Objetivos:

Después de estudiar esta guía, se deberá estar en condiciones de:

 Definir la probabilidad.
 Dar ejemplos de casos en las que se pueda utilizar la probabilidad.
 Explicar a los que se refiere el término “experimento”.
 Definir los términos “espacio muestral” y “evento”.
 Describir los tres enfoques posibles de la probabilidad: clásica, de
frecuencia relativa y subjetiva.
 Identificar los casos y situaciones en los que se utiliza cada enfoque.
 Calcular las probabilidades o posibilidades para situaciones similares.
 Definir los términos “conjunto” y “mutuamente excluyente”,
“colectivamente exhaustiva”, “complemento” y “diagrama de Venn”.
 Explicar lo que se entiende por “probabilidad condicional”.
 Comparar eventos independientes y dependientes.
 Calcular las probabilidades de combinaciones de eventos.
 Relacionar reglas de conteo con la probabilidad clásica.
 Utilizar fórmulas de permutación y combinación para resolver problemas.
CONTENIDOS

Introducción.

Definiciones

Experimento

Experimento Aleatorio

Suceso o Evento:

Espacio Muestral

Eventos

Definiciones de Probabilidad

Definición Clásica o a Priori de Probabilidad

Definición de la Probabilidad de Frecuencia Relativa

Variables Aleatorias

Permutaciones

Combinaciones

Distribuciones de Probabilidad

Distribución Binomial

Distribución Normal
Resumen:

La probabilidad es un número que indica cuan posible es algún evento futuro. Las
probabilidades se determinan ya sea mediante la realización de una serie de ensayos y la
observación de la frecuencia relativa de ocurrencia del evento en cuestión (o bien,
tratando datos históricos como serie de ensayos idénticos), dándose cuenta que los
eventos (o resultados) son igualmente posibles, o bien, cuando estos no sean posibles,
mediante el empleo de juicios subjetivos. Resulta útil para la comprensión y utilización
de las probabilidades, imaginar el espacio muestral de todos los resultados posibles de
una muestra o experimento.

Las reglas de Probabilidad fueron ideadas para ayudar en el cálculo de eventos que
sean, por sí mismos combinaciones de otros. La regla de adición se utiliza cuando se
desea obtener la probabilidad de que ocurran uno de dos eventos, o ambos. Hay dos
variaciones a la regla, una para eventos que son mutuamente excluyentes, y otra para
eventos que no lo son. En forma semejante la regla de multiplicación, que se utiliza para
determinar la probabilidad de que ocurran dos eventos, posee dos variantes, una para
eventos dependiente y otra para independientes.

Las reglas de conteo son útiles, en la determinación del número de formas en que algo
puede ocurrir, particularmente cuando hay una gran diversidad de ellas.
Temas de Repaso

1. Describa brevemente los tres enfoques para la asignación de probabilidades.

2. ¿Por qué es importante el tamaño muestral en el enfoque de frecuencia relativa?
3. ¿Qué ventajas o desventajas presenta el enfoque subjetivo respecto a los otros dos
métodos?
4. Explique esta proposición: Puede haber un grado de subjetividad en el enfoque de
frecuencia relativa.
5. ¿Qué son las posibilidades y cómo se relacionan con las probabilidades?
6. Defina los siguientes términos: mutuamente excluyentes, colectivamente
exhaustivos, complemento.
7. ¿Qué es espacio muestral? ¿Qué es evento?
8. ¿Qué son los diagramas de Venn y cuál es su utilidad?
9. ¿Qué significa la expresión eventos independientes?
10. Defina lo que significa probabilidad conjunta. ¿Cómo se determina la probabilidad
conjunta cuando los eventos son independientes?
11. La probabilidad de que un evento ocurra más la probabilidad de que no lo haga se
suma siempre ha determinado número. ¿Cuál es el número y porqué siempre se les
debe sumar las probabilidades?
12. ¿Cuál es la regla de adición de la probabilidad respecto a eventos mutuamente
excluyentes? En lo relativo a eventos qué no son mutuamente excluyentes.
13. Enuncie la diferencia entre permutación y combinación.
14. ¿Cuál es la función de las técnicas de conteo?
15. ¿Qué relación hay entre las técnicas de conteo y la probabilidad clásica?
16. Explique el principio de multiplicación.
17. ¿Qué ventajas tiene la regla de multiplicación con respecto al árbol de decisión?
18. ¿Qué es un factorial?
19. ¿Cómo se utiliza el teorema de Bayes?
20. Defina la probabilidad a posteriori.
21. Defina la probabilidad a priori.
22. En forma matricial, ¿Cuáles probabilidades son condicionales?
23. En forma matricial, ¿Porqué las probabilidades de las filas siempre suman 1.00?
Deben las probabilidades de la columna también sumar 1.00 ¿Porqué?
Introducción
En nuestra diaria comunicación nos hemos acostumbrado a hacer y a oír afirmaciones
que llevan implícito el concepto de probabilidades, los consejeros escolares, en el
colegio, especulan sobre nuestras posibilidades de éxito en la universidad; los
encuestadores políticos nos dicen qué oportunidad tiene nuestro candidato favorito de
ganar las elecciones; los pronósticos meteorológicos nos señalan las posibilidades de
lluvia; los médicos nos dicen qué probabilidades hay de que nuestras enfermedades se
curen por medio de determinados tratamientos terapéuticos.

Podemos definir la probabilidad como un número, de 0 a 1, que le asignamos a un

fenómeno para indicar su posibilidad de ocurrir.

Con frecuencia las probabilidades se expresan en porcentajes, como cuando un

meteorólogo nos informa que la probabilidad de que llueva es de 20%, También se
podría decir que, en este caso la probabilidad es de 0.20.

Le asignamos la probabilidad de 0 a un fenómeno que no puede ocurrir y una

probabilidad de 1 a un fenómeno que con certeza ocurrirá.

Le asignamos La probabilidad de 0.5 a un fenómeno que tenga la misma posibilidad de

ocurrir y de no ocurrir.

Le asignamos una probabilidad mayor o igual a 0, pero menor que 0.5 y a un fenómeno
que tenga mas posibilidades de no ocurrir que de ocurrir. Y le asignamos una
probabilidad mayor que 0.5, pero menor o igual a 1, a un fenómeno que tenga más
posibilidades de ocurrir que de no ocurrir.

Independientemente de su aplicación particular, el empleo de las probabilidades implica

que existe algún elemento aleatorio o de incertidumbre relativo a la ocurrencia o no
ocurrencia de algún evento futuro. Así, en muchos casos puede ser virtualmente
imposible predecir qué pasará, pero es posible establecer lo que podría pasar. Por
ejemplo, si se tira una moneda, por lo regular no se puede decir con seguridad si caerá
cara o cruz. Sin embargo, combinando el raciocinio, la experiencia y los datos
históricos, con frecuencia es factible decir cuán probable es algún evento futuro.
Estadística 1

ELEMENTOS DE PROBABILIDAD

Definiciones

1. Experimento: es un proceso o actividad que conduce a un resultado u observación

de un fenómeno. Ejemplos:
a. El experimento de lanzar una moneda, para ver si cae sello o cara.
b. El experimento formal que tenga por objeto averiguar cuál es entre varios
métodos de enseñanza el más efectivo.

2. Experimento Aleatorio: es un experimento en el cual los fenómenos pueden o no

ocurrir. Ejemplos:
a. El experimento de lanzar una moneda para ver si sale cara.
b. El experimento de tirar un dado para ver si sale un as.

3. Suceso o Evento: es cada uno de los posibles resultados de un experimento. Puede

ser una cantidad o una cualidad. Ejemplos:
a. El número de caras al tirar una moneda cuatro veces.
b. Métodos de enseñanza.

4. Espacio Muestral (): es el conjunto de todos los posibles resultados (o sucesos

elementales) de un experimento aleatorio; tal que:
a. Cada resultado del experimento aleatorio, constituye un elemento del
conjunto 
b. A cualquier resultado del experimento aleatorio le corresponde uno y sólo
uno de los elementos de 
Ejemplos:
a. Sea el experimento aleatorio tirar una moneda 10 veces y anotar en cuantas
ocasiones cayó cara.
El espacio muestral de este experimento sería entonces el número posible de
caras que podría resultar: 0, 1, 2,..., 10. o sea:
 = {0,1,2,3,4,5,6,7,8,9,10}
b. Un experimento podría consistir en inspeccionar las medidas de seguridad
contra accidentes de una fábrica.
El espacio muestral se compone de la cantidad posible de accidentes o
peligros que pudiera descubrirse. O sea:
 = {0, 1, 2, 3,..., }

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 2

c. Si el experimento aleatorio es medir la vida útil (en horas) de un artefacto

eléctrico, su espacio muestral es el conjunto:
 = {t  R / t  0}
5. Evento Imposible (): es aquel que no tiene puntos muestrales, en consecuencia no
ocurre nunca.
6. Evento Seguro o Cierto (): es el mismo espacio muestral, es el subconjunto que
contiene todos los eventos elementales.

7. Eventos Elementales y Compuestos: evento elemental es cada resultado de un

experimento. Evento compuesto es aquel que está formado por dos o más eventos
elementales. Ejemplo:
Consideramos al experimento de “sacar una sola carta de un mazo de 52 naipes”
Los resultados posibles son:
Tréboles (negros): A, 2, 3,..., 10, J, Q, K.
Diamantes (rojos): A, 2, 3,..., 10, J, Q, K.
Corazones (rojos): A, 2, 3,..., 10, J, Q, K.
Espadas (negros): A, 2, 3,..., 10, J, Q, K.
Hay 52 eventos elementales en el espacio muestral . Otros eventos pueden
considerarse como combinaciones de tales sucesos elementales. Por ejemplo, el
evento “sacar un naipe de corazones” se puede satisfacer por cualquiera de los trece
eventos elementales (A, 2, 3,..., 10, J, Q, K corazones); el evento “sacar un naipe de
cinco” consta de cuatro eventos elementales; y el evento “la carta es roja” consta de
26 sucesos elementales.

8. Complemento de un Evento: es un conjunto que consta de todos los demás

resultados del espacio muestral. Ejemplos:
a. El complemento “el naipe es un corazón” es el conjunto de todas las cartas
de corazones.
b. El complemento de “el naipe es K de diamante” es el conjunto de las otras
51 cartas del mazo.

9. Eventos Mutuamente excluyentes: los eventos son mutuamente excluyentes si no

tienen elementos en común, o si no pueden ocurrir al mismo tiempo. Ejemplos:

a. Si el experimento es hacer un examen final. Los eventos “pasar” y

“reprobar” son mutuamente excluyentes, puesto que ninguna persona puede
al mismo tiempo pasar y reprobar un examen.

b. Sea el experimento sacar una sola carta. Los eventos:

A : “El naipe es un corazón” y

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 3

B : “El naipe es un diamante”,

Son mutuamente excluyentes, ya que una carta no puede ser corazón y
diamante a la vez.

Definiciones de Probabilidad

La definición adecuada de probabilidad dependerá de la naturaleza del problema

específico que se este tratando de resolver. Pueden ser:
1. Objetivas:
a. Clásica o a priori
b. Por frecuencia relativa
2. Subjetivas
La probabilidad subjetiva de un evento es el “grado de creencia” asignado a la
ocurrencia de un evento por un individuo particular.

Definición Clásica o A Priori de Probabilidad

Esta definición tiene en cuenta las condiciones siguientes:

1. Si hay m casos posibles favorables a la ocurrencia del evento A.
2. Si hay k posibles casos que indicarían la no ocurrencia de A.
3. Si cada caso es igualmente probable, y
4. Si todos los casos son mutuamente excluyentes, entonces la probabilidad de que el
evento A ocurra, se define como:

m Número de casos favorables a A

P(A) =
km Número de casos posibles

Ejemplo:
Supongamos que nuestro experimento es un solo lanzamiento de dado. Entonces nuestro
espacio muestral es  = 1, 2, 3, 4, 5, 6.
Sea el evento A = la aparición de un número par.
En un solo lanzamiento del dado, hay tres resultados posibles (es decir, un 2, un 4, un 6)
que indican la ocurrencia del evento A; entonces m = 3.
Hay tres posibles resultados (es decir, 1, 3 ó 5) que indicarían la no ocurrencia del
evento A; entonces k = 3.

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 4

Si se supone un dado corriente, entonces cada resultado es igualmente probable. Los

seis resultados son mutuamente excluyentes por que no pueden ocurrir dos resultados
con un solo lanzamiento del dado. (ejemplo, un 1 y un 3; un 4 y un 5)
Con todas estas condiciones, la probabilidad de conseguir un número par con un solo
lanzamiento del dado es:

m 3 3 1
P( A)    
k  m 33 6 2

Definición de la Probabilidad de Frecuencia Relativa

La definición “clásica”de probabilidades se ve limitada a situaciones en las que los

resultados son igualmente probables. Si se tira una moneda, digamos 100 veces, y cae
cara 60 puede ser razonable estimar la probabilidad de caras respecto a tiradas futuras
como 60/100 = 0.60.
De manera semejante, si los informes de laboratorios indican que cuando a 25 ratones se
les administraron dosis iguales de un fármaco, las lenguas de 20 de ellos adquirieron un
color verde claro, entonces es posible utilizar (20/25 = 0.80) como una estimación de la
probabilidad real de que este evento ocurra en condiciones idénticas.
Por tanto, según el enfoque de frecuencia relativa de la probabilidad, se tiene la
siguiente definición:

Número de veces que ocurre A

P( A) 
Número total de ensayos u observaciones

Esto se interpreta como la frecuencia relativa resultante de una larga serie de ensayos u
observaciones.
Esta interpretación de probabilidad difiere en un aspecto muy importante del primer
enfoque clásico. La noción tradicional es que la probabilidad de que ocurra un resultado
puede determinarse antes de un experimento. La idea de frecuencia relativa es que la
probabilidad se calcula después de una serie de ensayos u observaciones.
Las probabilidades calculadas sobre una muestra, o después de ensayos (experimentos u
observaciones) se llaman probabilidades a posteriori o empíricas. Vemos luego que la
interpretación de la frecuencia relativa de las posibilidades se funda en la experiencia
pasada.

Ejemplos:

a. Una probabilidad calculada antes de arrojar un dado puede considerarse como

probabilidad exacta. Una probabilidad calculada sobre datos muestrales no
puede ser exacta, antes bien solo una estimación.

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 5

b. Si, sobre una muestra de 2000 empleados, 1600 están a favor de un salario
anual, la probabilidad de 0.80 es solo una estimación, pues una muestra más
amplia daría una probabilidad más precisa (y, sin duda, diferente), como por
ejemplo 0.79 ó 0.81.

Probabilidad de un Evento: la probabilidad de cualquier evento A de , es el número

real P(A) que satisface los axiomas siguientes:
1. P(A)  0, para todo evento A
2. P() = 1
3. Si A y B son dos eventos mutuamente excluyentes (A  B = ), entonces
P(A  B) = P(A) + P(B)
En resumen: la probabilidad P es una función que asocia a cada evento A, el número
real P(A) que satisface los axiomas 1, 2, 3.

Variables Aleatorias
Def.1 : Una VARIABLE ALEATORIA es una función valorada numéricamente,
cuyo valor está regida por factores en los que interviene el azar.

Esta variable tiene resultados que tienden a variar de observación en observación debido
a los factores relacionados con el azar. Es conveniente por su importancia práctica,
definir una variable aleatoria asociada con el espacio muestra de un experimento, de tal
manera que sus resultados posibles sean numéricos.
Ejemplo:
Sea el experimento de tirar la moneda una sola vez. Los resultados posibles serán
SELLO y CARA, los cuales no son numéricos. De otra manera, el “número de caras de
una tirada” se consideraría como la variable aleatoria que tiene como posibles valores
numéricos 0 y 1.
Otra variable aleatoria podría ser el número de clientes que entran a una tienda de
novedades en un lapso de 20 minutos. 0, 1, 2, 3, 4,...
Las variables aleatorias pueden ser discretas o continuas.

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 6

Def. 2: Se llama variable aleatoria a toda función X de  en el conjunto de los

números reales

Una variable aleatoria se considera discreta si los valores que asume se pueden
contar.

Como ejemplos representativos de variables aleatorias discretas se encuentran el

número de accidentes que ocurren durante una semana, número de defectos de los
zapatos, cantidad de cosechas perdidas, número de terremotos, número de juegos
perdidos por inasistencia y la cantidad de libros que hay en un estante.

Una variable aleatoria se considera continua si puede asumir cualquier valor

dentro de un determinado intervalo

Una variable continua tiene un número infinito de valores posibles, como ejemplos
típicos tenemos: peso de las cajas de naranjas, altura de los pinos, duración de una
conversación telefónica y el tiempo que se requiere para llevar a cabo un examen de
tipo ensayo.
La diferencia que existe entre variables aleatorias discretas y continuas es, muy
importante debido, a que los diferentes modelos de probabilidad (distribuciones) se
utilizarán según el tipo de variable aleatoria en consideración.

Valor Esperado de una Variable Aleatoria

Si una variable aleatoria X asume valores X 1, X2, X3,..., Xn, con las probabilidades
correspondientes P1, P2, P3,..., Pn, entonces el valor esperado de la variable aleatoria
E(X) es:
P1X1 + P2X2 + P3X3 + … + PnXn
Por tanto:

n
E(X) =  x p( x )
i 1
i i

Supóngase que una tienda de aparatos electrónicos ha reunido los siguientes datos sobre
ventas de congeladoras:

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 7

(Xi) Congeladores P(Xi) Frecuencia relativa

vendidos

0 0.20
1 0.30
2 0.30
3 0.15
4 0.05

1.00

E(X) = 0.20(0) + 0.30(1) + 0.30(2) + 0.15(3) + 0.05(4) = 1.55

Como obviamente la tienda no puede vender en realidad 1.55 congeladores en un día

determinado (dado que la cantidad vendida es una variable discreta que consta de los
enteros 0, 1, 2, 3 y 4), la pregunta obvia es cómo interpretar dicha cifra. Es muy simple,
el valor esperado es un promedio de largo plazo.
En forma semejante, si se tira un dado no cargado, ¿Cuál es el valor esperado de una
tirada? Hay seis resultados que tienen la misma probabilidad, y el valor es:
1 1 1 1 1 1
( 1 ) + ( 2 ) + ( 3 ) + ( 4 ) + ( 5 ) + ( 6 ) = 3.5
6 6 6 6 6 6
Una vez más, 3.5 es un evento imposible en lo referente a una sola tirada, pero
ciertamente es razonable en términos de un promedio calculado sobre muchas pruebas.
Es interesante observar que el valor esperado se pueda calcular aun cuando no se hayan
llevado a cabo observaciones muestrales, como en el caso del dado, y el valor estimado
se puede estimar a partir de datos de muestreo, como en el ejemplo de las ventajas de
congeladores.

Ejemplo 1:
Un inversionista se da cuenta de que tiene una probabilidad de 0.40 de obtener una
utilidad de S/. 100’000,000, y una probabilidad de 0.60 de perder S/. 60’000,000, en una
inversión. Su ganancia esperada es:
0.40 (1000’000,000) + 0.60 (-60’000,000) = 4’000,000.
Obsérvese que la pérdida de 60’000,000 tiene el signo menos.

Ejemplo 2:
Un contratista hace las siguientes estimaciones:

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 8

Probabilidad Tiempo de terminación

0.30 10 días
0.20 15 días
0.50 22 días

El número esperado de días para la terminación del proyecto, según estas estimaciones,
es:
0.30 (10) + 0.20 (15) + 0.50 (22) = 17 días
Los cálculos del valor esperado pueden comprender el número de ocurrencias, como el
número de errores, cantidad de productos defectuosos, número de accidentes, etc., así
como determinados resultados financieros, como utilidades, pérdidas o ganancias,
rendimientos de inversión, etc.

EJEMPLOS:

1. Los datos reunidos por el administrador de un supermercado indican que 915 de

1500 compras dominicales exceden de S/. 40,000. Calcule la probabilidad de que
cualquier cliente dominical gastará más de S/. 40,000.
Solución:
Casosfavorales 915
P(Cliente) = = = 0.61
Casosposibles 1500
2. Se sacan dos cartas al azar de una baraja corriente de 52 cartas. Hallar la
probabilidad de que, (a) las dos sean espadas, (b) la una espada y la otra coco.
Solución:

Hay   = 1326 maneras de sacar 2 cartas de 52

52
2

a) Hay   = 78 maneras de sacar 2 espadas de 13; o sea

13
2

númerodecasosfavorablesdesacar 2espadas 78 1
P= = =
númerodecasosposiblesdesacar 2cartas 1326 17
b) Puesto que hay 13 espadas y 13 cocos, hay 13.13 = 169 maneras de sacar una
espada y un coco; o sea P = (169/1326)

3. Juan llega tarde al paradero del autobús que lo trae a su trabajo el 25% de las veces.
El autobús se retrasa el 10% de las veces. Si los dos sucesos no están relacionados,
qué probabilidad hay de que ambos ocurran.
Solución:
P(ambos se retrasen) = P(Juan se retrase) P(el autobús se retrase)

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 9

= (0.25)(0.10) = 0.025.
4. Se escogen al azar tres lámparas entre 15 de las cuales 5 son defectuosas. Hallar la
probabilidad de que:
(a) ninguna sea defectuosa
(b) exactamente una sea defectuosa
(c) una por lo menos sea defectuosa
Solución:
Hay   = 455 maneras de escoger 3 lámparas entre 15
15
3

a. Puesto que hay 15 – 1 = 10 lámparas no defectuosas, entonces existe   = 120

10
3
maneras de escoger 3 lámparas no defectuosas. Así que
P ( ninguna sea defectuosa ) = (120/455) = 24/91.
10 
b. Hay 5 lámparas defectuosas y    45 pares diferentes de lámparas no
2
defectuosas; por consiguiente hay (5)(45) = 225 maneras de escoger 3 lámparas
de las cuales una es defectuosa. Entonces:

225 45
P(una exactamente defectuosa) = 
455 91

c. El evento en que por lo menos una sea defectuosa es el complemento del evento
24
en que ninguna es defectuosa que tiene según (a) P =
91
Entonces:

 24  67
P(una por lo menos defectuosa) = 1    
 91  91

5. Una moneda está cargada (aumentada de peso) de modo que la posibilidad de salir
cara (H) sea el doble que la de sello (T). Hallar P(T) y P(H).
Solución:
Sea P(T) = p; entonces P(H) = 2p. Ahora estableceremos la suma de probabilidades,
igual a uno: p + 2p = 1 de donde p = 1/3. Así P(T) = p = 1/3 y P(H) = 2p = 2/3.
6. si se extraen 2 cartas de una baraja de 52 cartas, hallar la probabilidad de que:
(a) ambas cartas sean ases, si es que la primera carta extraída se devuelve al mazo
de naipes.
(b) Ambas cartas sean ases, si es que la primera carta extraída no se devuelve al
mazo.
Solución:

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 10

(a) P(2 ases) = (4/52)(4/52) = 1/169

(b) P(2 ases) = (4/52)(3/52) = 1/221
7. Si la probabilidad de que una persona viva 10 años es de 0.6 y la probabilidad de
que otra persona viva 10 años es de 0.5. ¿Cuál es la probabilidad de que ambas
personas vivan 10 años?
P(amabas personas vivan 10 años) = (0.6)(0.5) = 0.30
8. Con una sola carta de un mazo de 52 cartas bien barajado, señale la probabilidad de
obtener las siguientes:
(a) Una sota;
(b) Una carta roja;
(c) Un diez de tréboles;
(d) Una carta con figura;
(e) Un diamante;
(f) Un nueve rojo o un ocho negro.
Solución:4/52,26/52,1/52,12/52,13/52,4/52

Permutaciones
Una permutación es uno de los diferentes arreglos u ordenaciones que se pueden hacer
con todos o con parte de los elementos de un conjunto.

A) Permutaciones Simples:
El número de permutaciones de n objetos distintos tomados los n a la vez es igual a
n!, y se denota por nPn, y por tanto podemos escribir

nPn = n (n – 1) (n – 2)...2 .1 = n!

El número de permutaciones de n objetos distintos tomados de r en r, que se escribe

nPr es

n!
nPr =
(n  r )!
B) Permutaciones Circulares: se denominan así a las permutaciones que pueden
formarse con n objetos distintos, donde no hay ni primero ni último objeto, ya que
todos forman un “círculo” (o cualquier otra figura geométrica plana cerrada) El total
de permutaciones “circulares” diferentes pueden formarse con n objetos distintos,
que denotaremos por PCn, es:

PCn = (n – 1)!

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 11

C) Permutaciones con Objetos Repetidos: el número de permutaciones de n objetos

de los cuales n1 son iguales entre si, n2 son iguales entre si,..., nk son iguales entre si,
que denotaremos por: Pnn1 .n2 nk , se calcula por la siguiente expresión:

n!
Pnn1 .n2 nk 
n1!n2!nk !
EJEMPLOS:

1. De cuántas maneras se puede acomodar una reunión de 8 personas.

(a) En una fila de 8 sillas.
(b) Alrededor de una mesa redonda
Solución:
(a) Las 8 personas se pueden distribuir en una fila de 8.7.6.5.4.3.2.1 maneras, o sea,
8! = 40320.
(b) Una persona puede sentarse en cualquier punto de la mesa redonda, las otras 7
personas pueden acomodarse de 7.6.5.4.3.2.1 = 7! Maneras alrededor de una
mesa, o sea, de 5040 maneras.
Este es un ejemplo de permutación circular. En forma general n objetos pueden
distribuirse en un círculo de (n-1)(n-2)...3.2.1 = (n-1) maneras.
2. De cuántas maneras diferentes pueden sentarse 7 alumnos.
(a) En una banca.
(b) Si en la banca sólo hay 3 sitios disponibles
Solución:
(a) Los 7 alumnos pueden sentarse en una banca de 7.6.5.4.3.2.1 = 7! = 4050
maneras diferentes.
(b) nPr = n(n-1)(n-2)... (n-r+1) para este problema 7P3 = 7.6.5 = 210.
3. Se requiere sentar 6 niños y 5 niñas en una banca, en tal forma que los niños ocupen
los lugares impares. ¿En cuantas formas pueden sentarse?
Solución:
Los niños pueden sentarse en 6P6 y las niñas de 5P5 formas. Cada forma de sentarse
de los niños puede asociarse con cada forma de sentarse de las niñas. De aquí que el
número de formas de sentarse es de:
(6P6)( 5P5) = (720)(120) = 86400
4. ¿En cuantas pueden sentarse 8 personas alrededor de una mesa, si 2 personas en
particular deben estar sentadas juntas?

Solución:

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 12

Consideremos a las dos personas como una sola, entonces tenemos 7 personas, y
ellas pueden colocarse en 7P7 formas. Además las 2 personas pueden sentarse en 2P2
formas. Luego el número de formas requerido es de (7P7)(2P2) = (7!)(2!) = 10080.
5. Seis libros diferentes de matemáticas, 2 de estadística y 4 de contabilidad, deben ser
colocados en un estante. ¿En cuántas maneras diferentes pueden colocarse?
(a) Si los libros de cada materia deben estar juntos.
(b) Si sólo los libros de contabilidad deben estar juntos.
Solución:
(a) El número de maneras diferentes que pueden colocarse los libros de matemáticas
es 6P6. En igual forma los libros de estadística y contabilidad son 2P2 y 4P4
respectivamente. Estas formas a su vez se asocian una con otra. Luego el
número de maneras diferentes es:
(6P6)(2P2)(4P4)(3P3) = 6! 2! 4! 3! = 207,360
(b) Consideremos que los 4 libros de contabilidad sean un solo libro el que sumado
con los 8 restantes da un total de 9. todos los cuales pueden ser colocados en 9P9
formas, en las que los libros de contabilidad estarán juntos. Pero los libros de
contabilidad pueden ser colocados entre si en 4P4 formas. Luego el número
requerido de formas de colocar los libros es de:
(9P9)(4P4) = 9! 4! = 8’709,120
6. ¿Cuántas señales diferentes, cada una de 6 linternas colgadas en una línea vertical,
pueden formarse con 4 linternas rojas idénticas y dos azules idénticas?
Solución:
Este problema corresponde a permutaciones con repeticiones.
Hay 6!/4! 2! = 15 señales puesto que hay 6 linternas de las cuales 4 son rojas y 2
azules.
7. Supóngase que una urna contiene 8 bolas. Hallar el número de pruebas ordenadas de
tamaño 3.
(a) Con sustitución
(b) Sin sustitución
Solución:
(a) Cada bola de la prueba ordenada puede ser escogida de 8 maneras; entonces hay
8.8.8 = 512 pruebas con sustitución.
(b) La primera bola de la prueba ordenada puede ser escogida de 8 maneras, la
siguiente de 7 maneras y la última de 6 maneras. Por lo tanto hay 8.7.6 = 336
pruebas sin sustitución.
8. Hallar n si:
(a) P(n.2) = 72
(b) P(n,4) = 42P(n,2)
Solución: a) n = 9, b) n = 9

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 13

Combinaciones
Una combinación es un arreglo de cierto número de objetos tomados de un conjunto de
n objetos en tal forma que el orden en que se disponen no importa

A) Combinaciones Simples:
Determinar todas las combinaciones de k objetos, a partir de n objetos distintos, es
obtener todos los subconjuntos de k objetos de los n dados.
El número de combinaciones de orden k que se pueden formar a partir de n
elementos distintos, denotado por Ckn ó  nk  es:

n!
Ckn 
k!n  k !

El número combinatorio Ckn satisface las siguientes propiedades:

a. C0n  Cnn  1

b. Ckn  Cnn k

c. Ckn1  Ckn  Ckn 1

n  k 1 n
d. Ckn  Ck 1
k
n
e. C
k 0
n
k  2n

t
f. C
k 0
m
k Ctn k  Ctm  n

B) Combinaciones con Repetición: el número de combinaciones de k objetos tomados

de n objetos, de manera de dos, tres,..., k objetos pueden ser uno mismo y que
denotaremos por CRkn , está dado por la expresión:

 n  k  1 (n  k  1)!
CRkn    
 k  k!(n  1)!

EJEMPLOS:

1. Una clase consta de 9 niños y 3 niñas.

(a) ¿De cuántas maneras el profesor puede escoger un comité de 4?
(b) ¿Cuántos comités contarán con una niña por lo menos?
(c) ¿Cuántos tendrán una niña exactamente?

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 14

Solución:
(a) El comité de 4 pueden ser escogidos de los 12 de 12C4 maneras, o sea:
12C4 = 12.11.10.9/1.2.3.4 = 495 maneras.
(b) Si una niña se incluye en el comité, entonces éste puede escogerse de ( 9C3)(3C1)
= 252 formas, si 2 niñas se incluyen, entonces el comité se puede escoger de
(9C1)(3C2) = 108 formas y por último si 3 niñas se incluyen, entonces el comité
se puede escoger de (9C1)(3C3) = 9.
Luego un comité con una niña por lo menos se puede escoger de 252 + 108 + 9
= 369 formas.
Otro método:
Sabemos que el comité de 4 se puede elegir de 12C4 formas y también un comité
formado por solamente hombres se puede elegir de 9C4 formas. Entonces los
comités que cuentan con una niña por lo menos son 12C4 – 9C4 = 369.
(c) Los comités que tendrán exactamente una niña se encuentran de la forma
siguiente:
(3C1)(9C3) = (3)(9.8.7/1.2.3) = 252 formas
2. Una señora tiene 11 amigos de confianza.
(a) ¿De cuántas maneras puede invitar 5 de ellos a comer?
(b) ¿De cuántas maneras si dos son casados y no asisten el uno sin el otro?
(c) ¿De cuántas maneras si dos de ellos no la van bien y no asisten juntos?
Solución:
(a) Puede invitar a 5 de ellos de 11C5 = 11.10.9.8.7/1.2.3.4.5 = 462 formas.
(b) Llamamos C y D los amigos casados. Si C y D no van la invitación puede
hacerse de 9C5 = 126 formas. Si ambos C y D van, entonces la invitación puede
hacerse de 9C3 = 84 formas. En resumen, la invitación puede hacerse de 126 +
84 = 210 formas.
(c) Sean A y B los amigos que no la van bien. Si A y B no se incluyen, entonces la
invitación se puede hacer de 9C5 = 126 formas. Si uno de los dos A o B pero no
juntos es incluido entonces la invitación puede escogerse de (2)( 9C4) = (2)(126)
= 252 formas.
Por lo tanto la invitación puede hacerse de 126 + 252 = 378 formas.
3. Un estudiante tiene que contestar 8 de 10 preguntas en un examen.
(a) ¿Cuántas maneras de escoger tiene?
(b) ¿Cuántas maneras, si las 3 primeras preguntas son obligatorias?
(c) ¿Cuántas, si tiene que contestar 4 de las 5 primeras preguntas?
Solución:
(a) Las 8 preguntas pueden seleccionarse de 10C8 = 10C2 = 10.9/1.2 = 45 maneras.
(b) Si contesta las 3 primeras preguntas, entonces puede escoger las otras 5 de las 7
últimas preguntas de 7C5 = 7C2 = 7.6/1.2 = 21 maneras.

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 15

(c) Si consta todas las 5 primeras preguntas, entonces puede escoger las otras 3 de
las 5 últimas de 5C3 = 10 maneras. Por otra parte, si contesta 4 de las 5 primeras
preguntas, entonces puede escogerlas de 5C4 = 5 maneras; pro consiguiente
puede escoger de las 8 preguntas de 5.5 = 25 maneras, o sea que tiene 10 + 25 =
35 maneras diferentes para escoger.
4. Un muchacho tiene 4 monedas cada una de diferente valor. ¿Cuántas sumas
diferentes de monedas puede formar?
Solución:
El muchacho puede formar grupos de 1 moneda, grupos de 2 monedas, grupos de 3
monedas y grupos de 4 monedas; esto es 4C1 + 4C2 + 4C3 + 4C4 = 4 + 6 + 4 + 1 = 15.
En general, para cualquier número entero positivo de n:
nC1 + nC2 + nC3 + ... + nCn = 2n - 1
5. ¿De cuántas maneras puede un profesor escoger uno o más estudiantes de 6
elegibles?
Solución:
Primer método: aplicando la fórmula anterior: 2 6 – 1 = 63 maneras de escoger los
estudiantes.
Segundo método: puesto que se escogen a uno, o dos, etc. o seis estudiantes,
entonces, el número de maneras de escoger es:
6C1 + 6C2 + 6C3 + 6C4 + 6C5 + 6C6 = 6 + 15 + 20 + 15 + 6 + 1 = 63.

DISTRIBUCIONES DE PROBABILIDAD

Cualquier regla o mecanismo que sirva para determinar P ( X = x ), probabilidad

de que la variable aleatoria X tome cada uno de los valores posibles x, se denomina
una distribución de probabilidad.

Una distribución de probabilidad debe poseer las características siguientes:

1. P ( X = x )  0
2. P ( X = x ) = 1

Esta regla o mecanismo puede ser una tabla, un gráfico o una fórmula. Una fórmula
que se emplee para calcular P ( X = x ) se denomina función de probabilidad y se
denota por f(x)

Distribución Binomial

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 16

Para describir esta distribución tomemos el experimento E que tiene los únicos
resultados: V (“éxito”) y F (“Fracaso”), con probabilidades p y q, respectivamente,
donde p > 0, q > 0 y p + q = 1.
Repitamos el experimento n veces de manera independiente y consideremos la
variable aleatoria X que toma los valores 0, 1, 2,..., n. según aparezcan 0, 1, 2,..., n
éxitos, respectivamente. La distribución correspondiente a la variable X se llama
distribución o ley binomial de parámetros n y p. Esta queda definida si se conoce
P[X = k] para k = 0, 1, 2,..., n. esta probabilidad es:

Px  k    p q
n
k
k nk
, k = 0,1,2,...,n.

Si X tiene la ley binomial de parámetros n y p se escribe: x ~  (n, p)

EJEMPLOS:

1. Un estudiante que no se ha preparado absolutamente nada para un examen ve

que este contiene 20 preguntas de verdadero y falso. Decide lanzar al aire una
moneda para responder. Anota “verdadero” si la moneda cae por la cara y
“falso” si cae por el sello.
(a) ¿Qué probabilidad hay de que pase el examen si para hacerlo debe contestar
correctamente el 70% de las preguntas?
(b) ¿Qué probabilidad hay de que conteste por lo menos la mitad de las
preguntas?
Solución:
(a) La probabilidad de que conteste el 70% correctamente, quiere decir que a lo
sumo debe dejar de contestar 6 preguntas.
P(X  6/20, 0.5) = 0.0577
(b) La probabilidad de que conteste por lo menos la mitad de las preguntas es
igual a: P(X  10/20, 0.5)
Sabemos que:
P(X = 0) + P(X = 1) + … + P(X  10) =1
De donde: P(X  10) = 1 - [P(X = 0) + ...+ P(X = 9)]
= 1 – 0.4119
= 0.5881
2. La probabilidad de que un individuo acierte, en un solo tiro, con un dardo en el
centro de un blanco es de 0.40. Lanza 10 dardos consecutivamente. Hallar la
probabilidad de que de en el blanco:
(a) Todas las 10 veces.

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 17

(b) Cinco veces.

(c) Entre 3 y 7 veces inclusive.
(d) Menos de 3 veces.
Solución:
n = 10 ; p = 0.40
(a) La probabilidad de que de en el blanco 10 veces es igual a:
P(X = 10/10, 040) = 0.0001
(b) La probabilidad de que de en el blanco 5 veces es igual a:
P(X = 5/10, 0.40) = 0.2007
(c) La probabilidad de que de en el blanco entre 3 y 7 veces es igual a:
P(3 X  7 /10, 0.40) = P(X = 3) + P(X = 4) + … + P(X = 7) = 0.2150 +
0.2508 + 0.2007 + 0.1115 + 0.0425 = 0.8205
(d) La probabilidad de que de en el blanco menos de 3 veces es igual a:
P(X<3 /10, 0.40) = P(X = 0) + P(X = 1) + P(X = 2)
= 0.0060 + 0.0403 + 0.1209 = 0.1672
3. Supongamos que el 30% de los estudiantes de una universidad se oponen a
pagar una cuota para actividades estudiantiles. Hallar la probabilidad de que en
una muestra aleatoria de 25 estudiantes el número de estudiantes que se opone a
la cuota sea:
(a) Exactamente 5.
(b) Mayor que 5.
(c) 5 o menos.
(d) Un número comprendido entre 6 y 10 inclusive.
Solución:
n = 25 ; p = 0.30
(a) La probabilidad de que sean exactamente 5 es igual a:
P(X = 5/25, 0.30) = 0.1030
(b) La probabilidad de que el número de alumnos que se oponen sea mayor que
e es igual a:
P(X > 5/25, 0.30) = 1 – (P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) +
P(X = 4))
= 1 – 0.1934
= 0.8066
(c) La probabilidad de que se pongan 5 o menos es igual a:
P(X  5/25, 0.30) = P(X = 0) + P(X = 1) + … + P(X = 5)
= 0.1934

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 18

(d) La probabilidad de que los alumnos que se oponen a la cuota sea un número
comprendido entre 6 y 10 inclusive es igual a:
P(6  X  10/25, 0.30) = P(X = 6) + P(X = 7) + … + P(X = 10)
= 0.7087
4. Una secretaria que debe llegar a su trabajo todas las mañanas a las 8:00 se tarda
15 minutos o más el 20% de las veces. El presidente de la compañía, que no
llega sino a las 10:00 a.m., llama ocasionalmente a la oficina entre 8:00 y 8:15
para dictar una carta. ¿Cuál es la probabilidad de que 3 mañanas de las 6 en que
el presidente llama, la secretaria no esté presente en la oficina?
Solución:
P = 0.20 (de que se tarde) ; n = 6 veces; X=3
La probabilidad de que 3 mañanas de las 6 en que el presidente llama, la
secretaria no esté en la oficina se obtiene mediante:
P(X = 3 / 6, 0.20) = (6C3) (0.20)3 (0.80)3
= (20) (0.008) (0.512)
= 0.08192
5. En el 15% de los hogares de un área metropolitana no hay nadie por la noche
entre las 7 y la media noche. Una persona que está haciendo una encuesta
telefónica selecciona al azar 10 hogares de esa zona y los encuesta entre las 7 y
la media noche. Cuál es la probabilidad de que la persona que está haciendo la
encuesta no obtenga respuesta en:
(a) Todas las 10 llamadas.
(b) Exactamente 5 llamadas.
(c) 3 llamadas o más.
(d) ¿Cuál es la probabilidad de que la persona obtenga una respuesta en cada
una de las 10 llamadas?
Solución:
(a) La probabilidad de que no obtenga respuesta en todas las 10 llamadas es
igual a:
P(X = 10/10, 0.15) = (10C10) (0.15)10 (0.85)0
= (1) (0.0000) (1)
= 0.0000
(b) La probabilidad de que no obtenga respuesta en 5 llamadas es:
P(X = 5/10, 0.15) = (10C5) (0.15)5 (0.85)5
= (252) (0.0000) (0.44370)
= (0.0191363) (0.44370)
= 0.00849
(c) La probabilidad de que no obtenga respuesta en 3 llamadas o más será:
P(X  3/10, 0.15) = 1 – P(X  2)

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 19

= 1 – (P(X = 0) + P(X = 1) + P(X = 2))

= 1 – (0.1969 + 0.3474 + 0.2759)
= 1 – 0.8202
= 0.1798
(d) La probabilidad de que la persona obtenga una respuesta en cada una de las
10 llamadas es:
P(X = 0/10, 0.15) = 0.1969
6. Un método modelo para enseñar una habilidad especial a ciertos individuos
retardados resulta efectivo en el 50% de los casos. Se ensayó un nuevo método
para 15 personas. ¿Si el nuevo método no es mejor que el método modelo, cuál
es la probabilidad de que 11 o más aprendan la habilidad?
Solución:
P = 0.50; n = 15
La probabilidad de que 11 o más aprendan la habilidad será igual a:
P(X = 11/15, 0.50) = P(X = 11) + P(X = 12) + ... + P(X = 15)
= 0.0417 + 0.0139 + 0.0032 + 0.0005 + 0.0000
= 0.0593
7. El archivo de personal de una fábrica indica que el 10% de los empleados de la
línea de montaje se retiran al año de haber sido contratados. Se acaba de
contratar a 10 empleados nuevos.
(a) ¿Cuál es la probabilidad de que exactamente la mitad de ellos siga
trabajando después de un año?
(b) ¿Cuál es la probabilidad de que todos sigan trabajando después de un año?
(c) ¿Cuál es la probabilidad de que 3 de los 10 se vayan antes de terminar el
año?
Solución:
P = 0.10 (de que se retiren)
(a) La probabilidad de que exactamente la mitad de ellos siga trabajando
después de un año se calcula mediante:
P(X = 5/10, 0.10) = (10C5) (0.10)5 (0.90)5
= (2.52) (0.00001) (0.59049)
= 0.001488
(b) La probabilidad de que todos sigan trabajando después de un año es igual a:
P(X = 0/10, 0.10) = (10C0) (0.10)0 (0.90)10
= (1) (1) (0.3486784)
= 0.3487
(c) La probabilidad de que 3 de los 10 se vayan antes de terminar el año es igual
a:
P(X = 3/10, 0.10) = (10C3) (0.10)3 (0.90)7

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 20

= (120) (0.001) (0.4783)

= 0.0574
8. En una zona geográfica, el 15% de los adultos son analfabetos. Dada nuestra
muestra aleatoria de 25 adultos de ésta área. Cuál es la probabilidad de que el
número de analfabetos sea:
(a) Exactamente 10.
(b) Menos de 5.
(c) 5 o más.
(d) Entre 3 y 5 inclusive.
(e) Menos de 7 pero más de 4
Solución:
P = 0.15 (analfabetos); n = 25 adultos
(a) La probabilidad de que el número de analfabetos sea exactamente 10 se
obtiene mediante:
P(X = 10/25, 0.15) = (25C10) (0.15)10 (0.85)15
= 0.0016
(b) La probabilidad de que el número de analfabetos sea menor que 5 es igual a:
P(X < 5/25, 0.15) = P(X =0) + P(X = 1) + … + P(X = 4)
= 0.0172 + 0.0759 + 0.1607 + 0.2174 + 0.2110
= 0.6822
(c) La probabilidad de que 5 o más sean analfabetos es igual a:
P(X  5/25, 0.15) = P(X =5) + P(X = 6) + … + P(X = 25)
P(X  5) = 1 – P(X < 5) (problema anterior)
= 1 – 0.6822
= 0.3178
(d) La probabilidad de que el número de analfabetos esté entre 3 y 5 inclusive
es igual a:
P(3  X  5/25, 0.15) = P(X =3) + P(X = 4) +P(X = 5)
= 0.2174 + 0.2110 + 0.1564
= 0.5848
(e) La probabilidad de que el número de analfabetos sea menos de 7 pero más
de 4 es igual a:
P(4< X < 7/25, 0.15) = P(X =5) + P(X = 6)
= 0.1564 + 0.0920
= 0.2484

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 21

9. Los informes del tránsito indican que el 25% de los vehículos que se detienen en
una autopista interestatal no son sometidos a una revisión de seguridad. Si se
detienen 16 vehículos, encuentre la probabilidad de que:
(a) 2 o más no satisfagan las normas de seguridad.
(b) 4 o más no las satisfagan.
(c) 9 o más no las cumplan.

Solución:
P = 0.25 (no son sometidos a una revisión); n = 10 vehículos
(a) Para hallar la probabilidad de que 2 o más no satisfagan las normas de
seguridad aplicaremos:
P(X  2/16, 0.25) = P(X = 2) + P(X = 3) + ... + P(X = 16)
Pero sabemos que:
P(X = 0) + P(X = 1) + P(X  2) = 1 Por lo tanto:
P(X = 2) = 1 – [P(X = 0) + P(X = 1)]
= 1- [0.0100 + 0.0535]
= 1- 0.0635
= 0.9365
(b) La probabilidad de que 4 o más no las satisfagan es igual a:
P(X  4/16, 0.25)
P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X  4) = 1
P(X = 4) = 1- [P(X = 0) + ... + P(X = 3)]
= 1- [0.0100 + 0.0535 + 0.1336 + 0.2079]
= 1 – 0.4050
= 0.595
(c) La probabilidad de que 9 o más no las cumplan es igual a:
P(X  9/16, 0.25)
P(X = 0) + ... + P(X = 8) + P(X = 9) = 1
P(X  9/16, 0.25) = 1- [P(X = 0) + ... + P(X = 8)]
= 1- 0.9926
= 0.0074

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 22

Distribución Normal

Una variable aleatoria continua X que tiene la función de densidad,

1
e (1 / 2)( x   /  ) con   ,  0 yx   ;
2
f(x) =
2
Se dice que sigue una distribución normal con parámetros  y . Se escribe x ~ N(,
2)
En su gráfica se observa que es simétrica respecto de la recta x =  y se denomina
“campana de gauss”.
El área bajo la curva y por encima del eje X es 1. el área comprendida entre las
rectas x = a y x = b, correspondiente a la probabilidad P[a x b] se calcula usando
los métodos de integración, sin embargo, se puede aproximar usando tablas de la
distribución normal estandarizada.
Se cumple que:
- El área comprendida entre  -  y  +  es aproximadamente el 68.26% del área
total,
- El área comprendida entre  - 2 y  + 2 es aproximadamente el 95% del área
total,
- El área comprendida entre  - 3 y  + 3 es aproximadamente el 99.9% del
área total.

Si  = 0 y  = 1, la distribución normal N(0, 1) se llama distribución normal

estándar o típica.
Si X es una variable con distribución N(0, 1), se denota con Z y sus funciones de
acumulación y densidad, con Nz y z, respectivamente.

EJEMPLOS:

1. Dada la variable aleatoria Z que se distribuye como la distribución normal

estandarizada, hallar lo siguiente:
(b) P(z  1.77)
(c) P(z  2.46)

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 23

(d) P(0  z  0.95)

(e) P(-2.0  z  1.8)
(f) P(-2.10  z  -1.65)
(g) P(1.45  z  2.15)
(h) La proporción de valores de z mayores que 1.96.
(i) La probabilidad de que z asume valores entre –1.96 y +1.96.
(j) La frecuencia relativa de ocurrencia de valores mayores que –1.65.
(k) La probabilidad de que z sacada al azar este entre –2.58 y +2.58.
Solución:
(a) P(z  1.77) = 0.9616
(b) P(z  2.46) = 0.9931
(c) P(0  z  0.95) = 0.3289
(d) P(-2.0  z  1.8) = 0.4772 + 0.4641 = 0.9413
(e) P(-2.10  z  -1.65) = 0.4821 - 0.4505 = 0.0316
(f) P(1.45  z  2.15) = 0.4842 - 0.4265 = 0.0577
(g) P(z  1.96) = 0.5000 – 0.4750 = 0.0250
(h) P(-1.96  z  1.96) = 2(0.4750) = 0.9500
(i) P(z  -1.65) = 0.5000 + 0.4505 = 0.9505
(j) P(-.258  z  2.58) = 2(0.4951) = 0.9902
2. Una empresa ha encontrado que la duración de sus llamadas telefónicas a larga
distancia tiene aproximadamente una distribución normal, con media de 3
minutos y desviación típica de un minuto.
(a) ¿En qué proporción las llamadas a larga distancia tienen una duración de
más de dos minutos, pero menos de tres y medio minutos?
(b) ¿Qué proporción de llamadas se completan en un minuto o menos?
(c) Una secretaria va a hacer una llamada a larga distancia. ¿Cuál es la
probabilidad de que dure más de cinco minutos?
Solución:
(a) P(Xa  X  Xb) = P(Za  Z  Zb)
P(2  X  3.5) = P[((2-3)/1)  Z  ((3.5 – 3)/1)] = P(-1  Z  0.5)
= P(-1  Z  0) + P(0  Z  0.5)
= 0.3413 + 0.1915 = 0.5328
Respuesta: la proporción de llamadas a larga distancia que tienen una
duración de más de dos minutos y menor que tres y medio minutos es de
53.28%.

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 24

(b)
P(X  1) = P(Z  Z)
Donde:
P(Z  -2) = P(-  Z  0) –P(-2  Z  0)
= 0.5000 – 0.4772
= 0.0228

Respuesta: la proporción de llamadas que

se completan en un minuto o menos es de
2.28%

(c) P(X  5) = P[Z  ((5-3)/1)] = P(Z  2)

= P(0  Z  ) – P(0  Z  2)
= 0.5000 – 0.4772 = 0.0228
Respuesta: la probabilidad de que la llamada dure más de 5 minutos es 0.0228.
3. Un psicólogo descubre que sujetos “normales” completan una tarea determinada en
un promedio de 10 minutos. El tiempo requerido para completar la tarea está
aproximadamente distribuido normalmente con una desviación típica de 3 minutos.
Hallar lo siguiente:
(a) La proporción de sujetos normales que completan la tarea en menos de 4
minutos.
(b) La proporción de sujetos que requieren más de 5 minutos para completar la
tarea.
(c) La probabilidad de que un sujeto normal, a quien se le haya asignado la tarea, la
complete en 3 minutos.
Solución:
(a) P(X  4) = P(Z  z) = P[Z  ((4-10)/3)] = P(Z  -2.0)
= P(-  Z < 0) – P(-2  Z  0) = 0.5000 – 0.4772
= 0.0228
(b) P(X  5) = P(Z  Z) = P[Z  ((5-10)/3)] = P(Z  -1.67)
= P(-1.67  Z  0) + P(0  Z  +) = 0.4525 + 0.5000
= 0.9525
(c) P(X  3) = P(Z  z) = P[Z  ((3-10)/3)] = P(Z  -2.33)
= P(-  Z  0) – P(-2.33  Z  0) = 0.5000 – 0.4901
= 0.0099

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 25

4. Unos expertos agrícolas descubren que el rendimiento por acre de un determinado

tipo de grano tiene una distribución aproximadamente normal, con media y
desviación típica de 40 y 10 toneladas por acre respectivamente.
(a) ¿Qué proporción del área en acres sembradas de este grano producen más de 50
toneladas por acre?
(b) Si se elige al azar un acre en la hacienda donde se siembra este grano. ¿Cuál es
la probabilidad de que produzcan menos de 15 toneladas?
Solución:

(a) P(X  50) = P(Z  Z)

P[Z  ((50-40)/10)] = P(Z  10)

P(Z  1) = P(0 = Z = +) – P(0 = Z = 1)
= 0.5000 – 0.3413
= 0.1587

(b) P(X  15) = P(Z  Z)

P[Z  ((15-40)/10)] = P(Z  -2.5)

P(Z  -2.5) = P(-  Z  0)
- P(-2.5  Z  0)
= 0.5000 – 0.4938
= 0.0062

5. Los puntajes de una prueba de aptitud escolar están normalmente distribuidos con
una media de 600 y una varianza de 10000.
(a) ¿Qué proporción de los encuestados tiene un puntaje debajo de 300?
(b) Una persona va a presentar la prueba. ¿Qué probabilidad tiene de obtener un
puntaje de 850 o más?
(c) ¿Qué proporción de puntajes estará entre 450 y 700?
Solución:
(a) P(X  300) = P[Z  ((300-600)/100)] = P(Z  -3)
= P(- Z  0) – P(-3  Z  0)
= 0.5000 – 0.4987 = 0.0013
(b) P(X  850) = P[Z  ((850-600)/100)] = P(Z  2.5)
= 0.5000 – 0.4938 = 0.0062
(c) P(450  X  700) = P((300-600)/100)  Z  ((700-600)/100)]
= P(-1.5  Z  1.0)
= P(-1.5  Z  0) + P(0  Z  1)

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 26

= 0.4332 + 0.3413 = 0.7745

6. En una población determinada la estatura de los adultos hombres está más o menos
normalmente distribuida, con una media y una desviación típica de 70 y 3 pulgadas
respectivamente.
(a) ¿Qué proporción de hombres tiene entre 65 y 73 pulgadas de altura?
(b) Se elige al azar un adulto en esa población. ¿Cuál es la probabilidad de que
tenga más de 6 pies de altura?
(c) ¿Qué proporción de adultos tiene menos de 5 pies y 8 pulgadas de altura?
Solución:
(a) P(65  X  73) = P[((65-70)/3)  Z  ((73-70)/3)] = P(-1.67  Z  1.0)
= P(-1.67  Z  0) + P(0  Z  1.0)
= 0.4525 + 0.3413
= 0.7938
(b) P(X  72) = P[Z  ((72-70)/3)] = P( Z  0.67)
= P(0  Z  ) – P(0  Z  0.67)
= 0.5000 – 0.2486
= 0.2514
(c) P(X  68) = P[Z  ((68-70)/3)] = P( Z  -0.67)
= P(-  Z  0) – P(-0.67  Z  0)
= 0.5000 – 0.2486
= 0.2514
7. La longitud de los pétalos de una especie de flor está normalmente distribuida con
una media y una desviación típica de 4 y 2 respectivamente.
(a) ¿Qué proporción de pétalos tiene más de 5cm?
(b) ¿Qué proporción tiene menos de 2.5cm?
Solución:
(a) P(X  5) = P[Z  ((5-4)/1)] = P(Z  0.5)
= P(0  Z  ) – P(0  Z  0.5)
= 0.5000 – 0.1915
= 0.3085
(b) P(X  2.5) = P[Z  ((2.5 – 4.0)/2)] = P(Z  -0.75)
= P(-  Z  0) – P(-0.75  Z  0)
= 0.5000 – 0.2734
= 0.2266
8. La velocidad de los automóviles al pasar por un punto de verificación de una
autopista está más o menos normalmente distribuida, con una media de 45 MPH y
una varianza de 25 MPH.

Probabilidad Ing. Carlos Cruz Castañeda

Estadística 27

(a) ¿Qué proporción de los automóviles que pasan por el punto de control viaja a
más de 50 MPH?
(b) ¿Qué proporción para por el punto de control a una velocidad de menos de 40
MPH?
(c) Supongamos que la velocidad límite en el control es de 55 MPH. ¿Qué
proporción de automóviles exceden esta velocidad cuando pasan por el control?
Solución:
(a) P(X  50) = P[Z  ((50-45)/5)]
P(Z  1) = P(0  Z  ) – P(0  Z  1)
= 0.5000 – 0.3413
P(X  50) = 0.1587

(b) P(X  40) = P[Z  ((40-45)/5)]

P(Z  -1) = P(-  Z  0) – P(-1  Z  0)
= 0.5000 – 0.3413
P(X  40) = 0.1587

(c) P(X  55) = P[Z  ((55-45)/5)]

P(Z  2.0) = P(0  Z  ) – P(0  Z  2)
= 0.5000 – 0.47723
P(X  55) = 0.0228

Probabilidad Ing. Carlos Cruz Castañeda