Probaby Estadist

ESTADÍSTICA Y PROBABILIDAD
Carmen Cecilia Sánchez Zuleta
Agosto de 2017
Contents
1 Probabilidad 5
1.1 Conceptos Básicos de Probabilidad . . . . . . . . . . . . . . . . . . . 5
1.2 Ejercicios I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Técnicas de Conteo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 Combinación . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Teoría de Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 Algunos conjuntos especiales . . . . . . . . . . . . . . . . . . 17
1.4.2 Operación entre Conjunto . . . . . . . . . . . . . . . . . . . . 18
1.5 Ejercicios II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6 Probabilidad de Eventos . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7 Ejercicios III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.8 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.9 Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2 Distribuciones de Probabilidad 39
2.1 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2 Distribuciones de Probabilidad de v.a Discretas . . . . . . . . . . . . 40
2.2.1 Valor esperado y Varianza de una v.a Discreta . . . . . . . . 42
2.2.2 Distribución Binomial . . . . . . . . . . . . . . . . . . . . . . 44
2.2.3 Distribución de Poisson . . . . . . . . . . . . . . . . . . . . . 46
2.4 Distribución de Probabilidad para v.a Continuas . . . . . . . . . . . 50
2.4.1 Valor esperado y Varianza de una v.a Continua . . . . . . . . 52
2.4.2 Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.3 La distribución Normal como aproximación de la Binomial . 57
2.4.4 Corrección por Continuidad . . . . . . . . . . . . . . . . . . . 58
2.4.5 Distribución Exponencial . . . . . . . . . . . . . . . . . . . . 58
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3 Distribuciones Muestrales 67
3.1 Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2 Distribuciones Muestrales . . . . . . . . . . . . . . . . . . . . . . . . 71
3.2.1 Distribución de la media Muestral . . . . . . . . . . . . . . . 72
3.2.2 Distribución para la Diferencia de Medias . . . . . . . . . . . 77
3.2.3 Distribución de una proporción Muestral P . . . . . . . . . . 78
iii
iv
3.2.4 Distribución de una diferencia de Proporciones Muestrales

P1 − P2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.3 La distribución t-student . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.4 Distribución Ji-Cuadrada χ2 . . . . . . . . . . . . . . . . . . . . . . . 82
3.4.1 Propiedades de la Distribución ji -cuadrada . . . . . . . . . . 82
3.5 Distribución F-Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
CHAPTER 1
Probabilidad
El afán por acertar en los juegos de azar fue la semilla que desencadenó en la teoría
que hoy en día conocemos como "Probabilidad Matemática". Comienza como
un intento de responder a varias preguntas tales como, ¿cuántas veces se han de
lanzar un par de dados para que la probabilidad de que salga seis sea del 50%?;
y aunque se puede decir que la pasión del hombre por los juegos de azar es tan
antigua casi como el hombre mismo, la formalización de esta teoría no se llevaría
a cabo sino hasta la edad media, con los trabajos de los matemáticos franceses
del siglo XVII Blaise Pascal (1623 - 1662) y Pierre de Fermat (1601-1665), aunque
algunos matemáticos anteriores, como Gerolamo Cardano (1501-1576) en el siglo
XVI, habían realizado importantes contribuciones a su desarrollo.
En la actualidad la teoría de probabilidades se entiende como una rama de las

matemáticas que se preocupa de medir o determinar de manera cuantitativa la
posibilidad de que un suceso o experimento produzca un determinado resultado,
siempre teniendo presente que la ocurrencia de dicho evento se observa en relación
a otros eventos. Si bien los conceptos principales de esta teoría se fundamentan en
"La Teoría de la Medida", para el nivel y desarrollo de este curso se considerarán
conceptos de combinatoria y teoría de conjuntos.
En las siguientes sesiones se realizará una introducción a los conceptos de la teoría

de probabilidades que serán requeridos para el desarrollo del curso, sin embargo si
el lector requiere de una profundización en los concepto que formalizan la teoría se
recomienda consultar algunos texto de carácter más puntual.
1.1 Conceptos Básicos de Probabilidad

Los estudios adelantados por los curiosos del azar en el pasado llevaron a desarrollar
dos definiciones esenciales para el concepto de probabilidad, las cuales, si bien no
son iguales, se puede demostrar que convergen al mismo valor.
Se tienen entonces que el concepto de probabilidad objetivo se puede definir
desde dos perspectivas diferentes pero que como se dijo en el párrafo anterior, con-
vergen a un mismo valor, estas perspectivas son:
• Probabilidad Clásica o "a priori".

6 CHAPTER 1. PROBABILIDAD
• Probabilidad de Frecuencia relativa

La teoría clásica de probabilidad surge de la edad media mediante trabajos prop-
uestos por Pascal y Fermat. Gran parte de esta teoría fue creada para intentar
resolver problemas relacionados con los juego de azar, como el juego de dados o el
de cartas. Por ejemplo, si un dado no cargado es lanzado, la probabilidad de que
caiga un 2 es de 16 , y es lo mismo para los otros 5 lados, sin embargo, no es nece-
sario lanzar un dado para determinar esta probabilidad, pues, estas probabilidades
se calcularan de manera teórica, y sin necesidad de realizar el ejercicio.
El ejemplo anterior relaciona el concepto de probabilidad con la ocurrencia de

un resultado en cierta actividad, este tipo de actividades serán llamados durante el
texto como experimentos aleatorios. El concepto de "aleatorio" procede de "alea"
que significa "suerte" o "azar ", con base en esto se presentan a continuación su
definición.
Definición 1.1.1 Experimento Aleatorio Un experimento aleatorio es aquel cuyo

resultado está fuera de control, por tanto depende del azar.
Definición 1.1.2 Espacio Muestral Dado un experimento aleatorio, se define

el Espacio Muestral de este experimento como el conjunto que contiene todos los
posibles resultados del experimento.
En adelante, para el desarrollo de este capítulo el Espacio Muestral se denotará
por una S.
Definición 1.1.3 Evento Dado un experimento aleatorio, se dice que un Evento

de este experimento es un subconjunto del espacio muestral.
Ejemplo 1.1.1 Un experimento se lanza un dado no cargado al aire, describa el

experimento aleatorio, el espacio muestral, y el evento relacionado con obtener un
número impar.
Solución 1 En este caso se tiene:
Experimento Aleatorio: Lanzar un dado no cargado al aire
Espacio Muestral: posibles resultados del experimento: S = {1, 2, 3, 4, 5, 6}
Evento: {1, 3, 5} Conjunto de posibles resultados del experimento.

Ahora bien, con base en el concepto de experimento aleatorio, se presenta a
continuación la definición de probabilidad en el sentido clásico.
Definición 1.1.4 (Probabilidad a priori) Si un experimento aleatorio puede

tener n resultados posibles, los cuales son mutuamente excluyentes, y son igual-
mente probables, y si m de estos resultados poseen una característica E, entonces
la probabilidad de ocurrencia de la característica E es igual a:
m
P (E) =
n
La definición anterior se centra en el popular concepto de casos favorables, cantidad
de elementos que pertenecen al evento, sobre casos posibles, cantidad de elementos
en el espacio muestral. Además, el valor de una probabilidad puede ser expresado
en porcentaje, como razón, o de manera decimal.
1.1. CONCEPTOS BÁSICOS DE PROBABILIDAD 7
Ejemplo 1.1.2 Determine la probabilidad de obtener un número impar al lanzar

un dado no cargado al aire.
Solución 2 Del ejemplo 1.1.1 se tiene que:
Experimento Aleatorio: Lanzar un dado no cargado al aire
Espacio Muestral: {1, 2, 3, 4, 5, 6}

Se sigue que el número de resultados posibles al lanzar un dado es 6, por lo tanto
n = 6.
Característica E: Obtener un numero impar

Evento: E = {1, 3, 5} Conjunto de posibles resultados del experimento.
La característica E sólo puede ocurrir en tres de los seis resultados posibles, por
lo tanto m = 3.
Se sigue entonces que:
m 3 1
P (E) = = = = 0.5
n 6 2
R/: La probabilidad de obtener un número par al lanzar un dado no cargado es

de 0.5.
Ejemplo 1.1.3 ¿Cuál es la probabilidad de obtener una cara al lanzar una moneda
no cargada al aire?.
Solución 3 Experimento aleatorio: Lanzar una moneda

Espacio Muestral: Posibles resultados del evento: S = {C, S}
El número de resultados posibles al lanzar una moneda es dos, por lo tanto n = 2.
Característica E: Obtener una cara E = {C}
La característica E sólo puede ocurrir en uno de los dos resultados posibles, por
lo tanto m = 1.
Se sigue entonces que:
m 1
P (E) = = = 0.5
n 2
R/: La probabilidad de obtener una cara al lanzar una moneda no cargada al

aire es de 0.5.
La aproximación de la frecuencia relativa al concepto de probabilidad dependerá
de la cantidad de veces que se repita un experimento aleatorio, y de la capacidad de
contar tanto el número de repeticiones como las veces en que se presenta un evento
de interés; en este contexto la probabilidad de que ocurra un evento E se podrá
determinar mediante la relación de la frecuencia del evento en las repeticiones, a
esta probabilidad se le conoce como probabilidad frecuentista.
Definición 1.1.5 Probabilidad Frecuentista o de Frecuencia relativa.

Si un experimento aleatorio se repite un número N de veces, con N grande, y
si algún evento resultante, con la característica E ocurre m′ -veces, la frecuencia
relativa de la ocurrencia de E en los N ensayos, mN es aproximadamente igual a la
probabilidad de E.
Esto es:
m′
P (E) =
N
Observación 1.1.1 Se puede demostrar que:
m′ m
lim =
N →∞ N n
Esto es, en el infinito, la probabilidad a posteriori converge a la probabilidad a
priori.
Ejemplo 1.1.4 Determine la probabilidad a posteriori de obtener una cara al lanzar

una moneda no cargada al aire, verifique su resultado con la probabilidad obtenida
para este evento mediante la definición frecuentista, repita el experimento 50 veces.
Un concepto adicional de probabilidad que en ocasiones se utiliza es la proba-

bilidad "personalista" o subjetiva, este concepto surge en la década de los 50, fue
propuesta por Savage, y sugiere que la probabilidad mide la confianza que tiene un
individuo en la certeza de una proposición particular. Este concepto no depende de
la cantidad de veces que se repita algún proceso, permite incluso calcular la proba-
bilidad de un evento que sólo puede ocurrir una vez. Aunque la propuesta subjetiva
ha gozado de una amplia popularidad, los estadísticos de la corriente clásica aún no
la aceptan del todo.
La probabilidad que utilizaremos para nuestro desarrollo será la que tiene un

enfoque o método axiomático. Las bases de este enfoque están inmersos en tres
propiedades de las que se deriva todo un sistema de teoría de la probabilidad a
través del uso de la lógica matemática.
1.2 Ejercicios I
1. Según la definición de probabilidad clásica, ¿qué valores no puede asumir una
probabilidad?, explique su respuesta.
2. Una urna contiene seis balotas marcadas con los números 52, 65, 13, 23, 14
y 35. Si se extrae una balota al azar, determine la probabilidad de que este
marcado con un número par.
3. En cada uno de los siguientes items, especifique cuál es el experimento aleato-

rio, el espacio muestral, el evento de interés y determine la probabilidad so-
licitada:
• La probabilidad de que al lanzar un dado no cargado al aire, este caiga

en tres.
• La probabilidad de que al lanzar dos monedas se obtenga al menos una
cara.
• La probabilidad de que al lanzar una moneda y un dado el resultado
tenga un tres en el dado.
• La probabilidad de que al lanzar un dado se obtenga un número primo.
4. Una clase está formada por Ana, Carlos, Jaime, María, Martín, si se selecciona
un estudiante al azar para realizar una pasantía en otro país determine:
• Indique cuál es el experimento aleatorio realizado.

• especifique el espacio muestral.
• La probabilidad de que Ana sea elegida para realizar la pasantía.
• La probabilidad de que una mujer sea elegida para realizar la pasantía.
1.3. TÉCNICAS DE CONTEO 9
• La probabilidad de que un hombre sea elegido para realizar la pasantía.

• La probabilidad de que un hombre o una mujer sean elegidos para realizar
la pasantía.
• La probabilidad de que un hombre y una mujer sean elegidos para realizar
la pasantía.
5. Si se lanzan dos dados no cargados al aire, determine :
• El experimento aleatorio realizado.

• La probabilidad de que al caer su suma sea Par
• La probabilidad de que al caer su suma sea Múltiplo de tres
• La probabilidad de que al caer su suma sea Uno
6. Puede un evento tener probabilidad cero?, dé un ejemplo.
7. Una empresa que requiere cierto personal para llenar una vacante ha recibido
20 hojas de vidas de profesionales con los siguientes títulos, ingeniero: In-
dustrial 6, de sistemas 7, electrónicos 4, telecomunicaciones 3. Como todos
cumplen con las especificaciones para el cargo, por lo que el administrador
decide elegir un aspirante al azar para el cargo, determine la probabilidad de
que el puesto le sea asignado a:
(a) Un ingeniero de telecomunicaciones.

(b) Un ingeniero de sistemas o industrial.
(c) Un ingeniero
1.3 Técnicas de Conteo

Puesto que como se estableció en la definición clásica de probabilidad, más que
los elementos de los diferentes eventos, nos interesa la cantidad de elementos que
contiene cada evento, se presentan entonces en esta sección algunas técnicas útiles
para contar ese número de elementos que se encuentran en un evento determinado.
Definición 1.3.1 Diagrama de Árbol Un diagrama de árbol es una especie de

mapa de acontecimientos en donde se describen los eventos básicos que ocurren en
un experimento aleatorio.
Un diagrama de árbol también se puede construir teniendo presente las proba-

bilidades que se generan en cada evento.
Un árbol es de hecho un gráfico formado por vértices y aristas, es decir, seg-
mentos de receta y puntos. Los eventos que ocurren se denotan por puntos y la
probabilidad de cada evento se anota a la pequeña arista que precede a cada punto.
Ejemplo 1.3.1 En un restaurante se ofrecen para el menú del día las siguiente
opciones: entradas: sopa de legumbres, crema de tomate; ensaladas: de lechuga, de
verduras o mixta; y para el plato fuerte ofrecen carne de res, cerdo o pollo; determine
la probabilidad de que la próxima persona que entre al restaurante pida en su menú
pollo en el plato fuerte.
Realice un diagrama de árbol en el que se visualicen las posibles platos que se
pueden ordenar y determina cuántos menus diferentes ofrece el restaurante.
Lechuga
D
S.11
Pollo
Cerdo
Res
Mixta
Verduras
9 Tomate
Plato
Ensalada
EntradaFuerte
S.Legunbres
Solución 4
Los diagramas de árbol son muy prácticos cuando se cuenta con un número pequeño
de situaciones a considerar y un número pequeño de casos por cada situación; cuando
estas cantidades aumentan el diagrama de árbol se convierte en un proceso tedioso
y poco práctico, para estos casos se recomiendo utilizar los siguientes resultados que
se constituyen como generalizaciones del conteo en algunos diagramas.
Definición 1.3.2 Principio de Multiplicación

Si una operación se puede realizar en n formas distintas, y si por cada una de
estas formas, una segunda operación se puede llevar a cabo en m formas diferentes,
entonces las dos operaciones pueden realizarse juntas en n × m formas diferentes.
El principio de multiplicación presentado anteriormente se puede extender de

dos a k operaciones, donde la operación i se puede realizar de ni formas diferentes,
obteniéndose que el número de formas en que se pueden realizar las k operaciones
juntas es de n1 ×2 · · · × nk .
Este principio o ley es una herramienta muy útil para contar las situaciones
posibles que se pueden presentar al ejecutar dos o más acciones simultáneas, se
constituye en la antesala del número de permutaciones, que se definirá posterior-
mente y que serán de gran interés para determinar los elementos para hallar ciertas
probabilidades.
Ejemplo 1.3.2 Si un experimento consiste en lanzar dos dados y una moneda,

determine la cantidad de resultados posibles que se pueden obtener en este experi-
mento.
Solución 5 En este caso se puede observar que el experimento aleatorio consta de

tres operaciones, el dado uno, el dado dos y la moneda, en el dado uno se puede
obtener uno de los seis resultados posibles, por lo tanto puede ocurrir de n1 = 6
formas diferentes, lo mismo sucede para el dado dos, por lo tanto n2 = 6, y para el
caso de la moneda, en esta puede suceder o una cara, o un sello, esto es, cuenta con
dos resultados posibles, luego n3 = 2, se tiene entonces que en virtud del principio
de multiplicación se tendría que:
Lo que indica que se tendrían 72 resultados posibles diferentes en el experimento

dado.
×
=
2
6 72 2
Dado
Moneda1
Ejemplo 1.3.3 En el ejemplo (1.3.2) determine la probabilidad de que al lanzar
los dos dados y la moneda, se obtenga al menos un seis.
Ejemplo 1.3.4 En el ejemplo (1.3.2), encuentre la probabilidad de que en el resul-

tado del experimento se obtenga:
• Una cara.
• Un seis.
• Un seis o un tres.
Definición 1.3.3 Principio Aditivo

Si un evento A puede ocurrir de m maneras diferentes, y un evento B puede
ocurrir de n maneras diferentes, entonces el suceso A o el suceso B (A ∪ B) puede
ocurrir de m + n formas siempre que A y B no ocurran simultáneamente.
De la misma manera que el principio de multiplicación se extendió a más de
dos eventos, el principio aditivo se puede igualmente generalizar para K sucesos
igualmente disjuntos.
Ejemplo 1.3.5 Doña Amanda compró un pescado fresco para cocinarlo. En su

manual de recetas encuentra tres recetas diferentes para prepararlo al horno, dos
para hacerlo frito y cuatro para prepararlo cocido. ¿De cuántas formas diferentes
puede doña Amanda cocinar su pescado?
Ejemplo 1.3.6 Para viajar de la ciudad A a la ciudad B hay tres rutas diferentes
de autobús, dos de tren y dos de avion. ¿De cuántas maneras diferentes puede
un viajero realizar el recorrido de A hacia B por cualquiera de estos tres medios?,
¿Cual es la probabilidad de que un viajero que elige su ruta al azar, le toque viajar
en autobús?
Definición 1.3.4 Factorial

Dado un número entero positivo n, se define el factorial de n, denotado por n!,
como el entero que se obtiene al multiplicar todos los enteros desde uno hasta n;
así:
n! = n × (n − 1) × (n − 2) × · · · × 2 × 1
Ejemplo 1.3.7 Determine a qué es igual el 5!
5! = 5 × 4 × 3 × 2 × 1 = 120
Teorema 1.1 0! = 1
1.3.1 Permutaciones
Definición 1.3.5 Permutación Una permutación es un arreglo de todo o parte
de un conjunto de objetos.
Teorema 1.2 El número de permutaciones de n objetos distintos, denotado por Pn

está dado por n!.
Pn = n!
Teorema 1.3 Si n = 0 entonces n! = 0! = 1.
Ejemplo 1.3.8 En una urna se encuentran balotas con todos los número diferentes
de tres cifras que se pueden formar con los dígitos 8, 3, 5, si no se puede repetir
dígito, determine cuantas balotas hay en la urna. Si una persona saca al azar una
balota de la urna, determine la probabilidad de que este marcada con un número
par.
Ejemplo 1.3.9 Repita el ejemplo anterior si se puede repetir dígito para construir
los números.
Teorema 1.4 El número de permutaciones de n objetos distintos, tomados de a r

objetos a la vez, con r ≤ n, denotado por n Pr está dado por:
n!
n Pr =
(n − r)!
Ejemplo 1.3.10 Un joven tiene 5 libros distintos, uno de física, uno de química,
uno de matemáticas, y de español tiene volumen uno y dos. quiere acomodar tres
de ellos en un estante.
1. ¿De cuántas formas diferentes puede organizar los textos en el estante?
Solución
En este caso se tiene un conjunto de cinco libros (n = 5) todos ellos diferentes.
Como el estante sólo tiene espacio para tres textos, se deberán seleccionar
grupos de tres de los cinco que se tienen, note que en este caso es importante el
orden, lo que implica que estamos ante un problema de permutaciones tomando

grupos de tres (5 P3 ).
Sea N el número total de formas en que se pueden organizar los libros en el

estante.
5! 5×4×3×2×1
N =5 P3 = = = 60
(5 − 3)! 2!
R/ Los textos se pueden organizar en la estantería de 60 formas diferentes,

tomando tres libros a la vez.
2. ¿En cuántas situaciones diferentes quedarán seleccionados y juntos los textos
de Español?
Solución
Si se quiere que los textos de español se encuentren seleccionados, llevaría a
que dos de los tres espacios disponibles estarán ocupados por ellos, por lo tanto
se tendría que seleccionar el tercer libro de los restantes 3 P1 . Además se quiere
que los textos de español se encuentren siempre juntos, P2 , y finalmente se
debe tener presente que el paquete de los textos de español se pueden permutar
con el otro libro seleccionado, de nuevo P2 .
Sea m1 el número total de arreglos de los libros en el estante, que tienen los
textos de español juntos. Se tiene entonces que, por principio de multipli-
cación, definición (1.3.2):
m1 =3 P1 × P2 × P2 = 3 × 2 × 2 = 12
R/ El número de formas en las que los textos de español quedarán selecciona-

dos en el estante y juntos son 12.
3. Determine la probabilidad de que los textos de español queden juntos en el
estante
Solución
Sea A el evento en el que los textos de español son seleccionados y ubicados
juntos en el estante, luego:
Numero de veces en las que los textos quedan juntos m1 12

P (A) = = =
Numero total del arreglos en el estante N 60
1
Luego P (A) = 5 = 0.2
R/ La probabilidad de que los textos de español queden juntos al organizar los
tres libros en el estante es de 0.2.
4. ¿Cuál es la probabilidad de que ningún texto de español quede acomodado en
la estantería?
Solución
Si ningún texto de español es seleccionado, entonces el número de opciones se
reduce a seleccionar tres libros de un grupo de tres (3 P3 = 3).
Luego, sea B el evento definido por los arreglos en la estantería que no con-
tienen un texto de español.
3 1
P (B) = = = 0.05
60 20
R/ La probabilidad de que ningún texto de español quede acomodado en la
estantería es de 0.05
Teorema 1.5 Permutaciones con repeticiones

El número de permutaciones diferentes de n objetos de los cuales n1 son de un
tipo, n2 son de un segundo tipo, y así sucesivamente nk son de una k-ésima forma,
entonces el número de permutaciones que se pueden realizar con estos n objetos está
dado por:
n!
n1 !n2 ! · · · nk !
Donde n = n1 + n2 + · · · + nk .
Ejemplo 1.3.11 En cuantas formas diferentes pueden acomodarse tres focos rojos,
cuatro amarillos y dos azules en un árbol de navidad que cuenta con 9 plajones.
Teorema 1.6 Permutaciones en disposición Circular

El número de permutaciones de n objetos distintos organizados en un circular
es (n − 1)!.
Teorema 1.7 Disposición en Celdas

El número de formas de distribuir un conjunto de n objetos en r celdas, con n1
objetos en la celda 1, n2 elementos en la celda 2, y así hasta tener nr objetos en la
celda r, está dada por:
( )
n n!
=
n1 n2 · · · nr n1 n2 ! · · · nk
Ejemplo 1.3.12 ¿En cuantas formas diferentes pueden siete científicos acomodarse
en una habitación tripe y dos habitaciones dobles en un hotel?. Determine además
la probabilidad de que el científico uno quede alojado en la habitación triple.
1.3.2 Combinación
En muchos problemas de conteo y de probabilidad interesa determinar el número
de formas posibles de seleccionar r objetos de un total de n sin importar el orden,
estas selecciones son llamadas combinaciones, como se describe a continuación.
Definición 1.3.6 Combinación

Las combinaciones de n objetos tomando r de ellos a la vez representa el número
de subconjunto diferentes de tamaño r que se pueden hacer con los n objetos.
Teorema 1.8 Número de Combinaciones

El número de combinaciones de n-objetos distintos, tomando r a la vez, con
r ≤ n está dado por:
n!
n Cr =
r!(n − r)!
Ejemplo 1.3.13 Una clase cuenta con 25 estudiantes, y se quiere formar un comité
de cinco estudiantes para hablar con las directivas del establecimiento,
1. ¿cuántos comites diferentes se pueden formar en el grupo?.
2. Si en el grupo hay 14 hombres y 11 mujeres, ¿cuál es la probabilidad de que

el comité formado cuente exactamente con dos mujeres?
Solución 6 En este caso se cuenta con un total de 25 estudiantes, lo que indica

que n = 25, y se quieren formar comites de cinco estudiantes, por lo que r = 5.
Adicionalmente como lo que se quiere formar es un comité, y en este no existen
rangos o jerarquías, es decir, todos los estudiantes que conforman el comité tienen
el mismo nivel o potestad.
1. se quieren formar son grupos de cinco estudiantes en los que no interesa el

orden, esto es, se quiere saber cuantas combinaciones de cinco estudiantes con
los 25 que se tienen se pueden formar, luego, la solución es:
25! 25!
n Cr =2 5C5 = = = 53.130
5!(25 − 5)! 20!
R/: En total se pueden formar 53.130 comites diferentes con los estudiantes
del grupo.
2. Para determinar esta probabilidad empecemos por identificar el tamaño del es-
pacio muestral, es decir, ¿cuántos grupos de 5 estudiantes se pueden formar?,
la respuesta a esta pregunta se ha solucionado en el item 1 de este ejercicio,
por lo que se tiene que n = 53130 comites diferentes.
Ahora hallemos cuántos de ellos están conformados por exactamente dos mu-
jeres.
Para dar solución a esta pregunta se hará uso del principio de multiplicación,
de la siguientes manera. Primero se hallaran todos los grupos de tres hom-
bres que se pueden formar con los 14 estudiantes masculinos que se tienen,
seguidamente se determinarán cuantos grupos de dos mujeres se pueden for-
mar con las 11 chicas que hay en el grupo, como cada grupo de chicos se
puede fusionar con un grupo de chicas para completar los cinco estudiantes,
entonces se aplica el principio de multiplicación para hallar el número total
de grupos que tendrán exactamente dos mujeres. Este resultado ofrecerá los
casos favorables para hallar la probabilidad.
Grupos formados por tres hombres: GH =14 C3 = 364
Grupos formados por dos mujeres: GM =11 C2 = 55
Ahora bien, por el principio de multiplicación, se tiene:
m = GH × GM = 364 × 55 = 20.020
Sea A: Comites formados que tienen exactamente dos mujeres, luego:

m 20020
P (A) = = = 0.3768
n 53130
R/ La probabilidad de que un comité contenga exactamente dos mujeres es de

0.3768.
Ejemplo 1.3.14 Un grupo que sale de excursión, está conformado por 8 personas,
de las cuales 5 son mujeres y 3 hombres. Si se escogen 4 integrantes para que
realicen tareas de montaje y desmontaje de los campamentos, defina los eventos y
halle la probabilidad de que sean consideradas por lo menos 2 mujeres.
El software R, cuenta con algunas instrucciones que son de utilidad al momento

de determinar el número de combinaciones que se pueden formar con un conjunto
de datos de tamaño n tomando subgrupos de tamaño r. La instrucción "choose"
es una de estas funciones, y opera de la siguiente manera:
n Cr = choose(n, r)
Una manera alternativa de encontrar este valor en R, consiste en hacer uso de

la definición de combinación y la función "prod " utilizada para hallar el factorial
del un número, por consiguiente las combinaciones se calcularían de la siguiente
manera:
n Cr = prod(n : 1)/ (prod(n − r : 1) × prod(r : 1))
Ejemplo 1.3.15 Encuentre el número de comités de tres personas, que pueden

formar con cuatro químicos y tres físicos y que comprendan dos químicos y un
físico. Si Pedro es uno de los Químicos y Francisco y uno de los físicos, determine
la probabilidad de que Pedro y Francisco formen parte del comité.
1.4 Teoría de Conjuntos

Los resultados de un experimento muestral constituyen un conjunto, y los resultados
de este que favorecen la característica de interés, determinan también un conjunto,
se sigue entonces que un concepto fundamental para el desarrollo de la teoría de
probabilidades es el concepto de conjunto, y con él las operaciones y propiedades
de la teoría. A continuación se realizará una introducción básica a esta teoría.
Dado que el concepto de conjunto es complejo para el nivel de estas notas, se

acogerá la definición básica que se utiliza en el medio para este concepto.
Definición 1.4.1 Conjunto

Un conjunto es una colección de objetos distintos.
Los conjuntos serán denotados por letras latinas mayúsculas. Los objetos que con-
stituyen un conjunto serán llamados elementos del conjuntos y se denotaran por
letras latinas minúsculas; así por ejemplo A denotará un conjunto, y a denotará un
elemento de un conjunto. Ahora bien, se establece una relación de pertenencia entre
un elemento y un conjunto, de tal manera que si a es un elemento del conjunto A
se denotará por a ∈ A, o si por el contrario, a no es un elemento del conjunto A se
denotará por a ∈/ A, donde el símbolo ∈ es conocido como el símbolo de pertenencia.
Respecto a la presentación de un conjunto, esta se puede realizar por extensión

o por compresión, en el primero se despliegan todos y cada uno de los elemen-
tos que conforman el conjunto, en tanto que en el segundo se describe un factor
que caracteriza los elementos que pertenecen al conjunto. No todos los conjuntos
se pueden escribir por extensión, y no todos los conjuntos se pueden escribir por
comprensión.
1.4. TEORÍA DE CONJUNTOS 17
Ejemplo 1.4.1 A es el conjunto de todos los resultados que se pueden obtener al

lanzar un dado al aire, entonces:
El conjunto por extensión sería: A = {1, 2, 3, 4, 5, 6}.
El conjunto por comprensión sería: A = {x : 1 ≤ x ≤ 6}.
Además se puede afirmar que 3 ∈ A y 9 ∈ /A
La pertenencia establece la relación entre un elemento y un conjunto. Para rela-

cionar dos conjuntos se cuenta con la definición de inclusión o igualdad de conjuntos,
las cuales se presentan a continuación.
Definición 1.4.2 Sub-Conjunto

Sean A y B conjuntos. Se dice que A es un subconjunto de B, denotado por A ⊆ B,
si y sólo si todo elemento de A es también un elemento de B. Así:
A⊆B si y sólo si ∀x ∈ A ⇒ x ∈ B
Se tiene también que si A ⊆ B entonces se puede decir que A está contenido en B,

o que B contiene a A.
Definición 1.4.3 Conjuntos Iguales

Sean A y B conjuntos. Se dice que A es igual a B, denotado por A = B, si y
sólo si todo elemento de A es también un elemento de B, y todo elemento de B es
elemento de A. Así:
A=B si y sólo si ∀x; x ∈ A ⇔ x ∈ B
De la definición anterior se sigue que si A = B entonces A ⊆ B y B ⊆ A
1.4.1 Algunos conjuntos especiales

Algunos conjuntos que se utilizan con cierta frecuencias son definidos de manera
especial, a continuación se presentan algunos de ellos.
1. Conjunto Vació. El conjunto que no contiene elementos es llamado el con-

junto vació, se denota por ϕ.
2. Conjunto Unitario. El conjunto que contiene un único elemento es llamado

un conjunto unitario.
Observación 1.4.1 Un resultado importante dentro de la teoría de conjuntos es-

tablece que el conjunto vacío es un subconjunto de cualquier conjunto, esto es:
ϕ⊆A ∀A Conjunto
Definición 1.4.4 Conjunto Referencial.

El conjunto que contiene todos los conjuntos bajo un mismo contexto es llamado el
conjunto referencial.
En el contexto de la estadística, el conjunto referencial está directamente rela-

cionado con el espacio muestral que se define a continuación.
Definición 1.4.5 Espacio Muestral

El conjunto que contiene la totalidad de resultados posibles de un experimento
aleatorio es llamado el Espacio Muestral, y se denotará generalmente por S.
Figure 1.1. Unión entre conjuntos
Observación 1.4.2 Evento

Con base en la definición de Espacio Muestral y de acuerdo con la definición de
evento presentada en la primera sección de este capítulo, se puede afirma que un
evento es un subconjunto del espacio muestral. Note que este puede incluso ser el
vació.
Ejemplo 1.4.2 Se lanzan al aire una moneda y un dado, no cargados. Especi-

fique cual es el experimento aleatorio, determine el espacio muestral, determine el
evento E solicitado, y finalmente determine la probabilidad de que se presenten las
siguientes situaciones:
a. Obtener un cinco.
b. Obtener un cinco y un sello.
Solución 7 Experimento Aleatorio: Para este ejemplo consiste en lanzar al

aire simultáneamente una moneda y un dado.
Espacio Muestral:
S = {(1, c), (2, c), (3, c), (4, c), (5, c), (6, c), (1, s), (2, s), (3, s), (4, s), (5, s), (6, s)}
a. Obtener un cinco. El evento para este caso estará dado por todos los resultados
del experimento aleatorio que contienen un cinco, así:
E = {(5, c), (5, s)}
Ahora bien, para encontrar la probabilidad del evento E se requiere el numero

de elementos m en el conjunto, para este caso m = 2, estos constituyen los
casos favorables, y el número de elementos en el espacio muestral n, en este
caso n = 12, número de casos favorables; se tiene entonces que:
m 2 1
P (obtener un cinco) = P (E) = = =
n 12 6
b. Obtener un cinco y un sello.
1.4.2 Operación entre Conjunto

Definición 1.4.6 Unión de Conjuntos Dados dos conjuntos A y B se define la
unión de A con B, denotado por A ∪ B, como el conjunto que contiene todos los
elementos que están en el conjunto A o en B.
1.4. TEORÍA DE CONJUNTOS 19
Figure 1.2. Intersección entre conjuntos
Definición 1.4.7 Intersección de Conjuntos Dados dos conjuntos A y B se

define la intersección de A con B, denotado por A ∩ B, como el conjunto que
contiene todos los elementos que están en el conjunto A y en el conjunto B.
Definición 1.4.8 Complemento de un Conjunto Dado un conjunto referencial

R, y un conjunto A de R, se define el complemento de A respecto a R, denotado
por Ac o A′ , como el conjunto que contiene todos lo elementos que están en R, pero
que no están en A.
Definición 1.4.9 Conjuntos Disjuntos o Excluyentes Sean A y B conjuntos.

Se dice que A y B son disjuntos (o excluyentes), si y solamente A ∩ B = ϕ, esto es,
si A y B no tienen elementos en común.
Definición 1.4.10 Partición

Sea A un conjunto, se dice que E1 , E2 , · · · , Ek es una partición de A si y solamente
si:
• Ei ∩ Ej = ϕ, con ∀i ̸= j (son disyunto o excluyente), y
• E1 ∪ E2 ∪ · · · ∪ Ek = A
Ejemplo 1.4.3 Sea A el conjunto formado por todos los números de tres dígitos
que se pueden escribir con los números 1, 2, 3, y cuyo primer dígito es un uno, y sea
B el conjunto formado por todos los números pares de tres dígitos que se pueden
escribir con los mismos números. Sea además R el conjunto referencial formado
por todos los números de tres dígitos que se pueden escribir con los números antes
mencionados. Si se sabe que los números en los conjuntos no tiene dígito repetido,
hallar:
1. El espacio Muestral
2. P (A ∪ B)
3. P (A ∩ B)
4. P (A′ )
5. P (A ∩ B ′ )
Teorema 1.9 Propiedades de operaciones entre conjuntos

Sean A, B, C conjuntos en un conjunto referencial S (en nuestro caso, S el
espacio muestral) , entonces:
1. S ′ = ϕ
2. S ∪ A = S
3. S ∩ A = A
4. ϕ ∪ A = A
5. ϕ ∩ A = ϕ
6. (A ∩ B)′ = A′ ∪ B ′
7. (A ∪ B)′ = A′ ∩ B ′
8. C ∪ (A ∩ B) = (C ∪ A) ∩ (C ∪ B)
9. C ∩ (A ∪ B) = (C ∩ A) ∪ (C ∩ B)
1.5 Ejercicios II
1. Una bolsa tiene en su contenido 50 microchips de computadoras, entre las
cuales hay 5 defectuosos. £Cuál es la probabilidad de que al extraer una
muestra de 3, por lo menos un microchips sea defectuoso.
2. En un grupo que sale de excursión, está conformado por 8 personas, de las
cuales 5 son mujeres y 3 hombres. Si se escogen 4 integrantes para que realicen
tareas de montaje y desmontaje de los campamentos, defina los eventos y halle
la probabilidad de que sean consideradas por lo menos 2 mujeres.
3. En una pequeña biblioteca de escuela se tienen tres ejemplares de la obra de
Alicia en el País de las Maravillas, cinco texto de español y literatura, uno
para cada grado, y cuatro texto de matemática uno por cada grado de segundo
a quinto, además la asignatura de ciencias trabajo con el mismo texto toda la
primaria y de este se tienen tres ejemplares, entonces:
(a) ¿De cuantas formas diferentes se pueden organizar los textos en una
biblioteca?
(b) Si los textos de una misma temática deben quedar juntos, de cuantas
formas diferentes se pueden organizar sobre una biblioteca?
(c) Si los textos de Alicia en el País de las maravillas y los de español y
literatura deben estar juntos, de cuantos formas diferentes se pueden
organizar en una biblioteca todos los libros?
(d) Si el bibliotecario organiza al azar los texto, cuál es la probabilidad de
que los texto de Alicia en el País de las Maravillas se encuentren juntos?
4. Una empresa que requiere cierto personal para llenar dos vacantes ha recibido
20 hojas de vidas de profesionales con los siguientes títulos, ingeniero: Indus-
trial 6, dos mujeres, de sistemas 7, tres mujeres, electrónicos 4, tres mujeres,
telecomunicaciones 3, dos mujeres. Si todos cumplen con las especificaciones
para el cargo, por lo que el administrador decide elegir los dos aspirantes al
azar, determine la probabilidad de que el puesto le sea asignado a:
(a) Dos mujeres.
(b) Una mujer y un hombre.
(c) Una mujer o un hombre.
(d) Una mujer Ingeniera de sistema y un hombre Ingeniero Industrial.
1.5. EJERCICIOS II 21
(e) Una mujer Ingeniera de Telecomunicaciones o un hombre Ingeniero Elec-

trónico.
(f) Dos ingenieros Industriales
5. Sea S = {R1 , R2 , R3 , R4 , R5 } un espacio muestral formado por cinco posibles

resultados igualmente probables. Consideremos los eventos: A = {R1 , R2 },
B = {R3 , R4 , R5 }, y C = {R1 , R2 , R4 }, entonces:
(a) ¿A y B son mutuamente excluyentes?

(b) Hallar: A′ , B ′ , P (A′ ), P (B ′ )
(c) Hallar: A ∩ C, P (A ∩ C)
(d) Hallar: B ∪ C ′ , P (B ∪ C ′ )
6. Una urna contiene 10 borradores y 5 sacapuntas. Se extraen dos objetos

sucesivamente y sin restitución.
(a) ¿Cuál es la probabilidad de que ambos sean borradores?

(b) ¿Cuál es la probabilidad de que el primero sea borrador y el segundo un
sacapuntas?
(c) ¿Cuál es la probabilidad de que el primero sea un saca punta y el segundo
un borrador?
(d) ¿Cuál es la probabilidad de que ambos sean sacapuntas?
7. El baloto es un tipo de lotería que consiste en elegir un subconjunto de seis

números distintos del conjunto 1, 2, 3, · · · , 45, dentro de los cuales solo una
combinación es la ganadora del primer premio. Si un participante compró un
boleto nada más, calcule la probabilidad de:
(a) Obtener cinco de los seis números premiados.

(b) Obtener cuatro de los seis números premiados.
(c) No acertar a ninguno de los seis números premiados
8. ¿Cuántos números de tres dígitos se pueden formar con los dígitos 0,1,2,3,4,5,
y 6 si cada dígito se puede utilizar una sola vez?
9. U representa el universo
U = {x/xes un alumno de la universidad de Medellín}
A y B son subconjuntos de U
A = {x/xes un alumno de la universidad de 22 o más años de edad}
y B = {x/xes un alumno de la universidad de menos de 22 años de edad}
Encontrar:
(a) La probabilidad de A ∪ B
(b) La probabilidad de A ∩ B
(c) La probabilidad de (A ∪ B)′ )
1.6 Probabilidad de Eventos

En la sección anterior se realizó una introducción al manejos de conjuntos, algunas
definiciones de interés para el capítulo de probabilidad, así como las operaciones
de mayor uso para este capítulo se presentaron allí. Acontinuación se presentarón
los teoremas que permiten obtener la probabilidad de un evento a partir de las
probabilidades de otros eventos dados que se relacionan mediante operación entre
eventos con él. En la sección anterior se estableció que un evento es en esencia
un conjunto asociado con alguna característica esperada en un resultado de un
experimento aleatorio.
Dado que a continuación se dará inicio a la parte formal del capítulo, se empezará
por presentar el conjunto de axiomas que soportan la teoría.
Axioma 1 Dado un experimento aleatorio que define un espacio muestral S, y

E1 , E2 , · · · , En una partición del espacio muestral, entonces:
1. 0 ≤ P (Ei ) ≤ 1 para todo i = 1, 2, · · · , n
2. P (Ei ∪ Ej ) = P (Ei ) + P (Ej )
3. P (S) = P (E1 ∪ E2 ∪ · · · ∪ En ) = 1
Según las definiciones de complemento y partición presentados en la sección anterior

se tiene que un evento y su complemento constituyen una partición del espacio
muestral, como consecuencia se tiene el siguiente teorema.
Teorema 1.10 Teorema del Complemento

Sea A un evento dado, entonces:
P (A) + P (A′ ) = 1
Proof. Sea A un evento, por definición de complemento se tiene que
• A ∪ A′ = S, y
• A ∩ A′ = ϕ
por lo tanto, del axioma en su numeral 3 se tiene:
P (A ∪ A′ ) = P (A) + P (A′ ) = 1;
esto es:
P (A) + P (A′ ) = 1
Definición 1.6.1 Tabla de frecuencias cruzadas

Una tabla de frecuencias cruzadas, llamada también tabla de contingencia, es un
arreglo rectangular donde la primera fila describe las características de una variable
aleatorias cualitativa, y la primera columna describe las características de una se-
gunda variable aleatoria cualitativa, además cada una de las celdas restantes guarda
las frecuencias absolutas de la ocurrencia de los individuos que contienen las dos
características simultáneamente.
1.6. PROBABILIDAD DE EVENTOS 23
Ejemplo 1.6.1 De los 70 aspirantes a un programa de Medicina de una universi-

dad, se tiene que 38 son mujeres, de estas 15 proceden de un colegio público y 20
de uno privado; además, 8 hombres proceden de un colegio del exterior y 15 de uno
privado. Con esta información resuelva:
1. Defina los eventos involucrados en el problema.
2. Construya una tabla de contingencia, utilizando los eventos del numeral an-
terior.
3. Si se selecciona un aspirante al azar, determine la probabilidad:
(a) De que sea Mujer.

(b) De que sea Hombre.
(c) Que proceda de un colegio en el Exterior
(d) Que no proceda de un colegio en el Exterior
(e) Que proceda de un colegio Público
(f ) Que sea hombre y proceda de un colegio privado.
(g) Que sea mujer, si se sabe que procede de un colegio público.
(h) Que proceda de un colegio público, si se sabe que es mujer.
(i) Que sea hombre o proceda de un colegio en el exterior.
Teorema 1.11 Teorema de Adición

Si A y B son dos eventos cualesquiera de un espacio muestral S, entonces
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Observación 1.6.1 Se puede presentar una generalización del teorema anterior a

n-eventos. En particular para el caso de tres eventos A, B, C se tendría:
P (A∪B∪C) = P (A)+P (B)+P (C)−P (A∩B)−P (A∩C)−P (B∩C)+P (A∩B∩C)
Ejemplo 1.6.2 En una encuesta aplicada a los suscriptores de una revista se en-
contró que en los últimos 12 meses 45.8% habían rentado un automóvil por razones
de trabajo, 54% por razones personales y 30% por razones de trabajo y personales.
1. ¿Cuál es la probabilidad de que un suscriptor haya rentado un automóvil en

los últimos 12 meses por razones de trabajo o por razones personales?
2. ¿Cuál es la probabilidad de que un suscriptor no haya rentado un automóvil

en los últimos 12 meses ni por razones de trabajo ni por razones personales?
Solución 8 Comenzamos por definir todos los eventos asociados al contexto para
los 12 últimos meses.
T: Los suscriptores de la revista han rentado un automóvil por razones de trabajo.
F: Los suscriptores de la revista han rentado un automóvil por razones personales.
Nótese que T ∩ F ̸= ϕ
Las probabilidades asociadas son: P (T ) = 0.458, P (F ) = 0.54, P (T ∩ F ) = 0.3
1. Para dar respuesta a este ítem, hacemos uso de la propiedad aditiva de las
probabilidades (teorema 1.11):
P (T ∪ F ) = P (T ) + P (F ) − P (T ∩ F ) = 0.458 + 0.54 − 0.3 = 0.698
R/Luego la probabilidad de que un suscriptor haya rentado un automóvil en

los últimos 12 meses por razones de trabajo o por razones personales es de
0.698.
2. Para este ítem, debemos considerar el evento conjunto de rentar un automóvil

en los últimos 12 meses y que la razón no sea ni por trabajo ni por razones
personales, simbólicamente se escribe: T ′ ∩ F ′ , pero de la teoría de conjuntos
T ′ ∩ F ′ = (T ∪ F )′
Esta última igualdad sobre conjuntos complementarios se debe a las Leyes de

Morgan sobre la intersección de conjuntos complementarios. Adicionalmente
a partir de lo hecho en el ítem a) tenemos que
P [(T ∪ F )′ ] = 1 − P (T ∪ F ) = 1 − 0.698 = 0.302

Por lo tanto:
P (T ′ ∩ F ′ ) = 0.302
R/ La probabilidad de que el suscriptor haya rentado un automóvil en los 12

últimos meses y que la razón no sea ni por trabajo ni por razones personales
es de 0.302.
Con frecuencia es necesario conocer cuál será el comportamiento en cierto ex-

perimento aleatoria cuando se sabe que los resultados que se pueden obtener están
afectados por la ocurrencia de otro suceso. Esta clase de situaciones conducen al
concepto de probabilidad condicional o probabilidad a posteriori.
Definición 1.6.2 Probabilidad Condicional

Sean A y B dos eventos, la probabilidad condicional de B dado A, que se denota
por P (B/A), se define como
P (A ∩ B)
P (B/A) = , si P (A) > 0
P (A)
En algunas situaciones, sabemos que un evento A que ha ocurrido no afectará la
probabilidad de ocurrencia de un evento B; esto es, la probabilidad de que ocurra
B no dependerá de lo que ocurra en el evento A, lo que nos lleva a la siguiente
definición para eventos independientes
Definición 1.6.3 Eventos Independientes

Dos eventos A y B son independientes si y solo si la ocurrencia o no ocurrencia
de uno de ellos no afecta la probabilidad asignada a la ocurrencia del otro.
La anterior definición, lleva al siguiente teorema.

1.6. PROBABILIDAD DE EVENTOS 25
Teorema 1.12 Si dos eventos A y B son independientes, entonces
P (B/A) = P (B) o P (A/B) = P (A)
Ejemplo 1.6.3 Alberto, Carlos y Ramón fueron formados en escuelas de fútbol

diferentes. La probabilidad de que Alberto acierte a un tiro libre es de 0.8, la de
que lo haga Carlos es del 0.78 y la de Ramón es de 0.85. Si con el correr del
tiempo, Alberto y Ramón terminaron jugando para el mismo equipo la final de un
campeonato que se fue a penalties, y Carlos juega para el equipo contrario, además,
ellos son los últimos tres jugadores en pegarle a la bola. Determine la probabilidad
de que el equipo de Alberto y Ramón se gane el campeonato, si para hacerlo deben
acertar en su tiro los dos jugadores del equipo y fallar el del equipo contrario.
Ejemplo 1.6.4 ¿Se puede decir que los eventos del ejemplo (1.6.2) son independi-
entes?
Ejemplo 1.6.5 Una canasta con dulces contiene 6 mentas, 4 chicles y 3 choco-
latinas. Si una persona realiza una selección al azar de uno de ellos, encuentre la
probabilidad de obtener:
1. Una menta
2. Un chicle o un chocolate
Solución 9 El espacio muestral
Teorema 1.13 Dos eventos A y B son independientes si y sólo si:
P (A ∩ B) = P (A)P (B)
Ejemplo 1.6.6 El médico de una empresa tiene una tabla en la que registra los
empleados según el sexo y la condición de fumadores.
Fumador No fumador Total
Mujer 30 55 85
Hombre 90 67 157
Total 120 122 242
A partir de la tabla se define los siguientes eventos:

F: El empleado es fumador.
G: El empleado no es fumador.
M: El empleado es mujer.
H: El empleado es hombre.
Realizar y responder las siguientes preguntas.
1. Realice una tabla de probabilidad donde señales las probabilidades conjuntas y

las probabilidades marginales.
2. La probabilidad de que al escoger a una persona sea fumadora dado que es

mujer.

hombre.
4. ¿Que la persona sea fumadora depende del sexo? Justifique y explique usando
las probabilidades.
Solución 10 1. Realice una tabla de probabilidad donde señales las probabili-

dades conjuntas y las probabilidades marginales.
Fumador No fumador Total
Mujer 30
242 ≃ 0.1240 242 ≃ 0.2273
55
0.3513
242 ≃ 0.2769
90 67
Hombre 242 = 0.3719 0.6488
Total 0.4959 0.5042 1.0001
Se debe precisar que las probabilidades conjuntas que se obtienen a partir de

la tabla inicial son las siguientes.
P (F ∩ M ) = P (M ∩ F ) ≃ 0.1240
P (M ∩ G) = P (G ∩ M ) ≃ 0.2273
P (F ∩ H) = P (H ∩ F ) = 0.3719
P (H ∩ G) = P (G ∩ H) ≃ 0.2769
Observe que estas probabilidades conjuntas, resulta de la conjunción de dos

eventos, por ello el nombre de probabilidad conjunta. Las probabilidades marginales,
son aquellas probabilidades que aparecen en la tabla de probabilidades, estando
al "margen" o adyacentes al de las probabilidades conjuntas.
P (F ) = 0.4959
P (G) = 0.5042
P (H) = 0.6488
P (M ) = 0.3513
2. La probabilidad de que al escoger a una persona sea fumadora dado que sea
mujer, viene dado por la probabilidad condicional:
P (F ∩ M ) 0.1240
P (F/M ) = = = 0.3529
P (M ) 0.3513
R/ Luego la probabilidad de que la persona sea fumadora dado que es mujer

es 0.3529.

hombre, de manera similar a lo realizado en el ítem 2) es la probabilidad
condicional:
P (F ∩ H) 0.3719
P (F/H) = = = 0.5732
P (H) 0.6488
R/ Luego la probabilidad de que la persona sea fumadora dado que es hombre

es 0.5732.
4. ¿Que la persona sea fumadora depende del sexo? Justifique y explique usando
las probabilidades.
De acuerdo con el teorema 1.13, bastará con verificar que la probabilidad de la
intersección es igual al producto de las probabilidades, y como no se está pre-
guntando por un sexo en particular, se tendrá que garantizar la independencia
en ambos casos, así:
P (F ∩ M ) = 0.1240 ̸= P (F ) × P (M ) = 0.1742
1.7. EJERCICIOS III 27
P (F ∩ H) = 0.3719 ̸= P (F ) × P (H) = 0.3217
R/ Se concluye que el evento ser fumador si depende del sexo, en otras pal-
abras, que la persona sea fumadora si depende de que sea mujer o que sea
hombre.
Ejemplo 1.6.7 En un pequeño pueblo se dispone de un carro de bomberos y una

ambulancia para casos de emergencia. La probabilidad de que el primero este
disponible cuando se le necesita es de 0.98, y la probabilidad de que la ambulan-
cia este disponible cuando se le llama es de 0.92. En el caso de que resulte un
herido al quemarse un edificio, determinar la probabilidad de que tanto el carro de
bomberos como la ambulancia estén disponibles.
1.7 Ejercicios III

1. La sede central de un almacén de cadena abastece los condimentos que vende
de dos marcas diferentes. El almacén realizan las compras directamente con
la empresa productora, y sabe que la probabilidad de que el pedido le llegue
a tiempo es de 0.8 si es de la marca A y de 0.95 en la marca B. Si la empresa
realiza un pedido simultáneamente a las dos marcas, determine:
(a) Los dos pedidos lleguen a tiempo.
(b) Al menos uno de los pedidos llegue a tiempo.
(c) Al menos uno de los pedidos no llegue a tiempo.
(d) Si el pedido de la empresa A llegó a tiempo, determine la probabilidad
de que también lo haga el pedido de la empresa B.
2. Se trae del exterior una caja con 12 microcomponentes para reparar unas
máquinas en una empresa. El fabricante, informa que por error se empacaron
4 defectuosas. Cuando llega la caja, el ingeniero electrónico que va a hacer la
reparación, la abre y extrae una muestra de 3 microcomponentes al azar, uno
seguido del otro. Calcular las siguientes probabilidades:
(a) Los tres microcomponentes sean defectuosos.
(b) Los tres microcomponentes no sean defectuosos.
(c) Dos sean defectuosos y el otro no defectuoso
(d) Uno defectuoso y los otros dos no defectuosos.
(e) Exactamente uno sea defectuoso.
(f) Al menos uno sea defectuoso.
(g) Al menos uno sea no defectuoso.
(h) El importador devolverá el pedido si algunas de las probabilidades ante-
riores es menor que 30%. Concluir si rechaza o no el pedido.
3. Andrés, Daniel y Juan juegan tiro al blanco. Andrés es el mejor de ellos,
pues su probabilidad de acertar el blanco es de 0.8, mientras que la de Daniel
es de 0.6 y la de Juan es de 0.3. El hecho de que alguno de ellos acierte es
independiente de que cualquiera de los otros lo haga o no. Si todos lanzan al
blanco, calcule la probabilidad de que:
(a) Todos acierten.

(b) Andrés acierte y los demás no.
(c) Juan acierte y los demás no.
(d) Al menos uno acierte.
4. La siguiente tabla muestra las frecuencias de 1000 admitidos en una universi-

dad, clasificadas de acuerdo al resultado del examen de admisión y el programa
al que fue admitido.
PROGRAMA ADMITIDO
Puntaje Arquitectura (A) Odontología(O) Negocios (N) Total
Básico(B) 45 15 95 155
Bueno(M) 120 105 300 525
Muy Bueno (H) 35 180 105 320
Total 200 300 500 1000
Con base en la anterior tabla, defina cada uno de los eventos que aparecen de
manera explícita en ella con su respectiva notación, y posteriormente, calcule
la probabilidad de que una aspirante, elegido al azar:
(a) Obtenga un puntaje básico.

(b) Haya sido admitido a odontología
(c) Obtenga una calificación muy buena y haya sido admitido a negocios.
(d) Que su puntaje sea bueno o que haya sido admitido a arquitectura.
(e) Si obtuvo un puntaje básico, que haya sido admitido a odontología.
(f) Que haya obtenido una calificación muy buena dado que fue admitido a
negocios.
5. Una empresa que requiere cierto personal para llenar una vacante ha recibido
20 hojas de vidas de profesionales con los siguientes títulos, ingeniero: Indus-
trial 6, dos mujeres, de sistemas 7, tres mujeres, electrónicos 4, tres mujeres,
telecomunicaciones 3, dos mujeres. Como todos cumplen con las especifi-
caciones para el cargo, el administrador decide elegir al aspirantes al azar,
determine la probabilidad de que el puesto le sea asignado a:
(a) Una mujer.

(b) Un Ingeniero de sistemas.
(c) Una mujer o un hombre.
(d) Una mujer Ingeniera Industrial.
(e) Si la persona seleccionada resulto ser hombre, determine la probabilidad
de que se Ingeniero de telecomunicaciones.
(f) Si la persona seleccionada resulto ser un ingeniero de telecomunicaciones,
determine la probabilidad de que sea hombre.
(g) De que sea Ingeniero electrónico y mujer.
6. Un bus que sale de Bogotá hacia Medellín pasando por Puerto Triunfo. La
probabilidad de llegar a tiempo a Puerto Triunfo es de 0.85 y la probabil-
idad de llegar tarde a Puerto triunfo pero a tiempo a Medellín es de 0.15.
Suponiendo que el tren llegó tarde a Puerto Triunfo, Cuál es la probabilidad
de que, a pesar del retraso, llegue a tiempo a Medellín?
1.8. TEOREMA DE BAYES 29
7. Datos históricos de una localidad permitió observar y encontrar que por cada
50.000 niñas que alcanzaban la edad de 8 años, 32.543 en promedio, llegaban
a los 45 años y 19.586, alcanzaba la edad de 65 años.
(a) Defina los sucesos o eventos del problema.

(b) Establezca los valores de probabilidad de los eventos definidos en el ítem
anterior
(c) ¿Qué probabilidad de llegar a los 65 años tiene una niña que ya ha
cumplido 45 años?
8. Se le pregunta a un grupo de personas sobre que les gusta más, el Facebook

o el whatsApp. Se encontró que 47 les gusta el Facebook y 92 el whatsApp,
en tanto que 32 les gusta los dos medios de difusión, pero a 13 no les gusta
ninguno de los dos medios. Se elige al azar una de esas personas, se pide
calcular ¿Cuál es la probabilidad de que:
(a) No le guste el Facebook.

(b) No le guste el whatsApp y le guste Facebook.
(c) Le guste el whatsApp o el Facebook.
(d) Le guste el whatsApp, sabiendo que le gusta el Facebook.
(e) ¿Son los eventos gustarle elwhatsApp y gustarle el Facebook eventos
independientes?
1.8 Teorema de Bayes

Teorema 1.14 (Teorema de la probabilidad Total) Si los eventos B1 , B2 , · · · , Bk
constituyen una partición del espacio muestral S, de tal forma que P (Bi ) ̸= 0 para
i = 1, 2, · · · , k, entonces para cualquier evento A de S, se cumple:
∑
k ∑
k
P (A) = P (Bi ∩ A) = P (Bi )P (A/Bi )
i=1 i=1
Ejemplo 1.8.1 Los clientes de cierta empresa acostumbran evaluar en forma pre-
liminar el diseño de los productos. En el pasado, 9.5% de los productos de gran éxito
recibieron crítica favorables, 60% de los productos con un éxito moderado recibieron
crítica favorables y 10% de los productos sin mucho éxito recibieron críticas favor-
ables. Además, 40% de los productos han sido de gran éxito, 35% han sido de éxito
moderado y 25% han sido productos sin mucho éxito. Determine la probabilidad de
que un diseño nuevo obtenga una crítica favorable?
Solución 11 Empecemos por definir los eventos involucrados en el problema.

B1 : Productos de gran éxitos
B2 : Productos de éxito moderado
B3 : Productos sin mucho éxito
D: Productos que reciben crítica favorable
Ahora bien, de acuerdo con el enunciado, las probabilidades condicionales están

dadas por:
P (D/B1 ) = 0.095; Probabilidad de que un producto reciba crítica favorable dado que
tuvo gran éxito.
tuvo éxito moderado.
no tuvo mucho éxito.
Y las probabilidades marginales son:
P (B1 ) = 0.4: Probabilidad de que un productos tenga gran éxitos.
P (B2 ) = 0.35: Probabilidad de que un productos tenga éxito moderado.
P (B3 ) = 0.25: Probabilidad de que un productos tenga sin mucho éxito
Ahora bien, para hallar la probabilidad de que un diseño nuevo tenga critica favor-
able, se aplicará el teorema de la probabilidad total 1.14, toda vez que los eventos
Bi con i = 1, 2, 3 constituyen una partición para el espacio de los productod de la
empresa; luego, se tiene que:
∑
3
P (D) = P (Bi )P (D/Bi ) = 0.4 × 0.095 + 0.35 × 0.6 + 0.25 × 0.1 = 0.273
i=1
R/ La probabilidad de que un producto nuevo tenga una crítica favorable es de

0.273.
Teorema 1.15 (Teorema de Bayes)

Si los eventos B1 , B2 , · · · , Bk constituyen una partición del espacio muestral S,
donde P (Bi ) ̸= 0 para i = 1, 2, 3, · · · , k, entonces para cualquier evento A en S tal
que P (A) ̸= 0 se tiene:
P (Br )P (A/Br ) P (Br )P (A/Br )

P (Br /A) = ∑k =
i=1 P (Bi )P (A/Bi ) P (A)
Ejemplo 1.8.2 Los clientes de cierta empresa acostumbran evaluar en forma pre-
liminar el diseño de los productos. En el pasado, 9.5% de los productos de gran
éxito recibieron crítica favorables, 60% de los productos con un éxito moderado reci-
bieron crítica favorables y 10% de los productos sin mucho éxito recibieron críticas
favorables. Además, 40% de los productos han sido de gran éxito, 35% han sido de
éxito moderado y 25% han sido productos sin mucho éxito.
1. Si un diseño nuevo obtiene una crítica favorable, ¿cuál es la probabilidad de

que será un producto de gran éxito?
2. Si un producto no consigue una crítica favorable, ¿cuál es la probabilidad de

que será un producto de gran éxito?
Ejemplo 1.8.3 Una empresa de galletas compra un ingrediente de su materia

prima a tres proveedores, el 30% lo compra al proveedor A1 ; el 20% al provee-
dor A2 ; y el restante 50% al proveedor A3 . La empresa tiene datos históricos de los
tres proveedores, toda vez que lleva con ellos más de 10 años de relaciones y sabe
que el 3% del ingrediente de proveedor A1 , no cumple con las normas de la calidad
de la empresa, el 5% del ingrediente de proveedor A2 , no cumple con las normas de
1.8. TEOREMA DE BAYES 31
la calidad de la empresa y el 4% del ingrediente de proveedor A3 , no cumple con las

normas de la calidad de la empresa.
Durante el almacenamiento de la materia prima no se revisa, ni se identificó el

nombre del proveedor. Al momento de la producción se selecciona uno de los ingre-
dientes y se encuentra de mala calidad. ¿cuál es la probabilidad de que provenga del
proveedor A2 ?
Solución 12 Se tiene que los eventos para el problema están dados por:
Evento A1 : el ingrediente de la materia prima se compró al proveedor A1 .
Evento B: el ingrediente de la materia prima comprada se encuentra de mala
calidad.
Las probabilidades a priori están dadas por:

P (A1 ) = 0.30. La probabilidad de haber comprado el ingrediente de la materia
prima al proveedor A1 .


Las probabilidades condicionales están dadas por:

P (B/A1 ) = 0.0.3 La probabilidad de que el ingrediente del proveedor A1 , no
cumple con las normas de la calidad de la empresa.
P (B/A2 ) = 0.05 La probabilidad de que el ingrediente del proveedor A2 , no cumple

con las normas de la calidad de la empresa.
P (B/A3 ) = 0.04 La probabilidad de que el ingrediente de proveedor A3 , no cumple

con las normas de la calidad de la empresa.
Se pide hallar: P (A2 /B) =?, probabilidad de que el ingrediente provenga del provee-
dor A2 , dado que es de mala calidad.
Entonces por el Teorema de Bayes (T. 1.15) se tiene:
P (A2 )P (B/A2 )
P (A2 /B) = ∑
( i = 1)k P (A2 )P (B/A2 )
Sustituyendo se tiene:
(0.20) × (0.05) 0.010

P (A2 /B) = = = 0.2564
(0.30) × (0.03) + (0.20) × (0.05) + (0.50) × (0.04) 0.039
Si el ingrediente se encuentra de mala calidad hay una probabilidad de 25.64% de

que provenga del proveedor A2 .
El desarrollo anterior se puede presentar o trabajar de manera resumida con el

denominado resumen tabular del Teorema de Bayes. Esta tabla permite presentar
de manera resumida las llamadas probabilidades previas (probabilidades iniciales,
condicionales y conjuntas) y observar cómo se han comportado estas en relación a

las probabilidades posteriores, una vez aplicado el Teorema de Bayes. (Dejo a su
criterio cambiar, ajustar o modificar esta introducción, así como su pertinencia y
relevancia en esta sección).
Ai P (Ai ) P (B/Ai ) P (Ai ∩ B) P (Ai /B)

0.039 ≈ 0.23077
0.009
A1 0.30 0.03 0.009
0.039 ≈ 0.25641
0.01
A2 0.20 0.05 0.01
0.039 ≈ 0.511283
0.02
A3 0.50 0.04 0.02
Total 1.00 0.039 1.0000
Ejemplo 1.8.4 Tres máquinas, A, B y C, producen el 45%, 30% y 25%, respec-

tivamente, del total de las piezas producidas en una fábrica. Los porcentajes de
producción defectuosa de estas máquinas son del 3%, 4% y 5%. Si se selecciona
una pieza al azar, determine las siguientes probabilidades:
1. De que sea defectuosa.
2. Si la pieza resulta ser defectuosa; calcula la probabilidad de haber sido pro-

ducida por la máquina B.
3. ¿Qué máquina tiene la mayor probabilidad de haber producido la citada pieza

defectuosa?
1.9 Ejercicios Propuestos

1. Una urna contiene balotas marcadas con los números de dos cifras que se
pueden formar con los dígitos 2,3 y 4. Si se extrae una balota al azar de esta
urna, determine la probabilidad de que este marcada con un número par.
2. Si el conjunto A = {x/x2 − 3x = 10}, y el conjunto B = {x/2x − 10 = 0},

hallar:
(a) A ∪ B
(b) A ∩ B
3. Si se lanzan dos dados no cargados al aire, determine la probabilidad de que

la suma de los resultados sea mayor que 8
4.
5. ¿Cuántas selecciones de 3 monedas puedes hacer con una pieza de 5 centavos,

una de 10, una de 20, una de 40 y una de peso?, ¿Cuál es la probabilidad de
que la selección sume un número impar?
6. Un joven recién graduado de un bachillerato técnico bilingüe ha enviado su

hoja de vida a dos empresas que han abierto una vacante cada una, a la
empresa A llegaron 35 hojas de vida de las cuales 28 eran de personas que
acreditaban manejar una segunda lengua y a la empresa B enviaron 68 hojas
de vida, de las cuales 5 acreditaban tener un bachillerato técnico. Si ambas
empresas le programaron la entrevista a la misma hora, y para la empresa A
es importante que el candidato sea bilingüe y para la empresa A prima que el
candidato tenga el título de técnico, a cuál entrevista deberá asistir el joven,
explique su respuesta.
1.9. EJERCICIOS PROPUESTOS 33
7. En una población, la probabilidad de que un individuo, elegido aleatoriamente,

se exponga a determinado alérgeno y tenga una reacción frente al mismo es de
0.60. La probabilidad de que un individuo expuesto al alérgeno experimente
una reacción alérgica es de 0.8. Si un individuo es elegido aleatoriamente de
esta población, ¿Cuál es la probabilidad de que se exponga al alérgeno?
8. Para viajar de la ciudad A a la ciudad B hay tres rutas diferentes de autobús,

dos de tren y dos de avion. ¿De cuántas maneras se puede viajar de A a B
por cualquiera de estos tres medios?
9. Suponga que cierto rasgo oftalmología está asociado con el color de los ojos.
Se estudiaron 300 individuos elegidos aleatoriamente, con los resultados sigu-
ientes:
Color de ojos
Rasgo Azul Café Otro Totales
SI 70 30 20 120
NO 20 110 50 180
Totales 90 140 70 300
Si se selecciona una persona al azar, determine:
(a) la probabilidad de que el color de sus ojos sea azul.

(b) la probabilidad de que el rasgo.
(c) La probabilidad de que el color de los ojos no sea café.
(d) La probabilidad de que tenga ojos color azul y no tenga el rasgo.
(e) La probabilidad de que tenga ojos color azul dado que no tiene el rasgo.
(f) La probabilidad de que tenga el rasgo dado que tiene ojos color café.
(g) La probabilidad de que tenga ojos color azul o café.
(h) La probabilidad de que tenga ojos color azul o tenga el rasgo.
10. Si la probabilidad de que una persona cometa un error al hacer su declaración

de impuestos es de 0.1, encuentre la probabilidad de que:
(a) Cuatro personas totalmente ajenas una de la otra se equivoquen.

(b) El señor Jones y la señora Clark lo hagan y que el señor Roberts y la
señora Willians no.
11. El presidente de una compañía afirma: hay 40% de posibilidades de que la

firma logre utilidades en los próximos seis meses; 30% de que termine sin
pérdidas ni ganancias y un 18% de que pierda dinero durante dicho periodo.
Determine:
(a) La probabilidad de que la firma no pierda dinero durante el próximo

semestre, aplicando teoremas de adición (T1.11).
(b) La probabilidad de que la firma no pierda dinero durante el próximo
semestre, aplicando el teorema del complemento
12. Una empresa textil que diseña y fabrica Jeans, compra el 60% de su materia
prima del tipo A1, el 25% del A2 y el resto lo compra de la calidad A3. Si el
35% de los jeans clásicos que hace la empresa son con la materia prima A1,
25% con la A2 y el 40% con A3. Determine la probabilidad de que en un
almacén, distribuidor exclusivo de esta marca que surte estilos y calidades en
proporción a lo que se produce, se produzca la venta de un Jean Clásico, si el
comprador que llega lo quiere clásico y de calidad A1.
13. Los miembros de una firma de consultoría rentan automóviles en tres agencias:
60% de la agencia 1, 30% de la agencia 2 y 10% de la agencia 3. Si 9% de
los vehículos de la agencia 1 necesitan afinación, 20% de la de las unidades
de la agencia 2 también la necesitan y de igual manera 6% de los autos de la
agencia tres también la necesitan. ¿cuál es la probabilidad de que un automóvil
rentado a la firma necesitará afinación?
14. El destino aéreo Medellín - Bogotá es realizado por las aerolíneas, Vuela Vuela,
Lenk y Aires. La probabilidad de que Vuela Vuela retrase sus vuelos es de
0.05 y la probabilidad de que lo haga Aires es de 0.09, además la probabilidad
de que tanto Vuela Vuela como Lenk retrasen su vuelo es de 0.02, entonces,
(a) Encuentre la probabilidad de que Lenk retrase su vuelo.

(b) Determine la probabilidad de que Vuela Vuela o Lenk retrasen su vuelo.
(c) Si la probabilidad de que Lenk retrase su vuelo sabiendo que Aires retraso
el suyo es de 0.4, encuentre la probabilidad de que Aires y Lenk retrasen
su vuelo.
(d) Determine la probabilidad de que Vuela vuela retrase su vuelo sabiendo
que Lenk retraso el suyo.
15. La probabilidad de que un vuelo programado salga a tiempo es 0.83; la prob-

abilidad de que llegue a tiempo es 0.82, y la probabilidad que salga y llegue a
tiempo es 0.78. Encuentre la probabilidad de que:
(a) un avión llegue a tiempo, dado que salió a tiempo.

(b) Un avión salió temprano, dado que llego a tiempo.
(c) De que un avión o salga a tiempo o llegue a tiempo
(d) De siete aviones que salen del aeropuerto, por lo menos cuatro salen a
tiempo o llegan a tiempo si las salidas y llegadas de dos aviones diferentes
son independientes.
16. La probabilidad de que un hombre viva 10 años más es de 41 , y la probabilidad

de que su esposa viva 10 años más es de 13 . Encontrar la probabilidad de que:
(a) Ambos estén vivos dentro de 10 años.

(b) Por los menos, uno esté vivo dentro de 10 años.
(c) Ninguno este vivo dentro de 10 años.
(d) Solamente la esposa esté viva dentro de 10 años.
17. En los últimos años, las compañías de tarjetas de crédito han hecho un gran
esfuerzo por lograr nuevas cuentas entre estudiantes universitarios. Suponga
que en una muestra de 200 estudiantes en su universidad indicó la siguiente
información acerca de sí el estudiante poseía una tarjeta de crédito bancario
y/o una tarjeta de crédito para viajes.
T.C. T.C. para V.
Bancario SI NO
SI 60 60
NO 15 65
(a) Suponga que se sabe que el estudiante tiene una tarjeta de crédito ban-
cario. ¿Cuál es la probabilidad que tenga también una tarjeta de crédito
para viaje?
(b) ¿Cuál es la probabilidad que un estudiante tenga exactamente una de las

dos tarjetas de crédito?
(c) ¿Cuál es la probabilidad que un estudiante tenga exactamente una de las
(d) ¿Cuál es la probabilidad que un estudiante tenga al menos una de las
18. El archivo de una aerolinea indica que 2 de cad 10 pilotos superan las 20 mil
horas de vuelo. De otro lado, un estudio de accidentes aéreos de la compañía
reporta que ninguno de los pilotos siniestrados sobreviven y que 1 de cada
100 pilotos con 20 mil horas o menos se accidente. La compañía ha decidido
jubilar a los pilotos con no más de 20 mil horas de vuelo. Se selecciona al azar
un piloto que registra 19980 horas de vuelo, cual es la probabilidad que pueda
jubilarse?
19. La oficina de ceso proporciona datos sobre el número de adultos jóvenes, entre
18 y 24 años que viven en la casa de sus padres. Si se seleccionan al azar un
adulto joven hombre y un adulto joven mujer se tiene que la probabilidad de
que la mujer viva con sus padres es de 0.56 y la de que el hombre es de 0.42,
además la probabilidad de que ambos vivan con sus padres es de 0.24.
(a) ¿Cuál es la probabilidad de que por lo menos uno de los dos adultos
jóvenes seleccionados viva en casa de sus padres?
(b) ¿Cuál es la probabilidad de que ambos adultos jóvenes vivan solos?
(c) ¿Cuál es la probabilidad de que cuando más uno de los dos adultos jóvenes
seleccionados viva solo?
20. Un baúl I contiene 6 fichas rojas y 4 fichas azules. Cinco de estas fichas son
seleccionadas al azar y puestas en un baúl II, el cual estaba originalmente
vacío. Una ficha es entonces tomada al azar del baúl II. Dado que esta es
azul, hallar la probabilidad condicional de que 2 fichas rojas y 3 azules sean
transferidas del baúl I al baúl II.
21. Un dado no cargado es lanzado varias veces de manera independiente hasta
que el primer 6 aparezca. Si el lanzamiento para en un número impar de veces,
Pedro gana, de otra manera Juan gana. Hallar la probabilidad de que Pedro
gane.
22. Una empresa textil realiza el proceso de tejido y teñido de sus telas, la prob-
abilidad de un rollo de tela tenga defectos de tejido es de 0.15 y de que tenga
defectos de teñido es de 0.20, adicionalmente la probabilidad de que un rollo
presente los dos tipos de defectos es de 0.05, Determine:
(a) La probabilidad de que un cliente que compro un rollo de tela de esta
empresa le llegue con al menos uno de los defectos de producción.
(b) La probabilidad de que sólo tenga un defecto de producción.
(c) Si un cliente compra tres rollos de tela de esta empresa, determine la
probabilidad de que ninguno de los rollos tenga defectos de producción.
23. El departamento de relaciones laborales de una empresa, abre una convoca-
toria para vincular un empleado para su dependencia de producción. Las
hojas de vida que reciben con frecuencia le llegan por tres fuentes diferentes,
el 45% son de la agencia de empleo A, el 35% de la agencia de empleo B, y
las restantes le llegan de forma directa. Con frecuencia el 60% de las hojas de
vida que llegan de la agencia A, satisfacen las especificaciones para el cargo
propuesto, el 25% de los de la agencia B, y un 90% de los que llegan de manera

directa, entonces:
(a) Encuentre la probabilidad de que una hoja de vida seleccionada al azar
cumpla con las especificaciones para el cargo.
(b) Determine la probabilidad de que al extraer al azar una hoja de vida que
llegó a la empresa, esta sea enviada por la agencia A, si sabemos que
cumple con las especificaciones.
(c) Si por la premura que tiene la empresa del cargo, no disponen de tiempo
para revisar todas las hojas de vida, a qué procedencia le debería dar
prioridad para revisar primero.
24. La probabilidad de que un vuelo programado salga a tiempo es 0.83; la prob-
abilidad de que llegue a tiempo es 0.82, y la probabilidad que salga y llegue a
tiempo es 0.78. Encuentre la probabilidad de que:
(a) un avión llegue a tiempo, dado que salió a tiempo.
(b) Un avión salió temprano, dado que llego a tiempo.
(c) De que un avión o salga a tiempo o llegue a tiempo
(d) De siete aviones que salen del aeropuerto, por lo menos cuatro salen a
tiempo o llegan a tiempo si las salidas y llegadas de dos aviones diferentes
son independientes.
25. Un tren sale de Bogotá hacia Medellín pasando por Puerto Berrio. La prob-
abilidad de llegar a tiempo a Puerto Berrio es de 0.80 y la probabilidad de
llegar tarde a Puerto Berrio pero a tiempo a Medellín es de 0.10. Suponiendo
que el tren llegó tarde a Puerto Berrio, ¿Cuál es la probabilidad de que, a
pesar del retraso, llegue a tiempo a Medellín?
26. Una empresa textil realiza el proceso de tejido y teñido de sus telas, la prob-
abilidad de un rollo de tela tenga defectos de tejido es de 0.15 y de que tenga
defectos de teñido es de 0.20, adicionalmente la probabilidad de que un rollo
presente los dos tipos de defectos es de 0.05, Determine:
(a) La probabilidad de que un cliente que compro un rollo de tela de esta
empresa le llegue con al menos uno de los defectos de producción.
(b) La probabilidad de que sólo tenga un defecto de producción.
(c) Si un cliente compra tres rollos de tela de esta empresa, determine la
probabilidad de que ninguno de los rollos tenga defectos de producción.
27. En un pequeño pueblo se dispone de un carro de bomberos y una ambulancia
para casos de emergencia. La probabilidad de que el primero este disponible
cuando se le necesita es de 0.98, y la probabilidad de que la ambulancia este
disponible cuando se le llama es de 0.92. En el caso de que resulte un herido
al quemarse un edificio, determinar la probabilidad de que tanto el carro de
bomberos como la ambulancia estén disponibles.
28. Se hizo un estudio en una ciudad sobre la relación entre el consumo de bebidas
azucaradas con el diagnóstico de cáncer de estómago. El 50% de las personas
afirmó ser alto consumidor de bebidas azucaradas, el 30% ser un consumidor
moderado y el 20% afirmó tener un bajo consumo de bebidas azucaradas. El
40% de las personas fue diagnosticada con cáncer de estómago. El 75% de
los altos consumidores de bebidas azucaradas fue diagnosticado con cáncer de
estómago, en tanto que el 15% de los que tienen un consumo moderado fue
diagnosticado con cáncer.
(a) £Se puede decir que la presencia de cáncer de estómago es independiente

del alto consumo de bebidas azucaradas? Justifique.
(b) Encuentre la probabilidad de que una persona sea diagnosticada con
cáncer y sea un alto consumidor de bebidas azucaradas.
(c) Encuentre la probabilidad de que una persona no sea diagnosticada con
cáncer dado es un alto consumidor de bebidas azucaradas.
(d) Encuentre la probabilidad de que una persona sea un alto consumidor
de bebidas azucaradas dado que no está diagnosticado con cáncer.
29. Tres máquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del
total de las piezas producidas en una fábrica. Los porcentajes de producción
defectuosa de estas máquinas son del 3%, 4% y 5%. Si se selecciona una pieza
al azar, determine las siguientes probabilidades:
(a) De que sea defectuosa.
(b) Si la pieza resulta ser defectuosa; calcula la probabilidad de haber sido
producida por la máquina B.
(c) ¿Qué máquina tiene la mayor probabilidad de haber producido la citada
pieza defectuosa?
30. La oficina de censo proporciona datos sobre el número de adultos jóvenes,
entre 18 y 24 años que viven en la casa de sus padres. Si se seleccionan al azar
un adulto joven hombre y un adulto joven mujer se tiene que la probabilidad
de que la mujer viva con sus padres es de 0.56 y la de que el hombre es de
0.42, además la probabilidad de que ambos vivan con sus padres es de 0.24.
(a) ¿Cuál es la probabilidad de que por lo menos uno de los dos adultos
jóvenes seleccionados viva en casa de sus padres?
(b) ¿Cuál es la probabilidad de que ambos adultos jóvenes vivan solos?
(c) ¿Cuál es la probabilidad de que cuando más uno de los dos adultos jóvenes
seleccionados viva solo?
31. Se inyecta una droga tóxica a 5 conejos. Se sabe que la droga es mortífera
en un 70% de los casos. ¿Cuál es la probabilidad de que mueran 3 de los 5
conejos?
32. En una cierta región del país se sabe por experiencia pasada que la proba-
bilidad de seleccionar a un adulto mayor de 40 años de edad con cáncer es
de 0.02. Si la probabilidad de que un médico le diagnostique correctamente
a una persona con cáncer que tiene la enfermedad es de 0.78 y la de que
se equivoque, de 0.06, £cuál es la probabilidad de que a una persona se le
diagnostique cáncer?
33. Una empresa industrial grande utiliza 3 hoteles locales para proporcionar alo-
jamiento a sus clientes durante la noche. De pasadas experiencias se sabe que
al 20% de ellos se les signa habitación en el Ramada Inn, al 50% en el Sher-
aton y al 30% en el Lakeview Motor Lodge. Si existe una falla en el servicio
de plomería en el 5% de los cuartos del Ramada Imm, 4% de los cuartos del
Sheraton y 8% de los cuarto del Lekaview,
(a) ¿Cuál es la probabilidad de que a un cliente se le asigne un cuarto con
problemas de plomería?
(b) ¿Cuál es la probabilidad de que a una persona con un cuarto que tenga
problemas de plomería se la asigne acomodo en el Lakeview?
34. Una institución de educación superior ofrece cinco programas de pregrado,

ingeniería de sistemas, ingeniería ambiental, química, física y matemáticas, el
40% de los estudiantes de pregrado se encuentran matriculados en sistemas,
el 30 % en ambiental, un 15% en química y un 10% en física y el resto en
matemáticas. Se sabe además que el 35% de los estudiantes de sistemas tienen
el hábito de visitar la biblioteca con frecuencia, un 40% de los de ambiental,
un 50% de los químicos, un 80% de los físicos y un 90% de los matemáticos
también tiene este habito. Si selecciona una estudiante al azar del pregrado
de esta institución, determine:
(a) La probabilidad de que este estudiante no tenga el hábito de visitar la

biblioteca.
(b) La probabilidad de que este estudiante sea de sistemas dado que tiene el
habito de visitar la biblioteca.
CHAPTER 2
Distribuciones de Probabilidad
En el primer capítulo se estudiaron las distribuciones de frecuencias de un conjunto

de datos cuantitativos, estas distribuciones de frecuencia permitían construir los
histogramas de frecuencias de los mismos datos y a través de ellos hacerse a una
idea de distribución global que podría tener una población. Esas primeras ideas
funcionales que se examinaron allí, serán formalizadas en este capítulo,
2.1 Variables aleatorias

Definido ya el concepto de experimento aleatorio, se puede entender una variable
aleatoria como un medio de describir los resultados experimentales con valores
numéricos.
Definición 2.1.1 Una variable aleatorio es una función que asigna un número real
a cada resultado del espacio muestral de un experimento aleatorio
Las variables aleatorias (en adelante v.a) se denotan por letras latinas mayús-
culas. Una vez que se ha llevado a cabo el experimento, el valor medido de la v.a
se representa por una letra latina minúscula.
Ejemplo 2.1.1 En un proceso de fabricación de semiconductores se prueban dos

obleas de un lote, cada oblea se clasifica como si pasa o falla. Suponga que la
probabilidad de que una oblea pase la prueba es de 0.8 y que el hecho de que una
oblea pase no afecta el que las demás obleas pasen o no.
1. Escribir el espacio muestral para el experimento.

Solución
En este caso puede suceder que ambas obleas pasen, o que una de ellas pase,
o que ninguna pase, por lo tanto, el espacio muestral estará dado por: S =
{P P, P N, N P, N N }, donde P significa que la oblea pasa, y N significa que la
oblea no pasa.
2. Defina la v.a X como el número de obleas que pasan, y determine los valores
que puede asumir X.
Solución
40 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
X : Número de obleas que pasan.
R
2
1
0
X
S
NN
NP
PN
PP
3. Construya una tabla con los resultados del experimento los valores de la v.a
X asociados con ella y la probabilidad de cada valor de X y de cada elemento
del espacio muestral.
Solución
Resultado x Probabilidad
PP 2 0.64
PN 1 0.16
NP 1 0.16
NN 0 0.04
Definición 2.1.2 (Espacio Muestral Discreto) Si un espacio muestral con-

tinene un número finito de elementos, o está constituido por una secuencia infintia
con tantos elementos como números naturales existen, se llama espacio muestral
discreto.
Note que el espacio muestral del ejemplo 2.1.1 es un espacio muestral discreto.
Definición 2.1.3 (Espacio Muestral Continuo) Si un espacio muestral con-

tiene un número infinito de posibilidades igual al número de puntos en un segmento
de recta, es llamado un espacio muestral continuo.
Suponiendo que la distancia se mide con cierto grado de exactitud, claramente

se tiene un número infinito de posibles distancias es un espacio muestral que no
puede igualarse con el conjunto de los números naturales.
Con base en las definiciones de espacio muestral continuo y discretos presentados
anteriormente se puede decir que una variable aleatoria es discreta si esta definida
sobre un espacio muestral discreto, y una v.a es continua cuando se define sobre
un espacio muestral continuo.
2.2 Distribuciones de Probabilidad de v.a Discretas

La distribución de probabilidad de una variable aleatoria X es una descripción de
las probabilidades asociadas a los posibles valores de la variable.
2.2. DISTRIBUCIONES DE PROBABILIDAD DE V.A DISCRETAS 41
Definición 2.2.1 Distribución de probabilidad Si X es una variable aleatoria

discreta, y f (x) = P [X = x], para cada valor x que puede tomar la v.a X. El
conjunto de pares ordenados(x, f (x)) es una función de distribución de probabilidad
( f.d.p) de la v.a discreta X sii, para cada resultado posible x,
1. f (x) ≥ 0
∑
2. f (x) = 1
3. P (X = x) = f (x)
Observe que la distribución de probabilidad de una v.a discreta puede visualizarse
en una tabla, una gráfica, una formula u otro sistema utilizado para especificar
todos los valores posibles de la variable junto con sus respectivas probabilidades.
Ejemplo 2.2.1 El encargado de un almacén le devuelve tres cascos de seguridad,

seleccionados aleatoriamente a tres obreros del taller quienes ya se los habían probado
previamente. Suponiendo que el orden de los obreros, Pérez, Alban y Mesa, es el cor-
recto para recibir sus cascos originales, liste los puntos muestrales para los posibles
ordenes en qué los tres obreros reciben un casos y construya la tabla de distribución
para la variable X que representa el número de asociaciones correctas.
Solución 13 La siguiente tabla presenta las posibles combinaciones que se pueden

obtener con los cascos, donde P es Pérez, A es Alban y M es Mesa.
P A M
V V V
V F F
F F V
F V F
F F F
Luego el espacio muestral para los casos es:
S = {V V V, V F F, F F V, F V F, F F F }
Sea X : número de casos correctos.

Luego x = 3, 1, 1, 1, 0, por lo tanto:
f (0) = P (X = 0) = 15 ; f (1) = P (X = 1) = 35 ; f (3) = P (X = 3) = 15 ;
x f(x)
1
0 5
3
1 5
1
3 5
Observe que la suma de las probabilidades en el ejemplo anterior es igual a 1.
Teorema 2.1 Una función puede fungir como la función de densidad de probabil-
idad de una v.a discreta X sii sus valores, f (x), cumplen las condiciones:
1. f (x) ≥ 0 para ∀x ∈ Dom(X)
∑
2. x f (x) = 1
Ejemplo 2.2.2 En el ejemplo 2.2.1, podríamos estar interesados en encontrar dos

o más cascos correctos. Esto se puede expresar como P (X ≤ 2). El evento de que
X ≤ 2 se tiene cuando:
x = 2 o x = 1 o x = o, y como los eventos son excluyentes (disyuntos), se tiene:
P (X ≤ 3) = P (x = 2) + P (x = 1) + P (x = 0)
3 1
= 0+ +
5 5
4
=
5
El ejemplo 2.2.2 muestra que en ocasiones resulta conveniente poder expresar
probabilidades acumuladas tales como P [X ≤ x] en términos de una formula y
que una formula de las probabilidades acumuladas puede usarse para encontrar la
función de masa de probabilidad de una variable aleatoria.
Hay muchos problemas en los que nos interesa conocer la probabilidad de que el
valor de una variable aleatoria sea menor o igual a algún número real x. Por tanto,
escribiremos la probabilidad e que X tome un valor menor que o igual a x como
F (x) = P [X ≤ x] y la denominaremos a esta función definida para todos los n‘mero
reales x como la función de distribución o distribución acumulada de la variable
aleatoria X.
Definición 2.2.2 Distribución Acumulada La función de distribución acumu-

lada de una variable aleatoria discreta X, denotada como F (x) esta dada por:
∑
F (x) = P [X ≤ x] = f (t) −∞<x<∞
t≤x
donde f (t) es el valor de la función de distribución de probabilidad de X evaluada

en t, y F (x) que satisface:
1. 0 ≤ F (x) ≤ 1
2. Si x < y entonces F (x) ≤ F (y)
Con base en los postulados de probabilidad y algunas de sus consecuencias in-
mediatas se deduce que:
Teorema 2.2 Los valores F (x) de la función de distribución de una variable aleato-
ria discreta X cumplen las condiciones:
1. F (−∞) = 0
2. F (∞) = 1
3. Si a < b, entonces F (a) ≤ F (b) para dos reales cualquiera.
Ejemplo 2.2.3 Encuentre los valores para la función de distribución acumulada

para los datos del ejemplo 2.2.1
2.2.1 Valor esperado y Varianza de una v.a Discreta

Uno de las ideas más importante sobre el resumen de la información suministrada
en una f.d.p. es el valor esperado.
Definición 2.2.3 Valor Esperado de una v.a Discreta Dada una v.a discreta
X con f.d.p. f (x) el valor esperado de la variable aleatoria X, denotada por E[X],
está dada por: ∑
E[X] = x · f (x)
x
Es importante tener presente que el valor esperado de la v.a X es el promedio

µX de la variable aleatoria X (E[X] = µX ). Adicionalmente la varianza de la v.a
X se define como
2
V ar[X] = σX = E[(X − µ)2 ] = E[X 2 ] − µ2
Ejemplo 2.2.4 En el ejemplo se tiene además:
1 3 1 6
µX = E[X] = 0 × +1× +3× =
5 5 5 5
( ) ( )2
1 3 1 6 24
2
σX = E[(X − µ) ] = E[X ] − µ =
2 2 2
0 × + 12 × + 32 ×
2
− =
5 5 5 5 25
Ejemplo 2.2.5 Un experimento aleatorio está definido por el lanzamiento de dos

dados normales una sola vez. Sea X la variable aleatoria discreta que representa la
suma de las caras.
1. Determine el espacio muestral. Solución:
S = {(1, 1), (1, 2), · · · , (1, 6), · · · , (6, 1), (6, 2), · · · , (6, 6)}
Nota: hay 36 posibles resultados
2. Construya la tabla de distribución de probabilidades para X.

Solución:
x 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P (x) 36 36 36 36 36 36 36 36 36 36 36
3. ¿Cuál es la probabilidad de obtener una suma igual a 7?

6
Solución: P (X = 7) = 36 = 0.1666
R/ La probabilidad de obtener un siete al lanzar dos dados no cargados es de
0.166.
4. ¿Cuál es la probabilidad de obtener a lo sumo un 4 en la suma de las dos

caras?
Solución: Tener a lo sumo un cuatro en la suma, es sacar máximo un cuatro,
por lo tanto:
∑
4
P (X ≤ 4) = P (X = i) = P (X = 2) + P (X = 3) + P (X = 4) =
i=2
1 2 3 6
P (X ≤ 4) = + + = = 0.1666
36 36 36 36
R/ La probabilidad de obtener a lo sumo un cuatro en la suma de las dos caras

es de 0.1666.
5. ¿Cuál es la probabilidad de obtener una suma entre 5 y 8, inclusive?

Solución: P (5 ≤ X ≤ 8) = P (X ≤ 8) − P (X ≤ 4) = 26
36 − 6
36 = 20
36 = 0.5555,
donde P (X ≤ 8) = 26
36 , ¿por qué?
R/ La probabilidad de obtener una suma entre 5 y 8, inclusive es de 0.5555
6. ¿Cuál es la suma esperada?

Solución: Por definición se tiene:
( ) ( ) ( )
1 2 1
µ = E(X) = 2× + 3× + · · · + 12 × =7
36 36 36
R/ La suma esperada al lanzar dos dados no cargados es 7.
7. Hallar la varianza de X.
Solución: Por definición se tiene:
( )
1 2 1
V ar(X) = E(X 2 ) − µ2 = 22 × + 32 × + · · · + 122 × − 72
36 36 36
35
V ar(X) = = 5.8333
6
R/ La varianza de la variable X está dada por 5.8333
Ejemplo 2.2.6 Un lote de 500 piezas maquinadas contiene 10 que no cumplen con
los requerimientos del cliente. Sea X la v.a determinada por el número de piezas
en una muestra de cinco que no cumplen con los requerimientos del cliente.
1. Encuentre los valores que puede asumir X
2. Determine la distribución de probabilidad para la variable X
3. Encuentre la distribución de probabilidad acumulada para la variable.
4. Hallar E(x) y V (x)
2.2.2 Distribución Binomial

Definición 2.2.4 Ensayo de Bernoulli Un experimento aleatorio que tiene sólo
dos resultados posibles es llamado ensayo de Bernoulli.
En un ensayo de Bernoulli se suele identificar uno de los resultados como un éxito y a

su opuesto como un fracaso, en este sentido la probabilidad de un éxito es denotado
por π, y en consecuencia la probabilidad del fracaso estará dada por 1 − π.
Definición 2.2.5 Experimento Binomial

Un experimento aleatoria que consta de n-ensayos de Bernoulli repetidos los
cuales satisfacen:
1. Los ensayos de Bernoulli son independientes.
2. Por ser de Bernoulli, cada ensayo produce únicamente dos resultados posibles,
"éxitos" o "fracasos"
3. La probabilidad de un éxito en cada ensayo de Bernoulli, la cual se denotará

por π, permanece constante.
es llamado un experimento binomial.

Definición 2.2.6 Distribución Binomial

Una v.a X definida como el número de ensayos que producen un éxito en n-
ensayos de Bernoulli tiene una distribución binomial con parámetros π y n.
La función de distribución de probabilidad de X está dada por:
f (x) = nCxπ x (1 − π)n−x x = 0, 1, 2, · · · , n

Cuando una v.a discreta tiene una distribución binomial se denota por:
X ∼ B(x, n, π).
Ejemplo 2.2.7 Un examen parcial consta de 10 preguntas de falso y verdadero. Si

un estudiantes no prepara el examen, ¿qué probabilidad tiene de ganarlo?
Solución.
Sea X la variable aleatoria discreta que representa el número de preguntas cor-
rectas, entonces,
X: Número de preguntas correctas en en examen parcial de 10 preguntas
Se sigue que los valores que puede asumir la variable son: x : 0, 1, 2, · · · , 10.
Para el contexto actual, el experimento de Bernulli consiste en contestar al azar

una pregunta de falso y verdadero. Como el estudiante no preparó el examen, se
tiene que la probabilidad de contestar correctamente una pregunta es la misma que
de contestarla incorrectamente, por lo tanto se tiene que la probabilidad de éxito
(contestar bien una pregunta) es de 0.5. Adicionalmente, la respuesta de una pre-
gunta, no afectará la respuesta que se de a otra, por lo que las respuestas a las
preguntas son eventos independientes, y como se tienen 10 preguntas, implica que
tenemos 10 eventos de bernulli, independientes con probabilidad de éxito de 0.5, por
lo tanto se puede afirmar:
π: Probabilidad de contestar bien una pregunta. Luego π = 0.5
y X ∼ Bin(10, 0.5)
Ahora bien, para que el estudiante gane el examen, deberá acertar como mínimo
a seis preguntas.
P (X ≥ 6) = 1 − P (X < 6) = 1 − P (X ≤ 5) = 1 − 0.6230 = 0.3770

donde P (X ≤ 5) = 0.6230, obtenido de la table con n = 10 y π = 0.5, o
determinado en la herramienta R, mediate la instrucción:
>pbinom(5,10,0.5)
Luego, la probabilidad de ganar el examen es de 0.3770

Ejemplo 2.2.8 Cada muestra de aire tienen un 10% de posibilidades de contener

una molécula rara particular. Suponga que las muestras son independientes con
relación a la presencia de la molécula rara. Encuentre la probabilidad de que:
1. en las siguientes 18 muestras de aire, exactamente dos contengan la molécula

rara.
2. al menos cuatro muestras contengan la molécula rara.

Teorema 2.3 Si X es una v.a con una distribución binomial con parámetros π y
n, entonces:
E(X) = nπ; y V (X) = nπ(1 − π)
Ejemplo 2.2.9 Las posibilidades de que un bit transmitido de un canal de trans-

misión digital se reciba con error es de 0.1. Suponga además que los ensayos de
transmisión son independientes.
Sea X la v.a que denota el número de bits con error en los siguientes cuatro bit
transmitidos.
1. Determine los posibles valores que puede asumir la variable.
2. Es el experimento dado binomial, explique.
3. Determina P [X = 2] y P [X ≤ 3].
4. Determine la probabilidad de que cuando más se transmitan dos bits con error.
5. Cuál es la probabilidad de que por lo menos cuatro bits sean transmitidos con
error.
6. Determine el número de bits con error esperados.
7. Encuentre la varianza del número de bits con error.
2.2.3 Distribución de Poisson

El modelo de Poisson sirve para describir una serie de fenómenos cuyos eventos se
presentan como resultado de contar ya sea en el tiempo, el espacio o el volumen.
Definición 2.2.7 Proceso de Poisson

Dado un intervalo de números reales, suponga que ocurren conteos al azar a lo
largo el intervalo. Si puede hacerse la partición del intervalo en subintervalos con
una longitud lo suficientemente pequeña tal que se cumplan los siguientes aspectos:
1. La probabilidad de más de un conteo en un subintervalo muy pequeño es cero.
2. La probabilidad de un conteo en un subintervalo es la misma para todos los

subintervalos y proporcional a la longitud del subintervalo.
3. El conteo en cada suintervalo es independiente de los conteos en los demàs

subintervalos.
Entonces el experimento aleatoria se denomina proceso de Poisson.
Definición 2.2.8 Distribución de Poisson

Si el número promedio de conteos en el intervalo es λ > 0, la v.a discreta X,
que denota el número de conteos en el intervalo, tiene una distribución de poisson
con parámetro λ.
Además la función de distribución de probabilidad de X es:
e−λ λx
f (x) = x = 0, 1, 2, · · ·
x!
Observación 2.2.1 Si X es una variable aleatoria que tiene una distribución pois-
son con parámetro λ, está se denotará de la siguiente manera:
X ∼ P oi(x, λ)
Ejemplo 2.2.10 La contaminación constituye un problema en la fabricación de

discos de almacenamiento óptico. El número de partículas de contaminación que
ocurre en un disco óptico tiene una distribución de poisson y el número promedio
de partículas por centímetro cuadrado de superficie del disco es de 0.1. El área de
un disco bajo estudio es de 100 centímetros cuadrados. Encontrar la probabilidad
de que ocurran 12 partículas en el área del disco bajo estudio; y encuentre además
la probabilidad de que ocurran menos de 12 partículas en el área de estudio.
Solución 14 Sea X: el número de partículas en el área del disco bajo estudio.

Com el número de partículas es de 0.1 por cm2 , y el área del disco es de 100cm2 ,
entonces el número promedio e partículas en el disco es de:
λ = 100cm2 × 0.1part/cm2
λ = 10partculas
Además X ∼ P oi(10); luego:
e−10 1012
P [X = 12] = f (12) = = 9.47×−2
12!
P [X < 12] = P [X ≤ 11] = F (11) = 0.6968 Tomado de la tabla de la Poisson

El siguiente teorema presenta la media y la varianza para una variable aleatoria
poisson.
Teorema 2.4 Si X es una v.a tal que X ∼ P oi(λ), se tiene que su media y su
varianza está dada por:
E(X) = λ (2.1)
V (X) = λ (2.2)
Donde E(X) es la media de la variable y V (X) es su varianza.
Ejemplo 2.2.11 El número de llamadas que entran al conmutador de la U de M

tiene una distribución de Poisson. Si en promedio llegan 3 llamadas en una hora,
resuelva:
1. Defina la variable de estudio y diga cuál es su distribución.
Solución
X: número de llamadas que entran al conmutador de la U de M en una hora.
Promedio=λ = 3 llamadas por hora, luego X ∼ P oi(3)

2. ¿Cuál es la probabilidad de que no llegue ninguna llamada en una hora deter-
minada?
Solución
En este caso el número de llamadas que entran al conmutador en una hora es
cero, por lo tanto:
e−3 × 30
P (X = 0) = f (0) = = 0.0498
0!
R/ Ra probabilidad de que no llegue ninguna llamada en una hora determinada
es de 0.0498.
3. ¿Cuál es la probabilidad de que entren más de 5 llamadas al conmutador en

una hora determinada?
Solución
P (X > 5) = 1 − P (X ≤ 5) = 1 − 0.9161 = 0.0839

Donde P (X ≤ 5) = 0.9161 se puede obtener de la tabla de una distribución
acumulada de la poisson, con media 3, o mediante la utilización del R con la
siguiente instrucción
>ppois(5,3)
R/ Luego la probabilidad de que entren más de 5 llamadas al conmutador en
una hora determinada es de 0.0839.
4. ¿Cuál es la probabilidad de que entren a lo sumo 6 llamadas en una hora y
media?
Solución
A lo sumo 6 llamadas, indica que entren como máximo 6 llamadas, además
cambio el intervalo de tiempo, ahora es de hora y media, por lo que:
Y : número de llamadas que entran al conmutador de la U de M en una hora

y media
Por la proporcionalidad del experimento poisson, se tiene: λY = 1.5×3 = 4.5;

luego de la tabla de distribución de los Poisson con media 4.5, se encuentra:
P (X ≤ 6) = 0.8311
,
También se puede utilizar la instrucción del R dada por:
>ppois(6,4.5)
R/ La probabilidad de que entren a lo sumo 6 llamadas en una hora y media

es de 0.8311.
5. ¿Cuál es número de llamadas esperadas en tres horas?
Solución
Como ahora se tiene un nuevo intervalo de tiempo, se tiene que, la variable
cambia de nuevo.
Z: número de llamadas que entran al conmutador de la U de M en tres horas.
Donde por la proporcionalidad del experimento Poisson λZ = 3 × 3 = 9.

Ahora bien, por Teorema (2.4) se tiene que:
E(Z) = λZ = 9
R/ El número de llamadas esperadas que entren al conmutador en tres horas

es de 9.


1. Considere una distribución Poisson con λ = 3 y encuentre:
(a) f (2)
(b) P [x ≥ 2]
(c) P [x ≤ 1]
2. En una encuesta realizada por la Oficina de Censos de Estados Unidos se
encontró que 25% de las personas de 25 años o más habían estudiado cuatro
años en la universidad (The New York Times Almanac, 2006). Dada una
muestra de 15 individuos de 25 años o más, conteste las preguntas siguientes.
(a) ¿Cuál es la probabilidad de que cuatro hayan estudiado cuatro años en
la universidad?
(b) ¿Cuál es la probabilidad de que entre tres y siete personas inclusive hayan
estudiado cuatro años en la universidad?
3. Supóngase que el número de imperfecciones en un alambre delgado de cobre
sigue una distribución de Poisson con una media de 2.3 imperfecciones por
milímetro.
(a) Determine la probabilidad de dos imperfecciones en un milímetro de
alambre.
(b) Determine la probabilidad de que a lo sumo se presenten 10 imperfec-
ciones en cinco milímetros de alambre.
(c) Determine la probabilidad de que se encuentre al menos una imperfección
en cinco milímetros de alambre.
4. Un examen de estadística consiste en 10 preguntas de alternativas múltiples,
cada una con cinco posibles respuestas y única solución.
(a) Para alguien que adivina aleatoriamente todas las respuestas, calcule la
probabilidad de aprobar si la calificación mínima para aprobar es del
60%.
(b) ¿Es la probabilidad lo bastante alta como para que valga la pena arries-
garse a aprobar adivinando al azar en lugar de estudiando?
5. Una maquina de estampados en serie produce un total de 200 camisetas es-
tampadas en un día, de la cuales se sabe que en promedio 8 de ellas tienen
un estampado defectuoso. Cada día la empresa despacha a almacenes clientes
paquetes de 100 camisetas estampadas. La empresa estampadora ha creado la
dependencia de reclamos, la cual se encargará de atender los reclamos de los
clientes y estimar los posibles reclamos que se podrían presentar de acuerdo
con la exigencia de cada cliente. Antes de entregar la producción de un día
a un cliente, esta dependencia evaluará sobre una muestra de 10 camisetas
seleccionadas aleatoriamente la probabilidad del número de camisetas mal es-
tampadas que se le entregarán al cliente, para así poder evaluar los posibles
reclamos que se tendrán.
(a) Defina una v.a asociada a los intereses de la dependencia de reclamos de
la empresa.
(b) Si un almacén cliente de la empresa le indica que sólo le acepta cuando
mas cuatro camisetas mal estampadas, determine la probabilidad de que
este almacén realice un reclamo.
(c) Construya una tabla de distribución de probabilidad para la variable

definida en el ítem a. y explique el significado de las probabilidades que
en ella se presentan.
(d) Determine la probabilidad de que a un cliente dado se le entregue un
envío con 7 camisetas mal estampadas.
(e) Determine el número promedio de camisetas mal estampadas en un envío.
(f) Determine la varianza para la variable definida en el ítem a.
(g) Grafique la función de distribución acumulada para la variable definida
en el ítem a.
6. El gerente de una distribuidora de huevos garantiza que ninguno de sus pa-
quetes de 12 huevos contiene más de un huevo en mal estado. Si un paquete
contiene más de un huevo en mal estado, él sustituirá todo el paquete y per-
mitirá que el cliente se lleve los huevos iniciales. Si la probabilidad de que un
huevo individual esté en mal estado es de 0.05, resuelva.
(a) Defina una variable aleatoria para el problema que le permita resolver
las preguntas que aparecen a continuación, e indique como se distribuye
dicha variable.
(b) Describa el experimento aleatorio que se lleva a cabo en el problema.
(c) Determine la probabilidad de que el gerente tenga que reemplazar un
paquete de huevos.
(d) Si a una persona le repusieron una canasta de huevos, determine la prob-
abilidad de que la segunda canasta también tenga que ser sustituida.
7. Cada año más de 50 millones de huéspedes se hospedan en hoteles que ofrecen
alojamiento y desayuno. El sitio web para Be dan Breakfast Inns de Norteam-
erica, que recibe un promedio de siete visitantes por minuto, permite a muchos
hoteles de este tipo atraes clientes (Time, septiembre de 2001).
(a) Calcule la probabilidad de que nadie visite el sitio web en un periodo de
un minuto
(b) Estime la probabilidad de dos o más asistentes al sitio web en un periodo
de 30 segundos.
(c) Determine la probabilidad de cinco o más visitantes en un periodo de un
minuto.
8. El número promedio de homicidios en cierta metrópoli es de 2 por día. De-
terminar las siguientes probabilidades:
(a) No más de 3 homicidios en un día dado.
(b) Exactamente 3 homicidios en dos días.
(c) No haya homicidios en tres días.
(d) Más de 2 homicidios en un día.
(e) Entre 1 y 3 homicidios inclusive en un día.
2.4 Distribución de Probabilidad para v.a Contin-

uas
La distribuciones de probabilidad consideradas hasta el momento son distribuciones
asociadas a v.a discretas. A partir de este momento nos dedicaremos a estudiar
2.4. DISTRIBUCIÓN DE PROBABILIDAD PARA V.A CONTINUAS 51
las distribuciones de variables continuas. Ya se había dicho que una v.a continua
es aquella que puede asumir cualquier valor en un intervalo específico contenido
en el conjunto de los reales; o de otra forma, es una variable aleatoria definida
sobre un espacio muestral continuo. Como consecuencia de esto, entre dos valores
consecutivos existen infinitos números, esto hace que la probabilidad de que una
v.a continua asuma un valor específico (P [X = x] = 0) es cero, sin importar la
distribución de probabilidad de la variable; así entonces, si consideramos la v.a X
definida como la estatura de una persona, entonces la probabilidad de encontrar
una persona que tenga 21 años es cero, pues la edad se mide en función del tiempo,
y el tiempo es una variable continua, por lo tanto se podrán encontrar personas que
tengan 21 años y unos meses, o 21 años y unas horas, o 21 años y unos minutos,
pero la probabilidad de encontrar una persona que tenga exactamente 21 años es
prácticamente cero, pues esto implicaría que la persona que responda de manera
afirmativa tendría que estar cumpliendo años en ese día, y justo haber nacido a la
hora del día en el que se le formula la pregunta. Sin embargo, si en lugar de esto
quisiéramos calcular la probabilidad de que una persona tenga entre 21 y 22 años,
está probabilidad definitivamente cambiaría, pues todas las personas que dicen tener
21 años estarían en este rango.
Observación 2.4.1 Note que como para una v.a X continua, P (X = x) = 0 se

sigue que P [X ≤ x] = P [X < x].
De manera análoga a como se definió la distribución de probabilidad para las
variables aleatorias discretas, se presenta la siguiente definición de la función de
densidad de probabilidad para el caso de las variables aleatorias continuas.
Definición 2.4.1 Función densidad de probabilidad La función f (x) es una

función de densidad de probabilidad para la v.a continua X, definida en el conjunto
de los números reales, si:
1. f (x) ≥ 0 para toda x ∈ R.
∫∞
2. −∞ f (x)dx = 1
∫b
3. P [a < X < b] = a
f (x)dx
A continuación se define la respectiva función acumulada para el caso de v.a
continuas.
Definición 2.4.2 Función de Distribución Acumulada (F.D.A) La función

de distribución acumulada de una v.a continua X, denotada por F (x) está dada
por: ∫ x
F (x) = P [X ≤ x] = f (t)dt ∀−∞<x<∞
−∞
y con f (x) la función densidad de probabilidad de la v.a X.

La definición de la función de distribución acumulada y sus propiedades pueden
ser entendidas a partir del siguiente figura que muestra gráficamente como es el
comportamiento de la relación entre f.d.p y la F.D.A
Con base en la definiciones anteriormente dadas se tiene
∫ a
P [X < a] = f (x)dx
−∞
∫ b
P [a < X < b] = f (x)dx
a
Figure 2.1. Generación de la Función de Distribución.
∫ +∞
P [X > b] = f (x)dx
b
Ejemplo 2.4.1 Suponga que el error en la temperatura de reacción, en řC, para un

experimento controlado de laboratorio es una v.v X continua que tiene p.d.p dada
por: { x2
−1 < x < 2
f (x) = 3
0 e.o.p
2.4.1 Valor esperado y Varianza de una v.a Continua

Uno de las ideas más importante sobre el resumen de la información suministrada
en una f.d.p. es el valor esperado.
Definición 2.4.3 Valor Esperado de una v.a Continua Dada una v.a continua
X con f.d.p. f (x) el valor esperado de la variable aleatoria X, denotada por E[X],
está dada por: ∫
E[X] = x · f (x)dx
x
De la misma manera que sucede para el caso discreto, se tiene para una v.a
continuo X con f.d.p f (x) que:
E[X] = µX
2
V ar[X] = σX = E[(X − µ)2 ] = E[X 2 ] − µ2
2.4.2 Distribución Normal

A continuación estudiaremos una de las distribuciones continuas más utilizadas e
importantes en toda la estadística. Esta distribución fue descubierta por D’Moivre,
quien la encontró como un límite de la distribución binomial cuando n se hace muy
grande, sin embargo quien la popularizo fue Gauss por lo que también se le conoce
como distribución gaussiana.
La distribución normal es un modelo probabilístico apropiado para el estudio

de muchas v.a continuas, tales como la estatura, el peso de objetos de una misma
naturaleza, los errores en la medida de una misma magnitud física, etc.
Definición 2.4.4 Una v.a continua X con función densidad de probabilidad p.d.p
1 (x−µ)2
f (x) = √ e− 2σ2 ∀ −∞<x<∞
σ 2π
Tiene una distribución normal con parámetros µ y σ 2 , donde −∞ < µ < ∞,
y σ 2 > 0. En este caso se denota como: X ∼ N (µ, σ 2 ); además E[X] = µ, y
V ar[X] = σ 2 .
Observación 2.4.2 La gráfica de la función f (x) de la definición anterior se llama

curva normal o curva gaussiana y tiene la forma acampanadas de la siguiente figura:
Esta curva ha sido estudiada en gran detalle y presenta muchas propiedades de
Figure 2.2. Gráfico de la distribución normal.
interés, entre ellas se tienen:
1. La curva es simétrica respecto al eje x = µ.
2. La media, la mediana y la moda coinciden y son iguales a µ.
3. La curva nunca toca al eje x, aunque presenta un comportamiento asintótico

a izquierda y derecha.
4. La v.a X puede tomar valores entre −∞ < x < +∞.
5. Debido a la simetría de la curva la mitad del área está a la derecha de µ, y la

otra mitad a la izquierda de µ.
6. En el intervalo µ ± σ se encuentra el 68.26% del área aproximadamente.

entre µ ± 2σ se encuentra el 95.46% del área aproximadamente.
entre µ ± 3σ se encuentra el 99.72% del área aproximadamente.
entre µ ± 4σ se encuentra el 100% del área aproximadamente.
7. Al variar el valor de µ dejando a σ constante, la curva se desplaza sobre el

eje x.
8. Al variar el valor de σ dejando µ constante la curva altera su forma.
9. Los parámetros de µ y σ de una distribución normal no a la vez E(x) = µ y

V ar(x) = σ 2 .
10. Si X es una v.a con una distribución normal con media µ y varianza σ 2 , se
denotará por X ∼ N (µ, σ 2 )
La distribución normal puede ser vista como una familia de distribuciones en

la cual el miembro más importante es aquel que tiene media µ = 0 y varianza
σ 2 = 1, esta distribución particular de la normal es llamada una distribución normal
estándar, y se define a continuación.
Definición 2.4.5 Distribución Normal Estandar A una v.a normal que tiene
media µ = 0 y varianza σ 2 = 1 se le llama una v.a normal estándar, y se denotará
por Z.
Definición 2.4.6 La función de distribución acumulada de una v.a normal están-

dar se denota por: Φ(z) = P (Z ≤ z)
A partir de toda variable X que tenga una distribución normal se puede encon-
trar una variable asociada Z con distribución normal estándar, a este proceso de
transformación se le llama estandarización de la variable X. De esta manera la
distribución normal estándar se constituye en una herramienta para determinar el
área bajo la curva toda vez que sus parámetros µ y σ 2 son conocidos.
Estandarizar una v.a normal consiste en realizar una transformación de la curva

que consiste en un cambio del origen y un cambio de la escala sobre el eje x.
Matemáticamente la estandarización de una v.a X ∼ N (µ, σ 2 ) consiste en definir
una nueva v.a Z dada por:
X −µ
Z=
σ
La cual también tiene una distribución normal, Z ∼ N (0, 1).
Ejemplo 2.4.2 Dada una v.a Z ∼ N (0, 1), utilice las tablas para hallar:
1. P [Z ≤ 1.83]
2. P [−1.97 ≤ Z ≤ 0.76]
3. P [Z ≥ 2.01]
Ejemplo 2.4.3 Dada una v.a X ∼ N (125, 162 ), hallar:
1. P [X ≤ 123]
Solución
Como la variable aleatoria X no se distribuye normal estándar, entonces para
poder hallar en la tabla estas probabilidades se debe primero estandarizar, así.
[ ]
X − 125 123 − 125
P [X ≤ 123] = P ≤
16 16
P [X ≤ 123] = P [Z ≤ −0.125] ≃ P [Z ≤ −0.13] = 0.44828
Este último valor tomado de la tabla de distribución de la normal, o se puede

utilizar la herramienta R, mediante la siguiente instrucción:
>pnorm(-0.13) para el caso de la normal estándar, Z ∼ (0, 1).
>pnorm(123,125,16) para el caso de la normal no estándar X ∼ (125, 162 )

2. P [115 ≤ X ≤ 128]
Solución
[ ]
115 − 125 X − 125 128 − 125
P [115 ≤ X ≤ 128] = P ≤ ≤
16 16 16
P [115 ≤ X ≤ 128] = P [−0.63 ≤ Z ≤ 0.19] = P [Z ≤ 0.19] − P [Z < −0.63]
P [115 ≤ X ≤ 128] = P [Z ≤ 0.19]−P [Z ≤ −0.63] = 0.57534−0.26435 = 0.311
3. P [X ≥ 124]
Solución
Como la variable X es continua, se tiene:
[ ]
X − 125 124 − 125
P [X ≥ 124] = 1 − P [X ≤ 124] = 1 − P ≤
16 16
P [X ≥ 124] = 1 − P [Z ≤ −0.06] = 1 − 0.47609 = 0.52391
4. Hallar el valor de a tal que P [X ≥ a] = 0.95

Solución
En este caso se debe hallar un valor de la variable aleatoria que satisface
P [X ≥ a] = 0.95, note que este problema redunda en hallar el percentil 5.
[ ]
X − 125 a − 125
P [X ≥ a] = 0.95 ⇒ P ≥ = 0.95 ⇒ P [Z ≥ z0 ] = 0.95
16 16
a−125
donde z0 = 16 , luego
P [Z ≥ z0 ] = 0.95 ⇒ 1 − P [Z < z0 ] = 0.95 ⇒ P [Z ≤ z0 ] = 1 − 0.95 = 0.05
luego, de la tabla de distribución de la normal estándar se obtiene z0 = −1.64,

y ahora, igualando los valores de z0 se tiene:
a − 125
= −1.64
16
despejando de esta ecuación el valor de a se tiene:
a − 125 = −1.64 × 16 ⇒ a − 125 = 26.24 ⇒ a = 26.24 + 125 = 151.24
R/ Se sigue que el valor a de la variable, por encima del cual se encuentra el

95% de los datos, y por debajo el 5% restante es a = 151.24

Ejemplo 2.4.4 En la cancha de la universidad se quiere instalar focos para ilumi-

nar el campo de juego. El proveedor asegura que el tiempo de vida de los focos sigue
una distribución normal con promedio es de 40 horas con una desviación estándar
de 4 horas. Al escoger un foco al azar,
1. ¿Cuál es la probabilidad de que los focos duren al menos 35 horas?

Solución
Sea X: Tiempo de vida de un foco (horas)
Con X ∼ N (40, 16)
Que duren al menos 35 horas, implica que dure 35 horas o más, y como la
variable X es continua, se tiene.
( ) ( )
35 − 40 35 − 40
P (X ≥ 35) = 1−P (X ≤ 35) = 1−P Z≤ √ = 1−P Z≤
16 4
P (X ≥ 35) = 1 − P (Z ≤ −1.25) = 1 − 0.1056 = 0.8944
R/La probabilidad de que los focos duren al menos 35 horas es de 0.8944

2. ¿Cuál es la probabilidad de que los focos duren mínimo 37 horas y un máximo
de 44 horas?
Solución
P (37 ≤ X ≤ 44) = P (X ≤ 44) − P (X ≤ 37)
( ) ( )
44 − 40 37 − 40
P (37 ≤ X ≤ 44) = P Z ≤ −P Z ≤
4 4
P (37 ≤ X ≤ 44) = P (Z ≤ 1.0) − P (Z ≤ −0.75) = 0.8413 − 0.2266 = 0.6147
R/ Luego la probabilidad de que los focos duren mínimo 37 horas y un máximo

de 44 horas es de 0.6147.
3. ¿Cuál es él número de horas mínimo que podría durar un foco, para afirmar
que el 97.5% de los focos tienen dicha duración o menos ?
Solución
En este caso, hay que hallar el valor x de la variable, tal que P (X ≤ x) =
0.975, luego:
P (X ≤ x) = 0.975
( )
x − 40
P Z≤ = 0.975
4
P (Z ≤ z0 ) = 0.975
Con z0 = x−404 , además, de la tabla de distribución normal se obtiene que

z0 = 1.96, luego, igualando estas dos expresiones se tiene:
x − 40
= 1.96
4
x = 1.96 × 4 + 40
x = 47.84 ≃ 48
R/ Luego el 97.5% de los focos duraran 48 horas o menos.

Ejemplo 2.4.5 El peso neto de las cajas de detergente puede considerarse como
una v.a normal. Cajas estándar de una marca comercial tienen un peso promedio
de 1000 gm y una desviación estándar de 20gm. Si se toma una caja al azar,
determine:
1. ¿cuál es la probabilidad de que pese 1025gm?
2. ¿Cuál es la probabilidad de que pese menos de 1025 gm?
3. ¿Cuál es la probabilidad de que pese 989 gm o más?
4. ¿Cuál es la probabilidad de que pese entre 990 y 1008 gm?
5. ¿Cuál es el peso máximo por debajo del cual se encuentra el 90% de los pesos
de las cajas?
2.4.3 La distribución Normal como aproximación de la Bi-

nomial
Ya se mencionó anteriormente que la distribución poisson es una buena aproxi-
mación de la distribución binomial cuando n es grande y p se acerca a cero. Pero
que puede suceder cuando n se hacer grande y p aunque permanece constante no
satisface la condición de aproximarse a cero. Este problema se resuelve mediante
uno de los teoremas más útiles en probabilidades conocido como el teorema de
DeMoivre el cual dice que la binomial estandarizada tiende a una normal estándar
cuando m se hace grande p permanece constante.
Teorema 2.5 T. De Moivre Si X ∼ B(n, p) entonces cuando n → ∞, Z = X−np

√
npq
se aproxima a una normal estándar, esto es, Z ∼ N (0, 1)
recuerde que si X ∼ B(n, p) entonces µ = np y σ 2 = npq.
Ejemplo 2.4.6 La probabilidad de que un paciente se recupere de una rara enfer-

medad de la sangre es de 0.4. si se sabe que 100 personas se han contraído la
enfermedad, ¿Cuál es la probabilidad de que al menos 30 de ellas sobrevivan?
Solución 15 Se tiene que la variable del problema es:

X : nmerodepacientesquesobrevivenalaenf ermedadenelgrupode100
Donde X ∼ B(100, 0.4), puesto que cada paciente sólo tiene la opción de recu-
perarse o morir, y la probabilidad de recuperarse es de 0.4 para cualquiere paciente
(esto es permanece constante). Nos piden determinar entonces P [X ≥ 30] =?
Ahora bien, como n = 100, es grande, por lo tanto aplican las condiciones del
teorema de De Moivre, por lo tanto, estandarizando la variable se tiene:
X − np X − 100 × 0.4 X − 40
Z= √ =√ = √
npq 100 × 0.4 × 0.6 2.4
donde Z ∼ N (0, 1)
2.4.4 Corrección por Continuidad

Los resultados de las aproximaciones vistas en las secciones anteriores, en las que
se obtiene una aproximación de distribuciones discretas a la normal, o en general,
en aquellas variables que socialmente son tratadas de manera discreta pero que
realmente son continuas, tales como el peso, la edad, entre otras, se requiere aplicar
un factor de corrección que me permita encontrar las probabilidades puntuales, que
para el caso continuo son siempre cero, pero que dado el tratamiento de la variable,
sería diferente de este valor.
Definición 2.4.7 Factor de Corrección por Continuidad

Valor de 0.5 restado y sumado, a un valor de la variable, cuando na distribución
de probabilidad discreta se aproxima por medio de un distribución de probabilidad
continua.
2.4.5 Distribución Exponencial

Si bien un proporción elevada de datos se ajustan a la distribución normal, existen
otro tanto de situaciones que presentan comportamiento diferentes a de dicha dis-
tribución, a continuación se presenta el caso de la distribución exponencial, que a
diferencia del caso normal, no presenta ni simetría.
Las variables exponenciales describen procesos en los que interesa saber el tiempo
transcurrido hasta que ocurre determinado evento, sabiendo que, el tiempo que
pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante
tf , no depende del tiempo transcurrido anteriormente en el que no ha pasado nada.
Definición 2.4.8 Distribución exponencial Sea X una variable aleatoria con-

tinua. Se dice que X tienen una distribución exponencial, con parámetro λ si y solo
si, su función densidad de probabilidad está dada por:
f (x) = λ exp−λx ; con x>0

En este caso se dice que X tiene una distribución exponencial con parámetro λ,
y se denotará por X ∼ exp(λ)
Haciendo uso de la definición anterior, la propiedades de la distribución expo-

nencial, y la probabilidad acumulada de una variable continua, se puede demostrar
el siguiente resultado.
Teorema 2.6 Sea X una v.a continua, tal que x ∼ exp(λ), entonces
P [X ≤ x] = 1 − exp−λx
Teorema 2.7 Si X es una v.a tal que X ∼ exp(λ), entonces,
• µ = E[X] = 1
λ
• V ar(X) = E[X 2 ] = 2
λ2
Del teorema 2.7 se sigue que el parámetro λ de la exponencial está directamente

relacionado con la media de la variable, de tal manera que λ = µ1
Ejemplo 2.4.7 El tiempo de espera para que atiendan a una persona en una cafetería
es una variable aleatoria que tiene una distribución exponencial con una media de
4 minutos.
2.5. EJERCICIOS 59
1. Defina la variable de estudio X y escriba su fdp.

Solución.
X: tiempo de espera para ser atendido en una cafeteria (minutos)
Como µ = 4, se sigue λ = 1
µ = 14 , luego X ∼ exp(1/4), Entonces,
( )
1 −x
f (x) = exp , para x≥0
4 4
2. Determine la fórmula de la función de distribución acumulada para X.

Solución.
Como X es una v.a continua, se tiene
∫ x por el teorema 2.6 de distribución
acumulada que F (x) = P [X ≤ x] = ∞ f (t)dt = 1 − exp(−λx), entonces
∫ x ( y) ( x)
1
F (x) = P (X ≤ x) = exp − dy = 1 − exp −
0 4 4 4
3. ¿Cuál es la probabilidad de que una persona requiera de 5 minutos o menos

para ser atendida?
Solución.
( )
5
P (X ≤ 5) = 1 − exp − = 0.7134
4
R/ Por lo que la probabilidad de que una persona requiera de 5 minutos o

menos para ser atendida es de 0.7134.
4. ¿Cuál es la probabilidad de que se requiera entre 3 y 7 minutos para atender

una persona?
Solución.
Como la variables es continua se tiene:
P (3 < X < 7) = P (3 ≤ X ≤ 7)
P (3 ≤ X ≤ 7) = P (X ≤ 7) − P (X ≤ 3)
[ ( )] [ ( )]
7 3
= 1 − exp − − 1 − exp −
4 4
= 0.2985
R/ Luego la probabilidad de que se requiera entre 3 y 7 minutos para atender

una persona es de 0.2985.
2.5 Ejercicios
1. Determine si los siguientes enunciados son Verdaderas o Falsas (V o F), argu-
mente su respuesta.
(a) ( ) El dominio de una distribución normal es el conjunto de los números

reales.
(b) ( ) Todo experimento aleatoria que consta de la repetición de n ensayos

de Bernulli es un experimento Binomial.
(c) ( ) El jefe de gestión humana de una compañía textilera, indica que
durante el año 2013 entre un total de 400 empleados, 312 obtuvieron un
ascenso, 248 incrementaron sus prestaciones de jubilación, 173 lograron
ambos beneficios y 43 ningún beneficio. El Jefe de gestión humana está
en lo correcto.
(d) ( ) Obtener un 4 o un Trébol al extraer una carta de una baraja
ordinaria de Póker constituye eventos mutuamente excluyentes.
(e) ( ) Obtener un 4 y un Trébol al extraer dos cartas de forma consecu-
tiva con reemplazo de una baraja ordinaria de Póker constituye eventos
independientes.
(f) ( ) Obtener un Trébol al extraer cuatro cartas de forma consecutiva con
sin reemplazo de una baraja ordinaria de Póker constituye experimento
binomial.
(g) ( ) Si la estatura de los estudiantes de primer semestre de Negocios
Internacionales de la Universidad de Medellín tiene una distribución nor-
mal con media µ metros y una varianza de σ 2 metros cuadrado, entonces
la probabilidad de que la estatura de un estudiante seleccionado al azar
se encuentre entre µ − σ y µ + σ es de 95.46%.
2. Clasifique las siguientes variables aleatorias como discretas o continuas:

(a) X: el número de accidentes de automóvil por año en el estado de Virginia.
(b) Y: El tiempo que toma jugar 18 hoyos de golf.
(c) M: La cantidad de leche producida anualmente por una vaca en partic-
ular.
(d) N: El número de permisos para la construcción de edf9cios que otorga
mensualmente una ciudad.
(e) Z: El número de huevos que pone mensualmente una gallina.
(f) Q: La cantidad de grano producido por acre.
(g) K: El peso de un libro de texto seleccionado al azar.
(h) T: La cantidad de leche que se obtiene de una vaca.
3. Se reporta que 16% de los hogares de una ciudad utilizan exclusivamente un
teléfono celular como servicio telefónico. En una muestra de ocho hogares,
encuentre:
(a) La probabilidad de que ninguno use un celular como su servicio exclusivo.
(b) La probabilidad de que exactamente cinco usen solo el celular.
(c) El número medio de hogares que solo usan el celular.
Tomado de: Estadística Aplicada a los negocios y la economía, Lind, Marchal
y Wathen Pg.168.
4. Cierta clase de lámina de metal tiene, en promedio, cinco defectos por cada
10 metros cuadrados. Cuál es la probabilidad de que:
(a) ¿Una lámina de metal de 15 metros cuadrados tenga al menos seis de-
fectos?
(b) ¿Una lámina de metal 12 metros cuadrados tenga exactamente tres de-
fectos?
2.5. EJERCICIOS 61
(c) ¿una lámina de metal de 20 metros cuadrados tenga entre cuatro y ocho
defectos?
Tomado de:Problemario de Probabilidades, Piotr Marian Wisniewski y Gabriel

Velasco Sotomayor, pg. 185.
5. La universidad de Caltech, en Pasedena, California, exige a los estudiantes ex-

tranjeros una calificación mínima de 500 puntos en la prueba de inglés TOEFL
y una puntuación mínima de 102 en una prueba de inteligencia (IQ). Según los
datos de miles de estudiantes extranjeros que han presentado ambas pruebas
en Estados Unidos, se reporta que, para el caso del TOEFL la distribución
es normal (510, 400), mientras que, para la prueba de coeficiente intelectual,
la distribución también es normal (112, 100) se refiere a la población de es-
tudiantes extranjeros, ya que el IQ promedio de un adulto común y corriente
es de apenas 100 puntos. Determine el porcentaje de estudiantes extranjeros
que:
(a) Pasan exactamente una de las dos pruebas.

(b) No pasan alguna de las dos pruebas.
(c) Pasan al menos una de las dos pruebas.
(d) Pasan ambas pruebas.
(e) ¿A partir de qué puntuación de IQ están el 10% de los estudiantes ex-
tranjeros más inteligentes?
(f) ¿Desde qué puntuación en la prueba TOEFL están 10% de los estudiantes
extranjeros con mejor dominio del inglés?
(g) Se considera que un individuo que obtenga más de 140 puntos en un
examen de IQ tiene una inteligencia prodigiosa equivalente a la de un
genio. £Cuántos de los 500 estudiantes extranjeros próximos se esperaría
que tuviesen la inteligencia de un genio? (Corrección por continuidad).
Tomado de: Problemario de Probabilidades, Piotr Marian wisniewski y Gabriel

Velasco Sotomayor, pg 218.
6. La última novela de un autor ha tenido un gran éxito, hasta el punto de que el

80% de los lectores ya la han leído. En un grupo de 4 amigos son aficionados
a la lectura:
(a) Encuentre la probabilidad de que hayan leído la novela 2 personas.

(b) Que cómo máximo dos amigos hayan leído la novela.
(c) Máximo dos no hayan leído la novela.
7. En los siguientes enunciados suponga que X tiene una distribución de Poisson

con la media indicada y utilice las tablas para calcular la probabilidad del
solicitada.
(a) X ∼ P oi(2), P [X ≥ 3]
(b) X ∼ P oi(4), P [X = 1]
(c) X ∼ P oi(0.25), P [X ≤ 2]
(d) X ∼ P oi(5), P [2 ≤ X ≤ 6]
8. En los siguientes ejercicios suponga que X ∼ Bin(n, π). Utilice las tablas
de distribución de probabilidad acumulada para calcular la probabilidad de x
éxitos dada la probabilidad π de éxito en un ensayo dado.
(a) n = 15, x = 2, y π = 0.2

(b) n = 10, x = 9, y π = 0.2
(c) n = 5, x = 4, y π = 0.9
(d) n = 9, x = 8, y π = 0.5
9. Si Z ∼ N (0, 1) encuentre:
(a) P [Z ≤ 1.3]
(b) P [Z ≥ 1.3]
(c) P [−1 ≤ Z ≤ 0.8]
10. Si X ∼ N (25, 16) encuentre:
(a) P [X ≤ 26.5]
(b) P [X ≥ 22]
(c) P [19 ≤ X ≤ 30]
11. La distribución de Bernulli se refiere a un variable aleatoria discreta X que

puede tomar únicamente los valores cero y uno con las probabilidades respec-
tivas de π y 1 − π.
Muestre que:
(a) El valor esperado de X es igual a π.

(b) La varianza de X es igual a π(1 − π).
12. Los carros que vende una agencia trabajan con diésel o gasolina. El 50% de los
carros que vende, ésta equipado para trabajar con diésel, hallar una fórmula
para la distribución de probabilidad del número de modelos diésel entre los
próximos 4 marcas de carros que vende la agencia. (Tomado de Walpole)
13. Se embarcan 8 portátiles similares de los cuales hay 3 defectuosos. Si una

escuela realiza una compra aleatoria de 2 de estos, halle la distribución de
probabilidad para el número de portátiles defectuosos. (Tomado de Walpole)
14. En un accidente que ocurrió en una planta nuclear se presentó una fuga de
partículas radioactivas. Se instaló un contador para determinar cuántas pasan
a través de él y se encontró que el número promedio de partículas radioactivas
que pasan durante un milisegundo es 6. Si se sabe que el número de partículas
radioactivas que pasan durante un milisegundo sigue una distribución Poisson,
determine: ¿Cuál es la probabilidad de que entren 10 partículas al contador
en un milisegundo? (Tomado de Walpole)
15. Un profesor de estadística se da cuenta de que cuando programa una hora para
que los estudiantes que necesiten ayuda acudan a su oficina, llega un promedio
de dos estudiantes. Si el número de estudiantes que llegan a asesoria en una
hora sigue una distribución Poisson, Calcule las siguientes probabilidades: :
(a) de que en una hora de oficina seleccionada al azar, no lleguen estudiantes

a asesoría.
(b) de que en una hora de oficina seleccionada al azar, el número de estudi-
antes que lleguen sea cuando más dos.
(c) que lleguen sea como mínimo tres estudiantes en una hora de oficina
seleccionada al azar.
2.5. EJERCICIOS 63
(d) Encuentre además la probabilidad de que lleguen exactamente dos estu-

diantes en media hora.
(e) La probabilidad de que lleguen a lo sumo tres estudiantes en dos horas
de asesoría.
16. El tiempo entre llegadas de dos personas al hall de un edificio para tomar una
ascensor sigue una distribución exponencial con media de 10 segundo. Si el
ascensor se cierra después de transcurridos 15 segundos después de la última
persona que llegó, determine la probabilidad de que el ascensor se cierre solo
con una persona.
17. Sea X la variable aleatoria que representa el número de clientes que llegan
a una tienda en un periodo de una hora. Si la distribución de esta variable
se presenta en la tabla siguiente, verifique que efectivamente la información
presentada en la tabla es un distribución de probabilidad, y de serlo, determine
el número de clientes esperado en una hora:
x 0 1 2 3 4
p(x) = P [X = x] 0.35 0.1 0.05 0.25 0.25
18. Una central telefónica recibe una media de 8 llamadas por hora. Si el número
de llamadas se distribuye según una Poisson y la central tiene una capacidad
para atender a lo sumo 12 llamadas por minuto, ¿cuál es la probabilidad de
que en un minuto determinado no sea posible dar línea a todos los clientes?
19. El número de camiones que llegan a un depósito en cierta ciudad sigue una
distribución poisson. Se sabe además que en un día dado llegan en promedio
a dicho depósito 8 camiones. Encuentre la probabilidad de que:
(a) Que lleguen exactamente seis camiones en un día.

(b) En un día dado lleguen menos de 9 camiones a este depósito.
(c) Lleguen más de sietes camiones en dos días.
(d) Que en medio día lleguen a lo sumo 5 camiones.
20. Pepa conoce muy bien a su amigo Pepe y sabe cuál es la probabilidad de que
este posea cierta cantidad de dinero en su billetera. Ella sabe que Pepe sólo
mantiene en su billetera o $2.000, o $5.000, o $10.000, o $20.000 y cada valor
de estos con probabilidades de 0.25, 0.40, 0.30, 0.05 respectivamente. Si algún
día se mira en la billetera de Pepe, ¿qué cantidad de dinero se espera que
tenga?
21. En un estudio reciente Consumer Reports (febrero 1992) encontró un gran

número de casos de contaminación y errores de etiqueta en supermercados
de las ciudades de Nueva York y Chicago. El estudio reveló una estadística
alarmante: 40% de los trozos de pez espada disponibles para la venta tenían
un nivel de mercurio superior al límite establecido por la Administración de
Alimentos y Medicina (FDA) de Estados Unidos. Para una m.a. de 3 trozos
de pez espada, calcular la probabilidad de que:
(a) los tres trozos de pez espada tengan niveles de mercurio por encima del
límite de la FDA.
(b) Exactamente un trozo de pez espada tenga un nivel de mercurio por
encima del límite de la FDA.
(c) Cuando mas, un trozo de pez espada tenga un nivel de mercurio por
encima de los límites de la FDA.
22. Un examen de estadística consiste en 10 preguntas de alternativas múltiples,

cada una con cinco posibles respuestas y única solución. Para alguien que
adivina aleatoriamente todas las respuestas, calcule la probabilidad de aprobar
si la calificación mínima para aprobar es del 60%. ¿Es la probabilidad lo
bastante alta como para que valga la pena arriesgarse a aprobar adivinando
al azar en lugar de estudiando?
23. La vida útil de un neumático de determinada marca sigue una distribución
normal con media 35.000 kilómetros y desviación típica 4.000 kilómetros.
(a) Defina la variable, aclare su distribución y parámetros.
(b) ¿Qué proporción de estos neumáticos tiene un tiempo de vida superior a
38.000 kilómetros?
(c) ¿Qué proporción de estos neumáticos tiene un tiempo de vida inferior a
32.000 kilómetros?
(d) ¿Qué proporción de estos neumáticos tiene un tiempo de vida entre
32.000 y 38.000 kilómetros?
(e) Grafique la curva normal estándar y en ella sombree el área bajo la curva
que represente cada una de las probabilidades halladas.
(f) ¿Por qué las respuestas de las preguntas b y c son iguales?
(g) ¿Por qué las respuestas de las preguntas b, c y d suman uno?
24. Si X ∼ N (25, 16), hallar:
(a) La media, la mediana y la varianza de la variable X − 3.
X
(b) La media y la varianza de la variable 4.
X−25
(c) La media y la varianza de la variable 4 .
X+5
(d) La media y la varianza de la variable 4 .
(e) Grafique la curva de cada una de las situaciones anteriores.
(f) P [X − 3 ≤ 92] =
(g) P [X ≥ 49] =
25. Una compañía produce un compuesto químico y está preocupada por su con-
tenido de impurezas. Se estima que el peso de las impurezas por lote se
distribuye según una normal con media 12,2 gramos y desviación típica 2,8
gramos. Se elige un lote al azar.
(a) Defina la variable, aclare su distribución y parámetros.

(b) ¿Cuál es la probabilidad de que contenga menos de 10 gramos de im-
purezas?
(c) ¿Cuál es la probabilidad de que contenga más de 15 gramos de impurezas?
26. Un día después de quincena (día de pago), llegan a la taquilla de cierto banco
un promedio de 15 personas por hora para realizar el pago de sus servicios
públicos. El gerente del banco, observando esta situación, está considerando
destinar una taquilla durante estos días, que se dedique únicamente a aten-
der este tipo de pagos. Para que la decisión sea pertinente para la entidad
financiera, el gerente debe mostrar que la proporción de taquillas que atiende
más de ocho pagos de este tipo en media hora supera el 55%. Si se sabe que
la llegada de los clientes a una taquilla tiene una distribución poisson, y que
la llegada de clientes entre taquillas es independiente, determine si la sucursal
debe destinar una taquilla para este tipo de pagos en las fechas indicadas.
2.5. EJERCICIOS 65
27. La edad de los estudiantes del cuarto semestre de la universidad de Medellín

tiene una distribución normal con media 19.3 y una desviación estándar de
2.1. Determine:
(a) La probabilidad de que un estudiante de cuarto semestre elegido al azar

tenga una edad de 20 años o más.
(b) ¿Cuál es la edad máxima que garantiza que el 25% de los estudiantes
tiene dicha edad o son mayores?.
(c) Si se seleccionan al azar 15 estudiantes del cuarto semestre de la univer-
sidad, determínela probabilidad de que:
i. 5 tengan 20 años o más.
ii. A lo suma 8 tengan menos de 20 años.
iii. Que entre 9 y 12 tengan 20 años o más.
28. Los clientes llegan a un establecimiento de acuerdo a un proceso de Poisson

de frecuencia promedio λ = 4 por hora. Dado que el establecimiento abre a
las 9:00: ¿cuál es la probabilidad de que exactamente haya llegado un cliente
para las 9:30 y un total de cinco para las 11:30?
29. Un embarque de 8 microcomputadoras similares que se envía a un distribuidor

contiene 3 aparatos defectuosos. Si una escuela realiza una compra aleatoria
de 2 de estas computadoras, encuentre:
(a) El espacio muestral para el experimento dado que indique la cantidad de

computadoras defectuosas en la compra.
(b) Encuentre la probabilidad para cada uno de los elementos del espacio
muestral.
(c) La distribución de probabilidad para el número de microcomputadoras
defectuosas.
30. Un supermercado de la ciudad, sabe que el tiempo promedio que debe esperar
un cliente para ser atendido en una cualquiera de sus cajas para pagar la
mercancía es de 10 minutos. Determine la probabilidad de que:
(a) Un cliente espere menos de 6 minutos.

(b) Un cliente espere más de 9 minutos.
(c) Un cliente tenga que esperar entre 4 y 8 minutos.
(d) Si un cliente no está dispuesto a esperar en fila más de 15 minutos,
determine la probabilidad de que la abandone y se pierda la compra.
31. Cierto clase de televisor tiene una vida media de 6 años. Si su vida útil se
distribuye en forma exponencial.
¿Cuál debe ser el tiempo de garantía que se debe otorgar, si se desea reem-
plazar a lo más el 15 % de los componentes que fallen dentro de este periodo?
32. Se sabe por experiencia pasada que el tiempo de vida de un marcapasos de

cierta referencia sigue una distribución exponencial con media de 20 años.
(a) ¿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 25 años?
(b) Si un paciente a quien se le implantó un marcapasos, le ha funcionado
bien durante 5 años. ¿cuál es la probabilidad de que se tenga que reem-
plazar el marcapasos 20% años?
33. Tras un test de cultura general se observa que las puntuaciones obtenidas
siguen una distribución N ∼ (65, 112 ). Se desea clasificar a los examinados en
tres grupos (de baja cultura general, de cultura general aceptable, de excelente
cultura general) de modo que en el primero se encuentra el 20% de la población
con la puntuación más baja, en el tercero está el 15% de la población con la
puntuación más alta, y el resto se clasifica en el segundo grupo. ¿Cuáles han
de ser las puntuaciones que marcan el paso de un grupo al otro?
34. El coeficiente intelectual de los humanos se distribuye normalmente con media

100 y desviación típica 15 .En España con 40 millones de habitantes
(a) ¿Cuántos normales habrá, si se denomina normal a la persona con coefi-

ciente entre 95 y 105 ?
(b) ¿Cuántas personas habrá de inteligencia superior si ésta es aquella cuyo
coeficiente es superior a 130?
(c) Si denominamos "coeficiente muy bajo" a aquella persona cuyo coefi-
ciente está comprendido entre 40 y 70 ¿Cuántos personas de coeficiente
muy bajo habrá en España?
(d) Manteniendo la situación anterior ¿Cuántos personas de coeficiente muy
bajo habrá en grupo de 60 universitarios ? Discute y comenta dicho
número.
(e) Si el coeficiente intelectual de un amigo es de 115 ¿Qué porcentaje de
personas tienen un coeficiente inferior al suyo?
(f) Si una persona tiene el coeficiente más bajo del grupo intermedio de
personas que forman un 25% del total ¿Qué coeficiente tiene?
35. El peso de los huevos de cierta granja sigue una distribución normal con media
55 gramos y una desviación estándar de 1.2 gramos. El granjero vende sus
huevos asegurando que en una docena de estos el cliente no encontrará más de
cuatro con un peso inferior a 58 gramos, además si a un cliente le pasa estos, le
devolverá su dinero como garantía de su producto. Determine la probabilidad
de que el granjero le tenga de devolver el dinero a uno de sus clientes. Con
base en el resultado anterior, le recomendaría usted al granjero que cambie
sus políticas de garantía?, por cuales?, explique su respuesta.
CHAPTER 3
Distribuciones Muestrales
De acuerdo con sus objetivos, los métodos estadísticos se clasifican en dos cate-
gorías bastante generales: Estadística Descriptiva y estadística inferencial. La es-
tadística descriptiva tiene por objeto la organización, resumen y descripción de un
conjunto particular de dato obtenidos de un cuerpo más general llamado universo
o población. El primer capítulos de este texto los hemos dedicado al estudio de
la estadística descriptiva. La estadística inferencial, es el proceso mediante el cual
se obtienen conclusiones o generalizaciones sobre característica de una población
(Medidas descriptivas). Este capítulo y los siguientes estarán dedicados al estudio
de los diferentes métodos de la inferencia estadística. Es importante tener en cuenta
que el propósito esencial de la estadística descriptiva es el de preparar el camino
para la estadística inferencial.
La inferencia estadística clásica se divide en dos problemas fundamentales: es-
timación de parámetros y pruebas de hipótesis estadísticas. A la vez la teoría de
la estimación se subdivide en estimación puntual y estimación por intervalos de
confianza.
Las bases de la inferencia estadística son las mismas bases de la inducción en la
ciencia. La palabra inferir, en el sentido estadístico, significa llegar a una conclusión
acerca de una población partiendo de una información incompleta o parcial, una
muestra de esa población.
No es posible ni tiene sentido pretender que a partir de resultados experimentales
(muestras) se pueda llegar a una afirmación general tal como una verdad en el sen-
tido matemático. Pero sí cabe hacer inferencias con cierto grado de incertidumbre
(conclusiones probables) el cual es susceptible de medición si el experimento se ha
realizado de acuerdo con determinados principios. La medida de la incertidumbre
puede expresarse como una probabilidad. Es por esto por lo que hemos dedicado los
capítulos 2 y 3 al estudio de las probabilidades. La inferencia estadística es entonces
un proceso que nos permite emitir juicios parciales de la población a partir de la
información contenida en una muestra.
3.1 Muestreo
Hablar de distribuciones muestrales conlleva la necesidad de hablar de muestras,
y del proceso requerido para que estas muestras sean idóneas para el proceso de
inferencia que se requiere adelantar, es por esto que antes de adentrarnos en el
68 CHAPTER 3. DISTRIBUCIONES MUESTRALES
estudio de las distribuciones muestrales, hablaremos un poco del muestreo y algunas

de sus técnicas.
En el primer capítulo se definió el concepto de muestra como un subconjunto de

una población objeto de estudio, con base en esta información podemos proceder a
definir en qué consiste el muestro en un estudio estadístico.
Definición 3.1.1 Muestra

Un subconjunto no vació de la población es llamado una muestra.
Definición 3.1.2 Muestra significativa

Se dice que una muestra es significativa, si y solo sí, la forma de seleccionarla
y su tamaño son idóneos para obtener inferencias para una población.
En la medida de lo posible sería más conveniente trabajar con una población en

su totalidad, sin embargo por diferentes motivos esto no es posible y se debe tomar
una muestra de esta para adelantar el estudio, y a partir de dicha muestra obtener
las conclusiones pertinentes para la población. Algunas de las causas que obligan a
tomar una muestras son:
• Porque en muchos casos la medición de la unidad de estudio implica su de-

strucción. Ejemplo: La resistencia de un fusible.
• Porque conlleva costo muy elevados, que no son viables para la investigación.
• Porque los datos son difíciles de obtener.
• Porque la población es infinita o muy grande y por ende es imposible medir

todos sus elementos.
• Porque una parte de la población es inaccesible, como es el caso de datos

históricos.
Definición 3.1.3 Muestreo

El muestreo es el procedimiento llevado a cabo para extraer una muestra de una
población objeto de estudio.
El muestreo se puede llevar a cabo de diferentes formas, inicialmente se puede

hablar del muestreo probabilístico y del muestreo no probabilístico, en el primer
caso cada elemento de la población tiene asignada una probabilidad de inclusión en
la muestra, esto es la selección de la muestra tiene un carácter aleatoria, para el
caso no probabilístico se desconoce dicha probabilidad.
Existen diferentes tipos de muestreo probabilístico, algunos de los más utilizados

son:
• Muestreo aleatorio Simple (M.A.S)
• Muestreo Estratificado
• Muestreo por Conglomerados
En particular este curso se desarrolla bajo el supuesto de que las muestras que se
utilizan fueron extraídas mediante un muestreo aleatorio simple (M.A.S); veamos
en qué consiste esta técnica de muestreo.
3.1. MUESTREO 69
Definición 3.1.4 Muestreo Aleatorio Simple (M.A.S)

El M.A.S es una técnica de muestreo probabilístico en la cual cada unidad de
estudio tiene la misma probabilidad de pertenecer a la muestra. En este caso, se van
extrayendo de manera aleatoria una a una las unidades de estudio de la población
que pasaran a formar parte de la muestra. Dependiendo de si una unidad de estudio
puede o no ser elegida más de una vez para la misma muestra, el M.A.S puede ser
con reemplazo o sin reemplazo.
• M.A.S Con Reemplazo. En este caso una unidad de estudio tiene la opor-
tunidad de ser seleccionada varias veces en la misma muestra. Cuando se
realiza este muestro se debe tener en cuenta que el orden de aparición en la
muestra de una unidad de estudio es de importancia. En general, la cantidad
de muestras de tamaño n que se pueden obtener de una población finita de
tamaño N mediante una M.A.S con reemplazo es: N n
• M.A.S Sin Reemplazo. En este caso una unidad de estudio que ha sido
seleccionada para la muestra no retorna a la población, esto implica que sólo
podrá ser seleccionada en la misma muestra una sola vez. En general, la
cantidad de muestras de tamaño n que se pueden obtener de una población
finita de tamaño N mediante una M.A.S con sin reemplazo es: N Cn
Ejemplo 3.1.1 Se tiene una población constituida por Carlos, Mario, Ana. Las
edades de ellos son respectivamente 21, 19, 20. Encuentre:
1. Defina la variable de interés para el problema, qué tamaño tiene su población,

y qué tamaño tiene sus muestras?
2. La edad promedio de la población, utilice la notación que le corresponde.
3. La varianza de la edad de la población, utilice la notación que le corresponde.
4. La proporción poblacional de personas con 20 años o más, utilice la notación

que le corresponde.
5. todas las muestra de tamaño dos que se pueden formar de esta población, si
se extraen mediante un muestreo aleatorio simple sin reemplazo, y encuentre:
(a) La edad promedio en cada muestra.

(b) La varianza en cada una de las muestras.
(c) La proporción de personas con una edad de 20 o más en cada una de las
muestras.
(d) La varianza de las proporciones de las personas que tienen 20 años o
más, en cada una de las muestras .
(e) El promedio de las medias de las muestras, qué ve?, qué puede concluir?
(f ) La varianza de las medias de las muestras, qué notación utilizaría para
este valor?
(g) Multiplique el valor hallado en el item anterior por n, qué ve? qué puede
concluir?
(h) El promedio de las proporciones en las muestras, qué ve?, qué puede
concluir?
(i) La varianza de las proporciones de las muestras.
(j) Multiplique el valor hallado en el item anterior por n, qué ve?, qué puede
concluir?
6. Todas las muestras de tamaño dos que se pueden formar de esta población, si
se extraen mediante un muestreo aleatorio simple con reemplazo.
(a) La edad promedio en cada muestra.
(b) La varianza en cada una de las muestras.
(c) La proporción de personas con 20 o más en cada una de las muestras.
(d) La varianza de las proporciones de las personas que tienen 20 años o
más, en cada una de las muestras .
(e) El promedio de las medias de las muestras, qué ve?, qué puede concluir?
(f ) La varianza de las medias de las muestras, qué notación utilizaría para
este valor?
N −n
(g) Multiplique la varianza poblacional de la edad por N −1 × n1 , qué ve? qué
puede concluir?
(h) El promedio de las proporciones en las muestras, qué ve?, qué puede
concluir?
(i) La varianza de las proporciones de las muestras.
Solución 16 Sea
xi : Edad promedio de las persona en la muestra i de tamaño 2.
Si2 : Varianza de la edad promedio de las persona en la muestra i de tamaño 2
pi : Proporción de personas con una edad de 20 o más en la muestra i
Con reemplazo:
Muestra Media Muestral Varianza Muestral Proporción Muestral

s1 = {Carlos, Carlos} x1 = 21 S12 = p1
s2 = {Carlos, M ario} x2 = 20 S22 = p2
s3 = {Carlos, Ana} x3 = 20.5 S32 = p3
s4 = {M ario, Carlos} x4 = 20 S42 = p4
s5 = {M ario, M ario} x5 = 19 S52 = p5
s6 = {M ario, Ana} x6 = 19.5 S62 = p6
s7 = {Ana, Carlos} x7 = 20.5 S72 = p7
s8 = {Ana, M ario} x8 = 19.5 S82 = p8
s9 = {Ana, Ana} x9 = 20 S92 = p9
Note en la tabla anterior que el valor de la media muestral, la varianza muestral,

la proporción muestral varían de acuerdo a la muestra aleatoria que se haya selec-
cionado
Sin reemplazo:
Muestra Media Muestral Varianza Muestral Proporción Muestral

S1 = {Carlos, M ario} x1 = 20 S12 = p1
S2 = {Carlos, Ana} x2 = 20.5 S22 = p2
S3 = {M ario, Ana} x3 = 19.5 S13 = p3
En el ejemplo anterior se puede observar como tanto la media muestral como la
varianza muestral asumen valores según sea la muestra que se está trabajando,
como la selección de la muestra es aleatoria en un momento dado, el valor de la
media y de la varianza también será una cantidad aleatoria.
Observación 3.1.1 La expresión

N −n
N −1
3.2. DISTRIBUCIONES MUESTRALES 71
que acompaña la varianza tanto de la media muestral como de la proporción muestral

para el caso del M.A.S sin reemplazo es llamado el coeficiente de corrección por
población finita.
Cuando la población es infinita la varianza de la media muestral es igual para
ambos tipos de muestreos aleatorios, e igual a:
2 σ2
σX =
n
Ejemplo 3.1.2 De una población de 50 estudiantes se extrae mediante muestreo

aleatorio simple sin reemplazo una muestra de tamaño 12. Encuentre el error es-
tándar si se sabe que la población tiene una varianza de 100.
Para realizar un muestreo aleatorio simple con la herramienta R, basta con

utilizar la instrucción "sample", esta instrucción utilizada sobre un data.frame se
puede utilizar de la siguiente manera:
m = sample( 1:nrow( nombre data.frame), n )
nombre.muestreado = nombre data.frame[ m, ]
La primera instrucción genera una muestra de tamaño n dentro del número
de filas que tiene el data.frame, y la siguiente instrucción extrae de este las filas
asociadas con los elementos seleccionados.
3.2 Distribuciones Muestrales

A continuación procederemos a determinar la distribución de algunos de los es-
tadísticos más relevantes, cuando la muestra se ha realizado mediante un muestreo
aleatorio simple con reemplazo.
Definición 3.2.1 (Distribución Muestral) La distribución de todos los valores

posibles que puede asumir un estadístico, calculados a partir de muestras del mismo
tamaño, extraídas aleatoriamente de la misma población, es llamada una distribu-
ción muestral del estadístico.
Las distribuciones muestrales pueden construirse empíricamente a partir de pobla-

ciones finitas y discretas, para ello se procede así:
1. De una población finita N se extraen todas las muestras posibles de tamaño

n.
2. Se calcula la estadística de interés para cada muestra.
3. Listar en una columna los distintos valores de la estadística y en otra columna

las frecuencias correspondientes a cada valor observado.
Ejemplo 3.2.1 Utilice cada uno de los casos del ejemplo 3.1.1, para la media mues-
tral, y con los pasos antes descritos, trate de determinar la distribución de la media
muestral.
Definición 3.2.2 Error Estándar de un Estadístico

La desviación estándar de la distribución muestral de un estadístico se conoce
como error estándar del estadístico. (Tomado de: http://www.itchihuahua.edu.mx/academic/industrial/estadistic
3.2.1 Distribución de la media Muestral

Teorema 3.1 Sea X una v.a que se distribuye normal con media µ y varianza σ 2
conocida. Si se toman muestras de tamaño n de esta población, entonces la media
muestral en dichas muestras (X̄) es una variable aleatoria que se distribuye normal
2
con media µ y varianza σn
( )
σ2
X̄ ∼ N µ,
n
Ejemplo 3.2.2 Se espera que el diámetro de las pelotas de ping-pong fabricadas en
una planta grande tenga una distribución aproximadamente normal con media de
1.30 pulgadas y desviación estándar de 0.07 pulgadas. Si se selecciona una muestra
aleatoria simple de 8 pelotas, determine:
1. La probabilidad de que el diámetro promedio en la muestra esté por debajo de
1.22.
Solución En este caso: X : Diámetro de una pelota de Ping-pong, en pul-
gadas.
µ = 1.30 pulgadas
σ = 0.07 pulgadas
n = 8 pelotas
X ∼ N (1.30, 0.072 )
En este caso se pide hallar P [X < 1.22] =??; para resolver esta pregunta se
requiere conocer la distribución de X.

X ∼ N (1.30, 0.042 ) 


 ( )
 −−−→ 0.072
n=8 pequea T.3.1 X ∼ N 1.30,

 8



σ conocida
Se tiene entonces que X ∼ N (1.30, 0.0006125)
[ ]
X − 1.30 1.22 − 1.30
P [X < 1.22] = P √ <√
0.0006125 0.0006125
= P [Z < −3.23]
P [X < 1.22] = 0.00062
R/ La probabilidad de que el diámetro promedio en la muestra esté por debajo

de 1.22 es de 0.00062.
2. La probabilidad de que el diámetro promedio de las ocho pelotas de ping pong
se encuentre entre 1.28 y 1.30 pulgadas, inclusive.
Solución Hallar P [1.28 ≤ X ≤ 1.30], además, ya en el item anterior se
estableció que X ∼ N (1.30, 0.0006125), luego
[ ]
1.28 − 1.30 X − 1.30 1.30 − 1.30
P [1.28 ≤ X ≤ 1.30] = P √ ≤√ ≤√
0.0006125 0.0006125 0.0006125
= P [−0.81 ≤ Z ≤ 0]
= P [Z ≤ 0] − P [Z ≤ −0.81]
= 0.5 − 0.20897
P [1.28 ≤ X ≤ 1.30] = 0.29103
R/ La probabilidad de que el diámetro promedio de la muestra se encuentre

entre 1.28 y 1.30 pulgadas, inclusive es de 0.29103.
3. La probabilidad de que el diámetro promedio supere en más de tres desviaciones
estándar a su media.
Solución Hallar P [X > µ + 3σ], como X ∼ N (1.30, 0.0006125), y por
propiedades de la distribución normal se tiene que:
P [µ − 3σ ≤ X ≤ µ + 3σ] = 0.9972
luego, en las colas se tiene distribuido de manera simétrica el 1 − 0.9972 =
0.0028, se sigue entonces que:
0.0028
P [X > µ + 3σ] = = 0.0014
2
R/ La probabilidad de que el diámetro promedio supere en más de tres desvia-
ciones estándar a su media es de 0.0014.
4. Si el diámetro promedio en una muestra de 8 pelotas de ping - pong se en-
cuentra por debajo de 1.28 pulgadas, se desecha como defectuosa la tanda de
producción de donde procede la muestra. Si el administrados quiere garantizar
que no se desechen más del 5%, en qué diámetro debe establecer el límite de
la norma?.
Solución
En este caso se debe hallar el valor promedio por debajo del cual se encuentra
el 5% de los diámetros más bajos, es decir, hallar x0 tal que P [X ≤ x0 ] = 0.05.
Como ya se sabe, para muestras de tamaño ocho, X ∼ N (1.30, 0.0006125),

por lo tanto:
P [X ≤ x0 ] = 0.05
[ ]
X − 1.30 x0 − 1.30
P √ ≤√ = 0.05
0.0006125 0.0006125
P [Z ≤ z0 ] = 0.05
Donde:
x0 − 1.30
z0 = √
0.0006125
Además, de la distribución normal se tiene que el percentile 5% de una normal
estándar está dado por z0 = −1.64, luego igualando los valores de z0 se tiene:
x − 1.30
√0 = z0 = −1.64 despejando se tiene:
0.0006125
√
x0 − 1.30 = −1.64 × 0.0006125
√
x0 = −1.64 × 0.0006125 + 1.30
x0 = 1.26
R/ Para garantizar que no se desechen más del 5% de las tandas de producción

de las pelotas de ping - pong se debe establecer el diámetro promedio límite en
1.26 pulgadas.
5. De la producción en general, qué porcentaje de las pelotas no cumplen con las

especificaciones de calidad inicial?
Solución
Hágalo!
Ejemplo 3.2.3 El peso neto de las cajas de detergente puede considerarse como
una v.a normal. Cajas estándar de una marca comercial tienen un peso promedio
de 1000 gm y una desviación estándar de 20gm. Si see toman 15 cajas al azar,
mediante un MAS con reemplazo, determine:
1. ¿cuál es la probabilidad de que el peso promedio de las cajas sea 1025gm?
2. ¿Cuál es la probabilidad de que el peso promedio de las cajas sea menor a 1025
gm?
3. ¿Cuál es la probabilidad de que el peso promedio de las cajas sea de 989 gm o

más?
4. ¿Cuál es la probabilidad de que el peso promedio de las cajas este entre 990 y
1008 gm?
5. ¿Cuál es el peso promedio por debajo del cual se encuentra el 90%, y por
encima el 10% de los pesos promedio de las 12 cajas?
Ejemplo 3.2.4 De una población de 50 estudiantes se extrae mediante muestreo

aleatorio simple sin reemplazo una muestra de tamaño 12. Encuentre el error es-
tándar si se sabe que la población tiene una varianza de 100.
Solución 17 Siguiendo lo establecido en la definición (??), y con base en el teorema

(3.1) se tiene que
El teorema (3.1) nos ofrece una solución a la distribución de la media muestral

sólo cuando la población con la que se está trabajando es normal, pero qué sucede
cuando no se cumple la condición de normalidad?, el siguiente teorema se constituye
en una alternativa útil para solucionar en cierta mediada este problema.
Teorema 3.2 Teorema del límite Central

Sea X una v.a de una población cualquiera con media µ y varianza σ 2 , y sea X̄
la media de una muestra de tamaño n extraída de esa población, entonces la v.a
( )
σ2
X ∼ N µ, cuando n → ∞
n
O de manera análoga se puede decir que:
X̄ − µ
Z= √ ∼ N (0, 1) cuando n → ∞
σ2
n
Es importante tener presente que en estos casos se supone que valores de n mayores
o iguales a 30 son grandes.
Ejemplo 3.2.5 Un callcenter, está interesada en conocer la probabilidad de que

el promedio de n llamadas dure un cierto periodo de tiempo, no les interesa una
llamada individual, ya que no le permitiría determinar la cantidad de personas que
requiere, las llamadas durante un mes promediaron 150 seg. Con una desviación
estándar de 15 seg. Determine: ¿Cuál es la probabilidad de que una llamada en

particular dure entre 150 y 155 segundos?
Solución
Sea X: Tiempo de duración de una llamada que ingresa a un callcenter.
X = 150seg
σ = 15seg
X ∼ N (150, 225)
P [150 ≤ X ≤ 155] = P [X ≤ 155] − P [X ≤ 150]

[ ] [ ]
X − 150 155 − 150 X − 150 150 − 150
= P √ ≤ √ −P √ ≤ √
225 225 225 225
= P [Z ≤ 0.33] − P [Z ≤ 0]
= 0.62930 − 0.5
P [150 ≤ X ≤ 155] = 0.1293
R/ La probabilidad de que la duración de una llamada que ingresa al colcenter este

entre 150 y 155 seg es del 12.93%
Ejemplo 3.2.6 El costo promedio anual de un seguro para automóvil es de $435

mil pesos con una desviación típica de 120 mil de pesos. Determine:
1. La probabilidad de que en una muestra aleatoria simple de 35 pólizas de seguro
de automóvil, el promedio se encuentre por debajo de $460.000
Solución
X: Costo anual de un seguro para automovil, en miles de pesos.
µ = 435
σ = 120
X ∼???(435, 1202 )
n = 35 pólizas
P [X < 460] =??

Para poder encontrar esta probabilidad se debe conocer cuál es la distribución
de la media muestral X, y para esto, en este caso, se tiene:

X ∼???(435, 1202 ) 


 ( )
 −−−−−−−−−−−−→ 1202
n = 35 grande T.LimiteCentral X ∼ N 435,

 35



σ conocida
( )
Se sigue entonces que X ∼ N 435, 14400
35 , luego:
 
X − 435 460 − 435
P [X < 460] = P  √ < 14400

14400 35
35
[ ]
25
= P Z<
20.2837
= P [Z < 1.23]
P [X < 460] = 0.89065
R/ La probabilidad de que el precio promedio anual, en una muestra aleato-

ria simple de 35 pólizas de seguro de automóvil, se encuentre por debajo de
$460.000 es de 0.89065.
2. Determine la probabilidad, de que en una muestra aleatoria simple de tamaño

35, la media muestral no difiera en más de 50 mil pesos de la media pobla-
cional.
Solución
Al igual que en el item anterior n = 35.
Si la media muestral no difiere en más de 50 mil pesos de la media poblacional,
significa que el valor absoluto de la diferencia entre la media muestral y la
poblacional es menor o igual a 50, (esto es, se)debe resolver: P [|X − µ| ≤ 50];
y teniendo en cuenta que: X ∼ N 435, 14400 35 , se tiene:
P [|X − µ| ≤ 50] = P [−50 ≤ X − µ ≤ 50]

 
−50 X −µ 50
= P √ ≤√ ≤√ 
14400 14400 14400
35 35 35
= P [−2.47 ≤ Z ≤ 2.47]
= P [Z ≤ 2.47] − P [Z ≤ −2.47]
= 0.99324 − 0.00676
P [|X − µ| ≤ 50] = 0.98648
R/ La probabilidad, de que en una muestra aleatoria simple de tamaño 35, la

media muestral no difiera en más de 50 mil pesos de la media poblacional es
de0.98648
3. Si se establece que el precio de las polizas sigue una distribución normal con
los parámetros antes presentados, entoncces determine la probabilidad de que
una poliza cualquiera tenga un costo entre 350 y 480 mil pesos.
Solución
En este caso sólo se está seleccionando una poliza, por lo tanto no hay mues-
tra. Luego se debe hallar P [350 ≤ X ≤ 480] =??, se sabe además que
X ∼ N (435, 1202 )
[ ]
350 − 435 X − 435 480 − 435
P [350 ≤ X ≤ 480] = P √ ≤ √ ≤ √
120 2 1202 1202
[ ]
−85 45
= P ≤Z≤
120 120
= P [−0.71 ≤ Z ≤ 0.38]
= P [Z ≤ 0.38] − P [Z < −0.71]
= 0.64803 − 0.23885
P [350 ≤ X ≤ 480] = 0.40918
R/ Si la distribución es normal, la probabilidad de que el precio anual de una

poliza se encuentre entre 350 y 480 mil pesos es de 0.40918.
3.2.2 Distribución para la Diferencia de Medias

Teorema 3.3 Distribución muestral de la diferencia de medias.
Suponga que dos poblaciones normales, una con media µ1 y varianza σ12 , y la
otra con media µ2 y varianza σ22 . Se extra una muestra de tamaño n1 de la primera
población y se calcula su media muestral. Independientemente se extraes una mues-
tra de tamaño n2 de la segunda población y se calcula la media muestral X̄2 .
Una forma de compara las dos poblaciones es considerando la diferencia de sus
medias muestrales X̄1 − X̄2 por el momento nos interesa saber que la distribución
de esta variables es:
( )
σ12 σ2
X̄1 − X̄2 ∼ N µ1 − µ2 , + 2 (3.1)
n1 n2
Ejemplo 3.2.7 Los niveles de radiación latente en dos regiones A y B siguen dis-
tribuciones Normales independientes de medias 0.48 y 0.4663 y varianzas 0.2 y
0.01 rem por año, respectivamente. Se realizan 25 mediciones en la región A y
100 en la B. Obtener la probabilidad de que la media de la muestra A sea como
máximo 0.2 rem superior a la media de la muestra B. (Ejercicio tomado de "http :
//www.ugr.es/ ∼ bioestad/_private/T ema_6.pdf ")
Solución
X1 : nivel de radiación latente en la región A, en rem
X2 : nivel de radiación latente en la región B, en rem
donde: X1 ∼ N (0.48, 0.02) y n1 = 25
X2 ∼ N (0.4663, 0.01) y n2 = 100
Se pide determinar la probabilidad de: P [X 1 ≤ X 2 + 0.2] =??? para resolver

esta probabilidad, primero se debe identificar la variable en el problema, por lo que
despejando en la inecuación se tiene: P [X 1 − X 2 ≤ 0.2] =???, veamos entonces
como se distribuye X 1 − X 2 , para poder resolver el problema:

X1 ∼ N (0.48, 0.02) 



X2 ∼ N (0.4663, 0.01) 
 ( )
 −−−→ 0.2 0.01
T.3.3 X1 − X 2 ∼ N 0.48 − 0.4663, +
n= 25; n2 = 100; grandes 
 25 100





σ1 ; σ2 ; conocidas
Se sigue entonces que: X1 − X 2 ∼ N (0.0137, 0.0081), por lo tanto:
[( ) ]
X 1 − X 2 − 0.0137 0.2 − 0.0137
P [X 1 − X 2 ≤ 0.2] = P √ ≤ √
0.0081 0.0081
= P [Z ≤ 2.07]
= 0.98077
R/ La probabilidad de que la media de la muestra de la región A sea como

máximo 0.2 rem superior a la media de la muestra de la región B es de 0.98077.
Ejemplo 3.2.8 Una muestra de tamaño n1 = 5 se saca aleatoriamente de una

población que está normalmente distribuida con media µ1 = 50 y σ12 = 25, y se
registra su media muestral X̄. Una segunda muestra aleatoria de tamaño n2 = 4
se selecciona, independiente de la primera muestra de una población diferente que
también se distribuye normal con media µ2 = 40 y σ22 = 16 y se registra la media
muestral X̄. Encuentre:
1. la probabilidad de que la media muestral de la población uno no exceda en más

de 8.2 la media muestral de la población 2.
2. la probabilidad de que la diferencia de las medias no supere a 11.
Teorema 3.4 Si se sacan al azar muestras independientes de tamaño n1 y n2

grandes, de dos poblaciones distintas continuas, con media µ1 y µ2 respectivamente,
y varianzas σ12 y σ22 respectivamente, entonces la distribución muestral de la difer-
encia de medias X̄1 − X̄2 , está distribuida aproximadamente en forma normal, así:
( )
σ2 σ2
X̄1 − X̄2 ∼ N µ1 − µ2 , 1 + 2 (3.2)
n1 n2
Ejemplo 3.2.9 En un estudio para comparar los pesos promedio de niños y niñas
de sexto grado se tomó una muestra aleatoria de 30 niños y otra de 35 niñas. El
promedio de los pesos de todos los niños de sexto grado de esa escuela es de 100
libras y su desviación estándar es de 14, mientras que el promedio de los pesos de
todas las niñas del sexto grado es de 85 libras y su desviación estándar es de 12
libras. Encuentre la probabilidad de que el peso promedio de los 30 niños sea al
menos 20 libras más grande que el de las 35 niñas.
3.2.3 Distribución de una proporción Muestral P

Como se pudo observar en los ejemplos al comienzo del capítulo, la proporción
muestral también se constituye en un estadístico para el caso de una variables
binomial, a continuación se describe su distribución.
Teorema 3.5 Considérese una población Binomial, donde la probabilidad de éxito

π es conocida, y tomemos una muestra de tamaño n grande, entonces
P −π
Z=√ ∼ N (0, 1)
π(1 − π)/n
siempre que n → ∞
Es importante que para aplicar la definición anterior se entiende que n → ∞

siempre que n ≥ 100, o en su defecto nπ ≥ 5 y n(1 − π) ≥ 5. Además la aproxi-
mación presentada en la definición anterior se puede mejorar con la corrección por
1
continuidad dada por 2n .
Ejemplo 3.2.10 Tras varios años examinando a los alumnos de la asignatura de

Estadística y Probabilidad, se ha observado que en el examen parcial de la asignatura
aprueban el 60% de los alumnos. Antes de empezar el curso se toma una m.a.s de
10 alumnos matriculados en la asignatura. Conteste a las siguientes preguntas:
1. ¿Cuál es la probabilidad de que en la muestra apruebe el 20%?
2. ¿Cuál es la probabilidad de que más del 50% de la muestra apruebe?

3. ¿Cuál es la probabilidad de que reprueben menos del 30% de los estudiantes

en la muestra?
4. Determine la proporción de estudiantes por encima del cual que encuentra el
15% de las proporciones más altas.
Ejemplo 3.2.11 El histórico de la producción de tubos de cartón para empaques

ha mostrado que el 3% de las unidades que salen de la maquina principal son de-
fectuosas. Con base en esto, el administrador decidió realizar una mantenimiento
y reajuste a la máquina, y posteriormente, selecciono una muestra de 100 tubos de
una de las producciones de la máquina para ver si el proceso había mejorado, y
encontró que 4 tubos estaban defectuosas. Si el administrador entiende que el man-
tenimiento y reajuste fue un éxito, sólo si se puede establecer que el porcentaje de
proporciones muestrales por debajo del valor encontrado en la muestra es inferior al
que se encuentra por debajo de la media, entonces, ¿Se puede decir que realmente
el mantenimiento mejoró el proceso?
Solución
X : Cantidad de unidades que salen defectuosas de la producción de la máquina
principal de la empresa, en una muestra de 100 tubos.
π : proporción de unidades que salen defectuosas de la producción de la máquina.
π = 0.03; x = 4; n = 100
P : Proporción de unidades que salen defectuosas de la producción de la máquina

en una muestra de 100 tubos.
4
p = nx = 100 = 0.04
Para determinar si el proceso mejoro o no, se deberá establecer si la proporción

muestral de defectuosos disminuyo, esto es, hay que hallar P [P < 0.04] =??, para
solucionar esta probabilidad se debe encontrar la distribución de la v.a P .
Se puede establecer que X ∼ Bin(100, 0.03), puesto que los tubos en la muestra
son independiente y la probabilidad de defectuosos permanece constante, por lo tanto:

X ∼ Bin(100, 0.03)  ( )
−−−→ 0.03(1 − 0.03)
T.3.5 P ∼ N 0.03,
 100
n = 100 grandes
Se tiene entonces que P ∼ N (0.03, 0.00291), luego:
[ ]
P − 0.03 0.04 − 0.03
P [P < 0.04] = P √ < √
0.00291 0.00291
= P [Z < 0.19]
= 0.57535
Adicionalmente se tiene P [P < 0.03] = 0.5, por propiedades de la distribución

normal.
R/ Se sigue entonces que el ajuste de la maquina no fue efectivo puesto que la

probabilidad de la proporción de defectuosos aumento.
Ejemplo 3.2.12 Cuál es la probabilidad de que de los 100 bebés próximos a nacer
en una clínico, entre 53% y el 62% sean niñas? Suponga que la probabilidad de que
nazca un niño es igual a la probabilidad de que nazca una niña.
3.2.4 Distribución de una diferencia de Proporciones Mues-

trales P 1 − P 2
Teorema 3.6 Si se extraen muestras aleatorias independientes n1 y n2 de dos
poblaciones de variables dicotómicas, donde la proporción de las observaciones con
la característica de interés en ambas poblaciones es π1 y π2 respectivamente, la dis-
tribución de la diferencia en ambas poblaciones de las muestras, p1 − p2 es aprox-
imadamente normal con media µ = π1 − π2 y varianza π1 (1−π n1
1)
+ π2 (1−π
n2
2)
, esto
es:
( )
π1 (1 − π1 ) π2 (1 − π2 )
p1 − p2 ∼ N π1 − π2 ; +
n1 n2
Ejemplo 3.2.13 Los hombres y mujeres adultos radicados en una ciudad grande
del norte difieren en sus opiniones sobre la promulgación de la pena de muerte para
personas culpables de asesinato. Se cree que el 12% de los hombres adultos están a
favor de la pena de muerte, mientras que sólo 10% de las mujeres adultas lo están.
Si se pregunta a dos muestras aleatorias de 70 hombres y 80 mujeres su opinión
sobre la promulgación de la pena de muerte, determine la probabilidad de que el
porcentaje de hombres a favor sea al menos 3% mayor que el de las mujeres.
3.3 La distribución t-student

Definición 3.3.1 La variable aleatoria continua T tiene una distribución t-student
con γ-grados de libertad, si y solamente si su función de densidad de probabilidad
está dada por:
( )− γ+1
Γ( γ+1
2 ) t2 2
f (t) = √ γ 1 + ; −∞ < t < ∞; γ ∈ Z+

γπ Γ( 2 ) γ
∫∞
Con Γ(γ) = 0 xγ−1 e−x dx
La distribución t-student cuenta con las siguientes características:
Teorema 3.7 Sea X una v.a tal que X ∼ N (µ, σ 2 ), con σ 2 desconocida. Si se
toma una muestra aleatoria de tamaño n pequeña, de esta población, entonces la
X−µ
variable aleatoria T = S/ √ tiene una distribución t-student con n − 1 grados de
n
libertad, esto es:
X −µ
T = √ ∼ tn−1
S/ n
Característica de la distribución t-student Para hacernos una idea del
comportamiento de la función de densidad t, presentamos a continuación algunas
de sus propiedades fundamentales.
1. La distribución t es simétrica respecto al eje t = 0.
2. La variable t toma valores desde −∞ hasta ∞.
3. La media de una variable T es µ = 0.
4. La curva de la distribución t es semejante a la de la normal pero sus colas
son más altas, lo que indica que su variabilidad es mayor al de la normal.
En la figura 3.1 se puede observar la curva de una normal estándar con línea
continua y la curva de una distribución t con 2 grados de libertad con la línea
punteada.
3.3. LA DISTRIBUCIÓN T -STUDENT 81
0.4
0.3
0.2
y
0.1
0.0
−4 −2 0 2 4
Figure 3.1. Distribución Normal Estandar, y distribución t-student γ=2
5. La distribución t depende de un parámetro γ llamado los grados de libertad

(gl), los grados de libertad son un valor que indican el número de observaciones
linealmente independientes que ocurren en una suma de cuadrados.
6.
7.
8.
Teorema 3.8 Sea X1 una v.a tal que X1 ∼ N (µ1 , σ12 ), y X2 una v.a tal que X2 ∼
N (µ2 , σ22 ), con σ12 , σ22 desconocidas pero iguales. Si se toma una muestra aleatoria
de tamaño n1 de la primera población, y de manera independiente una n2 de la
(X1 −X
√
2 )−(µ1 −µ2 )
segunda, con n1 y n2 pequeñas, entonces, la variable aleatoria T = S2 S2 p
n1 + np
2
tiene una distribución t-student con n1 + n2 − 2 grados de libertad, esto es:
( )
X1 − X2 − (µ1 − µ2 )
T = √ 2 ∼ tn1 +n2 −2
Sp Sp2
n1 + n2
(n1 −1)S12 +(n2 −1)S22

con Sp2 = n1 +n2 −2
Teorema 3.9 Sea X1 una v.a tal que X ∼ N (µ1 , σ12 ), y X2 una v.a tal que X ∼
N (µ2 , σ22 ), con σ12 , σ22 desconocidas pero diferentes. Si se toma una muestra aleatoria
de tamaño n1 de la primera población, y de manera independiente una n2 de la
(X1 −X
√
2 )−(µ1 −µ2 )
segunda, con n1 y n2 pequeñas, entonces, la variable aleatoria T = 2 2
S1 S
n1 + n2
2
tiene una distribución t-student con γ grados de libertad, esto es:
( )
X1 − X2 − (µ1 − µ2 )
T = √ 2 ∼ tγ
S1 S22
n1 + n2
2
(S12 /n1 +S22 /n2 )
con γ = (S12 /n1 )2 (S22 /n2 )2
∈ Z+
n1 −1 + n
2 −1
3.4 Distribución Ji-Cuadrada χ2

Es una distribución de forma funcional elaborada que se desliga de la distribución
gamma y el de forma es, donde γ son los grados de libertad.
La distribución ji -cuadrado es un caso especial de la distribución gama cuando el
parámetro de escala es λ = 12 , en cuyo caso, el parámetro de forma suele expresarse
como r = γ2 . En este caso, el número γ funge como el parámetro más importante
de la distribución así definida y recibe el nombre de número de grados de libertad.
No necesariamente tiene que ser un número entero, pero lo más común es manejar
este tipo de valores, por ejemplo, a la hora de usar tablas. De manera simbólica,
Definición 3.4.1 Una variable aleatoria continua que tiene distribución ji-cuadrado
con γ grados de libertad se define como sigue:
1 γ
( γ ) · x 2 −1 · e− 2 ;
x
χ2 (x; γ) = γ xo, γenteropositivo
2 Γ 2
2
El siguiente teorema se sigue de manera casi inmediata:
Teorema 3.10 Si X es una variable aleatoria continua que tiene distribución ji-
cuadrada con γ grados de libertad, entonces sus parámetros media y varianza son,
respectivamente, los siguientes:µ = γ; σ 2 = 2γ.
Teorema 3.11 Sea X una variable aleatoria continua tal que X ∼ N (µ, σ 2 ); y
sea S 2 la varianza de una muestra aleatoria de tamaño n extraída de esa misma
población, entonces la variable aleatoria
(n − 1)s2
W =
σ2
tiene una distribución ji-cuadrada con n − 1 grados de libertad.
3.4.1 Propiedades de la Distribución ji -cuadrada

1. La distribución es asimétrica.
2. La variable toma valores entre 0 +∞
3. La distribución depende de una parámetro γ llamado los grados de libertad

(gl).
4. L asimetría de la curva disminuye a medida que el número de grados de

libertad tiende a infinito y se aproxima a la normal.
3.5. DISTRIBUCIÓN F-FISHER 83
3.5 Distribución F-Fisher

Definición 3.5.1 Se dice que una variable aleatoria continua X tiene una dis-
tribución F con γ1 y γ2 grados de libertad si y solamente si su función densidad de
probabilidad está dada por:
( ) ( )γ1 /2 ( )− 21 (γ1 +γ2 )
Γ γ1 +γ 2
γ1 γ1
−1 γ1
f (x) = ( ) 2 ( ) x 2 1+ x
Γ γ21 Γ γ22 γ2 γ2
Teorema 3.12 Si S12 y S22 son las varianzas de variables aleatorias independientes
detamaño n1 y n2 repectivamente, tomadas de poblaciones normales con varianzas
σ12 y σ22 entonces el estadístico
S 2 /σ 2
F = 12 12
S2 /σ2
tiene una distribución F con n1 − 1 y n2 − 1 grados de libertad.
Es importante resaltar en el teorema anterior que la tabla de la distribución F

se construye asumiendo que la mayor de las dos varianzas está en el numerador.
Tenga presente que:
1
Fγ1 ,γ2 ,α/2 =
Fγ2 ,γ1 ,1−α/2

1. De una población de tamaño 25 con edad promedio de 17 años y varianza 9,
se toman muestras de tamaño 8 mediante un MAS, entonces:
(a) Si el muestreo es sin reemplazo, encuentre la media y la varianza de la
media muestral.
(b) Si el muestreo es con reemplazo, encuentre la media y la varianza de la
media muestral.
2. En un barrio de Medellín se está empezando a popularizar la práctica del
Parkour, en la actualidad se cuenta con una población de 7 practicantes
del deporte en el barrio, los cuales tienen un tiempo promedio en un recorrido
estándar de 10.25 minutos, con una desviación estándar de 1.23 minutos. Si en
la ciudad se ha organizado una competencia en la que cada club puede llevar
tres participantes, y se realiza un muestreo aleatorio simple sin reemplazo
para seleccionar el equipo de participantes, determine el tiempo promedio en
un recorrido estándar de las muestras y la varianza de los tiempos promedios
de recorrido.
3. Supongamos que la estatura media de las alumnas de una institución educativa
es de 1.65 m., con una desviación típica de 8 cm.
(a) Hallar los parámetros de una media muestral de tamaño n = 36.
(b) Determine la probabilidad de que una muestra de 36 alumnas tenga una
media de 1.67 m. o más.
4. En el último año, el peso de los recién nacidos en una sala de maternidad se
ha distribuido según una ley normal de media µ = 3100 gm y una desviación
típica σ = 150 gm. ¿Cuál será la probabilidad de que la media de una muestra
de 100 recién nacidos sea superior a 3130 gr?
5. Las notas de cierto examen se distribuyen según una normal de media 2.9 y
desviación típica 1.2. Hallar la probabilidad de que la media de una muestra
tomada al azar de 16 estudiantes esté comprendida entre 2.5 y 3.5.
6. La ropa que produce un fabricante F1 tiene una media de 1400 días de duración
con una desviación típica de 200 días, mientras que las de otro fabricante F2
tiene una vida media de 1200 días con una desviación típica de 100 días. Si
se toma una muestra de 125 prendas de cada uno de los fabricantes, ¿cuál es
la probabilidad de que la ropa que produce el fabricante F1 tenga una vida
media que sea al menos de 160 días más de duración que la que produce el
fabricante F2 ?
7. Marque con una X su respuesta. El peso promedio de los alumnas de primer

año de universidad es 61 kg con desviación estándar 12 k. Se toma una muestra
aleatoria de 36 alumnos que ingresan a la universidad. Con confiabilidad del
68% podemos decir que la media de la muestra estará comprendida:
(a) Entre 59 y 63 kilos

(b) Entre 58 y 60 kilos
(c) Entre 58 y 65 kilos
(d) Entre 60 y 61 kilos
8. Determine si las siguientes proposiciones son Verdaderas o Falsas (V o F),

argumente su respuesta.
(a) ( )Una distribución muestral describe los valores que tomaría un estadís-
tico en muchas repeticiones de una muestra o de un experimento en las
mismas condiciones.
(b) ( ) La varianza de la media muestral aumenta a medida que crece el
tamaño de la muestra.
(c) ( ) Los histogramas de todas las distribuciones muestrales tienen forma
simétrica.
(d) ( ) Un parámetro es la medida de alguna característica de una muestra.
(e) ( ) Cuando el estadístico de prueba es t y el número de grados de libertad
se hace muy grande, el valor crítico de t está bastante próximo al normal
estándar z.
(f) ( ) El valor esperado de la distribución muestral de las X es igual a la
media de la muestra.
9. Un inspector federal de pesos y medidas visita una planta de empacado para

verificar que el peso neto de las cajas sea el indicado en éstas. El gerente de la
planta asegura al inspector que el peso promedio de cada caja es de 750 g con
una desviación estándar de 5 g. El inspector selecciona, al azar, 100 cajas y
encuentra que el peso promedio es de 748 g. Si el peso neto de las cajas tiene
una distribución normal; bajo estas condiciones,
(a) ¿qué tan probable es que el inspector obtenga un peso medio de 748 g o
menos?
(b) ¿Cuál es la probabilidad de que la diferencia entre la media de la muestra
y la media verdadera no exceda de 1 gramo?
(c) Calcular la probabilidad de que el peso de una caja, seleccionada al azar
de un lote, supere los 754 gramos.
10. Al sumar números, un computador aproxima cada número al entero más próx-
imo. Supongamos que todos los errores de aproximación son independientes
y distribuidos uniformemente entre (-0.5, 0.5).
(a) Si se suman 1500 números, £cuál es la probabilidad de que la magnitud

del error total exceda de 15?
(b) ¿Cuántos números pueden sumarse juntos a fin de que la magnitud del
error total sea menor que 10, con probabilidad 0,90?
11. En una ciudad, el peso de los recién nacidos se ha distribuido según la ley
normal de media µ = 3100gr. y desviación típica σ = 150gr. Halla los
parámetros de la distribución que siguen las medias de las muestras de tama.no
100.
12. Una muestra de tamaño n1 = 5 se saca aleatoriamente de una población que
está normalmente distribuida con media µ1 = 50 y σ12 = 5, y se registra su
media muestral X̄. Una segunda muestra aleatoria de tamaño n2 = 4 se
selecciona, independiente de la primera muestra de una población diferente
que también se distribuye normal con media µ2 = 40 y σ22 = 4 y se registra la
media muestral X̄. Encuentre:
(a) la probabilidad de que la media muestral de la población uno no exceda
en más de 8.2 la media muestral de la población 2.
(b) la probabilidad de que la diferencia de las medias no supere a 11.
13. En un estudio para comparar los pesos promedio de niños y niñas de sexto
grado se tomó una muestra aleatoria de 20 niños y otra de 25 niñas. Se
sabe que tanto para niños como para niñas los pesos siguen una distribución
normal. El promedio de los pesos de todos los niños de sexto grado de esa
escuela es de 100 libras y su desviación estándar es de 14, mientras que el
promedio de los pesos de todas las niñas del sexto grado es de 85 libras y su
desviación estándar es de 12 libras. Encuentre la probabilidad de que el peso
promedio de los 20 niños sea al menos 20 libras más grande que el de las 25
niñas.
14. Una encuesta realizada para determinar el tiempo que dura un empleado des-
pedido en cierta ciudad para encontrar trabajo de nuevo constó de 250 traba-
jadores de dicha ciudad que fueron despedidos entre 2009 y 2012, se encontró
que 20% habían estado sin trabajo durante por lo menos dos años. Supón-
gase que tuviera que seleccionar otra muestra aleatoria de 250 trabajadores
de entre todos los empleados despedidos entre 2009 y 2012. £Cuál sería la
probabilidad de que su porcentaje muestral de trabajadores sin empleo du-
rante por lo menos dos años, difiera del porcentaje obtenido en la encuesta
inicial en 5% o más?
grado se tomó una muestra aleatoria de 30 niños y otra de 35 niñas. El
promedio de los pesos de todos los niños de sexto grado de esa escuela es de
100 libras y su desviación estándar es de 14, mientras que el promedio de
los pesos de todas las niñas del sexto grado es de 85 libras y su desviación
estándar es de 12 libras. Encuentre la probabilidad de que el peso promedio
de los 30 niños sea al menos 20 libras más grande que el de las 35 niñas.
16. ¿Cuál es la probabilidad de que de los 100 bebés próximos a nacer en una
clínico, entre 53% y el 62% sean niñas? Asumase que la probabilidad de que
nazca un niño es igual a la probabilidad de que nazca una niña.
17. Suponga como aproximadamente cierto, que el 88% de bachilleres hombres

trabajan en diciembre y que el 82% de las mujeres bachilleres trabajan en
diciembre. Una encuesta, por muestreo aleatorio, entrevistó a 400 hombre
bachilleres y a 400 mujeres bachilleres. Las dos muestras son independi-
entes. ¿Cuál es la distribución aproximada de P F , la proporción de mujeres
bachilleres que trabaja en diciembre?
¿Cuál es la probabilidad de que en la muestra una proporción mayor de mu-
jeres que hombres trabaja en diciembre?
18. Un fabricante produce focos que tienen un promedio de vida con distribu-
ción aproximadamente normal con una media de 780 horas y una desviación
estándar de 40 horas.
(a) Determine la probabilidad de que en una muestra de 30 focos se encuentre
un promedio superior a 870 horas de duración.
(b) Determine un intervalo simétrico alrededor de la vida media que garantice
el 99% de las vidas promedio de los focos en muestras de tamaño 30 se
encuentra en dicho intervalo
(c) Determine la probabilidad de que un foco seleccionado al azar tenga una
duración superior a 870 horas.
(d) Determine la duración promedio de un grupo de 35 focos por debajo del
cual se encuentran el 98% de las duraciones promedios para esta cantidad
de focos.
grado se tomó una muestra aleatoria de 20 niños y otra de 25 niñas. Se
sabe que tanto para niños como para niñas los pesos siguen una distribución
normal. El promedio de los pesos de todos los niños de sexto grado de esa
escuela es de 100 libras y su desviación estándar es de 14, mientras que el
promedio de los pesos de todas las niñas del sexto grado es de 85 libras y su
desviación estándar es de 12 libras. Encuentre la probabilidad de que el peso
promedio de los 20 niños sea al menos 20 libras más grande que el de las 25
niñas.
Bibliography
[1] Daniel, Wayne W. (???). Bioestadística. Base para el análisis de las ciencias
de la salud . Ed.?????
[2] Diaz Cadavid, Abel. Gurtierrez, Armando. (1995) "Estadística General". Se-
gunda Edición. Universidad de Antioquia, Facultad de Educación. Centro de
educción a distancia y Extensión. Curso de estadística General.
[3] Triola, Mario F. (2000). Estadística Elemental. 7a. Edición. Editorial Pearson.
Mexico.
[4] Walpole, Ronal E., Myers, Raymal H. (?????). Probabilidad y Estadística. Sec-
ond Edition. New York: Springer.
[5] Genest, C. and McKay, J. (1986). The Joy of Copulas: Bivariate Distributions
with Uniform MArginals. The American Statistician, 40, 280–283.
[6] Klugman, Stuart A.; Panjer, Harry H.; Willmot, Gordon E. (2008). Loss Mod-
els. From Data to Decisions. Third Edition. Wiley.
[7] Mari, D. D. and Kotz, S. (2001). Correlation and Dependence. Imperial College
Press.
[8] Nelsen, R. (2006). An Introduction to Copulas. Second Edition. New York:

Springer.
[9] Sklar, A. (1959). Fonctions de répartition a n dimensions et leurs marges.

Publications de lťInstitut de Statistique de lťUniversité de Paris, 8, 229–231.
[10] Schweizer, B. and Sklar, A. (1983). Probabilistic Metric Spaces. New York.
North Holland.
[11] Song, P.; Fan, Y. and Kalbfleisch, J. (2005). Maximization for Parts in
Likelihood Inference. Journal of the American Statistical Association, 100,
1145 − −1158.

Probaby Estadist

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

Probaby Estadist

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA Y PROBABILIDAD

Carmen Cecilia Sánchez Zuleta

3.2.4 Distribución de una diferencia de Proporciones Muestrales

En la actualidad la teoría de probabilidades se entiende como una rama de las

En las siguientes sesiones se realizará una introducción a los conceptos de la teoría

1.1 Conceptos Básicos de Probabilidad

• Probabilidad Clásica o "a priori".

• Probabilidad de Frecuencia relativa

El ejemplo anterior relaciona el concepto de probabilidad con la ocurrencia de

Deﬁnición 1.1.1 Experimento Aleatorio Un experimento aleatorio es aquel cuyo

Deﬁnición 1.1.2 Espacio Muestral Dado un experimento aleatorio, se deﬁne

Deﬁnición 1.1.3 Evento Dado un experimento aleatorio, se dice que un Evento

Ejemplo 1.1.1 Un experimento se lanza un dado no cargado al aire, describa el

Solución 1 En este caso se tiene:

Experimento Aleatorio: Lanzar un dado no cargado al aire

Espacio Muestral: posibles resultados del experimento: S = {1, 2, 3, 4, 5, 6}

Evento: {1, 3, 5} Conjunto de posibles resultados del experimento.

Deﬁnición 1.1.4 (Probabilidad a priori) Si un experimento aleatorio puede

Ejemplo 1.1.2 Determine la probabilidad de obtener un número impar al lanzar

Solución 2 Del ejemplo 1.1.1 se tiene que:

Experimento Aleatorio: Lanzar un dado no cargado al aire

Espacio Muestral: {1, 2, 3, 4, 5, 6}

Característica E: Obtener un numero impar

R/: La probabilidad de obtener un número par al lanzar un dado no cargado es

Solución 3 Experimento aleatorio: Lanzar una moneda

R/: La probabilidad de obtener una cara al lanzar una moneda no cargada al

Deﬁnición 1.1.5 Probabilidad Frecuentista o de Frecuencia relativa.

Observación 1.1.1 Se puede demostrar que:

Ejemplo 1.1.4 Determine la probabilidad a posteriori de obtener una cara al lanzar

Un concepto adicional de probabilidad que en ocasiones se utiliza es la proba-

La probabilidad que utilizaremos para nuestro desarrollo será la que tiene un

3. En cada uno de los siguientes items, especiﬁque cuál es el experimento aleato-

• La probabilidad de que al lanzar un dado no cargado al aire, este caiga

• Indique cuál es el experimento aleatorio realizado.

• La probabilidad de que un hombre sea elegido para realizar la pasantía.

5. Si se lanzan dos dados no cargados al aire, determine :

• El experimento aleatorio realizado.

6. Puede un evento tener probabilidad cero?, dé un ejemplo.

(a) Un ingeniero de telecomunicaciones.

1.3 Técnicas de Conteo

Deﬁnición 1.3.1 Diagrama de Árbol Un diagrama de árbol es una especie de

Un diagrama de árbol también se puede construir teniendo presente las proba-

Deﬁnición 1.3.2 Principio de Multiplicación

El principio de multiplicación presentado anteriormente se puede extender de

Ejemplo 1.3.2 Si un experimento consiste en lanzar dos dados y una moneda,

Solución 5 En este caso se puede observar que el experimento aleatorio consta de

Lo que indica que se tendrían 72 resultados posibles diferentes en el experimento

Ejemplo 1.3.4 En el ejemplo (1.3.2), encuentre la probabilidad de que en el resul-

Deﬁnición 1.3.3 Principio Aditivo

Ejemplo 1.3.5 Doña Amanda compró un pescado fresco para cocinarlo. En su

Deﬁnición 1.3.4 Factorial

Ejemplo 1.3.7 Determine a qué es igual el 5!

Teorema 1.2 El número de permutaciones de n objetos distintos, denotado por Pn

Teorema 1.3 Si n = 0 entonces n! = 0! = 1.

Teorema 1.4 El número de permutaciones de n objetos distintos, tomados de a r

1. ¿De cuántas formas diferentes puede organizar los textos en el estante?

orden, lo que implica que estamos ante un problema de permutaciones tomando

Sea N el número total de formas en que se pueden organizar los libros en el

R/ Los textos se pueden organizar en la estantería de 60 formas diferentes,

R/ El número de formas en las que los textos de español quedarán selecciona-

Numero de veces en las que los textos quedan juntos m1 12

Teorema 1.5 Permutaciones con repeticiones

Teorema 1.6 Permutaciones en disposición Circular