08-02-2022 ESTADÍSTICA II - Programa-Fusionado

PLAN DE ASIGNATURA
R-0359 V.1
SISTEMA ACADÉMICO FINANCIERO
CARRERA: INGENIERÍA DE SISTEMAS
Período Académico 1 - 2022
I. DATOS DE IDENTIFICACIÓN
RECTOR MSc. Carlos Aquino Rubín de Celis

DIRECTOR/A JESUS JUAN ROCHA VERA
DOCENTE RITA ROXANA . TORRICO
NIVEL DE ASIGNATURA CUARTO SEMESTRE SEMESTRE
ASIGNATURA Estadistica II
SIGLA MAT-224
PARALELO 111 TURNO Mañana
REQUISITO MAT-212
HORAS DE CLASES SEMANALES 4
E-MAIL rita.torrico@usalesiana.edu.bo
II. JUSTIFICACION
En la ingeniería, los problemas a resolver presentan cambios e incertidumbre, que se reflejan en

situaciones de carácter probabilístico. Por ello, los contenidos de Estadística II aplicados correctamente
permiten la recolección de datos a través del muestreo. Además, la teoría de probabilidades propicia el
cálculo de probabilidades y las pruebas de hipótesis ponen a prueba los supuestos, todo lo cual, es
indispensable para reducir la variabilidad y permitir la toma de mejores decisiones.
III. OBJETIVO DE LA ASIGNATURA
OBJETIVO GENERAL
Aplicar correctamente los modelos probabilísticos en la resolución de problemas de cualquiera de las

ciencias relacionados con la incertidumbre y /o para verificar cualquier aspecto de las ciencias utilizando el
programa computacional SPSS.
OBJETIVO ESPECIFICO
Objetivos Conceptuales
Identificar los principios fundamentales del conteo, como una herramienta para solución de
problemas.
Identificar el tipo de variable y su distribución para asociar a la probabilidad y a sus reglas

directamente con la Inferencia Estadística.
Determinar los fundamentos de la teoría de estimación a utilizarse para resolver problemas que
requieren el cálculo del tamaño de la muestra
Identificar los conceptos básicos de una prueba de hipótesis para aplicarlos en los posibles
Pagina 1/25
fenómenos que se pueden analizar a través de dicha prueba.
Objetivos Actitudinales
Valorar la importancia de la probabilidad en el comportamiento de las distribuciones relacionadas con

la Inferencia Estadística para la toma de decisiones.
Objetivos Procedimentales
Analizar y resolver ejercicios utilizando los conceptos de las técnicas de conteo para poner en
práctica la solución de problemas que se le presentan.
Resolver problemas de probabilidad con variables aleatorias discretas y continuas a partir del
conocimiento de una distribución de probabilidad, para ponerlos en práctica en la solución de
problemas en diversos contextos
Estimar las probabilidades de las medias, varianzas y proporciones poblacionales, a partir del estudio
de una muestra aleatoria para formular inferencias, validándolas con la prueba de hipótesis, para la
toma de decisiones.
IV. CONTENIDOS
CONTENIDOS MÍNIMOS
- INTRODUCCION A LA TEORIA DE LAS PROBABILIDADES
- VARIABLES ALEATORIAS DISCRETAS Y ALGUNOS MODELOS DE PROBABILIDAD
- VARIABLES ALEATORIAS COINTINUAS Y ALGUNOS MODELOS DE PROBABILIDAD
- INTRODUCCION AL MUESTREO Y DISTRIBUCIONES MUESTRALES
- ESTIMACION
- DOCIMA DE HIPOTESIS
CONTENIDOS ANALÍTICOS
1 INTRODUCCION A LA TEORIA DE LAS PROBABILIDADES
Introducción
Teoría de conjuntos
Técnicas de conteo
Experimento, resultados y conjuntos
Introducción a la probabilidad: experimento aleatorio, espacios muestrales, eventos
Definición de probabilidades: Frecuentista y axiomática
Algebra de eventos
Regla aditiva y multiplicativa
Pagina 2/25
Teorema de la probabilidad total
Teorema de Bayes
2 VARIABLES ALEATORIAS DISCRETAS Y ALGUNOS MODELOS DE PROBABILIDAD
Definición- función de probabilidad o cuantía ? función de distribución
Valores esperados. Propiedades
Distribución Binomial- característica y usos de la binomial
Distribución hipergeométrica
Distribución Poisson
Relaciones y aplicaciones
3 VARIABLES ALEATORIAS COINTINUAS Y ALGUNOS MODELOS DE PROBABILIDAD
Definición- función de probabilidad o densidad ? función de distribución
Valores esperados. Propiedades
Distribución Normal- característica y uso de tablas de la normal
Distribución uniforme
Subdistribución exponencial
Funciones de probabilidad bivariantes
Esperanza bivariantes - Covarianza
4 INTRODUCCION AL MUESTREO Y DISTRIBUCIONES MUESTRALES
Introducción y diseños muestrales
Estadísticos muestrales
Distribución muestral de algunos estimadores
Teorema Central del límite
Aplicaciones. ? distribución T Student. Tablas
Ejercicios de aplicación
5 ESTIMACION
Estimación puntual. Propiedades
Intervalos de confianza para la media con varianza conocida y desconocida
Intervalo de confianza para varianza
Intervalo de confianza para las proporciones
Determinación del tamaño de la muestra
6 DOCIMA DE HIPOTESIS
Introducción y conceptos básicos
Procedimiento estándar de las pruebas de hipótesis
Pagina 3/25
Pruebas con una muestra referente a la media
Medición de bondad de ajuste y potencia de la dócima
Pruebas para la proporción
Pruebas para la varianza
La bondad de ajuste. Tablas de contingencia
V. CRONOGRAMA DE EJECUCIÓN
FECHA UNIDADES Y TEMAS AVANCE ACTIVIDADES MÉTODOS APOYO

Y RECURSOS ESTRATEGIAS BIBLIOGRÁFICO
DE Y EVIDENCIAS
ENSEÑANZA -
APRENDIZAJE
08/02/2022 INTRODUCCION A LA TEORIA DE LAS 3.08 % 1.Presentación Método
07:30:00 PROBABILIDADES y explicación deductivo Probabilidad y
09:00:00 -Introducción-Teoría de del Plan de Resolución de estadística
conjuntos-Técnicas de conteo Asignatura problemas
2. Explicación estadísticos de
del tema con diferente
estrategias de complejidad
evaluación Técnica:
diagnóstica al Clase magistral
final de la clase. participativa
-Hojas de 1.Documento
trabajo con del Plan de
Ejercicios Asignatura en
3. Grabación de archivos
la clase 2. Hojas de
trabajo en la
sección de
archivos
TEAMS
3. Envío de la
resolución de
Ejercicios de la
Ev. Diagnóstica
en Tarea de
TEAMS
4. Clase
grabada en la
plataforma
TEAMS
Pagina 4/25
10/02/2022 INTRODUCCION A LA TEORIA DE LAS 3.08 % 1. Explicación Método
11:00:00 PROBABILIDADES del tema con demostrativo Probabilidad y
12:30:00 -Técnicas de conteo estrategias de Resolución de estadística
evaluación problemas
durante la estadísticos de
explicación. diferente
-Hojas de complejidad
trabajo con Técnica:
Ejercicios Clase magistral
2. Grabación de participativa
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
ejercicios vía
chat
3.Clase
grabada en la
plataforma
TEAMS
Pagina 5/25
07:30:00 PROBABILIDADES del tema con demostrativo Probabilidad y
09:00:00 -Técnicas de conteo estrategias de Resolución de estadística
evaluación al problemas
final de la estadísticos de
Ejercicios. Clase magistral
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
Pagina 6/25
11:00:00 PROBABILIDADES del tema con deductivo Probabilidad e
12:30:00 -Experimento, resultados y estrategias de Interrogación y Inferencia
conjuntos-Introducción a la probabilidad: evaluación diálogo abierto Estadística.
experimento aleatorio, espacios durante la en base a
muestrales, eventos explicación. preguntas
-Hojas de Técnica:
trabajo con Clase magistral
Ejercicios participativa
2. Grabación de 1.Hojas de
la clase trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
ejercicios vía
chat
3.Clase
grabada en la
plataforma
TEAMS
22/02/2022 INTRODUCCION A LA TEORIA DE LAS 3.08 % Método
07:30:00 PROBABILIDADES 1.Explicación demostrativo Probabilidad y
09:00:00 -Definición de probabilidades: del tema Resolución de estadística
Frecuentista y axiomática-Algebra de - Guía de ejercicios
eventos-Regla aditiva y multiplicativa estudio Técnica:
2.Grabación de Clase magistral
la clase participativa
1.Guía de
estudio en la
sección de
archivos
TEAMS
2. Clase
grabada en la
plataforma
TEAMS
Pagina 7/25
24/02/2022 INTRODUCCION A LA TEORIA DE LAS 3.08 % 1.Explicación Método
11:00:00 PROBABILIDADES del tema con deductivo Probabilidad e
12:30:00 -Teorema de la probabilidad estrategias de Resolución de Inferencia
total-Teorema de Bayes evaluación al problemas Estadística.
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
Pagina 8/25
03/03/2022 VARIABLES ALEATORIAS DISCRETAS 3.08 % 1. Explicación Método
11:00:00 Y ALGUNOS MODELOS DE del tema con deductivo Probabilidad e
12:30:00 PROBABILIDAD estrategias de Interrogación y Inferencia
-Definición- función de probabilidad o evaluación diálogo abierto Estadística.
cuantía ? función de distribución durante la en base a
explicación. preguntas
- Hojas de Técnica:
sección de
archivos
TEAMS
2.Envío de la
resolución de
ejercicios vía
chat
3.Clase
grabada en la
plataforma
TEAMS
Pagina 9/25
08/03/2022 VARIABLES ALEATORIAS DISCRETAS 3.08 % 1.Explicación Método
07:30:00 Y ALGUNOS MODELOS DE del tema con demostrativo Probabilidad e
09:00:00 PROBABILIDAD estrategias de Resolución de Inferencia
-Valores esperados. evaluación al problemas Estadística.
Propiedades-Distribución Binomial- final de la estadísticos de (2014) Probabilidad
característica y usos de la binomial explicación diferente y Distribución.
- Hojas de complejidad WikiBooks. [en
trabajo con Técnica: línea]
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
Pagina 10/25
-Valores esperados. evaluación al problemas Estadística.
Propiedades-Distribución Binomial- final de la estadísticos de (2014) Probabilidad
característica y usos de la binomial explicación diferente y Distribución.
- Hojas de complejidad WikiBooks. [en
trabajo con Técnica: línea]
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
15/03/2022 VARIABLES ALEATORIAS DISCRETAS 3.08 % 1.Explicación Método basado
07:30:00 Y ALGUNOS MODELOS DE del tema en proyectos Probabilidad e
09:00:00 PROBABILIDAD - Guía de Aprendizaje Inferencia
-Valores esperados. estudio basado en Estadística.
Propiedades-Distribución Binomial- 2.Grabación de proyectos (2014) Probabilidad
característica y usos de la binomial la clase Técnica: y Distribución.
Clase magistral WikiBooks. [en
participativa línea]
Demostración
activa
1.Guía de
estudio en la
sección de
archivos
TEAMS
2. Clase
grabada en la
plataforma
TEAMS
Pagina 11/25
-Distribución hipergeométrica evaluación al problemas Estadística.
explicación diferente
- Hojas de complejidad
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
Pagina 12/25
09:00:00 PROBABILIDAD estrategias de Interrogación y Inferencia
-Distribución hipergeométrica evaluación al diálogo abierto Estadística.
final de la en base a
explicación preguntas
- Hojas de Técnica:
2. Grabación de Lluvia de ideas
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS

11:00:00 Y ALGUNOS MODELOS DE del tema demostrativo Probabilidad e
12:30:00 PROBABILIDAD - Guía de Resolución de Inferencia
-Distribución Poisson-Relaciones y estudio problemas Estadística.
aplicaciones 2.Grabación de estadísticos de (2014) Probabilidad
la clase diferente y Distribución.
complejidad WikiBooks. [en
Técnica: línea]
Clase magistral
participativa
1.Guía de
estudio en la
sección de
archivos
TEAMS
2. Clase
grabada en la
plataforma
TEAMS
Pagina 13/25
29/03/2022 EXAMEN 40 %
-Distribución Poisson-Relaciones y evaluación al ejercicios Estadística.
aplicaciones final de la Técnica: (2014) Probabilidad
explicación Clase magistral y Distribución.
- Hojas de participativa WikiBooks. [en
trabajo con Lluvia de ideas línea]
Ejercicios 1.Hojas de
2. Grabación de trabajo en la
la clase sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
07:30:00 Y ALGUNOS MODELOS DE del tema con deductivo Probabilidad e
-Distribución Poisson-Relaciones y evaluación ejercicios Estadística.
aplicaciones durante la Técnica: (2014) Probabilidad
explicación. Clase magistral y Distribución.
- Hojas de participativa WikiBooks. [en
trabajo con Demostración línea]
Ejercicios activa
sección de
archivos
TEAMS
2.Envío de la
resolución de
ejercicios vía
chat
3.Clase
grabada en la
plataforma
TEAMS
Pagina 14/25
07/04/2022 VARIABLES ALEATORIAS 3.64 % 1.Explicación Método
11:00:00 COINTINUAS Y ALGUNOS MODELOS del tema deductivo Probabilidad y
12:30:00 DE PROBABILIDAD - Guía de Interrogación y estadística
-Definición- función de probabilidad o estudio dialogo abierto
densidad ? función de distribución 2.Grabación de en base a
la clase preguntas
Técnica:
Clase magistral
participativa
Demostración
activa
1.Guía de
estudio en la
sección de
archivos
TEAMS
2.Clase
grabada en la
plataforma
TEAMS
07:30:00 COINTINUAS Y ALGUNOS MODELOS de la clase con deductivo Probabilidad y
09:00:00 DE PROBABILIDAD estrategias de Resolución de estadística
-Definición- función de probabilidad o evaluación al ejercicios
densidad ? función de distribución final de la Técnica:
explicación Clase magistral
- Hojas de participativa
trabajo con Demostración
Ejercicios activa
1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
Pagina 15/25
07:30:00 COINTINUAS Y ALGUNOS MODELOS del tema deductivo Probabilidad y
09:00:00 DE PROBABILIDAD - Guía de Resolución de estadística
-Definición- función de probabilidad o estudio problemas
densidad ? función de 2.Grabación de estadísticos de
distribución-Valores esperados. la clase diferente
Propiedades complejidad
Técnica:
Clase magistral
participativa
1.Guía de
estudio en la
sección de
archivos
TEAMS
2.Clase
grabada en la
plataforma
TEAMS
11:00:00 COINTINUAS Y ALGUNOS MODELOS del tema con deductivo Probabilidad y
-Distribución Normal- característica y evaluación al ejercicios
uso de tablas de la normal final de la Técnica:
trabajo con 1.Hojas de
Ejercicios trabajo en la
2. Grabación de sección de
la clase archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
Pagina 16/25
07:30:00 COINTINUAS Y ALGUNOS MODELOS del tema con deductivo Probabilidad y
-Distribución Normal- característica y evaluación ejercicios
uso de tablas de la normal durante la Técnica:
explicación. Clase magistral
la clase archivos
TEAMS
2.Envío de la
resolución de
ejercicios vía
chat
3.Clase
grabada en la
plataforma
TEAMS

11:00:00 COINTINUAS Y ALGUNOS MODELOS del tema con demostrativo Probabilidad e
12:30:00 DE PROBABILIDAD estrategias de Resolución de Inferencia
-Distribución uniforme evaluación al problemas Estadística.
final de la estadísticos de Epifanio López, I. y
explicación. diferente Gregori Huerta, P.
- Hojas de complejidad (2009) Ampliación
trabajo con Técnica: de Estadística para
Ejercicios Clase magistral la Ingeniería
2. Grabación de participativa Técnica en
la clase 1.Hojas de Informática de
trabajo en la Gestión. Universitat
sección de Jaume I. [en línea]
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
Pagina 17/25
07:30:00 COINTINUAS Y ALGUNOS MODELOS del tema con demostrativo Probabilidad e
09:00:00 DE PROBABILIDAD estrategias de Resolución de Inferencia
-Subdistribución exponencial evaluación al problemas Estadística.
final de la estadísticos de Epifanio López, I. y
explicación. diferente Gregori Huerta, P.
- Hojas de complejidad (2009) Ampliación
trabajo con Técnica: de Estadística para
Ejercicios Clase magistral la Ingeniería
2. Grabación de participativa Técnica en
la clase 1.Hojas de Informática de
trabajo en la Gestión. Universitat
sección de Jaume I. [en línea]
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
11:00:00 COINTINUAS Y ALGUNOS MODELOS del tema demostrativo Probabilidad e
12:30:00 DE PROBABILIDAD - Guía de Interrogación y Inferencia
-Funciones de probabilidad estudio dialogo abierto Estadística.
bivariantes-Esperanza bivariantes - 2.Grabación de en base a
Covarianza la clase preguntas
Técnica:
Clase magistral
participativa
Demostración
activa
1.Guía de
estudio en la
sección de
archivos
TEAMS
2.Clase
grabada en la
plataforma
TEAMS
Pagina 18/25
10/05/2022 INTRODUCCION AL MUESTREO Y 3.64 % 1.Explicación Método
07:30:00 DISTRIBUCIONES MUESTRALES de la clase demostrativo Probabilidad e
09:00:00 -Introducción y diseños - Guía de Resolución de Inferencia
muestrales-Estadísticos muestrales estudio ejercicios Estadística.
Técnica:
Clase magistral
participativa
1.Guía de
estudio en la
sección de
archivos
TEAMS
12/05/2022 EXAMEN 80 %
17/05/2022 INTRODUCCION AL MUESTREO Y 2.50 % 1. Explicación Método
07:30:00 DISTRIBUCIONES MUESTRALES del tema con deductivo Probabilidad e
09:00:00 -Distribución muestral de algunos estrategias de Resolución de Inferencia
estimadores-Teorema Central del evaluación al ejercicios Estadística.
límite-Aplicaciones. ? distribución T final de la Técnica:
Student. Tablas explicación. Clase magistral
la clase archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
Pagina 19/25
19/05/2022 INTRODUCCION AL MUESTREO Y 2.50 % 1.Explicación Método
11:00:00 DISTRIBUCIONES MUESTRALES del tema con inductivo Probabilidad e
12:30:00 -Aplicaciones. ? distribución T Student. estrategias de Resolución de Inferencia
Tablas-Ejercicios de aplicación evaluación al ejercicios Estadística.
final de la Técnica:
explicación. Clase magistral
la clase archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
24/05/2022 ESTIMACION 2.50 % 1.Explicación Método
07:30:00 -Estimación puntual. Propiedades de la clase deductivo Probabilidad y
09:00:00 - Guía de Resolución de estadística
estudio problemas Sáez Castillo, A.J.
2.Grabación de estadísticos de (2012) Apuntes de
la clase diferente Estadística para
complejidad Ingenieros.
Técnica: España,
Clase magistral Universidad de
participativa Jaén. [en línea]
1.Guía de
estudio en la
sección de
archivos
TEAMS
2.Clase
grabada en la
plataforma
TEAMS
Pagina 20/25
26/05/2022 ESTIMACION 2.50 % 1.Explicación Método
11:00:00 -Intervalos de confianza para la media del tema con deductivo Probabilidad e
12:30:00 con varianza conocida y desconocida estrategias de Resolución de Inferencia
evaluación problemas Estadística.
durante la estadísticos de
- Hojas de complejidad
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
ejercicios vía
chat
3.Clase
grabada en la
plataforma
TEAMS
Pagina 21/25
31/05/2022 ESTIMACION 2.50 % 1. Explicación Método
07:30:00 -Intervalo de confianza para del tema con deductivo Probabilidad e
09:00:00 varianza-Intervalo de confianza para las estrategias de Resolución de Inferencia
proporciones-Determinación del tamaño evaluación al problemas Estadística.
de la muestra final de la estadísticos de
explicación diferente
la clase 1.Hojas de
trabajo en la
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
3.Clase
grabada en la
plataforma
TEAMS
02/06/2022 DOCIMA DE HIPOTESIS 2.50 % 1.Explicación Método
11:00:00 -Introducción y conceptos del tema con demostrativo Probabilidad e
12:30:00 básicos-Procedimiento estándar de las estrategias de Interrogación y Inferencia
pruebas de hipótesis evaluación al dialogo abierto Estadística.
final de la en base a
explicación preguntas
-Guía de Técnica:
estudio Clase magistral
la clase Demostración
activa
1.Guía de
estudio en la
sección de
archivos
TEAMS
2.Clase
grabada en la
plataforma
TEAMS
Pagina 22/25
07/06/2022 DOCIMA DE HIPOTESIS 2.50 % 1.Explicación Método
07:30:00 -Procedimiento estándar de las pruebas de la clase con deductivo Probabilidad e
09:00:00 de hipótesis-Pruebas con una muestra estrategias de Resolución de Inferencia
referente a la media-Medición de bondad evaluación al ejercicios Estadística.
de ajuste y potencia de la dócima final de la Técnica:
sección de
archivos
TEAMS
2.Envío de la
resolución de
los ejercicios en
Tarea de
TEAMS
09/06/2022 DOCIMA DE HIPOTESIS 2.50 % 1. Explicación Método
11:00:00 -Pruebas para la proporción-Pruebas de la clase deductivo Probabilidad e
12:30:00 para la varianza-La bondad de ajuste. - Guía de Resolución de Inferencia
Tablas de contingencia estudio ejercicios Estadística.
Técnica:
Clase magistral
participativa
1.Guía de
estudio en la
sección de
archivos
TEAMS
21/06/2022 EXAMEN 100 %
VI. ORIENTACIONES METODOLÓGICAS DE ENSEÑANZA - APRENDIZAJE
METODOS
Método deductivo
Método inductivo
Método demostrativo
Método basado en proyectos
ESTRATEGIAS
Resolución de problemas estadísticos de diferente complejidad

Interrogación y dialogo abierto en base a preguntas.
Resolución de ejercicios
Aprendizaje basado en proyectos
Pagina 23/25
TÉCNICAS
Clase magistral participativa

Demostración activa
Lluvia de ideas
VII. ORIENTACIONES METODOLOGICAS PARA LA EVALUACIÓN
ESTRATEGIAS DE EVALUACIÓN
Son procedimientos utilizados para conocer el aprendizaje de los estudiantes
EVALUACIÓN INICIAL O DIAGNÓSTICA (INICIO DEL SEMESTRE O DE UN TEMA)
Pruebas (ejercicios, estudio de casos o pruebas orales y/o escritas)
EVALUACIÓN FORMATIVA (DURANTE LA CLASE)
Resolución de problemas o ejercicios
EVALUACIÓN SUMATIVA (LOGRO DE APRENDIZAJE)
Examen individual escrito
CRITERIOS DE EVALUACIÓN
PRIMERA EVALUACIÓN
Proyectos 20
Ejercicios en clases 25
Examen individual 30
Trabajo/Práctica Individual 25
TOTAL 100
SEGUNDA EVALUACIÓN
Proyectos 20
TOTAL 100
EVALUACIÓN FINAL
Pagina 24/25
Proyectos 30
TOTAL 100
VIII. BIBLIOGRAFÍA
BIBLIOGRAFÍA BÁSICA
AUTOR AÑO TITULO CIUDAD PAIS EDITORIAL
Moya Calderón, Probabilidad e Inferencia Estadística. Lima PE San Marcos
RufinoSaravia A., Gregorio Biblioteca
BIBLIOGRAFÍA COMPLEMENTARIA
AUTOR AÑO TITULO CIUDAD PAIS EDITORIAL
Moya Calderón, Rufino Estadística descriptiva: Conceptos y Lima PE San Marcos
aplicaciones Biblioteca
Spiegel, Murray R.; Probabilidad y estadística México 2013 McGrawHill
Schiller, John; Srinivasan, Biblioteca
R. Alu
BIBLIOGRAFÍA WEB
https://openlibra.com/es/book/download/probabilidad-y-distribucion
(2014) Probabilidad y Distribución. WikiBooks. [en línea]
https://openlibra.com/es/book/download/ampliacion-de-estadistica-para-la-ingenieria-tecnica-en-informatica-
de-gestion
Epifanio López, I. y Gregori Huerta, P. (2009) Ampliación de Estadística para la Ingeniería Técnica en
Informática de Gestión. Universitat Jaume I. [en línea]
https://openlibra.com/es/book/download/apuntes-de-estadistica-para-ingenieros
Sáez Castillo, A.J. (2012) Apuntes de Estadística para Ingenieros. España, Universidad de Jaén. [en línea]
RITA ROXANA . TORRICO

Carrera INGENIERÍA DE SISTEMAS
C.I. 2338418
Pagina 25/25
UNIDAD I
INTRODUCCIÓN A LA TEORÍA DE LAS PROBABILIDADES
TEORÍA DE CONJUNTOS
Se llama conjunto una lista o colección bien definida de objetos; los objetos comprendidos en un
conjunto son llamados sus elementos o miembros. Escribimos:
P∈A
Si cada elemento de A ∈ también al conjunto B esto es, si p ∈ A implica que p ∈ B. Entonces se

dice que A es subconjunto de B, o que está contenido en B. Esto se denota por:
AB oBA
A B
p1 p2 P6 p7
A
p3 p4 p1 p2
p5 p3
p4 p5
p 5
Definición de igualdad
Dos conjuntos son iguales si cada uno está contenido en el otro.
A = B si solo si A  B y B A
p1 p1
= =
p2 = p2
p3 p3
Negación
P ∈ A negando p ∉A
AB negando A⊄ B
A = B negando A ≠ B
Lista de elementos
A = {1,3,5,7,9}
B = { X :X es un número primo X< 15}
B = {1, 2, 3, 5, 7, 11, 13}
Todos los conjuntos se suponen subconjuntos de un conjunto llamado “conjunto universo” U

también conjunto vacío o nulo Φ no contiene elementos. Así:
ΦA  U
Conjunto finito
Donde n es un entero positivo
Conjunto contable
Si es finito o si sus elementos pueden ser ordenados en forma de sucesión, en todo caso se dice
que es contable infinito.
Y = { 2, 4, 6,…} conjunto de pares positivos (conjunto infinito)
Conjunto no contable
Sea I el intervalo unidad de los números reales, esto es I = { 0 ≤ X ≤ 1}
Conjunto producto
Sean A y B dos conjuntos. El conjunto producto de A y B expresados por A x B formado por todas
las parejas ordenadas (a,b) donde a ∈ A y b ∈ B
A x B = {(a,b): a∈ A, b∈ B}
A = {1, 2, 3} y B = {a, b}
A x B = {(1, a), (1, b), (2, a), (2, b), (3, a), (3, b)}
1 2 3
Clases de conjuntos
Los elementos de un conjunto son a su vez un conjunto. Por ejemplo: En un conjunto de líneas
cada línea es un conjunto de puntos. Para aclarar estos casos, se acostumbra usar para dicho
conjunto la palabra clase o familia. Las palabras subclase y subfamilia tienen significados
análogos a subconjunto.
Miembros de la clase
2,3
5,6
3
Considérese un conjunto A. El conjunto potencia de A expresado por P(A) es la clase de todos los
subconjuntos de A. En particular si A = {a, b, c} entonces
P(A) = {A, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, Φ}
Si A es finito y tiene n elementos, entonces P(A) tendrá 2n elementos, es decir, 23 = 8
Una partición de un conjunto X es una subdivisión de X entre subconjuntos no vacios que son
disyuntos y cuya reunión es X, o sea la clase de subconjuntos no vacios de X tales que cada
a∈Xpertenece a un único subconjunto.Los subconjuntos de una partición son llamados células.
Considérense las siguientes clases de subconjuntos de X = {1, 2, 3,4,5,6,7, 8, 9}
(i) [ {1, 3, 5}, {2, 6}, {4, 8, 9} ]

(ii) [ {1, 3,5}, {2, 4, 6, 8}, {5, 7, 9} ]
(iii) [ {1, 3, 5}, {2, 4, 6, 8}, {7, 9} ]
Entonces
(i) no es una partición de X puesto que 7 ∈ X pero 7 no pertenece a ninguna célula
(ii) no es una partición de X puesto que 5 ∈Xy 5 pertenece a ambas {1, 3, 5} y {5, 7, 9}
(iii) es una particiónde X puesto que cada elemento de X pertenece a una célula exactamente
Operaciones con conjuntos

 La reunión de A y B expresada por A ∪ B, es el conjunto de elementos que pertenecen a A o a
B
A ∪B = {X : X ∈ A o X ∈ B}
 La intersección de A y B expresada por A∩ B es el conjunto de elementos que pertenecen
AyB
A ∩ B = {X : X ∈ A y X ∈ B}
 La diferencia de A y B o el complemento relativo de B con respecto A, expresada por A\ B es

el conjunto de elementos que pertenecen A pero no a B
A \ B = {X : X ∈ A, y X ∉ B}
A
 El complemento absoluto expresado por AC , es el conjunto de elementos que no pertenecen

aA
AC = {X : X ∈ U, X ∉A}
Ejemplo:
Sea A = {1, 2, 3, 4}
U= {1, 2,3}
B = {3, 4, 5, 6}
Entonces: A ∪ B = {1, 2, 3, 4, 5, 6}
A ∩ B = {3, 4}
A \ B = {1, 2}
AC = {5, 6, 7,…}
TÉCNICAS DE CONTEO
Se desarrollan algunos métodos para determinar una enumeración directa del número de
resultados posibles de un experimento particular o el número de elementos de un conjunto
particular.
Principios Fundamentales del Conteo

Si un evento puede realizarse de n1 maneras diferentes y si continuando el procedimiento, un
segundo evento puede realizarse de n2 maneras diferentes y así sucesivamente, entonces el
número de maneras en que los eventos pueden realizarse en el orden indicado es el producto
n1, n2, n3 …
Experimento n1 .n2 . n3
e1 .e2 . e3
Ejemplo:
Supongamos que una placa de automóvil consta de dos letras distintas seguidas de tres dígitos
de los cuales el primero no es cero. ¿Cuántas placas pueden grabarse?
A Z = 26
26 25 9 10 10
0
1
2
3
4 26. 25 . 9 . 10 . 10 = 585.000 cantidad de placas diferentes que pueden grabarse
5
6 J C 2 4 6
7
B L 1 2 1
8
9
Continuación TÉCNICAS DE CONTEO
 Principio de Multiplicación
Si una decisión se puede tomar de m maneras y una vez tomada una de ellas, una segunda
decisión es tomada de n maneras, entonces el número de maneras de tomar ambas decisiones
es igual a m. n
EJERCICIO
Supongamos que cuatro universidades desean contratar un empleado para cada una de las 3
áreas: biblioteca, mantenimiento y personal ¿cuántas oportunidades de empleo hay disponibles?
Universidad empleos
1 biblioteca, mantenimiento, personal
m.n= 4.3 = 12 son las oportunidades de empleo disponibles
 Agrupamientos Múltiples
Sean S1= {a1, …,an1} un conjunto de n1 elementos, S2 = {bj, …,bn2} un conjunto de n2 elementos,
Sr = {xj,…,xnr}un conjunto de nr elementos.
Entonces es posible formar
n = n1, n2 …nr
grupos ordenados, con 𝑟 elementos cada grupo, (aj1, bj2,…, XJr), donde aj1 es un elemento de S1,
bj2 un elemento de S2,…,xjr es un elemento de Sr.
Ejemplo:
Un conductor de un automóvil puede tomar cualquiera de las 5 rutas para ir de la ciudad A a la
ciudad B; y para ir de la ciudad B a la ciudad C puede tomar cualquiera de las 4 rutas y finalmente
para ir de la ciudad C a la ciudad D tiene 6 rutas posibles. Si para ir desde A a D debe ir de A a B,
de B a C y de C a D, ¿cuántas rutas posibles tiene para ir de A a D?
n1 = A a B = 5
n2 = B a C = 4
n3 = C a D = 6
n = n1, n2. n3= (5).(4).(6) = 120 rutas disponibles para ir de A a D
EJERCICIO
Supongamos que las personas son clasificadas de acuerdo al sexo, estado civil (soltero o casado)
y profesión. Si hay 30 profesionales ¿de cuántas maneras se puede hacer está clasificación?
n1 = sexo = 2
n2 = estado civil = 2
n3 = número de profesionales = 30
n = n1, n2. n3 = (2) .(2). (30) = 120 maneras de clasificar
Principio de Adición
Si dos decisiones son mutuamente excluyentes y la primera se puede tomar de m maneras y la
segunda de n maneras, entonces una o la otra se pueden tomar de m+n maneras.
Ejemplo:
¿Cuántos números de 4 cifras menores a 2367 se pueden formar con los dígitos 1, 2, 3, 4, si cada
dígito se usa una sola vez?
1ra cifra 1 o 2 m+n= 6 +4 =10 son los números
menores a 2367
2da cifra 2 3 4 1 3
3ra cifra 3 4 2 4 2 3 3 4 1 4
4ta cifra 4 3 4 2 3 2 4 3 4 1
ARREGLOS
a) Arreglos simples
Un arreglo simple de n objetos diferentes tomados de 𝑟 en 𝑟 es una ordenación de 𝑟 objetos
entre los n dados, de tal manera que estos grupos de r elementos difieran en algún elemento o
en el orden de colocación.
Ejemplo:
Sea ǀa, b, c, dǀ n= conjunto total 𝑟 = subconjunto
i) permutaciones de 4 letras (tomados todos a la vez) Una ordenación de un número 𝑟 de
dichos objetos en un orden dado se
b, a, c, d b, d, a, c llama permutación 𝒓 o una
b, c, a, d d, b, a, c permutación de los n objetos tomados
b, c, d, a d, a, b, c 𝑟 a la vez.
b, a, d, c
P (4, 2)
𝑛!
𝑃 (𝑛, 𝑟) =
ii) permutaciones de 4 letras (tomados 3 a la vez) (𝑛 − 𝑟)!
b, a, d c,d,b b,c,a
a, d, b
4!
c, b, d 𝑃 (4,2) =
b, c, a (4 − 2)!
iii)
4!
a, d c, d d, a b, d d,a c,b 𝑃 (4,2) =
a, c c, d d, b b, a 2!
= 12
Sea ǀ a, b, c, d, e, f ǀ P(6,3)
a,c,d c,d,f a, e, f
a b c
6 . 5 . 4 = 120
6!
𝑃 (6, 3) = (6−3)!
= 120
𝑛!
𝑃 (𝑛, 𝑟) =
(𝑛 − 𝑟)!
EJERCICIO
¿De cuántas maneras diferentes se pueden sentar 8 personas en una banca, con capacidad para
5 personas?
n=8
r=5
𝑛!
𝑃 (𝑛, 𝑟) =
(𝑛 − 𝑟)!
8!
𝑃 (8,5) =
(8 − 5)!
= 6720 son las maneras diferentes que pueden sentarse 8 personas
EJERCICIO
Un grupo está formado por 5 personas y desean formar una comisión integrada por presidente y
secretario. ¿De cuántas maneras puede formarse esta comisión?
5!
𝑃 (5,2) =
(5 − 2)!
5!
= 3!
= 20 maneras
EJERCICIO en Clase
Encontrar el número total de enteros positivos que pueden formarse utilizando los dígitos
{1, 2, 3, 4}, si ningún dígito ha de repetirse cuando se formen los números.
n= 4
r= 1
r= 2
r= 3
r= 4
𝑛!
(𝑛 − 𝑟 )!
P(4,1) + P(4,2) + P(4,3) + P(4,4)

4! 4! 4! 4!
+ + +
(4 − 1 )! ( 4 − 2 )! (4 − 3 )! (4 − 4 )!
= 4 + 12 + 24 +24
= 64 números diferentes
b) Arreglos con Repetición

Son aquellos arreglos en que un elemento cualquiera de los dados, puede repetirse en el mismo
grupo, el número de veces que se indique.
(𝐴𝑅)𝑛𝑘 = 𝑛𝑘
EJERCICIO
Un ómnibus parte de su paradero inicial con 6 personas a bordo y se detiene en 10 paraderos
diferentes. ¿De cuántas maneras pueden bajar las 6 personas en los 10 paraderos, si en un
paradero pueden bajar cualquier número de personas?
(𝐴𝑅)10 6
6 = 10 = 1´000.000 𝑚𝑎𝑛𝑒𝑟𝑎𝑠 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒𝑛 𝑏𝑎𝑗𝑎𝑟 6 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠
= 1´000.000
Pueden bajar las 6 personas en los 10 paraderos de un 1´000.000 de maneras posibles.
PERMUTACIONES
a) Permutaciones simples
Son los diferentes grupos que pueden formarse con los n objetos dados, de modo que
intervengan todos los elementos en cada grupo y cuya diferencia está dada en el orden de la
colocación.
Pn = n!
EJERCICIO
Se proyecta presentar 6 conferencistas en una reunión de padres de familia y profesores de un
colegio. ¿El moderador del programa desea saber de cuántas maneras diferentes se pueden
situar en el escenario los 6 conferencistas en fila?
6
Pn = n!
P6 = 6! = 720 maneras diferentes de situar en el escenario a los 6 conferencistas
Ana Rene Liz Lia Luz Mia

Rene Lia Mia Ana Luz Liz
EJERCICIO
Un equipo de fútbol dispone de 11 jugadores, el arquero y los defensores centrales son
inamovibles de su puesto. ¿De cuántos modos se pueden colocar a los restantes jugadores?
11 – 3 = 8
Pn = n!
P8 = 8! = 40.320 modos que se pueden colocar a los restantes jugadores
EJERCICIO en CLASES
Un inspector visita 6 máquinas diferentes durante el día. A fin de impedir a los operadores que
sepan cuando inspeccionará, varia el orden de las visitas ¿De cuántas maneras puede hacerlo?
Pn = n!
P6 = 6! = 720 maneras
EJERCICIO
a) ¿De cuántas maneras se pueden sentar 4 personas en una fila de 4 butacas?
Pn = n!
P4 = 4! = 24 maneras
b) ¿Y en un banco circular de asientos?
𝑃4𝐶 = (4 − 1)! = 3! = 6
b) Permutaciones circulares
Son las diferentes permutaciones que pueden formarse con n objetos dados, de modo que no
hay ni primero, ni último objeto, pues todos se hallan en un círculo cerrado.
𝑃𝑛𝐶 = ( n − 1)!
Ejemplo:
¿De cuántas maneras se pueden sentar 3 personas, en un banco circular de 3 asientos?
{A, B, C}
A A B
C B B C C A
Si A mira al centro a su Si A mira al centro a su Si A mira al centro a su

derecha C, izquierda B derecha B, izquierda C derecha B, izquierda C
C B C
B A A C A B
Si A mira al centro a su Si A mira al centro a su Si A mira al centro a su

derecha C, izquierda B derecha C, izquierda B derecha B, izquierda C
𝑃3𝐶 = ( 3 − 1)! = 2! = 2
Ejemplo:
¿De cuántas maneras se pueden sentar 3 personas, en un banco de 3 asientos?
Pn = n!
P4 = 3! = 6
EJERCICIO
¿De cuántas formas se pueden sentar los 12 miembros del concejo de la Facultad de Ingeniería
alrededor de una mesa circular? Si:
a) Pueden sentarse de cualquier forma
𝑃𝑛𝐶 = (n − 1)!
𝑛 = 12
𝐶
𝑃12 = (12 − 1)! = 11! = 39´916.800 son las formas en las que se pueden sentar los
miembros del concejo de la Facultad de Ingeniería
b) Dos miembros determinados deben estar uno al lado del otro.
12 -1 = 11
n= 11
𝐶
𝑃11 = (11 − 1)! = 10! = 3´628.800
c) Permutaciones con Repetición

El número de maneras en que un conjunto de n elementos puede ser dividido en r partes
ordenadas (particionando en m subconjuntos)de los cuales, el primero contiene r1elementos, el
segundo r2elementos, etc., se obtiene mediante la siguiente fórmula:
n!
Pn r1,r2,… rm =
r1 ! . r2 ! . rm !
Ejemplo:
¿Cuántas permutaciones distintas se pueden formar usando las letras ARREGLO?
n= 7
7!
Pn r1,r2,…rm =
r1 = 1 𝑙𝑒𝑡𝑟𝑎 𝐴 1! . 2! . 1!. 1!. 1!. 1!
r2 = 2 𝑙𝑒𝑡𝑟𝑎𝑠𝑅
r3 = 1 𝑙𝑒𝑡𝑟𝑎 𝐸
5040
r4 = 1 𝑙𝑒𝑡𝑟𝑎 𝐺 Pn r1,r2,…rm = =2520 Permutaciones distintas que se pueden
2
r5 = 1 𝑙𝑒𝑡𝑟𝑎 𝐿
formar usando las letras ARREGLO
r6 = 1 𝑙𝑒𝑡𝑟𝑎 𝑂
EJERCICIO
¿De cuantas formas distintas se pueden ordenar, con o sin sentido?La palabra INGENIERIA
r1 = 3 𝑙𝑒𝑡𝑟𝑎 𝐼 n= 10
n!
r2 = 2 𝑙𝑒𝑡𝑟𝑎𝑠𝑁 10! Pn r1,r2,… rm =
r1, r2,… rm r1 ! . r2 ! . rm !
r3 = 1 𝑙𝑒𝑡𝑟𝑎 𝐺 Pn =
3! . 2! . 1!. 2! . 1!. 1!
r4 = 2 𝑙𝑒𝑡𝑟𝑎𝑠 𝐸
r5 = 1 𝑙𝑒𝑡𝑟𝑎 𝑅 = 151.200 formas distintas que pueden ordenarse con o sin sentido
r6 = 1 𝑙𝑒𝑡𝑟𝑎 𝐴 la palabra INGENIERÍA
EJERCICIO
¿Cuántas señales diferentes, cada una de 8 banderas colocadas en una línea vertical, pueden
formarse con un conjunto de 4 banderas rojas sin marcar, 3 blancas sin marcar y una azul?
n= 8 n!
Pn r1,r2,…rm =
r1 ! . r2 ! . rm !
r1 = 4𝑏𝑎𝑛𝑑𝑒𝑟𝑎𝑠 𝑟𝑜𝑗𝑎𝑠
r2 = 3 𝑏𝑎𝑛𝑑𝑒𝑟𝑎𝑠 𝑏𝑙𝑎𝑛𝑐𝑎𝑠 8!
Pn r1,r2,…rm =
r3 = 1 𝑏𝑎𝑛𝑑𝑒𝑟𝑎 𝑎𝑧𝑢𝑙 4! . 3! .1!
=280 señales diferentes que pueden formarse con
8 banderas colocadas en línea vertical
EJERCICIO
Un estante de una librería tiene capacidad para 10 libros de matemáticas que tienen lomo verde,
8 de física de lomo rojo y 7 de química de lomo azul. ¿De cuántas maneras pueden colocarse los
libros según los colores?
r1 = 10 𝑙𝑖𝑏𝑟𝑜𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑚á𝑡𝑖𝑐𝑎𝑠 𝑑𝑒 𝑙𝑜𝑚𝑜 𝑣𝑒𝑟𝑑𝑒
r2 = 8 𝑙𝑖𝑏𝑟𝑜𝑠 𝑑𝑒 𝑓í𝑠𝑖𝑐𝑎 𝑑𝑒 𝑙𝑜𝑚𝑜 𝑟𝑜𝑗𝑜
r3 = 7 𝑙𝑖𝑏𝑟𝑜𝑠 𝑑𝑒 𝑞𝑢í𝑚𝑖𝑐𝑎 𝑑𝑒 𝑙𝑜𝑚𝑜 𝑎𝑧𝑢𝑙
n= 25
25!
Pn r1,r2,…rm =
10! . 8! . 7!
= 2.10344706 x1010son las maneras diferentes en que pueden

colocarse los libros según los colores del lomo
COMBINACIONES
Una combinación de n objetos diferentes tomados de r en r ; es una selección de r objetos de los
n dados “sin tener en cuenta la ordenación de los mismos”
𝑛!
𝐶𝑟𝑛 =
𝑟! (𝑛 − 𝑟)!
a,b,c,d
b,c,d a,b,cd,c,a
a,b,d a,c,dc,a,b
EJERCICIO
En una clínica trabajan 18 enfermeras. ¿Cuántas guardias diferentes de 3 enfermeras pueden
formarse?
𝑛!
𝐶𝑟𝑛 =
𝑟! (𝑛 − 𝑟)!
18!
𝐶318 =
3! (18 − 3)!
= 816 guardias diferentes que pueden formarse de 3

enfermeras
EJERCICIO
De un senado de 27 senadores ¿De cuántas maneras se puede elegir a 6 representantes?
27!
𝐶627 =
6! (27 − 6)!
27!
𝐶627 =
6! . 21!
=296.010 maneras de elegir a los 6 representantes

EJERCICIO
Un niño tiene 12 bloques, de los cuales 6 son de color negro, 4 de color rojo, 1 de color blanco y
1 de color azul. Si el niño desea colocar los bloques en una fila, ¿de cuántas maneras diferentes
se pueden colocar los bloques?
n= 12
6,4,1,1 12!
𝑟1 = 6 𝑃12 =
𝑟2 = 4 6! .4!. 1! .1!
𝑟3 = 1 = 27. 720 maneras
𝑟4 = 1
EJERCICIO
Hay que colocar a 5 hombres y 4 mujeres en una fila de modo que las mujeres ocupen los lugares
pares. ¿De cuántas maneras puede hacerse?
M M M M
P4 X P5= 4! .5! = 2880 maneras diferentes que pueden situarse las mujeres y hombres
en una fila
EJERCICIO
Se va a realizar un estudio para determinar la actitud de las enfermeras de un hospital respecto a
varios procedimientos administrativos empleados actualmente. Si se va a seleccionar un grupo
de 5 enfermeras de un total de 50 ¿cuántos grupos distintos se pueden seleccionar?
50!
𝐶550 = = 2´118.760 𝑔𝑟𝑢𝑝𝑜𝑠 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑜𝑠 𝑠𝑒 𝑝𝑢𝑒𝑑𝑒𝑛 𝑠𝑒𝑙𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑟
5! (50 − 5)!
EJERCICIO
¿De cuántas formas se puede preparar una ensalada de frutas con solo 2 ingredientes?, si se
tienen las siguientes frutas: plátano, manzana y papaya.
EJERCICIO
¿De cuántas formas se puede preparar una ensalada de frutas con solo 2 ingredientes?, si se
tienen las siguientes frutas: plátano, manzana y papaya.
Datos 𝑛!
n= 3 𝐶𝑟𝑛 =
𝑟! (𝑛 − 𝑟)!
r= 2
3!
𝐶𝑟𝑛 =
2! (3 − 2)!
3!
Crn =
2! .1!
6 6
Crn = = = 3 formas de preparar la ensalada de frutas
2 .1 2
EXPERIMENTO, RESULTADOS Y CONJUNTOS
Introducción a la probabilidad
Es difícil exagerar la importancia de la teoría de probabilidades en muchos problemas de
Ingeniería, Administración, Economía, etc., se necesita tomar decisiones frente a la
incertidumbre.
Para un ingeniero posiblemente no tiene importancia preguntarse ¿durante cuánto tiempo

funcionará un determinado mecanismo? Pero, si tendrá sentido el preguntarse y responder a la
pregunta ¿cuál es la probabilidad de que este mecanismo funcione más de 100 horas? o ¿qué
porcentaje de este mecanismo funcionará más de 100 horas? Para un fabricante a gran escala
tendrá sentido el preguntarse ¿qué porcentaje de sus productos serán aceptados en el mercado?
En la mayoría de los problemas se deben tomar decisiones con base a experimentos.
Experimento Aleatorio
Un experimento es un proceso mediante el cual se obtiene un resultado de una observación.
Puede ser:
a) Deterministico
b) No deterministico
a) Deterministico, cuando el resultado de la observación, es determinado en forma precisa por

las condiciones bajo las cuales se realiza dicho experimento.
Por ejemplo:
 Observar la suma de dos números naturales pares2+2 = 4
b) No deterministico, si los resultados del experimento no pueden predecirse con exactitud

antes de realizar el experimento.
Por ejemplo:
Espacio Muestral
Denotado por S u Ω, es un conjunto de todos los resultados posibles de dicho experimento
aleatorio.
Ejemplos:
a) Experimento simple
S = {1, 2, 3, 4, 5, 6}
S = {C, S}
S = {b, n}
b) Experimento compuesto (dos experimentos simples)

Ejemplo:
 Se lanzan 2 monedas al mismo tiempo S1 = {C, S} y S2 = {C, S}
primera moneda S = S1x S2(producto cartesiano)
segunda moneda C S S = {CC, CS, SC, SS}
C CC CS
S SC SS
 Se lanza una moneda y un dado simultáneamente y se observan sus caras superiores

dado
1 2 3 4 5 6
Moneda
C (C,1) (C,2) (C,3) (C,4) (C,5) (C,6)
S (S,1) (S,2) (S,3) (S,4) (S,5) (S,6)
S = {(C,1), (C,2), (C,3),(C,4), (C,5), (C,6), (S,1),(S,2), (S,3), (S,4), (S,5), (S,6) }
En muchos casos el “diagrama del árbol” es más sugerente para determinar el espacio muestral
de un experimento aleatorio compuesto. Por ejemplo:
 Construir el espacio muestral asociado al lanzamiento de una moneda cuatro veces, y
observar la secuencia de caras y sellos
1er lanzamiento2do lanzamiento3er lanzamiento4to lanzamiento Posibles resultados del experimento
C ………….. CCCC
S…………… CCCS
C C………….. CCSC
S S………….. CCSS
C C………….. CSCC
C S…………. CSCS
C S S C…………. CSSC
S………….. CSSS
C C C ………….. SCCC
S S S…………… SCCS
C………….. SCSC
S C S………….. SCSS
C………….. SSCC
S S…………. SSCS
C ………. SSSC
S………….. SSSS
CCCC, CCCS, CCSC, CCSS, CSCC, CSCS, CSSC, CSSS

S=
SCCC, SCCS, SCSC, SCSS, SSCC, SSCS, SSSC, SSSS
………………..VA
Evento
Es un conjunto de posibles resultados de un experimento; en términos de conjuntos es un
subconjunto del espacio muestral S.
EJERCICIO
Tres muchachas María, Magna y Maritza, compiten en un concurso de belleza. Los premios
solamente son otorgados a las que ocupan el primer y segundo lugar.
a) Liste los elementos del espacio muestral correspondiente al experimento “elegir las dos
ganadoras”
S= {(María, Magna), (María, Maritza), (Magna, María), (Magna, Maritza), (Maritza, María),
(Maritza, Magna)}
b) defina como subconjuntos, los siguientes eventos:
A: María gana el concurso de belleza
A= {(María, Magna), (María, Maritza)}
B: María gana el segundo lugar
B= {(Magna, María), (Maritza, María)}
C: Maritza y Magna ganan los premios
C= {(Maritza, Magna), (Magna, Maritza)}
EJERCICIO
Un experimento consiste en lanzar 2 dados simultáneamente y se observan los números que
aparecen en sus caras superiores.
a) Lista los elementos del espacio muestral
segundo dado
1 2 3 4 5 6
primer dado
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)

(2,1), (2,2), (2,3), (2,4), (2,5), (2,6)
S = (3,1), (3,2), (3,3), (3,4), (3,5), (3,6)
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)
b) Lista los elementos del evento A: la suma de los números es 5

A = {(1,4), (2,3), (3,2), (4,1)}
c) Lista los elementos del evento B: la suma de los números es 12
B = {(6,6)}
d) Lista los elementos del evento C: el producto de los números es 24
C= {(6,4), (4,6)}
e) Lista los elementos del evento D: la suma de los números es divisible por 7
D= {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}
EJERCICIO
Los artículos provenientes de una línea de producción se clasifican en defectuosos “D” y no
defectuoso “N”, se observan los artículos y se anota su condición. Este proceso se continúa hasta
observar dos defectuosos consecutivos o hasta que se observen tres artículos no defectuosos.
a) Describir el espacio muestral asociado a este experimento.
1ra 2da 3ra 4ta 5ta 6ta
extracción extracciónextracciónextracciónextracciónextracción
D…………………………………………………………………………………………………………….DD
D………………………………………………………………………DNDD
D D D…………………………………….DNDNDD
N N D N…………………………………….DNDNDN
N…………………………………………………..DNDNN
N D D…………………………………………………..DNNDD
N…………………………………………………...DNNDN
N……………………………………………………………………….DNNN
D……………………………………………………………………………………………NDD
D D………………………………………………...NDNDD
D
N N………………………………………………….NDNDN
N N……………………………………………………………………….NDNN
D……………………………………………………………………….NNDD
N……………………………………………………………………….NNDN
N D
N………………………………………………………………………………………….NNN
S= {DD, DNDD, DNDNDD, DNDNDN, DNDNN, DNNDD, DNNDN, DNNN, NDD, NDNDD, NDNDN,
NDNN, NNDD, NNDN, NNN}
b) Describir los siguientes Eventos:
A. Ocurren dos artículos defectuosos consecutivos
B. Ocurren dos artículos no defectuosos
A= {DD,DNDD, DNDNDD, DNNDD, NDD, NDNDD, NNDD}
B= {DNDNDD, DNNDD,NDNDD, NNDD}
EJERCICIO
Lanzar una moneda hasta que ocurra cara.
C……………………………………………………………………C
C……………………………………………………………SC
S C………………………………………………..SSC
S C……………………………………..SSSC
S C…………………………..SSSSC
S
S= {C, SC, SSC, SSSC, SSSSC, …}
EJERCICIO
Se desea observar una familia que posee dos autos y para cada uno observemos si es fabricado
en América, si es Europeo o si es Japonés. ¿Cuál es la probabilidad de que un automóvil sea
americano y el otro no lo sea?
a) ¼ b) 4/9 c) 2/4 d) 3/8
A A…..AA
E…..AE P= casos favorables
J…..AJ casos totales
E A… EA p= 4 = 44.44%
E….EE 9
J….EJ
J A…JA
E….JE
J …JJ
EJERCICIO en Aula
Una urna contiene cuatro fichas numeradas: 2,4,6 y 8 una segunda urna contiene 5 fichas
numeradas: 1,3,5,7 y 9. Sea un experimento aleatorio que consiste en extraer una ficha de la
primera urna y luego una ficha de la segunda urna.
2da
1ra 1 3 5 7 9
2 (2,1) (2,3) (2,5) (2,7) (2,9)
4 (4,1) (4,3) (4,5) (4,7) (4,9)
6 (6,1) (6,3) (6,5) (6,7) (6,9)
8 (8,1) (8,3) (8,5) (8,7) (8,9)
a) Describir el espacio muestral.
(2,1) (2,3) (2,5) (2,7) (2,9)

(4,1) (4,3) (4,5) (4,7) (4,9)
S=
(6,1) (6,3) (6,5) (6,7) (6,9)
(8,1) (8,3) (8,5) (8,7) (8,9)
Consideremos los siguientes eventos:
b) La resta de los números es 3
A = {(2,5), (4,1), (4,7), (6,3), (6,9),(8,5)}
c) el producto de los números es 28
B= {(4,7)}
d) la suma de los números es 9

C= {(2,7), (4,5), (6,3),(8,1)}
e) El producto de los números es divisible por 4

D= {(4,1), (4,3), (4,5),(4,7),(4,9),(8,1),(8,3),(8,5),(8,7),(8,9)}
EJERCICIO
De un mazo de 52 cartas, al extraer una de ellas ¿cuál es la probabilidad de que sea un as?
Palo de 13 cartas de corazones 1,2,3,4,5,6,7,8,9,10, J,Q,K
Palo de 13 cartas de diamantes 1,2,3,4,5,6,7,8,9,10, J,Q,K
Palo de 13 cartas de tréboles 1,2,3,4,5,6,7,8,9,10, J,Q,K
Palo de 13 cartas de espadas 1,2,3,4,5,6,7,8,9,10, J,Q,K
𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 4 1
P= = 52 = 13 = 7,69%
𝑐𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
EJERCICIO
Hay 3 tiendas de víveres en una pequeña ciudad (numeradas 1,2,3) . Cuatro damas que viven en
el poblado seleccionan al azar y en forma independiente, una tienda para hacer sus compras sin
salir de la ciudad.
a) Calcular el espacio muestral para el experimento que consiste en seleccionar las tiendas
b) Describir el siguiente evento: Todas las damas escogen la tienda 1 o todas escogen la
tienda 2
1… 1,1
1 2….1,2
3….1,3
4….
EJERCICIO
Hay 3 tiendas de víveres en una pequeña ciudad (numeradas 1,2,3) . Cuatro damas que viven en
el poblado seleccionan al azar y en forma independiente, una tienda para hacer sus compras sin
salir de la ciudad.
a) Calcular el espacio muestral para el experimento que consiste en seleccionar las tiendas
1… 1,1
1 2….1,2
3….1,3
4….1,4
1… 2,1
2 2….2,2
3….2,3
4….2,4
1… 3,1
3 2….3,2
3…. 3,3
4…. 3,4
S = {(1,1), (1,2), (1,3), (1,4), (2,1), (2,2), (2,3), (2,4), (3,1), (3,2), (3,3), (3,4)}
b) Describir el siguiente evento: Todas las damas escogen la tienda 1 o todas escogen la tienda 2
A= {(1,1), (1,2), (1,3), (1,4), (2,1), (2,2), (2,3), (2,4)}
Definición de probabilidades: Frecuentista y axiomática.

Se entiende por probabilidad frecuentista a la frecuencia relativa de un evento esperada en el
largo plazo o luego de una secuencia de ensayos. Cuantas más veces se repita el experimento, al
final las posibilidades de que ocurra cada uno de los sucesos será regular. Aunque cualquier
comportamiento sea aleatorio, por proceso empírico llegaremos a una regularidad, que es la
base de la teoría de la probabilidad. Es cuando se lanza un dado y suponiendo cuantas veces cae
el número que se seleccionó.
𝑠
f=
𝑛
La probabilidad P de un evento A se definió como sigue: Si A puede ocurrir de s maneras entre
un total de n igualmente posibles, entonces:
𝑠
P= 𝑛
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑎𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴

P(A) = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Definición axiomática de probabilidad (Kolmogorov, 1933)
La asignación de probabilidad a cada uno de los sucesos considerados en un experimento

aleatorio debe ser coherente con las operaciones lógicas entre dichos sucesos. Los axiomas de
Kolmogorov establecen las reglas para ello.
Sea (Ω, A) el espacio medible asociado a un experimento aleatorio.
Una función P : A → R es una función (medida) de probabilidad sobre (Ω, A) si verifica:
A1: P(A) ≥ 0, ∀A ∈A → AXIOMA DE NO NEGATIVIDAD
A2: P(Ω) = 1 → AXIOMA DEL SUCESO SEGURO
A3: {Ai}i∈N⊆A y Ai ∩ Aj = ∅, ∀i≠ j ⇒P (⋃+∞ +∞

𝑖=1 𝐴𝑖 )= ∑𝑖=1 𝑃(𝐴1 )→AXIOMA DE σ − ADITIVIDAD.
Esta definición, puramente analítica, conduce a establecer el modelo definitivo para tratar un
experimento aleatorio:
 Ω → ESPACIO MUESTRAL
 A → σ-ALGEBRA DE SUCESOS
 P → FUNCION DE PROBABILIDAD SOBRE (Ω , A)
(Ω, A, P) → ESPACIO DE PROBABILIDAD asociado al experimento.
Algebra de eventos.
Sea S (espacio muestral) asociado con cierto experimento aleatorio.
Se pueden combinar eventos para formar nuevos eventos, utilizando las diferentes operaciones
con conjuntos:
i) A ∪B es el evento que sucede si y solo si A o B o ambos suceden

A B
o
ii) A∩ B es el evento que sucede si y solo si A y B suceden simultáneamente
iii) AC (complemento de A) es el evento que sucede si y solo si A no sucede
Eventos disyuntos: A ∩ B= Φ
Ningún elemento pertenece a A y B
Ejemplo:
Experimento: Láncese un dado y obsérvese el número que aparece en la cara superior. Entonces
el espacio muestral consiste en 6 números posibles.
S = {1, 2, 3, 4, 5, 6}
Sea A el evento de salir un número par, B de salir impar y C de salir primo
A = {2, 4, 6} B = {1, 3, 5} C = {2, 3,5}
Entonces:
A ∪ C = {2, 3, 4, 5, 6} es el evento de que el número sea par o primo
B ∩ C = {3, 5} es el evento de que el número sea impar y primo
CC= {1, 4, 6} es el evento de que el número no sea primo
A ∩ B = Φ ningún elemento en común A ∩ B= Φ
(un número par y un impar no pueden ocurrir simultáneamente)
Ejemplo:
Experimento: Láncese una moneda 3 veces y obsérvese la serie de (C) y (S) que aparecen
1er lanzamiento 2do lanzamiento 3er lanzamiento
C………….. CCC
S…………… CCS
C C………….. CSC
S S………….. CSS
C C………….. SCC
C S…………. SCS
S S C…………. SSC
S………….. SSS
El espacio muestral S está constituido por los siguientes elementos:
S = {CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS}
Sea A el evento en que dos o más caras aparecen consecutivamente y B aquel en que todos los
resultados son iguales.
A = {CCC, CCS, SCC} y B = {CCC, SSS}
Entonces:
A ∩ B = {CCC} es el evento en que aparecen solo caras
El evento que aparece 5 caras es el conjunto Φ
Regla aditiva o +
Si A y B son dos eventos cualesquiera del espacio muestral.
Supongamos que nos interesa calcular:
P (A ∪ B) = P(A) + P(B) – P(A ∩ B)
sumar las probabilidades de los eventos de interés y restar la probabilidad de la intersección de ellos
porque la probabilidad de A incluirá la intersección y también B incluirá la intersección y se da 2 veces la

intersección. Por lo tanto es necesario restar una vez porque estamos contabilizando doble
Ejemplo:
Se hizo una encuesta en la ciudad sobre el medio de transporte y se encontró que un 70% usan
servicios públicos de transporte, 40% usan transporte particular y que un 30% usan ambos tipos.
Calcular la probabilidad de que una persona use algún tipo de transporte.
A = transporte público = 70% = 0,7

B = transporte particular= 40% = 0,4
A∩B = 30% = 0,3
P (A ∪ B) = P(A) + P(B) – P(A ∩ B)

= 0,7 + 0,4 – 0,3 = 0, 8 = 80%
La probabilidad de que una persona use algún tipo de transporte es del 80%
Regla multiplicativa y (se realiza un suceso y luego otro, de manera concatenada y secuencial)
Es una regla que se aplica en caso de que dos eventos ocurran simultáneamente.
1.independiente: dos o más eventos son independientes cuando la ocurrencia
o no ocurrencia de un evento no afecta la probabilidad de
No se ve
ocurrencia del otro.
afectado por
EVENTO el otro
evento.
2, dependiente: dos o más eventos son dependientes cuando la ocurrencia o

no ocurrencia de uno de ellos afecta la probabilidad de
Se ve ocurrencia del otro.
afectado por
el otro
evento.
1. Eventos independientes:
P (A ∩ B) = P (A) .P (B)
Ejemplo:
Si se lanza una moneda 2 veces ¿cuál es la probabilidad de obtener cara en los 2 lanzamientos?
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 1
P = 𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 = 2
P (A ∩ B) = P (A) .P (B)
1 1
= .
2 2
1
= = 0,25 =25% es la probabilidad de obtener cara en los 2 lanzamientos
4
Ejemplo:
El dueño de un hotel ha modernizado sus instalaciones. Observó que el 20% de los autos que
pasan por ahí, se detuvieron a alquilar un auto. ¿Cuál es la probabilidad de que los próximos dos
carros se detengan?
P (A ∩ B) = P (A) .P (B)
= 0,20 .0,20= 0,40 = 40% es la probabilidad de que los próximos dos carros se detengan
EJERCICIO 𝑁ú𝑚𝑒𝑟𝑜𝑑𝑒𝑐𝑎𝑠𝑜𝑠𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
P = 𝑛ú𝑚𝑒𝑟𝑜𝑡𝑜𝑡𝑎𝑙𝑑𝑒𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Se lanzan dos monedas al aire. ¿Qué es más probable?
a) Dos caras 1
a) p= = 25%
4
b) Dos sellos
c) Una cara y un sello 1
b) p= = 25%
d) Las 3 anteriores son iguales de probables 4
1ra moneda 2da moneda 2 1

1 c) p = = = 0.5 = 50%
12 4 2
1 2 C…………………..CC
1
2 P (A ∩ B) = P(A) .P(B)
2
C 1 S……………………CS
2
1 C…………………..SC a) p (C ∩ C) = p(C) .p(C)
2
1 S S……………………SS 1 1 1
1 1 = .2 = = 25%
2 2 4
2 2
b) P (S ∩ S) = P(S) .P(S)
1 1 1
= .2 = = 25%
2 4
c) P (C ∩ S) = P(C∩S) U P(S∩C)
= P(C) .P(S) + P(S) .P(C)

1 1 1 1
= .2+ .
2 2 2
1 1 2 1
= + = = 2 = 0.5 = 50%
4 4 4
EJERCICIO
Se tienen 2 cajas con 7 bolas cada una. La primera tiene 3 rojas y 4 verdes. La segunda tiene 4
rojas y 3 azules. Se extrae al azar una bola de cada caja.
Calcular la probabilidad de sacar: a) 1R y 1R
a) Dos bolas rojas
b) Ninguna roja
P (A ∩ B) = P (A) .P (B)
P(R∩R) = P(R) . P(R)
a)
3 4 12
= 7 X7 = 49 = 0,24 = 24%
%
1ra caja 2da caja b)
𝟑 4 3 12
𝟕 𝟒 = X 7 = 49 = 0,24 =24%
7
𝟕
2, Eventos dependientes:
P (A ∩ B) = P (A) .P (B/A)
𝟏
𝟑
𝟏
𝟐
EJERCICIO:
En una caja se tienen 10 botellas de las cuales 3 son defectuosas y 7 no son defectuosas. Se
considera defectuosa a aquella botella que no tiene etiqueta.
¿Cuál será la probabilidad de seleccionar una botella defectuosa en una primera extracción y una
botella defectuosa en una segunda extracción?
3
P(A) =
10
2
P (B/A) = 9
P (A ∩ B) = P (A) .P (B/A)
3 2 1
= 10 . 9 = 15 = 0.07 = 7%
EJERCICIO:
Una caja contiene 10 pares de calcetines, 4 son azules y el resto rojos. ¿Cuál será la probabilidad
de que seleccionen un par azul en la segunda extracción, si el primer par que tomamos fue azul y
no se devolvió a la caja?
4 pares azules P (A ∩ B) = P (A) .P (B/A)
6 pares rojos
4 3 12
10 pares = 10 . 9 =90 = 0.13 = 13%
RESUMIENDO:
Ejemplo:
Una organización desea repartir camisetas a un grupo de jóvenes, sabiendo que la caja contiene
100 unidades y que 98 camisetas están en buen estado.
a) En caso que la primera camiseta se observa y se regresa antes de seleccionar la segunda
camiseta. Calcule la probabilidad de que ambas camisetas estén en buen estado.
P (A ∩ B) = P (A) .P (B)
98 98
= 100 X 100
= 0,96 = 96%
b) Si la primera camiseta se extrae y se selecciona la segunda camiseta. Calcule la probabilidad
de que ambas camisetas estén en buen estado.
P (A ∩ B) = P (A) .P (B/A)
98 97
= 100 . 99 = 0,96 = 96%
EJERCICIO
Una empresa fabrica dos modelos de computadoras, A y B, siendo la producción del modelo A el
doble que la del modelo B. La probabilidad de que una computadora del modelo A salga
defectuoso es de 0.02, mientras que esa probabilidad es de 0.05 en el modelo B.
Calcule la probabilidad de que una computadora escogida al azar no sea defectuosa.
0.02 0.02 D ̅ ) = P(A∩𝐷

P(𝐷 ̅)
̅ ) U P(B ∩𝐷
𝟐
2x =
𝟑
A ̅*
0.98 𝑫 ̅ ) + P(B) . P(𝐷
= P(A) .P(𝐷 ̅)
0.98
2 1
2 =
3
. 0.98+ . 0.95
3
0.05 0.05 D
X=
𝟏 B 82 ̅ *
0.95 𝑫 = 0.97 = 97%
𝟑
0.95
2x + x = 1 2
3x = 1
𝟏
X= 𝟑
Teorema de la probabilidad total
Ejercicio
En una sala tenemos 17 hombres y 20 mujeres. De los 17 hombres, 5 llevan gafas y de las 20
mujeres, 8 llevan gafas.
17 hombres 5 gafas G
20 mujeres 8 gafas G
37 Total
a) ¿Cuál es la probabilidad de que si se elige una persona al azar, está lleve gafas?
b) ¿Cuál es la probabilidad de que no lleve gafas?
5 (B)
P (B/A1) a) P (G) = P(A1) . P (B/A1) + P(A2) .P (B/A2)
17 5G (gafas))*
17
A1 =
37
17
= 37 . 17 +
5 20 8
. 20 = 0,35 = 35%
17 H (B) 37
37 12 12 𝐺̅ (no gafas)
17
17 12 20 12
b) = . 17 + . 20 = 0,65 = 65%
8 37 37
P (B/A2) (B)
20
20 20 8 G (gafas)* 100%_______35% lleva gafas
A2 =
37 37
M
(B)
12
12 𝐺̅ (no gafas)
20
El teorema de la probabilidad total dice:
P (B) = P(A1) . P(B/A1) + P(A2) . P(B/A2) + … + P(An) . P(B/An)
La probabilidad de que pase un suceso B es igual a la probabilidad de que pase A1 por la

probabilidad de que pase B sabiendo que ha sucedido A 1más la probabilidad de que pase A2por
la probabilidad de que pase B sabiendo que ha sucedido A2 más… + probabilidad de que pase An
por la probabilidad de que pase B sabiendo que ha sucedido An.
Teorema de Bayes
El teorema o regla de Bayes, fue planteado por el matemático y religioso inglés, Thomas Bayes.
Fue publicado en el año 1763, dos años después de la muerte de Bayes.
Permite calcular la probabilidad de que ocurra un evento, a partir de valores conocidos de otras
probabilidades relacionadas al evento.
Expresa la probabilidad de que ocurra el evento A, dado que ha ocurrido B, en función de la

probabilidad de que ocurra B dado que ha ocurrido A, de la probabilidad de A y de la
probabilidad de B. En la práctica tiene muchísimas aplicaciones, por ejemplo, conociendo la
probabilidad de que una persona tenga fiebre dado que tiene gripe, nos permite calcular la
probabilidad de que una persona que tiene gripe, dado que tiene fiebre.
Probabilidad Condicionada.-Un evento está condicionado a la ocurrencia de un subconjunto del

espacio muestral S.
Es decir: se dice que ya ha ocurrido B, entonces, se tiene que el espacio muestral S se ha

restringido al subconjunto B. Por lo tanto la probabilidad del evento A dado que ha ocurrido B
denotado por P (A/B) es igual al área A ∩ B al área B se visualiza como probabilidad.
𝑃 (𝐴 ∩ 𝐵)
A∩B 𝑃 (𝐴 ⁄ 𝐵 ) =
𝑃(𝐵)
EJEMPLO
Al lanzar una moneda y dependiendo si sale C o S. Determinar la probabilidad de, sabiendo que
la bola es roja, está sea de la urna I.
{C} {S}
𝑃 (𝐴 ∩ 𝐵)
𝑃 (𝐴 ⁄𝐵 ) =
𝑃(𝐵)
1 2
2
.6
= 1 2 1 3
2
.6 +2 .5
urna I urna II
𝑃=(𝐴
0.36
∩ =𝑅)
36%
𝑃 (𝐼 ⁄𝑅 ) =
La probabilidad 𝑃(𝑅)de, sabiendo
P (B/A1)
que la bola es roja, está sea de
P (A 1) 2
2 I la urna I es de 36%.
1 6
2 6 R*
C
4
6
A
3 P (B/A2)
5 II
1
2 S R*
P (A 2)
22
55
A
𝑃 (𝐴1 ) . 𝑃 (𝐵/𝐴1 )
𝑃 (𝐴1 ⁄𝐵) =
𝑃 (𝐴1 ) . 𝑃 (𝐵/𝐴1 ) + 𝑃(𝐴2 ). 𝑃(𝐵/𝐴2 ) + 𝑃(𝐴𝑛 ) . 𝑃(𝐵/𝐴𝑛 )
EJERCICIO
En un acuario se tienen solo 2 especies de peces. El 40 % de los peces del acuario son de la
especie azul y el 60% son de la especie roja. De la especie azul, el 30 % son machos; mientras
que, de la especie roja, el 40% son hembras.
a) Si se selecciona un pez al azar, y resulta que es hembra, ¿cuál es la probabilidad de que sea de
la especie azul?
b) Si se selecciona un pez al azar, y resulta que es macho, ¿cuál es la probabilidad de que sea de
la especie azul?
𝑃(𝐴1 ) . 𝑃(𝐵/𝐴1 )
𝑃(𝐴1 ⁄𝐵 ) =
𝑃(𝐴1 ) . 𝑃(𝐵/𝐴1 ) + 𝑃(𝐴2 ). 𝑃(𝐵/𝐴2 ) + 𝑃(𝐴𝑛 ) . 𝑃(𝐵/𝐴𝑛 )
M 0,3
0.4 ∗ 0.7 0,28 0.28
𝑃(𝐴1 ⁄𝐵 ) = = = = 54%
0.4 ∗ 0.7 + 0.6 ∗ 0.4 0.28 + 0.24 0.52
0,4 A
0.4 ∗ 0.3 0,12 0.12
H 0,7 𝑃(𝐴1 ⁄𝐵 ) =
0.4 ∗ 0.3 + 0.6 ∗ 0.6
= =
0.12 + 0.36 0.48
= 25%
M 0,6
0,6
R
H 0,4
C S
1
2
1
2
Dado
1,2,3,4,5,6
1
6
EJERCICIO
La materia de Estadística Inferencial la dictan 3 profesores (Raúl, Pedro y Juan). Raúl el semestre
pasado dictó la materia a 3 grupos, Pedro a 2 y Juan a 5. Con Raúl el 80% de los estudiantes
reprueban, con Pedro el 75% y con Juan el 90%.
Un padre vino a reclamar la nota de su hijo que se sabe que cursó la materia el semestre pasado.
¿Cuál es la probabilidad que el docente haya sido Pedro?
EJERCICIO
Un médico cirujano se especializa en cirugías estéticas. Entre sus pacientes, el 20 % se realizan
correcciones faciales, un 35% implantes mamarios y el restante en otras cirugías correctivas. Se
sabe además, que son de género masculino el 25% de los que se realizan correcciones faciales, el
15% implantes mamarios y 40% otras cirugías correctivas. Si se selecciona un paciente al azar,
determine:
a) La probabilidad de que sea de género masculino.
b) De Si resulta que es de género masculino, determine la probabilidad que se haya realizado
una cirugía de implantes mamarios.
EJERCICIO
La materia de Estadística Inferencial la dictan 3 profesores (Raúl, Pedro y Juan). Raúl el semestre
pasado dictó la materia a 3 grupos, Pedro a 2 y Juan a 5. Con Raúl el 80% de los estudiantes
reprueban, con Pedro el 75% y con Juan el 90%.
Un padre vino a reclamar la nota de su hijo que se sabe que cursó la materia el semestre pasado.
¿Cuál es la probabilidad que el docente haya sido Pedro?
R 0.8
𝑃 ( 𝐴1 ) ∗𝑃 (𝐵/ 𝐴1 )
P(A/B) = 𝑃 ( 𝐴
𝟑 1 ) ∗𝑃 (𝐵/ 𝐴1 )+ 𝑃 ( 𝐴2 ) ∗𝑃 (𝐵/ 𝐴2 ) + 𝑃 ( 𝐴3 ) ∗𝑃 (𝐵/ 𝐴3 )
Raúl 3 = = Raúl P (R) 0.3
𝟏𝟎
A 0.2 0.2 ∗ 0.75
=
0.3 ∗ 0.8 + 0.2 ∗ 0.75 + 0.5 ∗ 0.9
R 0.75 0.15
𝟐 =
Pedro 2 = = Pedro P (P) 0.2 0.24+0.15+0.45
𝟏𝟎
0.15
= 0.84 = 0.1786 = 17.86%
A 0.25
R 0.9
𝟓
Juan 5 = = Juan P (J) 0.5
𝟏𝟎
A 0.1
10
EJERCICIO
Un médico cirujano se especializa en cirugías estéticas. Entre sus pacientes, el 20 % se realizan
correcciones faciales, un 35% implantes mamarios y el restante en otras cirugías correctivas. Se
sabe además, que son de género masculino el 25% de los que se realizan correcciones faciales, el
15% implantes mamarios y 40% otras cirugías correctivas. Si se selecciona un paciente al azar,
determine:
a) La probabilidad de que sea de género masculino.
b) De si resulta que es de género masculino, determine la probabilidad que se haya realizado
una cirugía de implantes mamarios.
P(H) = P(F) * P( H/F) + P(M) * P( H/M) + P(O) * P( H/O)
H 25% (0.25)
20% correcciones faciales (0.2) = 0.2 * 0.25 + 0.35 * 0.15 + 0.45 * 0.4
H 15% (0.15) = 0.28 = 28%
35% implantes mamarios (0.35)
𝑃 ( 𝐴1 ) ∗𝑃 (𝐵/ 𝐴1 )
H 40% (0.4) P(A/B) =
𝑃 ( 𝐴1 ) ∗𝑃 (𝐵/ 𝐴1 )+ 𝑃 ( 𝐴2 ) ∗𝑃 (𝐵/ 𝐴2 ) + 𝑃 ( 𝐴3 ) ∗𝑃 (𝐵/ 𝐴3 )
45% otras cirugías (0.45)
0.35∗0.15
= = 0.19 = 19%
100% 0.2 ∗ 0.25 + 0.35 ∗ 0.15 + 0.45 ∗ 0.4
UNIDAD II
VARIABLES ALEATORIAS DISCRETAS Y ALGUNOS MODELOS DE PROBABILIDAD
Introducción
Sean S y T conjuntos arbitrarios. Supóngase que a cada s ϵ S se asigna un elemento único de T; la

colección 𝑓 de tales elementos se llama función (o aplicación) de S en T y se escribe 𝑓: S T.
Se escribe 𝑓(𝑠) en lugar del elemento de T que 𝑓 hace corresponder a s ϵ S y se lo llama la
imagen de s por 𝑓 o valor de 𝑓 en s. La imagen de 𝑓(𝐴) de un subconjunto de A de S y la imagen
inversa𝑓 −1 (B) de un subconjunto de B de T se definen por:
𝑓 (𝐴) = {𝑓(𝑠) : s ϵ A}𝑓 −1 (𝐵) = {𝑠: 𝑓(𝑠)ϵ B}
En otras palabras 𝑓 (𝐴) está formada por las imágenes de los puntos de A, y 𝑓 −1 (𝐵) esta
formado por aquellos puntos cuyas imágenes pertenecen a B. En particular, el conjunto 𝑓(𝑆) de
todas las imágenes se llama el conjunto imagen (o: imagen o recorrido) de 𝑓 .
Supongamos ahora que S es el espacio muestral de algún experimento. Como se anotaron los
resultados preliminares del experimento, es decir, los puntos muestrales de S, no necesitan ser
números. Sin embargo, frecuentemente necesitamos asignar un número determinado a cada
resultado: esto puede ser la suma de los puntos de un par de dados, el número de ases de una
mano de “bridge”, o el tiempo en (horas) que gasta una lámpara en fundirse. Tal asignación se
denomina variable aleatoria.
Definición
Una variable aleatoria X de un espacio muestral S es una función de S en el conjunto R de los

números reales tal que la imagen inversa de cada intervalo de R es un evento (o suceso) de S.
Función de probabilidad o cuantía
Un suceso aleatorio puede ser si va a llover mañana o no.

1 Si llueve mañana
X = 0 No llueve mañana
X = 1 (Llueve mañana)
X= 0 (no llueva mañana)
Ejemplo:
El valor de X = número que sale hacia arriba al tirar un dado

Número escrito en la cara de arriba de un dado lanzado
Es una forma de agarrar un suceso aleatorio y asociar un número a cada uno de los posibles
resultados.
Ejemplo:
Al lanzar una moneda se puede tener

1 si sale cara
X = 0 si sale cruz
A cada resultado se le asocia un número.
Las variables aleatorias discretas poseen un número finito de posibles valores que pueden tomar
Entonces la función de probabilidad o cuantia es el tipo de valor que tiene que tomar la variable
1
𝑓 (𝑥 ) = si X = 1
6
1
si X = 2
6
1
si X = 3
6
1
si X = 4
6
1
si X = 5
6
1
si X = 6
6
1
𝑓 (𝑥 ) = si X = 0
2
1
si X = 1
2
X
Función de distribución. Valores esperados. Propiedades
Sea X una variable aleatoria de un espacio muestral S
𝑋(𝑆) = |𝑋1 , 𝑋2 , … 𝑋𝑛 |Se convierte𝑋(𝑆) en un espacio de probabilidad definiendo la
probabilidad de 𝑋1 como 𝑃 (𝑋 = 𝑋1 ) y se escribe 𝑓(𝑋1 ). Esta función f de 𝑋(𝑆) definida como
𝑓 (𝑋1 ) = 𝑃 (𝑋 = 𝑋1 )se llama función de distribución o probabilidad de X y se expresa en forma
de tabla.
𝑋1 𝑋2 ... 𝑋𝑛
𝑓(𝑋1 ) 𝑓(𝑋2 ) ... 𝑓(𝑋𝑛 )
La distribución 𝑓 satisface las condiciones:
i) 𝑓 (𝑋𝑖 ) ≥ 0
ii) ∑𝑛𝑖= 1 𝑓 (𝑋1 ) = 1
Ahora bien, la media o esperanza se denota por E(X) y se define como

𝑛
𝐸 (𝑋) = 𝑋1 𝑓(𝑋1 ) + 𝑋2 𝑓(𝑋2 ) + ⋯ + 𝑋𝑛 𝑓(𝑋𝑛 ) = ∑ 𝑋𝑖 𝑓(𝑋𝑖 )

𝑖=1
Ejemplo 1
Se lanzan dos dados simultáneamente y se observan las caras superiores.
2do dado
1 2 3 4 5 6
1er dado
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
(1,1),(1,2),(1,3), (1,4), (1,5), (1,6), (2,1), (2,2),(2,3),(2,4), (2,5), (2,6)

S= (3,1),(3,2), (3,3),(3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)
Calculamos la distribución de f de X:
1
𝑓 (1) = 𝑃 (𝑋 = 1) = 𝑃 ({(1, 1)}) =
36
3
𝑓 (2) = 𝑃 (𝑋 = 2) = 𝑃 ({(2, 1), (2, 2), (1, 2)}) =
36
5
𝑓 (3) = 𝑃 (𝑋 = 3) = 𝑃 ({(3, 1), (3, 2), (3, 3), (2, 3), (1, 3)}) =
36
7
𝑓 (4) = 𝑃 (𝑋 = 4) = 𝑃 ({(4, 1), (4, 2), (4, 3), (4, 4), (3, 4), (2, 4), (1, 4)}) =
36
9
𝑓 (5) = 𝑃 (𝑋 = 5) = 𝑃 ({(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (4, 5), (3, 5), (2, 5), (1, 5)}) =
36
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6), 11
𝑓 (6) = 𝑃 (𝑋 = 6) = 𝑃 ({ }) =
(1, 6), (2, 6), (3, 6), (4, 6), (5, 6) 36
Esta información se pone en forma de tabla como sigue:
𝑋𝑖 1 2 3 4 5 6
1 3 5 7 9 11
𝑓(𝑋1 )
36 36 36 36 36 36
Calculamos la media o esperanza de X:
𝑥 = 𝐸 (𝑋) = ∑ 𝑋𝑖 𝑓(𝑋𝑖 )
1 3 5 7 9 11
𝐸 (𝑋 ) = 1 ∗ +2∗ +3∗ +4∗ +5∗ +6∗
36 36 36 36 36 36
1 6 15 28 45 66
= + + + + +
36 36 36 36 36 36
1 1 5 7 5 11 161
= + + + + + = = 4,47
36 6 12 9 4 6 36
EJERCICIO 1
Ahora sea Y que hace corresponder a cada punto (a, b) de S la suma de sus números o sea:
Y (a, b) = a + b. Entonces Y es también una variable aleatoria de S con conjunto imagen.
𝑌(𝑆) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
(1,1),(1,2), (1,3),(1,4),(1,5),(1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6)

S= (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5),(5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)
𝑌𝑖 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
𝑔(𝑌𝑖 )
36 36 36 36 36 36 36 36 36 36 36
3
𝑔(4) = 36 del hecho que (1, 3), (2, 2) y (3, 1) la suma es 4
La media o esperanza de Y se calcula:
𝑦 = 𝐸 (𝑌) = ∑ 𝑌𝑖 𝑔(𝑌𝑖 )
1 2 3 4 5 6 5 4 3
𝐸 (𝑌 ) = 2 ∗ +3∗ +4∗ +5∗ +6∗ +7∗ +8∗ +9∗ + 10 ∗ + 11
36 36 36 36 36 36 36 36 36
2 1
∗ + 12 ∗
36 36
2 6 12 20 30 42 40 36 30 22 12
= + + + + + + + + + +
36 36 36 36 36 36 36 36 36 36 36
1 1 1 5 5 7 10 5 11 1
= + + + + + + +1+ + + =7
18 6 3 9 6 6 9 6 18 3
EJERCICIO 1
Ahora sea Y que hace corresponder a cada punto (a, b) de S la suma de sus números o sea:
Y (a, b) = a + b. Entonces Y es también una variable aleatoria de S con conjunto imagen.
𝑌(𝑆) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
(1,1),(1,2), (1,3),(1,4),(1,5),(1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6)

S= (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5),(5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)
𝑌𝑖 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
𝑔(𝑌𝑖 )
36 36 36 36 36 36 36 36 36 36 36
3
𝑔(4) = 36del hecho que (1, 3), (2, 2) y (3, 1) la suma es 4
La media o esperanza de Y se calcula:
𝑦 = 𝐸 (𝑌) = ∑ 𝑌𝑖 𝑔(𝑌𝑖 )
1 2 3 4 5 6 5 4 3
𝐸 (𝑌 ) = 2 ∗ +3∗ +4∗ +5∗ +6∗ +7∗ +8∗ +9∗ + 10 ∗ + 11
36 36 36 36 36 36 36 36 36
2 1
∗ + 12 ∗
36 36
2 6 12 20 30 42 40 36 30 22 12
= + + + + + + + + + +
36 36 36 36 36 36 36 36 36 36 36
1 1 1 5 5 7 10 5 11 1
= + + + + + + +1+ + + =7
18 6 3 9 6 6 9 6 18 3
EJERCICIO 2
Un jugador lanza un dado corriente. Si sale un número primo gana dicho número de dólares,
pero si no sale un número primo entonces pierde esa cantidad de dólares. Los resultados
posibles 𝑋𝑖 del juego con sus respectivas probabilidades 𝑓(𝑋𝑖 ) son:
S = 1, 2,3, 4, 5, 6
𝑋𝑖 2 3 5 -1 -4 -6
1 1 1 1 1 1
𝑓(𝑋𝑖 )
6 6 6 6 6 6
Los números negativos -1, -4 y -6 corresponden al hecho de que el jugador pierde si no sale su
número primo. Calcule el valor esperado del juego.
𝑥 = 𝐸 (𝑋) = ∑ 𝑋𝑖 𝑓(𝑋𝑖 )
1 1 1 1 1 1
𝐸 (𝑋𝑖 ) = 2 ∗ + 3 ∗ + 5 ∗ − 1 ∗ − 4 ∗ − 6 ∗
6 6 6 6 6 6
2 3 5 1 4 6 1
= 6 + 6 + 6 − 6 − 6 − 6 = − 6 = - 0.17
Por tanto, el juego es desfavorable para el jugador puesto que el valor esperado es negativo.
Calcular la Varianza y desviación estándar de σ𝑥
𝑉𝑎𝑟 (𝑥 ) = 𝐸 (𝑋 2 ) − μ2
1 1 1 1 1 1
𝐸 (𝑋2 ) = 22 * + 32 * + 52 * + (- 12 )* + (- 42 ) * + (- 62 ) *
6 6 6 6 6 6
1 1 1 1 1 1
=4* +9∗ + 25 ∗ −1∗ − 16 ∗ − 36 ∗
6 6 6 6 6 6
5
= - = - 2.5
2
𝑉𝑎𝑟 (𝑥 ) = -2.5 – (−0.17)2

= -2.53-
σ𝑥 = √𝑉𝑎𝑟(𝑥 )
σ𝑥 = √−2.53
Varianza y desviación estándar σ𝑥
La varianza de X, mide el “esparcimiento” o dispersión de X.
𝑉𝑎𝑟 (𝑥 ) = 𝐸 (𝑋 2 ) − μ2
σ𝑥 = √𝑉𝑎𝑟(𝑥 )
Ejemplo 2
Considérese la variable aleatoria X del ejemplo 1.
𝑋𝑖 1 2 3 4 5 6
1 3 5 7 9 11
𝑓(𝑋𝑖 )
36 36 36 36 36 36
Su media es μ𝑥 = 𝐸 (𝑋) = ∑ 𝑋𝑖 𝑓(𝑋𝑖 )

= 4,47
Calculemos la Varianza y desviación estándar de X.
𝑽𝒂𝒓(𝒙) = 𝐸 (𝑋2 ) − μ2
𝐸 (𝑋 2 ) = ∑ 𝑋𝑖2 𝑓(𝑋𝑖 )
1 3 5 7 9 11
𝐸 (𝑋 2 ) = 12 ∗ + 22 ∗ + 32 ∗ + 42 ∗ + 52 ∗ + 62 ∗
36 36 36 36 36 36
1 3 5 7 9 11
=1∗ +4∗ +9∗ + 16 ∗ + 25 ∗ + 36 ∗
36 36 36 36 36 36
1 1 5 28 25 791
= + + + + + 11 = = 21,97
36 3 4 9 4 36
𝑽𝒂𝒓(𝒙) = 21,97 − 4,472 σ𝑥 = √𝑉𝑎𝑟(𝑥 )

= 21,97 − 19,98 = 1,99
= √1,99 = 1,41
Ahora consideraremos la variable aleatoria Y del EJERCICIO 1 (que asigna la suma de los
números que se muestran en un par de dados).
La distribución de Y es:
𝑌𝑖 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
𝑔(𝑌𝑖 )
36 36 36 36 36 36 36 36 36 36 36
Su media
𝑌 = 7
Calcular la varianza y desviación estándar

𝜎𝑌 = √𝑉𝑎𝑟(𝑌)
𝑉𝑎𝑟(𝑌) = 𝐸 (𝑌 2 ) − 2
𝐸 (𝑌 2 ) = ∑ 𝑌𝑖2 𝑔(𝑌𝑖 )
1 2 3 4 5 6 5 4
𝐸 (𝑌 2 ) = 22 ∗ + 32 ∗ + 42 ∗ + 52 ∗ + 62 ∗ + 72 ∗ + 82 ∗ + 92 ∗
36 36 36 36 36 36 36 36
3 2 1
+102 ∗ + 112 ∗ + 122 ∗
36 36 36
1 2 3 4 5 6 5 4
=4∗ +9∗ + 16 ∗ + 25 ∗ + 36 ∗ + 49 ∗ + 64 ∗ + 81 ∗
36 36 36 36 36 36 36 36
3 2 1
+100 ∗ + 121 ∗ + 144 ∗
36 36 36
1 1 4 25 49 80 25 121 329
= + + + +5+ + +9+ + +4= = 54,83
9 2 3 9 6 9 3 18 6
𝑉𝑎𝑟(𝑌) = 𝐸 (𝑌 2 ) − 2
𝜎𝑌 = √𝑉𝑎𝑟(𝑌)
𝑉𝑎𝑟(𝑌) = 54,83 − 72 𝜎𝑌 = √5,83

= 54,83 − 49 = 5,83 𝜎𝑌 = 2,41
EJERCICIO I
Se lanza un dado equilibrado produciendo el espacio equiprobable.
𝑆 = {1, 2, 3, 4, 5, 6}
Sea X el doble del número que aparece.
Encuentre la distribución f, la media 𝑋 , la varianza 𝜎𝑥2 y la desviación estándar 𝜎𝑥 de X.
Aquí𝑋(1) = 2
𝑋 (2) = 4
𝑋 (3) = 6
𝑋 (4) = 8
𝑋(5) = 10
𝑋 (6) = 12
También cada número tiene probabilidad 1/6. Por tanto, la siguiente es la distribución f de X:
X 2 4 6 8 10 12
1 1 1 1 1 1
f(X)
6 6 6 6 6 6
𝑥 = 𝐸 (𝑋) = ∑ 𝑋𝑖 𝑓(𝑋𝑖 )
1 1 1 1 1 1
= 2 ∗ ( ) + 4 ∗ ( ) + 6 ∗ ( ) + 8 ∗ ( ) + 10 ∗ ( ) + 12 ∗ ( )
6 6 6 6 6 6
1 2 4 5 42
= + +1+ + +2= =7
3 3 3 3 6
𝜎𝑥2 = 𝑉𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − 𝑥2
𝐸 (𝑋 2 ) = ∑ 𝑋𝑖2 𝑓(𝑋𝑖 )
1 1 1 1 1 1
= 22 ∗ ( ) + 42 ∗ ( ) + 62 ∗ ( ) + 82 ∗ ( ) + 102 ∗ ( ) + 122 ∗ ( )
6 6 6 6 6 6
1 1 1 1 1 1
= 4 ∗ ( ) + 16 ∗ ( ) + 36 ∗ ( ) + 64 ∗ ( ) + 100 ∗ ( ) + 144 ∗ ( )
6 6 6 6 6 6
2 8 32 50 182
= + +6+ + + 24 = = 60,67
3 3 3 3 3
𝜎𝑥2 = 𝑉𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − 2𝑥 𝜎𝑥 = √𝑉𝑎𝑟(𝑋)
= 60,67 − 72
= √11,67 = 3,42
= 60,67 − 49 = 11,67
EJERCICIO II
Se lanza un dado equilibrado produciendo el espacio equiprobable
𝑆 = {1, 2, 3, 4, 5, 6}
Sea Y igual a 1 o 3, en la medida que aparece un número impar o par.
Encuentre la distribución g, la esperanza 𝑦 , la varianza 𝜎 2 𝑑𝑒 Y 𝜎𝑦2 , la desviación estándar 𝜎𝑦 de
Y.
Aquí𝑋(1) = 1
𝑋 (2) = 3
𝑋 (3) = 1
𝑋 (4) = 3
𝑋 (5) = 1
𝑋 (6) = 3
Entonces 𝑅𝑦 = {1, 3} es el recorrido de Y.
3 1
Por consiguiente: 𝑔(1) = 𝑃(𝑌 = 1) = 𝑃({1, 3, 5}) = 6 = 2
3 1
𝑔(3) = 𝑃(𝑌 = 3) = 𝑃({2, 4, 6}) = =
6 2
Así la distribución g de Y es:
Y 1 3
1 1
g(Y)
2 2
𝑦 = 𝐸 (𝑌) = ∑ 𝑌𝑖 𝑔(𝑌𝑖 )
1 1
= 1∗( )+3∗( )
2 2
1 3
= + =2
2 2
𝜎𝑦2 = 𝑉𝑎𝑟(𝑌) = 𝐸 (𝑌 2 ) − 2𝑦
𝐸 (𝑌 2 ) = ∑ 𝑌𝑖2 𝑔(𝑌𝑖 )
1 1
= 12 ∗ ( ) + 32 ∗ ( )
2 2
1 1
=1∗( )+9∗( )
2 2
1 9
= + =5
2 2
𝜎𝑦2 = 𝑉𝑎𝑟(𝑌) = 𝐸 (𝑌 2 ) − 2𝑦

𝜎𝑦 = √𝑉𝑎𝑟(𝑌)
= 5 − 22
= √1 = 1
= 5−4= 1
EJERCICIO III (de I y II)
Sea X y Y variables aleatorias que están definidas en el mismo espacio muestral S. Recuerde
que 𝑍 = 𝑋 + 𝑌 es la variable aleatoria en S definida por 𝑍(𝑆) = 𝑋(𝑆) + 𝑌(𝑆)
Encuentre la distribución f, el valor esperado, la varianza y la desviación estándar de 𝑍 = 𝑋 + 𝑌
Verifique también que 𝐸 (𝑍) = 𝐸 (𝑋 + 𝑌) = 𝐸 (𝑋) + 𝐸 (𝑌)
1
El espacio muestral es 𝑆 = {1, 2, 3, 4, 5, 6} y cada punto muestral tiene la probabilidad 6
Utilice 𝑍(𝑆) = 𝑋 (𝑆) + 𝑌(𝑆) y los valores X y Y de los ejercicios I y II

𝑍 ( 1) = 𝑋 (1) + 𝑌 (1) = 2 + 1 = 3
𝑍 ( 2) = 𝑋 (2) + 𝑌 (2) = 4 + 3 = 7
𝑍 ( 3) = 𝑋 (3) + 𝑌 (3) = 6 + 1 = 7
𝑍(4) = 𝑋 (4) + 𝑌 (4) = 8 + 3 = 11
𝑍(5) = 𝑋 (5) + 𝑌 (5) = 10 + 1 = 11
𝑍(6) = 𝑋 (6) + 𝑌 (6) = 12 + 3 = 15
El recorrido de Z es 𝑅𝑧 = {3, 7, 11, 15}
1
También, 3 y 15 se supone cada uno es un punto muestral, por tanto tienen una probabilidad 6;
mientras que 7 y 11 se suponen cada uno son dos puntos muestrales, de ahí que tengan
2
probabilidad . Por esto, la distribución de 𝑍 = 𝑋 + 𝑌es la siguiente:
6
𝑍𝑖 3 7 11 15
1 2 2 1
𝑃(𝑍𝑖 )
6 6 6 6
Por consiguiente
𝑧 = 𝐸 (𝑍) = ∑ 𝑍𝑖 𝑃(𝑍𝑖 )
1 2 2 1
= 3 ∗ ( ) + 7 ∗ ( ) + 11 ∗ ( ) + 15 ∗ ( )
6 6 6 6
1 7 11 5 54
= + + + = =9
2 3 3 2 6
𝜎𝑧2 = 𝑉𝑎𝑟(𝑍) = 𝐸 (𝑍 2 ) − 2𝑧
𝐸 (𝑍 2 ) = ∑ 𝑍𝑖2 𝑃(𝑍𝑖 )
1 2 2 1
= 32 ∗ ( ) + 72 ∗ ( ) + 112 ∗ ( ) + 152 ∗ ( )
6 6 6 6
1 2 2 1 574
= 9 ∗ ( ) + 49 ∗ ( ) + 121 ∗ ( ) + 225 ∗ ( ) = = 95,67
6 6 6 6 6
𝜎𝑧2 = 𝑉𝑎𝑟(𝑍) = 𝐸 (𝑍 2 ) − 2𝑧
= 95,67 − 92
= 95,67 − 81 = 14,67
𝜎𝑧 = √𝑉𝑎𝑟(𝑍)
= √14,67 = 3,83
𝐸 (𝑍 ) = 𝐸 ( 𝑋 + 𝑌 ) = 𝐸 ( 𝑋 ) + 𝐸 (𝑌 )
Además 𝐸 (𝑍) = 𝐸 (𝑋 + 𝑌) = 9 = 7 + 2 = 𝐸 (𝑋) + 𝐸(𝑌)
Por otra parte 𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌) = 11,67 + 1 = 12,67 ≠ 𝑉𝑎𝑟(𝑍)
Distribución conjunta (X, Y)
Sean X y Y variables aleatorias de un espacio muestral S con sus respectivos conjuntos imagen.
𝑋(𝑆) = {𝑋1 , 𝑋2 , … , 𝑋𝑛 } 𝑌(𝑆) = {𝑌1 , 𝑌2 , … , 𝑌𝑛 }
Pareja ordenada (𝑋𝑖 , 𝑌𝑖 ) como 𝑃(𝑋 = 𝑋𝑖 𝑌 = 𝑌𝑗 )
EJERCICIO
Se lanza un par de dados corrientes. Obtenemos el espacio equiprobable finito S que esté
formado por 36 parejas ordenadas de números entre 1 y 6:
(1,1),(1,2), (1,3),(1,4),(1,5),(1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6)

S= (3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6)
(5,1), (5,2), (5,3), (5,4), (5,5),(5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)
Sean X y Y las variables aleatorias de S donde X designa el máximo número y Y la suma de los
números de cada punto de S.
Y
2 3 4 5 6 7 8 9 10 11 12 Suma
X
1 1
1
36 36
2 1 3
2
36 36 36
2 2 1 5
3
36 36 36 36
2 2 2 1 7
4
36 36 36 36 36
2 2 2 2 1 9
5
36 36 36 36 36 36
2 2 2 2 2 1 11
6
36 36 36 36 36 36 36
1 2 3 4 5 6 5 4 3 2 1
Suma 1
36 36 36 36 36 36 36 36 36 36 36
Correlación de X y Y 𝐶𝑂𝑉(𝑋, 𝑌)
𝑃(𝑋, 𝑌) =
𝜎𝑥 𝜎𝑦
𝐶𝑂𝑉 (𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝑋 𝑌
𝐸 (𝑋𝑌) = ∑ 𝑋𝑖 𝑌𝑔 ℎ(𝑋𝑖 𝑌𝑔 )
1 2 1 2 2 1 2
=1∗2∗ +2∗3∗ +2∗4∗ +3∗4∗ +3∗5∗ +3∗6∗ +4∗5∗ +4
36 36 36 36 36 36 36
2 2 1 2 2 2
∗6∗ +4∗7∗ +4∗8∗ +5∗6∗ +5∗7∗ +5∗8∗ +5∗9
36 36 36 36 36 36
2 1 2 2 2 2
∗ + 5 ∗ 10 ∗ +6∗7∗ +6∗8∗ +6∗9∗ + 6 ∗ 10 ∗ + 6 ∗ 11
36 36 36 36 36 36
2 1
∗ + 6 ∗ 12 ∗
36 36
1 1 2 2 5 1 10 4 14 8 5 35 20 5 25 7 8 10 11
= + + + + + + + + + + + + + + + + +3+ +
18 3 9 3 6 2 9 3 9 9 3 18 9 2 18 3 3 3 3
+2
308
= = 34,22
9
𝐶𝑂𝑉 (𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝑋 𝑌
𝑋 = 4,47 (ejemplo 1)
𝑌 = 7
𝐶𝑂𝑉 (𝑋, 𝑌) = 34,22 − (4,47 ∗ 7)
= 34,22 − 31,29 = 2,93
La Correlación
𝐶𝑂𝑉(𝑋, 𝑌)
𝑃(𝑋, 𝑌) =
𝜎𝑥 𝜎𝑦
𝜎𝑥 = 1,41(𝐄𝐣𝐞𝐦𝐩𝐥𝐨 𝟐)
𝜎𝑦 = 2,41
2,93 2,93
𝑃(𝑋, 𝑌) = = = 0,86
1,41 ∗ 2,41 3,40
EJERCICIO
Considérese la distribución conjunta X y Y siguiente:
Y
-4 2 7 Suma
X
1 1 1 1
1
8 4 8 2
1 1 1 1
5
4 8 8 2
3 3 1
Suma
8 8 4
Hallar 𝐸(𝑋) y 𝐸(𝑌); 𝐶𝑂𝑉(𝑋, 𝑌);𝜎𝑥 𝜎𝑦 𝑃(𝑋, 𝑌)
X 1 5
1 1
f(X)
2 2
Y -4 2 7
3 3 1
g(Y)
8 8 4
𝑋 = 𝐸 (𝑋) = ∑ 𝑋𝑖 𝑓(𝑋𝑖 )
𝑖=1
1 1
= 1∗ +5∗
2 2
1 5
=2+2 =3
𝑌 = 𝐸 (𝑌) = ∑ 𝑌𝑖 𝑔(𝑌)
3 3 1
= −4 ∗ + 2 ∗ + 7 ∗
8 8 4
3 3 7
=− + + =1
2 4 4
𝐶𝑂𝑉 (𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝑋 𝑌
1 1 1 1 1 1
= 1 ∗ (−4) ∗ + 1 ∗ 2 ∗ + 1 ∗ 7 ∗ + 5 ∗ (−4) ∗ + 5 ∗ 2 ∗ + 5 ∗ 7 ∗
8 4 8 4 8 8
1 1 7 5 35 3
= − + + + (−5) + + =
2 2 8 4 8 2
𝐶𝑂𝑉 (𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝑋 𝑌
3
𝐶𝑂𝑉 (𝑋, 𝑌) = − (3 ∗ 1) = −1,5
2
𝑉𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − 2𝑥 𝑉𝑎𝑟(𝑌) = 𝐸(𝑌 2 ) − 2𝑦
𝐸 (𝑋 2)
= ∑ 𝑋𝑖2 𝑓(𝑋𝑖 ) 𝐸(𝑌 2 ) = ∑ 𝑌𝑖2 𝑔(𝑌)
𝑖=1
1 1
= 12 ∗ + 52 ∗ = 13
2 2 3 3 1
= (−4)2 ∗ + 22 ∗ + 72 ∗
8 8 4
𝑉𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − 2𝑥
3 3 1
= 16 ∗ + 4 ∗ + 49 ∗ = 19,75
8 8 4
= 13 − 32 = 4
𝑉𝑎𝑟(𝑌) = 𝐸(𝑌 2 ) − 2𝑦
𝜎𝑥 = √𝑉𝑎𝑟(𝑋)
= 19,75 − 12 = 18,75
𝜎𝑥 = √4 = 2
𝜎𝑦 = √𝑉𝑎𝑟(𝑌)
𝜎𝑦 = √18,75 = 4,33
La correlación
𝑃(𝑋, 𝑌) =
𝜎𝑥 𝜎𝑦
−1,5
𝑃(𝑋, 𝑌) = = −0,17
2 ∗ 4,33
EJERCICIO en Aula
Considérese la distribución conjunta de X y Y siguiente:
Y
-2 -1 4 5 Suma
X
1 0.1 0.2 0 0.3 0.6
5 0.2 0.1 0.1 0 0.4
Suma 0.3 0.3 0.1 0.3
Hallar 𝐸(𝑋) y 𝐸(𝑌); 𝐶𝑂𝑉(𝑋, 𝑌); 𝜎𝑥 𝜎𝑦 y 𝑃(𝑋, 𝑌)
X 1 5
f(X) 0.6 0.4
Y -2 -1 4 5
g(Y) 0.3 0.3 0.1 0.3
EJERCICIO
Considérese la distribución conjunta de X y Y siguiente:
Y
-2 -1 4 5 Suma
X
1 0.1 0.2 0 0.3 0.6
5 0.2 0.1 0.1 0 0.4
Suma 0.3 0.3 0.1 0.3
Hallar 𝐸(𝑋) y 𝐸(𝑌);𝐶𝑂𝑉(𝑋, 𝑌); 𝜎𝑥 𝜎𝑦 y 𝑃(𝑋, 𝑌)
X 1 5
f(X) 0.6 0.4
Y -2 -1 4 5
g(Y) 0.3 0.3 0.1 0.3
𝑋 = 𝐸 (𝑋) = ∑ 𝑋𝑖 𝑓(𝑋𝑖 )
𝑖=1
= 1 ∗ 0,6 + 5 ∗ 0,4
= 0,6 + 2 = 2,6
𝑌 = 𝐸 (𝑌) = ∑ 𝑌𝑖 𝑔(𝑌)
= (−2) ∗ 0,3 + (−1) ∗ 0,3 + 4 ∗ 0,1 + 5 ∗ 0,3 = 1
𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝑋 𝑌
= 1 ∗ (−2) ∗ 0,1 + 1 ∗ (−1) ∗ 0,2 + 1 ∗ 4 ∗ 0 + 1 ∗ 5 ∗ 0,3 + 5 ∗ (−2) ∗ 0,2 + 5 ∗ (−1) ∗ 0,1 +

5 ∗ 4 ∗ 0,1 + 5 ∗ 5 ∗ 0
= (−0,2) + (−0,2) + 0 + 1,5 + (−2) + (−0,5) + 2 + 0 = 0,6
𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸 (𝑋𝑌) − 𝑋 𝑌
= 0,6 − 2,6 ∗ 1
= 0,6 − 2,6 = −2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − 2𝑥 𝑉𝑎𝑟(𝑌) = 𝐸(𝑌 2 ) − 2𝑦
𝐸(𝑋 2 ) = ∑ 𝑋𝑖2 𝑓(𝑋𝑖 ) 𝐸(𝑌 2 ) = ∑ 𝑌𝑖2 𝑔(𝑌)

𝑖=1
2 2
= (−2)2 ∗ 0,3 + (−1)2 ∗ 0,3 + 42 ∗ 0,1 + 52 ∗ 0,3
= 1 ∗ 0,6 + 5 ∗ 0,4
= 0,6 + 10 = 10,6 = 10,6
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − 2𝑥 𝑉𝑎𝑟(𝑌) = 𝐸(𝑌 2 ) − 2𝑦
= 10,6 − 2,62 = 3,84 = 10,6 − 12 = 9,6
𝜎𝑥 = √𝑉𝑎𝑟(𝑋) 𝜎𝑦 = √𝑉𝑎𝑟(𝑌)
𝜎𝑥 = √3,84 = 1,96 𝜎𝑦 = √9,6 = 3,1
La correlación
𝑃 (𝑋, 𝑌) =
𝜎𝑥 𝜎𝑦
−2
= = − 0,33
1,96 ∗ 3,1
DISTRIBUCIÓN BINOMIAL
Consideremos pruebas repetidas e independientes de un experimento con dos resultados;
llamemos a uno de los resultados favorable o éxito y al otro desfavorable o fracaso.
Sea p = Favorable o éxito (probabilidad de que ocurra)
q = 1 — p Desfavorable o fracaso(probabilidad de que no ocurra)
Teorema La probabilidad de K éxitos, exactamente en n pruebas repetidas se expresa por:
𝑛
𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
𝑛!
= ∗ 𝑃𝑘 . 𝑞 𝑛−𝑘
𝐾! (𝑛 − 𝐾 )!
La probabilidad desfavorable es qn y por consiguiente, la probabilidad de por lo menos un éxitoes
1 — qn
EJERCICIO
Un evento tiene 55% de probabilidades de ocurrir cada vez que alguien entra a determinado
hospital.
¿Cuál es la probabilidad de que dicho evento suceda en 2 de 5 personas ingresadas hoy?
p= 55% = 0,55 (probabilidad de que ocurra el evento)
q = 45% = 0,45 (probabilidad de que no ocurra el evento)
k= 2 (total de éxitos)
n=5 (total de experimentos)
𝑛
𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
5
𝑏(2; 5, 0.55) = ( ) ∗ 0,552 ∗ 0,455−2
2
5!
= 2!(5−2)! . 0,552 . 0,453
5!
=
2!∗3!
5.4.3.2.1
= 2.1∗3.2.1
20
= 2
= 10 * 0,552 . 0,453
= 10 * 0,30 * 0,09
= 0,27= 27%es la probabilidad de que dicho evento suceda
EJERCICIO
Se lanza una moneda 6 veces o 6 monedas una sola vez, llamamos cara a un éxito. Por
consiguiente:
Moneda C S
𝑛=6
1
p= 2
1
p=𝑞=
2
(i) La probabilidad de que sucedan 2 caras es:
𝐾=2
𝑛
𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
1 6 1 2 1 6−2=4
𝑏 (2; 6, ) = ( ) ( ) ( )
2 2 2 2
6 1 2 1 4
= ( )( ) ( )
2 2 2
𝑛!
= ∗ 𝑃𝑘 . 𝑞 𝑛−𝑘
𝐾! (𝑛 − 𝐾 )!
6! 1 1
= ∗ ( )( )
2! (6 − 2)! 4 16
6! 1 1
= ∗ ( )( )
2! ∗ 4! 4 16
6.5.4.3.2.1 1 1
= ∗ ( )( )
2.1 ∗ 4.3.2.1 4 16
30 1 1
= ∗( )∗( )
2 4 16
1
=15* 64
15
= 64 = 0.23 = 23%es la probabilidad de que sucedan 2 caras
(ii) La probabilidad de conseguir por lo menos 4 caras (𝐾 = 4, 5 𝑜 6) es:
n= 6
1 𝑛!
p=2
𝐾! (𝑛 − 𝐾 )!
1
q=2
𝑛
1 1 1 𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝑏 (4; 6, ) + 𝑏 (5; 6, ) + 𝑏 (6; 6, ) 𝐾
2 2 2
6 1 4 1 2 6 1 5 1 1 6 1 6 1 0
= ( )( ) ( ) + ( )( ) ( ) + ( )( ) ( )
4 2 2 5 2 2 6 2 2
6! 1 1 6! 1 1 6! 1
= ∗( )∗( )+ ∗( )∗( )+ ∗( )∗ 1
4! (6 − 4)! 16 4 5! (6 − 5)! 32 2 6! (6 − 6)! 64
720 1 1 720 1 1 720 1
= ( )( ) + ( )( ) + ( )1
4! ∗ 2! 16 4 5! ∗ 1! 32 2 6! ∗ 0! 64
720 1 1 720 1 1 720 1
= ( )( ) + ( )( ) + ( )1
48 16 4 120 32 2 720 64
1 1 1 1 1
= 15 ( )( ) + 6 ( )( ) + 1 ( ) 1
16 4 32 2 64
15 6 1
= + +
64 64 64
15+6+1 22 11
= = 64 = 32 = 0,34 = 34% es la probabilidad de conseguir por lo menos 4 caras
64
(iii) La probabilidad de no caras en las 6 tiradas de 1 moneda (o sea todos fracasos) es

𝑞𝑛
𝑞6
1 6 1
( ) = y por lo tanto la probabilidad de una cara por lo menos es 1 − 𝑞 𝑛
2 64
1 64−1 63
1 − 64 = = 64 = 0,98 = 98%
64
Teorema
Distribución binomial
Media  = 𝑛 .p
Varianza 𝜎 2 = 𝑛. p . 𝑞
Desviación estándar 𝜎 = √𝑛. p. 𝑞
EJERCICIO
Un dado se lanza 180 veces, ¿cuál es el número esperado de seises?
Calcular: , Varianza y Desviación estándar
EJERCICIO
Un dado se lanza 180 veces, ¿cuál es el número esperado de seises?
Calcular: , Varianza y Desviación estándar
S = 1,2,3,4,5,6
𝑛 = 180180k
1
p=
6
𝑞 = 1−p
1 6−1 5
𝑞 = 1−6 = =6
6
 = 𝑛 .p 𝜎 2 = 𝑛. p . 𝑞 𝜎= 𝑛. p. 𝑞
1 180
 = 180 ∗ = = 30 1 5
6 6 𝜎 = √25 = 5
𝜎 2 = 180 ∗ ∗
6 6
900
= = 25
36
EJERCICIO
En la ciudad de La Paz en el mes de Abril, la lluvia cae con un promedio de uno cada cuatro días,
durante los que el cielo está nublado. Determine la distribución de probabilidad del número de
días con lluviaentre los cuatro próximos días nublados, suponiendo que se cumpla
independencia.
Encuentre la media y varianza.
La variable aleatoria X está definida por:

X = número de días con lluvia durante 4 díasnublados
𝑅𝑥 = {0, 1, 2,3,4}
Observar si llueve o no cada uno de los 4 días nublados por lo tanto solo se tienen 2 resultados
posibles
E = día con lluvia (esta nublado) F= día sin lluvia (esta nublado)
1
p= q= 1-p
4
1 3 K = 0, 1, 2, 3, 4
q=1-4= 4
n= 4
𝑛
𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
1 4 1 0 3 4−0 1 4 1 1 3 4−1 1 4 1 2 3 4−2

𝑏 (0; 4, ) = ( ) ( ) ( ) + 𝑏 (1; 4, ) = ( ) ( ) ( ) + 𝑏 (2; 4, ) = ( ) ( ) ( )
4 0 4 4 4 1 4 4 4 2 4 4
1 4 1 3 3 4−3 1 4 1 4 3 4−4
𝑏 (3; 4, ) = ( ) ( ) ( ) + 𝑏 (4; 4, ) = ( ) ( ) ( )
4 3 4 4 4 4 4 4
1 3
=1 *1 *0.32 + 4 ∗ (4) *0.42 +6 ∗ 0.06 *0.56 + 4 ∗0.02 *(4) + 1 ∗ 3,91 x10−3 *1
= 0.32+0.42+ 0.202 + 0.06 +3,91 x10−3
=1
 = 𝑛.p 𝜎 2 = 𝑛. p . 𝑞
1
=4*4=1
1 3 3
=4 * 4 ∗ 4 = = 0.75
4
EJERCICIO
1
Un dado se lanza 7 veces. Llamemos a un lanzamiento un éxito si sale 5 o un 6 y es igual a 3
n= 7
1
p= 3
2
q= 1 –p= 3
(i) La probabilidad de que un 5 o 6 salga 3 veces K= 3
𝑛
𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
1 7 1 3 2 4
𝑏( 3 ; 7 , ) = ( ).( ) .( )
3 3 3 3
=0.256 = 25,6% es la probabilidad de que salga un 5 o 6 3 veces

(ii) La probabilidad de que un 5 o 6 no salga (o sea, todos fracasos), es:
𝑞𝑛
𝑞7
2 7 128
(3) = 2187 = 0.06 = 6%
Por consiguiente la probabilidad de que 5 o 6 salga una vez por lo menos es
1- 𝑞 𝑛
2 7 2059
1− ( ) = = 0,94 = 94%
3 2187
EJERCICIO
Un examen consta de 10 preguntas a las que hay que contestar si o no. Suponiendo que a las
personas a las que se les aplica no saben la respuesta de ninguna de las preguntas y, en
consecuencia, contestan al azar, hallar:
a) Probabilidad de obtener 5 aciertos
b) Probabilidad de obtener algún acierto p ( x 1)
c) Probabilidad de obtener al menos 5 aciertosp ( x 5)
Solución:
1
E = acertar la pregunta = p (A) =2
1
F = no acertar la pregunta = q =p ( 𝐴̅ ) = 2
n = 10
a) Probabilidad de obtener 5 aciertos k= 5 𝑛

𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
1 10 1 5 1 5
𝑏 ( 5 ; 10 , ) = ( ) . ( ) . ( )
2 5 2 2
= 24.6%
b) Probabilidad de obtener algún aciertop ( x1)
p (x1) = p( K = 1) + p ( K = 2)+ p( K = 3) + p(K = 4) + … + p ( K = 10)
Sucesos contrarios:
p (x1) = 1 - p( k = 0)
p( k = 0)
𝑛
𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
1 10 1 0 1 10
𝑏 (0 ; 10 , ) = ( ) . ( ) . ( )
2 0 2 2
10 1
=( ).1 .( )
0 1024
10! 1
= ∗
0! ( 10 − 0 )! 1024
10! 1
= ∗
0!.10! 1024
1
=1. = 0,0010
1024
p ( x1) = 1 – 0,0010
= 0,999 = 99,9% es la probabilidad de obtener algún acierto
c) Probabilidad de obtener al menos 5 aciertosp ( x 5)

p ( x5) = p( K = 5) + p ( K = 6)+ p( K = 7) + p ( K = 8) + p ( K = 9)+ p ( K = 10))
1 1 1 1 1 1
(5 ; 10, ) + (6 ; 10, ) + (7 ; 10, ) + (8 ; 10, ) + (9 ; 10, ) + (10 ; 10, )
2 2 2 2 2 2
𝑛
𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
10 1 5 1 5 10 1 6 1 4 10 1 7 1 3 10 1 8 1 2
( ).( ) .( ) + ( ).( ) .( ) + ( ).( ) .( ) + ( ).( ) .( )
5 2 2 6 2 2 7 2 2 8 2 2
9 1 10 0
10 1 1 10 1 1
+( ).( ) .( ) + ( ).( ) .( )
9 2 2 10 2 2
= 0,246 + 0,205 + 0,117 + 0,044 + 9,77 𝑥10−3 + 9,77 𝑥10−4
= 0,622 = 62,2% es la probabilidad de obtener al menos 5 aciertos
EJERCICIO
El último libro de un autor ha tenido un gran éxito hasta el punto de que el 80% de los chicos de
la universidad ya lo han leído. Un grupo de 4 amigos son aficionados a la lectura. ¿Cuál es la
probabilidad de que en el grupo, 2 hayan leído el libro?
𝑝= 80% = 0,8
𝑛
q= 20% q= 1-p = 1-80% = 20% = 0,2 𝑏(𝐾; 𝑛, p) = ( ) . p𝑘 . 𝑞 𝑛−𝑘
𝐾
n= 4
k= 2 4
= ( ) . 0,82 ∗ 0,24−2
2
4
= ( ) . 0,82 ∗ 0,22
2
= 0,154 = 15,4%
Distribución Hipergeométrica
Sin reemplazamiento
ÉXITO o Fracaso
n X
M M
N =Tamaño de la población (𝑴 𝑵−𝑴
𝑿 )( 𝒏−𝑿 )
ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
(𝑵
𝒏)
n =Tamaño de la muestra
M =Todos o la cantidad de elementos que cumplen la característica deseada
x = cantidad de éxitos
𝑀 𝑀 𝑀 𝑁−𝑛
𝐸 (𝑥 ) = 𝑛 ( ) 𝑉𝑎𝑟(𝑥 ) = 𝑛 [ ] [1 − ] [ ]
𝑁 𝑁 𝑁 𝑁−1
Consideremos el siguiente experimento, “extraer una muestra de tamaño n sin reemplazamiento

de una población finita de N elementos” cada extracción tiene solo 2 resultados posibles Error o
Fracaso
El resultado de una observación es afectado por los resultados de las observaciones previas, es
decir, los resultados de los ensayos no son independientes y la probabilidad de éxito p [E] no es
constante de ensayo a ensayo. El experimento, así definido se llama “experimento
hipergeométrico”.
Cada ensayo o repetición del experimento no es independiente de los demás,puesto que si
tenemos 40 elementos y extraemos 4, es decir, siempre tendremos en cuenta el número inicial
con que se hizo el experimento.
Ejemplo
Una fábrica de vehículos, en la última semana produjo 17 vehículos de los cuales,se tomó una
muestra aleatoria de 7 vehículos para su control. El ingeniero de la planta, indica al gerente que 8
de los 17 vehículos tienen una levefalla en el motor. Cuál es la probabilidad de que en la muestra
encuentren:
a) Exactamente 3 con fallas en el motor X= 3
M = 8 con fallas en el motor

8 FALLA 8
= 9 sin fallas en el motor
N= 17
SIN FALLA 9
SIN FALLA 9
n= 7
a) Exactamente 3 con fallas en el motorX= 3
(𝑴
𝑿 )(𝑵−𝑴
𝒏−𝑿 )
ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
(𝑵
𝒏)
(𝟖𝟑)(𝟏𝟕−𝟖
𝟕−𝟑
)
ℎ(𝟑, 𝟏𝟕, 7, 8) =
(𝟏𝟕
𝟕
)
(𝟖𝟑)(94)
=
(𝟏𝟕
𝟕)
nCr
882
= = 0,3628 = 36,28%
2431
La probabilidad de que en la muestra
encuentren 3 fallas en el motor es de 𝟑𝟔, 𝟐𝟖%
b) A lo mucho 2 con fallas en el motor X  2
p(x=0) + p(x= 1) + p(x=2)
(𝑴
𝑿 )(𝑵−𝑴
𝒏−𝑿 )
ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
(𝑵
𝒏)
(𝟖𝟎)(𝟏𝟕−𝟖
𝟕−𝟎 ) (𝟖𝟏)(𝟏𝟕−𝟖
𝟕−1 ) (𝟖𝟐)(𝟏𝟕−𝟖
𝟕−2 )
= + +
(𝟏𝟕
𝟕) (𝟏𝟕
𝟕) (𝟏𝟕
𝟕)
(𝟖𝟎)(97) (𝟖𝟏)(96) (𝟖𝟐)(95)

= + +
(𝟏𝟕
𝟕) (𝟏𝟕
𝟕) (𝟏𝟕
𝟕)
9 84 441
= 4862 + +
2431 2431
= 0,2178 = 21,78%
La probabilidad de que en la muestra encuentren a lo mucho 2 fallas en el motor es de 21,78%
c) Por lo menos 3 con fallas en el motor X  3

X = {3,4,5,6,7}
0, 1, 2, 3, 4, 5, 6, 7
p(A) = 1 – p(𝐴̅)
1 – 0,2178 = 0,7822
= 1 – p ( x2)
= 1 – 0,2178
= 0,7822 = 78,22%
La probabilidad de que en la muestra encuentren por lo menos 3 con fallas en el motor es de
78,22%
d) Exactamente 3 sin fallas en el motor X = 3M=9
(𝑴
𝑿 )( 𝑵−𝑴
𝒏−𝑿 )
ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
(𝑵
𝒏)
(𝟗𝟑)(𝟏𝟕−𝟗
𝟕−3
)
=
(𝟏𝟕
𝟕
)
(𝟗𝟑)(𝟖𝟒)
=
(𝟏𝟕
𝟕
)
= 0,3023 = 30,23%
La probabilidad de que en la muestra encuentren exactamente 3automóviles sin fallas en el
motor es de 30,23%
 Calcular laesperanza matemática, la Varianza y la desviación estándar de los vehículos

entregados con fallas en el motor en la muestra
𝑀 𝑀 𝑀 𝑁−𝑛
𝐸 (𝑥 ) = 𝑛 ( ) 𝑉𝑎𝑟(𝑥) = 𝑛 [ ] [1 − ] [ ]
𝑁 𝑁 𝑁 𝑁−1
8
𝐸 (𝑥 ) = 7 ∗ ( ) 8 8 17 − 7
17 𝑉𝑎𝑟(𝑥 ) = 7 [ ] [1 − ] [ ]
17 17 17 − 1
= 3,29
8 8 10
=7 [ ] [1 − ] [ ]
17 17 16
= 1,09
𝑀 𝑀 𝑁−𝑛
𝜎 = √𝑛 [ ] [1 − ] [ ]
𝑁 𝑁 𝑁−1
σ = √1,09= 1,04
EJERCICIO
En una jaula hay 30 pericos rusos y 20 pericos chinos, si extraemos 10 pericos al azar. Calcular la
posibilidad de que 3 de ellos hablen chino (característica deseada)
Datos
N =30 +20= 50
n = 10
(𝑴 𝑵−𝑴
𝑿 )( 𝒏−𝑿 )
ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
M = 20 (𝑵
𝒏
)
X=3
(20
3
)(50−20
10−3
)
𝑝 (𝑋 = 3) =
(50
10
)
(20
3
)(30
7
)
𝑝( 𝑋 = 3 ) =
(50
10
)
20! 30!
∗
3!∗(20−3)! 7!( 30−7)!
= 50!
10(50−10)!
20! 30!
∗
3!∗17! 7!∗23!
= 50!
10!∗40!
= 0,2259 = 22,59%
La posibilidad de que 3 de ellos hablen chino es de 22,59%
EJERCICIO
En una caja hay 12 productos de los cuales 3 están defectuosos. Si se seleccionan 4 objetos al
azar. ¿Cuál es la probabilidad de obtener 2 productos defectuosos?
Datos
(𝑴 𝑵−𝑴
𝑿 )( 𝒏−𝑿 )
N=12 ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
(𝑵
𝒏)
EJERCICIO
De un grupo de 3 mujeres y 2 hombres, se quiere formar un comité de 3 personas. ¿Cuál es la
probabilidad de que dos de los tres miembros del comité sean mujeres?
Datos
N =5
(𝑴 𝑵−𝑴
𝑿 )( 𝒏−𝑿 )
ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
n=3 (𝑵
𝒏
)
M=3
X=2
(𝟑 𝟓−3
𝟐) (𝟑−2)
𝑝( 𝑋 = 2 ) =
(𝟓
𝟑)
(𝟑 𝟐
𝟐) ( 𝟏)
𝑝( 𝑋 = 2 ) =
(𝟓
𝟑)
3∗2
𝑝 (𝑋 = 2) = = 0,6 = 60%
10
= 60% 𝑒𝑠 la probabilidad de que dos de los tres miembros del comité sean mujeres
EJERCICIO
Una urna contiene 10 canicas de las cuales cinco son verdes, dos son azules y tres son rojas. Tres
canicas se van a sacar de la urna, una a la vez sin reemplazo. ¿Cuál es la probabilidad de que las
tres canicas sacadas sean verdes?
Datos
N= 10 (𝑴
𝑿 )(𝑵−𝑴
𝒏−𝑿 )
ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
n= 3 (𝑵
𝒏)
M= 5
X= 3 (𝟓𝟑)(𝟏𝟎−5
𝟑−3 )
𝑝( 𝑋 = 3 ) =
(𝟏𝟎
𝟑)
(𝟓𝟑)(𝟓𝟎)
𝑝( 𝑋 = 3 ) =
(𝟏𝟎
𝟑)
10∗1
𝑝( 𝑋 = 3 ) = = 121 = 0.0833 = 8.33%
120
La probabilidad de que las tres canicas sacadas sean

verdes es del 8.33%
EJERCICIO
Considerando que en una urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si se
seleccionan 4 objetos al azar, ¿cuál es la probabilidad de que 2 sean defectuosos?
Datos
(𝑴 𝑵−𝑴
𝑿 )( 𝒏−𝑿 )
N= 10 ℎ(𝑿𝑖, 𝑵, 𝒏, 𝑴) =
(𝑵
𝒏)
n= 4
M= 3
(𝟑𝟐)(𝟏𝟎−3
𝟒−2 )
𝑝( 𝑋 = 2 ) =
X= 2 (𝟏𝟎
𝟒)
(𝟑𝟐)(𝟕𝟐)
𝑝( 𝑋 = 2 ) =
(𝟏𝟎
𝟒)
3∗21
𝑝( 𝑋 = 2 ) = = 103 = 0.3 = 30%
210
La probabilidad de que 2 sean defectuosos es del 30%

08-02-2022 ESTADÍSTICA II - Programa-Fusionado

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

08-02-2022 ESTADÍSTICA II - Programa-Fusionado

Cargado por

Copyright:

Formatos disponibles

PLAN DE ASIGNATURA

CARRERA: INGENIERÍA DE SISTEMAS

Período Académico 1 - 2022

RECTOR MSc. Carlos Aquino Rubín de Celis

En la ingeniería, los problemas a resolver presentan cambios e incertidumbre, que se reflejan en

III. OBJETIVO DE LA ASIGNATURA

Aplicar correctamente los modelos probabilísticos en la resolución de problemas de cualquiera de las

Identificar el tipo de variable y su distribución para asociar a la probabilidad y a sus reglas

Valorar la importancia de la probabilidad en el comportamiento de las distribuciones relacionadas con

- INTRODUCCION A LA TEORIA DE LAS PROBABILIDADES

- VARIABLES ALEATORIAS DISCRETAS Y ALGUNOS MODELOS DE PROBABILIDAD

- VARIABLES ALEATORIAS COINTINUAS Y ALGUNOS MODELOS DE PROBABILIDAD

- INTRODUCCION AL MUESTREO Y DISTRIBUCIONES MUESTRALES

1 INTRODUCCION A LA TEORIA DE LAS PROBABILIDADES

Experimento, resultados y conjuntos

Introducción a la probabilidad: experimento aleatorio, espacios muestrales, eventos

Definición de probabilidades: Frecuentista y axiomática

Regla aditiva y multiplicativa

2 VARIABLES ALEATORIAS DISCRETAS Y ALGUNOS MODELOS DE PROBABILIDAD

Definición- función de probabilidad o cuantía ? función de distribución

Valores esperados. Propiedades

Distribución Binomial- característica y usos de la binomial

3 VARIABLES ALEATORIAS COINTINUAS Y ALGUNOS MODELOS DE PROBABILIDAD

Definición- función de probabilidad o densidad ? función de distribución

Valores esperados. Propiedades

Distribución Normal- característica y uso de tablas de la normal

Funciones de probabilidad bivariantes

Esperanza bivariantes - Covarianza

4 INTRODUCCION AL MUESTREO Y DISTRIBUCIONES MUESTRALES

Introducción y diseños muestrales

Distribución muestral de algunos estimadores

Teorema Central del límite

Aplicaciones. ? distribución T Student. Tablas

Estimación puntual. Propiedades

Intervalos de confianza para la media con varianza conocida y desconocida

Intervalo de confianza para varianza

Intervalo de confianza para las proporciones

Determinación del tamaño de la muestra

Introducción y conceptos básicos

Procedimiento estándar de las pruebas de hipótesis

Medición de bondad de ajuste y potencia de la dócima

Pruebas para la proporción

Pruebas para la varianza

La bondad de ajuste. Tablas de contingencia

FECHA UNIDADES Y TEMAS AVANCE ACTIVIDADES MÉTODOS APOYO

24/03/2022 VARIABLES ALEATORIAS DISCRETAS 3.08 % 1.Explicación Método

28/04/2022 VARIABLES ALEATORIAS 3.64 % 1.Explicación Método

VI. ORIENTACIONES METODOLÓGICAS DE ENSEÑANZA - APRENDIZAJE

Resolución de problemas estadísticos de diferente complejidad

Clase magistral participativa

VII. ORIENTACIONES METODOLOGICAS PARA LA EVALUACIÓN

EVALUACIÓN INICIAL O DIAGNÓSTICA (INICIO DEL SEMESTRE O DE UN TEMA)

Pruebas (ejercicios, estudio de casos o pruebas orales y/o escritas)

EVALUACIÓN FORMATIVA (DURANTE LA CLASE)

Resolución de problemas o ejercicios

EVALUACIÓN SUMATIVA (LOGRO DE APRENDIZAJE)

Examen individual escrito

(2014) Probabilidad y Distribución. WikiBooks. [en línea]

RITA ROXANA . TORRICO

Si cada elemento de A ∈ también al conjunto B esto es, si p ∈ A implica que p ∈ B. Entonces se

B = { X :X es un número primo X< 15}

B = {1, 2, 3, 5, 7, 11, 13}

Todos los conjuntos se suponen subconjuntos de un conjunto llamado “conjunto universo” U