Universidad Nacional Autónoma

de México
F a c u l t a d d e I n g e n i e r í a.

PROBABILIDAD

PROFESORA:
DRA. MIRIAM ESTELA LEMUS
UNIDAD
I
 Probabilidad:
 Definición: Es el estudio de los fenómenos puramente aleatorios.
Solo hay dos tipos de datos de tipos cuantitativos y cualitativos,
dentro de los cuantitativos están los continuos y los discretos.

continuos

cuantitativos

discretos
tipos de
datos
ordinales

cualitativos

nominales

Ejemplos de estas variables:

Población Continuo Discreto Ordinal Nominal
Número de
hombres y Desempeño
Alumnos de la FI Peso. mujeres. académico. Carrera.
del cuarto Altura. Número de Orden al trabajar Religión.
semestre. IMC. alumnos de los alumnos. Color de ojos.
regulares. Conducta.
Número de Actitud.
deportistas.
Densidad de
piel. Número de
Empleados de Presión fallas. Puntualidad. Nacionalidad
una empresa arterial. Número de Desempeño. Idiomas
transnacional. Tiempo para horas Productividad. Jerarquía en la
realizar laborables Competitividad. empresa.
alguna Salario
tarea.

Número de
Frecuencia. puertos. Eficiencia. Marca.
Computadoras. Dimensión. Número de Precio. Modelo.
Memoria piezas. Rapidez. Color.
RAM. Duración de Estética. Tipo.
la batería.
Diagrama de árbol
 Definición: es un diagrama que se usa para enumerar todos los
resultados posibles para una serie de experimentos o eventos en
donde cada experimento puede suceder de un número finito de
maneras.
Ejemplo: hallar el conjunto de posibles resultados de A x B x C, tal que
A= {1,2}, B {a, b, c}, C= {3,4}
Posibilidades: Tendríamos 12 posibles resultados
1 a3
1 a4
1 b3
1 b4
1 c3
1 c4
2 a3
2 a4
2 b3
2 b4
2 c3
2 c4

Principio fundamental del conteo:

 Definición: Si un evento /experimento tiene 𝑛1 maneras de ocurrir y
un segundo evento puede ocurrir de 𝑛2 formas . Entonces el numero
de posibilidades en que pueden ocurrir ambos eventos esta dada por:
𝑛1 ∙ 𝑛2
Ejemplo:
a) Determina los posibles caminos de A-C:
Por principio de conteo:
3∙2=6
En diagrama de árbol:

b) Determina los posibles caminos de A-C-A:

Por principio de conteo:
3 ∙ 2 ∙ 2 ∙ 3 = 36

c) Determina los posibles caminos de A-C-A sin regresar por el mismo

camino:
Por principio de conteo:
3 ∙ 2 ∙ 1 ∙ 2 = 12
En diagrama de árbol:
 d) Determina los posibles caminos de A-B-C-B:
Por principio de conteo:
3 ∙ 2 ∙ 2 = 12
En diagrama de árbol:

Ejemplo: Un urbanista ofrece a los compradores de casa, estilo de la

fachada entre: tudor, rustica, colonial, tradicional, que la casa sea de una
planta, de dos plantas o en desnivel, que sea modelo económico o de lujo.
¿De cuantas formas diferentes puede ordenar un comprador la casa?
 Por principio de conteo:
Fachada=4, Niveles=3, Modelo=2:
4 ∙ 3 ∙ 2 = 24 Posibilidades.
 Por diagrama de árbol:
Ejemplo: Sergio y Antonio participan en un torneo de tenis, el primero que
gane dos juegos seguidos o un total de tres será el vencedor, ¿De cuantas
formas diferentes puede terminar el torneo? Realizar diagrama de árbol.
(a=Antonio, s=Sergio)

Hay 10 formas
diferentes de como
puede terminar el
torneo
Técnicas de conteo:
 Ordenaciones: Se llaman ordenaciones de orden r a los diferentes
grupos ordenados que se pueden formar al escoger r objetos de un
grupo de n objetos, donde r<n.
𝑛!
𝑂𝑛𝑟 =
(𝑛 − 𝑟)!
Ejemplo: Calcular las posibles ordenaciones de tres letras del
conjunto {𝑎, 𝑏, 𝑐, 𝑑 }.
4!
𝑂43 = = 24 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠 𝑞𝑢𝑒 𝑠𝑒𝑟𝑖𝑎𝑛:
(4 − 3)!
1) abc 9) bad 17) cba
2) abd 10) bda 18) cdb
3) acb 11) bdc 19) dab
4) acd 12) bcd 20) dba
5) adb 13) cab 21) dcb
6) adc 14) cad 22) dca
7) bac 15) cbd 23) dbc
8) bcd 16) cda 24) dac
Ejemplo: Calcular el número de ordenaciones diferentes de 3 letras
que pueden formarse con la palabra olivera.
7! 5040
𝑂73 = = = 210 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑜𝑟𝑑𝑒𝑛𝑎𝑐𝑖𝑜𝑛𝑒𝑠.
(7 − 3)! 24
Ejemplo: Cuantos comités se pueden formar de un grupo de 10
personas que son candidatos a cualquiera de los siguientes puestos:
1 presidente, 1 secretario, 1 tesorero y 1 vocal.
n=10, r=4
4 10!
𝑂10 = (10−4)! = 5040 𝑝𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠.

Ejemplo: Cuantas filas de 6 hombres se pueden formar de un grupo

de 10, si 3 de ellos deben estar juntos aparezcan o no en la fila.
Si aparecen en la fila:
𝑂73 ∙ 4 ∙ 𝑂33 = 210 ∙ 4 ∙ 6 = 5040 𝑃𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑜𝑟𝑑𝑒𝑛𝑎𝑙𝑜𝑠.
Si no aparecen:
7!
𝑂76 = = 5040 𝑃𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠.
(7 − 6)!
Por lo tanto existen 10080 posibilidades de ordenar la fila.
 Ordenaciones con repetición:
Son ordenaciones tales que los objetos de trabajo se pueden repetir,
donde r>n.
𝑂𝑅𝑛𝑟 = 𝑛𝑟
Ejemplo: Cuantas ordenaciones con repetición de orden dos se
pueden realizar con el conjunto {𝑎, 𝑏, 𝑐, 𝑑 }.

OR24 = 42 = 16 𝑃𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠.
Ejemplo: Se tienen 20 banderas tales que 5 son negras, 5 blancas, 5
rojas y 5 azules. Calcule el número de posibilidades que se tienen si
se pretenden colocar solo 5.
𝑂𝑅45 = 45 = 1024 𝑃𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠.

 Permutaciones:
Las permutaciones de n objetos son las ordenaciones de esos mismos
objetos, donde n= número de objetos.

𝑃𝑛 = 𝑂𝑛𝑛 = 𝑛!
Ejemplo: Calcule el número de permutaciones que se pueden generar
del conjunto {𝑎, 𝑏, 𝑐, 𝑑 }.

𝑃4 = 4! = 24 𝐹𝑜𝑟𝑚𝑎𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠.

Ejemplo: De cuantas maneras se pueden colocar 10 libros si 4 de

ellos necesariamente deben de estar juntos.

𝑃6 = 6! ∙ 4! ∙ 7 = 120960 𝑝𝑜𝑠𝑖𝑏𝑙𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠
 Permutaciones con repetición:
De n objetos tomados en grupos de la misma cantidad de objetos
donde se permite la repetición tenemos que:

𝑃𝑅𝑛 = 𝑂𝑅𝑛𝑛 = 𝑛𝑛
Ejemplo: Cuantos números d 5 cifras se pueden formar con
{1, 2, 3, 4, 5} si se permite la repetición:

𝑃𝑅5 = 55 = 3125 𝑝𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠.

Ejemplo: Cuantos números de 3 cifras se pueden formar con los
dígitos {0, 1, 2, 3} si se permite la repetición:
𝑂𝑅33 = 3 ∙ 4 ∙ 4 = 768 𝑝𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠.
 Si no se permitiera la repetición:
𝑃 = 3 ∙ 3 ∙ 2 = 18 𝑝𝑜𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠.
 Permutaciones con grupos de objetos iguales:
𝛼,𝛽,𝛾… 𝑛!
𝑃𝑛 =
𝛼! ∙ 𝛽! ∙ 𝛾! …
Ejemplo: De cuantas formas se pueden ordenar las letras de la
palabra: “Estadística”
11 objetos tales que; e=1, s=2, t=2, a=2, d=1, i=1.Solo tomamos en
cuenta s, t y a.
11!
𝑃𝑛2,2,2,2 = = 2494800 𝑓𝑜𝑟𝑚𝑎𝑠.
2! ∙ 2! ∙ 2! ∙ 2!
Ejemplo: Se tiene un asta bandera de 10 posiciones y 10 banderas de
las cuales 5 son rojas, 3 azules y 2 blancas. Calcular el número de
señales que se pueden formar al colocar simultáneamente todas las
banderas sobre el asta.
10!
𝑃𝑛5,3,2 = = 2520 𝑠𝑒ñ𝑎𝑙𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠.
5! ∙ 3! ∙ 2!
 Permutaciones circulares:

𝑃𝐶𝑛 = (𝑛 − 1)!

Ejemplo: Calcular el número de maneras en que 5 personas pueden

acomodarse en:
a) Fila.
𝑂55 = 5! = 125 𝑚𝑎𝑛𝑒𝑟𝑎𝑠.
b) Mesa circular.
𝑃𝐶5 = (5 − 1)! = 24 𝑚𝑎𝑛𝑒𝑟𝑎𝑠.
c) Alrededor de una mesa en un lugar determinado
𝑃𝐶5 = (5 − 1)! = 24 𝑚𝑎𝑛𝑒𝑟𝑎𝑠.
d) Alrededor de una mesa, con dos personas siempre juntas.
𝑃4 = 𝑂33 = 6 ∙ 2! = 12 𝑚𝑎𝑛𝑒𝑟𝑎𝑠.
 Combinaciones:
Las combinaciones de n objetos de orden r son los grupos que pueden
formarse al elegir r objetos de n dados. Dos combinaciones son
diferentes si difieren en al menos 1 elemento, en las combinaciones la
repetición no está permitida además de que r<n.
𝑛!
𝐶𝑛𝑟 =
𝑟! (𝑛 − 𝑟)!
Ejemplo: Dado el conjunto {𝑎, 𝑏, 𝑐, 𝑑 } escribe las combinaciones de
orden:
a) 1:
a, b, c, d.
b) 2:
ab, ac, ad, bc, bd, cd.
c) 3:
abc, abd, acd, bcd.
d) 4:
abcd.
Ejemplo: En un grupo de 10 personas se debe elegir un comité de 5
personas, calcular el número de comités diferentes que se pueden
elegir si:
a) Las 10 personas son elegibles libremente:
n=10, r=5.
5
10!
𝐶10 = = 252 𝑐𝑜𝑚𝑖𝑡𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠.
5! (10 − 5)!

b) 2 personas elegibles no pueden aparecer juntas:

n=9, r=4.
5
𝐶10 − 𝐶83 = 252 − 56 = 196 𝑐𝑜𝑚𝑖𝑡𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠.

c) 2 personas elegible deben estar juntas estén dentro o fuera del

comité:
1) Si están dentro del comité:
n=8, r=3
8!
𝐶83 = = 56 𝑓𝑜𝑟𝑚𝑎𝑠.
3! (8 − 3)!

2) Si no están en el comité
n=8, r=5.
8!
𝐶85 = = 56 𝑓𝑜𝑟𝑚𝑎𝑠.
5! (8 − 5)!
 d) En el comité debe haber un presidente:
n=9, r=4.
9! 10!
𝐶94 ∙ 𝐶10
1
= ∙ = 1260 𝑓𝑜𝑟𝑚𝑎𝑠.
4! (9 − 4)! 1! (10 − 1)!
Ejemplo: Suponga que se tiene una urna de 7 bolas numeradas del
1 al 7. Calcular el número de maneras como podemos sacar, 2 bolas,
3 bolas, 2 bolas.
7! 5! 3!
𝐶72 ∙ 𝐶53 ∙ 𝐶32 = 2!(7−2)! ∙ 3!(5−3)! ∙ 2!(3−2)! = 210 ∙ 10 ∙ 1 = 210 𝑓𝑜𝑟𝑚𝑎𝑠.

Como sabemos, la probabilidad es el estudio de eventos puramente

aleatorios, mientras que un experimento es una acción que se realiza
a fin de observar el resultad

Deterministas: se sabe con certeza su

resultado .
experimentos
Aleatorios: No se sabe con certeza el
resultado, tambie se puede decir que
es probabilista.

Los eventos son todos los resultados que se pueden obtener en un

experimento, donde pueden ser:
 Simples: Uno solo.
 Compuestos: Conjunto de eventos simples.

Ejemplo: lanzar un dado:

 Eventos simples:
{1, 2, 3, 4, 5, 6}
 Eventos compuestos:
{𝑝𝑎𝑟}, {𝑖𝑚𝑝𝑎𝑟}.

 Espacio de eventos: Es el conjunto de todos los posibles resultados

de un experimento.
 Eventos igualmente posibles: no existen resultados o elementos que
favorezcan algún resultado.
 Evento seguro: es equivalente a un experimento determinista o sea
que se conoce el resultado con certeza.
 Evento imposible: No tiene posibilidades de ocurrir; se sabe con
certeza que no sucederá.
 Complemento del evento: Es el conjunto de eventos elementales que
no pertenecen a A.

 Operaciones entre conjuntos: Sea A y B eventos cualesquiera:

 Unión:
𝐴 ∪ 𝐵 = {𝑥 | 𝑥𝜖𝐴 𝑜 𝑥𝜖𝐵}
 Intersección:
𝐴 ∩ 𝐵 = {𝑥 | 𝑥 ∈ 𝐴 𝑦 𝑥 ∈ 𝐵}
 Complemento:
𝐴𝑐 = {𝑥 | 𝑥 ∈ 𝑆 𝑦 𝑥 ∉ 𝐴}
 Eventos mutuamente excluyentes: el vacío es su intersección.
𝐴∩𝐵 = ∅
Ejemplo: lanzar un dado:
A= Sale par, B= Sale impar
 Eventos exhaustivos: Sean 𝐴1 , 𝐴2 , 𝐴3, … 𝐴𝑛 eventos de S, tales que:
𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪ … ∪ 𝐴𝑛 = 𝑆
Ejemplo: Lanzar una moneda:
A= Sale sol, B=sale águila.

Ejercicios de repaso:
1) De cuantas formas diferentes se pueden arreglar 3 focos rojos, 4
amarillos y 2 azules en una serie navideña con 9 portalámparas.
Permutamos todos los focos, donde n=9.
9!
= 1260 𝑓𝑜𝑟𝑚𝑎𝑠.
3! ∙ 4! ∙ 2!

2) De 4 químicos y 3 físicos. Encuentre el número de comités que se

pueden formar que consistan en 2 químicos y 1 físicos.
a) Para seleccionar a los químicos:
4!
𝑂24 = = 6 𝑓𝑜𝑟𝑚𝑎𝑠.
2! ∙ 2!
b) Para seleccionar a los fisicos:
3!
𝑂13 = =3
1! ∙ 2!
 Tendríamos que 6 ∙ 3 = 18 𝑐𝑜𝑚𝑖𝑡𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠.

3) Cierto calzado se recibe en 5 diferentes estilos con cada estilo

disponible en 4 colores distintos, si la tienda desea mostrar pares
de estos zapatos que muestren la totalidad de estilos y colores,
cuantos diversos pares debería mostrar.
Por principio de conteo:
5 ∙ 4 = 20 𝑓𝑜𝑟𝑚𝑎𝑠.

 Definición clásica de probabilidad: Sea A un evento cualquiera de un

espacio finito S tal que los eventos elementales de S son igualmente
posibles.
Los eventos elementales favorables a A es n(A) y los eventos
elementales de S están dados por n(S) entonces:
𝑛(𝐴) 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃𝐴 = →
𝑛(𝑆) 𝑐𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Ejemplo: Lanzar un dado
𝑆 = {1, 2, 3, 4, 5, 6} = 6
a) ¿Qué probabilidad hay de que caiga un número par?
A = {2, 4, 6 } = 3
3
𝑃(𝐴) = = 0.5 = 50% 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
6

b) ¿Qué probabilidad hay de que caiga un 8?

0
P(B) = = 0 ∴ 𝐸𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜 𝑖𝑚𝑝𝑜𝑠𝑖𝑏𝑙𝑒.
6

c) ¿Qué probabilidad hay de que caiga un número entre 1 y 6?

6
P(C) = = 1 = 100% ∴ 𝐸𝑠 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜 𝑠𝑒𝑔𝑢𝑟𝑜.
6
Todas las probabilidades deben de estar entre 0 y 1 ∴ 0 ≤ 𝑃(𝐴) ≤ 1 ∀𝐴
Ejemplo: En una urna hay 3 bolas blancas, 4 azules y 2 rojas, ¿Cuál
es la probabilidad de extraer una bola roja?

𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 2
𝑃 (𝑅 ) = = = 0.22 = 22% 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 9
 Ejemplo: En una reunión de 10 personas donde fue invitado Juan, se
les pide que pasen a la mesa y ocupen su lugar al azar, Calcule la
probabilidad de que Juan se siente junto a la chica más guapa del
grupo.
𝑃𝐶9 ∙ 𝑃2 8! ∙ 2! 2
𝑃 (𝐽 ) = = = = 0.22 = 22% 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑖𝑑𝑎𝑑.
𝑃𝐶10 9! 9

Probabilidad axiomática.
Sea P la función de probabilidad y P(A) la probabilidad del evento a.
Axiomas:
1) Para todo evento A la probabilidad de A es positiva.
2) Para todo evento seguro S la probabilidad de S=1.
3) Si 𝐴𝑐 es el complemento de A entonces 𝑃 (𝐴𝑐 ) = 1 − 𝑃(𝐴).
4) Para cualquier número de eventos excluyentes 𝐴1 , 𝐴2 … 𝐴𝑛 𝑃 (𝐴1 ∪
𝐴2 ∪ … ∪ 𝐴𝑛 ) 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑃(𝐴1 ) + 𝑃(𝐴2 ) + ⋯ + 𝑃(𝐴𝑛 ) = 𝑃(𝑆) = 1.
5) Si A y B son eventos cualesquiera𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 − 𝐵).

En general 𝐴1 , 𝐴2 , 𝐴3 eventos cualesquiera 𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ) va a ser igual

a:
𝑃(𝐴1 ) + 𝑃(𝐴2 ) + 𝑃(𝐴3 ) − 𝑃(𝐴1 ∪ 𝐴2 ) − 𝑃 (𝐴2 ∪ 𝐴3 ) − 𝑃(𝐴3 ∪ 𝐴1 ) + 𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 )
Asignación de probabilidades:
Sean 𝐴1 , 𝐴2 , … , 𝐴𝑛 eventos elementales tales que 𝑆 = 𝐴1 ∪ 𝐴2 ∪ … ∪ 𝐴𝑛 de
tal modo que 𝑃(𝐴1 ) + 𝑃(𝐴2 ) … + 𝑃(𝐴𝑛 ) = 1.
1
𝑃 ( 𝐴𝑘 ) = 𝑘 = 1, 2, 3, … , 𝑛.
𝑛
Si A es el evento compuesto por h eventos simples:
ℎ 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃 (𝐴 ) = =
𝑛 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Ejemplo: Se lanza un dado, hallar la probabilidad de que caiga 2 o 5.
𝑆{1, 2, 3, 4, 5, 6}
1 1 1
𝑃(2 𝑜 5) = 𝑃 (2) + 𝑃 (5) = + = = 33% 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
6 6 3
Ejemplo: 3 caballos A, B, C intervienen en un carrera, A tiene el doble
de probabilidades de B y B tiene el doble de probabilidad que C.
a) ¿Cuáles son las probabilidades de ganar de A, B y C?.
1
𝑆 = {𝐴, 𝐵, 𝐶 } 𝐴 = 𝐴, 𝐵 = 𝐴, 𝐶 = 2𝐵.
2
( ) ( )
𝑃 𝐴 +𝑃 𝐵 +𝑃 𝐶 =1 ( )
𝑃(𝐴) + 2𝑃(𝐶 ) + 𝑃(𝐶 ) = 1
4𝑃(𝐶 ) + 2𝑃 (𝐶 ) + 𝑃(𝐶 ) = 1
7𝑃(𝐶 ) = 1
1 2 4
∴ 𝑃 (𝐶 ) = , 𝑃 (𝐵 ) = , 𝑃 (𝐴 ) = .
7 7 7

b) La probabilidad de que B o C ganen.

2 1 3
𝑃 (𝐶 ∪ 𝐵 ) = 𝑃 (𝐶 ) + 𝑃 ( 𝐵 ) = + = .
7 7 7
Ejemplo: Suponga que un grupo de 500 estudiantes, 210 fuman, 258
beben alcohol, 216 comen entre comidas, 97 fuman y comen entre
comidas, 122 fuman y beben alcohol, 52 tienen los 3 hábitos. Se
selecciona un alumno al azar, calcular la probabilidad de que:

𝑆 = {500 𝐸𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠}
 𝐴 = 𝐹𝑢𝑚𝑎 = 43 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠.
𝐵 = 𝐵𝑒𝑏𝑒𝑛 𝑎𝑙𝑐𝑜ℎ𝑜𝑙 = 111 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠.
𝐶 = 𝐶𝑜𝑚𝑒 𝑒𝑛𝑡𝑟𝑒 𝑐𝑜𝑚𝑑𝑎𝑠 = 88 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠.
𝐴 ∩ 𝐶 = 45 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠.
𝐴 ∩ 𝐵 = 70 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠.
𝐵 ∩ 𝐶 = 31 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠.
𝐴 ∩ 𝐵 ∩ 𝐶 = 52 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠.

a) Fume pero no consuma bebidas alcohólicas.

43 + 45
𝑃 (𝐹 ∩ 𝐵 𝐶 ) = = 0.17 = 17% 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
500

b) Coma entre comidas y consuma bebidas alcohólicas pero no fuma.

31
𝑃 (𝐶 ∪ 𝐵 ∩ 𝐹 𝐶 ) = = 0.0626 = 6.26% 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
500

c) Ni fuma ni come entre comidas.

171
𝑃 (𝐹 𝐶 ∩ 𝐶 𝐶 ) = = 0.342 = 34.2% 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
500
Ejemplo: Una revista publica 3 columnas, A-arte, B-libros, C-cine.
Los hábitos de un lector seleccionado al azar están registrados en la
siguiente tabla.
Lee A B C 𝐴∩𝐵 𝐴∩𝐶 𝐴∩𝐵∩𝐶
regularmente
Probabilidad 0.14 0.23 0.37 0.09 0.13 0.05

a) Diagrama de Venn.

𝐴 = 0.14, 𝐵 = 0.23, 𝐶 = 0.37.

𝐴 ∩ 𝐶 = 0.15
𝐴 ∩ 𝐵 = 0.09
𝐵 ∩ 𝐶 = 0.27
𝐴 ∩ 𝐵 ∩ 𝐶 = 0.15
b) Calcular la probabilidad de que el ciudadano lea arte dado que lee
libros.
𝑃(𝐴 ∩ 𝐵) 0.09
𝑃 ( 𝐴| 𝐵 ) = = = 0.3913.
𝑃(0𝐵) 0.23

c) Calcular la probabilidad de que el ciudadano lea libros dado que

lee cine.
𝑃(𝐵 ∩ 𝐶) 0.04
𝑃 ( 𝐵 |𝐶 ) = = = 0.1081.
𝑃(𝐶) 0.37

d) Calcular la probabilidad de que el ciudadano lea arte dado que lee

libros o cine.
𝑃(𝐴|𝑃(𝐵) + 𝑃(𝐶 )) 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶 ) 0.13
= = = 0.2166.
𝑃 (𝐵 ) + 𝑃 (𝐶 ) 0.23 + 0.37 0.6

Ejemplo: La probabilidad de que un hombre casado vea un programa

es 0.4 y de que una mujer lo vea es 0.5, la probabilidad de que un
hombre vea el programa dado que su esposa lo hace es 0.7, calcular:

𝐴 = 𝑀 = 𝐸𝑠𝑝𝑜𝑠𝑎 = 0.5
𝐵 = 𝐻 = 𝐸𝑠𝑝𝑜𝑠𝑜 = 0.4

a) La probabilidad de que un matrimonio vea el programa.

𝑃(𝐻 |𝑀 ) ∙ 𝑃 (𝑀) = 0.7 ∙ 0.5 = 0.35.

b) Una esposa vea el programa dado que su esposo lo ve.

𝑃(𝑀 |𝐻) 0.35

= = 0.875.
𝑃(𝐻) 0.4
c) Al menos una persona lo vea.
𝑃 (𝐻 ∪ 𝑀) = 𝑃 (𝐻 ) + 𝑃(𝑀) − 𝑃 (𝐻 ∩ 𝑀) = 055.
Regla del producto en probabilidad:
Sean A y B eventos cualesquiera 𝑃(𝐵) ≠ 0 de la probabilidad
condicional:
𝑃(𝐴 ∩ 𝐵)
𝑃 ( 𝐴 |𝐵 ) =
𝑃(𝐵)
𝑃 ( 𝐴 ∩ 𝐵 ) = 𝑃 ( 𝐴 |𝐵 ) ∙ 𝑃 ( 𝐵 ).

Si A y B son eventos ajenos 𝐴 ∩ 𝐵 = 0.

𝑃 (𝐴 ∩ 𝐵 ) = 𝑃 (𝐴 ) ∙ 𝑃 (𝐵 ).
En general para eventos cualesquiera 𝐴1 , 𝐴2 , 𝐴3
Si se intersectan:
𝑃 (𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = 𝑃(𝐴3 |𝐴1 ∩ 𝐴2 ) ∙ 𝑃 (𝐴2 |𝐴1) ∙ 𝑃(𝐴1 )
Si son ajenos:
𝑃 = 𝑃 (𝐴1 ) ∙ 𝑃(𝐴2 ) ∙ 𝑃(𝐴3 ).

Ejemplo: En un monedero hay 5 monedas de oro, 4 de plata y 3 de

bronce. Si se extraen al azar 3 monedas de forma consecutiva y sin
remplazo, calcular:
a) ¿Cuál es la probabilidad de que las 3 monedas que salgan sean de
plata?
Sea 𝐴𝑖 : 𝐸𝑥𝑡𝑟𝑎𝑒 𝑚𝑜𝑛𝑒𝑑𝑎 𝑑𝑒 𝑝𝑙𝑎𝑡𝑎 𝑑𝑜𝑛𝑑𝑒 𝑖 = 1, 2, 3, … , 𝑛.

𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = 𝑃 (𝐴3 |𝐴2 ∩ 𝐴1) ∙ 𝑃(𝐴2 |𝐴1 ) ∙ 𝑃 (𝐴1 ).

2 3 4
𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = ∙ ∙ .
10 11 12
𝑃 (𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = 0.018.

b) Con las mismas hipótesis, ¿Cuál es la probabilidad de que al

extraer 3 monedas consecutivamente y sin remplazo sea una de
cada metal?
Sea A: Sale oro, B: Sale plata, C: Sale bronce.
𝑃 ( 𝐴 ∩ 𝐵 ∩ 𝐶 ) = 𝑃 ( 𝐶 | 𝐴 ∩ 𝐵 ) ∙ 𝑃 ( 𝐵 | 𝐴) ∙ 𝑃 ( 𝐴 ) .
3 4 5
𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = ∙ ∙ .
10 11 12
𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = 0.2777.
Teorema de probabilidad total:
Sean 𝐴1 , 𝐴2 , … , 𝐴𝑛 eventos mutuamente excluyentes 𝐴𝑖 ∩ 𝐴𝑗 = 0 y
eventos exhaustivos. Entonces para cualquier evento R:

𝑃(𝐵) = 𝑃(𝐵|𝐴1 ) ∙ 𝑃(𝐴1 ) + 𝑃(𝐵|𝐴2 ) ∙ 𝑃 (𝐴2 ) + ⋯ + 𝑃 (𝐵|𝐴𝑛 ) ∙ 𝑃(𝐴𝑛 )

𝑛

𝑃 (𝐵) = ∑ 𝑃(𝐵|𝐴𝑖 ) ∙ 𝑃(𝐴𝑖 )

𝑖=1

Teorema de Bayes:
Sean 𝐴1 , 𝐴2 , … , 𝐴𝑛 eventos mutuamente excluyentes y exhaustivos con
𝑃 (𝐴𝑖 ) > 0 para toda i y 𝑃 (𝐵) > 0 entonces:
𝑃 (𝐵|𝐴𝑘 ) ∙ 𝑃(𝐴𝑘 )
𝑃 ( 𝐴 𝑘 |𝐵 ) =
𝑃(𝐵)
Ejemplo: Suponga que se puede llevar a reparar un automóvil a uno
de dos talleres, la probabilidad de que lo entreguen a tiempo en el
2 1
taller 1 es de 3 y en el taller 2 de 3.

Calcular:
a) ¿Cuál es la probabilidad de que lo entreguen a tiempo?

𝑃 (𝐵) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑡𝑜𝑡𝑎𝑙 = 𝑃(𝐵|𝑡1 ) ∙ 𝑃 (𝑡1 ) + 𝑃 (𝐵|𝑡2 ) ∙ 𝑃(𝑡2 )

2 1 1 1 1
𝑃 (𝐵) = ( ) + ( ) = = 50% 𝐷𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
3 2 3 2 2
b) Si se elige al azar uno de los talleres y entregan a tiempo ¿Cuál es
la probabilidad de que el taller elegido sea el 2?
𝑃 (𝐵|𝑡2) ∙ 𝑃(𝑡2 )
𝑃(𝑡2 |𝐵) =
𝑃(𝐵)
1 1
∙ 1
𝑃 (𝑡2 |𝐵) = 3 2 = 𝐷𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
1 3
2
Ejemplo: 3 máquinas A, B, C, producen el 60%, 30%, 10%
respectivamente del número total de artículos de una fábrica, los
porcentajes de desperfecto de producción de cada máquina son
respectivamente; 2%, 3%, 4%. Se selecciona un artículo al azar;
SB= sale bien. D=defecto

a) Calcular la probabilidad de que resulte defectuoso:

𝑃 (𝐷 ) = 𝑃(𝐷|𝐴) ∙ 𝑃 (𝐴) + 𝑃(𝐷 |𝐵) ∙ 𝑃(𝐵) + 𝑃 (𝐷 |𝐶 ) ∙ 𝑃(𝐶 )

𝑃(𝐷 ) = 0.02(0.6) + 0.03(0.3) + 0.04(0.1)
𝑃 (𝐷 ) = 0.25

b) Si es defectuoso, calcular la probabilidad de que venga de la

maquina C.
𝑃 ( 𝐶 |𝐷 ) ∙ 𝑃 (𝐶 )
𝑃 (𝐷 | 𝐶 ) =
𝑃 (𝐶 )
0.04(0.1)
𝑃 ( 𝐷 |𝐶 ) =
0.1
𝑃 (𝐷|𝐶 ) = 0.04
UNIDAD
II
Variable aleatoria discreta:
Para un espacio muestral S, dado algún experimento, una v.a es
cualquier regla que asocia un nº con cada resultado de S. Las
variables aleatorias se denotan con X, Y, Z y con x, y, z el valor que
toman.
Los resultados de éxito/fracaso son resultados tipo Bernoulli donde:
𝑥 (𝑠 ) = 𝑥 𝑑𝑜𝑛𝑑𝑒 𝑥 𝑒𝑠 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎 𝑆

Ejemplo: El intenta conectarse a la RIU.

𝑆{1, 0} 1 = 𝑆𝑒 𝑐𝑜𝑛𝑒𝑐𝑡𝑎, 0 = 𝑁𝑜 𝑠𝑒 𝑐𝑜𝑛𝑒𝑐𝑡𝑎.
𝑥 (𝑐𝑜𝑛𝑒𝑐𝑡𝑎𝑟𝑠𝑒) = {1 𝑠𝑒 𝑐𝑜𝑛𝑒𝑐𝑡𝑎, 0 𝑛𝑜 𝑠𝑒 𝑐𝑜𝑛𝑒𝑐𝑡𝑎.
Cualquier v.a de dos resultados son experimentos tipo Bernoulli y una
v.a es discreta si su conjunto de valores posibles es discreto.

La función de densidad de probabilidad. (f.d.p)

La distribución de probabilidad se llama función de densidad de
probabilidad (f.d.p) de una v.a discreta se define para toda x.
𝑃(𝑥 ) = 𝑃(𝑋 = 𝑥 ) 𝑒𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎 𝑑𝑒 𝑞𝑢𝑒 𝑋 𝑡𝑜𝑚𝑒 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑥.
Para hacer valido lo anterior debe cumplir con las siguientes reglas:
a) 𝑃 (𝑥 ) ≥ 0
b) ∑ 𝑃(𝑥 ) = 1

Ejemplo: Un lote de ciertos componentes está listos para ser enviados

a cierto proveedor. El número de componentes defectuosos esta dado
en la siguiente tabla:
Lote 1 2 3 4 5 6
Defectos 0 2 0 1 2 0

Sea x= número de componentes defectuosos, obtener la f.d.p de la v.a.

𝐷𝑜𝑚𝑖𝑛𝑖𝑜 = {0, 1, 2}.

3
𝑃 (0) = 𝑃 (𝑥 = 0) = 𝑃(𝑒𝑛𝑣𝑖𝑎𝑟 𝑒𝑙 𝑙𝑜𝑡𝑒 1, 3, 6) = .
6
 1
𝑃(1) = 𝑃(𝑥 = 1) = 𝑃(𝑒𝑛𝑣𝑖𝑎𝑟 𝑒𝑙 𝑙𝑜𝑡𝑒 4) = .
6
2
𝑃 (2) = 𝑃(𝑥 = 2) = 𝑃(𝑒𝑛𝑣𝑖𝑎𝑟 𝑒𝑙 𝑙𝑜𝑡𝑒 2, 5) = .
6
1
𝑥=0
2
1
𝑃 (𝑥 ) = 𝑥=1
6
1
𝑥=2
3

Como x es mayor a 0 y la suma de las probabilidades es igual a 1

podemos concluir que se trata de una función de densidad de
probabilidad.
Ejemplo: Suponga que se lanza un par de dados, sea x la v.a tal que
𝑥 (𝑎, 𝑏) = max(𝑎, 𝑏).
𝑆: {(1,1), (1,2), … , (1,6), (2,1), (2,2), … , (2,6), … , (6,1), (6,2), … , (6,6)}
1
𝑃 (1) = 𝑃(𝑥 = 1) = 𝑃 [(1,1)] = .
36
3
𝑃 (2) = 𝑃 (𝑥 = 2) = 𝑃[(2,1), (1,2), (2,2)] = .
36
5
𝑃(3) = 𝑃(𝑥 = 3) = 𝑃[(3,1), (1,3), (3,2), (2,3), (3,3)] = .
36
7
𝑃 (4) = 𝑃 (𝑥 = 4) = 𝑃 [(4,1), (4,2), (4,3), (4,4), (1,4), (2,4), (3,4)] = .
36
9
𝑃(5) = 𝑃(𝑥 = 5) = 𝑃[(5,1), (5,2), (5,3), (5,4), (5,5), (1,5), (2,5), (3,5), (4,5)] = .
36
𝑃(6) = 𝑃 (𝑥 = 6) =
11
𝑃[(6,1), (6,2), (6,3), (6,4), (6,5), (6,6), (1,6), (2,6), (3,6), (4,6), (5,6)] = .
36
Por lo tanto la f.d.p:
𝟏
𝒙=𝟏
𝟑𝟔
𝟑
𝒙=𝟐
𝟑𝟔
𝟓
𝒇(𝒙) 𝒙=𝟑
𝟑𝟔
𝟕
𝒙=𝟒
𝟑𝟔
𝟗
𝒙=𝟓
𝟑𝟔
𝟏𝟏
𝒙=𝟔
𝟑𝟔
Ejemplo: Comenzamos a una hora fija y observamos el sexo de cada
niño recién nacido en cierto hospital, hasta que sea hombre. Suponer
que son nacimientos independientes.
x= número de nacimientos observados hasta que nace un bebe varón.
Construir la f.d.p
𝑃(1) = 𝑃 (𝑥 = 1) = 𝑃 (𝐵) = 𝑃
𝑃(2) = 𝑃(𝑥 = 2) = 𝑃 (𝐵 ∩ 𝐴) = 𝑃(1 − 𝑃)
𝑃 (3) = 𝑃 (𝑥 = 3) = 𝑃(𝐵 ∩ 𝐴 ∩ 𝐴) = 𝑃(1 − 𝑃)2
𝑃 (1) = 𝑃 (𝑥 = 1) = 𝑃(𝐵 ∩ 𝐴 ∩ 𝐴 ∩ 𝐴) = 𝑃(1 − 𝑃)3
𝑃 (𝑛) = 𝑃 (𝑥 = 𝑛) = 𝑃(1 − 𝑃)𝑛−1

𝑃(1 − 𝑃) 𝑋−1 𝑥 = 1, 2, 3, …
P(x)
0 𝑜. 𝑐

Ejemplo: 5 donadores de sangre; A, B, C, D, E, de los cuales A y B

tienen sangre O+, si forman a las 5 personas en orden aleatorio uno
tras otro hasta que sea identificado algún individuo con sangre O+.
Construir la f.d.p de la v.a; Donde y= número de clasificaciones
necesario hasta encontrar a un individuo O+.
2
𝑃(1) = 𝑃(𝑦 = 1) = 𝑃(𝐴 𝑜 𝐵) = .
5
3 2 6
𝑃 (2) = 𝑃 (𝑦 = 2) = 𝑃(𝐷 𝑜 𝐸 𝑦 𝑙𝑢𝑒𝑔𝑜 𝐴 𝑜 𝐵) = ∙ = .
5 4 20
3 2 2 1
𝑃 (3) = 𝑃 (𝑦 = 3) = 𝑃(𝐶, 𝐷 𝑜 𝐸, 𝐶, 𝐷, 𝐸, 𝑦 𝑙𝑢𝑒𝑔𝑜 𝐴 𝑜 𝐵) = ∙ ∙ = .
5 4 3 5
3 2 1 2 1
𝑃(4) = 𝑃(𝑦 = 4) = 𝑃 (𝐶, 𝐷 𝑜 𝐸, 𝐶, 𝐷, 𝐸, 𝐶𝐷𝐸 𝑦 𝑙𝑢𝑒𝑔𝑜 𝐴 𝑜 𝐵) = ∙ ∙ ∙ = .
5 4 3 2 10
La f.d.p:
𝟐
𝒙=𝟏
𝟓
𝟑
𝒙=𝟐
𝟏𝟎
𝟏
𝒇 ( 𝒙) 𝒙=𝟑
𝟓
𝟏
𝒙=𝟒
𝟏𝟎
0 O.C
Ejemplo: Un ensamblaje consta de 2 componentes mecánicos,
suponga que las probabilidades de que el primer y segundo
componente cumplan las especificaciones son; 0.95 y 0.98. Suponga
que los componentes son independientes.
Determine la función de densidad de probabilidad del número de
componentes que cumpla con las especificaciones.

Sea x= número de componentes que cumple con las especificaciones.

𝑥 ∈ {0, 1, 2} 𝑑𝑜𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑐𝑢𝑚𝑝𝑙𝑒𝑛, 𝑠𝑜𝑙𝑜 𝑢𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 𝑜 𝑛𝑖𝑛𝑔𝑢𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒.
1
𝑃 (0) = 𝑃(𝑥 = 0) = 𝑃(0.05 𝑦 0.02) =
1000
7
𝑃 (1) = 𝑃(𝑥 = 1) = 𝑃 (0.05 𝑜 0.02) =
100
931
𝑃 (2) = 𝑃(𝑥 = 2) = 𝑃(0.95 𝑦 0.98) =
1000
𝟏
𝒙=𝟎
𝟏𝟎𝟎𝟎
𝟕
𝒇 ( 𝒙) 𝒙=𝟏
𝟏𝟎𝟎
𝟗𝟑𝟏
𝒙=𝟐
𝟏𝟎𝟎𝟎

Ejemplo: Verifique que las siguientes funciones son funciones de

densidad y determine las probabilidades que se piden.
x -2 -1 0 1 2
f(x) 1 2 2 2 1
8 8 8 8 8
2

∑ 𝑃(𝑥 ) = 1 ∴ 𝑒𝑠 𝑢𝑛𝑎 𝑓. 𝑑. 𝑝
𝑖=−2

a)
i. 𝑃(𝑥 ≤ 2) =
8
𝑃(𝑥 = −2) + 𝑃(𝑥 = −1) + 𝑃 (𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) =
8
7
ii. 𝑃(𝑥 > 2) = 𝑃(𝑥 = −1) + 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) = 8
4
iii. 𝑃(−1 ≤ 𝑥 < 1) = 𝑃 (𝑥 = −1) + 𝑃 (𝑥 = 0) = 8
iv. 𝑃(𝑥 ≤ −1 𝑜 𝑥 > 1) =
8
(𝑃(𝑥 = −1) + 𝑃(𝑥 = 0) + 𝑃 (𝑥 = 1) + 𝑃(𝑥 = 2))(𝑃(𝑥 = 2) =
8
2𝑥+1
b) 𝑓 (𝑥 ) = 25
 9
i. 𝑃(𝑥 = 4) = 8
1
ii. 𝑃(𝑥 > 1) = 25
14
iii. 𝑃(2 < 𝑥 < 6) = 25
8
iv. 𝑃(𝑥 ≤ 1 𝑜 𝑥 > 1) = = 1
8

La esperanza de una variable aleatoria discreta:

𝐸 ( 𝑥 ) = 𝜇 ( 𝑥 ) = ∑ 𝑥 ∙ 𝑃 (𝑥 ).

La varianza y desviación estándar de una variable aleatoria discreta:

𝑉(𝑥 ) = 𝜎 2 = ∑(𝑥 − 𝐸(𝑥 )2 ∙ 𝑃(𝑥)

Propiedades de la función de probabilidad acumulada:

1. 0 ≤ 𝐹 (𝑋) ≤ 1 𝑃𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑥.
2. 𝐹(𝑥𝑗 ) ≥ 𝐹 (𝑥𝑖 ); 𝑠𝑖 𝑥𝑗 ≥ 𝑥𝑖 .
3. 𝑃(𝑥 > 𝑥𝑖 ) = 1 − 𝐹 (𝑥𝑖 ).
4. 𝑃(𝑥 = 𝑥𝑖 ) = 𝐹 (𝑥𝑖 ) − 𝐹 (𝑥𝑖 − 1).
5. 𝑃(𝑥𝑖 ≤ 𝑥 ≤ 𝑥𝑗 ) = 𝐹(𝑥𝑗 ) − 𝐹 (𝑥𝑖 − 1).

Ejemplo: Una mano de póker de cinco cartas extraída de manera

aleatoria de una baraja de 52 cartas puede contener de 0 a 4 ases. Si
x determina el número de ases; Calcular:
a) El espacio muestral y el recorrido de la variable aleatoria x.
𝑥 = {0, 1, 2, 3, 4}
5
𝐶52 = 2598960.

b) Construir la f.d.p en forma de tabla, grafica y analítica.

5
𝐶48 ∙ 𝐶40
𝑃 (𝑥 = 0) = 5 = 0.66.
𝐶52
4
𝐶48 ∙ 𝐶41
𝑃(𝑥 = 1) = 5 = 0.2994.
𝐶52
3
𝐶48 ∙ 𝐶42
𝑃(𝑥 = 2) = 5 = 0.0399.
𝐶52
2
𝐶48 ∙ 𝐶43
(
𝑃 𝑥=3 =) 5 = 0.001736.
𝐶52
 1
𝐶48 ∙ 𝐶44
𝑃 (𝑥 = 4) = 5 = 1.84 × 10−5 .
𝐶52

Entonces la f.d.p:

𝟎. 𝟔𝟔 𝒙=𝟎
𝟎. 𝟐𝟗𝟗𝟒 𝒙=𝟏
𝒇 (𝒙 ) 𝟎. 𝟎𝟑𝟗𝟗 𝒙=𝟐
𝟎. 𝟎𝟎𝟏𝟕𝟑𝟔 𝒙=𝟑
𝟎. 𝟎𝟎𝟎𝟎𝟏𝟖 𝒙=𝟒
0 O.C

c) Construir la f.p.a y graficarla.

5−𝑋
𝐶48 ∙ 𝐶4𝑋
( )
𝑃 𝑥 = 5 𝑥 = {0,1,2,3,4}
𝐶52

d) Calcular 𝑃(𝑥 > 1), 𝑃(1 ≤ 𝑥 ≤ 4), 𝑃 (𝑥 = 2).

𝑃(𝑥 > 1) = 1 − 𝑃(𝑥 = 1) = 0.04165.

𝑃(1 ≤ 𝑥 ≤ 4) = 1 − 0.66 = 0.3416.
𝑃 (𝑥 = 2) = 0.0399.

e) F.d.a
𝐹 (0) = 𝑓 (0) = 0.66
𝐹 (1) = 𝑓(𝑥 ≤ 1) = 𝑓(0) + 𝑓(1) = 0.9583
𝐹 (2) = 𝑓 (𝑥 ≤ 2) = 𝑓 (0) + 𝑓 (1) + 𝑓(2) = 0.9982
 𝐹 (3) = 𝑓 (𝑥 ≤ 3) = 𝑓 (0) + 𝑓(1) + 𝑓 (2) + 𝑓(3) = 0.9999
𝐹 (4) = 𝑓 (𝑥 ≤ 4) = 𝑓 (0) + 𝑓 (1) + 𝑓(2) + 𝑓 (3) + 𝑓(4) = 1

Funciones de densidad de probabilidad de una variable aleatoria discreta

(modelos):
 F.d.p UNIFORME: una v.a x discreta es uniforme si cada uno de sus
“n” valores de su rango tienen la misma probabilidad y su f.d.p:

𝑥 ∈ {𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 } 𝑎 = 𝑥1 , 𝑏 = 𝑥𝑛

1 𝑏−𝑎 (𝑏 − 𝑎 + 1)2 − 1
𝑓 (𝑥 ) = . 𝐸 (𝑥 ) = 𝜇 ( 𝑥 ) = . 𝜎 2 = 𝑉 (𝑥 ) =
𝑛 2 12

Ejemplo: El comunicador de una empresa tiene 48 líneas externas,

en determinado día y hora se observan la cantidad de líneas ocupadas.
Sea la v.a x=número de líneas ocupadas.
𝑥 ∈ {0,1, 2, 3, … , 48} 𝑥~𝑢𝑛𝑖𝑓𝑜𝑟𝑚𝑒.
1 1
𝑓 (𝑥 ) = =
𝑛 49
El número de líneas ocupadas en determinado momento:
48 − 0
𝐸 (𝑥 ) = = 24.
2
El número de líneas puede variar de forma:
 (48 − 0 + 1)2 − 1
𝜎 2 = 𝑉 (𝑥 ) = = 200
12
𝜎 = √200 = 14.142
Calcular las siguientes probabilidades:
1 1 1 3
a) 𝑃(𝑥 ≤ 2) = 𝑃(0) + 𝑃(1) + 𝑃(2) = 49 + 49 + 49 = 49
1 1 2
b) 𝑃(𝑥 ≥ 47) = 𝑃(47) + 𝑃(48) = 49 + 49 = 49

 F.d.p BINOMIAL: Sea un experimento que consta de “n” ensayos que:

1. Los ensayos son independientes.
2. Cada ensayo produce solo dos resultados (éxito/fracaso).
3. La probabilidad de éxito de cada ensayo es constante.
La v.a x= número de ensayos que producen éxito.
𝑛
𝑓 (𝑥 ) = ( ) = 𝑃𝑥 (1 − 𝑃)𝑛−𝑥 𝑥 = 0, 1, 2, 3, … , 𝑛
𝑥
𝜇(𝑥 ) = 𝐸 (𝑥 ) = 𝑛𝑃 𝜎 2 = 𝑉 (𝑥 ) = 𝑛𝑃(1 − 𝑃)

Ejemplo: La probabilidad de que una muestra de aire contenga una

molécula rara es del 10%, suponga que las muestras son
independientes respecto a la presencia de la molécula. Encuentre:
a) la probabilidad de que en las siguientes 18 muestras 2 tengan la
molécula.
𝑛 = 18𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠. 𝑃 = 0.1 𝑥~𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙.
18
𝑃(𝑥 = 2) = ( ) (0.1)2 (1 − 0.1)18−2
2
2
1
𝑃 (𝑥 = 2) = 𝐶18 ( ) (0.1853)
100
𝑃 (𝑥 = 2) = 0.2835.
b) Al menos 4 muestras tengan la molécula:
18
18
𝑃 (𝑥 ≥ 4) = ∑ ( ) (0.1)𝑥 (1 − 0.1)18−𝑥
𝑥
𝑥=1

𝑃 (𝑥 ≥ 4) = 1 − 𝑃(𝑥 < 4) = 1 − [𝑃 (𝑥 = 1) + 𝑃 (𝑥 = 2) + 𝑃(𝑥 = 3)]

1 − 𝑃(𝑥 < 4) = 1 − 0.915 = 0.0985.

 𝜇(𝑥 ) = 𝑛𝑃 = 1.8, 𝑣(𝑥 ) = 𝑛𝑃 (1 − 𝑃) = 1.62

c) La probabilidad de que el número de muestras este entre 3 y 7.

𝑃(3 ≤ 𝑥 ≤ 7) = 𝑃(𝑥 = 3) + 𝑃 (𝑥 = 4) + 𝑃(𝑥 = 5) + 𝑃(𝑥 = 6) + 𝑃(𝑥 = 7)

𝑃(3 ≤ 𝑥 ≤ 7) = 0.2660.

 F.d.p GEOMETRICA: Es una serie de ensayos tipo Bernoulli (solo dos

posibilidades) independientes con una probabilidad P, donde x= el
número de ensayos hasta tener el primero éxito.
𝑥~𝑔𝑒𝑜𝑚𝑒𝑡𝑖𝑐𝑎.

𝑓 (𝑥 ) = (1 − 𝑃)𝑥−1 ∙ (𝑃) 𝑥 = 1, 2, 3, …

1 1−𝑃
𝐸 ( 𝑥 ) = 𝜇 (𝑥 ) = . 𝜎 2 = 𝑣 (𝑥 ) = .
𝑝 𝑃2

Ejemplo: La probabilidad de que una oblea contenga una partícula

de contaminación es 0.01, se supone que las obleas son
independientes, cual es la probabilidad de que sea necesario analizar
125 obleas antes de detectar una partícula de contaminación.
𝑥 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑙𝑒𝑎𝑠 ℎ𝑎𝑠𝑡𝑎 𝑒𝑛𝑐𝑜𝑛𝑡𝑟𝑎𝑟 𝑐𝑜𝑛𝑡𝑎𝑚𝑖𝑛𝑎𝑐𝑖𝑜𝑛. 𝑥~𝑔𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎.
𝑃 = 0.01.

𝑃 (𝑥 = 125) = (1 − 0.01)125−1 (0.01)

𝑃(𝑥 = 125) = 2.87 × 10−3 .

Ejemplo: La probabilidad de que un beat trasmitido por un canal
digital se reciba con error es de 0.1. Suponga que las transmisiones
son eventos independientes.
Sea x= número de beats hasta transmitir un error.
Calcular:
a) La probabilidad de que el 5 beat se reciba con error.

𝑃(𝑥 = 5) = (1 − 0.1)5−1 (0.1) = 0.06561

b) La esperanza y varianza:

1
𝐸 (𝑥 ) = = 10 𝑏𝑒𝑎𝑡𝑠 ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑝𝑟𝑖𝑚𝑒𝑟 𝑒𝑟𝑟𝑜𝑟.
0.1
 1 − 0.1
𝜎 2 (𝑥 ) = = 90
(0.1)2
Ejemplo: Un semáforo particularmente tardado en el trayecto
matutino del lector, se encuentra en verde 20% de las veces que
pasa por el crucero, suponga que cada mañana es un evento
independiente:
a) En 5 mañanas cual es la probabilidad de que este en verde solo
un día.
𝑥~𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙. 𝑥 = 𝑑𝑖𝑎𝑠 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑒𝑛 𝑣𝑒𝑟𝑑𝑒.

5
𝑃(𝑥 = 1) = ( ) = 0. 21 ∙ (1 − 0.2)5−1 = 0.4096.
1

b) En 20 mañanas ¿cuál es la probabilidad de que este en verde 4

días?
𝑥~𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙. 𝑥 = 𝑑𝑖𝑎𝑠 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑒𝑛 𝑣𝑒𝑟𝑑𝑒.

20
𝑃(𝑥 = 4) = ( ) = 0. 24 ∙ (1 − 0.2)20−4 = 0.2182.
4

c) En 20 mañanas ¿cuál es la probabilidad de que este en verde

más de 4 días?
𝑥~𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙. 𝑥 = 𝑑𝑖𝑎𝑠 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑒𝑛 𝑣𝑒𝑟𝑑𝑒.

𝑃 (𝑥 > 4) =
1 − 𝑃 (𝑥 = 4) − 𝑃(𝑥 = 3) − 𝑃(𝑥 = 2) − 𝑃(𝑥 = 1) − 𝑃(𝑥 = 0)
.
𝑃 (𝑥 > 4) = 1 − 0.2181 − 0.2053 − 0.1369 − 0.576 − 0.0115.

𝑃 (𝑥 > 4) = 0.6294.
d) La esperanza y varianza del problema:

𝐸 (𝑥 ) = 𝜇(𝑥 ) = 𝑛𝑃 = 20(0.2) = 4

𝑣(𝑥 ) = 4(1 − 0.2) = 3.2

 F.d.p BINOMIAL NEGATIVA: Una serie de eventos Bernoulli

independientes con probabilidad constante P, donde x=número de
ensayos hasta “r” éxitos.

𝑥−1
𝑓 (𝑥 ) = ( ) (1 − 𝑃)𝑥−𝑟 ∙ 𝑃𝑟
𝑟−1
 Además de que:

𝑟 𝑟 (1 − 𝑃 )
𝐸 ( 𝑥 ) = 𝜇 (𝑥 ) = . 𝑉 ( 𝑥 ) = 𝜎 2 (𝑥 ) = .
𝑃 𝑃2

Ejemplo: Un avión de alto rendimiento contiene 3 computadoras

idénticas, se utiliza únicamente una para operar el sistema, las dos
restantes son repuestos que se activan cuando el sistema primario
falla. Durante una hora de operación la probabilidad de fallo en
cualquiera de las computadoras es de 0.0005, suponga que cada hora
representa un ensayo independiente y x= número de horas hasta que
las tres computadoras fallen.
a) ¿Cuál es la probabilidad de que las tres computadoras fallen en un
vuelo de 5 horas?

𝑃(𝑥 ≤ 5) = 𝑃(𝑥 = 3) + 𝑃 (𝑥 = 4) + 𝑃 (𝑥 = 5)

3−1 (
𝑃(𝑥 = 3) = ( ) 1 − 0.0005)3−3 (0.0005)3 = 1.25 × 10−10 .
5−1

4−1 (
𝑃 (𝑥 = 4) = ( ) 1 − 0.0005)4−3 (0.0005)3 = 3.7481 × 10−10 .
5−1

5−1 (
𝑃 (𝑥 = 5) = ( ) 1 − 0.0005)5−3 (0.0005)3 = 7.4925 × 10−10 .
5−1

𝑃 (𝑥 ≤ 5) = 1.25 × 10−10 + 3.7481 × 10−10 + 7.4925 × 10−10

𝑃 (𝑥 ≤ 5) = 1.2490 × 10−9 .

b) ¿Cuál es el tiempo promedio para que fallen las tres

computadoras?
𝑟 3
𝐸 (𝑥 ) = 𝜇 (𝑥 ) = = = 6000 ℎ𝑜𝑟𝑎𝑠.
𝑃 0.0005

 F.d.p HIPERGEOMETRICA: Se N un conjunto de objetos tales que

tenemos K objetos clasificados como éxitos y N-k como fracasos, al
tomar una muestra de tamaño n y en esa muestra al azar y sin
remplazo tenemos que:

𝑘 ≤ 𝑁. 𝑛 ≤ 𝑁. 𝑥 = 𝑚𝑎𝑥 {0, 𝑛 + 𝑘 − 𝑁} ℎ𝑎𝑠𝑡𝑎 𝑚𝑖𝑛{𝑘, 𝑛. }

 𝑘 𝑁−𝑘
( )( )
( )
𝑓 𝑥 = 𝑥 𝑛 − 𝑥 .
𝑁
( )
𝑛
Además de que:

𝑘 𝑁−𝑛
𝐸 (𝑥 ) = 𝜇(𝑥 ) = 𝑛𝑃. 𝑃= . 𝑉 (𝑥 ) = 𝜎 2 (𝑥 ) = 𝑛𝑃 (1 − 𝑃) ∙ ( ).
𝑁 𝑁−1

Ejemplo: Un lote contiene 100 piezas de un proveedor de tubería local

y 200 unidades de otro proveedor de otro estado. Se seleccionan 4
piezas al azar y sin remplazo.
x=numero de piezas del proveedor local, k=100, N=300.
a) ¿Cuál es la probabilidad de que todas las piezas sean del proveedor
local?
n=4

100 300 − 100

(
)( )
𝑃(𝑥 = 4) = 4 4−4 = 0.0118
300
( )
4

b) ¿Cuál es la probabilidad de que dos o más piezas sean del

proveedor local?
n=2
𝑃(𝑥 ≥ 2) = 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4).

100 300 − 100

(
)( )
𝑃 (𝑥 = 2) = 2 4 − 2 = 0.2927.
300
( )
2

100 300 − 100

(
)( )
𝑃 (𝑥 = 3) = 3 4−3 = 0.0977.
300
( )
3

100 300 − 100

(
)( )
𝑃 (𝑥 = 4) = 4 4 − 4 = 0.0118.
300
( )
4

𝑃 (𝑥 ≥ 2) = 0.2927 + 0.0977 + 0.0118 = 0.4022.

 c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra
sea del proveedor local?

𝑃 (𝑥 ≥ 1) = 1 − 𝑃(𝑥 = 0).

100 300 − 100

(
)( )
( )
𝑃 𝑥=0 = 0 4 − 0 = 0.1955.
300
( )
0

𝑃(𝑥 ≥ 1) = 1 − 0.1955 = 0.8045.

Ejemplo: Suponga que cada llamada telefónica a una radiodifusora
tiene una P=0.02 de conseguir conexión. Suponga que las llamadas
son independientes:
a) ¿Cuál es la probabilidad de que la primera llamada que consiga
conexión sea la décima?
𝑃(𝑥 = 10) = (1 − 0.02)10−1(0.02) = 0.0166.
b) ¿Cuál es la probabilidad de que se requieran más de 5 llamadas
para conseguir conexión?

𝑃 (𝑥 > 5) = 1 − 𝑃 (𝑥 = 1) − 𝑃 (𝑥 = 2) − 𝑃(𝑥 = 3) − 𝑃(𝑥 = 4) − 𝑃 (𝑥 = 5).

𝑃 (𝑥 = 1) = (1 − 0.02)0 (0.02) = 0.02.

𝑃(𝑥 = 2) = (1 − 0.02)1 (0.02) = 0.0196.

𝑃 (𝑥 = 3) = (1 − 0.02)2 (0.02) = 0.019208.

𝑃 (𝑥 = 4) = (1 − 0.02)3 (0.02) = 0.018824.

𝑃 (𝑥 = 5) = (1 − 0.02)4 (0.02) = 0.018448.

𝑃(𝑥 > 5) = 1 − 0.09618 = 0.9038.

 F.d.p CONJUNTA DE UNA V.A DISCRETA: La función 𝑓(𝑥, 𝑦) es

función de probabilidad conjunta de las v.a “x” y “y” si:

1) 𝑓 (𝑥, 𝑦) ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 (𝑥, 𝑦).

2) ∑𝑥 ∑𝑦 𝑓 (𝑥, 𝑦) = 1.
3) 𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) = 𝑓 (𝑥, 𝑦) 𝑝𝑎𝑟𝑎 𝑐𝑢𝑙𝑞𝑢𝑖𝑒𝑟 𝑟𝑒𝑔𝑖𝑛 𝑑𝑒𝑙 𝑝𝑙𝑎𝑛𝑜 𝑃 [(𝑥, 𝑦) ∈ 𝐴].
Ejemplo: Suponga que se toman al azar 3 baterías de un conjunto de
3 nuevas, 4 usadas que funcionan, 5 defectuosas. Sea “x” el número
de baterías que funcionan y “y” el número de baterías usadas que
funcionan.
Construir la f.d.p
𝑥 ∈ {0,1, 2, 3}. 𝑦 ∈ {0, 1, 2, 3, 4}.
𝑃 (𝑖, 𝑗) = 𝑃(𝑥 = 𝑖, 𝑦 = 𝑗).

5
( ) 1
𝑃 (0,0) = 𝑃(𝑥 = 0, 𝑦 = 0) = 3 = .
12
( ) 22
3

4 5
( )( ) 2
𝑃(0,1) = 𝑃(𝑥 = 0, 𝑦 = 1) = 1 2 = .
12 11
( )
3

4 5
( )( ) 3
𝑃(0,2) = 𝑃(𝑥 = 0, 𝑦 = 2) = 1 3 = .
12 22
( )
3

4
( ) 1
𝑃 (0,3) = 𝑃 (𝑥 = 0, 𝑦 = 3) = 3 = .
12
( ) 55
3

3
( ) (5)
𝑃 (1,0) = 𝑃(𝑥 = 1, 𝑦 = 0) = 1 2 = 1.35 × 10.3 .
12
( )
3

4 3
( ) (5) ( ) 3
𝑃 (1,1) = 𝑃(𝑥 = 1, 𝑦 = 1) = 1 2 1 = .
12 11
( )
3
 3 4
( )( ) 9
𝑃 (1,2) = 𝑃 (𝑥 = 1, 𝑦 = 2) = 1 2 = .
12 110
( )
3

3
( ) (5) 3
𝑃(2,0) = 𝑃(𝑥 = 2, 𝑦 = 0) = 1 1 = .
12 44
( )
3

3 4
( )( ) 3
𝑃 (2, ) = 𝑃 (𝑥 = 2, 𝑦 = 1) = 2 1 = .
12 55
( )
3

3
( ) 1
𝑃(3,0) = 𝑃(𝑥 = 3, 𝑦 = 0) = 3 = .
12 220
( )
3
𝑖⁄ 0 1 2 3
𝑗
0 1 2 3 1
22 11 22 55
1 3 3 9 0
22 11 110
2 3 3 0 0
44 55
3 1 0 0 0
220

La marginal:
21 27 27 1
𝑥 = ∑ 𝑟𝑒𝑛𝑔𝑙𝑜𝑛 = + + + =1
55 55 220 220

14 28 12 1 1
𝑦 = ∑ 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 = + + + + =1
55 55 55 55 220
Por lo tanto es una f.d.p.
Ejemplo: Suponga que el 15% de las familias de cierta comunidad no
tiene hijos, el 20% tiene un hijo, el 35% tiene dos hijos y el 30% tiene
tres hijos. Considere que cada hijo tiene la misma e
independientemente probabilidad de ser niño o niña.
Sea B=número de niños donde 𝐵 ∈ {0, 1, 2, 3} y G=número de niñas
donde 𝐺 ∈ {0, 1, 2, 3}.
Si se elige una familia al azar:
a) Describa la f.d.p conjunta:

𝑃 (0, 0) = 𝑃(𝐵 = 0, 𝐺 = 0) = 𝑃(sin 𝑛𝑖ñ𝑜𝑠) = 0.15.

𝑃(0, 1) =
𝑃 𝐵 = 0, 𝐺 = 1 = 𝑃 𝑢𝑛 ℎ𝑖𝑗𝑜 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑒𝑠 𝑛𝑖ñ𝑎) = (0.2)(0.5) = 0.1
( ) (

𝑃(0, 2) =
𝑃(𝐵 = 0, 𝐺 = 2) = 𝑃(𝑑𝑜𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑠𝑜𝑛 𝑛𝑖ñ𝑎𝑠) =
(0.35)(0.5)2 = 0.0875.

𝑃(0, 3) =
𝑃 (𝐵 = 0, 𝐺 = 3) = 𝑃 (𝑡𝑟𝑒𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑠𝑜𝑛 𝑛𝑖ñ𝑎𝑠) =
(0.30)(0.5)3 = 0.0375.

𝑃(1, 0) =
𝑃 (𝐵 = 1, 𝐺 = 0) = 𝑃 (𝑢𝑛 ℎ𝑖𝑗𝑜 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑒𝑠 𝑛𝑖ñ𝑜𝑠) =
(0.20)(0.5) = 0.1.

𝑃(2, 0) =
𝑃 𝐵 = 2, 𝐺 = 0 = 𝑃 𝑑𝑜𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑠𝑜𝑛 𝑛𝑖ñ𝑜𝑠) =
( ) (
(0.35)(0.5)2 = 0.0875.

𝑃(3, 0) =
𝑃(𝐵 = 3, 𝐺 = 0) = 𝑃 (𝑡𝑟𝑒𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑠𝑜𝑛 𝑛𝑖ñ𝑜𝑠) =
(0.30)(0.5)3 = 0.0375.

𝑃(1, 2) =
𝑃 (𝐵 = 1, 𝐺 = 2) = 𝑃 (𝑡𝑟𝑒𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑑𝑜𝑠 𝑠𝑜𝑛 𝑛𝑖ñ𝑎𝑠)
= 0.1125.

𝑃(2, 1) =
𝑃 (𝐵 = 2, 𝐺 = 1) = 𝑃(𝑡𝑟𝑒𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑢𝑛𝑎 𝑒𝑠 𝑛𝑖ñ𝑎)
= 0.1125.
 𝑃(1, 1) =
𝑃 (𝐵 = 1, 𝐺 = 1) = 𝑃 (𝑑𝑜𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑢𝑛𝑎 𝑒𝑠 𝑛𝑖ñ𝑎)
= 0.0875.

𝑃(2,1) =
𝑃(𝐵 = 2, 𝐺 = 1) = 𝑃(𝑡𝑟𝑒𝑠 ℎ𝑖𝑗𝑜𝑠 𝑑𝑎𝑑𝑜 𝑞𝑢𝑒 𝑢𝑛𝑎 𝑛𝑖ñ𝑎𝑠)
= 0.1125.

𝑖⁄ 0 1 2 3
𝑗
0 0.15 0.1 0.0875 0.0375
1 0.1 0.0875 0.1125 0
2 0.0875 0.1125 0 0
3 0.0375 0 0 0

𝑀𝑎𝑟𝑔𝑖𝑛𝑎𝑙 𝑑𝑒 𝐵 = 0.375 + 0.3875 + 0.2 + 0.0375 = 1

𝑀𝑎𝑟𝑔𝑖𝑛𝑎𝑙 𝑑𝑒 𝐺 = 0.375 + 0.3875 + 0.2 + 0.0375 = 1
Por lo tanto es una f.d.p conjunta.
b) Encontrar la probabilidad de que la familia tenga por lo menos una
niña:
𝑃(𝐺 ≥ 1) = 𝑃 (𝐺 = 1) + 𝑃(𝐺 = 2) + 𝑃(𝐺 = 3).
5
𝑃(𝐺 ≥ 1) = .
8

 F.d.p Poisson: Dado un intervalo de números reales suponga que

ocurren conteos al azar a lo largo de un intervalo. Se puede hacer una
partición del intervalo en sub intervalos suficientemente pequeños de
longitud tales que:
1) La probabilidad de más de un conteo en el sub intervalo es nulo.
2) La probabilidad de un sub intervalo al ser cortado es la misma en
todos los sub intervalos.
3) Los conteos en cada sub intervalo son independientes y son
proporcionales a la longitud del intervalo.
Entonces el experimento se denomina proceso Poisson, si el promedio
de conteos en el intervalo es constante 𝜆 > 0 y x= número de conteos
en el intervalo con:

𝑒 −𝜆 𝜆𝑥
𝑓 (𝑥 ) . 𝑥 = 1, 2, 3, 4, …
𝑥!
Además de que:

𝐸 (𝑥 ) = 𝜇(𝑥 ) = 𝜆. 𝑣 (𝑥 ) = 𝜎 2 (𝑥 ) = 𝜆.

Ejemplo: Se tiene un alambre delgado de cobre, suponga que el

número de imperfecciones, sigue una distribución Poisson con media
de 2.3 imperfecciones por [𝑚𝑚].
a) Determine la probabilidad de 2 imperfecciones en 1 [𝑚𝑚].
x= 2 imperfecciones en 1 [𝑚𝑚]. 𝜆 = 2.3.

𝑒 −2.3 (2.3)2
𝑃 (𝑥 = 2) = = 0.2651.
2!

b) Determine la probabilidad de 10 imperfecciones en 5 [𝑚𝑚] de

alambre.

x= 10 imperfecciones en 5 [𝑚𝑚]. 𝜆 = 11.5.

𝑒 −11.5(11.5)10
𝑃(𝑥 = 10) = = 0.1129.
10!
c) Determine la probabilidad de al menos 1 imperfección en 2 [𝑚𝑚].

x= al menos una imperfección en 2 [𝑚𝑚]. 𝜆 = 4.6.

𝑃 (𝑥 ≥ 1) = 1 − 𝑃(𝑥 = 0).

𝑒 −4.6 (4.6)0
𝑃(𝑥 = 0) = = 0.011.
0!

𝑃(𝑥 ≥ 1) = 1 − 0.011 = 0.989.

 Ejemplo: La contaminación constituye un problema en la
fabricación de discos de almacenamiento, el número de partículas
de contaminación que ocurre en un disco, tiene distribución
Poisson y el promedio de partículas por [𝑐𝑚2 ] de superficie en el
disco es 0.1, el área de estudio del disco es de 100 [𝑐𝑚2 ].
a) Encuentre la probabilidad de que ocurran 12 partículas en el
área del disco bajo estudio.

𝑥 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑠 𝜆 = 10

𝑒 −10 (10)12
𝑃(𝑥 = 12) = = 0.09478.
12!

b) Calcule la probabilidad de que ocurran 0 partículas en el área

del disco bajo estudio.

𝑥 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑠 𝜆 = 10

𝑒 −10 (10)0
𝑃(𝑥 = 0) = = 4.53𝑥10−5 .
0!

c) Determine la probabilidad de que haya máximo tres partículas

en el área del disco.

𝑃 (𝑥 ≤ 3) = 1 − 𝑃 (𝑥 = 3) − 𝑃 (𝑥 = 2) − 𝑃 (𝑥 = 1) − 𝑃 (𝑥 = 0).

𝑃(𝑥 ≤ 3) = 1 − 7.566𝑥10−3 − 2.2699𝑥10−3 + 4.5399𝑥10𝑥10−5

𝑃 (𝑥 ≤ 3) = 0.011335.

 F.d.a de una variable aleatoria discreta: Sea x una v.a discreta y f(x)
su f.d.p la f.d.a:
𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 ) = ∑ 𝑓 (𝑥𝑖 ).
𝑥𝑖

Y satisface que:
1) 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∑𝑥𝑖 ≤𝑟 𝑓(𝑥𝑖 ).
 2) 0 ≤ 𝐹 (𝑥 ) ≤ 1.

3) 𝑆𝑖 𝑥 ≤ 𝑦 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐹 (𝑥 ) ≤ 𝐹 (𝑦).

Ejemplo: El espacio muestral de un experimento es {𝑎, 𝑏, 𝑐, 𝑑, 𝑒, 𝑓 } y

cada esultado es igualmente probable, una variable aleatori se define
de la siguiente manera:
Resultado a b c d e f
x 0 0 1.5 1.5 2 3

a) Determine la f.d.p de x y grafíquela.

𝑥 ∈ {0, 1.5, 2, 3}

2
𝑃 (𝑥 = 0) = .
6

2
𝑃 (𝑥 = 1) = .
6

1
𝑃 (𝑥 = 2) = .
6

1
𝑃 (𝑥 = 3) = .
6

2
𝑥 = 0.
6
2
𝑓(𝑥) 𝑥 = 1.
6
1
𝑥 = 2.
6
1
𝑥 = 3.
6
b) Determine:
1
i) 𝑃 (𝑥 = 1.5) = .
3

3
ii) 𝑃 (0.5 ≤ 𝑥 ≤ 2.7) = 6.

4
iii) 𝑃 (0 ≤ 𝑥 ≤ 2) = 5.

c) Determine f.d.a y grafíquela:

0 𝑥<0
1
0 ≤ 𝑥 ≤ 1.5
3
2
𝑓 (𝑥 ) = 1.5 ≤ 𝑥 ≤ 2
3
5
2≤𝑥<3
6
1 𝑥>3
UNIDAD
III
Sea x una variable aleatoria continua definida en un intervalo finito o
infinito. Se define una f.d.p continua 𝑓𝑥 (𝑥 ) en un intervalo [𝑥1 , 𝑥2 ]
cumple que:
1) 𝑓𝑥 (𝑥) ≥ 0.
∞
2) ∫−∞ 𝑓𝑥 (𝑥 )𝑑𝑥 = 1.
𝑥
3) 𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = ∫𝑥 2 𝑓𝑥 (𝑥 )𝑑𝑥.
1

Ejemplo: Sea 𝑓𝑥 (𝑥 ) = 𝑘𝑥 2 0 < 𝑥 < 4 𝑦 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

a) Obtener el valor de k tal que 𝑓𝑥 (𝑥 ) sea una f.d.p.
∞
∫ 𝑘𝑥 2 𝑑𝑥 = 1
−∞
4
→ ∫ 𝑘𝑥 2 𝑑𝑥 = 1
0
4
→ 𝑘 ∫ 𝑥 2 𝑑𝑥 = 1
0

𝑥3 4
→ 𝑘 ( 3 | ) = 1.
0
1 1
→ 𝑘 ( (4)3 − (0)3 ) = 1
3 3
64
→ 𝑘( )=1
3
3
→𝑘= .
64
1 3
b) 𝑃 (4 < 𝑥 < 4).
3 3
3 2
4 3 4
→∫ 𝑥 𝑑𝑥 = ∫ 𝑥 2 𝑑𝑥.
1 64 64 1
4 4

3
3 1 34 3 13
→ (3 𝑥 | ) = ( ).
64 1 64 96
4

1 3 13
𝑃( < 𝑥 < ) = .
4 4 2048
 2
c) 𝑃 (𝑥 > 3).
4
3 2 3 4
→∫ 𝑥 𝑑𝑥 = ∫ 𝑥 2 𝑑𝑥.
2 64 64 2
3 3

3 1 34
→ ( 𝑥 |2).
64 3 3

2 215
𝑃 (𝑥 > ) = .
3 216

Ejemplo: Sea 𝑓𝑥 (𝑥 ) = 2𝑒 −2𝑥 𝑝𝑎𝑟𝑎 𝑥 > 0, 𝑦 𝑓𝑥 (𝑥 ) = 0 𝑝𝑎𝑟𝑎 𝑥 ≤ 0.

a) 𝑃(1 < 𝑥 < 3).
3 3
−2𝑥
→ ∫ 2𝑒 𝑑𝑥 = 2 ∫ 𝑒 −2𝑥 𝑑𝑥 .
1 1

3 3
→ (2) (𝑒 −2𝑥 |3) = (0.066).
64 1 64

𝑃 (1 < 𝑥 < 3) = 0.1328.

b) 𝑃(𝑥 > 0.5).

∞ ∞
−2𝑥
→ ∫ 2𝑒 𝑑𝑥 = 2 ∫ 𝑒 −2𝑥 𝑑𝑥 .
0.5 0.5

0.5
→ 2 (∫ 𝑒 −2𝑥 𝑑𝑥 + lim (𝑒 −2𝑥 ))
0 𝑥→∞

𝑝𝑒𝑟𝑜 lim (𝑒 −2𝑥 ) → 0.

𝑥→∞

𝑃 (𝑥 > 0.5) = 0.3688.

c) 𝑃(𝑥 < 4).

4 0 4
→ ∫ 2𝑒 −2𝑥 𝑑𝑥 = ∫ 2𝑒 −2𝑥 𝑑𝑥 + ∫ 2𝑒 −2𝑥 𝑑𝑥.
−∞ −∞ 0

4
→ lim 2𝑒 −2𝑥 + ∫ 2𝑒 −2𝑥 𝑑𝑥.
𝑥→∞ 0

𝑃(𝑥 < 4) = 9996.

Ejemplo: Sea la v.a.c x que denota el diámetro de un agujero metálico,
el diámetro especificado es 12.5 [𝑚𝑚].Perturbaciones aleatorias
durante el proceso resulta en diámetros mayores. Sea:
𝑓𝑥 (𝑥 ) = 20𝑒 −20(𝑥−12.5) 𝑝𝑎𝑟𝑎 𝑥 ≥ 12.5 𝑦 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

a) Si un componente con diámetro 12.6 se desecha ¿Qué propiedad

se desecha?
𝑃(𝑥 > 12.6) = 1 − 𝑃 (0 ≤ 𝑥 ≤ 12.5)

12.5 12.5
−20(𝑥−12.5)
→ 1−∫ 20𝑒 𝑑𝑥 = 1 − 20 ∫ 𝑒 −20(𝑥−12.5) 𝑑𝑥.
0 0

12.5
→ 1 − 20 (0.5 𝑒 −20(𝑥−12.5) | ) = 1 − 0.8647
0

𝑃(𝑥 > 12.6) = 0.1353.

b) ¿Qué proporción tiene entre 12.5 y 12.6 [𝑚𝑚]?

𝑃(12.5 ≤ 𝑥 ≤ 12.6)

12.6
→∫ 20𝑒 −20(𝑥−12.5) 𝑑𝑥
12.5

→ 20(𝑒 −2 − 𝑒 0 ) = 0.8646.

La función de distribución acumulada de una variable aleatoria

continua x es:
𝑥
𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 ) = ∫ 𝑓(𝑢)𝑑𝑢.
−∞

Ejemplo: Retomando el ejercicio de los diámetros de metal…

𝑥
𝐹 (𝑥 ) = ∫ 20𝑒 −20(𝑢−12.5)𝑑𝑢.
−∞

𝑥
𝐹(𝑥) = 20 ∫ 𝑒 −20(𝑢−12.5) 𝑑𝑢
−∞

→ 20(𝑒 −20(𝑥−12.5) − 𝑒 −20(12.5−12.5)

 𝐹 (𝑥 ) = 1 − 𝑒 −20(𝑥−12.5)
0

Para una variable aleatoria continua tenemos que la esperanza es:

∞
𝜇(𝑥 ) = ∫ 𝑥𝑓 (𝑥 )𝑑𝑥 = 𝐸 (𝑥 ).
−∞

Para una variable aleatoria continua tenemos que la esperanza es:

∞
𝑣(𝑥 ) = ∫ 𝑥 2 𝑓 (𝑥 ) − (𝐸(𝑥)2 )𝑑𝑥.
−∞

Modelos de probabilidad f.d.p de una variable aleatoria continua

f.d.p UNIFORME: Una v.a X continua con f.d.p dada por:
1
𝑓 (𝑥 ) = 𝑎 < 𝑥 < 𝑏.
𝑏−𝑎
𝑎+𝑏
𝐸 (𝑥 ) = 𝜇 (𝑥 ) = .
2
(𝑏 − 𝑎)2
𝑣 ( 𝑥 ) = 𝜎 2 (𝑥 ) = .
2

Ejemplo: Sea la variable aleatoria continua x que denota la corriente

medida con un alambre delgado de cobre [𝑚𝐴]. Suponga que el rango
𝑥 ∈ [0,20] [𝑚𝐴] suponga qu la función de densidad de probabilidad es
𝑓 (𝑥 ) = 0.05 0 ≤ 𝑥 ≤ 20 ¿Cuál es la probabilidad de que una medición
de corriente este entre 5 y 10 [𝑚𝐴].
10
10
𝑃(5 < 𝑥 < 10) = ∫ 0.05𝑑𝑥 = 0.05𝑥| = 0.05(10 − 5).
5 5

𝑃 (5 < 𝑥 < 10) = 0.2.5

0 + 20
𝐸 (𝑥 ) = = 10.
2
(20 − 0)2
𝑣 (𝑥 ) = = 200.
2
𝜎𝑥 = 14.14
Y la f.d.a:
 𝑥 𝑥
𝐹 (𝑥 ) = ∫ 𝑓 (𝑢)𝑑𝑢 = ∫ 0.05𝑑𝑢.
−∞ 0

𝐹 (𝑥 ) 0.05𝑥 0 < 𝑥 < 20.

1 𝑥 ≥ 20.

Ejemplo: El grosor de un reborde de un componente aeronáutico tiene

una distribución uniforme entre 0.95 y 1.05 [𝑚𝑚].
a) Determine la función de distribución acumulada de un grosor de
los rebordes.
0.95 ≤ 𝑥 ≤ 1.05

𝑥
𝐹. 𝑑. 𝑎 = 𝐹 (𝑥 ) = ∫ 𝑓 (𝑢)𝑑𝑢.
−∞

1
𝑓 (𝑢 ) = = 10.
1.05 − 0.95
𝑥
𝐹 (𝑥 ) = ∫ 10𝑑𝑢 = 10𝑥 − 9.5.
−∞

𝐹 (𝑥 ) = 10𝑥 − 9.5 0.95 ≤ 𝑥 ≤ 1.05.

1 𝑥 ≥ 1.05
b) Determine la proporción que excede 1. 02[𝑚𝑚] .

𝑥 > 1.02 𝑥 ∈ [1.03, 1.05]

1.05
1.05 1
𝑥 > 1.02 = ∫ 10𝑑𝑥 = 10𝑥| = .
1.03 1.03 5

𝑥 > 1.02 = 20% .

c) Que grosor excede el 90% de los rebordes.

𝑏
∫ 10𝑑𝑥 = 0.90.
𝑎

𝑏
10𝑥| = 0.90.
𝑎

10(𝑏 − 𝑎) = 0.90.

𝑏 − 𝑎 = 0.09.

−𝑎 = −0.96 → 𝑎 = 0.96.

d) Determine la media y la varianza de los rebordes.

2
𝐸 (𝑥 ) = =1. 𝑣(𝑥 ) = 5𝑥10−3 .
2

La f.d.p EXPONENCIAL: La variable aleatoria x que es igual a la

distribución entre conteos sucesivos de un proceso Poisson con media
𝜆 > 0 tiene una distribución exponencial dada por:

𝑓 (𝑥 ) = 𝜆𝑒 −𝜆𝑥 0 ≤ 𝑥 < ∞.

La esperanza y varianza está definida por:

1
𝜇 (𝑥 ) = 𝐸 (𝑥 ) = .
𝜆
1
𝑣 (𝑥 ) = 𝜎 2 (𝑥 ) = .
𝜆2 .
Ejemplo: Una red de computadoras que da acceso a usuarios al
sistema se comporta con un proceso Poisson con 𝜆 = 25 accesos por
hora.
a) ¿Cuál es la probabilidad de que no haya accesos en un intervalo
de 6 minutos?

𝑥 = 𝑡𝑖𝑒𝑚𝑝𝑜 [ℎ𝑜𝑟𝑎𝑠] 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑖𝑛𝑖𝑐𝑖 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑝𝑟𝑖𝑚𝑒𝑟 𝑎𝑐𝑐𝑒𝑠𝑜.

1
𝑃(𝑥 > 6 𝑚𝑖𝑛𝑢𝑡𝑜𝑠) = 𝑃 (𝑥 > ℎ𝑜𝑟𝑎).
10
∞
1
𝑃 (𝑥 > ) = ∫ 2.5𝑒 −2.5𝑥 𝑑𝑥 .
10 0.1

𝑏
1
𝑃 (𝑥 > ) = lim ∫ 2.5𝑒 −2.5𝑥 𝑑𝑥.
10 𝑏
0.1
𝑏→∞

1
𝑃 (𝑥 > ) = lim [−𝑒 −25𝑏 + 𝑒 25(0.1) ].
10 𝑏→∞

1
𝑃 (𝑥 > ) = 0.082.
10

b) ¿Cuál es la probabilidad hasta que el siguiente acceso este entre 2

y 3 minutos?
1 1
𝑃 (2 < 𝑥 < 3) = 𝑃 ( < 𝑥 < ).
30 20
1
1 1 20
𝑃 ( < 𝑥 < ) = ∫ 25𝑒 −25𝑥 𝑑𝑥.
30 20 1
30

1 1
𝑃( < 𝑥 < ) = 0.1480.
30 20

DISTRIBUCION NORMAL: Sea x un variable aleatoria con f.d.p dada

por:

1 (𝑥−𝜇)2
−
𝑓 (𝑥 ) = 𝑒 2𝜎 2 (−∞ < 𝑥 < ∞).
√2𝜋𝜎
Tiene una f.d.p normal con parámetro 𝜇, (−∞ < 𝑥 <∝) y 𝜎 > 0 además
de que la esperanza y varianza están definidos como:
𝐸 (𝑥 ) = 𝜇 (𝑥 ). 𝑣 ( 𝑥 ) = 𝜎 (𝑥 ).

Ejemplo: Suponga que las mediciones de corriente tienen una

distribución normal con media de 10 [𝑚𝐴] y una varianza de 4 [𝑚𝐴]
a) ¿Cuál es la probabilidad de que una medición exceda 13 [𝑚𝐴]?

Para estandarizar la v.a tenemos que saber que:

𝑥−𝜇
𝑧= ~ 𝑁 (0,1).
𝜎
 𝑥 − 10 13 − 10
→ 𝑃 (𝑥 > 13) = 𝑃 ( > ) = 𝑃 (𝑧 > 1.5)
2 2

𝑃(𝑧 > 1.5) = 1 − 𝑃 (𝑧 < 1.5) = 1 − 0.9339193.

𝑃 (𝑧 > 1.5) = 0.066807.

b) Determine el valor para el que la probabilidad de que una medición

de la corriente este debajo de este valor sea 0.98.

𝑃 (𝑋 < 𝑥 ) = 0.98

𝑋 − 10 𝑥 − 10
𝑃( < ) = 0.98.
2 2

𝑃(𝑍 < 𝑧) = 0.98.

𝑥 − 10
2.05 = .
2

𝑥 = 14.1.

Ejemplo: La resistencia a la compresión de muestras de cemento

𝑘𝑔
puede modelarse con una distribución normal con media de 6000[𝑚2 ]
𝑘𝑔
y una desviación estándar de 100 [𝑚2 ].

a) ¿Cuál es la probabilidad de que la resistencia a la compresión de

𝑘𝑔
una muestra sea de 6250 [𝑚2 ] ?
 𝑥 − 6000 6250 − 6000
𝑃(𝑥 < 6250) = 𝑃 ( < ).
100 100

𝑃 (𝑧 < 2.5) = 0.993790.

𝑘𝑔
b) ¿Cuál es la probabilidad de que este entre 5800 y 5900 [𝑚2 ] ?

5800 − 6000 𝑥 − 6000 5900 − 6000

𝑃(5800 < 𝑥 < 5900) = 𝑃 ( < < ).
100 100 100

𝑃(5800 < 𝑥 < 5900) = 𝑃(−𝑧 < 𝑧 < −1).

𝑃 (−𝑧 < 𝑧 < −1) = 𝑃 (𝑧 < −1) − 𝑃(𝑧 < −𝑧).

𝑃 (𝑧 < −1) − 𝑃 (𝑧 < −𝑧) = 0.158655 − 0.02275.

𝑃 (5800 < 𝑥 < 5900) = 0.135905.

c) ¿Cuál es la resistencia a la compresión que excede 95% de la

muestras?
𝑃(𝑋 < 𝑥 ) = 0.95.

𝑋 − 6000 𝑥 − 6000
𝑃( < ) = 0.95.
100 100

𝑃(𝑍 < 𝑧) = 0.95.

1.604 = 0.95.

𝑥 − 6000
= 1.64.
100

𝑥 = 6.164.

APROXIMACIÓN DE LA NORMAL A LA BINOMIAL Y POISSON

Si x es una variable aleatoria binomial entonces:
𝑥 − 𝑛𝑃
𝑧= 𝑁(0, 1)
√𝑛𝑃(1 − 𝑃)
Es aproximadamente normal si 𝑛𝑃 > 5 𝑦 𝑛(1 − 𝑃) > 5.
Ejemplo: En un canal de comunicación digital suponga que el
número de bytes recibidos con error se modela con una variable
aleatoria binomial. La probabilidad de que un byte se reciba con error
es 1 × 10−5 , si se transmiten 16,000 bytes ¿Cuál es la probabilidad de
que más de 150 bytes presenten errores?
𝑥 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟𝑒𝑠. 𝑛 = 16,000. 𝑃 = 1 × 10−5 .
Con aproximación normal:
𝑥 − 160 150 − 160
𝑃(𝑥 > 150) = 𝑃 ( > ).
12.64 12.64

𝑃 (𝑥 > 150) = 𝑃(𝑧 > −0.79).

𝑃(𝑧 > −0.79) = 1 − 𝑃(𝑧 < −0.79).

𝑃 (𝑥 > 150) = 0.7852.

Si x es una variable aleatoria con𝐸(𝑥 ) = 𝑣 (𝑥 ) = 𝜆 Entonces;

𝑥−𝜆
𝑧= ~ 𝑁(0,1).
√𝜆
Es aproximadamente una variable aleatoria normal estándar si 𝜆 > 5.
Ejemplo: Suponga que el número de partículas de asbesto en 1 [𝑐𝑚2 ]
de polvo sigue una distracción Poisson con media de 1000 si se analiza
1 [𝑐𝑚2 ]de polvo ¿Cuál es la probabilidad de encontrar menos de 950
partículas?

𝑒 −𝜆 𝜆𝑥
𝑓 (𝑥 ) = .
𝑥!
Con aproximación normal:
𝑥 − 1000 950 − 1000
𝑃(𝑥 < 950) = 𝑃 ( < ).
31.62 31.62

𝑃(𝑥 < 950) = 𝑃(𝑧 < 0.05).

 𝑃(𝑧 < −1.58) = 0.05.

Ejemplo: Suponga 𝑥~𝑁(𝜇 = 10, 𝜎 = 2) calcule:

a) 𝑃(𝑋 > 𝑥 ) = 0.5.

𝑋 − 10 𝑥 − 10
𝑃( > ) = 0.5.
2 2

𝑃 (𝑍 > 𝑧)0.5.

𝑃(𝑍 > 0) = 0.5.

𝑥 − 10
→ = 0.
2

→ 𝑥 = 10.

b) 𝑃(𝑋 > 𝑥 ) = 0.95.

𝑋 − 10 𝑥 − 10
𝑃( > ) = 0.95.
2 2

𝑃(𝑍 > 𝑧) = 0.95.

 𝑃(𝑧 > 1.64) = 0.95.

𝑥 − 10
→ = −1.64.
2

→ 𝑥 = 6.72.

c) 𝑃(𝑥 < 𝑋 < 10) = 0.2.

𝑥 − 10 𝑋 − 10
𝑃( < < 0) = 0.2.
2 2

𝑃(𝑧 < 𝑍 < 0).

𝑃 (𝑧 < 0) − 𝑃(𝑧 < 𝑚) = 0.2.

→ 0.05 − 𝑃(𝑧 < 𝑚) = 0.2.

𝑃(𝑧 < 𝑚) = −0.53.

𝑥 − 10
→ = −0.53.
2

→ 𝑥 = 8.94.

d) 𝑃(−𝑥 < 𝑋 < 𝑥 ) = 0.95.

 −𝑥 − 10 𝑋 − 10 𝑥 − 10
𝑃( < < ) = 0.95.
2 2 2

𝑃(−𝑧 < 𝑍 < 𝑧 = 0.95.

𝑧 = 1.64.

→ 𝑥 = 13.92.

e) 𝑃(−𝑥 < 𝑋 − 10 < 𝑥 ) = 0.99.

−𝑥 𝑥 − 10 𝑥
𝑃( < < ).
2 2 2

𝑃(𝑍 < 𝑧) − 𝑃(𝑍 < −𝑧) = 0.99.

𝑃(𝑍 < 𝑧) = 0.5 + 0.495.

→ 𝑧 = 2.58.

→ 𝑥 = 5.16.
UNIDAD
IV
La función de densidad de probabilidad de dos variables: La f.d.p
𝑓𝑥𝑦 (𝑥, 𝑦) es una función conjunta de las variables continuas “X” y “Y”
además de que se cumple que:

1) 𝑓 (𝑥, 𝑦) ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 (𝑥, 𝑦).

∞ ∞
2) ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = 1.
.
3) 𝑃[(𝑥, 𝑦) ∈ 𝐴] = ∬𝐴 𝑓(𝑥, 𝑦)𝑑𝑥 𝑑𝑦. 𝑃𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑟𝑒𝑔𝑖𝑜𝑛 𝑒𝑛 𝐴.

Ejemplo: En una copiadora, se x la v.a que denota el tiempo de vida

de un componente en [ℎ𝑟𝑠] y sea y la v.a que denota el tiempo de vida
de un componente también en [ℎ𝑟𝑠]. Suponga que la f.d.p conjunta
es:
𝑓𝑥𝑦 (𝑥, 𝑦) = 2𝑥10−6 𝑒 −0.001−0.002𝑦 .

𝑥 ≥0. 𝑦 ≥ 0.

a) Verifique que 𝑓𝑥𝑦 (𝑥, 𝑦) es una f.d.p:

∞ ∞ ∞ ∞
∫ ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = ∫ ∫ 2𝑥10−6 𝑒 −0.001−0.002𝑦 𝑑𝑥 𝑑𝑦.
−∞ −∞ −∞ −∞

𝑏 𝑏
→ lim ∫ ∫ 2𝑥10−6 𝑒 −0.001−0.002𝑦 𝑑𝑥 𝑑𝑦.
𝑏→∞ 0 0

𝑏 𝑏
−6 ∫ ∫ −0.001−0.002𝑦
→ lim 2𝑥10 𝑒 𝑑𝑥 𝑑𝑦.
𝑏→∞ 0 0

𝑏 𝑏
𝑑𝑥 𝑑𝑦
→ lim 2𝑥10−6 ∫ ∫ 𝑒 −𝑢 ∙ 𝑒 −𝑣 ( )( ).
𝑏→∞ 0 0 0.001 0.002

𝑏
→ lim 2𝑥10−6 (𝑒 −0.001−0.002𝑦) | .
𝑏→∞ 0

2𝑥10−6
→ = 1.
(0.001)(0.002)

∴ 𝑒𝑠 𝑢𝑛𝑎 𝑓. 𝑑. 𝑝.
b) Calcule la probabilidad de que ambos componentes fallen en
menos de mil horas:
𝑃 (𝑥 ≤ 1000, 𝑦 ≤ 1000) = ⋯

1000 1000
𝑑𝑥 𝑑𝑦
→∫ ∫ 2𝑥10−6 𝑒 −0.001−0.002𝑦 ( )( ).
0 0 0.001 0.002

1000 1000
2𝑥10−6
→ ∫ ∫ 2𝑥10−6 𝑒 −0.001−0.002𝑦 𝑑𝑥 𝑑𝑦.
(0.001)(0.002) 0 0

1000 1000
→ 1∫ ∫ 2𝑥10−6 𝑒 −0.001−0.002𝑦 𝑑𝑥 𝑑𝑦.
0 0

→ ((𝑒 −0.001(1000) − 𝑒 −0.001(0))(𝑒 −0.002(1000) − 𝑒 −0.002(0) )).

→ 𝑃(𝑥 ≤ 1000, 𝑦 ≤ 1000) = 0.5677.

Sea
2
(2𝑥 + 3𝑦) 0 ≤ 𝑥 ≤ 1.
5
𝑓(𝑥, 𝑦) 0 0 ≤ 𝑦 ≤ 1.

a) Verifique que es una f.d.p.

∞ ∞ 1 1
2
∫ ∫ 𝑓 (𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = ∫ ∫ (2𝑥 + 3𝑦) 𝑑𝑥 𝑑𝑦.
−∞ −∞ 0 0 5

1 1 1
b) Calcular 𝑃[(𝑥, 𝑦) ∈ 𝐴] = 𝑃 (0 ≤ 𝑥 ≤ 2 ≤ 𝑦 ≤ 2).
4

1 1 1
2 22 2 2 1
∫ ∫ (2𝑥 + 3𝑦)𝑑𝑥 𝑑𝑦 = ∫ ( (𝑥 2 + 3𝑦𝑥 )|2 ) 𝑑𝑦 .
1 5 1 5
4
0
4 0

1 1
2 2 1 22 1 3
∫ ( (𝑥 2 + 3𝑦𝑥 )|2 ) 𝑑𝑦 = ∫ ( + 𝑦) 𝑑𝑦.
1 5 1 5 4 2
4 0 4
 1
22 1 3 1 9
∫ ( + 𝑦) 𝑑𝑦 = + .
1 5 4 2 40 160
4

1 1 1
→ 𝑃 (0 ≤ 𝑥 ≤ ≤ 𝑦 ≤ ) = 0.08125.
2 4 2

Ejemplo: Calcula lo que se solicita:

a) Calcular “C”:

3 𝑥+2 3
𝑦2 𝑥 + 2
𝐶∫ ∫ (𝑥 + 𝑦)𝑑𝑥 𝑑𝑦 = 𝐶 ∫ (𝑥𝑦 + )| 𝑑𝑥
0 𝑥 0 2 𝑥

3 3
𝑦2 𝑥 + 2
𝐶 ∫ (𝑥𝑦 + )| 𝑑𝑥 = 𝐶 ∫ (4𝑥 + 2 )𝑑𝑥
0 2 𝑥 0

3
𝑥2 3 3
𝐶 ∫ (4𝑥 + 2 )𝑑𝑥 = 𝐶 (4 ( ) | + 2(𝑥 )| )
0 2 0 0

→ 𝐶 = 2(9) + 2(3) = 24

1 1
→ 𝑓 (𝑥, 𝑦) = = .
𝐶 24

b) 𝑃(𝑥 < 1, 𝑦 < 2):

 1 1 2
𝑃 (𝑥 < 1, 𝑦 < 2) = ∫ ∫ (𝑥 + 𝑦)𝑑𝑥𝑑𝑦.
24 0 𝑥

1 1 2 1 1 3
∫ ∫ (𝑥 + 𝑦)𝑑𝑥𝑑𝑦 = ∫ (2𝑥 − 𝑥 2 + 2) 𝑑𝑥 .
24 0 𝑥 24 0 2

1 1 3 1 3 13 − 0
∫ (2𝑥 − 𝑥 2 + 2) 𝑑𝑥 = ((12 − 0) − ( ) − 2(1 − 0))
24 0 2 24 2 0

𝑃 (𝑥 < 1, 𝑦 < 2) = 0.10416.

c) 𝑃(1 < 𝑥 < 2):

1 2 𝑥+2
𝑃 (1 < 𝑥 < 2) = ∫ ∫ (𝑥 + 𝑦)𝑑𝑥𝑑𝑦.
24 1 𝑥

1 2 𝑥+2 1 2 𝑦2 𝑥 + 2
∫ ∫ (𝑥 + 𝑦)𝑑𝑥𝑑𝑦 = ∫ (𝑥𝑦 + ) | 𝑑𝑥.
24 1 𝑥 24 1 2 𝑥

1 2 𝑦2 𝑥 + 2 1 2
1 2
∫ (𝑥𝑦 + ) | 𝑑𝑥 = (∫ 2𝑥 𝑑𝑥 + ∫ 4𝑥 + 4 𝑑𝑥 ).
24 1 2 𝑥 24 1 2 1

2
1 1 2 1 2 1
(∫ 2𝑥 𝑑𝑥 + ∫ 4𝑥 + 4 𝑑𝑥 ) = (2 − 12 ) + (2(22 + 4 − 12 ) + 4).
24 1 2 1 24 48

1
𝑃 (1 < 𝑥 < 2) = .
3

d) 𝑃(𝑥 < 2, 𝑦 < 2):

 1 2 2
𝑃(𝑥 < 2, 𝑦 < 2) = ∫ ∫ 𝑥 + 𝑦 𝑑𝑥 𝑑𝑦.
24 0 𝑥

1 2 2 1 2 3 2
∫ ∫ 𝑥 + 𝑦 𝑑𝑥 𝑑𝑦 = ∫ − 𝑥 + 2𝑥 + 2 𝑑𝑥.
24 0 𝑥 24 0 2

1 2 3 2 1
∫ − 𝑥 + 2𝑥 + 2 𝑑𝑥 = .
24 0 2 6

Las funciones de densidad de probabilidad marginal: Si “X” y “Y” son

variables aleatorias con f.d.p conjunta 𝑓𝑥𝑦 (𝑥, 𝑦) entonces la f.d.p
marginal para es variable está dada por:

∞
𝑓𝑥 (𝑥 ) = ∫ 𝑓 (𝑥, 𝑦)𝑑𝑦.
−∞
∞
𝑓𝑦 (𝑦) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑥.
−∞

Mientras que la esperanza está dada por:

∞
𝐸 (𝑥 ) = ∫ 𝑥 𝑓𝑥 (𝑥 )𝑑𝑥.
−∞
∞
𝐸 (𝑦) = ∫ 𝑦 𝑓𝑦 (𝑦)𝑑𝑦.
−∞

La f.d.p condicional para las variables aleatorias “X” y “Y” continuas:

𝑓(𝑥, 𝑦)
𝑓 ( 𝑥 |𝑦 ) = .
𝑓𝑥 (𝑥)
 𝑓(𝑥, 𝑦)
𝑓 ( 𝑦 |𝑥 ) = .
𝑓𝑦 (𝑦)

4
Ejemplo: Sea 𝑓 (𝑥, 𝑦) = 81 𝑥𝑦 (0 < 𝑥 < 3), (0 < 𝑦 < 3) calcular:

a) 𝑃(𝑥 < 2.5, 𝑦 < 3):

3 2.5
4 4 3 𝑥 2 2.5
∫ ∫ 𝑥𝑦 𝑑𝑥 𝑑𝑦 = ∫ 𝑦 ( | ) 𝑑𝑦 .
0 0 81 81 0 2 0

4 3 𝑥 2 2.5 25 3
∫ 𝑦 ( | ) 𝑑𝑦 = ∫ 𝑦 𝑑𝑦.
81 0 2 0 162 0

25 3 25 𝑦 2 3
∫ 𝑦 𝑑𝑦 = ( | ).
162 0 162 2 0

𝑃 (𝑥 < 2.5, 𝑦 < 3) = 0.6944.

b) La marginal de x:
4 3
𝑓𝑥 (𝑥 ) = ∫ 𝑥𝑦 𝑑𝑦.
81 0

4 3 4 3
∫ 𝑥𝑦 𝑑𝑦 = 𝑥 ∫ 𝑦 𝑑𝑦.
81 0 81 0

3
4 4 𝑦2 3
𝑥 ∫ 𝑦 𝑑𝑦 = 𝑥 ( 2 | ).
81 0 81 0

4 𝑦2 3 2
𝑥 ( 2 | ) = 𝑥.
81 0 9
c) La marginal de y:
 4 3
𝑓𝑦 (𝑦) = ∫ 𝑥𝑦 𝑑𝑥.
81 0

4 3 4 3
∫ 𝑥𝑦 𝑑𝑦 = 𝑦 ∫ 𝑥 𝑑𝑥.
81 0 81 0

3
4 4 𝑥2 3
𝑦 ∫ 𝑥 𝑑𝑥 = 𝑦 ( 2 | ).
81 0 81 0

4 𝑥2 3 2
𝑦 ( 2 | ) = 𝑦.
81 0 9

d) E(x) y E(y):
∞
2 2 3
𝐸 (𝑥 ) = ∫ 𝑥 ( 𝑥) 𝑑𝑥 = ∫ 𝑥 2 𝑑𝑥.
−∞ 9 9 0

2 3 2 2 𝑥3 3
∫ 𝑥 𝑑𝑥 = ( | ).
9 0 9 3 0

2 𝑥3 3
( | ) = 2.
9 3 0

∞
2 2 3 2
𝐸 (𝑦) = ∫ 𝑦 ( 𝑦) 𝑑𝑦 = ∫ 𝑦 𝑑𝑦.
−∞ 9 9 0

2 3 2 2 𝑦3 3
∫ 𝑦 𝑑𝑦 = ( | ).
9 0 9 3 0

2 𝑦3 3
( | ) = 2.
9 3 0
e) 𝑃(𝑥 > 1.8, 1 < 𝑦 < 2.5):

4 2.5 3
𝑃(𝑥 > 1.8, 1 < 𝑦 < 2.5) = ∫ ∫ 𝑥𝑦 𝑑𝑥 𝑑𝑦.
81 1 1.8

4 2.5 3 4 2.5 32 1.82

∫ ∫ 𝑥𝑦 𝑑𝑥 𝑑𝑦 = ∫ 𝑦( − ) 𝑑𝑦.
81 1 1.8 81 1 2 2

4 2.5 32 1.82 4 2.5 72

∫ 𝑦( − ) 𝑑𝑦 = ∫ 𝑦 𝑑𝑦.
81 1 2 2 81 1 25

4 2.5 72 32 2.52 1
∫ 𝑦 𝑑𝑦 = ( − ).
81 1 25 225 2 2

32 2.52 1 28
( − )= .
225 2 2 75