Estadistica Inferencial Basica

CONCEPTOS BSICOS DE LA ESTADSTICA
Antes de comenzar a estudiar la teora y expresiones involucradas en la estadstica inferencial que

es el tema a desarrollar en el mdulo de estadstica II, analizaremos los conceptos mencionados en
ella. Con stos podremos poco a poco ir abordando los temas principales del mdulo a saber
probabilidad, estimacin e inferencia.
Nuestro fin en el trascurso del mdulo es considerar poblaciones y muestras de ellas a partir de las
cuales determinaremos probabilidades (que son medidas numricas) con las cuales estableceremos
numricamente qu tan posible es que un suceso o fenmeno en la poblacin ocurra o no. Luego,
trataremos de estimar medidas difciles de calcular de forma prctica, por ejemplo la media, la
varianza y la proporcin poblacional. Finalmente buscaremos intervalos en dnde podamos intuir
que las medidas mencionadas se encuentran, segn el tamao de la poblacin.
C ONCEPTOSGENERALES
Poblacin: es un conjunto de datos que caracteriza un fenmeno.

Muestra: subconjunto representativo de una poblacin.
Ejemplo 1
Una empresa tiene 4 mquinas que empacan agua en bolsa de 125 mililitros. Diariamente se
empacan 2000 bolsas de estas y para controlar que el peso sea correcto, cada 4 horas se toman
muestras de 50 bolsas cuyo peso promedio debe ser como mnimo 124 mililitros y como mximo
126 mililitros; para que la empresa no incurra en pleitos por engao al consumidor o en prdidas
por excesos en la produccin.
La poblacin en este contexto son las 2000 bolsas diarias, se imaginan que tuviesen que pesar
todas las bolsas? !Se estara perdiendo tiempo valioso para la empresa, sin hablar del costo Por
ello, es mejor tomar una muestra, 50 bolsas (cada 4 horas), y controlar la produccin con base en
dichas muestras.
Estadstica: cantidad que estima caractersticas de una poblacin.

Parmetro: caracterstica desconocida de una poblacin.
Ejemplo 2
Continuando con el ejemplo de la empresa empacadora de bolsas de agua, un parmetro sera la
media poblacional (el peso promedio de las 2000 bolsas con agua) y la estadstica sera la media
muestral (el peso promedio de las 50 bolsas de agua, determinado cada 4 horas).
Reiterando en la observacin dada en el ejemplo 1, al sacar el peso promedio de las 2000 bolsas se
incurrir en prdida de tiempo y de dinero.
Estimacin: es un mtodo por medio del cual se aproxima el valor del parmetro de una
poblacin a partir de los datos u observaciones de una muestra.
Estimacin puntual: proceso mediante el cual con las observaciones de una muestra se
estima el parmetro de la poblacin, con un valor numrico.
Estimacin por intervalo: proceso con el cual se determina un intervalo en el que
posiblemente se encuentra el valor real del parmetro.
Intervalo de confianza: intervalo en el cual es posible se encuentre el valor
parmetro de una poblacin.
Ejemplo 3
real del
Supongamos que en el ejemplo 1 el peso promedio de la muestra (media muestral) es 124.7

mililitros entonces se dice que el peso promedio de la poblacin en esas 4 horas es de
aproximadamente 124.7 mililitros.
Se estim la media poblacional por medio de la media muestral.
Pruebas de hiptesis: procesos que conllevan a establecer el rechazo o no de una afirmacin

respecto a una caracterstica desconocida de una poblacin.
Ejemplo 4
Supongamos que deseamos conocer el peso promedio necesario para no incurrir en pleitos legales
con los consumidores, porque el peso de las bolsas con agua no es de 125 mililitros exactamente.
El gerente de produccin decide que si el peso promedio es de 124.5 mililitros la unidad, entonces
se continuar con el proceso de empacado. Con base en esto lo que se desea determinar es si es
cierto que el valor de la media muestral, cuando esta se tome, es de 124.5 mililitros. Si no llega a
serlo, entonces se detendr el proceso de empaque y se efectuarn los ajustes necesarios.
Ahora que distinguimos los conceptos generales veamos los conceptos requeridos en cada tema
(probabilidad, estimacin e inferencia). Comencemos con probabilidad:
Conjuntos y sus operaciones

Distinguir el concepto de conjunto, elemento y las operaciones con conjuntos nos permitir abordar
y comprender con mayor facilidad los conceptos de probabilidad. Por ello, concentrmonos en el
tema e interioricemos todo lo que en l aparece.
Conjunto: es una coleccin de objetos bien definidos; se refiere a la coherencia por ejemplo
si voy a formar un conjunto de frutas debo tener claro que no voy a considerar verduras.
Todo conjunto se denotan con una letra mayscula, como cuando vimos matemtica I que
utilizbamos letras para denotar simblicamente un dato.
Elemento: es un objeto de un conjunto. Se denotan con letras minsculas cuando se
desconocen.
Diagrama de Venn: es una representacin grfica de los conjuntos en la cual cada conjunto
se encierra en un crculo o valo y aquel que los contiene a todos se encierra por un cuadrado
o rectngulo .
Los conjuntos pueden nombrarse de dos formas por comprensin o por extensin:
Ejemplo 5
El conjunto A formado por todos los nmeros del 1 al 5 puede describirse de la siguiente manera:
A={x: x es un nmero de 1 a 5}
Dicho cojunto se lee como el conjunto de los nmeros (representados con la letra x) tales que stos
se encuentran entre 1 y 5. A esta forma de nombrar un conjunto se le conoce como nombramiento
por comprensin. Si por otra parte, escribimos explcitamente los elementos del conjunto A:
A:{1, 2, 3, 4, 5}
Se dice que el nombramiento es por extensin.
En el anterior ejemplo el conjunto es A, los elementos son 1, 2, 3, 4 y 5, y el diagrama de Venn es:
1 2
3
4
5
Para indicar que un elemento pertenece o no a un conjunto usamos la siguiente notacin.
1 A
8 A
1 pertenece a A
8 no pertenece a A
Subconjunto: sean A y B dos conjuntos, decimos que B es subconjunto de A si todo elemento

de B tambin pertenece a A.
Denotamos que B es subconjunto de A con la expresin B A y para indicar que A no est

contenido en B escribimos B A .
Ejemplo 6
Sean A={1, 2, 3, 4, 5} y B={1, 2} veamos algunos ejemplos de contenencia y no contenencia.
B A porque 1 A y 2 A , es decir todo elemento de B se encuentra en A.
A B porque 3 B , 4 B y 5 B , es decir no todo elemento de A se encuentra en B.
Ejemplo 7
Sean A={1, 2, 3, 4, 5} y B={1, 2} y C={1, 3, 4, 8, 9} observemos su representacin en diagramas
de Venn.
Con los conjuntos podemos establecer otros conjuntos por medio de operaciones; stas son la unin,
interseccin y el complemento. Existen otras operaciones pero nosotros nos concentraremos en
estas ya que son las que utilizaremos para determinar probabilidades.
Unin de conjuntos: sean A y B conjuntos, notamos con A B al conjunto de los elementos

que pertenecen a A, a B o a ambos conjuntos.
Ejemplo 8
Sean A={1, 2, 3, 4, 5}, B={3, 4, 8, 9} y C={0, 2} determinemos la unin con cada pareja de ellos.
A B = {1,
2, 3, 4, 5, 8, 9}
A C = {0, 1, 2, 3, 4, 5}
B C = {0, 2, 3, 4, 8, 9}
Interseccin de conjuntos: sean A y B conjuntos, notamos con A B al conjunto de los

elementos que pertenecen tanto a A como a B, en otras palabras es el conjunto que contienen
los elementos comunes a ambos conjuntos.
Ejemplo 9
Sean A={1, 2, 3, 4, 5}, B={3, 4, 8, 9} y C={0, 2} determinemos la interseccin de A con B, de A
con C y de B con C.
A B = {3,
4}
A C = {2}
B C =
Complemento de un conjunto: sea A un subconjunto de un conjunto universal U, decimos que

el complemento de A, que notamos Ac , es el conjunto que contiene los elementos de U que no
estn en A.
Ejemplo 10
Sean U={1, 2, 3, 4, 5} y A={1, 2} determinemos AC .
Como AC est constituido por todos los elementos que estn en el universal y no estn en A
C
entonces A = {3, 4, 5}.
Tngase en cuenta que para hallar el complemento de un conjunto debe existir un conjunto
universal que lo contenga.
Nmero de elementos de un conjunto
Existen diversos contextos tanto matemticos como de la vida cotidiana en los se requiere
determinar el nmero de elementos de un conjunto, por ello es necesario buscar mtodos prcticos
que nos permitan establecerlos.
Existen conjuntos infinitos como el conjunto de los nmeros reales y finitos como los que hemos
trabajado en los ejemplos anteriores: U={1, 2, 3, 4, 5}.
Para determinar el nmero de elementos de un conjunto existen tcnicas llamadas de conteo, pero
estas sern estudiadas ms adelante. Por ahora vamos a determinar el nmero de elementos de
conjuntos finitos pequeos y en particular de la unin e interseccin de los mismos, para luego
utilizar las tcnicas de conteo que facilitan dicho clculo.
Para denotar el nmero de elementos de un conjunto A usaremos la expresin n( A) .
Ejemplo 11
Determinar el nmero de elementos de los conjuntos A={1, 2, 3, 4, 5}, B={3, 4, 8, 9} y C={0, 2}.
Como en A hay 5 elementos entonces n( A) = 5 ; de igual manera n( B) = 4 y n(C ) = 2 .
Ejemplo 12
Determinemos el nmero de elementos de la unin de los conjuntos A y B.

Veamos el diagrama de Venn para estos conjuntos y con su ayuda determinemos el nmero de
elementos en A B .
A B = {1,
2, 3, 4, 5, 6, 7, 8} y el nmero de elementos es n( A B) = 8 ; este nmero tambin puede

determinarse conociendo el nmero de elementos en A, en B y en la interseccin de ellos.
Observemos.
Como n( A) = 5 , n( B) = 6 y n( A B) = 3 entonces
n( A B )
n( A)
n(B )
Nmero
n( A B )
Nmero
Nmero
Nmero
de elementos
en la unin
de elementos de elementos de elementos

en A
en B
en la interseccin
Obsrvese que como los conjuntos tienen elementos en comn debemos quitrselos porque de lo
contrario estaramos contando dos veces el mismo elemento. As, n( A B) = 5 + 6 3 = 8 valor que
coincide con el obtenido por medio del diagrama de Venn.
Ejemplo 13
Sea A = {1, b, c} y el universal U = { 1, 2, 3, a, b, c } determine el nmero de elementos que hay en
Ac .
Existen dos formas de determinar el nmero de elementos en Ac contando directamente los
elementos de ste o utilizando el nmero de elemento de U y de A; sta ltima opcin nos ser muy
til cuando necesitemos determinar la probabilidad de que no ocurra un determinado suceso.
Veamos:
n( Ac ) = n(U ) n( A) = 6 3 = 3
Acerqumonos al concepto de probabilidad
En ocasiones escuchamos expresiones como: los mtodos anticonceptivos son seguros en un 99% y
el 3% de los equipos salen defectuosos en el control de calidad. Dichos porcentajes representan una
parte del todo que es el 100% y pueden representarse por medio de fracciones. Por ejemplo, decir
que el 3% de los equipos salen defectuosos es equivalente (por fracciones) a
3
, en otras palabras
100
diramos que de 100 partes 3 son defectuosas. Dichas fracciones en nuestro mdulo sern
asignaciones numricas que llamaremos probabilidades, luego
3
que al calcularse corresponde
100
al nmero 0.03 indicar que la probabilidad de que un equipo salga defectuoso es de 0.03.
De esta manera, 1 indicar que con toda seguridad el fenmeno estudiado suceder, 0 indicar que
con toda seguridad el fenmeno estudiado no suceder y 0.5 indicar que es igualmente posible que
suceda o no el fenmeno estudiado. Y as sucesivamente.
Introduccin a la probabilidad
Ahora que tenemos una idea intuitiva de lo que es probabilidad definamos algunos conceptos para
luego formalizar y establecer la expresin numrica que nos permitir calcular probabilidades.
Experimento determinstico: accin cuyo resultado es completamente predecible.
Experimento aleatorio: accin cuyo resultado no es predecible, tambin suele llamarse
experimento no determinstico.
Espacio muestral: es el conjunto de todos los posibles resultados de un experimento aleatorio.
Evento o suceso: es un subconjunto del espacio muestral cuyos elementos tienen una
caracterstica comn.
Ejemplo 14
Si lanzamos una piedra normal al agua con certeza diramos que la piedra se hundir, por ende ste
es un experimento determinstico porque sabemos su resultado antes de realizarlo.
Si lanzamos una moneda normal no podemos decir con certeza si caer cara o sello, entonces este es
un experimento aleatorio pues no conocemos su resultado antes de realizarlo.
Ejemplo 15
Si consideramos el experimento aleatorio del lanzamiento de una moneda normal, el espacio

muestral son todos los posibles resultados, es decir, cara y sello.
En adelante escribiremos EM para denotar el conjunto del espacio muestral, observemos:
EM = {cara, sello}
Ejemplo 16
Un evento del espacio muestral anterior es que el resultado del lanzamiento de la moneda sea sello.
Si retomamos la definicin de evento nos dice que es un subconjunto del espacio muestral y, si
notamos con E el evento entonces, E = {sello} es un subconjunto de EM.
Recordemosque
Si tenemos
U
A es un subconjunto de U porque todo elemento de A est en U. Por el contrario U no est

contenido en A porque no todos los elementos de U estn en A.
Probabilidad: es un nmero real que mide la posibilidad de que ocurra un resultado del
espacio muestral, cuando el experimento se lleve a cabo. (George C. Canavos)
Ejemplo 17
Supongamos que tenemos una bolsa con dos tarjetas verdes, tres azules y cuatro rojas. Qu
fraccin representa el nmero de tarjetas azules en la bolsa?
Como el todo, que es el nmero de elementos
en la bolsa, es 9 y el nmero de ellos que son
azules es 3, entonces la fraccin que
representa el nmero de tarjetas azules en la
bolsa es
3
1
que simplificada corresponde a
9
3.
Esta fraccin es justamente la probabilidad de que al extraer una tarjeta aleatoriamente de la bolsa,
sin ver, el color sea azul; hay 3 opciones o casos favorables de 9 posibilidades.
En un experimento como el mencionado el espacio muestral es el conjunto de resultados posibles al
extraer una tarjeta, sin ver, y el evento es que se extraiga una tarjeta azul.
Suele ser conveniente denotar el evento y la probabilidad de que este suceda de la siguiente manera.
E:= el resultado de extraer una tarjeta es que su color sea azul.
P(E) := probabilidad de que el resultado de extraer una tarjeta sea que su color es azul.
Para calcular la probabilidad determinamos el espacio muestral:
Y luego utilizamos la expresin dada para calcular probabilidades:
P( E ) =
# de casos favorables
3 1
= =
# de elementos en el espacio muestral 9 3
Es muy importante que el espacio muestral y el evento o los eventos en un experimento aleatorio
estn bien definidos ya que de ellos depende que el conteo de elementos sea correcto. Si stos se
definen o determinan errneamente nuestras probabilidades tambin lo sern.
Otro aspecto que cabe resaltar es que la parte de un conjunto jams es mayor que el propio
conjunto, por ende nunca una probabilidad, que representa la parte del todo que satisface
determinada caracterstica, puede ser mayor que uno o menor que cero.
Ejemplo 18
Si importa el orden en que salgan los resultados al lanzar dos dados, cul es la probabilidad de que
la suma de los resultados sea 5?
Primero describamos el espacio muestral teniendo en cuenta que importa el orden en que sean
lanzados los dados; escribiremos en parejas los resultados de tal manera que la pareja se forma as
(resultado del primer dado, resultado del segundo dado):
Contemos entonces el nmero de elementos en el espacio muestral: n( EM ) = 36 .

Ahora describamos el evento: E:= la suma de los resultados de lanzar dos dados es 5.
Ntese que el evento est constituido por cada pareja de nmeros que al adicionarlos dan como
resultado 5. As n( E ) = 4 .
As concluimos que la probabilidad de que al lanzar dos dados su suma sea 5 es:
segn la expresin dada para calcular probabilidades.

Obsrvese que tambin hubisemos podido escribir
P( E ) =
n( E )
4 1
=
=
n( EM ) 36 9
Ejemplo 19
Cul es la probabilidad de que al lanzar dos dados, importando el orden de lanzamiento, en una
cara aparezca un 3 y en la otra un nmero menor o igual que 3?
Establezcamos el espacio muestral:
Definamos el evento E:
Calculemos la probabilidad pedida:
Por otra parte, puesto que el concepto de

probabilidad est asociado al de conjuntos,
cabe preguntarse si es posible calcular la
probabilidad de la unin, la interseccin y el
complemento de eventos. Pero en
probabilidad, qu significa unir o intersecar
eventos?
Como los eventos son subconjuntos del espacio muestral, al unir dos eventos buscamos un evento
en el cual se cumpla uno o ambos eventos, mientras en la interseccin buscamos la ocurrencia de
un evento en el cual se cumplen ambos eventos obligatoriamente. Por otra parte, cuando hablamos
del complemento de un evento nos referimos a aquellos elementos que no cumplen la caracterstica
del mismo, es decir, encontraremos o determinaremos la probabilidad de que no suceda un evento.
Ejemplo 20
Supongamos que se lanza un dado, no cargado, cul es la probabilidad de que el resultado sea un
nmero par o mltiplo de 3?
Para responder la pregunta establezcamos el espacio muestral y el o los eventos. Utilizaremos
subndices para diferenciar un evento de otro.
E1 : el resultado de lanzar el dado es un nmero par:
E2 : el resultado de lanzar el dado es un mltiplo de 3:
Si observamos, cuando nos dicen que el resultado sea un nmero par o mltiplo de tres debemos
determinar la unin de los eventos porque ste nos dice que ocurre el ser par o mltiplo de tres o
ambos.
Ahora s calculemos la probabilidad solicitada:
Tambin podramos haber escrito:
P ( E1 E2 ) =
n( E1 E2 ) 4 2
= =
n( EM )
6 3
Ejemplo 21
Cul es la probabilidad de que al lanzar un dado el resultado sea un nmero impar y divisor de 5?
Definamos el espacio muestral:
Determinemos los eventos:
E1 : el resultado al lanzar el dado es un nmero impar.
E2 : el resultado al lanzar el dado es divisor de 5.
Observemos que el enunciado del ejercicio solicita que el resultado sea un nmero impar y divisor
de 5, es decir debe cumplir ambas condiciones, y el evento que representa este requisito es la
interseccin porque deben cumplirse ambos resultados.
Calculemos entonces la probabilidad de la interseccin:
Ejemplo 22
Cul es la probabilidad de que al lanzar un dado el nmero resultante no sea 3?

Definamos el espacio muestral y los eventos:
representa el evento el nmero que resulta al lanzar un dado es tres.

representa el evento el nmero que resulta al lanzar un dado no es tres.
Ntese que el evento solicitado es el complemento del evento el resultado de lanzar el dado es tres.
Calculemos la probabilidad de que al lanzar un dado el nmero resultante no sea 3:
Podemos calcular tambin la anterior probabilidad utilizando el hecho de que la probabilidad del
espacio muestral es 1, luego si a l le quitamos la probabilidad del evento E entonces
Cabe resaltar que el saber cmo determinar la probabilidad de un evento depende completamente de
reconocer en el enunciado si el evento es simple, es la unin o interseccin de eventos o el
complemento de un evento. Por ello, leamos cuidadosamente los enunciados para no equivocarnos.
Adicionalmente una ayuda podra ser que cuando se solicita la ocurrencia de un evento en el que
aparece la o por lo general se solicita la unin, cuando aparece la y se solicita la interseccin y
cuando se indica la no ocurrencia de cierto evento se habla del complemento.
A continuacin abordaremos el concepto de eventos mutuamente excluyentes para establecer la
probabilidad de la unin e interseccin de eventos.
Eventos mutuamente excluyentes:: d os o ms eventos son mutuamente excluyentes si su

interseccin es vaca.
Ejemplo 23
Consideremos el lanzamiento de un dado y calculemos la probabilidad de que el resultado sea un
nmero impar y par.
Determinemos el espacio muestral:
Determinemos los eventos:
Como el resultado debe ser un nmero impar y par, nos solicitan la interseccin de los eventos:
Como la interseccin es vaca los eventos son mutuamente excluyentes. Ahora calculemos la
probabilidad de que el resultado del lanzamiento de un dado sea par e impar:
Lgico no? Ningn nmero es par e impar a la vez.
Axiomas y teoremas bsicos de la probabilidad
A continuacin estudiaremos los axiomas y teoremas bsicos de la probabilidad que son como
reglas con las cuales podremos decir si nuestros resultados al calcular o establecer una probabilidad
son coherentes y/o adecuados.
Si un espacio muestral est dado de la siguiente manera:
Donde cada Ei con i = 1, 2,3,K n nmeros naturales son los eventos o sucesos, entonces cada
Se denomina evento simple.

Una caracterstica importante de los eventos simples en cualquier espacio muestral es que entre
ellos son mutuamente excluyentes.
Distribucin de probabilidad: cuando se asigna a cada evento simple de un espacio muestral

una probabilidad y se organizan en una tabla decimos que formamos una distribucin de
probabilidad.
Los nmeros P( Ei ) con i=1, 2,, n, y n un nmero natural cumplen las siguientes propiedades:
1. Toda probabilidad es un nmero entre cero y uno.
2. La suma de las probabilidades de los eventos simples en un espacio muestral es 1; o tambin

la probabilidad del espacio muestral es 1.
3. La probabilidad de la unin de dos eventos del espacio muestral es la suma de las

probabilidades de los eventos simples. Ntese que esto tiene sentido porque en el espacio
muestral los eventos simples son mutuamente excluyentes.
Ejemplo 24
Los resultados de las calificaciones de un examen en cierta institucin educativa, se organizaron en

la siguiente tabla de distribucin de probabilidad:
Distribucin de probabilidad
Calificacin x
Probabilidad
1x<3
0.3
3x<4
0.5
4x5
0.2
Con base en la distribucin, si se elige un estudiante al azar determinemos la probabilidad de que:

a.
su calificacin sea menor que 4.
b.
Su calificacin sea superior o igual a 3.
Sean
E1 := la calificacin es mayor o igual que 1 y menor que 3.

E2 := la calificacin es mayor o igual que 3 y menor que 4.
E3 := la calificacin es mayor o igual que 4 y menor o igual que 5.
entonces
a.
La probabilidad de que la calificacin del estudiante sea menor que 4 es:
Recordemos que como la calificacin debe ser menor que 4, todos los nmeros de 1 a 3.99999
cumplen esta condicin y son justamente la unin del evento 1 y el 2.
b.
La probabilidad de que la calificacin del estudiante sea superior o igual a 3 es:
Obsrvese que la caracterstica que hace que la probabilidad de la unin de los anteriores eventos
sea justamente la suma de ellos, es que son mutuamente excluyentes. Pero qu sucede cuando
no los son?
Regla de la suma: para dos eventos cualesquiera Ei y E j con i j , i, j N (N el conjunto

de los naturales) se tiene que:
Ejemplo 25
Una empresa fabrica equipos dvd y en el departamento de control y calidad establecen que un 2%
de los equipos vendidos tienen problemas de video, el 0.5% tienen problemas de audio y un 0.3%
ambos tipos de problemas. Determinemos la probabilidad de que un equipo comprado por un
cliente tenga problemas de video o audio.
Sean
E1 :=el equipo dvd tiene problemas de video.
E2 :=el equipo dvd tiene problemas de audio.
Entonces

Luego aplicando la regla de la suma obtenemos
Observemos la anterior regla por medio de diagramas de Venn.
As la probabilidad de que un equipo dvd presente problemas de audio o video es 0.022. En otras
palabras un 2.2% de los equipos presentan fallas en audio o video.
A continuacin abordaremos la regla del la multiplicacin para eventos independientes, sin
embargo para ello necesitamos reconocer ste ltimo concepto. Veamos:
Eventos independientes: dos o ms eventos son independientes si la ocurrencia del uno no

afecta la del otro. Cuando lo anterior no sucede decimos que los eventos son dependientes.
Ejemplo 26
Supongamos que tenemos una bolsa oscura en la cual hay 2 bolas de color rojo y 2 de color verde y
con esto distingamos cundo dos eventos son dependientes o independientes.
Caso 1: supongamos que extraemos una bola, anotamos su color, la colocamos nuevamente en la
bolsa y volvemos a extraer una bola.
Si observamos en este caso la extraccin de cualquier bola no afecta el experimento porque la bola
se retorna a la bolsa, el espacio muestral y el nmero de elementos en los eventos siguen siendo los
mismos.
Luego la extraccin de una bola no afecta la posibilidad de extraccin de la segunda. Los eventos
son independientes.
Caso 2: supongamos que extraemos una bola, anotamos su color, no la devolvemos a la bolsa y
volvemos a extraer una bola.
En este caso el espacio muestral y el nmero de elementos en los eventos cambia pues al extraer
una bola y no regresarla se disminuye el tamao de los mencionados.
Por lo tanto los eventos son dependientes ya que en la segunda extraccin tendremos menos
elementos y por ende tanto el espacio muestral como los eventos cambian.
Regla del producto: para dos o ms eventos independientes la probabilidad de que ocurran en
un solo ensayo es el producto de todas sus probabilidades.
E j e m p l o 2 7 (Ciro Martnez)
En una fbrica de calzado se manufactura independientemente costura (toda la parte superior del
calzado relacionada con el cuero), suela y tacn, siendo estas partes armadas aleatoriamente en cada
zapato. Se sabe que en este proceso, el 5% de las costuras, el 4% de las suelas y el 1% de los
tacones tienen fallas. Qu porcentaje de pares de zapatos resulta con fallas en sus tres
componentes?
Sean
E1: la costura del calzado tiene fallas.
E2: la suela del calzado tiene fallas.
E3: los tacones del calzado tiene fallas.
Como los eventos son independientes, porque la ocurrencia de uno no afecta la del otro,
determinemos el porcentaje de pares de zapatos con fallas en sus tres componentes utilizando la
regla del producto:
As, el 0.002% del calzado presenta fallas en sus tres componentes.

Veamos ahora un ejemplo en el cual se observa el clculo de probabilidades utilizando la regla del
producto.
Ejemplo 28
Caso 1 (independencia de eventos): supongamos que extraemos una bola, anotamos su color, la
colocamos nuevamente en la bolsa y volvemos a extraer una bola. Cul es la probabilidad de que
una bola sea roja y la otra verde?
Indiquemos las opciones que tenemos para el resultado solicitado:
Determinemos el espacio muestral y el evento:
EM = { (r, r ), (r, v), (v, r ), (v, v) }

E = { (r , v), (v, r ) }
Observemos que el evento E est formado por los resultados roja, verde y verde, roja; las
probabilidades de cada una puede establecerse con la regla del producto:
Sean
E1 : se escoge una bola roja.

E2 : se escoge una bola verde.
Tenemos que la P ( E1 ) =
hay) luego
2
2
(dos bolas rojas de 4 que hay) y P ( E2 ) = (2 bolas verdes de 4 que
4
4
P( E1 E2 ) = P( E1 ) P ( E2 ) =
2 2
4 4
porque la extraccin de la bola roja no afecta la extraccin de la bola verde.

Realizando un proceso anlogo al anterior obtenemos que la extraccin (v,r) tiene probabilidad
P( E1 E2 ) . Con esto podemos entonces calcular la probabilidad solicitada inicialmente:
Ahora resolvamos el mismo ejercicio pero utilizando el concepto de espacio muestral:
Para finalizar la seccin referente a los axiomas de la probabilidad vamos a presentar la regla del
complemento.
Regla del complemento: la probabilidad de que un evento no ocurra es igual a uno menos la
probabilidad de que s ocurra. (Ciro Martnez).
Ejemplo 29
Consideremos una pareja que desea tener dos hijos. Cul es la probabilidad de que ambos no sean
nias?
Debemos resaltar que nos estn solicitando la probabilidad de que no ocurra cierto evento, por ello
podemos usar la regla del complemento.
Determinemos el espacio muestral y el evento de que ambos hijos sean nias:
Como necesitamos hallar la probabilidad de
: ambos hijos no son nias entonces, segn la regla
del complemento tenemos:
Luego existe un 75% de probabilidad de que ambos hijos no sean nias.
Autoestudio
Llego el momento de aplicar los temas tratados anteriormente, para reforzar nuestros conocimientos
es necesario practicar; por ello tal y como se indica en gua de actividades por semana, por favor
realice la o las guas prcticas de la semana y revise el o los libros sugeridos en el mapa conceptual
de la unidad 1 (todo lo referente a probabilidad) sino logra acceder a los libros se sugiere, consulte
un libro fsico de estadstica y probabilidad, luego realice los ejercicios referentes a los temas
tratados en la semana y si tiene alguna duda consulte al tutor que le corresponda.
Para acceder al libro mencionado debe ingresar a la biblioteca virtual en otra pgina de internet
distinta a la del mdulo. Las instrucciones para ingresar a la biblioteca aparecen a continuacin; por
favor sgalas y realice los ejercicios del libro (slo aquellos que cubran los temas tratados hasta
ahora.), tenga en cuenta que el libro problemario de probabilidad tiene resueltos todos los ejercicios
por ello le sugiero leer el enunciado tratar de resolver el ejercicio y luego comparar sus resultados.
Para acceder al libro
En la unidad 1, aparece un mapa conceptual; en el espacio que dice consulta de libros e-poligran al
ubicarse en la hojita se despliega la bibliografa y para acceder a dichos libros debe seguir los
siguientes pasos:
1. en la pgina principal de campus virtual debajo del CAE dice biblioteca virtual, de click en
este link.
2. All se abre la pgina de la biblioteca y debe escribir su usuario y contrasea.
3. Hagan click en libros electrnicos e ingrese el usuario y la contrasea.
4. Ahora de click en e-libro, vuelva a la pgina del mapa conceptual y de click sobre el libro
que desean consultar.
Si sigui correctamente las instrucciones debe poder visualizar el libro indicado.
Adicionalmente puede revisar el libro Estadstica para Administracin y Economa de Anderson
que se encuentra en google (libros); busque en el ndice los temas tratados: espacio muestral,
eventos, probabilidad y reglas o axiomas de la probabilidad (pginas 132 a 152) y resuelva los
ejercicios all propuestos.
PRCTICA I CONCEPTOS BSICOS DE PROBABILIDAD
DIAGRAMA DEL RBOL
No siempre es fcil determinar los elementos del espacio muestral y muchas veces
tenemosquerecurriraherramientastalescomoeldiagramadelrbol.
Undiagramadelrboltienepuntosderamificacinyramasqueindicancadaunodelos
posibleselementosdelexperimentoaleatorio.
El rbol se desarrolla de izquierda a derecha, con el orden de puntos representando la
secuenciadeocurrenciadelosresultados.Porejemplo:seseleccionandospersonas(una
despusdelaotra)yselespreguntasiestnafavoroencontraconunnuevosistemade
crdito.
Siguiendoelordendeocurrencianosencontramosantedossituacionesprimerapersona
seleccionadaysegundapersonaseleccionada.Conlaprimeraseleccintenemoselprimer
puntoderamificacinelcualcontienedosramasdeacuerdoalosposiblesresultadosa
favoryencontra.
AFAVOR
ENCONTRA
Con la segunda seleccin formamos nuevamente un punto de ramificacin con los

resultadosafavoroencontra,estepuntoseoriginadelaprimeraramificacinas:
AFAVOR
AFAVOR
ENCONTRA
AFAVOR
ENCONTRA
ENCONTRA
PRIMERAPERSONASEGUNDAPERSONA
Estediagramatienecuatroramasydeizquierdaaderecharecogemoslosresultadosde
loselementosqueconformanelespaciomuestralenelquerepresentamosafavorconFy
encontraconC:
EM:{FF,FC,CF,CC}
Ejercicio1:
Un experimento consiste en seleccionar 3 personas al azar y en preguntarles si estn
casadassiSonoN
a. Coneldiagramadelrbolrepresenteloselementosdelespaciomuestral.
b. Escribaloselementosdelossiguienteseventos:
A:Nohayningunapersonacasada.
B:Solohayunapersonacasada.
C:Porlomenosdospersonassoncasadas.
D:Mximodospersonassoncasadas.
Ejercicio2:
Seaplicaunaencuestaaungrupodeamasdecasa,enunbarriodeCali,paraconocerla
efectividaddeuncomercialsobreunnuevodetergente.Siseeligeunamadecasaalazar
ysidelaencuestarealizadasedefinenlossiguienteseventos:
C:Elamadecasacompraeldetergente
T:Elamadecasaveelcomercialportelevisin
R:Elamadecasaescuchaelcomercialporradio.
Explicarconpalabrasloquesignificanlossiguienteseventos:
a.
b.
c.
d.
e.
f.
C
TUC
TC
RC
TR
TR
Ejercicio3:
Unempresariocuentaconlaopcindeinvertiren2de4proyectosenelprximoao.El
empresario ignora que de esos 4 slo 2 producirn ganancias. Si l elige 2 proyectos al
azar.
a. Hagaunalistadeloselementosdelespaciomuestral
b. Definalossiguienteseventos:
A:Porlomenos1delosdosproyectosqueproducengananciasfueescogido.
B:Porlomenos1delosproyectosquenoproducengananciasfueescogido.
c. EscribaloselementosdeAB,AUB,A,AB
Ejercicio4:
Un estudio de una empresa de turismo revela que el 50% de los turistas que vienen a
nuestro pas visitan la costa Atlntica, el 40% visitan la costa Pacfica y el 35% visitan
ambascostas
a. Culeslaprobabilidaddequeunturistavisitealmenosunadelascostas?
b. CuleslaprobabilidaddequevisitensolamentelacostaAtlntica?
c. Sonloseventosmutuamenteexcluyentes?Explique.
Ejercicio5:
UnBancodeterminaqueel50%desusclientestienencuentacorrienteyel75%cuenta
deahorros.Adems45%delosclientesdelbancotienencuentacorrienteydeahorro.Se
eligealazarunclientedelbanco.
Culeslaprobabilidaddeque:
a. Tengaalmenosuntipodecuenta?
b. Notenganicuentacorrientenicuentadeahorro?
c. Solamentetengacuentadeahorros
d. Notengacuentacorriente?
e. Loseventos
A:elclientetienecuentacorrientey
B:elclientetienecuentadeahorrosonindependientes?
Expliqueelporqu?
TCNICAS DE CONTEO
Las tcnicas de conteo son principios que nos permiten determinar el nmero de elementos que
cumplen cierta caracterstica en un grupo dado. Puesto que el clculo de una probabilidad est
asociado al conteo de elementos, vamos a exponer los principios de conteo para luego utilizarlos en
la determinacin de probabilidades.
PRINCIPIO DE LA MULTIPLICACIN
Si un experimento se puede realizar en dos etapas y la primera etapa se consigue de m

formas o maneras diferentes y en seguida la segunda etapa se realiza de n formas o maneras
diferentes, entonces el experimento completo se puede realizar de mn maneras diferentes.
En general Si hay n1 formas de que suceda un evento E1 , n2 formas de que suceda un

evento E2 , y as sucesivamente hasta nm formas de que ocurra el evento Em entonces
,
existen n1 n2 L nm formas de que suceda el evento E1 seguido del evento E2 hasta el
evento Em
Ejemplo 30
Si se lanza una moneda 3 veces, cul es el nmero de elementos del espacio muestral?, es decir,
cul es el nmero de resultados posibles del experimento aleatorio?
Usemos un diagrama de rbol para determinar este nmero y luego comprobemos el resultado que
arroja el principio fundamental del conteo.
Segundo
lanzamiento
Resultados
Primer
lanzamiento
Con el principio de conteo tendremos
Primerlanzamiento
Tercerlanzamiento
Segundo
lanzamiento
Tercerlanzamiento
Es decir, hay 8 elementos en el espacio muestral o hay 8 posibles resultados en el experimento

aleatorio.
Ejemplo 31
De cuntas formas distintas puede terminar una carrera de cinco corredores?

Para determinar el nmero de formas debemos pensar que cada corredor tiene la opcin de ganar y
ocupar el primer puesto. Sin embargo, como slo uno puede ganar el siguiente competidor slo
tendr 4 opciones (segundo, tercer, cuarto y quinto lugar), as el siguiente competidor tendr 3
opciones (tercer, cuarto y quinto lugar). Anlogamente las opciones para los otros dos competidores
disminuirn.
Si aplicamos el principio fundamental de conteo tendremos:
1 = 120
Opciones: primer segundo
tercer
cuarto
quinto
lugar
lugar
lugar
lugar
lugar
En total hay 120 opciones de terminar una carrera de cinco corredores.
Ejemplo 32
Una agencia automotriz ofrece 4 modelos de automvil particular. Para cada modelo hay 5 colores
distintos, 3 clases de radio y la opcin de tener aire acondicionado o no. De cuntas formas
distintas puede un cliente pedir su automvil?
Para determinar el nmero de formas vamos a aplicar el principio fundamental de conteo:
Opciones: Color
Tipo
30
Aire
de radio
En total un cliente tiene 30 opciones de elegir un automvil.
Permutaciones
Una permutacin de los elementos de un conjunto es una forma de ordenarlos teniendo en cuenta
sus posiciones (importa la posicin que ocupe cada uno de ellos).
Si tenemos n elementos distintos y queremos saber de cuntas maneras pueden ordenarse en

grupos de k elementos, estaremos hallando todas las posibles permutaciones. En adelante
usaremos la notacin n Pk y se calcula de la siguiente manera:
Pk =
n!
(n k )!
Donde n ! = 1 2 3 L n , k ! = 1 2 3 L k , 0! = 1 y 1! = 1 . Luego,
Pk =
n!
1 2 3 L n
=
(n k )! 1 2 3 L k
Ejemplo 33
Considerando el orden, de cuntas formas pueden ordenarse 3 elementos en grupos de 2?

Aplicando el concepto de permutacin tenemos que en este caso n = 3 y k = 2 , as
P =
3 2
3!
1 2 3 6
=
= =6
(3 2)!
1
1
y el nmero de formas en que puede ordenarse 3 elementos en grupos de 2 es 6.

Veamos grficamente la solucin del anterior ejercicio.
Ejemplo 34
De cuntas formas pueden ubicarse 4 nios en dos filas, si importa el orden en que se ubiquen?
En este caso n = 4 y k = 2
P =
4 2
4!
4! 1 2 3 4
= =
= 12
(4 2)! 2!
1 2
Hay 12 formas de ubicar 4 nios en dos filas.
Ejemplo 35
Cuntos nmeros distintos de tres dgitos pueden formarse con los nmeros 3, 4, 6, 0 y 9?
P =
5 3
5!
5! 1 2 3 4 5
= =
= 60
(5 3)! 2!
1 2
Existen 60 nmeros diferentes que pueden formarse con 5 dgitos.
Ejemplo 36
Ana, Guillermo y Luis se postularon para ser el Presidente, Vicepresidente o tesorero de una junta.
De cuntas formas pueden ocuparse estos cargos?
P =
3 3
Hay 6 formas de formar la junta.
3!
3! 1 2 3
= =
=6
(3 3)! 0!
1
Hemos tratado arreglos de objetos con la caracterstica de ser distintos, pero qu sucede cuando no
lo son? Cmo podemos establecer el nmero de formas en que pueden ordenarse los elementos de
un conjunto cuando hay varios de la misma clase?
Si en un conjunto hay n elementos de los cuales n1 son de un tipo, n2 de otro y as

sucesivamente hasta nr de otro tipo, entonces el nmero de permutaciones de los n
elementos considerando n a la vez est dado por
n!
n1 !n2 !L nr !
Ejemplo 37 (S.T.Tan)
Una empresa de asesores financieros ha recibido nueve solicitudes relativas a nuevas cuentas. De
cuntas formas se pueden encauzar estas solicitudes a tres de los ejecutivos de cuenta de la firma si
cada uno debe controlar tres solicitudes?
9!
= 1680
3!3!3!
Hay 1680 formas de encauzar las 9 solicitudes.
Combinaciones
Ahora vamos a considerar arreglos de objetos pero en esta ocasin el orden no importar. Por
ejemplo si nos pidieran determinar el nmero de formas de ordenar los dgitos 1, 2 y 3 en grupos de
2 sin importar el orden, entonces el grupo 1,2 y 2,1 seran el mismo y como consecuencia slo
tendramos en cuenta uno de los grupos. A este tipo de arreglos se les denomina combinaciones.
Las combinaciones son arreglos de los elementos de un conjunto sin importar el orden en que
se ubiquen. Para determinar el nmero de combinaciones posibles de n elementos en grupos
de k elementos usamos la siguiente expresin.
Ck =
n!
k !(n k )!
Ejemplo 38
Se deben contestar 5 preguntas de un examen con 6 preguntas. Cuntos exmenes de diferente

contenido se podrn corregir?
Si observamos el ejercicio notamos que no importa el orden en que un estudiante conteste las
preguntas, da lo mismo que conteste las preguntas 1, 3, 4, 2, 5, a que conteste las preguntas 3, 2, 4,
1,5 en esos rdenes, por ello para calcular el nmero de exmenes de diferente contenido a corregir
se debe hallar la combinacin 6 C5 :
6
6!
6!
6!
C5 = =
=
=
5 5!(6 5)! 5!(1)! 5!
6 1 2 3 4 5 6 6
C5 = =
= =6
1 2 3 4 5
1
5
En total hay 6 exmenes de diferente contenido para corregir.
Ejemplo 39 (S.T.Tan)
Un inversionista desea adquirir acciones en dos compaas aeroespaciales, dos de energa y dos
especializadas en electrnica. De cuntas formas puede elegir invertir si hay 5 posibles empresas
aeroespaciales, 3 de energa y 4 especializadas en electrnica?
Determinemos el nmero de formas en que puede adquirir las acciones de dos compaas
aeroespaciales si tiene 5 empresas opcionales para invertir, observemos que de nuevo el orden en
que desee invertir no importa:
C2 =
5!
5!
1 2 3 45
=
=
= 10
2!(5 2)! 2!3! 1 2 1 2 3
Calculemos el nmero de formas en que puede adquirir las acciones de dos compaas de energa si
tiene 3 empresas opcionales para invertir:
3!
3! 1 2 3
Hallemos el nmero de 3 C2 =
=
=
= 3 formas en que puede
2!(3
2)!
2!1!
1
1
adquirir las acciones de dos
compaas especializadas en
electrnica si tiene 2 empresas opcionales para invertir:
4!
4!
1 2 3 4
=
=
=6
4 C2 =
2!(4 2)! 2!2! 1 2 1 2
De este modo y utilizando el principio fundamental de conteo concluimos que en total se tienen 180
formas de adquirir las acciones.
5
C2 3 C2 4 C2 = 10 3 6 = 180
Ejemplo 40
Una bolsa contiene 30 pelotas de plstico y de ellas 5 son azules. Si se sacan al azar 3 pelotas de la
bolsa, cul es la probabilidad de que las tres sean azules?
1. Determinemos el nmero de elementos en el espacio muestral.

Como hay 30 pelotas y deseamos formar grupos de 3 estamos en el caso de una
permutacin o una combinacin. Dado que no importa el orden en que se saquen las
pelotas ya que el grupo de tres no cambia si primero sacamos 2 azules y otra de otro
color o primero la de otro color y 2 azules, entonces estamos en una combinacin.
Calculmosla:
30!
= 4060
30 C3 =
3!(30 3)!
Con lo cual decimos que hay 4060 formas distintas de formar grupos de tres con 30
pelotas, en otras palabras este es el nmero de elementos en el espacio muestral
(sacar tres pelotas).
2. Determinemos el nmero de casos favorables para nuestro experimento aleatorio.
Como hay 5 pelotas azules y se desean formar grupos de 3 pelotas azules,

necesitamos calcular el nmero de veces que podra formar dichos grupos.
Nuevamente puesto que el orden no importa tenemos:
C3 =
5!
= 10
3!(5 3)!
Es decir que hay 10 formas de que salgan 3 pelotas azules de 5 que hay en la bolsa,
lo que significa que hay 10 posibilidades de que el evento se realice.
Tengamos en cuenta que para este experimento aleatorio el evento es
E : al extraer tres pelotas de la bolsa stas son azules.

3. Ahora s calculemos la probabilidad de que al sacar 3 de pelotas de 30 todas sean
azules.
n( E )
n( EM )
10
=
4060
= 2.4630541803
P( A) =
= 2.46305418 103
= 0.00243605418
Probabilidad condicional
En ocasiones encontraremos situaciones en las que se est interesado en saber cul es la

probabilidad de que suceda un evento cuando ha sucedido otro. Es aqu donde aparece la
probabilidad condicional ya que sta nos permite hallar la probabilidad de que suceda un evento
dado que ya ocurri otro que puede o no afectarlo.
Si se tienen dos eventos A y B la probabilidad de que ocurra A dado que ha ocurrido B se

determina de la siguiente forma:
P( A B) =
P( A B)
siempre que P( B) 0
P( B)
Tambin puede suceder que se requiera hallar la probabilidad de que ocurra B dado que ha
ocurrido A:
P( B A) =
P( A B)
siempre que P( A) 0
P( A)
.
Consideremos el siguiente ejemplo :
Ejemplo 41
La probabilidad de que una nueva empresa se ubique en Cali es 0,7, de que se ubique en Bogot es
0,5 y de que se ubique en ambas ciudades es 0,3. Si la empresa se ubica en Cali cul es la
probabilidad de que tambin se ubique en Bogot?
Primero vamos a definir los eventos y sus probabilidades
A: La nueva empresa se ubica en Cali
P(A)=0,7
B: La nueva empresa se ubica en Bogot
P(B)=0,5
Cuando se dice que se ubica en ambas ciudades significa que se ubica en Cali y en Bogot, esto lo
representamos como P (AB)=0,3
La probabilidad que buscamos la representamos como:
P(B/A)=
P(B/A)=
0,42857143
EnformasimilarpodramospreguntarporlaprobabilidaddequeseubiqueenCali,siseubicen
Bogot

P(A/B)=
La definicin de la probabilidad condicional nos conduce a la propiedad de la multiplicacin

cuando los eventos son dependientes.
Si se tienen dos eventos A y B entonces la probabilidad de la interseccin de ellos puede

calcularse de la siguiente manera, cuando los eventos son dependientes:
P( A B) = P( B) P( A B)
P( A B) = P( A) P( B A)
Ejemplo 42
Supongamos que extraemos una bola de una bolsa oscura que contiene 2 bolas rojas y 2 verdes;
anotamos su color, no la devolvemos a la bolsa y volvemos a extraer una bola. Cul es la
probabilidad de que en la extraccin el resultado sea una bola roja y una verde?
Si recordamos el concepto de eventos dependientes, sta situacin presenta justamente una
dependencia ya que no se devuelve la bola extrada y como consecuencia tanto el espacio muestral
como el nmero de elementos de los eventos cambia. Observemos grficamente el experimento.
Indiquemos los posibles resultados:
Determinemos el espacio muestral y el evento:
EM = { (r, r ), (r, v), (v, r ), (v, v) }

E = { (r , v), (v, r ) }
Observemos que el evento E est formado por los resultados roja, verde y verde, roja; las
probabilidades de cada resultado puede establecerse con la regla del producto para eventos
dependientes:
Sean
E1 : se escoge una bola roja.
E2 : se escoge una bola verde.
2
(2 bolas rojas de un total de 4 bolas) en la primera extraccin, pero en
4
la segunda la P( E2 ) depende de la ocurrencia de E1 es decir en la segunda extraccin estaramos
2
calculando P ( E2 E1 ) = (2 bolas verdes de un total de 3 bolas porque no se devolvi la bola roja
3
de la primera extraccin) luego la probabilidad de que se extraiga una bola roja y una verde en ese
orden es:
Tenemos que la P ( E1 ) =
P( E2 E1 ) = P ( E1 ) P ( E2 E1 ) =
2 2 1 2
=
4 3 2 3
Probabilidad de que salga una bola verde dado que ya se sac una roja
Realizando un proceso anlogo al anterior obtenemos que la extraccin (v,r) tiene probabilidad
2 2 1 2
P( E2 E1 ) porque P( E1 E2 ) = P ( E2 ) P ( E1 E2 ) = = . Con esto podemos entonces
4 3 2 3
calcular la probabilidad solicitada inicialmente:
Probabilidad de que se extraiga
Probabilidad de que se extraiga
una bola roja y una verde.
una bola verde y una roja.
Luego
Ejemplo 43
Durante un da se entrevistaron personas al salir de una pelcula preguntndoles si la consideraban

violenta o no. La informacin recolectada se presenta en la siguiente tabla.
No
No sabe o no
responde
Total
Mujeres
120
34
48
202
Hombres
100
42
56
198
Total
220
76
104
400
Con base en la informacin dada:

a. Cul es la probabilidad de que una mujer responda afirmativamente a la pregunta de la
encuesta?
b. Cul es la probabilidad de que una mujer responda negativamente a la pregunta de la encuesta?
c. Cul es la probabilidad de que un hombre responda afirmativamente a la pregunta de la
encuesta?
d. Cul es la probabilidad de que un hombre responda negativamente a la pregunta de la
encuesta?
e. Cul es la probabilidad de que la persona encuestada sea mujer y responda s?
f. Cul es la probabilidad de que la persona encuestada sea hombre y responda no?
Segn la informacin de la tabla establezcamos los eventos en ella.

M: la persona seleccionada es mujer
H: la persona seleccionada es hombre
S: la persona seleccionada responde si a la encuesta
N: la persona seleccionada responde no a la encuesta
NR: la persona seleccionada no sabe o no responde
Para facilitar el proceso de resolucin de los literales es conveniente determinar las probabilidades
de los anteriores eventos.
S: S
N: No
NR: No sabe o no responde
Total
M: Mujeres
120
34
48
202
H: Hombres
100
42
56
198
Total
220
76
104
400
Con base en las anteriores vamos a resolver cada literal:
a. Cul es la probabilidad de que una mujer responda afirmativamente a la pregunta de la

encuesta?
b. Cul es la probabilidad de que una mujer responda negativamente a la pregunta de la encuesta?
c. Cul es la probabilidad de que un hombre responda afirmativamente a la pregunta de la

encuesta?
=0,25
d. Cul es la probabilidad de que un hombre responda negativamente a la pregunta de la
encuesta?
e. Cul es la probabilidad de que la persona encuestada sea mujer y responda s?
Ntese que la probabilidad solicitada es la misma del literal a., en otras palabras la pregunta es la
misma.
f.
Cul es la probabilidad de que la persona encuestada sea hombre y responda no?
En este caso sucede lo mismo que en el anterior y la probabilidad solicitada es
Con las anteriores probabilidades podran realizarse preguntas como las siguientes.
g. Si la respuesta proviene de una mujer, cul es la probabilidad de que la respuesta sea

s?
P(S/M)
0,594059
h. Cul es la probabilidad de que la persona encuestada sea hombre sabiendo que respondi no?
P (H/N) =
0,55263
Obsrvese que la probabilidad condicional busca resultados que cumplen caractersticas especficas,
en otras palabras, es como si buscramos la probabilidad de un evento para el cual su espacio
muestral se restringe a los resultados que cumplen la condicin dada.
Ejemplo 44 (Newbold)
El propietario de una tienda de discos clasifica las personas que entran en su tienda en clientes
muy jvenes, clientes con edad universitaria y clientes mayores, y sabe que el 30%, 50% y 20%
pertenecen a estas categoras, respectivamente. El propietario comprueba tambin, que el 20%
de los clientes muy jvenes, el 60% de los clientes con edad universitaria y el 80% de los
clientes mayores realizan alguna compra.
a. Cul es la probabilidad de que un cliente elegido al azar haga alguna compra?
b. Si un cliente elegido al azar realiza una compra, cul es la probabilidad de que sea muy
joven?
Primero definimos los eventos:

J: el cliente es muy joven
U: el cliente tiene edad universitaria
M: el cliente es mayor
C: el cliente realiza alguna compra
Cc: el cliente no compra.
Las probabilidades que plantea el ejemplo son:
P (J)=0.30
P(U)=0.50
P(M)=0.20
P(C/J)=0.20
P(C/U)=0.60
P(C/M)=0.80
a. Para encontrar la probabilidad de que un cliente compre, analizamos todas las posibilidades, esto
es, compra y es un cliente joven o compra y es un cliente con edad universitaria o compra y es un
cliente mayor. Esto, lo expresamos en la siguiente forma:
P(C) = P (CJ) + P(CU) + P(CM)
Por la ley de la multiplicacin para eventos dependientes la interseccin se puede expresar como:
P (C) = P (J)P(C/J) + P(U)P(C/U) + P(M)P(C/M)
P(C) = (0.30)(0.20) + (0.50)(0.60) + (0.20)(0.80)
P(C) = 0.52
La probabilidad de que un cliente elegido al azar realice alguna compra es de 0.52
b. Observe como en esta pregunta ya hay un hecho conocido: el cliente compra, la probabilidad la
expresamos como:
P (J/C) =
0,11538462
Teorema de Bayes
Antes de escribir las hiptesis y la forma de calcular una probabilidad condicional utilizando el
teorema de Bayes analizaremos un ejemplo en el cual se observe el uso que le daremos.
Ejemplo 45
La directora de personal de una empresa encuentra que el 68% del personal de apoyo tcnico ha
resultado ser ineficiente a causa de sus escasos conocimientos en matemticas e ingls. Ha
preparado un examen para descubrir a los empleados ineficientes. Al aplicar el examen a todo el
personal de apoyo tcnico en 85% del personal eficiente aprueba el examen y el 40% del personal
ineficiente tambin lo aprueba. Cul es la probabilidad de que un empleado que apruebe el examen
sea eficiente? (Johnson y Mowry)
Primero identifiquemos los eventos:
E1 := el empleado es eficiente.
E2 := el empleado aprueba el examen.
E1c := el empleado es ineficiente.
E2c := el empleado no aprueba el examen.
Ahora establezcamos las probabilidades dadas en el enunciado del ejercicio:
P ( E1c ) = 0.68
P ( E2 | E1 ) = 0.85
P ( E1 ) = 0.32
P ( E2 | E1c ) = 0.4
Identifiquemos la probabilidad solicitada en el problema: P( E1 | E2 ) = ?

Busquemos ahora las expresiones que nos permitir encontrar la probabilidad solicitada.
P( E2 | E1 ) =
Despejando
P ( E1 | E2 ) =
tenemos
P( E2 E1 ) P( E1 E2 )
=
P( E1 )
P( E1 )
P( E1 E2 ) = P( E2 | E1 ) P( E1 ) .
que
Por
otra
parte,
P ( E1 E2 )
y si reemplazamos la interseccin se obtiene que
P ( E2 )
P( E1 | E2 ) =
P( E1 E2 ) P( E2 | E1 ) P( E1 )
=
P( E2 )
P( E2 )
Con lo cual slo nos faltara calcular P( E2 ) :
P( E2 ) = P( E2 | E1 ) P( E1 ) + P( E2 | E1c ) P( E1c )
Luego
P( E1 E2 ) P( E2 | E1 ) P( E1 )
=
P( E2 )
P( E2 )
P( E1 | E2 ) =
=
P( E2 | E1 ) P( E1 )
P( E2 | E1 ) P( E1 ) + P( E2 | E1c ) P( E1c )
Reemplazando cada probabilidad con los valores dados concluimos que
P( E1 | E2 ) =
0.85(0.32)
0.272
=
= 0.5
0.85(0.32) + 0.4(0.68) 0.544
Es decir que hay una probabilidad de 0,5 de posibilidades de que un empleado que apruebe el
examen sea eficiente.
Cabe resaltar que para determinar la anterior probabilidad se deban tener o poder calcular tanto los
eventos como sus complementos, esa es una caracterstica del teorema de Bayes los eventos deben
formar cada uno un espacio muestral en el que un evento indica la ocurrencia del suceso y el otro su
complemento o no ocurrencia.
TEOREMADEBAYES
Si A y B son eventos mutuamente excluyentes cuya unin constituye el espacio muestral EM,
entonces
P( A | C ) =
P(C | A) P( A)
P(C | A) P( A) + P(C | B) P( B)
Una observacin importante es que ste teorema puede utilizarse siempre que la unin de los
eventos analizados formen el espacio muestral, en otras palabras uno de los eventos es el
complemento del otro y slo ellos forman a EM.
Revise nuevamente la parte b) del ejemplo 44, observe que se plantea una probabilidad
condicional en la que se aplica el teorema de Bayes.
Autoestudio
es necesario practicar; por ello tal y como se indica en gua de actividades por semana, por favor
realice la o las guas prcticas de la semana y revise el o los libros sugeridos en el mapa conceptual
de la unidad 1, se recomienda revisar el libro que aparece en el mapa conceptual del autoestudio
(Estadstica), sino logra acceder a los libros se sugiere, consulte un libro fsico de estadstica y
probabilidad, luego realice los ejercicios referentes a los temas tratados en la semana y si tiene
alguna duda consulte al tutor que le corresponda.
favor sgalas y realice los ejercicios del libro (slo aquellos que cubran los temas tratados hasta
ahora.), en particular revise los temas de probabilidad condicional y teorema de Bayes que se
encuentran en las pginas 39, 40 y 41..
En la unidad 1, aparece un mapa conceptual; en el espacio que dice consulta de libros e-poligran al
ubicarse en la hojita se despliega la bibliografa y para acceder a dichos libros debe seguir los
siguientes pasos:
este link.
que se encuentra en google (libros); busque en el ndice los temas tratados: tcnicas de conteo,
probabilidad condicional y de Bayes (pginas 153 a 165) y resuelva los ejercicios all propuestos.
PRCTICA 2 AXIOMAS DE PROBABILIDAD
AXIOMAS
DE PROBABILIDAD
Para los siguientes ejercicios no olvide definir claramente los eventos y establecer las
relacionesentreelloscuandoseanecesario.
Ejercicio1.
En una encuesta realizada entre 200 inversionistas activos, se hall que 120 utilizan
corredoresporcomisin,126usancorredoresdetiempocompletoy64empleanambos
tiposdecorredores.Seseleccionauninversionistaalazar,culeslaprobabilidaddeque:
a.
b.
c.
d.
e.
Utilicealmenosuntipodecorredor
Utiliceexactamenteuntipodecorredor
Utiliceslocorredoresporcomisin
Noutilizancorredores
Si utiliza corredores por comisin cul es la probabilidad de que tambin utilice
corredoresdetiempocompleto
Ejercicio2.
LaprobabilidaddequeunanuevaempresaseubiqueenCalies0,7dequeseubiqueen
Bogotes0,5ydequeseubiqueenambasciudadeses0,3.Culeslaprobabilidaddeque
a.
b.
c.
d.
SeubiquesolamenteenCali
SeubiqueenCalioenBogot
NoseubiqueenCali
SiseubicaenCali,tambinseubiqueenBogot
Ejercicio3.
De 50 personas que entraron a un banco, 30 hicieron una consignacin, 35 efectuaron
trmitescrediticiosy20efectuaronambascosas.Seescogealeatoriamenteuncliente,si
ste efectu una consignacin, cul es la probabilidad de que no efectu trmites

crediticios?
Ejercicio4.
Serecogenenlasiguientetablalasproporcionesdelosagentesdeserviciodeunaentidad
financiera clasificados de acuerdo a su estado civil y a la permanencia en su empleo
duranteunperododeunao.
EstadoCivil Abandona
Permanece
(A)
(P)
Casado(C)
0,64
0,13
Soltero(S)
0,17
0,06
a. Culeslaprobabilidaddequeunagenteelegidoalazarestcasado?
b. Cul es la probabilidad de que un agente elegido al azar abandone su empleo
antesdecompletarunaooestecasado?
c. Cul es la probabilidad de que un agente soltero elegido al azar abandone su
empleoantesdecompletarunao?
d. Culeslaprobabilidaddequeunagenteelegidoalazar,quepermanecieraensu
empleoduranteunao,estcasado?
e. Los eventos Estado civil y si abandona o permanece en su empleo, son
independientes?
Ejercicio5.
Unaempresadetransporteatiendeel45%delosusuariosenlazonanorte,el25%enel
centroyel30%enlazonasurdeunaciudad.Delosusuariosdelazonanorteel5%se
sienten insatisfechos con el servicio mientras que en la zona del centro y la del sur el
porcentajedepersonasinsatisfechasesdel8%y12%respectivamente.Seseleccionaun
usuarioalazar.
a. Culeslaprobabilidaddequeelusuarioesteinsatisfechoconelservicio?
b. Sielusuarioestinsatisfechoconelservicio,culeslaprobabilidaddequeseade
lazonanorte?
c. Sielusuarionoestinsatisfechoconelservicio,culeslaprobabilidaddequesea
delazonanorte?
Resumen unidad 1
Sobre los conceptos bsicos de la probabilidad
Una probabilidad es un valor entre 0 y 1 y

representa numricamente la posibilidad de que
ocurra un evento especfico.
Un experimento aleatorio es una accin de la que
no podemos predecir su resultado.
Un evento es el conjunto de uno o ms
resultados de un experimento.
El espacio muestral es el conjunto de todos los
resultados posibles de un experimento aleatorio.
Dos eventos son mutuamente excluyentes si su
interseccin es vaca.
Dos eventos son exhaustivamente colectivos si al

unirlos formar en espacio muestral completo.
La regla general de la adicin es
P( A B) P( A) P( B) P( A B)
La regla general del complemento es

P( Ac ) 1 P( A)
La regla general de la multiplicacin es
P( A B) P( A B) P( B)
El teorema de Bayes se utiliza cuando al revisar una

probabilidad obtenemos ,por influencia de otros
eventos, una probabilidad a posteriori.
P( A1 B)
P( A1 ) P( B A1 )
P( A1 ) P( B A1 ) P( A2 ) P( B A2 )
Variables aleatorias y distribuciones de probabilidad
En esta seccin trataremos el concepto de variable aleatoria y distribuciones de probabilidad. Un

aspecto importante en esta parte del mdulo es lograr diferenciar un evento de una variable
aleatoria, si recordamos en matemticas nos explicaron el significado de variable: son
caractersticas de una situacin o contexto que se representan a travs de una letra y varan segn el
valor que debe tomar la misma segn en el contexto estudiado.
Ejemplo 46
Si estudiamos los ingresos de una empresa por la venta de impresoras, entonces stos y el nmero
de impresoras fabricadas son variables porque varan; un da se pueden vender 5 impresoras, otro
da 9 impresoras y as sucesivamente. Esa variacin en las unidades de impresora vendidas hace que
a su vez los ingresos varen. Suelen usarse las letras I y x para denotan los ingresos y el nmero
de unidades vendidas respectivamente.
Ahora que hemos recordado el significado de variable describamos intuitivamente el concepto de
variable aleatoria para luego presentar la definicin formal. Ya sabemos que una variable es una
caracterstica que toma valores que varan, si a esto le agregamos la palabra aleatoria diremos que
es una variable cuyos valores provienen de una caracterstica cuyo resultado no es predecible. Ms
precisamente:
Una variable aleatoria es un valor numrico que corresponde a una caracterstica

cuantitativa de un experimento aleatorio.
Ejemplo 47
Determinemos la variable aleatoria en la siguiente situacin: de un grupo de personas se selecciona
al azar una persona y se mide su estatura.
El experimento aleatorio es seleccionar una persona del grupo, la caracterstica cuantitativa es su
estatura y la variable aleatoria es la medida de dicha estatura.
Debe resaltarse que un evento es simplemente una caracterstica de un experimento aleatorio
mientras una variable aleatoria es una caracterstica cuantitativa de un experimento aleatorio.
Clases de variables aleatorias

Las variables aleatorias se clasifican en dos tipos, las discretas y las continuas.
Una variable es discreta cuando sus valores se pueden contar y organizar secuencialmente.
Estas variables asumen finitos valores.
Una variable es continua cuando toma valores en un intervalo o en la unin de varios de
ellos. Al estar en un intervalo una variable aleatoria continua puede asumir infinitos valores.
En adelante usaremos la letra X
para indicar una variable aleatoria, ya sea discreta o
Ejemplo 48
Si consideramos el lanzamiento de 4 monedas entonces el nmero de veces que aparece cara es una
variable aleatoria. Determinemos la variable aleatoria, establezcamos los valores que toma y luego
averiguaremos si es discreta o continua.
El experimento aleatorio es el lanzamiento de cuatro monedas, la variable aleatoria es el nmero
de caras que resultan de lanzar las cuatro monedas. Los posibles resultados del experimento son
0 caras: al lanzar las monedas no cay ninguna cara.
1 cara: al lanzar las monedas cay slo una cara.
2 caras: al lanzar las monedas cayeron slo dos caras.
3 caras: al lanzar las monedas cayeron tres caras.
4 caras: al lanzar las monedas todos los resultados fueron cara.
Nombremos entonces la variable aleatoria y sus valores:
X = 0,1, 2,3, 4
Como esta variable toma finitos valores, ella es discreta.
Ejemplo 49
Si consideramos ahora la variable aleatoria peso, en toneladas, del arroz de las cosechas en
determinada regin, sta es continua porque sus valores se encuentran en un intervalo. Por ejemplo
entre 0 y 100 toneladas:
0 X 100
Caractersticas de las variables aleatorias discretas, su

funcin de probabilidad y de distribucin acumulada
Cuando una variable aleatoria es discreta a la regla que asigna a cada valor de ella su probabilidad
se le denomina funcin de probabilidad.
Sea X una variable aleatoria discreta denominaremos por
, que se lee
probabilidad de que
tome el valor , a la funcin de probabilidad de la variable
aleatoria X si satisface las siguientes condiciones:
1.
para todos los valores de X.
2.
Por otra parte, denominamos funcin de distribucin acumulada de la variable aleatoria X a la

probabilidad de que X sea menor o igual a un valor especfico de x y est dada por
F ( x) = P( X x) = p( xi )
xi x
Que significa la suma de las probabilidades de que X tome valores menores o iguales a uno dado.
Tambin es posible calcular la probabilidad de que X tome valores mayores (mayores o iguales) a
un nmero dado y menores (menores o iguales) a otro. Cuando esto suceda tendremos que la
probabilidad es la siguiente:
P(a < X
P(a X
P(a < X
P(a X
< b) = P( X
< b) = P( X
b) = P( X
b) = P( X
< b) P( X
< b) P( X
b) P( X
b) P( X
< a)
a)
< a)
a)
Ejemplo 50
Consideremos el nmero de caras que resultan al lanzar 4 veces una moneda y determinemos la
variable aleatoria, establezcamos su funcin de distribucin de probabilidad y su funcin de
distribucin acumulada.
X : nmero de caras que resultan al lanzar 4 veces una moneda.

Para determinar la probabilidad de cada valor de la variable aleatoria estableceremos por medio de
las tcnicas de conteo el nmero de elementos en el espacio muestral y el nmero de casos exitosos
en que podemos obtener cara.
Como en el primer, segundo, tercer y cuarto lanzamiento tenemos 2 opciones de resultado, cara o
sello, entonces utilizaremos el principio fundamental de conteo:
Lanzamiento:
2 = 4 4 = 16
primero
segundo
tercero
cuarto
As decimos que hay 16 posibles resultados en el espacio muestral.

Por otra parte, para determinar el nmero de casos favorables de cada valor de la variable aleatoria
utilizaremos la tcnica de conteo de la combinatoria porque en un lanzamiento existen 4
posibilidades de que los resultados sean cara y necesitamos saber cuntos contienen 0, 1, 2, 3 y 4
caras.
X = 0 : ningn resultado fue cara.
C0 =
4!
1 2 3 4 24
=
=
= 1
0!( 4 0 )! 1 2 3 4 24
De 4 elementos se formaron grupos que no contena a ninguno de ellos

Ntese que con esto estamos indicando que slo un valor puede llenar el resultado de cada
lanzamiento (sello) por ende el nico grupo que no contiene ninguna cara es (s,s,s,s).
X = 1 : uno de los resultados fue cara.
C1 =
4!
1 2 3 4 24
=
=
= 4
1!( 4 1)! 1 2 3
6
De 4 elementos se formaron grupos que con un elemento de ellos.
En este caso estamos obligando a que un resultado se llene en algn lanzamiento con un solo
elemento: cara.
X = 2 : dos de los resultados fueron cara.
C2 =
4!
4!
1 2 3 4 24
=
=
=
= 6
2!( 4 2 )! 2!( 2 )! (1 2)(1 2) 4
En este caso estamos obligando a que dos resultados se llenen en algn lanzamiento con un solo
elemento (cara).
X = 3 : tres de los resultados fueron cara.
C3 =
4!
4!
1 2 3 4 24
=
=
=
= 4
3!( 4 3)! 3!(1)! (1 2 3)(1) 6
En este caso estamos obligando a que tres resultados se llene en algn lanzamiento con un solo
elemento (cara).
X = 4 : cuatro de los resultados fueron cara.
C4 =
4!
4!
1 2 3 4
24
=
=
=
=1
4!( 4 4 )! 4!(0 )! (1 2 3 4)(1) 24
Con la anterior informacin podemos establecer la funcin de distribucin de probabilidad
P(0) = P( X = 0) =
P(1) = P( X = 1) =
nmero de casos favorables

1
=
nmero de elemetos en el espacio muestral 16
4
16
P(2) = P( X = 2) =
6
16
P(3) = P( X = 3) =
4
16
P(4) = P( X = 4) =
1
16
Formemos ahora la tabla de distribucin de probabilidad:
Distribucin de probabilidad
Valores de la variable
aleatoria
X =x
0
1
2
3
4
Probabilidad del valor que

toma la variable aleatoria
P( X = x)
1
16
4
16
6
16
4
16
1
16
Con los datos de la anterior tabla podemos determinar algunas probabilidades acumuladas para con
ellas crear una tabla de distribuciones acumuladas.
1. Probabilidad de que en el resultado de los lanzamientos ninguno sea cara.
P( X = 0) =
1
= 0.0625
16
2. Probabilidad que como mximo uno de los resultados sea cara. Esto significa que puede
ser que ningn resultado sea cara o que uno slo de los resultados sea cara.
P(0 x 1) = P(0) + P(1) =
1 4
5
+ = = 0.3125
16 16 16
3. Probabilidad de que a lo ms en los resultados hallan 2 caras. En este caso pueden salir
o ninguna o una o dos caras.
P(0 x 2) = P(0) + P(1) + P(2) =
1 4 6 11
+ + = = 0.6875
16 16 16 16
4. Probabilidad de que mximo en los resultados hallan 3 caras. Aqu podemos tener que
en los resultados hay 0, 1, 2 o 3 caras.
P(0 x 3) = P(0) + P(1) + P(2) + P(3) =
1 4 6 4 15
+ + + = = 0.9375
16 16 16 16 16
5. Probabilidad de a los ms en los resultados hallan 4 caras:
P(0 x 4) = P(0) + P(1) + P(2) + P(3) + P(4) =
1 4 6 4 1 16
+ + + + = = 1
16 16 16 16 16 16
Organizando esta informacin en una tabla obtenemos:
Probabilidad
0 x 1
0 x2
0 x3
0 x4
0.3125
0.6875
0.9375
De igual manera nos podran pedir las probabilidades presentadas a continuacin, observe los
signos y recuerde que < significa ser menor pero no igual a, significa ser menor e igual a,
> significa ser mayor pero no igual a y significa ser mayor e igual a. Como ejercicio
interprete los enunciados y resultados:
4 6 4 14
+ + = = 0.875
16 16 16 16
4 6 10
7. P(1 x < 3) = P(1) + P(2) = + = = 0.625
16 16 16
4
8. P(2 < x < 4) = P(3) =
= 0.25
16
4 6 4 14
9. P(1 < x 4) = P(2) + P(3) + P(4) = + + = = 0.875
16 16 16 16
6.
P(1 x < 4) = P(1) + P(2) + P(3) =
Ejemplo 51
Cul es la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea menor o igual
que 3?
P( X 3) = p( X = 0) + p ( X = 1) + p ( X = 2) + p ( X = 3)
= p(0) + p(1) + p (2) + (3)
1 4 6 4
= + + +
16 16 16 16
15
=
16
La probabilidad de que a lanzar una moneda 4 veces el nmero de caras sea menor o igual que 3 es
de un 0,9375.
Ejemplo 52
Cul es la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea mayor que 2?
P( X > 2) = p ( X = 3) + p ( X = 4)
= p(3) + (4)
4 1
= +
16 16
5
=
16
Es posible resolver el ejercicio utilizando el concepto de complemento. Vemoslo:
P( X > 2) = 1 P( X 2)
= 1 ( P( X = 0) + P( X = 1) + P( X = 2))
= 1 ( p(0) + p(1) + p (2))
1 4 6
= 1 + +
16 16 16
11 5
= 1 =
16 16
As, la probabilidad de que al lanzar una moneda 4 veces el nmero de caras sea mayor que 2 es
0.3125 aproximadamente.
Caractersticas de las variables aleatorias continuas, su

funcin de probabilidad y de distribucin acumulada
Cuando la variable aleatoria es continua a la regla que asigna a cada valor de ella su probabilidad se
le conoce como funcin de densidad.
Si X es una variable aleatoria continua y existe una funcin
tal que
1.
2.
3.
Entonces sta se denomina funcin de densidad de probabilidad de la variable aleatoria
continua X.
Cabe resaltar que en la definicin se indica que los valores de la variable aleatoria estn entre e
pero en realidad indica que debe estar en un intervalo, no necesariamente el mencionado.
Anlogamente al caso de la variable aleatoria discreta, la funcin de distribucin acumulada de
una variable continua X es la probabilidad de que X tome un valor menor o igual a algn x
especfico. En otras palabras,
x
P( X x) = F ( x) = f (t )dt .
Una funcin de distribucin acumulada de una variable continua satisface las siguientes
propiedades.
1. F () = 0
2. F () = 1
3. P(a < X < b) = F (b) F (a )
dF ( x)
= f ( x)
dx
5. P( X x) = P( X < x) = F ( x)
4.
Ejemplo 53
Consideremos la concentracin, en miligramos, de amoniaco en un acuario.
X := cantidad de amoniaco en miligramos en un acuario.

La funcin de densidad de la variable aleatoria continua X no es tan sencilla de establecer como en
el caso de las variables discretas. Sin embargo, existen diversos motivos que llevan a considera esta
funcin de densidad como una distribucin normal, que se estudiar ms adelante, con 0 X 1 .
Para darnos una idea del significado de una distribucin normal vamos a considerar el siguiente
ejemplo, para el cual grficamente observaremos su distribucin. Cuando una funcin de densidad
se grafica y tiene forma de campana diremos que su funcin de probabilidad se distribuye
normal.
Ejemplo 54
Si se miden los tiempos de llegada de 100 000 clientes y se agrupan en 100 intervalos de 5
segundos cada uno, entonces la representacin grfica es la siguiente.
0,025
0,02
0,015
0,01
0,005
0
Tiempodellegada
Como la grfica tiene forma de campana entonces podemos pensar que la funcin de densidad es de
tipo normal.
Ejemplo 55 (George Canavos)
La variable aleatoria que representa la proporcin de accidentes automovilsticos fatales en Estados

Unidos, tiene la siguiente funcin de densidad:
42 x(1 x)5
f ( x) =
0
0 < x 1
en otro caso
Cul es la probabilidad de que no ms del 25% de los accidentes automovilsticos sean fatales?
La pregunta que debemos responder es cul es el valor de P ( X 0.25) ?
P ( X 0.25 ) =
0.25
= 42
42 x(1 x)5 dx
0.25
x (1 x )5 dx
0.25
x 2 5 x3 10 x 4 10 x5 5 x 6 x 7
= 42
+
+

3
4
5
6
7 0
2
= 0.5551
De esta manera concluimos que la probabilidad de que no ms del 25% de los accidentes
automovilsticos sean fatales es de 0.5551.
Valor esperado de una variable aleatoria discreta o continua
Antes de dar la definicin de valor esperado para variables aleatorias discretas o continuas,
observemos el siguiente ejemplo que nos ilustra el significado del valor esperado de una variable
aleatoria discreta.
Consideremos un vendedor comisionista. Aunque l no tiene certeza de cul ser su comisin
espera que sta supere los $500 000 al finalizar el mes. ste valor es lo que se conoce como el
valor esperado. Para tratar de verificar la obtencin de una comisin de $500 000, el comisionista
debera establecer una distribucin de probabilidad, multiplicar cada resultado del experimento por
su probabilidad y sumar los resultados. Si esta esperanza coincide o supera los $500 000 podra
decir que con seguridad lograr dicha comisin.
Existen diversos contextos que nos conducen a la toma de decisiones, de forma que stas nos lleven
a una situacin favorable sin conocer con certeza el resultado del fenmeno o situacin estudiada.
Estas decisiones se toman con base en la esperanza o valor esperado de la variable aleatoria
analizada.
Ejemplo 56
Analicemos la siguiente distribucin de probabilidad del vendedor comisionista.
Comisin
Probabilidad
$0
$200 000
$400 000
$600 000
0.02
0.4
0.18
0.4
El valor esperado de la comisin para el vendedor es
Comisin esperada = 0 ( 0.02 ) + 200000 ( 0.4 ) + 400000 ( 0.18 ) + 600000 ( 0.4 )

= 392000
Con este resultado podemos decir que nuestro vendedor comisionista no podr obtener la comisin
de $500000 que esperaba a este nivel de venta.
Ejemplo 57
Una empresa petrolera ha elaborado un estudio y tiene dos posibles lugares donde perforar para
encontrar petrleo. Dado que una perforacin resulta costosa por la mano de obra y la maquinaria
utilizada la empresa debe escoger uno de los dos lugares para perforar inicialmente.
Si la posibilidad de extraer petrleo en el sitio A es del 30% y del sitio B del 40%, pero se calcula
que A producir una ganancia $60 000 000 en caso de encontrar petrleo y una prdida de
$6 000 000 en caso de no encontrar, mientras B producir una ganancia de $40 000 000 si se halla
petrleo y una prdida de $6 000 000 en caso contrario. Determinemos dnde deber perforar
primero la compaa.
Sitio A
P(sacar petrleo) = 0.3
Ganancia = $60 000 000
P(no sacar petrleo) = 0.7
Prdida = $6 000 000
Ganancia esperada = $60 000 000 ( 0.3) $6 000 000 (0.7 )

= $13 800 000
Sitio B
P(sacar petrleo) = 0.4
Ganancia = $40 000 000
P(no sacar petrleo) = 0.6
Prdida = $6 000 000
Ganancia esperada = $40 000 000 ( 0.4) $6 000 000 (0.6 )

= $12 400 000
As concluimos que es mejor perforar inicialmente el sitio A porque se espera que la ganancia sea
mayor que en el sitio B.
Con base en lo anterior el valor esperado de una variable aleatoria discreta se calcula de la
siguiente manera.
Si una variable aleatoria es continua entonces su valor esperado se calcula as:
Ejemplo 58 (George Canavos)

Calculemos el valor esperado de la variable aleatoria proporcin de accidentes fatales en los
Estados Unidos del ejemplo 10.
Dado que esta variable aleatoria es continua porque sus valores se encuentran en un intervalo,
debemos utilizar una integral para calcular su valor esperado. Veamos:
1
E ( X ) = xf ( x)dx
0
= 42 x 2 (1 x)5 dx
0
= 42 x 2 (1 x)5 dx
0
x3 5 x 4 10 x5 10 x 6 5 x 7 x8
= 42
+
+

4
5
6
7
8 0
3
= 0.25
Luego se espera que un 25% de accidentes sean fatales en los Estados Unidos.
Varianza de una variable aleatoria discreta y continua
La varianza de una variable aleatoria es una medida de dispersin de la distribucin de

probabilidad de sta. (George Canavos)
En el caso de una variable aleatoria discreta la varianza se determina as:
Y cuando la variable aleatoria es continua calculamos su varianza de la siguiente manera:
Ejemplo 59
Consideremos el ejemplo 49 y calculemos la varianza de la variable aleatoria comisin:
Comisin
Probabilidad
$0
$200 000
$400 000
$600 000
0.02
0.4
0.18
0.4
Dado que E ( X ) = 392 000 slo necesitamos hallar E ( X 2 ) para encontrar la varianza.
E ( X 2 ) = (0) 2 (0.02) + (200000) 2 (0.4) + (400000) 2 (0.18) + (600000)2 (0.4)

= 188800000000000
Aplicando la expresin que permite calcular la varianza obtenemos:
Var ( X ) = E ( X 2 ) [ E ( X ) ]
= 188800000000000 (392000)2
= 351360000000000
Esta varianza al sacar la raz nos dice que tan alejados estn los datos de la media de los datos; por
lo tanto tenemos que
Var ( X ) = 351360000000000 187 445,9922

En otras palabras, los datos o las comisiones estn a $187 445,9922 de diferencia del promedio o
de la media de las comisiones.
A la raz cuadrada de la varianza de una variable aleatoria se le conoce como desviacin
estndar o error tpico.
Autoestudio
es necesario practicar; por ello tal y como se indica en la gua de actividades semanal por favor
revise el libro sugerido en el mapa conceptual de la unidad 2 (Estadstica) y realice la gua prctica
correspondiente a esta semana.
Para acceder al mencionado debe ingresar a la biblioteca virtual en otra pgina de internet distinta a
la del mdulo. Las instrucciones para ingresar a la biblioteca aparecen a continuacin; por favor
sgalas y realice los ejercicios del libro, slo aquellos que cubran los temas tratados hasta ahora.
En la unidad 2, aparece un mapa conceptual; en el espacio de la hojita que despliega la bibliografa
de click sobre el libro recomendado. Para acceder al mencionado debe seguir los siguientes pasos:
este link.

que se encuentra en google (libros); busque en el ndice los temas tratados: variables aleatorias,
valor esperado y varianza (pginas 175-187). Luego resuelva los ejercicios all propuestos.
Cmo s cuando un problema habla de

eventos o de variables aleatorias?
Es muy sencillo apreciados estudiantes, la clave est en la caracterstica del problema. Veamos:
Una empresa que realiza ventas por telfono observa que 10 de cada 30 llamadas que se
realizan confirman una venta. En este ejercicio el evento es vender o comprar, la
caracterstica lo observan? Mientras que el nmero de llamadas que confirman una
compra es una variable aleatoria porque es un valor numrico que est cambiando todo el
tiempo puede ser 0, 1, 2,, n llamadas que confirmen la compra.
Como vemos el evento identifica la caracterstica mientras que la variable aleatoria nos identifica
el nmero de veces que puede ocurrir el evento. Dicho evento y dicha variable se denotan distinto
observemos:
Eventos del problema
E: la persona a quien se llama compra.
Ec: la persona a quien se llama no realiza la compra.
EM={la persona compra, la persona no compra}={E, Ec}.
Variable aleatoria del problema
X: nmero de personas que compran.
X=0,1,2,3,4,
Notan que escribo : para identificar el

significado de la variable?
Notan que escribo = y los valores que
toma la variable aleatoria?
Qu significa X=0? Que ninguna persona compr en las llamadas.

Qu significa X=1? Que una persona compr en las llamadas.
Qu significa X=2? Que dos personas compraron en las llamadas. Y as sucesivamente.
Cmo identifico cul es la probabilidad del

evento y cul la de la variable aleatoria?
La probabilidad del evento es la probabilidad de que se compre en un nmero determinado de

llamadas, por ejemplo en nuestro ejercicio p es la probabilidad de que se compre y est dada por
el valor 10/30. No lo olviden esta es la probabilidad de que efecten una compra.
Por otra parte, la probabilidad de la variable aleatoria cambia segn el valor que le demos a la
variable aleatoria. Si X=0 la probabilidad toma un valor determinado dependiendo del tipo de
variable aleatoria y es diferente a cuando la variable X vale 1, 2 ,3 o cualquier otro nmero.
Cmo identifico el tipo de variable aleatoria que aparece en un contexto?
Para distinguir las distribuciones de una variable aleatoria es importante identificarlas:
Bernoulli: son variables cuyos resultados slo pueden ser dos y el uno es el complemento del
otro.
En este ejercicio una sola llamada es de tipo Bernoulli porque cada llamada slo tiene dos posibles
resultados: o compra o no compra y cada evento es el complemento del otro.
Tengan en cuenta que identificamos con Y=0,1 los resultados de la variable Bernoulli.
X=0 significa que la persona no compr en la llamada y X=1 significa que la persona compr en la
llamada. Las probabilidades en cada caso son: P(X=1)=10/30 y P(X=0)=1-P(X=1)=1-10/30=20/30.
Binomial: son variables que se distinguen porque al analizar una sola variable sta es de tipo
Bernoulli, y la probabilidad de cada Bernoulli es fija no cambia. Adems su caracterstica ms
importante es que es la repeticin de una variable Bernoulli.
Si observamos en este ejercicio al ver una sola llamada sta es Bernoulli, cuya probabilidad es fija
porque siempre es 10/30. Adicionalmente si observamos 2, 3, 4, llamadas la variable se convierte
en Binomial porque es el mismo experimento repetido un nmero determinado de veces, estamos
repitiendo el evento realizar una llamada que compre, ms de una vez.
En este ejercicio si nos pidieran calcular la probabilidad de que al realizar 10 llamadas dos de ellas
realicen una compra necesitamos la frmula de la Binomial y en ella n, el tamao de la muestra, es
10 (vamos a hacer 10 llamadas), p es la probabilidad de una Bernoulli (10/30), q es la probabilidad
de que no compren y es el complemento de p, que se calcula q
1 p 1
10
30
20
.
30
Frmula general:
P( X
No olviden que
n x n
pq
x
x)
n
es equivalente a escribir n C x que es una combinatoria y se explic en las
x
tcnicas de conteo.
Aplicada a nuestro ejercicio sera:
P( X
2)
10
C2
10
30
45 0.3333...
20
30
2
10 2
10
2
0.6666...7
10
30
8
20
30
10 2
10
0.3333...
2
0.6666...7
0.1950922116
As la probabilidad de que dos personas compren de 10 llamadas realizadas es de 0.1950.
Si hiciramos este procedimiento en Excel escribiramos lo siguiente, segn el office de cada uno,
en mi caso es 2007.
Como vemos el valor es el mismo que el que calculamos a mano.

Por otra parte puede que nos pidan probabilidades acumuladas, cuyas palabras claves son a lo
ms, como mnimo, mximo, al menos, superior e inferior; en este caso debemos tener claridad de
que Excel solamente maneja las probabilidades acumuladas P( X x) . Ojo! Esta caracterstica
es primordial en Excel cuidado con la forma en que calculamos las probabilidades:
Si aparece la palabra al menos eso se traduce como mnimo y se escribe en terminologa

estadstica P( X x) . Para calcular dicho valor hay que usar la propiedad del
complemento que en este caso es P( X
P( X
P( X
x ) 1 P( X
x) y cuidado porque en
x) no se puede tomar el valor x , se debe tomar el anterior, por ejemplo si x

4) 1 P( X 3) no puedo tomar el nmero 4.
Si aparece la palabra a lo ms eso se traduce como mximo y se escribe en terminologa

estadstica P( X x) . Para calcular dicho valor slo introducimos los datos en Excel y al
final en acumulado escribimos verdadero porque s vamos a acumular.
Si aparece la palabra superior eso significa ms grande pero no igual y se escribe en
terminologa estadstica P( X x) . Para calcular dicho valor hay que usar la propiedad
del complemento que en este caso es P( X
P( X
x ) 1 P( X
x) y cuidado porque en
x) se puede tomar el valor x , porque aparece el smbolo igual, menor o igual.
Si aparece la palabra inferior eso se traduce ms pequeo pero no igual y se escribe en

terminologa estadstica P( X x) . Para calcular dicho valor hay que tener cuidado
porque en P( X
ejemplo si x
x) no se puede tomar el valor x , se debe tomar el anterior, por
4 , P( X
4)
P( X
3) no puedo tomar el nmero 4.
Si en el ejercicio nos hubieran pedido calcular la probabilidad de que menos de 4 personas

realizaran una compra de 10 llamadas, entonces debemos hacer el siguiente proceso:
Sin Excel:
P( X
4)
P( X
3)
P( X
0) P( X
1) P( X
2) P( X
3)
Tendramos que calcular, con la frmula de la binomial, cada probabilidad individual o exacta y
luego sumar; P( X 0) ,, P( X 3) .
Con Excel:
Calculo la probabilidad acumulada:
Ven? Escrib verdadero al final porque voy a calcular una probabilidad acumulada.
Ojo! Las propiedades de la probabilidad se las saben ustedes Excel slo calcula, si ustedes le dan a
calcular mal, l calcular lo que ustedes le indiquen as que hay que leer bien el enunciado y hacer
lo conveniente segn la gua que les di en el prrafo anterior.
Otra cosa no olviden que el valor esperado o el valor promedio o la media de una variable
binomial es np , la varianza npq y la desviacin tpica es
npq . En nuestro ejemplo el nmero de
llamadas que efectan una compra se espera sea np
10(10 / 30) 100 / 30
3.3333... . Es
decir se espera que de 10 llamadas 3 realicen una compra aproximadamente.
Poisson: en una variable de este tipo nos deben dar el promedio de ocurrencia de la variable
aleatoria o el tamao de muestra y su probabilidad de ocurrencia para poder calcular
np y el
nmero de veces que quiero que suceda el evento.

Ojo! Esta variable se distingue en contextos como nmero de personas que llegan a un
determinado lugar en tantos minutos, horas, segundos, etc. Tambin nmero de veces que pasa
cierto evento en un intervalo de tiempo.
Para calcular dichas probabilidades se usa la frmula de la Poisson que aparece en las lecturas. Un
enunciado asociado a nuestro ejercicio para saber si es Poisson debera decir algo como cul es la
probabilidad de que en 15 minutos se realicen 5 ventas de 20 llamadas, sabiendo que 10 de 30
llamadas compran en 15 minutos.
En
este
np
ejercicio
20(10 / 30)
el
200 / 30
promedio
de
venta
en
15
minutos
sera
6.6666666... (es decir alrededor de 6 0 7 llamadas en
promedio compran en 15 minutos) y la probabilidad solicitada es P( X
5) , entonces usamos la
frmula de la Poisson y listo! Si lo hacen en Excel es igual que la binomial pero para Poisson:
Ojo! La distribucin Poisson en Excel se conoce como funcin exponencial y se escribe distr.exp(x,
lambda, acum). No olviden falso para no acumulada y verdadero para acumulada.
No olviden que el resultado que sali esta dado en notacin cientfica:
2.22549E-14 se escribe en calculadora 2.22549 x 10^-14 (2.22549 por 10 a la -14) y se traduce al

lenguaje comn como 0.000000000000022549 (14 ceros, porque el exponente es negativo, y los
nmeros que en el clculo aparecen). No olviden una probabilidad no puede dar ni menor que
cero ni mayor que uno.
Les queda de tarea comprender la distribucin hipergeomtrica, nimo que esto no es difcil solo
tenemos que leer con mucho cuidado.
Sugerencia, siempre que tenga un ejercicio, empiece identificando si es una variable aleatoria o
no, luego mire si es Bernoulli, Binomial, Hipergeomtrica, Poisson o Normal, despus escriba los
datos, clasifquelos para que pueda ver que tiene y qu le hace falta para calcular las
probabilidades solicitadas.
Saludos,
Diana Velsquez Rojas
Pdta: espero que esta gua los oriente un poco ms. Lean todo el material que sugiero, libros en la
biblioteca virtual, libros en internet, video diapositivas, ovas, haga las prcticas sino no van a
lograr comprender los temas. Esta materia es muy exigente y requiere de una alta entrega por
parte de ustedes. nimo que yo s que puede lograrlo. Realicen las prcticas para que podamos
responder sus dudas sino practican no hay nada que podamos hacer para ayudarlos. Hasta no
enfrentarnos al problema no sabremos qu hacer.
ESTADSTICA II PRACTICA 4
PRACTICA
4
Ejercicio1.
Determinesilassiguientesvariablesaleatoriassondiscretasocontinuas:
a. Nmerodecomercialesemitidosenunprogramaradial.
b. Elsaldoenlascuentasdeahorroenunaentidadfinanciera.
c. Nmerodepersonasquelleganaunaentidadfinancieraapagarunservicio.
d. Eltiempodeatencinalosclientesquehacenfila.
e. Nmerodevehculosrobadosenelpasenunao
Ejercicio2.
Conbaseenlossiguientesdatosdeterminelaprobabilidadsolicitadaencadaliteral.
X=x
0
1
2
3
4
5
6
7
P(X=x) 0.1 0.15 0.05 0.2 0.32 0.08 0.005 0.005
a.P(X<3)
e.P(X5)
b.P(0<X<5)
f.P(X7)
c.P(X>1)
g.P(2<X6)
d.P(1X<5)
h.P(X<1)
Ejercicio3.
Silatabladeejercicioanteriorindicaraelnmerodehijosdeloshogaresenunaciudad:
a. Qu interpretacin dara a cada una de las probabilidades calculadas en el
ejercicioanterior?
b. Conlosdatosdelatabladelejercicioanteriordetermineelvaloresperadoyla
varianzadelavariablealeatoriadada,einterpretedichosresultadossegnel
contexto.
ESTADSTICA II PRACTICA 4
Ejercicio4.
Enunaterminaldetransporteciertaempresaestablecequeelnmeroderetrasosenlaruta
Santa Marta Bogot est dado de la siguiente manera. Con base en los datos responda
cadaliteral.
X=x
0
1
2
3
4
5
6
7
8
P(X=x) 0.78 0.015 0.005 0.0017 0.0013 0.007 0.09 0.05 0.05
a. Determine todas las probabilidades acumuladas de la anterior distribucin de

probabilidad.
b. Culeslaprobabilidaddequeseretrasenentre2y7vuelos?
c. Calculelaprobabilidaddequeporlomenoshaya6retrasos.
d. Determineelvaloresperadoylavarianzadelavariablealeatoria.
e. Qutanlejosestnlosdatosdelpromedioomediadelconjuntodedatos?
f. Realice un diagrama en donde se representen los valores de variable aleatoria y sus
probabilidades, e interprete dicho grfico y responda las siguientes preguntas.
Justifiquecadaconclusin.
a. Qutandispersosestnlosdatos?
b. Elnivelderetrasosesaltoobajo?
c. Laeficienciaennoretrasosdelaempresaendicharutaesbuenaomala.
Ejercicio5.
En una rifa se van a vender 10.000 boletas a $10.000 cada una. El premio es un carro de
$50000.000.Siustedcompra2boletas,culeslagananciaesperada?
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
Muchas situaciones reales pueden ser analizadas por variables aleatorias discretas. En esta lectura se
estudian las distribuciones de probabilidad discretas, Bernoulli, Binomial, Poisson, Hipergeomtrica
DistribucinBernoulli
Los nombres de las distribuciones de probabilidad llevan en su mayora el nombre de quien las cre
y dio a conocer. La distribucin de Bernoulli se distingue porque es utilizada en contextos para los
cuales tan slo hay dos posibles resultados: ocurre o no ocurre, xito o fracaso.
De este modo cuando nos encontremos en un contexto como el mencionado asignaremos a la
variable aleatoria los valores 1 y 0, con lo que indicaremos respectivamente ocurre, no ocurre o
xito y fracaso.
Sea X una variable aleatoria que slo toma los valores 1 y 0, denotamos por p y 1 p a la
probabilidad de xito y fracaso respectivamente. La funcin de probabilidad de esta
variable est dada de la siguiente manera
P( X = 0) = 1 p
P( X = 1) = p
Por otra parte, el valor esperado o media y la varianza son
E( X ) = xP( x) = 0 (1 p) + 1( p) = p
x
Var ( X ) = E( X 2 ) ( E ( X ))2 = p p 2 = p(1 p)
Se denotar por q al valor de 1 p . No olvidemos que es importante conocer el valor esperado de

una variable aleatoria porque ste nos dice segn el contexto y las probabilidades dadas en l, lo que
se espera de variable aleatoria o el resultado que se espera obtener. Adicionalmente la varianza nos
permite calcular la desviacin estndar que nos indica qu tan alejados estn los datos del valor
promedio de los mismos, entonces con ello sabremos si los datos se agrupan o alejan del valor
promedio, mostrando as la dispersin de los mencionados.
Ejemplo 60
Un poltico cree que el 32% de los habitantes de cierta regin apoyarn su campaa para el consejo.
Determine la media y la varianza de la variable aleatoria que toma el valor 1 si el poltico es
apoyado y 0 sino.
Como X = 0, 1 y p = 0.32 entonces 1 p = 0.68, luego el valor esperado o media de la variable
aleatoria es
E ( X ) = 0(0.68) + 1(0.32) = 0.32

Lo que significa que se espera que un 32% de los habitantes apoyen la campaa del poltico.
Var ( X ) = p(1 p) = 0.32(0.68) = 0.2176

Dado que la raz de la varianza mide qu tan dispersos estn los datos de la media, si calculamos
dicho valor obtenemos
Var ( X ) = 0.2176 0.4664
DistribucinBinomial
Cuando un experimento aleatorio tiene dos posibles resultados, xito o fracaso, y se repite un
nmero finito de veces nos encontramos en un experimento de tipo Binomial. Los criterios que nos
permitirn utilizar esta distribucin son:
Debe existir un nmero fijo de pruebas repetidas o ensayos independientes, a este

nmero lo denotamos con la letra n .
Cada una n de las pruebas debe tener dos resultados, xito o fracaso (favorable o
desfavorable).
La probabilidad de xito de un acontecimiento es fijo y se denota con la letra p .
La variable aleatoria X cuenta el nmero de xitos obtenidos en los n ensayos
independientes.
Si una variable aleatoria X se distribuye Binomial entonces su funcin de probabilidad

establece que la probabilidad de que X tome un valor x es
n
P( x) = p x q n x
x
n

Donde x es n combinado x o como lo hemos venido trabajando n Cx .
Para esta variable aleatoria el valor esperado o media y varianza son:
E ( X ) = xP( x) = np
x
Var ( X ) = E( X 2 ) ( E ( X ))2 = np(1 p)
Ejemplo 61
De la produccin de envases metlicos de una fbrica se sabe que el 3% son defectuosos. Cul es
la probabilidad de que en una muestra de siete envases:
a. Por los menos tres sean defectuosos?

b. Como mximo tres sean buenos?
Comencemos por clasificar la informacin dada y distinguir si se cumplen o no los criterios de la
distribucin binomial.
Un envase puede clasificarse en defectuoso o no defectuoso, luego sta es la variable aleatoria para
la cual tenemos xito o fracaso. Como ser defectuoso representar el xito tendremos que
p = 0.03 . Por otra parte, como se analizarn 7 envases es como si estuvisemos repitiendo el
mismo experimento 7 veces, luego n = 7 . De este modo observamos que todos los criterios son los
requeridos para utilizar una distribucin binomial.
Respondamos ahora la pregunta de cada literal.
a. Cul es la probabilidad de que en una muestra de siete envases por los menos tres sean
defectuosos?
Primero definimos la variable aleatoria
X: Nmero de envases defectuosos
Como por lo menos significa como mnimo debemos calcular la probabilidad de que como mnimo
haya tres envases defectuosos.
P( x 3) = 1 P( x < 3)
= 1 ( P( x = 0) + P ( x = 1) + P ( x = 2))
7
7
7
= 1 p 0 q 7 0 + p1 q 7 1 + p 2 q 7 2
1
2
0
= 1 q 7 7 pq 6 21 p 2 q 5
= 1 0.977 7(0.03)(0.97)6 21(0.03)2 (0.97)5
1 0.99913 = 0.00087
Con lo cual notamos que es muy poco probable que haya ms de tres envases defectuosos.
b. Cul es la probabilidad de que en una muestra de siete envases como mximo tres sean
buenos?
Que mximo tres sean buenos significa que como mnimo hay cuatro defectuosos, luego la
probabilidad solicitada es
P( x 4) = P( X = 4) + P( X = 5) + P ( X = 6) + P ( X = 7)
7
7
7
7
= p 4 q 7 4 + p 5 q 7 5 + p 6 q 7 6 + p 7 q 7 7
4
5
6
7
= 35(0.03) 4 (0.97)3 + 21(0.03)5 (0.97) 2 + 7(0.03)6 (0.97)1 + 1(0.03) 7 (0.97) 0
0.0000263593
Con base en lo anterior tendramos que es muy poco probable que ms de cuatro envases resulten
defectuosos con lo cual es muy poco probable que mximo tres sean buenos.
La distribucin binomial de una variable aleatoria puede calcularse en programas con Excel, segn
la versin que se tenga; en mi caso tengo office 2007 y segn este que es tan solo una versin
mejorada respecto a las anteriores versiones de office les indicar cmo utilizarla.
Desarrollemos el anterior ejemplo con Excel:
Abrimos una hoja de clculo de Excel y escribimos los datos en columnas de la siguiente manera.
Como se observa los resultados son los mismos que obtuvimos realizando la operacin
manualmente. Debe resaltarse que si no se tiene office 2007 las anteriores versiones tambin
realizan estos clculos, tan solo hay que dar click en ayuda y escribir binomial o distribucin
binomial, esto los conducir al procedimiento requerido en su versin. Otra observacin es que
Excel slo calcula, somos nosotros quienes debemos indicarle correctamente qu calcular.
Tambin
podramos
determinar
dicha probabilidad considerando la variable aleatoria

Y : nmero de envases no defectuosos para la cual su probabilidad p es de 0.97 y n = 7 . De
igual manera esta es una variable con distribucin binomial, por lo tanto estaramos buscando
P( y 3) = P(Y = 0) + P(Y = 1) + P(Y = 2) + P(Y = 3)

7
7
7
7
= p 0 q 7 0 + p1 q 7 1 + p 2 q 7 2 + p 3 q 7 3
0
1
2
3
= 1(0.97)0 (0.03) 7 + 7(0.97)1 (0.03) 6 + 21(0.97) 2 (0.03)5 + 35(0.97)3 (0.03) 4
0.0000263590
Nuevamente confirmamos que es muy poco probable que menos de tres envases no sean
defectuosos.
DistribucinPoisson
En la distribucin de Poisson la variable aleatoria cuenta el nmero de eventos que ocurren en un

intervalo de tiempo o espacio.
Sea X una variable aleatoria que se distribuye Poisson, entonces la expresin que
permite calcular la probabilidad de un experimento aleatorio de este tipo es:
P( x) =
x e
x!
x = 0, 1, 2, 3,4,. y donde
es el valor promedio por unidad de tiempo y e = 2,718281828
Para dicha variable aleatoria la media y la varianza son respectivamente:
E( X ) =
Var ( X ) =
Ejemplo 62
Los clientes de una cafetera llegan a razn de nueve, en un perodo de 30 minutos.
a. Calcule la probabilidad de que en la primera media hora por lo menos lleguen 4

personas.
Sea X la variable aleatoria nmero de clientes que entran a la cafetera y, segn los datos dados
= 9 la media en 30 minutos, entonces la probabilidad solicitada es:
P( x 4) = 1 P( x < 4)
= 1 ( P ( x = 0) + P ( x = 1) + P ( x = 2) + P ( x = 3))
0 e 1e 2 e 3 e
= 1
+
+
+
1!
2!
3!
0!
90 e9 91 e9 92 e9 93 e9
= 1
+
+
+
1!
2!
3!
0!
= 0.9787
Esto significa que es muy probable o existe una posibilidad en un 97% de que entren ms de cuatro
clientes a la cafetera en un perodo de 30 minutos.
La distribucin Poisson de una variable aleatoria puede calcularse en programas con Excel, segn la
versin que se tenga; en mi caso tengo office 2007 y segn este que es tan solo una versin
mejorada respecto a las anteriores versiones de office les indicar cmo utilizarla.
Desarrollemos el anterior ejemplo con Excel:
Abrimos una hoja de clculo de Excel y escribimos los datos en columnas de la siguiente manera.
b. Calcule la probabilidad de que en los 10 primeros minutos no llegue ningn cliente.

Para resolver este ejercicio debe tenerse en cuenta que no tenemos la media o el nmero de
personas promedio que ingresan en 10 minutos, como consecuencia debemos hallarla con una regla
de tres:
Luego
: nmero
Tiempo
de personas
promedio
en minutos
30
10
9 (10 )
= 3 , es decir que en 10 minutos ingresan alrededor de 3 personas. Ahora s
30
podemos calcular la probabilidad solicitada:
P( x = 0) =
0e
0!
3 e3
=
0!
= 0.0497
0
Lo que significa que es poco probable que ninguna persona ingrese en un perodo a la cafetera.
Realizando el ejercicio en Excel tenemos:
Ejemplo 63
En Bogot sobre la carrera 7 con 53 se presentan en promedio 3 accidentes de trnsito por mes
determine la probabilidad de que:
a. No se presenten accidentes en un mes
b. Se presenten ms de 5 accidentes en un mes
c. Se presenten 10 o ms accidentes en un semestre
Definimos la variable aleatoria X: Nmero de accidentes que ocurren en un mes. La funcin de
probabilidad de la variable es:
a.
Laprobabilidaddequenosepresentenaccidentesenunmeses0,0498
b. Msde5accidentesenunmeses:
c. EnestecasodefinimosnuevamentelavariableX: Nmero de accidentes que ocurren en un

semestre y es necesario cambiar el valor promedio
Enunsemestreseesperaunpromediode=18accidentes,laprobabilidadquesepidees:
DistribucinHipergeomtrica
La distribucin hipergeomtrica es un tipo de distribucin que se caracteriza porque la probabilidad

no es fija o constante, a continuacin expondremos los criterios bajos los cuales sta debe utilizarse.
La informacin de la muestra se toma sin reposicin (es decir lo que se extrae no se

retorna) de una poblacin finita.
La probabilidad de xito no es constante, cambia con cada observacin.
El resultado de una prueba es dependiente de la prueba anterior.
El tamao de la poblacin es pequea.
Sea X una variable aleatoria que se distribuye Hipergeomtrica, para la cual se toma
una muestra de tamao n de N objetos de los cuales A son xito para la variable
aleatoria, entonces la expresin que permite calcular la probabilidad de un experimento
aleatorio de este tipo es:
A N A

x n x
P( x) =
N

n
x = o,1,2,3,.min(A,n)
Ejemplo 64
Un Jefe de almacn sabe que 6 de las 25 bicicletas que tiene para la venta presentan fallas en los
frenos y necesitan ajuste. Si el vendedor que no tena conocimiento de lo anterior vendi en el da, 4
bicicletas, cul es la probabilidad de que vendiera dos que requeran ser ajustadas?
Para resolver el ejercicio identifiquemos y clasifiquemos la informacin:
Nmero de objetos o tamao de la poblacin N = 25 .
Tamao de la muestra n = 4 .
Nmero de objetos de la poblacin que son casos favorables o exitosos A = 6 .
Nmero de objetos que se desea determinar que sean favorables x = 2 .
Con estos datos podemos calcular la probabilidad solicitada:
6 25 6

2 42
P ( x = 2) =
25

4
= 0.2027
La probabilidad de que las bicicletas vendidas requieran ser ajustadas es de 0,2027
Veamos cmo resolver el ejercicio en Excel:
Autoestudio
es necesario practicar; por ello tal y como se indica en la gua de actividades semanal por favor
revise el libro sugerido en el mapa conceptual de la unidad 2 (Estadstica) en particular las pginas
73 a 102 ya que stas contienen ejercicios de todas las distribuciones vistas en esta seccin. Luego
realice la gua prctica correspondiente a esta semana.
favor sgalas y realice los ejercicios del libro, slo aquellos que cubran los temas tratados hasta
ahora.
En la unidad 2, aparece un mapa conceptual; en el espacio en el que se despliega la bibliografa
accede al libro siguiendo los siguientes pasos:
este link.

que se encuentra en google (libros); busque en el ndice los temas tratados: Distribucin Binomial,
Poisson, Hipergeomtrica (pginas 175-206). Luego resuelva los ejercicios all propuestos.

Estadistica Inferencial Basica

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

Estadistica Inferencial Basica

Cargado por

Copyright:

Formatos disponibles

CONCEPTOS BSICOS DE LA ESTADSTICA

Antes de comenzar a estudiar la teora y expresiones involucradas en la estadstica inferencial que

Poblacin: es un conjunto de datos que caracteriza un fenmeno.

Estadstica: cantidad que estima caractersticas de una poblacin.

Supongamos que en el ejemplo 1 el peso promedio de la muestra (media muestral) es 124.7

Pruebas de hiptesis: procesos que conllevan a establecer el rechazo o no de una afirmacin

Conjuntos y sus operaciones

En el anterior ejemplo el conjunto es A, los elementos son 1, 2, 3, 4 y 5, y el diagrama de Venn es:

Para indicar que un elemento pertenece o no a un conjunto usamos la siguiente notacin.

Subconjunto: sean A y B dos conjuntos, decimos que B es subconjunto de A si todo elemento

Denotamos que B es subconjunto de A con la expresin B A y para indicar que A no est

Unin de conjuntos: sean A y B conjuntos, notamos con A B al conjunto de los elementos

Interseccin de conjuntos: sean A y B conjuntos, notamos con A B al conjunto de los

Complemento de un conjunto: sea A un subconjunto de un conjunto universal U, decimos que

Nmero de elementos de un conjunto

Determinemos el nmero de elementos de la unin de los conjuntos A y B.

2, 3, 4, 5, 6, 7, 8} y el nmero de elementos es n( A B) = 8 ; este nmero tambin puede

de elementos de elementos de elementos

Acerqumonos al concepto de probabilidad

Si consideramos el experimento aleatorio del lanzamiento de una moneda normal, el espacio

A es un subconjunto de U porque todo elemento de A est en U. Por el contrario U no est

Y luego utilizamos la expresin dada para calcular probabilidades:

Contemos entonces el nmero de elementos en el espacio muestral: n( EM ) = 36 .

segn la expresin dada para calcular probabilidades.

Calculemos la probabilidad pedida:

Por otra parte, puesto que el concepto de

E1 : el resultado de lanzar el dado es un nmero par:

E2 : el resultado de lanzar el dado es un mltiplo de 3:

Ahora s calculemos la probabilidad solicitada:

Tambin podramos haber escrito:

Determinemos los eventos:

E1 : el resultado al lanzar el dado es un nmero impar.

E2 : el resultado al lanzar el dado es divisor de 5.

Calculemos entonces la probabilidad de la interseccin:

Cul es la probabilidad de que al lanzar un dado el nmero resultante no sea 3?

representa el evento el nmero que resulta al lanzar un dado es tres.

Eventos mutuamente excluyentes:: d os o ms eventos son mutuamente excluyentes si su

Determinemos los eventos:

Lgico no? Ningn nmero es par e impar a la vez.

Axiomas y teoremas bsicos de la probabilidad

Si un espacio muestral est dado de la siguiente manera:

Se denomina evento simple.

Distribucin de probabilidad: cuando se asigna a cada evento simple de un espacio muestral

1. Toda probabilidad es un nmero entre cero y uno.

2. La suma de las probabilidades de los eventos simples en un espacio muestral es 1; o tambin

3. La probabilidad de la unin de dos eventos del espacio muestral es la suma de las

Los resultados de las calificaciones de un examen en cierta institucin educativa, se organizaron en

Con base en la distribucin, si se elige un estudiante al azar determinemos la probabilidad de que:

E1 := la calificacin es mayor o igual que 1 y menor que 3.

La probabilidad de que la calificacin del estudiante sea menor que 4 es:

La probabilidad de que la calificacin del estudiante sea superior o igual a 3 es:

Regla de la suma: para dos eventos cualesquiera Ei y E j con i j , i, j N (N el conjunto

Luego aplicando la regla de la suma obtenemos

Observemos la anterior regla por medio de diagramas de Venn.

Eventos independientes: dos o ms eventos son independientes si la ocurrencia del uno no

As, el 0.002% del calzado presenta fallas en sus tres componentes.

Indiquemos las opciones que tenemos para el resultado solicitado:

Determinemos el espacio muestral y el evento:

EM = { (r, r ), (r, v), (v, r ), (v, v) }

E1 : se escoge una bola roja.

porque la extraccin de la bola roja no afecta la extraccin de la bola verde.

Ahora resolvamos el mismo ejercicio pero utilizando el concepto de espacio muestral:

Determinemos el espacio muestral y el evento de que ambos hijos sean nias: