Probabilidades PDF

I.
PROBABILIDADES
El objetivo fundamental de la estadística es realizar inferencias acerca de una variable en la población

a partir del cocimiento de una muestra. La teoría de la probabilidad es el fundamento para la
inferencia estadística; esta proporciona y estudia modelos para las distribuciones de algunas
variables importantes.
En la mayoría de los problemas hay que tomar decisiones en base a experimentos, así pues
definiremos lo que es un experimento aleatorio para poder entender el concepto de probabilidad.
1. EXPERIMENTO ALEATORIO Y ESPACIO MUESTRAL
Existen dos tipos de experimentos:
Experimento Determinístico: Al repetirlos bajo las mismas condiciones siempre dan el mismo
resultado (predecible). Ejemplos: Fenómenos físicos y químicos.
Ejemplos:
- El resultado de una reacción química
- La velocidad de llegada de un cuerpo a tierra al dejarlo caer desde una torre
Experimento Aleatorio o no determinístico: Conjunto de pruebas realizadas bajo las mismas

condiciones y cuyos resultados son impredecibles. Los simbolizaremos como  . Estos también son
conocidos como experimentos estocásticos. Los rasgos que distinguen a los experimentos aleatorios
son:
i. Todos los resultados del experimento son conocidos con anterioridad a su realización.
ii. No se puede predecir el resultado del experimento.
iii. El experimento puede repetirse en condiciones idénticas.
Ejemplos
1 : Lanzar moneda y observar su cara superior

 2 :Extraer un artículo de un lote que contiene 50 artículos defectuosos y 15 articulos no defectuosos.
3 : Observar el tiempo de vida de una lámpara desde que se enciende hasta que falla.
 4 : Elegir un punto en el intervalo cerrado 0,1
5 : Lanzar una moneda y contar el número de lanzamientos hasta que salga cara
6 : Contar el número de artículos fabricados en un dia por una maquina hasta que resulte un artículo
defectuoso.
Espacio Muestral: Es el conjunto de todos los resultados posibles asociados a un experimento

aleatorio. Se denota por Ω .
Ejemplos:
- Al experimento aleatorio 1 :Lanzar moneda le corresponde el espacio muestral 1  C, S
- Al experimento aleatorio  2 le corresponde 2  D, ND
- Al experimento aleatorio 3 le corresponde   
- Al experimento aleatorio  4 le corresponde   
- Al experimento aleatorio 5 le corresponde   
- Al experimento aleatorio  6 le corresponde   
Los espacios muestrales pueden ser:
Espacio muestral discreto:
Si tiene un número finito o infinito numerable de elementos.
Espacio muestral continuo
Si tiene un número no numerable de elementos. Es decir cuyos elementos son todos los puntos de
algún intervalo
Evento: Dado un experimento aleatorio cuyo espacio muestral  , se llama

Evento a cualquier subconjunto de  y lo denotaremos por A, B, C, D…
Sea el evento E entonces: E  
Suceso: Es todo elemento del espacio muestral y lo denotaremos por w, x, y, etc.

Sea el suceso w, entonces w  
Distinguimos los siguientes tipos de eventos:
- Evento simple o elemental: sólo consta de solo elemento

- Evento compuesto: consta de dos o más elementos
- Evento imposible: es el que nunca puede realizarse (viene determinado por el conjunto
vacío,  )
- Evento seguro: es el que siempre se cumple (viene determinado por
el conjunto total,  )
- Evento disjuntos o mutuamente excluyentes : aquellos Evento A y B que no pueden realizarse
a la vez, A  B = 
Ejemplos:
Clarifiquemos estos conceptos con unos ejemplos:
- Realizamos el experimento aleatorio  : “Lanzar un dado y observar la cara superior”
Espacio muestral:  = { 1, 2, 3, 4, 5, 6 }
UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 2

Evento simple: Sacar un 2 = { 2 }
Evento compuesto: Sacar un número impar = { 1, 3, 5 }
Evento imposible: Sacar un 7 = 
Evento seguro: Sacar un nº menor que 7 = { 1, 2, 3, 4, 5, 6 }
Evento disjuntos: A = Sacar un nº par = { 2, 4, 6 }
B = Sacar un nº impar = { 1, 3, 5 }
2. OPERACIONES CON EVENTOS: (ALGEBRA DE EVENTOS)
Tratándose los eventos de subconjuntos del espacio muestral, es natural que satisfagan todas las
características de los conjuntos. Sean A y B dos eventos del espacio muestral  .
 SUB-EVENTOS
Dados dos eventos A y B se dice que A esta contenido en B o que A es sub-evento de B y denotamos
por A  B , Es decir si ocurre el evento A ocurre necesariamente el evento B
A  B,si w  A  w  B
 IGUALDAD DE EVENTOS
Se dice que dos eventos A y B son iguales, y se denota por A = B, si A  B y B  A
 LA INTERSECCIÓN, que se denota A  B , es el evento que consta de todos los resultados en 

que pertenecen tanto a A como a B. Por tanto, la intersección A  B ocurre si y sólo si tanto A
como B ocurren.
AB  A  B  w  w  A  w  B
De manera más general, dados k eventos A1, A2, ..., Ak, su intersección A1  A2    Ak es el
conjunto de todos los resultados básicos que pertenecen a todo Ai (i = 1, 2, ..., k)
Ejemplo: lanzamos un dado al aire y analizamos dos sucesos:

A: que salga número par, y B: que sea mayor que 3.
La intersección de estos dos sucesos tiene dos elementos: el 4 y el 6.
A  B  4,6
 LA UNIÓN, que se denota A  B , es el evento que consta de todos los resultados en que
pertenecen al menos a uno de estos eventos. Por lo tanto, la unión A  B ocurre si y sólo si A
y/o B ocurren.
A  B  w  w  A  w  B

PROPIEDADES:
i. A   B  C    A  B   A  C 
ii. A   B  C    A  B   A  C 
De manera más general, dados k eventos A1, A2, ..., Ak, su unión A1  A2    Ak es el conjunto
de todos los resultados que pertenecen al menos a uno de estos k eventos.
Ejemplo: lanzamos un dado al aire y analizamos dos eventos:

A: que salga número par, y B: que el resultado sea mayor que 3.
El eventos unión estaría formado por los siguientes resultados: el 2, el 4, el 5 y el 6.
Luego A  B  2, 4,5,6
 EL COMPLEMENTO El complemento del evento A (con respecto al espacio muestral  ), que se

representa por Ac (dependiendo de la literatura también se usa A ó A ' ), es el evento que consta
de todos los resultados pertenecientes a  pero no a A.
A '  A    A  w  w   w  A
A'    A
PROPIEDADES
i.  A´´ A
ii. A  A´ 
iii. A  A´ 
iv. '  
v. A  B  A  B´
Ejemplo: lanzamos un dado al aire. El eventos (A) es que salga un número par, luego su
complementario, evento A es que salga un número impar.

Definiciones complementarias:
 Si A y B no tienen puntos muestrales en común (sucesos) se denominan excluyentes y su

intersección A ∩ B es el conjunto vacío  , lo que significa que A ∩ B no puede ocurrir.
De manera más general, dados k eventos A 1, A2, ..., Ak, se dicen mutuamente excluyentes si cada
par de estos eventos es excluyente, es decir Ai  Aj   para todo i ≠ j.
Ejemplo: lanzamos un dado al aire y analizamos dos sucesos: A: que salga un número menor que
3, B: que salga el número 6.
 Dados k eventos E1, E2, ..., Ek definidos en el mismo espacio muestral  , si su unión E1  E2  ...
 Ek =  se dice que estos k eventos son colectivamente exhaustivos.
 LEYES DE MORGAN
Las operaciones o el algebra de eventos o sucesos es el mismo de el algebra de conjuntos.
Las leyes de Morgan se usan para el complemento es decir: Leyes De Morgan
 A  B '  A'  B ' y  A  B '  A'  B '
EJERCICIOS
Simplificar:  A '  B  A   A '  B ' 

 A ' '
3. PROBABILIDAD.-
Definición Clásica: La probabilidad de un evento es la razón entre el número de casos (sucesos)

favorables y el número total de casos (sucesos) posibles, siempre que nada obligue a creer que
algunos de estos sucesos deban tener preferencia a los demás, lo que hace que todos sean
igualmente posibles.
Es decir sea el espacio muestral  y el evento A   , entonces la probabilidad de la ocurrencia

del evento A será:
N  A
P  A 
N  
Donde:
N  A = número de casos favorables al evento A
N   = número de casos posibles.

Ejemplo
Si lanzamos una moneda dos veces, ¿cuál es la probabilidad de obtener al menos una cara?
El espacio muestral correspondiente es  = { (C,C), (C,), (,C), (,) } , siendo C = cara y
 = cruz
Sea el suceso A = “al menos una cara” = { (C,C), (C,), (,C) }
Luego: N  A = casos favorables = 3, N   = casos posibles 4
N  A 3
Así, la probabilidad pedida es P  A  
N   4
PROPIEDADES: Sea  un experimento aleatorio y  un espacio muestral asociado a este. La probabilidad de

A denotado por P(A) satisface las siguientes propiedades:
1. 0  P( A)  1
2. Si A es un evento imposible entonces P  A  0
3. P(  ) = 1
4. Si A y B son mutuamente excluyentes entonces P(A  B) = P(A) + P(B)
4. PROBABILIDAD CONDICIONAL
Dados dos eventos A y B, se define la probabilidad condicional de A dado B como
P( A  B)
P( A | B) 
P( B)
, siempre que P(B) > 0
Y se entiende como la probabilidad de que ocurra el suceso A considerando que antes ha ocurrido
el suceso B.
EJEMPLO: Sea el experimento aleatorio lanzar dos monedas una después de otra. ¿Cual es la
probabilidad de que en el primer lanzamiento haya salido una cara sabiendo que al lanzar las dos
monedas salió al menos una cara?
SOL. Se lanza dos veces una moneda: E={CC,CS,SC,SS}. Sabemos que ha ocurrido el suceso
“sale al menos una cara”, es decir, B={CC,CS,SC}
La probabilidad de que ocurra el suceso A “en el primer lanzamiento sale cara”={CC,CS} condicionada
por el suceso B será:
P A B 
P( A y B) 2 / 4
  2/3
P( B) 3/ 4
Propiedades de la probabilidad condicional
1. 0  P( A | B)  1
2. P( | A)  1
3. P( A | )  A

 
4. P(  Ai | B)   P( Ai | B) si Ai  Aj  0 para i  j
i 1 i 1
En general tenemos dos formas de calcular P( A | B) :

a. Directamente, considerando la probabilidad de A respecto al espacio muestral B.
b. Usando la definición, donde P( A  B) y P(B) se calculan respecto al espacio muestral original
.
5. REGLA DEL PRODUCTO DE PROBABILIDADES
También conocido como Teorema de Multiplicación, se puede ver como una consecuencia de la
definición de probabilidad condicional, indica que la probabilidad de la intersección de dos eventos
cualesquiera A y B es:
P(A ∩ B) = P(A|B)P(B) = P(B|A)P(A)
La generalización de esta regla para n eventos nos lleva a:
P( A1    An )  P( An | A1    An1 ) P( An1 | A1    An2 )  P( A3 | A1  A2 ) P( A2 | A1 ) P( A1 )
Ejemplo: En una urna hay 5 bolillas blancas y 4 bolillas rojas; Se extrae al azar sucesivamente y sin
reposición dos bolas ¿cual es la probabilidad de que las dos resulten blancas?
SOL:
6. INDEPENDENCIA DE EVENTOS
Dados dos eventos A y B se dice que son independientes estadísticamente, o simplemente
independientes, si y sólo si
P(A ∩ B) = P(A)P(B)
En otras palabras, A y B son independientes si y solo si P(A|B) = P(A) siempre que P(A) sea diferente
de 0 y también si P(B|A) = P(B) siempre que P(B) sea diferente de 0.
En general n eventos A1 ,, An , se dicen independientes si y sólo si
P  A1   An   P  A1  .P  A2  .....P  An 
Ejemplo: Se lanza un dado 5 veces. Hallar la probabilidad de que no aparezca ningún seis en los cinco
lanzamientos.
SOL.
7. PARTICIÓN:
Se dice que la colección de eventos B1 , B2 , , Bk conforman una partición del espacio muestral  si
1. Bi  B j  Ø para i  j , i, j  1, 2,3,....k

K
2. Bi  
i 1
3. P ( Bi )  0 para todo i
8. TEOREMA DE LA PROBABILIDAD TOTAL

Sea B1 , B2 , , Bk una partición del espacio muestral  , entonces para cualquier evento A en  , se cumple:
k
P  A   P  Bi P  A Bi   P  B1  P  A B1   P  B2  P  A B2   ...  P  Bk  P  A Bk 
i 1
EJEMPLO: En un laboratorio hay tres jaulas, en la jaula B1 hay dos conejos pardos y tres blancos, en la jaula B2
hay 4 conejos pardos y 2 blancos, en la jaula B3 hay 5 conejos pardos y 5 blancos. Se selecciona al azar una
jaula y se saca un conejo al azar de esta jaula. ¿Cuál es la probabilidad de que el conejo escogido sea blanco?
SOLUCIÓN:
9. TEOREMA DE BAYES.- Si los eventos B1 , B2 , , Bk forman una partición del espacio muestral  y A
es un evento cualquiera de  , entonces:

P( Br ) P( A | Br ) P( Br ) P( A | Br )
P( Br | A)  
k
P( B1 ) P( A | B1 )  P( B2 ) P( A | B2 )  ...  P( Bk ) P( A | Bk )
 P( B ) P( A | B )
i 1
i i
P( Br  A)
P( Br | A) 
P  A
Donde el numerador resulta del teorema de multiplicación y el denominador del teorema de probabilidad
total.
EJEMPLO: En el ejemplo anterior, supongamos ahora que el conejo escogido aleatoriamente es blanco. ¿Cuál
es la probabilidad de que provenga de la jaula B1?
SOLUCIÓN:

II. VARIABLE ALEATORIA Y DISTRIBUCION DE PROBABILIDADES.
1. VARIABLE ALEATORIA.
Una variable aleatoria "X" es una aplicación definida en un espacio muestral  , que toma valores
reales, o sea es la transformación del Espacio Muestral en un conjunto numérico, mediante X.
Definición formal:
Dado un experimento aleatorio  y  el espacio muestral asociado a dicho  . Una función que
asigna a cada elemento w en  uno y solamente un numero real x  X  w , se llama VARIABLE
ALEATORIA. Es decir, X es una función real X :  
El rango o recorrido RX de la variable aleatoria X esta dado por el conjunto de números reales:
RX  x  / X  w  x, w   X  
Ejemplos:
a) Experimento: “Tira 10 veces a una canasta”

Variable aleatoria: X = “Nº de aciertos” , RX  0,1, 2,..9,10
b) Experimento: “Tirar dos monedas”
Variable aleatoria: X = “Contar el número de caras” , RX  0,1, 2
c) Experimento: “Elegir una bombilla al azar”
Variable aleatoria: X = “Tiempo que tarda en fundirse”
RX  x  / 0  x  M  Donde M es el tiempo máximo de vida.
d) Experimento: “Lanzar un dado”
Variable aleatoria: X = “numero de intentos hasta obtener un seis”, RX  1, 2,3,...
e) Experimento: “Elegir una punto (x,y) al azar en el plano cartesiano XY”
Variable aleatoria: D = “Distancia del punto al Origen de coordenadas”

RD  d  / d  x2  y 2 
2. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Definición: Una variable aleatoria se dice discreta cuanto toma una serie de valores aislados es
decir cuando RX es un conjunto finito o infinito numerable. Se dice continua cuando puede tomar
cualquier valor dentro de un intervalo.
Ejemplos:
De los ejemplos anteriores son discretas a,b,d , y son continuas la c y e.

3. FUNCION O LEY DE PROBABILIDAD DE UNA VARIABLE DISCRETAS.
Cuando se habla de la distribución de probabilidad de una variable aleatoria lo que se pretende es

determinar cómo están “distribuidas” las probabilidades entre los diferentes valores que puede
tomar la variable aleatoria.
Se llama función de probabilidad o ley de probabilidad (o función de cuantía) p  x  de una variable

aleatoria X a la función que asigna a cada valor de la variable la probabilidad de que ésta tome ese
valor:
La función de probabilidad de una v.a. discreta cumple las 3 propiedades:

i. p  x   P  X  x
ii. p  x   0, x  RX
iii.  p  x  1
xRX
La colección de pares  x, p  x   x  RX  es llamada distribución de probabilidad de X.
Ejemplo:
Sea X = “Número de caras al tirar dos monedas”
RX : 0, 1, 2
Función de probabilidad:
1
p(0)  P( X  0) 
4
1
p(1)  P( X  1) 
2
1
p(2)  P( X  2) 
4
Observaciones:
 El dominio de la función de probabilidad es RX .
 La función de probabilidad p  x  toma valores entre 0 y 1.
 La suma de todos los valores que toma la función de probabilidad es 1.

4. FUNCION DE DISTRIBUCION DE UNA VARIABLE ALEATORIA DISCRETA.
Se llama función de distribución, F, de una variable aleatoria X a la función que asigna a cada valor
de la variable la probabilidad de que ésta tome un valor menor o igual que ese.
F ( x)  P( X  x)
Definición formal: Sea X una v.a. discreta con rango RX   x1 , x2, ..... y función de probabilidad,
p  xi   P  X  xi  , sea x un numero real cualquiera, la Función de Distribución de X se denota por
“ F  x  ” y se define como:
F ( x)  P( X  x)   p  x    P  X  xi 
xi  x xi  x
Es decir, para calcular el valor de la función de distribución en un punto xi debemos sumar los valores
que toma la función de probabilidad en todos los puntos menores o iguales que xi.
Ejemplo:
Sea X = “Número de caras al tirar dos monedas” (del ejemplo anterior)
 0 si x  0
1
 si 0  x  1
2
F ( x)  
 3 si 1  x  2
4
 1 si 2  x

Observaciones:
 La función de distribución es “escalonada”, empieza tomando el valor 0, tiene saltos en el
recorrido de la variable aleatoria hasta tomar el valor 1.
5. FUNCION DE DENSIDAD DE PROBABILIDAD
Definición: Sea X una v.a. continua con rango RX . La función de densidad de probabilidad asociada
a la variable aleatoria, es una función f  x  integrable que satisface las siguientes condiciones:
a. f  x   0, x 

b.  f  x  dx   f  x  dx  1
 RX

Una consecuencia de esta definición es que si A es el evento A  x / a  X  b se define la
probabilidad de A como sigue:
b
P  A  P  a  X  b   f  x  dx
a
Este concepto de probabilidad se entiende que la probabilidad del evento A es equivalente a

área debajo de la curva, a la derecha de la recta x= a y a la izquierda de la recta x=b.
OBS:
a. f  x  no representa la probabilidad de algo, solamente cuando esta función se integra entre

dos puntos representa una probabilidad.
b. La probabilidad de que la variable aleatoria X tome un valor especifico, digamos x0 es cero,
pues: P  X  x0   P( x0  X  x0 )   f ( x) dx  0
x0
x0
c. Como consecuencia cuando X es una v.a. continua

P a  X  b  P a  X  b  P a  X  b  P a  X  b
Ejemplo:
Sea una variable aleatoria continua con función de densidad dada por:
c  6 x  2 x 2  ,0  x  2
f  x  
 0 , en otro caso
1) Encuentre el valor de la constante c.
Sol:
0 2 
Como   0dx   c  6x  2x  dx   0dx  1
2
 0 2
2
 2  3
Se obtiene 0  c 3x 2  x3   0  1 , luego c 
 3 0 20
2) Calcular P  X  1

 2
f  x  dx    6 x  3x 2  dx 
3 13
Sol: P  X  1  
1
20 1 20
3) Calcular P 0.5  X  1.5

1.5
Sol: P 0.5  X  1.5   f  x  dx 
0.5
6. FUNCION DE DISTRIBUCION ACUMULADAD DE UNA VARAIABLE ALEATORIA CONTINUA
Definición: sea X una v.a. continua con función de densidad f  x  La función de distribución
acumulada de la v.a. continua X, denotada por F  x  , se define por:
x
F ( x)  P( X  x)   f (t ) dt , x 

Es decir F  x  asigna a cada valor x la probabilidad de que la variable aleatoria X sea menor
de x.
Ejemplo:
Sea una variable aleatoria continua con función de densidad dada por:
 3x
 2  x ,0  x  2
f  x   4
 0 , en otro caso
Hallar la función de distribución acumulada de X.

SOLUCION:
x
1) Si x  0, F  x   P  X  x    odt  0

3 2 x
x 0 x
3
2) Si 0  x  2, F  x   P  X  x    f  t  dt   0dt  0 4 t  2  t  dt  4 x 1  3 

x 0 2 x
3
3) Si x  2, F  x   P  X  x    f  t  dt   0dt   t  2  t  dt   0dt  1
  0
4 2
 0 x0

3  x 
Luego: F  x    x 2 1   0  x  2
4  3 
 1 x2
Gráficamente:
Observar que F(x) empieza tomando el valor 0 y va creciendo hasta alcanzar el valor 1.
6.1 POPIEDADES DE LA FUNCION DE DISTRIBUCION ACUMULADAD DE UNA VARAIABLE

ALEATORIA CONTINUA
1. 0  F  x   1, x 
2. lim F  x   0
x 
3. lim F  x   1
x 
4. F es creciente es no decreciente, esto es : Si a  b  F  a   F b 
5. F es continua por la derecha, es decir lim F  x  h   F  x  , x  , h  0

h 0
d  F  x 
6. Del segundo teorema fundamental del calculo se tiene que: f  x  
dx

7. PARÁMETROS O CARACTERISTICAS DE UNA VARIABLE ALEATORIA
Las características numéricas son medidas que permiten sintetizar la información de forma
tal que ofrecen las características generales del fenómeno en estudio, es decir, sus rasgos
principales. También se conocen como parámetros de las variables aleatorias.
Las características fundamentales que se estudiarán son: Media y varianza
7.1 Media o Esperanza matemática de X se denota por  ó E  X  y se Define por:
  E  x   x1 p ( x1 )  x2 p ( x2 )  ...  xn p ( xn )   xp( x) ,
xRX
Si X es una v.a. discreta (*)

  E  x   xf  x  dx   xf  x  dx , Si X es una v.a. continua (**)
RX 
Siempre que la sumatoria (*) o la integral (**) sean finitas

Ejemplo:
1 1 1
Media=   0  p(0)  1  p(1)  2  p(2)  0   1   2   1
4 2 4
Es decir, si repites el experimento muchas veces en promedio obtendrás una cara.
Sea X = “Número obtenido al lanzar un dado”
1 1 1 21
Media=   1. p (1)  2  p (2)  ...6. p  6   1   2   ...  6    3.5
6 6 6 6
7.2 Propiedades de la esperanza matemática.
7.2.1 Sea X una v.a e Y  H  X  Una función de X, EL valor esperado H  X  se define por:
i. E  H  X     H  x  p( x)
xRX
Si X es una v.a. discreta
ii. E  H  x     H  x  f  x  dx , Y  H  X  continua y X una v.a. continua

RX
Es decir para hallar el valor esperado de Y  H  X  no se necesita conocer o calcular la

distribución de probabilidad de Y.
7.2.2 Sea X una v.a., a y b constantes. Entonces:
i. E  a  a
ii. E aH  X   aE  H  X 
iii. E aH  X   bG  X   aE  H  X   bE G  X 

7.3 Varianza de X:
La varianza de una variable aleatoria es una característica numérica que proporciona una idea de
la dispersión de la variable aleatoria respecto de su esperanza, se denota y se define como:
La varianza de una v.a. X, se denota por Var  X  ó V  X  ó por la letra griega  X 2 y se define
como:
Var  X   E  X    
2
 
Por lo tanto:
V  x   x  
2
p( x) , Si X es una v.a. discreta
xRX
V  x    x    f  x  dx ,
2
Si X es una v.a. continua
RX
Ejemplo:
Varianza
E  X 2   02  p(0)  12  p(1)  22  p(2)  1.5
 1
 2  E  X 2    2   02   12   22    12 
1 1 1
 4 2 4 2
Una de las características de la varianza es que viene expresada en unidades cuadráticas

respecto de las unidades originales de la variable. Un parámetro de dispersión derivado de
la varianza y que tiene las mismas unidades de la variable aleatoria es la desviación típica,
que se define como la raíz cuadrada de la varianza.
Desviación Típica =  X  Var  X 
Desviación Típica es la raíz de la varianza, asi en este ejemplo   0,5  0,71
7.4 Propiedades de la Varianza.
7.4.1 Sea X una v.a con valor esperado E  X    la varianza esta dada por:
V  X   E  X 2   2
7.4.2 Sea X una v.a., a y b constantes. Entonces:

V  ax  b  a2V  X 
7.5 EJEMPLOS:
7.5.1 Tiramos 3 monedas y sea la v.a. discreta X = “Número de caras”
Entonces:

Recorrido de X = {0, 1, 2, 3} C C C
C C X
Función de probabilidad. C X C
X C C
 1 C X X
 x0
8 X C X

 3 X X C
x 1
 8 X X X
p( x)  
 3
x2
 8
 1
 x3
 8
Función de distribución.
 0 x0
 1
 0  x 1
 8
 4
F ( x)   1 x  2
 8
 7
 2 x3
8

 1 x3
Parámetros.
1 3 3 1
   xi p ( xi )  0   1   2   3   1,5
8 8 8 8
 1
 2    xi 2  f ( xi )    2   02   12   22   32    1,52  0, 75
1 3 3
 8 8 8 
8
  0,75  0,87
7.5.2 PREGUNTA:
Sea el siguiente juego Si un jugador lanza la moneda 3 veces, y gana un dos soles por cada
cara obtenida.
a. Si el juego cuesta 2 soles cual es su ganancia esperada?
b. Si el juego cuesta 4 soles cual es su ganancia esperada?
c. Sea la variable aleatoria Y: ganancia en el juego, en cual de los casos a) ó b) será Y mas
homogénea?

x
7.5.3 Ejemplo Si f  x   para 0  x  2
2
a. Hallar la esperanza de X
b. ¿Cuál será el valor de la varianza de x?
c. Hallar E(x+3)
d. Hallar E(2x2)
e. ¿Cuál será el valor de V(2x)?
f. ¿Cuál es el valor de la desviación típica de X?
SOLUCION:
Por la forma de presentar el recorrido de la variable x, indica que es una variable continua.
2 2
1
a. E  X    x f ( x)dx =  x 2 dx = 1/2[x 3 / 3) = 1/2(8/3 - 0)=1.33
0
20
2 2
b. E  X 2
x 2
f ( x)dx = 1/2 x3dx  1/ 2( x 4 / 4)  1/ 2(16 / 4)  16 / 8  2
0 0
Luego por propiedad: V(x) = E (x2) - [E (x)]2 = 2 - 1.332 = 2 - 1.77 = 0.23
c. E(x+3) = E (x) + 3 = 1.33 + 3 = 4.33
d. E(2x2) = 2 E(x2) = 2 . 2 = 4
e. V(2x) = 22 V(x) = 4 (0.23) = 0.92
f.    2  0,23 = 0,48
Recuerde que la desviación típica se representa por la letra griega sigma y que es la raíz
cuadrada de la varianza (V(x) = 2

RESUMEN
VARIABLES DISCRETAS VERSUS VARIABLES CONTINUAS
X = “Nº de hijos” Y = “Tiempo de retraso/adelanto en el autobús”

Recorrido de X = {0, 1, 2, 3, 4, 5, …} Recorrido de Y = RY   y / y  m, M 
Función de probabilidad Función de densidad
Función de distribución Función de distribución

x
F ( x)  P( X  x)   f ( x) dx

f (x)
F (x)
Parámetros Parámetros
n 
   xi  f ( xi )    x  f ( x) dx

i 1
n
  (x
i 1
i   ) 2  f ( xi )   

( x   ) 2  f ( x) dx
ó
n
 x  f ( xi )   2
2
n
i 1

8. PRINCIPALES DISTRIBUCIONES DISCRETAS
En esta sección presentaremos algunas (las principales) distribuciones de probabilidad para

variables aleatorias discretas.
El comportamiento de una variable aleatoria queda descrito por su distribución de probabilidad

discreta. A menudo, las observaciones que se generan en diferentes experimentos se pueden
describir esencialmente con la misma distribución de probabilidad y por tanto se pueden
representar mediante una sola formula. De hecho se necesita solo un puñado de distribuciones
de probabilidad importantes para describir muchas variables aleatorias discretas que se
encuentran en la práctica.
8.1 DISTRIBUCIÓN UNIFORME
Es la mas simple de todas las distribuciones de probabilidad discreta es donde la variable

aleatoria toma cada uno de sus valores con una probabilidad idéntica.
La variable aleatoria toma un número finito de n valores, cada uno con igual probabilidad.
1
f ( xi )  P( X  xi )  , Rx  xi , x2, ...xn
n
EJEMPLO: Se lanza un dado y sea X: numero de la cara superior
8.2 ENSAYOS Y DISTRIBUCION DE BERNOULLI
Hay muchos experimentos que solo tienen dos resultados posibles, llamados éxito “E” y fracaso
“F”. Donde la probabilidad de éxito es siempre la misma es decir es constante y por lo tanto
también lo es la probabilidad de fracaso. Luego al espacio muestral para este tipo de ensayo es
  E, F , Por ejemplo al lanzar una moneda podemos considerar éxito si sale cara.
Un experimento con estas característica se llama ensayo de Bernoulli.

Definimos ahora la variable aleatoria X de tal manera que X  w  numero de éxitos en un
ensayo Bernoulli entonces tenemos: RX  0,1 , así esta variable aleatoria es llamda variable
aleatoria de Bernoulli.
Si denotamos p  P  E  y q  1  p  P  F  x 0 1
p(x) 1-p=q p
Podemos escribir la distribución de Bernoulli como:

p  x   P  X  x   p x 1  p 
1 x
, x  0,1

DISTRIBUCION BINOMIAL
A menudo estamos interesados solamente en el numero total de éxitos “E” obtenidos en un

proceso de n ensayos Bernoulli, al margen del orden en que se presentan.
Definimos ahora una variable aleatoria Binomial como:

X  w  número de éxitos obtenidos en los n ensayos Bernoulli. Entonces tenemos:
RX  0,1,3,..., n , con distribución Binomial dada por:
n
p  x   P  X  x n, p     p x  q  , x  0,1,..., n.
n x
 x
n n!
donde    es el número de formas en que se pueden tener k éxitos de n
 k  k!(n  k )!
intentos.
Propiedades:
1. E  X   np 2. V  X   npq
EJEMPLO:
Si Tiramos 5 esferas a una canasta, la probabilidad de acertar cada tirada es 0,4. Si
consideramos la variable X " Número de aciertos " Hallar la distribución de probabilidades de
X , graficarla y calcular sus parámetros.
SOLUCION:
Suponiendo que la probabilidad de éxito se mantiene constante (es decir el lanzador no
aprende)
Entonces X tiene distribución de probabilidad binomial con Rango = {0, 1, 2, 3, 4, 5} y función de
5
probabilidad: f (k )     0,4 k  0,6 5 k ES DECIR:
k 

 5  Grafica de la Función de distribución:
   0,4  0,6  0,0778 si x  0
0 5
 0
 5 
   0,41  0,6 4  0,2592 si x  1
 1 

 5   0,4 2  0,63  0,3456 si x  2
  
 2 
f ( x)  
 5   0,43  0,6 2  0,2304 si x  3
 3 

 5 
   0,4  0,6  0,0768 si x  4
4 1
 4
 5 
   0,45  0,60  0,0102 si x  5

 5 
Parámetros:
  n  p  5  0,4  2 ,   n  p  q  5  0,4  0,6  1,2  1,10
OBS:
Los cálculos de probabilidad a partir de la función, pueden llegar a ser muy tediosos, en
especial cuando aumenta “n”, sin embargo se pueden obtener las probabilidades
directamente de la tabla Binomial, las cuales se encuentran disponibles en las tablas estadísticas y
de esta forma evitar cálculos fatigosos, También se puede usar programas como el Excel que
dan los cálculos exactos
8.3 DISTRIBUCION GEOMETRICA
La distribución geométrica también esta relacionada con un proceso de Bernoulli, exepto que el
numero de ensayos no es fijo. Consideremos entonces una sucesión de ensayos Bernoulli.
Definimos la variable aleatoria X de la siguiente manera:
X  w  número de ensayos requeridos hasta obtener el primer éxito.
Entonces tenemos: RX  0,1,3,... , con distribución dada por:
p  x   P  X  x  p x  q 
x 1
, x  1, 2,3...
Propiedades:
1 q
1. E  X   2. V  X   2
p p
3. P  X  x  r   P  X  x es decir la distribución geométrica no tiene memoria
 X  r
EJEMPLO:

La probabilidad de que una maquina produzca un articulo defectuoso es 0.25, se hace un
control de calidad se enciende la maquina.
a. cual es la probabilidad de que exactamente el cuarto articulo producido sea el
primer articulo defectuoso producido luego de encender la maquina?.
b. Si la maquina produce consecutivamente 4 artículos no defectuosos pasa al control
de calidad, ¿Cuál es la probabilidad de que la maquina pase el control de calidad?
c. Si la maquina pasa el control de calidad y se hace un segundo control cual es la
probabilidad de que vuelva a pasar el control de calidad?
d. Cual es valor esperado de X?
SOLUCION:
8.4 DISTRIBUCION BINOMIAL NEGATIVA

La distribución binomial negativa también esta relacionada con un proceso de Bernoulli, es una
generalización de la distribución geométrica. Consideremos entonces una sucesión de ensayos
Bernoulli. Definimos la variable aleatoria X de la siguiente manera:
X  w  número de ensayos requeridos hasta obtener en total r éxitos
(los r éxitos no son necesariamente consecutivos).
Entonces tenemos: RX  r, r  1, r  2, r  3,... , con distribución dada por:
 x  1 r
p  x   P  X  x    p  q  , x  r , r  1, r  2, r  3,...
xr
 r 1
Propiedades:
r rq
1. E  X   2. V  X   2
p p
EJEMPLO:
La probabilidad de que una maquina de la marca A con 2 años de servcicio produzca un articulo
defectuoso es 0.25
a. Cual es la probabilidad de que exactamente el segundo articulo producido sea

defectuoso. (interprete correctamente la pregunta)
b. Cual es la probabilidad de que sea necesario fabricar 5 en total articulos para obtener
exactamente 3 articulos defectuosos.
c. Digamos que el control de calidad consiste en fabricar artículos hasta obtener 2

defectuosos, luego se cuentan el total de los artículos sanos y si hay menos de 4
artículos sanos la maquina se manda a reparación. ¿Cuál es la probabilidad de que la
maquina pase el control de calidad? (osea que no se mande a reparar)

d. Supongamos que hay tres maquinas iguales de la misma marca A y las tres con 2 años
de servicio, se efectúa el control de calidad del ítem anterior, ¿Cuál es la probabilidad
de que exactamente una de ellas se mande a reparación y las otras 2 pasen el control?
e. Si el proceso de producción es el siguiente: Se fabrican artículos hasta producir 100

defectuosos, luego se para la maquina y finaliza la producción, finalmente se
empaquetan los artículos sanos en un único lote. Si cada artículo sano representa una
utilidad de 5 soles y cada artículo defectuoso una perdida de 2 soles, ¿Cuál es la
utilidad esperada del proceso?
SOLUCION:
8.5 DISTRIBUCION HIPERGEOMETRICA
Consideramos una población de tamaño N, dividida según la característica a estudiar, en dos

subpoblaciones disjuntas de tamaños M y N  M . Donde M<N
Por ejemplo una urna con N bolas, donde N = 1,2,3,... de las cuales M son blancas y N-M son
negras. Tomamos una muestra aleatoria sin remplazamiento de tamaño n, siendo n ≤N.
Definición:
Tomamos una muestra aleatoria sin reemplazamiento de tamaño n y definimos la v.a.:
X: número de elementos que pertenecen a las subpoblación M.
Entonces decimos que X sigue una distribución hipergeométrica de parámetros N,M,n,
XH(N,M,n) y su función de probabilidad es:
 M  N  M 
  
nx 
p  x   P  X  x   
x
, x  0,1, 2,......, min  n, M 
N
 
n 
Propiedades:
M 
1. E  X   n  
N
 M  M  N  n 
2. V  X    1   
 N  N  N  1 

3. Aproximación a la binomial: Sea X una v.a. con distribución hipergeométrica H (N,n,p ).
Entonces si N es muy grande en comparación con n, la distribución hipergeométrica se
M
aproxima a la binomial. Es decir: H(N,M,n)  B(n,p) si N→∞. (se toma p  )
N
n
Se considerará una buena aproximación cuando  0.1
N
EJEMPLO 1
En una convención nacional, hay 50 representantes de un partido político, de los cuales 30
apoyan al candidato A y 20 apoyan al candidato B. Si seleccionamos aleatoriamente cinco
representantes, ¿cuál es la probabilidad de que entre esos cinco, dos apoyen al candidato A?
SOLUCION: Sea X numero de representantes que apoyan a A, Tenemos: N=50, M=30,n=5.
 30  50  30   30  20 
     
 x  5  x   2  5  2 
P  X  x , x  0,1, 2,3, 4,5 , P  X  2  0, 234
 50   50 
   
5  5 
8.6 DISTRIBUCION DE POISON
La distribución de Poisson constituye un buen modelo para experimentos donde X representa el

número de veces que ha ocurrido un evento en una unidad dada de tiempo o de espacio. Por
ejemplo:
Número de llamadas recibidas en un conmutador durante un día, conociendo el promedio por

día.
Número de reclamaciones contra una empresa de seguros por semana, conociendo el prom. Sem.
Número de llegadas a una estación de servicio durante un minuto dado, conociendo el
prom./min.
Número de ventas hechas por un agente de ventas en un día, conociendo el promedio por día.
Sólo se requiere que los eventos sean independientes.
1. Proceso Poisson
Diremos que los eventos discretos que se generan en un intervalo continuo (unidad de
medida: longitud, área, volumen, etc) forman un proceso Poisson con parámetro  , si
tiene las siguientes propiedades:
i. El numero promedio de ocurrencias de eventos en una unidad de medida es

conocido e igual a 
ii. La ocurrencia de un evento en una unidad de medida h no afecta a la ocurrencia, o
no ocurrencia de otra unidad de medida h contigua. (independencia)
iii. Sea una unidad de medida suficientemente pequeño de longitud h, luego:

a. La probabilidad de un éxito en esta unidad pequeña es proporcional a la longitud del
intervalo esto es  h
b. La probabilidad de la ocurrencia de 2 o más éxitos en esta unidad pequeña es
aproximadamente 0.
2. Distribución De Poisson
En un proceso Poisson de parámetro  se observa t unidades de medida, definimos X de la
siguiente manera:
X  w =numero de ocurrencias de eventos en t unidades de medida.
RX  0,12,3,..
La variable aleatoria así definida se llama variable aleatoria de Poisson y la distribución de
probabilidad de X se llama distribución de Poisson la cual esta definida por:
e t   t 
x
p  x   P  X  x  , x  0,1, 2,3..
x!
3. Propiedades:
a.  t es el numero promedio de ocurrencias de los eventos en las t unidades de medida

b. E  X   t
c. V  X   t
d. La distribución de Poisson también se utiliza para modelar datos discretos como
aproximación a la Binomial dada la dificultad que existía de encontrar tablas Binomiales
adecuadas cuando n es grandes y p pequeña.
Considerando un número n grande de pruebas de Bernouilli independientes, con

probabilidad de éxito, pequeña y haciendo λ= np, llegamos a obtener la distribución de
Poisson como límite de la binomial cuando n→∞ . Es decir, si n→∞, p→0 y λ=np
permanece constante, entonces se verifica: lim B  n, p   P   
n 
En la practica la distribución de probabilidad de Poisson proporciona buenas

aproximaciones cuando   np  5 y p  0.1
EJEMPLO 1
Una central telefónica recibe 480 llamadas en una hora, pero no puede recibir más de 12
llamadas en un minuto.
Determine:
a. La probabilidad de que se produzcan 10 llamadas en un minuto.
b. La probabilidad de que la central quede saturada en un minuto dado.
c. La probabilidad de que se produzcan a lo sumo 1 llamada en un minuto.
d. La probabilidad de que se produzcan mas de 2 llamadas en un minuto.
e. El número de llamadas esperadas en un minuto.
SOLUCION:

Sea X número de llamadas que se reciben en un minuto, como las probabilidades
pedidas se refieren a un minuto, deberemos hallar el numero de llamadas promedio por
minuto es decir t  480 / 60  8 (8 llamadas por minuto)
e 8  8 
x
Luego p  x   P  X  x   , x  0,1, 2,3..

x!
Asi calculamos directamente las probabilidades pedidas:
e 8  8 
10
a. P  X  10   0.09926
10!
e8 8
x
12
b. P  X  12  1  P  X  12  1   1  0.9362  0.06379 Porque como la
0 x!
central no puede recibir más de 12 llamadas en un minuto, quedaría saturada si
recibe más de 12 llamadas
c. P(X 1) = 0.0003 + 0.0027= 0.0030

d. P(X 2) = 1 – (0.0030 + 0.0027 + 0.0107
= 1 – 0.0137 = 0.9860
e.  = 8 en un minuto.
EJEMPLO 2
Ejemplo 1. Suponga que una compañía de seguros asegura las vidas de 5000 hombres de 42
años de edad. Si los estudios actuariales muestran que la probabilidad de que un hombre
muera durante el 2012 es 0.001 ¿Cuál es la probabilidad de que la empresa pague
exactamente 4 indemnizaciones durante el 2012?
SOLUCION:
Sea Y: Numero de hombres que mueren en el 2012, Luego Y es V.A. BINOMIAL
5000!
P Y  4  p (4)  (0.001) 4 (0.999) 4996 =0.1755
4!4996!
El valor de esta expresión no aparece en tablas y su cálculo es tedioso.

Podemos considerar la variable aleatoria:
X: numero de defunciones en el año 2012 y Aproximando con la distribución de Poisson, se
toma la tasa media de sucesos   np = (5000)*(0.001)= 5, teniendo t=1 año:
t 4 e  t 54 e5
P( X  4)    0.1754
4! 4!
8.7 DISTRIBUCIÓN MULTINOMIAL
La distribución multinomial es una generalización de la distribución binomial, la cual se

presentará cuando el experimento aleatorio en cuestión no sólo dé lugar a dos posibles
resultados, éxito y fracaso, como ocurría en la binomial, sino que dé lugar a tres o más posibles
resultados.

1. Definición: Decimos que v.a. r-dimensional ( X 1 , X 2 ,..., X r )= “número de veces que se
presentan cada uno de los sucesos A1 , A2 ,... Ar cuando se realizan las n-repeticiones
independientes del experimento” sigue una distribución multinomial de parámetros n,
p1, p2 ,... pr , ( X 1 , X 2 ,..., X r )M(n, p1, p2 ,... pr ) y su función de probabilidad es :
r
n!
P( X 1  k1 , X 2  k2 ,..., X r  kr ) 
k1 ! kr !
p1k1  pr kr con ki  0,1,..., n y k
i 1
i n
2. Propiedades:
a. E  X i   n  pi
b. Var( X i )= npi 1  pi 
Ejemplo:
Si lanzamos un dado 50 veces. ¿Cuál es la probabilidad de obtener 25 unos, 10 veces el dos y
15 veces el cinco?
SOLUCION:
Sea: X1 : numero total de unos, X2 : numero total de dos, X3 : numero total de tres, …
Entonces la probabilidad pedida será:
P  X1  25, X 2  10, X 3  0, X 4  0, X 5  15, X 6  0 
25 10 0 0 15 0
50! 1 1 1 1 1 1 19
              5.1(10 )
 25!10! 0! 0!15! 0!  6   6   6   6   6   6 

8.8 EJERCICIOS:
ESPACIO MUESTRAL
1. Construir el espacio muestral asociado al experimento de lanzar dos monedas y observar

las caras superiores.
2. Construir el espacio muestral apropiado para el experimento de lanzar una moneda y

lanzar un dado.
3. Construir el espacio muestral apropiado para el experimento de lanzar una moneda o

lanzar un dado pero no ambos.
4. Dados los experimentos no determinísticos determinar los espacios muéstrales asociados

a cada uno de ellos:
a. Se lanza una moneda 5 veces y se cuenta el número de caras.
b. Se fabrican artículos en una maquina y se cuentan el numero de artículos defectuosos
cada12 horas.
c. Se fabrican artículos hasta producir 5 no defectuosos. Se cuenta el número de artículos
fabricados en total.
5. Se tiene dos equipos en competencia A y B. El primero en ganar dos encuentros de tres

se adjudica el premio.(el juego acaba cuando uno de ellos gana) Describir el espacio
asociado a este juego.
6. Se fabrica un foco y luego de encenderlo se toma el tiempo hasta que se queme.
EVENTOS y SUCESOS:
1. Tres secretarias A, B y C se distribuyen al azar en dos oficinas 1 y 2 (una por oficina).

Describa los eventos:
a. La secretaria A ocupa la oficina 2

b. La secretaria C no ocupa ninguna de las oficinas.
2. Una urna contiene 4 bolillas numeradas: 1, 3,5 y 7, otra urna contiene 3 bolillas
numeradas: 2, 4, y 6. Se extrae una bolilla de la primera urna y luego una segunda bolilla
de la segunda urna. De tres ejemplo de:
a. Un evento elemental.
b. Un evento imposible
c. Un evento seguro

d. Dos eventos disjuntos
e. tres eventos mutuamente excluyentes dos a dos
f. Dos eventos independientes
3. Calcule la probabilidad de cada uno de los eventos listados en el ítem anterior.

G=(12) P(G)=1/12
4. Supongamos que una bolilla es seleccionada de una urna que contiene 10 bolillas rojas
numeradas del 1 al 10 y 10 bolillas azules numeradas también del 1 al 10. Sean los eventos:
A: La bolilla seleccionada viene numerada por un número par.

B: La bolilla seleccionada es azul.
C: La bolilla seleccionada viene numerada por un número par y es roja.
a. Determine el espacio maestral asociado a este experimento.

b. liste los sucesos asociados a los eventos A, B y C.
5. Suponga que en el intervalo cerrado 0,1
Se selecciona un número aleatoriamente y sean los sucesos:
A. El número seleccionado es impar.

B. El número seleccionado es mayor que 0.5.
1
C. El número seleccionado es de la forma , n  .
n
D. El número seleccionado es par.
Determine el espacio muestral asociado a este experimento y determine los elementos de

los eventos A, B, C, y D.
Que puede decir del evento D. Es A un EVENTO ELEMENTAL?
6. Un número es seleccionado al azar entre los números 1 al 20 Sean los eventos:
A: el número elegido es par.

B: el número elegido es primo.
C. el número elegido es múltiplo de 5.
Liste los elementos de los siguientes eventos:

A  B , A  B , AC  C ,  A  B   C C .

PROBABILIDADES:
1. Sean A y B dos eventos cualesquiera tal que:
P  A  0.2 , P  B   0.6 y P  AB   0.6 Calcular:

P  A  B P  AB  P  AB  P  AUB  P  AUB 
2. Una urna contiene 5 bolas blancas y 7 bolas negras.se extrae un abola al azar, se pone fuera
de la urna y su color no es visto; después se extrae otra bola aleatoriamente. ¿Cuál es la
probabilidad que esta ultima sea blanca?
i. I: La primera sea B
ii. II: La primera no sea B
iii. III: la segunda sea B
3. Se tiene 5 urnas idénticas; dos de ellas de igual contenido ,con 3 bolas blancas y 5 negras ,y
las otras tres teniendo cada una ,4 blancas y 3 negras .se elije una urna aleatoriamente .De la
urna elegida se extrae al azar una bola .¿cual es la probabilidad que sea blanca?
4. Se tiene 2 urnas A y B, con 5 bolas rojas ,3 blancas y una roja ,2 blancas respectivamente .Se lanza un
dado, si se obtiene 3 o 6, se pasa una bola de B a A, luego se extrae una bola de A .En cualquier otro
caso se pasa una bola de A a B, luego se extrae una bola de B. Determinar la probabilidad que:
a. Ambas bolas sean rojas.

b. Ambas bolas sean blancas.
5. tres urnas contienen respectivamente una bola blanca, dos negras; dos blancas una bola negra; dos
blancas y dos bolas negras. De la primera urna se transfiere una bola a la segunda, después se
transfiere una a la tercera urna y enseguida se extrae una bola de la tercera urna. ¿Cuál es la
probabilidad de que esta sea blanca?
6. Considere una urna con 10 bolas de las cuales 5 son negras .se elije al azar un entero n del
conjunto {1, 2, 3, 4, 5,6}, luego se selecciona una muestra de tamaño n sin reemplazo de la
urna .Determinar al probabilidad que todas las bolas de la muestra sean blancas.
7. En una sociedad hay 15 miembros, 5 mujeres y 10 hombres. A una reunión asistieron 13 miembros
para elegir un presidente. ¿Cuál es la probabilidad de que sea una mujer la elegida?
8. Se tiene 5 fusiles que, cuando son apuntados apropiadamente y disparados, tienen probabilidades de
dar en el blanco respectivamente como sigue: 0.5; 0.6; 0.7; 0.8 y 0.9. e escoge aleatoriamente uno de
los fusiles, se apunta y dispara. ¿Cuál es la probabilidad de dar en el blanco?

9. Una caja contiene 3 monedas, dos normales y una con dos caras. Se elige una moneda al azar y se
efectúa una tirada. Si sale cara se tira otra vez. Si sale sello, entonces se elige una de las otras dos de
la caja y se tira.
10. Determinar la probabilidad que salgan dos caras.
11. Si se tira la misma moneda las dos veces, hallar la probabilidad de que sea la moneda con
dos caras.
12. Una urna I contiene dos bolas blancas y tres azules, una segunda urna II, contiene tres bolas blancas y
cuatro azules, se extrae aleatoriamente una bola de la urna I y se coloca en la segunda, luego se extrae
aleatoriamente una bola de esta; calcular la probabilidad de que esta ultima sea blanca.
13. Por la noche dos coches se aproximan uno al otro en una autopista. Si ninguno de los dos choferes
esta borrachos, ambos pasarán a salvo con una probabilidad de 0.999. Cada uno puede estar borracho
con una probabilidad de 0.1, la probabilidad que ambos están borrachos es de 0.01. si solo el chofer
A esta borracho, pasaran a salvo con una probabilidad de 0.7. Si solo el chofer B esta borracho pasaran
a salvo con una probabilidad de 0.8. Si ambos están borrachos, pasaran sin peligro con una
probabilidad de 0.4. ¿Cuál es la probabilidad que pasen a salvo?
14. La urna I tiene tres bolas blancas y 7 negras. La urna II tiene 20 bolas de las cuales algunas son blancas
y las demás son negras se escoge una urna al azar y de ella se extrae una bola encontrándose que es
blanca. si la probabilidad que esta bola blanca provenga de la urna I es igual a 1/3 determinar el
número de bolas blancas que existían originalmente en la urna II.
15. Un fabricante recibe el 60% de sus materias primas del distribuidor A y el resto B por experiencia sabe
que el 92% de los costales de materia prima llegan en buenas condiciones. ¿Cuál es la probabilidad
que un costal dañado sea el distribuidor A? ¿Qué Sea el B? un estudio posterior revela que el 95% de
los costales del distribuidor A llega en buen estado ,mientras que el 87.5% de B es de buena calidad
.con esta información ¿Cuál es la probabilidad que un costal dañado proceda de A ?.
16. un aparato especial para medir el contenido alcohólico en la sangre de una persona arrojo el siguiente
resultado : de 500 voluntarios ,240 estaban borrachos ( el nivel de alcohol de sangre era 0.0015 o mas
) los mismos 500 voluntarios se sometieron a una prueba sanguínea inmediatamente después
,encontrándose 280 personas con un nivel de 0.0015 o mas .después se determino que 180 personas
resultaron estar borrachos en ambas pruebas ¿ que porcentaje de personas resultaron estar ebrios
sin que lo indicara el aparato?.Supóngase que una persona realmente estuviera borracha y que pasara
la prueba en el aparato .según la información dada anteriormente, ¿Cuál es la probabilidad que al
prueba resulta positiva?.
17. Todas las noches, el señor Pérez llega tarde a su casa .la señora Pérez que es una buena esposa, le
deja encendida la luz de la entrada a la casa. la probabilidad que el señor Pérez llegue borracho es

0.60 si llega borracho ,hay una probabilidad de 0.90 que olvide apagar la luz que tanto que esta es
solo de 0.05 si llega sobrio.
a. ¿ Cual es la probabilidad que el señor Pérez apague la luz en una noche cualquiera?.
b. Dado que el señor Pérez apago la luz una cierta noche .cual es la probabilidad que a
ya legado borracho?
18. La compañía COMPUT-PERU esta considerado comercializar una Calculadora – electrónica .de acuerdo
a una investigación hecha en el mercado, la probabilidad que el producto tenga éxito es 0.80 si una
firma competidora introduce un producto similar en el mercado, en tanto que la probabilidad de éxito
es de 0.30 si la firma competidora comercializa el producto similar en el mercado ,en tanto que la
probabilidad de éxito es de 0.30 si al firma competidora comercializa el producto similar .A demás la
compañía estima que hay una probabilidad de 0.40 que la firma competidora comercialice el producto
.dado que el producto de la compañía de COMPUT-PERU tuvo éxito .¿ cual es la probabilidad que al
firma competidora haya comercializado el producto ?
19. Juan tiene dos bolas; la bolsa I, con tres bolas rojas y dos blancas ;la bolsa II con una bola roja y cuatro
blancas. Juan escogió una bola de la bolsa I ala zar y lo coloca en la bolsa II y encuentra que es roja
¿Cual s la probabilidad de que al bola transferida de la bolsa I a la II haya sido roja.
20. Si P[A] = 1/6, P[AB] = 1/18, P[B] = 1/3. ¿Son A y B independientes?
21. Una urna contiene cuatro bolas blancas y cinco negras. Se extraen sucesivamente y sin reposición dos
bolas, sean los eventos: A: “La primera bola extraída es negra” B: “la segunda bola extraída es blanca”,
¿Son los eventos A y B independientes?
22. De una baraja ordinaria de 52 cartas se extraen sucesivamente dos cartas, restituyendo la primera
antes de extraer la segunda. Sea A el evento (suceso) “la primera carta es una pica””, B el evento “la
segunda carta es as o rey” y C el evento “la primera carta es as o rey”. De los tres pares de eventos: A
y B; A y C; B y C. determine cuales (si los hay) son independientes.
23. Si A y B son independientes, P[A] = 1/3, P[B] = 1/4, Hallar P[A U B]
24. si A Y B son independientes .P[A]=P[B]=1/2.calcular p[AB’ U A’B]
25. Dado P [A] = 0.5 y P[AUB] =0.7.Hallar P[B],Si A y B son independientes
26. si A Y B independientes, y P[A] = [B/A] =1/2 Hallar P[AUB]
27. si A y B son eventos independientes con P[A]= 0.2 , P[B]= 0.3 ¿Cuál es la probabilidad que:
a. Al menos uno ocurra
b. Exactamente uno ocurra
c. Ninguna ocurra

d. Ambos ocurran
28. Sean A y B dos eventos independientes, se sabe que la probabilidad de que ocurra al menso uno de
dicho eventos es 0,6 y que al probabilidad de que ocurra de A es 0,4 .Cual es la probabilidad de que
ocurra B.
29. Si un conejo es inyectado con una droga A la probabilidad que muera dentro de las 24 horas siguientes
es de 0,63 y si es inyectado con una droga B dicha probabilidad es de 0,45 .¿cual es la probabilidad
que un conejo sobreviva más de 24 horas después de haber sido inyectado simultáneamente con las
drogas A y B ,si se supone que la acción de las misma es independiente.
30. Se dispara cada uno de los fusiles A, B y C la probabilidad de dar en el blanco es 0,15; 0,25 y 0,35,
respectivamente. Calcular la probabilidad:
a. De que al menos uno de los tres de en el blanco

b. De que acierte uno solo
31. Considere tres urnas; la urna I contiene una bola blanca y dos negras ,la urna II contiene tres bolas
blancas y dos negras y al urna III contiene dos bolas blancas y tres negras .Se extrae una bola de cada
una. ¿Cual es la probabilidad de que entre las bolas extraídas haya
a. Una blanca y dos negras

b. Por lo menos dos negras
c. Mas negras que blancas
VARIABLE ALEATORIA
1. Una urna contiene 4 bolas numeradas 1, 2, 3,4 respectivamente. Se extraen 2 bolas

aleatoriamente y sin reemplazamiento. Se define la variable X como la suma de estos dos
valores: Hallar el dominio de X, La distribución de probabilidad de X y la función de
distribución acumulada de X
2. Sea X una variable aleatoria cuya distribución de probabilidad es la siguiente.
X 0 1 2 3 4
P(X) 1/8 1/4 1/4 1/4 1/8
a. Hallar E( X )
b. Hallar E ( X 2 )
c. Hallar E ( X )2

3. En un juego de apuestas un hombre puede obtener una ganancia de 1000 soles o una
perdida de 500 soles La probabilidad de sufrir una perdida es 0.4 .Cual es la perdida o la
ganancia esperada en soles?
4. Dada la función de densidad de la variable X :
 1
 x, 0  x  1500
(1500)2

f ( x)   1
 (1500)2 ( x  3000), 1500  x  3000
 en otro caso
0
a. Hallar el valor esperado de X

b. Hallar el valor esperado de 6X-500
5. Suponiendo que la duración (en horas) de cierto transistor es una variable continúa X con
100
fdp f ( x)  2 , x  100 y 0 para cualquier otro valor.
x
a. Halle la función de distribución acumulada de X.
b. Determine si existe E ( x)
6. Supóngase que un instrumento electrónico tiene una duración X (en unidades de 1000 horas
) que se cons8idera como una variable aleatoria continua con la siguiente fdp:
f ( x)  e x , x  0.
Suponiendo que el costo de fabricación de tal articulo es $2.00. El fabricante vende el
articulo por $5.00, pero garantiza un reembolso total si X  0.9 . ¿Cuál es la utilidad
esperada del fabricante por artículo?
7. Se sabe que un lote contiene 2 artículos defectuosos y 8 no defectuosos. Si estos se deben

inspeccionar al azar uno después del otro hasta encontrar los dos artículos defectuosos,
¿Cuál es el numero esperado de artículos que se tendrán que inspeccionar hasta que
aparezcan los dos defectuosos?
8. Un lote de 10 motores eléctricos contiene uno defectuoso y estos pueden ser vendidos
totalmente o rechazados totalmente por el cliente, si el costo por motor es de $75 y se
venden por $100 cual será la utilidad del vendedor si es que el cliente escoge
aleatoriamente 2 motores y los prueba y en caso de encontrar uno o ambos motores
defectuosos rechaza el lote y en este caso los 10 motores deben ser destruidos.
9. Supongamos que cierto tipo foco tiene una probabilidad de 0.2 de funcionar (encender)
más de 1000 horas. Si probamos 20 focos, ¿Cuál es la probabilidad de que exactamente k de
ellos funcionen mas de 1000 horas?, k= 1, 2, 3, …,20

10. Supóngase que el 5 por ciento de los artículos que salen de una línea de producción son
defectuosos. Se escogen 10 de tales artículos y se inspeccionan ¿Cuál es la probabilidad de
que se encuentren a lo más 10 defectuosos?
11. Una fábrica produce diariamente 10 recipientes de vidrio. Se puede suponer que hay una
probabilidad constante p=0.1 de producir uno defectuoso. Antes de que estos depósitos se
almacenen son inspeccionados y los defectuosos puestos aparte. Supongamos que hay una
probabilidad constante r=0.1 de que un recipiente defectuoso sea mal clasificado. Sea X
igual al número de recipientes clasificados como defectuosos al término de un día de
producción. (Suponemos que todos los recipientes que se fabrican en un día son
inspeccionados al termino de ese mismo día)
a. Calcular P( X  3) ,y P( X  3)
b. Obtener una expresión para P( X  k )
12. Supóngase que la maquina uno produce (diariamente) el doble de artículos que la maquina
2. Sin embargo, cerca del 4 % de los artículos producidos por la maquina uno son
defectuosos, mientras que en el caso de la maquina dos el porcentaje de defectuosos son
del 2%. Supongamos que se combina la producción diaria de las dos maquinas. Se toma una
muestra aleatoria de tamaño 10 del resultado combinado. ¿Cuál es la probabilidad de que
esta muestra contenga 2 defectuosos?
13. Una variable X aleatoria tiene por función de densidad:
0 x0
0.2 x 0  x 1

0.2 1 x  2
f ( x)  
0.2 x  0.2 2 x3
0.4 3 x4

0 4 x
Calcular:
a. P(x1)
b. P(1<x2)
c. P(2<x3)
14. Sea X una variable aleatoria continua de función de densidad de probabilidad:
C (1  x 2 ) si x  (0,3)
f ( x)  
0 en otro caso
a. Hallar el valor de la constante C y la función de distribución acumulativa de

probabilidad. Dibujar ambas funciones
b. Probabilidad de que X esté comprendido entre 0 y 1
c. Probabilidad de que X sea menor que 1

d. Probabilidad de que X ses mayor que 2
e. Calcular E(x) y Var(x)
15. La función de densidad de una variable aleatoria continua es:
ax 2  b si x  (0,2)
f ( x)  
0 en otro caso
Sabiendo que P(1/2<x<1) = 1/8, calcular:
a. a y b
b. La función de distribución. Graficar f(x) y F(x)
c. P(x<1/2), P(1/4<x<3/4), P(x>1)
16. El diámetro de un cable eléctrico se considera una v.a. continua X, cuya función de densidad
de probabilidad es:
Cx (1  x) si 0  x  1
f ( x)  
0 en otro caso
a. Calcular el valor de C y dibujar f(x)
b. Determinar la función F(x) y dibujarla.
c. Calcular la media, mediana y varianza de la distribución
d. Calcular P(x<1/2), P(0x1/4), P(x1/3)
 1 2
e. P  X  0.5  X  
 3 3
c.e x
17. Sea F  x   x , x  la función de distribución acumulada de una variable aleatoria
e  e x
continua X.
a. Hallar el valor de c

b. Hallar f  x  la función de densidad de X, y demostrar que  f  x  dx  1

1
18. Sea una variable aleatoria con función de densidad f  x   kx  , x   1,1
2
a. Determinar los valores de k para los cuales f  x  es ciertamente una función de
densidad.
b. Calcular la esperanza
c. la moda
d. la mediana de X.
e. ¿Para qué valores de k se minimiza la varianza de X?

DISTRIBUCIONES CLASICAS ( POISON, BINOMIAL, EXPONENCIAL …)
1. Hallar la media y la varianza de una v.a. Bernoulli.
2. Un panel solar tiene una vida útil de 5 años con una probabilidad de 0.95. Se toman 20 páneles
solares y se registró la vida útil.
a. ¿Cuál es la probabilidad de que exactamente 18 tengan su vida útil de 5 años?
b. ¿Cuál es la probabilidad de que cuando mucho 10 tengan esa vida útil?
c. ¿Si solo 10 paneles tienen una vida útil de 5 años, que debería pensarse sobre el valor
verdadero de P(Probabilidad de vida útil)?
3. De todas las plantas sólo el 5% descargan residuos por sobre la norma. Si se muestrean 20
plantas ¿Cuál es la probabilidad de que estén fuera de la ley:
a. Menos que una planta?
b. Menos de dos plantas
c. Exactamente 3
d. Más de una
4. El número promedio de automóviles que se detienen por minuto para tomar gasolina en
cierta gasolinera es 1.2. ¿Cuál es la probabilidad de qué en determinado minuto se detengan
...
a. menos de dos automóviles?
b. más de tres automóviles?
c. menos de dos automóviles ó más de tres?
d. dos ó tres automóviles para tomar gasolina?
e. al menos dos automóviles?
5. Entre los 60 aspirantes a unas plazas de técnicos superiores en la Administración Pública,

40 son mujeres. Si seleccionamos una muestra aleatoria, sin reemplazamiento, de 20
aspirantes. Obtener la probabilidad de que 10 sean mujeres.
6. Un representante realiza cinco visitas cada día a los comercios de su ramo y por su
experiencia anterior sabe que la probabilidad de que le hagan un pedido en cada visita es del
0,4. Obtener:
a. La distribución del número de pedidos por día
b. Probabilidad de que le hagan 4 pedidos
c. Número medio de pedidos por día y varianza.
d. Probabilidad de que el número de pedidos en un día esté comprendido entre 1 y 3
e. Probabilidad de que por lo menos realice dos pedidos.
7. Desde el año 1980 el número medio de empresas que han presentado suspensión de pagos
ha sido de 6,8 por año y admitimos que el número de empresas X que han presentado
suspensión de pagos durante un periodo determinado de tiempo sigue una distribución de
Poisson. Obtener:

a. Probabilidad de que ninguna empresa presente suspensión de pagos durante un
trimestre.
b. Probabilidad de que por lo menos dos empresas presente suspensión de pagos
durante un determinado año.
8. Se sabe que el 1% de los artículos importados de un determinado país tienen algún defecto.
Si tomamos una muestra de tamaño 30 artículos, determinar la probabilidad de que tres o
más de ellos tengan algún defecto.
9. La distribución de los salarios mensuales de los trabajadores de una gran empresa viene dada
por la siguiente tabla:
Proporción de
Rentas (euros)
trabajadores
[600,750] 0,15
(750,900] 0,28
(900,1200] 0,26
(1200,1800] 0,18
mas de 1800 0,13
Se seleccionan aleatoriamente cinco trabajadores de la empresa. Determinar la probabilidad
de que entre esos cinco trabajadores, uno pertenezca al tramo de salarios más bajos, dos al
siguiente tramo y los dos restantes al tramo comprendido entre 1200 y 1800 Euros.
10. El número de alumnos que llegan a la primera clase de la Facultad, sigue una distribución de
Poisson, cuya media es de dos alumnos por minuto. El número de alumnas que llegan a la
misma clase sigue también una distribución de Poisson, cuya media es de tres alumnas por
minuto. Admitimos que ambas llegadas son independientes. Obtener la probabilidad de que
lleguen menos de 4 alumnos y alumnas en un minuto.
11. Una empresa constructora tiene comprometida la realización de 9 proyectos, de los que 5
son de edificios de pisos. Si el próximo mes debe emprender la realización de 3 proyectos y
su elección es al azar con probabilidades de elección iguales para cada proyecto, se pide:
a. La distribución del número de edificios de pisos que se empiecen a construir el próximo
mes.
b. Número esperado de edificios de pisos que previsiblemente se inicie su construcción
el próximo mes.
12. El numero N de tanques de aceite que llega a un refinería cada día se comporta como v.a de
Poisson con parámetro 2. Las facilidades de puerto de la refinería pueden servir tres tanques
por día .Si llegan mas de tres tanques en exceso deben ser puestos en otro puerto. En un día
especifico, ¿Cuál es la probabilidad de tener que enviar tanques a otro lugar?
13. Los coches que llegan a un semáforo siguen un proceso de Poisson con media de 4 vehículos
por minuto. El semáforo está 40 segundos en rojo y 80 segundos en verde.
a. ¿Cuál es la probabilidad de que haya 4 coches en cola cuando el semáforo se
pone en verde?

b. ¿Cuál es la probabilidad de que haya más de 7 coches en cola?
c. ¿Cuál es la probabilidad de que en un periodo de 6 horas haya al menos una
ocasión en la que haya más de 7 coches en cola?
14. Una alumna trae cada día a la Universidad una tableta de chocolate de 16 cm, y de cuando en
cuando le da un mordisco y se come la mitad de lo que queda. Asumiendo que esta golosa
apetencia aparece en la mañana siguiendo una distribución de Poisson de medio un mordisco
por hora:
a. Calcular la distribución del tiempo que transcurre hasta que aparece la primera
mordida.
b. ¿Cuántos centímetros de chocolate esperas que le quede tras las cinco horas
de clases?
c. Sí un día, entre las 9:00 y las 14:00, la ha mordido en cuatro ocaciones, ¿Qué
probabilidad hay de que lo haya hecho durante las tres primeras horas de
clase?
d. Si un día, entre las 9:00 y las 14:00 horas, la ha mordido en cuatro ocasiones,
¿Qué probabilidad hay de que lo haya hecho durante las tres primeras horas
de clase?
15. El número de fallos de un instrumento de prueba debidos a las partículas de un producto es

una variable de Poisson con media 0,2 fallos por hora.
a. ¿Cuál es la probabilidad de que el instrumento no falle en una jornada de 8
horas?
b. ¿Cuál es la probabilidad de que haya entre 20 y 40 fallos (ambos incluidos) en
un periodo de una semana (funcionando los 7 días, 24 horas diarias)?
16. Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p =1/100.000. Calcular la
probabilidad de que en una ciudad con 500.000 habitantes haya más de 3 personas con dicha
enfermedad. Calcular el número esperado de habitantes que la padecen.
17. Una v.a sigue una distribución Poisson con una media de 2.3 imperfecciones por milímetro.
a. Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.
b. Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.
c. Determine la probabilidad de al menos una imperfección en 2mm de alambre
18. El tiempo de reparación de unas máquinas de escribir tiene una distribución

aproximadamente exponencial, con media 22 minutos.
a. Hallar la probabilidad de que el tiempo de reparación sea menor que diez
minutos.
b. El costo de reparación es de 2000 pts. Por cada media hora o fracción. ¿Cuál es
la probabilidad de que una reparación cueste 4000 pts?
c. Para efectuar una programación, ¿Cuánto tiempo se debe asignar a cada
reparación para que la probabilidad de que cualquier tiempo de reparación
mayor que el tiempo asignado sea solo de 0,1?
19. 2Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución
exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una persona a la que se

le ha implantado este marcapasos se le deba reimplantar otro antes de 20 años? Si el
marcapasos lleva funcionando correctamente 5 años en un paciente. ¿Cuál es la probabilidad
de que haya que cambiarlo antes de 25% años?
20. Se sabe que el kilometraje, en miles de kilómetros que un autobús recorre antes de que se
someta aun reparación del motor sigue una distribución exponencial con 𝜇 = 80.
1 −𝑥 𝑥
𝑓(𝑥) = 𝑒 80 , 𝐹(𝑋) = 1 − 𝑒 −80
80
Se tiene una flota de 300 autobuses ¿Cuántos se esperaría que se sometieran a reparación
antes de 60,000km?, ¿Cuál es la probabilidad de que un autobús recorra más de 100,000km
antes de cometer el motor a reparación?
21. En un experimento de laboratorio se utilizan 10 gramos de Sabiendo que la duración

media de un átomo de esta materia es de 140 días, ¿cuantos idas transcurrirán hasta que
haya desaparecido el 90% de este material?
22. El periodo de de vida en años de un televisor de cierta marca tiene una distribución
Exponencial con un promedio de falla de 6 años.
a. ¿Cuál es la probabilidad de que un televisor falle antes de 2° año de uso?
b. Suponga que analiza 5 televisores de esa marca, ¿cuál es la probabilidad de que

al menos 2 de los 5 televisores fallen antes del 2 ° año de uso.
23. El tiempo que transcurra antes de que una persona sea atendida en una clínica de urgencias
es una variable aleatoria que tiene una distribución exponencial con una media de 5 minutos.
a) cual es la probabilidad que una persona sea atendida antes de que transcurran 3 minutos.
b) si se selecciona al azar 10 personas ¿cuál es la probabilidad de que más de 2 personas sean
atendidas en menos de 4 minutos?
24. El número medio de pinchazos en los neumáticos de cierto vehículo industrial es de 0,3 por
cada 50.000 kilómetros (km) recorridos. Si el vehículo recorre 100.000 km, se pide:
a. Probabilidad de que no haya tenido pinchazos.
b. Probabilidad de que tenga menos de 3 pinchazos.
c. Número de km. recorridos para que la probabilidad de que no tenga pinchazos
sea 0,4066
UNFV-FCCNNM-EAPQ-ASIGNATURA: PROBABILIDADES
Examen Parcial Mayo 2012
1. Pruebe que el teorema de la multiplicación P  A  B   P  A / B  P  B  establecido para dos

sucesos, se puede generalizar para tres sucesos como sigue:
P  A  B  C   P  A / B  C  P  B / C  P C  (3
pts.)
2. La variable aleatoria continua X tiene función de densidad f  x   3x2 , 1  x  0 .

 b
Si b es un número que satisface 1  b  0 , Calcular P  X  b X  
 2
(3 pts.)
3. Un experimento consiste en lanzar 2 bolas en 4 cajas de tal manera que cada bola tiene
igual probabilidad de caer en cualquier caja. Si X denota el número de bolas en la primera
caja. (3 pts.)
a. Hallar la función de probabilidad de X
b. Hallar la media y E  X 2 
c. Hallar la moda de X.
4. Se tiene 5 urnas idénticas, dos de ellas de igual contenido, con 3 bolas blancas y 5 negras, y
las otras tres teniendo cada una, 4 blancas y 3 negras. Se elige una urna aleatoriamente. De
la urna elegida se extrae al azar una bola.
(3 pts.)
a. ¿Cuál es la probabilidad de que sea blanca?
b. ¿Si la bola resulto blanca, cual es la probabilidad que provenga de una de las dos
primeras urnas?
c. Si no se sabe qué color resulto, cual es la probabilidad de que provenga de la primera
urna blanca?
5. Una persona tiene tiempo para jugar a la ruleta 5 veces a lo sumo. En cada juego gana o pierde
6 euros. Una persona empieza con 6 euros y dejará de jugar si antes de la 5ª vez pierde todo
su dinero o si gana 18 euros, esto es, si tiene 24 euros. Sea X el número total de jugadas que
hace esta persona Hallar: (3 pts.)
a. el Rango de X
b. la función de probabilidad
c. la esperanza matemática de W  2 X  1
6. La función de densidad de una variable aleatoria continua X es: (4

pts.)
 k
 ,0  x  
f ( x)    x  1
4
0
 , en otro caso
a) Hallar k (1 pt)
b) Hallar E  X  (EN CASO EXISTA) (2 pt)
c) Hallar la moda (1 pt)
7. Sea el experimento aleatorio “De urna que contiene 2 esferas rojas y 3 esferas negras se
extrae una esfera con reemplazo hasta que salga una esfera roja por primera vez”
Se define el espacio muestral como   r, nr, nnr, nnnr, nnnnr....
Indique si las afirmaciones son verdaderas falsas: (2 pts.)
a) La variable aleatoria X “color de la primera esfera” es una variable aleatoria discreta

……( )
b) La variable aleatoria Y “número total de extracciones hasta obtener una esfera roja”

es una variable aleatoria continua ……( )
c)   y  3  3.P nnr donde y está definido en el ítem b. ……( )
2 3 2
d) F  y  2.5    . donde y está definido en el ítem b ……( )
5 5 5
Tiempo Máximo 100 minutos. Puntaje máximo 20

Prohibido el uso de celulares, préstamo de calculadoras u otros materiales.

Probabilidades PDF

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

Probabilidades PDF

Cargado por

Copyright:

Formatos disponibles

I.

El objetivo fundamental de la estadística es realizar inferencias acerca de una variable en la población

1. EXPERIMENTO ALEATORIO Y ESPACIO MUESTRAL

Existen dos tipos de experimentos:

Experimento Aleatorio o no determinístico: Conjunto de pruebas realizadas bajo las mismas

1 : Lanzar moneda y observar su cara superior

Espacio Muestral: Es el conjunto de todos los resultados posibles asociados a un experimento

- Al experimento aleatorio 3 le corresponde   

- Al experimento aleatorio  4 le corresponde   

- Al experimento aleatorio 5 le corresponde   

- Al experimento aleatorio  6 le corresponde   

Los espacios muestrales pueden ser:

Espacio muestral discreto:

Si tiene un número finito o infinito numerable de elementos.

Espacio muestral continuo

Evento: Dado un experimento aleatorio cuyo espacio muestral  , se llama

Suceso: Es todo elemento del espacio muestral y lo denotaremos por w, x, y, etc.

Distinguimos los siguientes tipos de eventos:

- Evento simple o elemental: sólo consta de solo elemento

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 2

2. OPERACIONES CON EVENTOS: (ALGEBRA DE EVENTOS)

 LA INTERSECCIÓN, que se denota A  B , es el evento que consta de todos los resultados en 

Ejemplo: lanzamos un dado al aire y analizamos dos sucesos:

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 3

Ejemplo: lanzamos un dado al aire y analizamos dos eventos:

Luego A  B  2, 4,5,6

 EL COMPLEMENTO El complemento del evento A (con respecto al espacio muestral  ), que se

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 4

 Si A y B no tienen puntos muestrales en común (sucesos) se denominan excluyentes y su

 A  B '  A'  B ' y  A  B '  A'  B '

Simplificar:  A '  B  A   A '  B ' 

Definición Clásica: La probabilidad de un evento es la razón entre el número de casos (sucesos)

Es decir sea el espacio muestral  y el evento A   , entonces la probabilidad de la ocurrencia

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 5

PROPIEDADES: Sea  un experimento aleatorio y  un espacio muestral asociado a este. La probabilidad de

Dados dos eventos A y B, se define la probabilidad condicional de A dado B como

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 6

En general tenemos dos formas de calcular P( A | B) :

5. REGLA DEL PRODUCTO DE PROBABILIDADES

En general n eventos A1 ,, An , se dicen independientes si y sólo si

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 7

8. TEOREMA DE LA PROBABILIDAD TOTAL

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 8

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 9

a) Experimento: “Tira 10 veces a una canasta”

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 10

Cuando se habla de la distribución de probabilidad de una variable aleatoria lo que se pretende es

Se llama función de probabilidad o ley de probabilidad (o función de cuantía) p  x  de una variable

La función de probabilidad de una v.a. discreta cumple las 3 propiedades:

La colección de pares  x, p  x   x  RX  es llamada distribución de probabilidad de X.

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 11

5. FUNCION DE DENSIDAD DE PROBABILIDAD

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 12

Este concepto de probabilidad se entiende que la probabilidad del evento A es equivalente a

a. f  x  no representa la probabilidad de algo, solamente cuando esta función se integra entre

c. Como consecuencia cuando X es una v.a. continua

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 13

3) Calcular P 0.5  X  1.5

6. FUNCION DE DISTRIBUCION ACUMULADAD DE UNA VARAIABLE ALEATORIA CONTINUA

Hallar la función de distribución acumulada de X.

UNFV/FIEI/ PROBABILIDADES Y ESTADÍSTICA /LIC. PEDRO SAENZ R. Página 14

6.1 POPIEDADES DE LA FUNCION DE DISTRIBUCION ACUMULADAD DE UNA VARAIABLE

4. F es creciente es no decreciente, esto es : Si a  b  F  a   F b 