una cuerda, con un promedio de 100 y
una desviacin estndar de 4. Cada alambre para cuerda produce una utilidad de $25, si X > 95 .
En caso contrario la cuerda se tiene que utilizar con otro propsito diferente y se obtiene una utilidad
de $10 por alambre. Encuentra la utilidad esperada por alambre.
Primero calcularemos las probabilidades:
X 100 95 100
>
P ( X > 95) = P
= P ( Z > 1.25) = 0.8944 , y
4
4
P ( X 95) = 1 P ( X > 95) = 1 0.8944 = 0.1056 .
El valor esperado estar dado por:

Ganancia esperada = P ( X > 95) 25 + P ( X 95) 10 =
= 0.8944 25 + 0.1056 10 = $23.416
5.4.4 USO DE TABLAS PORCENTUALES

Con frecuencia al resolver problemas se deben de hacer conclusiones con respecto a la variable
aleatoria en estudio. Para tal efecto, es comn tener que encontrar los valores de la variable con los
cuales se obtienen las probabilidades establecidas (pueden estar dadas en porcentajes). En lo que
concierne a las variables aleatorias con distribucin normal, se emplean otras tablas, llamadas: Tablas
Porcentuales de la Distribucin Normal, y que tienen el siguiente aspecto.
TABLA PORCENTUAL DE LA DISTRIBUCIN NORMAL ESTNDAR
z
e
2
(z) =
2
x
2 dx
Z
%
0.6
0.7
0.8
0.9
z ( )
z( D)
-2.512
0.008
-2.457
0.009
-2.409
0.010
-2.366
0.011
%
5.6
5.7
5.8
5.9
D(z) =
-Z
z ( )
z( D)
-1.589
0.070
-1.580
0.071
-1.572
0.073
-1.563
0.074
z ( )
10.6 -1.248
10.7 -1.243
10.8 -1.237
10.9 -1.232
z( D)
0.133
0.135
0.136
0.137
e
2 z
dx
Z
%
15.6
15.7
15.8
15.9
z ( )
z( D)
-1.011
0.197
-1.007
0.198
-1.003
0.199
-0.999
0.201
%
20.6
20.7
20.8
20.9
z ( ) z ( D )
-0.820
0.261
-0.817
0.262
-0.813
0.264
-0.810
0.265
%
25.6
25.7
25.8
25.9
z ( ) z ( D )
-0.656
0.327
-0.653
0.328
-0.650
0.329
-0.646
0.331
EJEMPLOS 5.5
1).- Encontrar el valor de z 0 , tal que P( Z < z 0 ) = 0.108 .
0.108
z0
71
La probabilidad que se nos indica es igual al 10.8%; por lo tanto, buscando en las tablas
porcentuales el 10.8%, tenemos:
z 0 = Z ( ) = 1.237 ; esto es: P ( Z < 1.237) = 0.108
2).- Encontrar el valor de z 0 , tal que P( Z z 0 ) = 5% .
Como las tablas porcentuales nos muestran los valores para la funcin acumulada de menos infinito
hasta el valor indicado, tenemos que emplear la propiedad del complemento; es decir
P( Z z 0 ) = 1 P( Z < z 0 ) = 5% ; de donde, necesitamos P ( Z < z 0 ) = 95% .
z 0 = Z ( ) = 1.645 , esto es: P ( Z 1.645) = 0.05 .
Este ejercicio tambin se puede resolver empleando la propiedad de simetra:
P ( Z z 0 ) = P ( Z z 0 ) = 5% , de donde z 0 = 1.645 . Es decir z 0 = 1.645 .
0.05
0.95
z 0 = 1.645
3).- Si E ( X ) = 4 y V ( X ) = 9 ; calcular el valor de x 0 tal que P ( X x 0 ) = 75% .
Para esto, primero realizamos la estandarizacin, y despus empleamos las tablas Porcentuales de
la distribucin normal estndar.
X 4 x0 4
P ( X x 0 ) = P
= P( Z z 0 ) = 75% , tenemos z 0 = 0.674 ; por otro lado:

3
3
z0 =
x0 4
.
3
Despejando x 0 , tenemos: x 0 = 4 + 3 z 0 = 4 + 3(0.674) = 6.022

P ( X 6.022) = P ( Z 0.674) = 75% .
75%
Z
z 0 = 0.674
72
4).- La variable aleatoria X representa la vida promedio de cierto aparato electrnico, tiene una
distribucin aproximadamente normal, con media = 3.5 aos y desviacin estndar = 1.5 aos.
Si el fabricante de dichos aparatos desea reparar en el periodo de garanta, solamente el 10% de
estos. Determinar cul tendra que ser el periodo de garanta.
Como X representa a la vida promedio de los aparatos, y el 10% a la probabilidad de que el
aparato dure menos que el perodo establecido, x 0 ; tendremos:
X 3.5 x 0 3.5
P ( X x 0 ) = P
= P ( Z z 0 ) = 0.10 ,
1.5
1.5
en donde, z 0 =
x 0 3 .5
.
1 .5
Por tanto, despejando x 0 , tenemos: x 0 = 3.5 + 1.5 z 0 .

De las tablas porcentuales de la distribucin normal estndar, resulta z 0 = 1.282 .
Finalmente el periodo de garanta: x 0 = 3.5 + 1.5(1.282) = 1.577 aos.
EJERCICIOS 2
El dimetro de los pernos de una fbrica tiene una distribucin normal con una media de 950
milmetros y una desviacin estndar de 10 milmetros.
a).- Cul es la probabilidad de que un perno escogido al azar tenga un dimetro entre 947 y 958
milmetros?
b).- Cul es el valor apropiado de c tal que un perno escogido al azar tenga un dimetro menor
que c con una probabilidad del 0.90?
1).-
Se supone que los resultados de un examen tienen una distribucin normal con una media de
78 y una variancia de 36.
a).- Cul es la probabilidad de que una persona que presenta un examen obtenga una calificacin
mayor a 72?
b).- Cul debe ser la mnima calificacin aprobatoria si el examinador pretende que solamente el
28% de los estudiantes apruebe?
2).-
Los pesos de un nmero grande de perros de lana miniatura estn distribuidos

aproximadamente en forma normal con una media de 8 kilogramos y una desviacin estndar de
0.9 kilogramos. Encuentre la fraccin de estos perros de lana con pesos,
a).- arriba de 9.5 kilogramos;
b).- cuando mucho 8.6 kilogramos;
c).- entre 7.3 y 9.1 kilogramos inclusive.
3).-
Una fbrica produce pistones cuyos dimetros se encuentran distribuidos en forma normal con
un dimetro promedio de 5 cm y una desviacin estndar de 0.001 cm. Para que un pistn sea til,
su dimetro debe encontrarse entre 4.998 y 5.002 cm. Si el dimetro del pistn es menor de 4.998;
ste se desecha, y si l es mayor de 5.002 se puede reprocesar. Si en la fbrica se producen
mensualmente 20,000 pistones:
a).- Cuntos pistones sern tiles?
b).- Cuntos pistones sern desechados?
4).-
73
c).-
Cuntos pistones necesitan ser reprocesados?
5).-
La administracin de una empresa quiere calcular los costos de reparacin anual de cierta
comportan de forma normal con media de $400,000 y desviacin estndar de $50,000
a). Calcula la probabilidad de que los costos de reparacin para este ao estn entre $300,000 y
$500,000.
b). Abajo de que costo anual se encuentra el presupuesto para la reparacin anual de las mquinas
en el 10% de los casos.
6).-
El peso de los estudiantes hombres de la UPIICSA se distribuye normalmente con un valor

promedio de 73.5 kg y una variancia de 4.3. Si los estudiantes que pesen ms de 85 kg. sern
convocados para formar parte del equipo de Fut-bol americano que representar a la escuela,
determine el porcentaje de alumnos que podrn ser convocados.
EJERCICIOS MODELOS CONTINUOS

1).- Cmo son las variables aleatorias con distribucin exponencial, con respecto del tiempo?.
2).- Si X es una variable con distribucin normal, describe a su funcin de densidad de probabilidad.
3).- Sea Z una variable de un modelo normal estndar, calcula (sin usar tablas ni calculadora) con 4
dgitos exactos:
a).- P ( Z > 7.23) .
b).- P ( Z 3 ) .
c).- P (8 < Z < 8) .
d).- P (0 < Z < 12.79) .
4).- Qu distribucin continua es invariante en el tiempo, es decir no tiene memoria?.
5).- Qu valores puede tomar el rango de una variable aleatoria con distribucin exponencial?.
6).- Los administradores de cierta industria han notado que su producto tiene un tiempo de duracin
que puede considerarse una variable aleatoria con distribucin exponencial con una vida media de 5
aos.
a).- Cul es la probabilidad de que al elegir un articulo de dicha produccin dure ms de 10
aos?.
b).- Si el tiempo de garanta asignado por los administradores es de 2 aos, qu porcentaje de
sus productos tendr que reparar la industria durante el periodo de garanta?.
7).- El periodo de vida en aos de un interruptor elctrico tiene una distribucin exponencial con un
promedio de falla de = 2 aos. Cul es la probabilidad de que un interruptor falle despus del
3er. ao?
8).- Las televisiones de cierta marca tienen una vida media de 12 aos. Si la vida til de ese tipo de
televisiones puede considerarse como una variable aleatoria distribuida en forma exponencial.
Cul debe ser el tiempo de garanta que otorgar el fabricante, si desea reparar, por garanta, a lo
ms el 20 % de los televisores?.
74
9).- Suponga que el tiempo promedio que tardan en atenderlo en una oficina de la tesorera es de 10
minutos, y que ese tiempo de espera en ser atendido se distribuye exponencialmente. Calcule la
probabilidad de que su tiempo de espera sea:
a).- Mayor de 10 minutos.
b).- De 5 a 10 minutos.
10).- El tiempo entre llegadas a la oficina de Hacienda es exponencial con valor medio de 0.05 horas.
La oficina abre a las 8:00 horas.
a).- Encuentra la funcin de densidad para la variable exponencial que describe el tiempo entre
llegadas.
b).- Encuentre la probabilidad de que no llegue ningn cliente antes de las 8:10 horas.
c).- Si son ahora las 8:50 horas y el ltimo cliente entr en las oficinas a las 8:40 horas, cul es la
probabilidad de que el siguiente cliente llegu antes de las 9:00 horas?
11).Una empresa metalrgica produce rodamientos con un dimetro que tiene una desviacin
normal, con media 3.0005 pulgadas y desviacin estndar de 0.0010 pulgadas.
Las
especificaciones requieren que los dimetros estn en el intervalo 3.000 0.0020 pulgadas. Si los
cojinetes cuyos dimetros quedan fuera de ese intervalo se rechazan, qu fraccin de la produccin
total ser rechazada?
12).- El liquido despachado por una mquina de refrescos est distribuido normalmente, con una
media de 230 mililitros y una desviacin estndar de 10 mililitros. Calcule la probabilidad de que
el siguiente vaso despachado tenga ms de 250 mililitros.
13).Los tornillos producidos por una mquina tienen un dimetro con distribucin normal, y cuya
desviacin estndar es de 0.01mm. Si los tornillos se distribuyen en cajas con 200 tornillos cada
una, cul es la probabilidad de que en menos de 3 cajas de 8 seleccionadas al azar se encuentren
menos de 10 tornillos defectuosos?. Considerando a los tornillos defectuosos, aquellos cuyo
dimetro se desva de su media en ms de 0.025 mm. Adems se consideran a las cajas
independientes.
14).- Ciertos tipos de bateras para automvil tienen un tiempo de vida normalmente distribuido con
media 1,200 das y desviacin estndar igual a 100 das. Por cunto tiempo se deben garantizar
las bateras si el fabricante quiere reemplazar slo el 10 por ciento de las bateras vendidas?
15).Se supone que los resultados de los exmenes de Introduccin a la administracin en la
universidad, tienen una distribucin aproximadamente normal con = 7.2 puntos y variancia de
1.8 puntos. Cuntos de los 480 alumnos que van a presentar el examen de esta asignatura
obtendrn una calificacin menor a 6?
16).- El dimetro de un cable elctrico est distribuido normalmente con promedio 0.8 y variancia
0.0004. Un cable se considera defectuoso si el dimetro se diferencia de su promedio en ms de
0.025. Cul es la probabilidad de obtener un cable bueno?
17).- Se observo durante un largo periodo que la cantidad semanal gastada en el mantenimiento y en
las reparaciones de cierta fbrica tiene aproximadamente una distribucin normal con = $400 y
75
= $20 . De cunto tendra que ser el presupuesto para reparaciones semanales y mantenimiento,
para que la cantidad presupuestada solamente sea rebasada con una probabilidad de 0.1?
18).- Cierto proceso de manufactura produce pernos que deben tener un dimetro entre 1.2 y 1.25
pulgadas. Se sabe que el dimetro se distribuye normalmente con = 1.21 y = 0.02 . Qu
porcentaje de los pernos est fuera de stas especificaciones?
19).- Al probarse a compresin simple los cilindros de concreto, se obtuvieron los resultados: en
promedio resistieron 240 kg. por cm 2 , con una desviacin estndar de 30 kg. por cm 2 . Suponga
que la resistencia a la compresin tiene una distribucin normal. Cul es la probabilidad de que
otro cilindro tomado al azar,
a).- resista ms de 330 kg/cm 2 .
b).-
su resistencia est en el intervalo de 210 a 240 kg/ cm 2 .?
20).- Para seleccionar a sus empleados un ejecutivo industrial usa una prueba que tiene una
puntuacin promedio y una desviacin estndar, = 10 . Suponga que la distribucin de las
puntuaciones es normal; y que una puntuacin mnima de 65 le permita al solicitante seguir siendo
considerado. Cul debe ser el valor de , si se quiere que aproximadamente el 2.5 % de los
solicitantes sigan siendo considerados en esta prueba?
21).- Una compaa paga a sus empleados un salario promedio de $5.25 pesos por hora con una
desviacin estndar de 50 centavos. Si los salarios tienen aproximadamente una distribucin
normal.
a).- Qu porcentaje de los trabajadores recibe salario entre 4.75 y 5.69 pesos por hora inclusive?
b).- Mayor de que cantidad es el 5 % de los salarios ms altos?
76
IPN- UPIICSA
Seccin de estudios de Posgrado e Investigacin
Examen de Seleccin, 31/07/1998
Nombre:_______________________________________________________________________
Notas: El examen es totalmente conceptual, por lo tanto no es necesario y no se permite uso de tablas
y formularios. La seccin I, se calificar aciertos menos errores.
I.- En la parte de debajo de la tabla escribe la relacin que existe entre las siguientes columnas
Nombre
Definicin
Expresin matemtica
C km C nNkm
a).- Variable aleatoria 1).- Representa el nmero de sucesos

Geomtrica
ocurridos en un espacio y/o en un
intervalo de tiempo definido. En este
caso la probabilidad de que ocurra un
solo resultado es proporcional a la
magnitud del intervalo y/o al tamao
de la regin y no depende del nmero
de sucesos ocurridos fuera de ellos.
max{n + m N ,0} k min{n, m}

La funcin vale 0 en cualquier otro
lugar.
b).- Variable aleatoria 2).- Representa el nmero de xitos

de Poisson
ocurridos en una secuencia finita de n
ensayos independientes, cada uno con
una probabilidad de xito p.
P ( X = k ) = p (1 p ) k 1 ,
k = 1, 2, 3,K
lugar.
c).- Variable aleatoria 3).- Representa el nmero de la

Binomial
prueba en que se obtiene el primer
xito en una secuencia de k ensayos
independientes, cada uno con una
probabilidad de xito p.
d).- Variable aleatoria 4).- Representa el nmero de
Hipergeomtrica individuos, de una clase determinada,
presentes en una muestra tomada, sin
reemplazo, de una poblacin finita
dividida en dos clases.
5).- Ninguna de las anteriores.
A). -
P( X = k ) =
C nN
B). -
C). -
P( X = k ) =
k e
,
k!
k = 0, 1, 2, 3,K
lugar.
P( X = k ) = Ckn p k (1 p) n k
k = 0, 1, K , n
lugar.
D). -
E).- Ninguna de las anteriores.
Espacio para las respuestas, como se relacionan las columnas anteriores:

a) -----------------b) -----------------c) -----------------d) -----------------77
II.- En la formulacin de las siguientes preguntas es posible que exista un error, en tal caso
indicar cual sera este, en caso de que no existir, contestar: La pregunta esta bien planteada.
Nota: No se pide resolver el problema!
( )
1.- Sean A y B son dos eventos mutuamente excluyentes, con: P ( A) = 0.5 , P B c = 0.6 y
P ( A B ) = 0.1 . Calcular P ( A B )
Resp. ..................................................................................................................................................
............................................................................................................................................................
( )
2.- Sean A y B son dos eventos independientes, con: P ( A) = 0.5 , P B c = 0.6 y P ( A B ) = 0.1 .
Calcular P ( A B )
Resp. ..................................................................................................................................................
............................................................................................................................................................
3.- Sean A, B y C eventos que forman una particin del espacio muestral S, con: P ( A) = 0.4 , y
P ( B ) = 0.6 . Calcular P (C )
Resp. ..................................................................................................................................................
............................................................................................................................................................
4.- Si A y B son dos eventos mutuamente excluyentes, entonces en general P( A B ) = P( A) ?
Resp. ..................................................................................................................................................
............................................................................................................................................................
5.- Los teoremas de la probabilidad total y el de Bayes, se pueden aplican cuando tenemos un
conjunto finito de eventos independientes, cuya unin es el espacio muestral?
Resp. ..................................................................................................................................................
............................................................................................................................................................
III.- Contesta brevemente a las siguientes preguntas
1.- Indicar el nombre del teorema que explica la importancia de la distribucin normal, por medio de la
cual, bajo ciertas condiciones, podemos aproximar cualquier otra distribucin.
Resp. ..................................................................................................................................................
2.- Indica las propiedades que debe de cumplir una funcin f (x) , de una variable aleatoria continua X,
para que sea una funcin de densidad
Resp. ..................................................................................................................................................
............................................................................................................................................................
3.- Explica de la forma ms breve posible, que significa el valor esperado y la variancia de una variable
aleatoria, ya sea discreta o continua (no se pide indicar formula, para calcularlo).
Resp. ..................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
78
IPN- UPIICSA
Examen de Seleccin
Nombre:_______________________________________________________________________
FECHA: 03.2000 _____________________________CALIFICACIN: _________________
Notas: El examen es totalmente conceptual, por lo tanto no es necesario y no se permite uso de
tablas y formularios. La seccin I, se calificar sumando aciertos y restando errores.
I.- Lea cuidadosamente la siguiente tabla y escriba en la siguiente pgina la relacin que existe entre
las columnas;
Nombre
Definicin
Expresin matemtica
C km C nNkm
a).- Variable aleatoria 1).- Representa el nmero de sucesos

Geomtrica
ocurridos en un espacio y/o en un
intervalo de tiempo definido. En este
caso la probabilidad de que ocurra un
solo resultado es proporcional a la
magnitud del intervalo y/o al tamao
de la regin y no depende del nmero
de sucesos ocurridos fuera de ellos.
max{n + m N ,0} k min{n, m}

lugar.
b).- Variable aleatoria 2).- Representa el nmero de xitos

de Poisson
ocurridos en una secuencia finita de n
ensayos independientes, cada uno con
una probabilidad de xito p.
P ( X = k ) = p (1 p ) k 1 ,
k = 1, 2, 3,K
lugar.
c).- Variable aleatoria 3).- Representa el nmero de la

Binomial
prueba en que se obtiene el primer
xito en una secuencia de k ensayos
independientes, cada uno con una
probabilidad de xito p.
d).- Variable aleatoria 4).- Representa el nmero de
Hipergeomtrica individuos, de una clase determinada,
presentes en una muestra tomada, sin
reemplazo, de una poblacin finita
dividida en dos clases.
5).- Ninguna de las anteriores.
A). -
P( X = k ) =
C nN
B). -
C). -
P( X = k ) =
k e
,
k!
k = 0, 1, 2, 3,K
lugar.
P( X = k ) = Ckn p k (1 p) n k
k = 0, 1, K , n
lugar.
D). -
E).- Ninguna de las anteriores.

79
Espacio para las respuestas, como se relacionan las columnas anteriores, ejemplo: a) con 5 y B
Columna a) con ______ y ______
Columna b) con ______ y ______
Columna c) con ______ y ______
Columna d) con ______ y ______
II.- En la formulacin de las siguientes preguntas existe un error, indique cul es.
Nota: No se pide resolver el problema!
( )
6.- Sean A y B dos eventos mutuamente excluyentes, con: P ( A) = 0.5 , P B c = 0.6 y P ( A B ) = 0.1 .
Calcule P ( A B )
Resp. ..................................................................................................................................................
............................................................................................................................................................
( )
7.- Sean A y B dos eventos independientes, con: P ( A) = 0.5 , P B c = 0.6 y P ( A B ) = 0.1 . Calcule
P( A B)
Resp. ..................................................................................................................................................
............................................................................................................................................................
8.- Sean A, B y C eventos que forman una particin del espacio muestral S, con: P ( A) = 0.4 ,
P ( B ) = 0.6 y P (C ) = 0.3 . Calcule P ( A C )
Resp. ..................................................................................................................................................
............................................................................................................................................................
9.- Si A y B son dos eventos mutuamente excluyentes, entonces en general P( A B ) = P( A) ?
Resp. ..................................................................................................................................................
............................................................................................................................................................
10.- Los teoremas de la probabilidad total y el de Bayes, se pueden aplican cuando tenemos un
conjunto finito de eventos independientes cuya unin es el espacio muestral?
Resp. ..................................................................................................................................................
............................................................................................................................................................
III.- Contesta brevemente a las siguientes preguntas
4.- Indica el nombre del teorema que explica la importancia de la distribucin normal, por medio de la
cual, bajo ciertas condiciones, podemos aproximar cualquier otra distribucin.
Resp. ..................................................................................................................................................
5.- Indica las propiedades que debe de cumplir una funcin f (x) , de una variable aleatoria continua X,
para que sea una funcin de densidad
Resp. ..................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
6.- Define a la variable aleatoria, de un experimento dado, con espacio muestral S.
80
Resp. ..................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
Explica de la forma ms breve posible, que significa el valor esperado y la variancia de una
variable aleatoria, ya sea discreta o continua (no se pide indicar frmula, para calcularlo).
Resp. ..................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
............................................................................................................................................................
7.-
IV.- Contesta brevemente a las siguientes preguntas

1.- En trminos generales, el clculo de probabilidades es equivalente a
a).- Predecir el futuro.
b).- Encontrar valores numricos que nos permitan cuantificar la incertidumbre.
c).- Establecer relaciones causa efecto para fenmenos naturales o experimentales.
d).- Ninguna de las anteriores.
2.- Menciona los axiomas de Kolmogorov, de la definicin axiomtica de probabilidad.
Resp. .............................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
3.- Entre las diferentes corrientes del estudio de las probabilidades, tenemos a: La frecuentista, clsica,
subjetivista, la bayesiana. Menciona brevemente en qu consiste cada una de ellas, remarcando las
similitudes y las diferencias entre stas.
Resp. .............................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
......................................................................................................................................
81
IPN- UPIICSA
Nombre:_______________________________________________________________________
Examen de Probabilidad. Admisin para la maestra en administracin 10.03.2005
Nota: Para obtener todos los crditos escriba el desarrollo de cada respuesta. Se permite el uso de
calculadora y tablas estadsticas.
TEMA Tcnicas de conteo y probabilidad
1).-
La administracin de la empresa PARTEC, S.A. estableci la siguiente regla de control de

calidad sobre sus lneas de produccin para determinar cuando debe llevar a cabo una inspeccin de
la lnea. De cada lote de tamao 100 toma una muestra aleatoria de 20 artculos y decide parar la
lnea de produccin, si encuentra al menos un artculo defectuoso. Supngase que en un lote se
encuentran 10 artculos defectuosos, cul es la probabilidad de que se tenga que parar la lnea de
produccin?.
TEMA Probabilidad condicional, eventos independientes y rboles.

2).- Una compaa de gran prestigio tiene 2 administradores, Luis y Horacio. Cuando se llevan a cabo
los reportes financieros de la empresa, el gerente deja la misma tarea a ambos administradores. Si
la probabilidad de que Luis se equivoque es de 0.1 y de que Horacio lo haga es de 0.05, calcula la
probabilidad de que ambos hagan mal su trabajo en el siguiente periodo de reportes. Se supone
independencia en los reportes errneos de ambos.
3).- En las elecciones pasadas para Presidente de la Repblica Mexicana el 44% de los votantes estuvo
a favor de Fox. Se reporta que el 60% de los votantes en favor de Fox fueron menores de 22 aos,
mientras que con respecto a los otros candidatos los votantes a su favor menores de 22 aos slo
fue el 10%. Se escoge una persona de 20 aos (menor a 22 aos) de edad al azar de esta poblacin
de votantes. Encuentre la probabilidad condicional de que esta persona vot a favor de Fox.
4).- Segn estudios hechos en el 2004 en la ciudad de Mxico para conocer el ranking de televidentes
en una hora determinada, se tiene que la empresa 1 (TV Azteca) tiene el 40%, la empresa 2
(Televisa) el 45% y la empresa 3 (otras empresas) el restante 15% de televidentes. Para aumentar
su porcentaje de televidentes a dicha hora, la empresa 1 comienza a mostrar pelculas de estreno.
Despus de una semana de estrenos, se encuentra que el 90% de televidentes de la empresa 1 sigue
en su programacin, el 6% se cambia a la empresa 3 y el 4% a la empresa 2. Mientras que el 40%
de los televidentes de la empresa 2 se cambia de programacin a la empresa 1 y el 5% a la empresa
3 (el 55% sigue en la empresa 2). Finalmente, el 30% de de televidentes de la empresa 3 se cambia
a la empresa 1, y el 4% a la empresa 2 (el 66% sigue en la empresa 3).
a).-
Qu porcentaje de televidentes tiene la empresa televisiva 1 despus de una semana?
82
b).-
Despus de una semana, se entrevista aleatoriamente a una persona y dice que a dicha hora
est viendo la programacin de la empresa 1, cul es la probabilidad de que anteriormente la
persona entrevistada vea la programacin de la empresa 2?
TEMA Variables aleatorias.

5).- Las ganancias semestrales X de un empresario tienen un comportamiento aleatorio con valores 3,
5, 8 y 10 (millones). De forma subjetiva asigna probabilidades, diferentes de cero, a cada
ganancia y calcula su ganancia esperada.
6).-
La administracin de una empresa quiere calcular los costos de reparacin anual de cierta
comportan de forma normal con media de $400,000 y desviacin estndar de $50,000
a). Calcula la probabilidad de que los costos de reparacin para este ao estn entre $300,000 y
$500,000.
b). Abajo de que costo anual se encuentra el presupuesto para la reparacin anual de las mquinas
en el 10% de los casos.
7).- Una encuesta entre los habitantes del D.F. muestra que el 38% est a favor de Lpez Obrador para
las elecciones de presidente de la Repblica Mexicana del ao 2006. Calcula la probabilidad de
que 6 personas de 20 entrevistadas estn a favor de Lpez Obrador para las elecciones
presidenciales del 2006.
83

Guia - Probabilidad Material

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Guia - Probabilidad Material

Cargado por

Copyright:

Formatos disponibles

GUA PARA EL EXAMEN DE

Octubre del 2005

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

1.1 Modelos determinsticos y probabilsticos...............................................................................................4

GUA PARA EL EXAMEN DE PROBABILIDAD

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

4.9 Modelo de poisson...................................................................................................................................50

GUA PARA EL EXAMEN DE PROBABILIDAD

1.1 MODELOS DETERMINSTICOS Y PROBABILSTICOS

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

Definicin 1.4 Experimento aleatorio o probabilstico

S = {sss, ssa, sas, ass, saa, asa, aas, aaa}.

GUA PARA EL EXAMEN DE PROBABILIDAD

EJEMPLOS 1.6 Sobre eventos

E = {ssa, sas, ass}

veces que se repite el experimento.

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

S = {sss, ssa, sas, ass, saa, asa, aas, aaa}.

E = {ssa, sas, ass},

GUA PARA EL EXAMEN DE PROBABILIDAD

En primer lugar al hablar de resultados equiprobables (tienen la misma probabilidad), estamos

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

GUA PARA EL EXAMEN DE PROBABILIDAD

1.3.2 OPERACIONES FUNDAMENTALES ENTRE EVENTOS

A B = { x x A o x B} la unin de los eventos A y B.

2.- INTERSECCIN ENTRE EVENTOS

1.4 AXIOMATIZACIN DE LA PROBABILIDAD

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

Para cualquier evento E, P E c = 1 P ( E )

P B c = 0.7 y P ( A B ) = 0.2 , calcule P ( A B ) .

Empleando el Teorema 1.2, tenemos

P ( A) = 1 P A c = 1 0.6 = 0.4 y P ( B ) = 1 P B c = 1 0.7 = 0.3 .

Finalmente, del Teorema 1.5 P ( A B ) = P ( A) + P ( B ) P ( A B ) = 0.4 + 0.3 0.2 = 0.5 .

Empleando el Teorema 1.2,

P ( A) = 1 P A c = 1 0.2 = 0.8 y P ( A B ) = 1 P ( A B ) c = 1 0.2 = 0.8 .

GUA PARA EL EXAMEN DE PROBABILIDAD

4).- Si un administrador asigna probabilidades a eventos dependiendo de su experiencia para realizar

En el caso en que A B = , slo puede ocurrir si A y B son....

A B = slo puede ocurrir si...

En qu se basa la definicin frecuentista para calcular la probabilidad de un evento?

Cmo se considera el espacio muestral en la corriente clsica de probabilidad?

Cmo es la asignacin de probabilidades a los eventos en la corriente subjetiva?

Por qu a la corriente bayesiana se le conoce tambin con el nombre de a posteriori?

TCNICAS DE CONTEO Y PROBABILIDAD

Sean A1 , K , Ak k conjuntos diferentes y n1 , n2 , , nk las cantidades respectivas de elementos de

GUA PARA EL EXAMEN DE PROBABILIDAD

2.1.2 ARREGLOS SIN REPETICIN: PERMUTACIONES

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

2.1.3 PERMUTACIONES CON ELEMENTOS IGUALES

GUA PARA EL EXAMEN DE PROBABILIDAD

formas y se le llamar regla de la suma.

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

= C22 C313 C510 C55 = 72072

GUA PARA EL EXAMEN DE PROBABILIDAD

2.4 APLICACIN DE LAS TCNICAS DE CONTEO A LA PROBABILIDAD

Primero. Definimos al experimento del que se habla en el problema.

Segundo. Se encuentra el espacio muestral del experimento.

Tercero. Se define y encuentra al evento correspondiente.

Finalmente se aplica la definicin clsica de probabilidad.

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

c).- Con reemplazo.

(E ) = 4!7! = 245040 = 120960,

GUA PARA EL EXAMEN DE PROBABILIDAD