02 Estadistica - Probabilidades

Ing. Eduardo Hernández Mgs.
▪ Ex jefe del Taller Mecánico de Plasticaucho Industrial S.A.

▪ Ex Sub director de Mantenimiento de Bioalimentar Cía. Ltda.
▪ Ex coordinador de la comisión de Investigación de la Carrera de Ing. de Mantenimiento.
▪ Ex coordinador de la comisión de Rediseño Curricular de la Carrera de Ing. de
Mantenimiento.
▪ Docente en la Facultad de Mecánica de la ESPOCH de Diagnóstico técnico de máquinas y
Gestión del mantenimiento.
▪ Miembro de la comisión de carrera de Mantenimiento Industrial.
▪ Miembro de la comisión de investigación y vinculación de la Facultad de Mecánica.
▪ Coordinador del convenio y proyecto de vinculación “Monitoreo de la condición de los
equipos e instalaciones de las Unidades Médicas Públicas de la Provincia de Chimborazo”.
▪ Coordinador del grupo de investigación de la ESPOCH “Ciencia del Mantenimiento”
CIMANT.
▪ Coordinador de proyectos de investigación para el desarrollo de nuevos métodos para la
alineación de ejes.
▪ Autor de varios artículos científicos indexados en Latindex, Scielo y Scimago.
▪ Consultor empresarial en el área del mantenimiento industrial.
Escuela Superior Politécnica de Chimborazo
Facultad de Mecánica
Estadística
Ing. Jose Granizo Ph.D.
Ing. Eduardo Hernández MSc.
CAPÍTULO II
TEORÍA DE LAS PROBABILIDADES
1. Definición y axiomas de probabilidad
2. Teorema de la probabilidad total y Teorema de Bayes
3. Permutaciones y combinaciones
4. Distribuciones de probabilidad
▪ Distribución binomial
▪ Distribución normal Distribución multinomial
▪ Distribución de Poisson
▪ Distribución de Weibull
▪ Distribución Gamma
CAPÍTULO II
DEFINICIÓN Y AXIOMAS DE PROBABILIDAD
La teoría elemental de probabilidades surgió en el siglo XVII en los trabajos de
Pascal, Fermat, y Huygens. Su desarrollo inicial se debe a la investigación de los
juegos de azar. En la actualidad la teoría de las probabilidades se ha convertido
en una ciencia sin la cual no puede desarrollarse la experimentación, la
astronomía, la estadística matemática, la teoría de la información, el control
estadístico de la calidad, la ingeniería de la confiabilidad, etc.
TIPOS DE EXPERIMENTOS
Deterministas
Si se repiten en las mismas
condiciones se puede conocer el
resultado.
▪ Dejar caer un objeto desde cierta
altura y ver el tiempo que tarda en
caer
▪ Calentar agua y ver a qué
temperatura hierve
▪ Recorrer determinada distancia
siempre a la misma velocidad y ver
el tiempo que tardas
TIPOS DE EXPERIMENTOS
Estocásticos
Aunque se repitan en las mismas
condiciones no se puede predecir
el resultado
▪ Tirar un dado y ver que número
sale
▪ Lanzar una moneda al aire y ver
si sale cara o cruz
▪ Extraer una carta de una baraja y
ver de qué palo es.
Espacio muestral
Es el conjunto de posibles resultados de un experimento aleatorio.
Se simboliza con la E
Para el experimento tirar un dado y ver qué numero sale:

E = {1, 2, 3, 4, 5,6}
Suceso
Es un subconjunto del espacio muestral.
Salga un nº par = {2, 4, 6}

Salga un nº mayor que 4= {5, 6}
Salga un múltiplo de 3 = {3, 6}
Salga un nº primo= {…………….}
Suceso elemental
Es el formado por un solo elemento del espacio muestral
Salga un A = {3}
Suceso compuesto
Es el formado por más de un elemento del espacio muestral
Salga un nº par = {2, 4, 6}
Suceso seguro
Es el que se cumple siempre que se realiza la experiencia.
Está el formado todos los elementos del espacio muestral: E
Salga un A = {1, 2, 3, 4, 5, 6}
Suceso imposible
Es el que se no se verifica nunca.
Se representa:  (conjunto vacío)
Salga un A = {7}
La probabilidad es un evento o suceso que puede ser improbable, probable o
seguro.
Es un método por el cual se obtiene la frecuencia de un acontecimiento

determinado mediante la realización de experimentos aleatorios, de los que se
conocen todos los resultados posibles, bajo condiciones suficientemente estables.
Regla de Laplace
Debe cumplirse que:

- El número de resultados posibles sea finito
- Los resultados sean sucesos elementales Una de cada 6.000 veces, la
- Los sucesos elementales sean equiprobables moneda cae de canto
𝑆𝑖 𝐸 = 𝑥1 , 𝑥2 , … , 𝑥𝑛 𝑦 𝑃 𝑥1 = 𝑃 𝑥2 = ⋯ = 𝑃 𝑥𝑛
Regla de Laplace
Regla de Laplace
LEY DE LOS GRANDES NÚMEROS
La probabilidad de un suceso es el número alrededor
del cual tiende a estabilizarse la frecuencia relativa del
suceso, cuando aumenta mucho el número de veces
que se realiza el experimento.
𝑁𝑠
𝑃 𝐴 = lim
𝑁 → +∞ 𝑁
Donde:
𝑵𝑺 = Número de veces que ocurre el evento
𝑵 = Numero de repeticiones del experimento
La probabilidad de un suceso A se representa P(A)
❑ Lanza una moneda 3 veces y haz una tabla de frecuencias relativas.

❑ Sigue calculando las frecuencias relativas si la lanzas 10 veces, 30
veces, 100 veces…
LEY DE LOS GRANDES NÚMEROS
𝑃 𝑆 = lim 𝑓𝑟 (𝑆)
𝑁 → +∞
Definición axiomática de Probabilidad
Axioma: verdad incuestionable que no necesita demostración.

Teorema: …sí necesita demostración.
4 𝑬
1º Axioma: 0 ≤ 𝑃(𝐴) ≤ 1 1
3
𝑨
Consecuencias: 𝑃 𝐸 =1 6 2 5
𝑃 ∅ =0
2º Axioma: La suma de las probabilidades de los sucesos elementales de
un experimento es 1
𝑷 𝑨𝟏 + 𝑷 𝑨𝟐 + 𝑷 𝑨𝟑 + … . +𝑷 𝑨𝒏 = 𝟏
𝑃 1 +𝑃 2 +𝑃 3 +𝑃 4 +𝑃 5 +𝑃 6 =1
𝑃 𝐴𝑛 = 1/6
1/6 + 1/6 + 1/6 + 1/6 + 1/6 + 1/6 = 1
Definición axiomática de Probabilidad
3º Axioma: la probabilidad de la unión de dos sucesos incompatibles…
𝐸
1 2 𝑷 𝑨∪𝑩 =𝑷 𝑨 +𝑷 𝑩 si 𝑨 ∩ 𝑩 = ∅
3 4 6 5
𝐴 = {1, 3}
Sucesos mutuamente excluyentes 𝐵 = {2, 4, 6}
Consecuencias ഥ =𝟏−𝑷 𝑨 →𝑸+𝑷=𝟏

𝑸 𝑨 =𝑷 𝑨
La suma de la probabilidad
y la no probabilidad, será 𝐴 = {5}
igual a uno (1er teorema) 𝑃 𝐴ҧ =? 𝐴ҧ = {1, 2, 3, 4, 6}
Probabilidad de la unión de sucesos compatibles:
𝐸 𝑷 𝑨 ∪ 𝑩 = 𝑷 𝑨 + 𝑷 𝑩 − 𝑷(𝑨 ∩ 𝑩)
1 2
4
3 6 𝐴 = {1, 3, 4}
5 𝐴 ∪ 𝐵 = {1, 2, 3, 4, 6}
Sucesos no excluyentes 𝐵 = {2, 4, 6}
EJEMPLOS
• Considere que A es extracción de un As de una baraja de cartas y
𝐵 es el suceso extracción un rey. ¿Cuál es la probabilidad de extracción de un As o
un rey?
4 4
𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵 = + = 0,15
52 52
Un As y un rey no pueden extraerse al mismo tiempo en una sola extracción, siendo
sucesos mutuamente excluyentes.
Pero si A es el suceso extracción de un rey, y B es el suceso extracción de

un brillo, entonces A y B no son sucesos mutuamente excluyentes, ya que
puede ser extraído un As o un brillo o puede resultar ambos casos a la
vez.
𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∗𝐵
4 13 1
+ − = 0,30
52 52 52
Se saca al azar una bola de una caja que contiene 10 rojas, 30 blancas, 20 azules y
15 naranja. Hallar la probabilidad de que la bola extraída sea (a) roja o naranja. (B)
ni roja ni azul, (c) no azul, (d) blanca y (e) roja blanca o azul
a) P(R U N) = 0,33
b) P(R' U A') = 1,00
c) P(A') = 0,73
d) P(B) = 0,40
e) P(R U B U A) = 0,80
Ahora si A y B son dos sucesos del espacio muestral, A es estadísticamente
independiente del suceso B, si se cumple que 𝑃 𝐴/𝐵 = 𝑃 𝐴
𝑃 𝐴∩𝐵 =𝑃 𝐴 ∙𝑃 𝐵
Pero si 𝑃 𝐴/𝐵 ≠ 𝑃 𝐴 ∙ 𝑃 𝐵 ; Entonces el suceso A es dependiente del suceso B
En una caja que contiene 10 bolas rojas, 30 blancas, 20 azules y 15

naranja; se saca una bola, se repone y se hace una nueva extracción.
Hallar la probabilidad de que:
• Ambas sean blancas
• La primera sea roja y la segunda sea blanca
• Ninguna sea naranja
• Ambas son rojas o blancas o una de cada una
• La segunda no sea azul
• La primera sea naranja
• Al menos una sea azul
• A lo sumo (al menos) una sea azul
• La primera sea azul pero la segunda no
• Solo una sea roja
EJEMPLOS
La probabilidad de que un hombre siga vivo dentro de 25 años es 3/5, y la de
que su esposa lo este es de 2/3. Hallar la probabilidad de que luego de 25 años:
a) ambos vivan, 𝑃 𝐻 = 3/5; 𝑃 𝑀 = 2/3
b) sólo el hombre viva,
c) sólo viva la esposa; y,
d) al menos uno este vivo.

PROBABILIDAD CONDICIONAL E INDEPENDENCIA DE SUCESOS
Si A y B son dos sucesos que se encuentran en un espacio muestral 𝑬 la probabilidad de
que ocurra A dado que ocurrió B se denota
𝑃 𝐴∩𝐵
𝑃 𝐴/𝐵 =
𝑃 𝐵
Esta fórmula representa la probabilidad condicional de A al ocurrir B
Ejemplo Se arroja un dado una sola vez el suceso B es la salida de un numero par y
suceso A salida de un 6, el suceso B es favorecido por 3 casos y el suceso 𝐴 ∩ 𝐵, un solo
caso.
𝑃 𝐴∩𝐵 1/6 1 𝑬
Entonces tendremos que: 𝑃 𝐴/𝐵 = = = 𝐴 1
𝑃 𝐵 3/6 3
2 𝐵
6
4
𝐴 ∩ 𝐵 = 𝑥 ∈ 𝐸 Τ𝑥 ∈ 𝐴 𝑦 𝑥 ∈ 𝐵
3
5
PROBABILIDAD CONDICIONAL E INDEPENDENCIA DE SUCESOS
SUCESOS COMPUESTOS
Su forma de cálculo para sucesos compuestos independientes será igual:

𝑃 𝐴∩𝐵∩𝐶 =𝑃 𝐴 ∙𝑃 𝐵 ∙𝑃 𝐶
Utilizando el concepto de probabilidad condicional puede escribir que:
𝑃 𝐴∩𝐵
𝑃 𝐴 /𝐵 =
𝑃 𝐵
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 ∙ 𝑃 𝐵 Τ𝐴 = 𝑃 𝐵 ∙ 𝑃 𝐴 Τ𝐵
Formula que se utiliza para sucesos compuestos dependientes y se conoce como el
teorema de TERCER TOREMA BÁSICO DE PROBABILIDADES.
▪ Lanzar una moneda y un dado son independientes

▪ Extrae dos bolas de una urna con reemplazamiento son independientes
▪ Extrae dos bolas de una urna sin reemplazamiento son dependientes
▪ Extraer dos cartas seguidas de una baraja son dependientes
CAPÍTULO II
DIAGRAMA DE ARBOL
Es un esquema que nos ayuda a ordenar los eventos. Si bien es el mas recomendable
para eventos en el futuro también funciona para otros casos y tiene otros usos, y de
aquí su gran importancia. ¿Cómo se arma?
Ejemplo: calcule la probabilidad de tirar 2 monedas y ambas salgan cara.
En cada rama se coloca la

prob. asociada a dicho C
½ La cantidad de elementos al final
evento.
del árbol es el Espacio Muestral.
½ C En este caso, E = 4
½ S
½ C
En cada nodo la suma de todas las
½ S
prob. que confluyen a él (todas las
Presente ramas) deben sumar 1.
½ S
Futuro1 En este caso, ½ + ½ = 1
Futuro2
DIAGRAMA DE ARBOL
¿Cómo se calcula?
1) Al subir un nivel las

2) Al encontrarse 2 o mas
probabilidades se ½ C ramas en el mismo nivel las
multiplican.
probabilidades se suman.
½ C En este caso: ½ + ½ =1
½ S
½ C
½ S
½ S
RTA: P(C;C) = ½ x ½ = ¼ (VER GRÁFICAMENTE)
METODO: elijo el camino que lleva a lo planteado (en este caso, que salga Cara y
Cara. Luego, multiplico o divido según las 2 reglas antes vistas.
DIAGRAMA DE ARBOL
Ejemplo: calcule la probabilidad de sacar una carta de copa, luego una de espada y por
último una de oro de un mazo de 40 cartas (sin reposición).
(sabrán entender por qué dibujo solo 2 cartas en la 2° extracción y solo 1 en la 3°….)
C
C
E
E
¼ C O
O 3°
¼ E carta B
¼ B
¼ O C
1° carta Camino a seguir para sacar
B E 1° una de Copa, 2° una de
O Espada y 3° una de Oro
2° carta
B
1 10 10 25
RTA: 𝑃 𝐶; 𝐸; 𝑂 = 4 ∙ 39 ∙ 38 = 1482 = 0,1687 = 16,87%
DIAGRAMA DE ARBOL
Ejemplo: en el mismo caso anterior, calcule la probabilidad de sacar una carta de copa,
luego una de espada y por último una de oro o de basto.
C
C
E
E
¼ C
O O
¼ E B
¼ B
¼ O C
B E
Una “o” la otra, cualquiera de las 2.
O Como están en el mismo nivel, se
suman. La suma esta relacionada con
B la unión, en este caso (O U B).
1 10 10 10 25
RTA: 𝑃 𝐶; 𝐸; 𝑂𝑈𝐵 = ∙ ∙ + = = 0,3374 = 33,74%
4 39 38 38 741
SUCESOS COMPUESTOS
SUCESOS COMPUESTOS
TEOREMA DE LA PROBABILIDAD TOTAL
Dados 𝑛 sucesos, 𝐴1 , 𝐴2 , … , 𝐴𝑛 que son incompatibles 𝐴1 𝐴2 𝐸
dos a dos y tales que 𝐴1 ∪ 𝐴2 ∪ ⋯ ∪ 𝐴𝑛 = 𝐸. 𝐵
𝐸 ≡ 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙
𝐴3
𝐸 = 𝐴1 ∪ 𝐴2 ∪ ⋯ ∪ 𝐴𝑛
𝐴1 , 𝐴2 , … , 𝐴𝑛 ⊂ 𝐸 / ቊ 𝐴 ∩ 𝐴 = ∅, ∀ 𝑖 ≠ 𝑗
𝑖 𝑗 (𝑠𝑢𝑐𝑒𝑠𝑜𝑠 𝒊𝒏𝒄𝒐𝒎𝒑𝒂𝒕𝒊𝒃𝒍𝒆𝒔 𝑑𝑜𝑠 𝑎 𝑑𝑜𝑠)
Entonces, para cualquier otro suceso 𝐵 ⊂ 𝐸: Sucesos

incompatibles
𝑃 𝐵 = 𝑃 𝐵 ∩ 𝐴1 ∪ 𝐵 ∩ 𝐴2 ∪ ⋯ ∪ 𝐵 ∩ 𝐴𝑛 ∴
𝑃 𝐵 se le llama probabilidad total
𝑃 𝐵 = 𝑃 𝐵 ∩ 𝐴1 + 𝑃 𝐵 ∩ 𝐴2 + ⋯ + 𝑃 𝐵 ∩ 𝐴3 ∴
𝑷 𝑩 = 𝑷 𝑨𝟏 ∙ 𝑷 𝑩/𝑨𝟏 + 𝑷 𝑨𝟐 ∙ 𝑷 𝑩/𝑨𝟐 + ⋯ + 𝑷 𝑨𝒏 ∙ 𝑷 𝑩/𝑨𝒏

Ejemplo: en una aula hay 15 alumnos varones de los cuales 5 están enfermos,
y 10 alumnas mujeres de las cuales 2 están enfermas.
a) Calcule la probabilidad de que un estudiante varón o mujer esté enfermo.
b) Calcule la probabilidad de que un estudiante varón o mujer esté sano.
E=25
HS = 10 MS = 8 a) 𝑃 𝐸 = 𝑃 𝐸 ∙ 𝑃 𝐻/𝐸 + 𝑃 𝐸 ∙ 𝑃 𝑀/𝐸
HE = 5 ME = 2 7 5 7 2 5 2 𝟕
∙ + ∙ = + =
25 7 25 7 25 25 𝟐𝟓
H: varón b) 𝑃 𝑆 = 𝑃 𝑆 ∙ 𝑃 𝐻/𝑆 + 𝑃 𝑆 ∙ 𝑃 𝑀/𝑆

M: mujer 18 10 18 8 10 8 𝟏𝟖
S: sano ∙ + ∙ = + =
25 18 25 18 25 25 𝟐𝟓
E: enfermo
y 10 alumnas mujeres de las cuales 2 están enfermas.
a) Calcule la probabilidad de que un estudiante varón o mujer esté enfermo.
b) Calcule la probabilidad de que un estudiante varón o mujer esté sano.
E=25
HS = 10 MS = 8 a) 𝑃 𝐸 = 𝑃 𝐸 ∩ 𝐻 + 𝑃 𝐸 ∩ 𝑀
HE = 5 ME = 2 5 2 𝟕
+ =
25 25 𝟐𝟓
H: varón b) 𝑃 𝑆 = 𝑃 𝑆 ∩ 𝐻 + 𝑃 𝑆 ∩ 𝑀
M: mujer
10 8 𝟏𝟖
S: sano + =
25 25 𝟐𝟓
E: enfermo
Ejemplo: Un médico ha observado que el 40% de sus pacientes fuma y de estos, el
75% son hombres. Entre los que no fumas, el 60% son mujeres.
a) Calcular la probabilidad de que un paciente seleccionado al azar sea mujer.
b) Calcular la probabilidad de que un paciente seleccionado al azar fume y sea hombre.
𝐹𝐻 = 0,3 𝐹ത𝐻 = 0,24
𝐹𝑀 = 0,1 𝐹ത𝑀 = 0,36
a)
b)
TEOREMA DE BAYES
El teorema de Bayes se utiliza para calcular la probabilidad de un suceso
teniendo información de antemano sobre ese suceso. Por eso, a esta
probabilidad se le llama "a posteriori".
El teorema de Bayes entiende la probabilidad de forma inversa a como lo Thomas Bayes (1702 - 1761)
hace el teorema de la probabilidad total.
𝐴1 𝐴2 𝐸
El teorema de la probabilidad total calcula la probabilidad de un suceso B
condicionado al resultado de un suceso A. Sin embargo, Bayes, calcula la 𝐵
probabilidad de un suceso A condicionado al resultado de un suceso B.
𝐴𝑖 : es lo que yo quiero calcular Probabilidad de que
(la incógnita del problema) ocurran ambos 𝐴𝑖 y 𝐵
𝐴3
𝑃(𝐴𝑖 ∩ 𝐵) 𝑃 𝐴𝑖 𝑃 𝐵/𝐴𝑖
𝑃 𝐴𝑖 /𝐵 = =
𝑃(𝐵) 𝑃 𝐴1 ∙ 𝑃 𝐵/𝐴1 + 𝑃 𝐴2 ∙ 𝑃 𝐵/𝐴2 + ⋯ + 𝑃 𝐴𝑛 ∙ 𝑃 𝐵/𝐴𝑛
𝐵 : es lo que yo sé
Probabilidad de que
(lo que ya sucedió) ocurra el evento 𝐵
(Probabilidad total)
TEOREMA DE BAYES
y 10 alumnas mujeres de las cuales 2 están enfermas. Se sabe que un
estudiante esta enfermo, calcule la probabilidad de que sea varón.
E=25
HS = 10 MS = 8
𝑃(𝐻∩𝐸)
HE = 5 ME = 2 𝑃 𝐻/𝐸 =
𝑃(𝐸)
5
25 5
= 7 =
7
H: varón 25
M: mujer
S: sano
E: enfermo
TEOREMA DE BAYES
𝐹𝐻 = 0,3 𝐹ത𝐻 = 0,24
𝐹𝑀 = 0,1 𝐹ത𝑀 = 0,36

TEOREMA DE BAYES
Ejemplo: en un campo hay 20 vacas de los cuales 6 están preñadas, 30 ovejas de las
cuales 10 están preñadas y 10 yeguas de las cuales 2 están preñadas. Se sabe que hubo
un parto, cual es la probabilidad de que haya sido de una vaca?
Conviene armar gráficamente a la población para poder contabilizar los casos:
V: vaca VS = 14 OS = 20 YS = 8 E = 60
O: oveja Pre
6 10 2
Y: yegua
Prob. de tomar una

vaca preñada al azar. 6
𝑃 𝑉 ∩ 𝑃𝑟𝑒ñ𝑎𝑑𝑎 60 6 1
𝑃 𝑉/𝑃𝑟𝑒ñ𝑎𝑑𝑎 = = = =
𝑃 𝑃𝑟𝑒ñ𝑎𝑑𝑎 18 18 3
Prob. de tomar un animal 60
cualquiera y este preñado.
FORMULARIO DE PROBABILIDADES
CAPÍTULO II
Permutaciones y Combinaciones
Las Técnicas de Conteo o también denominadas como Análisis
Combinatorio permiten calcular de forma más fácil el número
de casos favorables y el número de casos totales como
resultado de un experimento probabilístico.
Ejemplo: El Sr. Oroz tiene un traje gris y uno azul; tiene cuatro camisas: blanca,
azul, crema y rayada ¿De cuantas maneras distintas se puede vestir, utilizando
estas prendas, si todas las prendas combinan bien?
Solución: Con el primer traje puede usar las cuatro camisas, con el segundo traje
también puede usar las cuatro camisas.
CAMISAS
TRAJE NÚMERO MULTIPLICA NÚMERO DE NÚMERO DE
BLANCA AZUL CREMA RAYADA DE TRAJES R CAMISAS COMBINACIONES
AZUL (A, B) (A, A) (A, C) (A, R)
GRIS (G, B) (G, A) (G, C) (G, R) 2 X 4 = 8
Una joven se levanta por la mañana y al
abrir su armario se da cuenta que tiene:
❑ 2 pantalones:
❑ 4 camisas:
❑ 2 pares de zapatos:
Entonces, lo primero que dice es NO
TENGO QUE PONERME!!!
¿De cuantas formas se podría vestir la joven?

16 formas de vestirse = 2 pantalones x 4 camisas x 2 zapatos
❑Esta herramienta para representar todos los posibles resultados se llama

Diagrama de árbol.
❑Principio de multiplicación: si hay n1 opciones para elegir un objeto, n2 opciones
para elegir un segundo objeto, así hasta nm. El N total de maneras de elegir los m
objetos es: N = n1 · n2 ·…·nm
COMBINACIONES -NO influye el orden en que colocas los MISMOS elementos
VARIACIONES
Sin repetición - SÍ influye el orden en que colocas los MISMOS elementos
o con repetición - No intervienen todos los elementos m ≠ n; m < n; m > n
PERMUTACIONES - SÍ influye el orden en que colocas los MISMOS elementos

Sin repetición - Intervienen todos los elementos m = n
o con repetición - En el caso de que se repitan los elementos, siempre se repiten
las mismas veces
NOTA: Hay casos en los que m = n y es una Combinación o una Variación

m = número de elementos
𝑚!
n = de cuánto en cuánto se toman 1 𝑉𝑚𝑛 =
𝑚−𝑛 !
m≠n
𝑛
2 𝑉𝑅𝑚 = 𝑚𝑛
3 𝑃𝑛 = 𝑛!
m=n 𝑛 ,𝑛 .⋯,𝑛 𝑛!
4 𝑃𝑛 1 2 𝑘 =
𝑛1 ! 𝑛2 ! ⋯ 𝑛𝑘 !
𝑛 =
𝑚 𝑚!
5 𝐶𝑚 =
𝑛 𝑛! 𝑚 − 𝑛 !
𝑛 =
𝑚+𝑛−1 !
6 𝐶𝑅𝑚
𝑛! 𝑚 − 1 !
A cual pertenece cada uno de los siguientes casos:
a. El maestro desea que 3 de los 17 alumnos lo ayuden a entregar material a los

compañeros cuando así sea necesario.
b. El maestro desea que se nombre a los representantes del salón de entre sus
21 estudiantes (Presidente, Secretario y Tesorero).
c. Se desea conocer los posibles órdenes de llegada de 5 competidores.
d. En una heladería se desea escoger 3 sabores diferentes para un helado de
cono de entre una variedad de 10 sabores en total.
e. ¿Cuántas placas se pueden formar con los dígitos y las letras del alfabeto (26)
si cada placa costa de 3 letras y 4 dígitos? Consideres que en la primera casilla
únicamente pueden alternarse 24 letras.
f. De cuantas maneras diferentes pueden sentarse 12 estudiante en una aula
de 12 asientos.
g. ¿cuántos números de nueve cifras se pueden formar con las cifras 2, 2, 2, 3,
3, 3, 3, 4, 4?
h. Cinco personas se proponen para la mesa directiva de una asociación civil,
Estas ocuparán los puestos de presidente, vicepresidente, secretario,
tesorero y vocal que se elegirán en forma sucesiva al puesto. Los candidatos
son A, B, C, D, E.
i. En un colegio se cuenta con 14 alumnos que desean colaborar en una
campaña pro limpieza de la institución, ¿Cuántos grupos de limpieza podrán
formarse, si se desea que consten de 5 alumnos cada uno de ellos?
j. ¿De cuántas formas se puede pedir una media docena de biscochos de los
que existen cuatro tipos: a, b, c, d?
En el popular juego de baraja del 40, ¿de cuántas maneras diferentes se puede repartir
5 cartas?
❑ ¿Influye el orden de colocación? NO

❑ ¿Intervienen todos los elementos? NO
❑ ¿Se pueden repetir los elementos? NO
COMBINACIÓN 𝐶𝑛𝑚 =
𝑚
=
𝑚!
SIN REPETICIÓN 𝑛 𝑛! 𝑚 − 𝑛 !
¿Cuántos elementos tengo? m = 40

¿De cuánto en cuánto los voy a tomar? n = 5
40 40! 40! 40 ∙ 39 ∙ 38 ∙ 37 ∙ 36 ∙ 35!
𝐶540 = = = = = 658008
5 5! 40 − 5 ! 5! 35! 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 ∙ 35!
Una tienda de donas ofrece 20 diferentes tipos de éstas. ¿De cuántas maneras
podemos seleccionar una docena de donas para llevar a casa?
❑ ¿Influye el orden de colocación? NO

❑ ¿Se pueden repetir los elementos? SI
COMBINACIÓN 𝐶𝑅𝑛 = 𝑚+𝑛−1

=
𝑚+𝑛−1 !
𝑚
CON REPETICIÓN 𝑛 𝑛! 𝑚 − 1 !

12
20 + 12 − 1 ! 31 !
𝐶𝑅20 = = = 141120525
12! 20 − 1 ! 12! 19 !
Con las cifras 1, 2, 3, 4, 5, 6 ¿Cuántos números distintos de 4 cifras se puede formar sin
repetir?
❑ ¿Influye el orden de colocación? SI
1 2 3 4
VARIACIÓN 𝑚!
4 3 2 1 SIN REPETICIÓN
𝑉𝑚𝑛 =
𝑚−𝑛 !
6 · 5 · 4 · 3
1 2 3 4 ¿Cuántos elementos tengo? m = 6
2 3 4 5 ¿De cuánto en cuánto los voy a tomar? n = 4
3 4 5 6 m < n; m > n
4 5 6
5 6 4
6! 6!
𝑉6 = = = 360
6 6 − 4 ! 2!
Con las cifras 1, 2, 3, 4, 5, 6 ¿Cuántos números distintos de 4 cifras se puede formar?
Las variaciones con repetición, únicamente

difieren de las anteriores en que ahora sí se
VARIACIÓN 𝑛 = 𝑚𝑛
pueden repetir elementos. CON REPETICIÓN 𝑉𝑅𝑚
6 · 6 · 6 · 6
1 1 1 1 ¿Cuántos elementos tengo? m = 6
2 2 2 2 ¿De cuánto en cuánto los voy a tomar? n = 4
3 3 3 3 m < n; m > n
4 4 4 4
5 5 5 5 𝑉𝑅64 = 64 = 1296
6 6 6 6
Con la palabra AMOR ¿Cuántas palabras con o sin sentido pueden formarse?
❑ ¿Intervienen todos los elementos? SI
AMOR MAOR OAMR RAMO
AMRO MARO OARM RAOM PERMUTACIÓN
AOMR MOAR OMAR RMAO SIN REPETICIÓN 𝑛𝑃𝑛 = 𝑛!
AORM MORA OMRA RMOA
ARMO MRAO ORAM ROMA
AROM MROA ORMA ROAM
4 · 3 · 2 · 1
A M O R 𝑛𝑃4 = 4! = 4 ∙ 3 ∙ 2 ∙ 1 = 24
M O R
¿Cuántas saldrían con la palabra LOVE?
O R
R
¿Cuántas palabras, con o sin sentido, puedo formar con las letras de la palabra ARMELAR?
❑ ¿Intervienen todos los elementos? SI
Las permutaciones con repetición PERMUTACIÓN 𝑛 ,𝑛2 .⋯,𝑛𝑘 𝑛!

𝑃𝑛 1 =
CON REPETICIÓN 𝑛1 ! 𝑛2 ! ⋯ 𝑛𝑘 !
de n elementos son en las que un
primer elemento se repite n1 veces, ¿De cuánto en cuánto los voy a tomar? n = 7
un segundo elemento n2 veces, y así ¿Qué elementos se repiten a, b, c….? a=2
hasta el último, que se repite nk Son 7 letras, repitiéndose la “A” y la “R” ∴
veces.
7! 7∙6∙5∙4∙3∙2∙1
𝑃72,2 = = = 1260
2! 2! 2∙2
EJEMPLOS
Suponga que 10 miembros de una cooperativa aptos para ser elegidos,
presidente, vicepresidente y secretaria. Calcule el número de permutaciones.
De cuantas maneras puede colocarse 7 libros en una estantería.
a) Cualquier combinación es permitida
b) ¿Tres libros determinados deben estar juntos?
c) Dos libros particulares deben estar juntos
¿De cuantas maneras puede escogerse 2 hombres, 4 mujeres y 3 niñas y 3niños?

De entre 6 hombres, 8 mujeres, 4 niños y 5 niñas. Si.
a) No se impone restricción alguna
b) Un hombre y una mujer concretos deben ser escogidos
CAPÍTULO II
▪ Distribución multinomial
▪ Distribución normal
TIPOS DE DATOS
▪ Discretos: Son aquellos que
suelen tomar solamente valores
enteros, ejemplo número de
hijos en una familia, número de
fallos en el tiempo.
▪ Continuos: Son aquellos que
admiten tomar cualquier valor
dentro de un rango numérico
determinado, ejemplo: edad,
peso, tiempo de vida útil de una
máquina etc.
TIPOS DE DATOS
VARIABLE CUANTITATIVA DISCRETA
Es aquella que puede asumir un número contable de valores. Ejemplos:
▪ El número de hijos de una familia.

▪ La cantidad de dedos que tienes en la mano.
▪ El número de faltas en un partido de fútbol.
▪ Número de personas que llegan a un consultorio en una hora.
▪ El número de árboles que hay en un parque.
▪ El número de canales de televisión que tienes en casa.
▪ Número de animales en una granja.
▪ Cantidad de empleados que trabajan en una tienda.
▪ Número de libros vendidos cada mes en Amazon.
▪ Número de clientes que visitan un supermercado por día.
TIPOS DE DATOS
VARIABLE CUANTITATIVA CONTINUA
Es aquella que puede asumir un número incontable de valores. Ejemplos:
▪ La estatura de tu mejor amigo.

▪ El ancho de una pelota de fútbol.
▪ Volumen de agua en una piscina.
▪ El peso de una persona.
▪ La velocidad a la que va a un tren.
▪ Longitud en centímetros de un tenedor.
▪ Tiempo que demora el delivery de Pizza Hut en entregar un pedido.
▪ El volumen de cerveza en una jarra.
▪ Peso de las vacas en una granja.
▪ Tiempo que esperas al amor de tu vida.
▪ Distancia que recorren los autos en una ciudad.
▪ Velocidad a la que viaja un avión.
▪ El diámetro de una esfera.
FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA DISCRETA
La función de probabilidad de una variable aleatoria discreta X es la que asigna a cada
número real x la probabilidad de que X tome el valor x::
X = Número de caras 𝑓
𝑓 𝑥 =𝑃 𝑋=𝑥
𝑓 𝑥 : función de probabilidad
(+, +) 0 = x1 f(x1) = 1/4
𝑋: Variable aleatoria o estocástica
(C, +)
𝑥: Valores de la variable aleatoria 1 = x2 f(x2) = 1/2
(+, C)
𝑓 0 = 𝑃 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑟𝑎𝑠 = 0 = 1/4
(C, C) 2 = x3 f(x3) = 1/4
E: Espacio muestral 𝑥: Valores de VA 𝑓 𝑥 : Probabilidades
Función de probabilidad tiene que cumplir con 2 propiedades:
1. La probabilidad de cada valor de la variable aleatoria debe estar entre 0 y 1.
2. La suma de las probabilidades asignadas a todos los valores de la variable aleatoria debe
ser 1.
ALEATORIA DISCRETA
Esta función de la variable aleatoria X tiene de recorrido Rx el conjunto finito {0 , 1, 2}
X = Número de caras 𝑓
𝑥𝑖 0 1 2
(+, +) 0 = x1 f(x1) = 1/4 𝑃 𝑋 = 𝑥𝑖 1/4 1/2 1/4
(C, +)
1 = x2 f(x2) = 1/2
(+, C)
(C, C) 2 = x3 f(x3) = 1/4

f(x1) = P(X = 0) = P( {(+, +)} ) = ¼
f(x2) = P(X = 1) = P( {(c, +)}, {+, c} ) = ½
f(x3) = P(X = 2) = P( {(c, c)} ) = ¼
0 ≤ 𝑓 𝑥𝑖 ≤ 1
𝑛
෍ 𝑓 𝑥𝑖 = 1
𝑖=1
FUNCIÓN DE DISTRIBUCIÓN DE UNA VARIABLE
ALEATORIA DISCRETA
La función de distribución de una variable discreta X es la función que asigna a cada número
real 𝑥 la probabilidad de que X tome un valor menor o igual que 𝑥.
𝑥𝑖 0 1 2
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ෍ 𝑃(𝑋 = 𝑥𝑖 ) = ෍ 𝑓(𝑥𝑖 ) 𝑃 𝑋 = 𝑥𝑖 1/4 1/2 1/4
𝑥𝑖 ≤𝑥 𝑥𝑖 ≤𝑥 𝑃 𝑋 ≤ 𝑥𝑖 1/4 3/4 1
𝐹 𝑥<0 =0 𝑠𝑖 𝑥 < 0 𝐹 𝑥
1
𝐹 0 =𝑓 0 =4 𝑠𝑖 0 ≤ 𝑥 < 1
𝐹 𝑥 = 3
𝐹 1 =𝑓 0 +𝑓 1 =4 𝑠𝑖 1 ≤ 𝑥 < 2
𝐹 𝑥 ≥2 =𝑓 0 +𝑓 1 +𝑓 2 =1 𝑠𝑖 𝑥 ≥ 2
𝑥𝑖 0 1 2
𝑃 𝑋 = 𝑥𝑖 1/4 1/2 1/4
𝑥 ∙ 𝑃 𝑋 = 𝑥𝑖 0 1/2 1/2
ALEATORIA DISCRETA
¿Cuál es la función de probabilidad y la función de distribución correspondiente al
experimento “número obtenido” al lanzar un dado?
𝑓 3 = 𝑃 𝑁ú𝑚𝑒𝑟𝑜 𝑜𝑏𝑡𝑒𝑛𝑖𝑑𝑜 = 3 = 1/6

X = Número obtenido 𝑓
x1 = 1 f(x1) = 1/6
x2 = 2 f(x2) = 1/6
x3 = 3 f(x3) = 1/6
x4 = 4 f(x4) = 1/6
x5 = 5 f(x5) = 1/6
x6 = 6 f(x6) = 1/6

𝑥𝑖 1 2 3 4 5 6
𝑃 𝑋 = 𝑥𝑖 1/6 1/6 1/6 1/6 1/6 1/6
𝑃 𝑋 ≤ 𝑥𝑖 1/6 1/3 1/2 2/3 5/6 1
ALEATORIA DISCRETA
¿Cuál es la función de probabilidad y la función de
distribución correspondiente al experimento “número
obtenido” al lanzar 2 dados?
𝒙𝒊 2 3 4 5 6 7 8 9 10 11 12
f 1 2 3 4 5 6 5 4 3 2 1
𝑃 𝑋 = 𝑥𝑖 1/36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36
𝑃 𝑋 ≤ 𝑥𝑖 1/36 1/12 1/6 5/18 5/12 7/12 13/18 5/6 11/12 35/36 1
ALEATORIA DISCRETA
¿Cuál es la función de probabilidad, la media y la varianza correspondiente al experimento
“número obtenido” al lanzar 2 dados? ¿cuál es la media y la varianza?
𝒙𝒊 2 3 4 5 6 7 8 9 10 11 12
f 1 2 3 4 5 6 5 4 3 2 1
𝑃 𝑋 = 𝑥𝑖 1/36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36
𝑥𝑖 ∙ 𝑓 𝑥𝑖 0,056 0,167 0,333 0,556 0,833 1,167 1,111 1,000 0,833 0,611 0,333
𝜇 = 𝐸 𝑋 = ෍ 𝑥𝑖 ∙ 𝑓 𝑥𝑖 = 7
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Si los valores de la variable X fuera un aserie de valores continuas el polígono de
las frecuencias relativas de cualquier muestra, también es una curva continua y
se caracteriza por una función 𝑓 𝑥 que se define como una función de densidad
de probabilidad continua y gráficamente puede representarse de la siguiente
manera.
Proporciona además un medio para determinar la probabilidad en un intervalo
𝑎<𝑥<𝑏
De lo cual se puede determinar las siguientes condiciones.
1) 𝑓 𝑥 > 0 − ∞ < 𝑥 < ∞

2) Asíntota se extiende al ∞
∞
3) ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 1
Función de densidad de probabilidad
𝑓(𝑥) Es la probabilidad relativa según la cual una variable aleatoria continua
tomará determinado valor.
Función de distribución acumulativa

𝐹(𝑥) La probabilidad de que la variable
aleatoria caiga en una región específica del
espacio de posibilidades estará dada por la
integral de la densidad de esta variable entre
uno y otro límite de dicha región.
𝒙
𝑭 𝒙 =𝑷 𝑿≤𝒙 = ‫׬‬−∞ 𝒇(𝒕) 𝒅𝒕
𝒃
𝑭 𝒙 =𝑷 𝒂≤𝑿≤𝒃 = ‫𝒙𝒅 )𝒙(𝒇 𝒂׬‬
La función de distribución acumulativa de la variable aleatoria continua X es la siguiente:
0 ; 𝑠𝑖 𝑥<0
𝐹 𝑥 = ቐ0,2𝑥 ; 𝑠𝑖 0 ≤ 𝑥 ≤ 5
1 ; 𝑠𝑖 5<𝑥
Calcular:
a. 𝑃 𝑋 ≤ 2 = 𝐹 2 =
b. 𝑃 𝑋 ≤ 3 = 𝐹 3 =
c. 𝑃 𝑋 > 2 = 1 − 𝐹 2 =
d. 𝑃 2 ≤ 𝑋 ≤ 3 = 𝐹 3 − 𝐹 2 =
𝑥
𝐹 𝑥 =𝑃 𝑋≤𝑥 = ‫׬‬−∞ 𝑓(𝑡) 𝑑𝑡
La variable aleatoria continua tiene la siguiente función de densidad de probabilidades:
0,25 ; 𝑠𝑖 0 ≤ 𝑥 ≤ 4
𝑓 𝑥 =ቊ
0 ; 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Calcular:
a. 𝑃 1 ≤ 𝑋 ≤ 3 =
b. 𝑃 𝑋 = 1 =
c. 𝑃 1 < 𝑋 ≤ 3 =
d. 𝑃 1 < 𝑋 ≤ 4 = 1,2
1
𝑏
𝐹 𝑥 =𝑃 𝑎≤𝑋≤𝑏 = ‫𝑥𝑑 )𝑥(𝑓 𝑎׬‬ 0,8
3 0,6
𝐹 𝑥 =𝑃 1≤𝑋≤3 = ‫׬‬1 0,25 𝑑𝑥 0,4
𝐹 𝑥 = [0,25 𝑥]13 = 0,25 ∙ 3 − (0,25 ∙ 1) 0,2
𝐹 𝑥 = 0,5 0
-1,5 -0,5 0,5 1,5 2,5 3,5 4,5
La variable aleatoria continua tiene la siguiente función de densidad de probabilidades:
0,25 ; 𝑠𝑖 0 ≤ 𝑥 ≤ 4
𝑓 𝑥 =ቊ
0 ; 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Media o valor esperado
∞
𝜇 = 𝐸 𝑋 = ‫׬‬−∞ 𝑥 ∙ 𝑓(𝑥) 𝑑𝑥
0 4 ∞
𝜇= ‫׬‬−∞ 𝑥 ∙ 0 𝑑𝑥 + ‫׬‬0 𝑥 ∙ 0,25 𝑑𝑥 + ‫׬‬4 𝑥 ∙ 0 𝑑𝑥
1 2 4
𝜇 = 0,25 ∙ 𝑥 ቚ =2
2 0
Varianza 1,2
∞ 2
𝜎 = 𝑉 𝑋 = ‫׬‬−∞ 𝑥 ∙ 𝑓(𝑥) 𝑑𝑥 − 𝜇2
2
1
4 1 3 4 4 0,8
𝜎2 = ‫׬‬0 𝑥 2 ∙ 0,25 𝑑𝑥 − 𝜇2 = 0,25 ∙ 𝑥 ቚ −4=
3 0 3 0,6
Desviación estándar 0,4
4 2 0,2
𝜎= 𝜎2 = = 0
3 3
-2 -1 0 1 2 3 4 5
Distribución binominal
Describe la probabilidad de una variable dicotómica (éxito, fracaso) e
independiente.
Aplicación
Se utiliza en situaciones cuya solución tiene dos posibles resultados.
▪ Al nacer un/a bebé puede ser varón o hembra.
▪ En el deporte un equipo puede ganar o perder.
▪ Un tratamiento médico puede ser efectivo o inefectivo.
▪ Vivo / muerto; enfermo / sano; verdadero / falso
▪ Prueba múltiple 4 alternativas: correcta o incorrecta.
▪ Algo puede considerarse como Éxito o Fracaso
• “Experimentos de Bernoulli”
• Usos:
• Estimación de proporciones
• Pruebas de hipótesis de proporciones
Propiedades de un experimento de Bernoulli
1. En cada prueba del experimento sólo hay dos posibles resultados: Éxitos o
Fracasos.
2. El resultado obtenido en cada prueba es independiente de los resultados
obtenidos en pruebas anteriores.
3. La probabilidad de un suceso elemental (p) es constante y no varía de una
prueba a otra.
4. La probabilidad del complemento (1- p) es q .
1 − 𝑝; 𝑠𝑖 𝑥 = 0
𝑓 𝑥 =𝑃 𝑋=𝑥 =ቊ
𝑝; 𝑠𝑖 𝑥 = 1
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 ; 𝑥 = 0; 1
𝑋~𝐵𝑒 𝑝
Si repetimos el experimento n veces podemos obtener datos para armar una

distribución binomial parámetros n y p, abreviada 𝑋~𝐵 𝑛, 𝑝 .
Propiedades de un experimento de Bernoulli
𝟏 − 𝒑; 𝒔𝒊 𝒙 = 𝟎
𝒑; 𝒔𝒊 𝒙 = 𝟏
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 ; 𝑥 = 0; 1
𝑋~𝐵𝑒 𝑝
𝑥=0
𝑓 0 = 𝑃 𝑋 = 0 = 𝑝0 (1 − 𝑝)1−0
𝑓 0 =𝑃 𝑋 =0 =1−𝑝
𝑥=1
𝑓 1 = 𝑃 𝑋 = 1 = 𝑝1 (1 − 𝑝)1−1
𝒇 𝟏 =𝑷 𝑿=𝟏 =𝒑
Ejemplo
Cuando se lanza un dado hay una probabilidad de 1/6 de que salga un 5. Sea X = 1 si el
dado cae en 5 y X = 0 si cae en cualquier otro número. ¿Cuál es la distribución de X?
1 − 𝑝; 𝑠𝑖 𝑥 = 0 1
𝑝; 𝑠𝑖 𝑥 = 1 0,9 0,8333
0,8
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 ; 𝑥 = 0; 1
𝑋~𝐵𝑒 𝑝 0,7
0,6
Fracaso {1, 2, 3, 4, 6} Éxito {5}
0,5
𝑥 0 1
0,4
𝑓 𝑥 =𝑃 𝑋=𝑥 1 − 𝑝 = 5/6 𝑝 = 1/6 0,3
5/6; 𝑠𝑖 𝑥 = 0 0,2 0,1667
1/6; 𝑠𝑖 𝑥 = 1 0,1
0
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 1/6𝑥 (5/6)1−𝑥 ; 𝑥 = 0; 1
0 1
𝑋~𝐵𝑒 1/6
La Distribución Binomial
• Ejemplo distribución probabilidad discreta.
• Formada por serie experimentos Bernoulli.
• Resultados de cada experimento son mutuamente
excluyentes.
• Para construirla necesitamos:
1. La cantidad de pruebas n
2. La probabilidad de éxitos p
3. Utilizar la función matemática P(X = x).
La función P(X = x)
Función de la distribución Binomial:
𝑛
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑥
𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑛
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑥
𝑝 𝑥 (𝑞)𝑛−𝑥
• x = número de aciertos.
• n = número de experimentos.
• p = probabilidad de éxito, como por ejemplo, que salga "cara" al lanzar la
moneda.
• 1 - p = “q” → probabilidad de fracaso
• Excel =DISTR.BINOM.N (x , n, p, acumulado)
• Acumulado = falso : solo para 𝑓 𝑥 = 𝑃 𝑋 = 𝑥
• Acumulado = Verdadero : para 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥
m = número de elementos
𝑚!
n = de cuánto en cuánto se toman 1 𝑉𝑚𝑛 =
𝑚−𝑛 !
m≠n
𝑛
2 𝑉𝑅𝑚 = 𝑚𝑛
3 𝑃𝑛 = 𝑛!
m=n 𝑛 ,𝑛 .⋯,𝑛 𝑛!
4 𝑃𝑛 1 2 𝑘 =
𝑛1 ! 𝑛2 ! ⋯ 𝑛𝑘 !
𝑛 =
𝑚 𝑚!
5 𝐶𝑚 =
𝑛 𝑛! 𝑚 − 𝑛 !
𝑛 =
𝑚+𝑛−1 !
6 𝐶𝑅𝑚
𝑛! 𝑚 − 1 !
Ejemplo 1
La probabilidad de que a un cliente nuevo le guste el servicio de lavado es de 0,8. Si llegan 5
clientes nuevos, ¿Cuál es la probabilidad de que a 2 de ellos les guste el servicio de lavado?
X = número de clientes nuevos que les guste el servicio xi 0 1 2 3 4 5
𝑋~𝐵(𝑛; 𝑝) f(xi) 0,0003 0,0064 0,0512 0,2048 0,4096 0,3277
F(xi) 0,0003 0,0067 0,0579 0,2627 0,6723 1,0000
𝑋~𝐵(5; 0,8)
0,5
x = 0; 1; 2; 3; 4; 5 f(xi) 0,4096
0,4
X=2 0,3277
0,3
n : número de ensayos 0,2048
n=5 0,2
0,0512
0,1 0,0064
p : probabilidad de éxito 0,0003
P = 0,8 0,0
0 1 2 3 4 5
1,0000
𝑛! 1,0
𝑛
𝐶𝑥𝑛 = 𝑥
= 𝑥! 𝑛−𝑥 !
F(xi)
0,8 0,6723
0,6
5 5! 5∙4∙3!
𝐶25 = 2
= = = 10 0,4
2! 3 ! 2∙3!
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑛𝑥 ∙ 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 0,2627
𝑓 2 = 𝑃 𝑋 = 2 = 10 ∙ 0,82 (0,2)3 0,2

0,0579
0,0003 0,0067
𝑓 2 = 𝑃 𝑋 = 2 = 0,0512 = 5,12% 0,0
0 1 2 3 4 5
Ejemplo 2
¿Probabilidad de obtener 6 caras al lanzar una moneda 10 veces?
▪ El número de aciertos x es 6.
▪ El número de experimentos n son 10
▪ La probabilidad de éxito p = 0,50
La fórmula quedaría:
𝑛!
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !
10!
𝑓 6 =𝑃 𝑋=6 = 0,56 (1 − 0,5)10−6
6! 10 − 6 !
P (X = 6) = 0,205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es
de 20,5% .
Ejemplo 3
¿Probabilidad de obtener cuatro veces el número 3 al lanzar un dado ocho
veces?
▪ El número de aciertos x es 4.
▪ El número de experimentos n son 8
▪ Probabilidad de éxito p = 1/6 ( 0,1666)
La fórmula queda:
𝑛!
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !
8!
𝑓 4 =𝑃 𝑋=4 = 1/64 (1 − 1/6)8−4
4! 8 − 4 !
P (X = 4) = 0,026
Es decir, probabilidad de obtener cuatro veces el números 3 al tirar un dado 8
veces es de 2,6%.
Tabla o Excel?
Excel =DISTR.BINOM.N(x , n,
p, acumulado)
Acumulado = falso:
para 𝑓 𝑥 = 𝑃 𝑋 = 𝑥
=DISTR.BINOM.N(6; 10; 0,3;
FALSO)
Acumulado = Verdadero:
para 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥
=DISTR.BINOM.N(6; 10; 0,3;
VERDADERO)
Media, Varianza, y Desviación Estandar en Distribución Binomial
 = n p
 = n pq
2
 = n pq
Al adivinar al azar un examen de 100 preguntas multiples, cada una con 4 posibles
respuestas:
 = 100  1 4 = 25
 2 = 100  1 4  3 4 = 18.8
 = 100  1 4  3 4 = 4.3
En resumen
• La distribución binomial se forma de una serie de experimentos de
Bernoulli
• La media (μ) en la distribución binomial se obtiene con el producto de
nxp
• La varianza (σ2 ) en la distribución binomial se obtiene del producto
de n x p x q.
• El valor de q es el complemento de p y se obtiene con 1 – p.
Distribución Multinomial
La Distribución Multinomial fue enunciada por primera vez en 1713 con los
aportes de Jacob Bernoulli, quien nació el 27 de diciembre de 1654, en
Suiza.
La distribución multinomial es una generalización de la Distribución Binomial. En una
distribución multinomial, el análogo a la distribución de Bernoulli es la distribución
categórica, donde cada suceso concluye en únicamente un resultado de un número finito
𝑘 de los posibles, con probabilidades tal que.
1. Las 𝑛 pruebas o ensayos son repetidos e idénticos (con reposición).
2. En cada prueba o ensayo se pueden producir 𝑘 resultados.
3. Las probabilidades de cada uno de los 𝑘 resultados 𝑝1 , … , 𝑝𝑘 permanecen
constantes en todas las pruebas o ensayos.
4. Las pruebas o ensayos son independientes.
Para cualquiera de los 𝑘 resultados posibles 𝐸1 , … , 𝐸𝑘 se tiene:
𝐸1 𝑜𝑐𝑢𝑟𝑟𝑎 𝑥1 𝑣𝑒𝑐𝑒𝑠 𝑃(𝑋1 = 𝑥1 )

𝐸2 𝑜𝑐𝑢𝑟𝑟𝑎 𝑥2 𝑣𝑒𝑐𝑒𝑠 𝑃(𝑋2 = 𝑥2 )
𝑒𝑛 𝑛 𝑝𝑟𝑢𝑒𝑏𝑎𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
⋮
𝑘 𝑘
𝐸𝑘 𝑜𝑐𝑢𝑟𝑟𝑎 𝑥𝑘 𝑣𝑒𝑐𝑒𝑠 𝑃(𝑋𝑘 = 𝑥𝑘 )
𝐷𝑜𝑛𝑑𝑒: ෍ 𝑥𝑖 = 𝑛 ; ෍ 𝑝𝑖 = 1
𝑖=1 𝑖=1
La distribución multinomial es una generalización de la Distribución Binomial. En una
distribución multinomial, el análogo a la distribución de Bernoulli es la distribución
categórica, donde cada suceso concluye en únicamente un resultado de un número finito
𝑘 de los posibles, con probabilidades tal que.
𝑓 𝑥1 , … , 𝑥𝑘 ; 𝑛, 𝑝1 , … , 𝑝𝑘 = 𝑃 𝑋1 = 𝑥1 y … y 𝑋𝑘 = 𝑥𝑘
𝑘
𝑛!
𝑝1 𝑥1 ⋯ 𝑝𝑘 𝑥𝑘 , 𝑐𝑢𝑎𝑛𝑑𝑜 ෍ 𝑥1 = 𝑛
= 𝑥1 ! ⋯ 𝑥𝑘 !
𝑖=1
0, 𝐸𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠,
Para enteros positivos 𝑥1 , … , 𝑥𝑘

Ejemplo
Se sabe que las bombas de gasolina para autos existentes en el mercado se pueden
clasificar en:
40% de rendimiento excelente (Ex).
20% de rendimiento bueno (B).
30% de rendimiento regular (R).
10% de rendimiento malo (M).
Se selecciona una muestra de n = 9 bombas mediante proceso aleatorio. Cuál será la
probabilidad de que quede conformada por: 3Ex, 3B, 1R y 2M.
𝑛!
𝑓 𝑥1 , … , 𝑥𝑘 ; 𝑛, 𝑝1 , … , 𝑝𝑘 = 𝑃 𝑋1 = 𝑥1 y … y 𝑋𝑘 = 𝑥𝑘 = 𝑝1 𝑥1 ⋯ 𝑝𝑘 𝑥𝑘
𝑥1 ! ⋯ 𝑥𝑘 !
9!
𝑓 3, 3, 1, 2 = 𝑃 𝑋1 = 3, 𝑋2 = 3, 𝑋3 = 1, 𝑋4 = 2 = 0,43 ∙ 0,23 ∙ 0,31 ∙ 0,12
3!∙3!∙1!∙2!
= 0,00774
Ejemplo
Un estudiante que va a la universidad en carro encuentra un semáforo, el cual permanece
en verde durante 35 segundos, en amarillo 5 segundos y en rojo 60 segundos. Su viaje a la
universidad es entre 8:00 y 8:30 AM en la semana de 5 días hábiles. Sea 𝑥1 el número de
veces que encuentra el semáforo en verde, 𝑥2 en luz amarilla y 𝑥3 en luz roja. Hallar la
distribución conjunta de 𝑥1 , 𝑥2 𝑦 𝑥3 .
𝑛!
𝑥1 ! ⋯ 𝑥𝑘 !
5!
𝑓 𝑥1 , 𝑥2 , 𝑥3 = 0,35𝑥1 ∙ 0,05 𝑥2 ∙ 0,60𝑥3
𝑥1 !,∙𝑥2 !,∙𝑥3 !
Ejemplo
Según una nueva ley se plantea la donación de órganos de los cuales existe una
probabilidad de que el 15% estén en contra, el 40% sean indiferentes a la
ley y el 45% estén a favor, si se extrae una muestra aleatoria de 20 sujetos.
¿Cuál es la probabilidad de que 5 estén en contra,10 sean indiferentes y 5 estén a favor?
𝑛!
𝑥1 ! ⋯ 𝑥𝑘 !
20!
𝑓 5, 10, 5 = 0,155 ∙ 0,4010 ∙ 0,455
5!,∙10!,∙5!
Ejemplo
Media y varianza de la distribución multinomial
Cada una de las “𝑛” variables, 𝑥1 que forman una Multinomial 𝑀(𝑛, 𝑝1 , … , 𝑝𝑘 ) siguen
distribuciones binomiales.
MEDIA
(También llamada esperanza o valor esperado), es el número𝐸(𝑥) que formaliza la idea
de valor medio de un fenómeno aleatorio. Es un concepto análogo a la media aritmética
de un conjunto de datos.
𝜇 = 𝐸 𝑥𝑖 = 𝑛 ∙ 𝑝𝑖
VARIANZA
La varianza de una variable aleatoria es una medida de dispersión definida como la
esperanza del cuadrado de la desviación de dicha variable respecto a su media.
. 𝜎 2 = 𝑛 ∙ 𝑝𝑖 ∙ (1 − 𝑝𝑖 )
Distribución Poisson
La Distribución de Poisson se llama así en honor a su creador el francés
Simeón Dennis Poisson (1781 - 1840), Esta distribución de probabilidades
fue uno de los múltiples trabajos matemáticos que Dennis completó en su
productiva trayectoria.
Condiciones
1. La variable aleatoria es el número de veces que ocurre un evento durante un
intervalo definido. El intervalo puede ser tiempo, distancia, área, volumen o
alguna unidad similar.
X = número de veces que ocurre un evento durante un intervalo definido
2. La probabilidad de ocurrencia es la misma para cualesquiera 2 intervalos de

igual longitud.
3. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro intervalo.
4. Dos eventos no pueden ocurrir exactamente al mismo tiempo.
Utilidad
• La distribución de Poisson se utiliza en situaciones donde los sucesos son
impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el total
de posibles resultados.
• Permite determinar la probabilidad de ocurrencia de un suceso con resultado

discreto.
• Es muy útil cuando la muestra o segmento n es grande y la probabilidad de

éxitos p es pequeña.
• Se utiliza cuando la probabilidad del evento que nos interesa se distribuye

dentro de un segmento n dado como por ejemplo distancia, área, volumen o
tiempo definido.
Ejemplos de la
Utilidad
• La llegada de un cliente al negocio durante una hora.
• Las llamadas telefónicas que se reciben en un día.
• Los defectos en manufactura de papel por cada metro producido.
• Los envases llenados fuera de los límites por cada 100 galones de producto terminado.
• El número de clientes que ingresan a un supermercado en un día.
• El número de accidentes registrados en una fábrica durante una semana.
• El número de llamadas que recibe una central telefónica en el período de un minuto.
• El número de bacterias en un volumen de un litro de agua.
• El número de vehículos que llegan a una gasolinera en una hora.
• El número de fallas en la superficie de una pieza de cerámica rectangular.
• El número de toxinas en partes por millón encontradas en un litro de agua de un río.
Propiedades de un proceso de Poisson
1. La probabilidad de observar exactamente un éxito en el

segmento o tamaño de muestra n es constante.
2. El evento debe considerarse un suceso raro.
3. El evento debe ser aleatorio e independiente de otros eventos
Si repetimos el experimento n veces podemos

obtener resultados para la construcción de la
distribución de Poisson.
La Distribución de Poisson
La distribución de probabilidad de Poisson es un ejemplo de distribución

de probabilidad discreta.
La distribución de Poisson parte de la distribución binomial.
Cuando en una distribución binomial se realiza el experimento muchas
veces, la muestra n es grande y la probabilidad de éxito p en cada
ensayo es baja, es aquí donde aplica el modelo de Distribución de
Poisson.
Se tiene que cumplir que:

p < 0,10
p * n < 10
La Función 𝑃 𝑋 = 𝑘
A continuación veremos la función de Probabilidad de la Distribución
de Poisson.
𝜆𝑘 −𝜆
𝑓 𝑘 =𝑃 𝑋=𝑘 = 𝑒
𝑘!
Donde:
𝑃 𝑋 = 𝑘 es la probabilidad de ocurrencia cuando la variable discreta X toma un

valor finito k.
𝜆 es la ocurrencia promedio por unidad (tiempo, volumen, área, etc.). Es igual a p

por el segmento dado. La constante e tiene un valor aproximado de 2,711828.
K es el número de éxitos por unidad

Ejemplo1 de la función 𝜆𝑘 −𝜆
𝑃 𝑋=𝑘 𝑘!
La probabilidad de que haya un accidente en una compañía de manufactura es de
0,02 por cada día de trabajo (p). Si se trabajan 300 días al año (n), ¿cual es la
probabilidad de tener 3 accidentes (k)?
Como la probabilidad p es menor que 0,1, y el producto 𝜆 = n * p es menor que
10 (𝜆 = 300 * 0,02 = 6), entonces se aplica el modelo de distribución de Poisson:
63 −6
𝑓 3 =𝑃 𝑋=3 = 𝑒
3!
Al realizar el cómputo tenemos que 𝑃 𝑋 = 3 = 0,0892

Por lo tanto, la probabilidad de tener 3 accidentes laborales en 300 días de
trabajo es de 8,9%.
Ejemplo 2 de la función 𝜆𝑘 −𝜆
La probabilidad de que un producto salga defectuoso es de 0,012 (p) ¿Cuál
es la probabilidad de que entre 800 productos (n) ya fabricados hayan 5
defectuosos (k)?
En este ejemplo vemos nuevamente la probabilidad p menor que 0,1, y el
producto 𝜆 = n * p = 0,012 * 800 = 9,6 menor que 10, por lo que se aplica el
modelo de distribución de Poisson:
9,65 −9,6
𝑓 5 =𝑃 𝑋=5 = 𝑒
5!
El resultado es 𝑃 𝑋 = 5 = 0,04602
Por lo tanto, la probabilidad de que haya 5 productos defectuosos entre
800 recién producidos es de 4,6%.
Ejemplo 3 de la función 𝜆𝑘 −𝜆
105 −10
𝑓 5 =𝑃 𝑋=5 = 𝑒
5!
𝑓 5 = 𝑃 𝑋 = 5 = 0,0378
55 −5
𝑓 5 =𝑃 𝑋=5 = 𝑒
5!
𝑓 5 = 𝑃 𝑋 = 5 = 0,1755
Tablas de Probabilidad de Poisson
Utilizando la tabla de probabilidad de Poisson se pueden resolver los ejemplos
anteriores.
Para esto usted debe saber los valores X y λ.
X es el número de éxitos que buscamos. Este es el valor K.
λ es el número promedio de ocurrencias por unidad (tiempo, volumen, área, etc.).

Se consigue multiplicando a p por el segmento dado n.
Del ejemplo 1: λ = 0,02 * 300 = 6

Del ejemplo 2: λ = 0,012 * 800 = 9,6
Del ejemplo 3: λ = 10
En EXCEL:
Tabla de Probabilidad de Poisson =POISSON.DIST(𝑥;𝑚𝑒𝑑𝑖𝑎;FALSO)
=POISSON.DIST(𝑘;𝜆;FALSO)
𝑓 5 =𝑃 𝑋 =5 =𝑃 𝑋 ≤5 −𝑃 𝑋 ≤4 =𝐹 5 −𝐹 4
= 0,0671 − 0,0293 = 0,0378
Ejemplo 3
uso de tablas
Resuelva el ejercicio 1 y el 2 por medio de las tablas.
Para el Ejemplo 1: λ = 6 y k = 3 accidentes
Para el Ejemplo 2: λ = 9,6 y k=5 defectos

La Media μ y la Varianza σ2
Características de la distribución
poisson
Media
𝜆𝑘 −𝜆
= E(X) = λ .6
P(X) k = 5 λ = 0.1 𝑓 𝑘 =𝑃 𝑋=𝑘 = 𝑒
.4 𝑘!
.2
Varianza 0 X
0 1 2 3 4 5 µ𝑥 −µ
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑒
λ = σ2 𝑥!
P(X) k=5 λ = 0.5
.6
.4
.2
0 X
0 1 2 3 4 5
17
Ejercicio
Un comerciante de verduras tiene conocimiento de que el 3% de la caja esta
descompuesta. Si un comprador elige 100 verduras al azar, encuentre la
probabilidad de que.
a. las 4 estén descompuestas.
b. de 1 a 3 estén descompuestas
Para resolver la pregunta “b” repace el módulo

de las reglas de probabilidad.
En este caso se resuelve sumando las
probabilidades P(x=1) + P(x=2) + P(x=3)
= 0,1494 + 0,2240 + 0,2240
Ejercicio
En pruebas realizadas a un amortiguador para automóvil se encontró que el 0,04
presentaban fuga de aceite. Si se instalan 150 de estos amortiguadores, hallar la
probabilidad de que,
a. 4 salgan defectuosos,
b. más de 5 tengan fuga de aceite.
c. de 3 a 6 amortiguadores salgan defectuosos.
d. Determine el promedio y la desviación estándar de amortiguadores con defectos.
La pregunta “b” debe sumar las

probabilidades desde P(x=6) en adelante.
En la “c” debe sumar P(x=3) + P(x=4) + P(x=5)
+ P(x=6).
Ejercicio
Un ingeniero que labora en el departamento de control de calidad de una empresa
eléctrica, inspecciona una muestra al azar de 200 alternadores de un lote. Si el 2%
de los alternadores del lote están defectuosos. Cuál es la probabilidad de que en la
muestra,
1. ninguno esté defectuoso,
Para la pregunta “d” puede realizar la
2. uno salga defectuosos, siguiente operación:
3. al menos dos salgan defectuosos
1 – [P(x=0) + P(x=1) + P(x=2)]
4. mas de tres estén con defectos
Ejercicio
La probabilidad de que un CD de música dure al menos un año sin que falle es de
0,95, calcular la probabilidad de que en una muestra de 15.
1. 12 duren menos de un año,

2. a lo más 5 duren menos de un año,
3. al menos 2 duren menos de un año.
Ejercicio
Si 8 de 100 viviendas violan el código de construcción. ¿cuál es la probabilidad de
que un inspector de viviendas, que selecciona aleatoriamente a 50 de ellas,
descubra que:
a. ninguna de las casas viola el código de construcción

b. una viola el código de construcción
c. dos violan el código de construcción
d. al menos tres violan el código de construcción
Distribución Normal
Descubierta en 1733 por el francés De Moivre, como una aproximación de
la distribución binomial cuando el número de repeticiones es grande. Fue
derivada en 1809 por Gauss y en 1812 por Laplace de forma
independiente.
𝑓 𝑥 =𝑃 𝑋=𝑥
𝑥
𝑦 =𝑚·𝑥+𝑏
14
10
Número de casos
9
frecuencia
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 6
s =
𝑛−1 4
2 3
1 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Valores
28%
Frecuencia relativa
20%
probabilidades
Densidad de
18%
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 12%
s =
𝑛−1 8%
4% 6%
2% 2%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Valores
Número de casos
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 𝑠
s = 𝐶𝑉 = ∗ 100%
𝑛−1 𝑥ҧ
Valor histórico
Características D. Normal
• Área bajo la curva entre 2 puntos representa probabilidad que ocurra un hecho entre esos
dos puntos
• Su dominio va de menos infinito a más infinito;
• Es simétrica con respecto a su media;
• Tiene dos colas y es asintótica al eje x por ambos lados;
• El valor del área debajo de toda la curva es igual a 1;
• El centro de la curva está representado por la media poblacional ().
• Para cualquier curva normal, el área de - a + es igual a 0,6827; de -2 a +2 de 0,9545 y
de -3 a +3 de 0,9973;
• Distribución muestral de varios estadísticos, como `x es normal e independiente de
distribución de la población.
D. Normal Tipificada (estandarizada)
• Distribución especial que representa a todas las variables aleatorias normales y que es
la distribución de otra variable normal llamada Z:
x -
Z=

• =NORMALIZACION(x;media;desv_estándar)
• Z se la conoce como variable aleatoria estandarizada.
• Esta función se caracteriza por tener media igual a cero y desviación tipificada igual a
uno : N(0, 1)
• Representa a todas las distribuciones Normales. Igual densidad de probabilidad, si
medimos desviaciones de media en base a .
• Valores obtenidos de tabla Normal válidos para todas las distribuciones Normal de
media =  y varianza = 2.
Densidad de Probabilidad
N (0, 1) y N(, 2)
Probabilidad Acumulada
N (0, 1) y N(, 2)
Tabla Distribución Z =DISTR.NORM.ESTAND(Z)
Uso de Tabla Distribución Z
• Para determinar la probabilidad de ocurrencia de un suceso entre 2 puntos
debemos determinar el área bajo la curva entre dichos puntos.
• Depende tipo de tabla. Usaremos tabla de - a X, ya que da la probabilidad
acumulada al igual que Excel.
• Existen otros tipos de tabla
• 0 a X, X a , etc.
• Debemos razonar siempre como determinar el área.
• En nuestra tabla, para determinar P(- a X) o P(Z ≤ X):
1. Buscamos en la columna izquierda de la tabla el valor del entero y
primer decimal
2. Buscamos en la fila superior el valor del segundo decimal,
3. Interceptamos ambos valores obteniendo el valor de P.
4. Interpretamos este valor
Probabilidad Normal Excel
=DISTR.NORM.ESTAND(Z)
• Devuelve la función de distribución normal estándar acumulativa. La
distribución tiene una media de 0 (cero) y una desviación estándar de uno. Use
esta función en lugar de una tabla estándar de áreas de curvas normales
Uso Tabla Normal Estándar (a)
Obtenga la probabilidad de que Z obtenga los siguientes valores:
P (Z  1,17)
Buscamos en la columna izquierda de la tabla el valor 1,1, y en la

primera fila el valor 0,07, interceptamos ambos valores
obteniendo el valor de 0,8790, que es el valor que buscábamos:
P(Z  1,17) = 0,879
Uso Tabla Normal Estándar (b)
P(0 Z  1,17)
• Esto lo podemos escribir de la siguiente forma también:
P(Z ≤1,17) - P(Z  0)
• El primer término lo conocemos, por que lo resolvimos en el literal a.
• Para el segundo término sabemos que la distribución normal es simétrica y que su
área total es igual a 1, por lo tanto el área que hay de - a 0 (P(Z  0)) es igual a 1/2
= 0,5.
• Por lo que el valor que buscábamos estará dado por:
P(0≤ Z  1,17) = 0,879 – 0,5 = 0,379
Uso Tabla Normal Estándar (c)
P(Z  1,17)
Sabiendo que el área total bajo toda la curva Normal de - a + es igual a 1, y
conociendo el valor del área de - a 1,17, el valor del área de 1,17 a + será:
1 - P(Z  1,17) = 1 – 0,879 = 0,121
Uso Tabla Normal Estándar (d)
• P(Z  -1,17)
• Como estamos tratando con una curva simétrica, este valor será el
mismo que el del literal c:
P(Z  -1,17) = P(Z  1,17) = 0,121
Uso Tabla Normal Estándar (e)
• P(0,42 Z  1,17)
• Al igual que en el literal b, esto lo podemos escribir como:
P(Z ≤1,17) - P(Z  0,42).
• El primer valor lo conocemos, el segundo lo encontramos en la tabla
de la misma forma:
P( Z  1,17) – P(Z  0,42)= 0,879-0,6628= 0,2162
Uso Tabla Normal Estándar (f)
h) P(|Z|  1.17)
• Determinar el área de - a -1,17 y de 1,17 a +. Como la curva es
simétrica, simplemente multiplicamos el valor de P(Z  1,17) del
literal c por 2:
P(|Z|  1,17) = 2 x P(Z  1,17) = 2 x 0,121 = 0,242
Uso Tabla Normal Estándar (g)
i) P(|Z|  1,17)
• Área dada por 1 menos valor literal h, ya que el valor total
del área es igual a 1:
P(Z  1,17) = 1- P(Z 1,17) = 1 – 0,242 = 0,758
Tabla Distribución Z Inversa
• Otro caso diferente para el cual podemos utilizar la tabla es para
encontrar el valor de Z después del cual se encuentra un  x 100
% del área de la curva.
• Esto equivale a decir buscar el valor de Z cuya probabilidad de ser
mayor sea 100 x  %, o en su defecto que su probabilidad de ser
menor sea de (1-) x 100 %
Inverso Normal Excel

• =INV.NORM.ESTAND(probabilidad)
• Devuelve el inverso de la distribución normal estándar
acumulativa. Calcula el valor de Z en donde el área de la curva a
su izquierda es igual a la probabilidad buscada.
• Se calcula con base en iteraciones, y el grado de precisión
puede variar.
Inverso Tabla Normal(0,1) (a)
• Hallar el valor de Z antes del cual se encuentra el 0,879 del
área de la curva
• Buscamos en el cuerpo de la tabla el valor correspondiente
a 0,8790. Vemos en la columna que corresponde al valor
1,1; y en la primera fila el valor a 0,07, lo que nos da
Z(1 - 0,879) = 1,17
Inverso Tabla Normal(0,1) (b)
• Hallar el valor de Z después del cual se encuentra el 5% del área de la curva:
• Esto corresponde a un valor de  = 0,05
• Esto equivale a decir buscar el valor de Z tal que:
P(Z ≥ x) = 0,05
• Buscamos en la tabla el valor de 1 – 0,05 = 0,95
• Este se encontraría en la fila correspondiente a 1,6, entre los valores de las
columnas 4 (0,9495) y 5 (0,9505), interpolamos 4,5, y Z sería igual a 1,645.
Z(0,05) = 1,645
Inverso Tabla Normal(0,1) (c)
• Hallar el valor de Z tal que el área sobre el más el área bajo -Z sea igual a
0,05:
• Esto equivale a decir buscar el valor de Z tal que:
P(|Z|  x) = 0,05
• Como es una curva simétrica: /2 = 0,05/2=0,025
• Buscamos en la tabla el valor de 1 – 0,025 = 0,975
Z(0,025) = 1,96
Inverso Tabla Normal(0,1)
• (d) Hallar el valor de Z después del cual se encuentra el 1% del área de
la curva:
• Esto corresponde a un valor de  = 0,01
• En Excel =INV.NORM.ESTAND(0,99)
Z(0,01) = 2,326
• (e) Hallar el valor de Z tal que el área sobre el más el área bajo -Z sea
igual a 0,01:
• Como es una curva simétrica: /2 = 0,01/2 = 0,005
• En Excel =INV.NORM.ESTAND(0,995)
Z(0,005) = 2,576
Buscar en la tabla para comprobar
Distribución Normal (, )
• Esto Ok! para curva N (0, 1) pero y si queremos usarlo
en población natural con 0 y 1?
• No hay problema! Tipificamos valor de x en nuestra
distribución Normal con fórmula:
x -
Z=

• Y procedemos a buscar la probabilidad para este valor
determinado.
• Z no es más que el número de desviaciones
estándares a la que se encuentra x de .
Tipificar en Excel
• = NORMALIZACION(x, , )
• Valor normalizado de distribución caracterizada por los argumentos
media y desv estándar: Z =(x - )/
• =DISTR.NORM.N(x, , , VERDADERO)
• Calcula probabilidad de que un valor se encuentre bajo x en una
distribución N(, ): P(Z ≤ x)
• =INV.NORM(P, , )
• Devuelve el valor x abajo del cual se encuentra el Px100% del área de
la curva para una distribución N(, ).
Ejercicio
a) Encontrar la probabilidad que al muestrear una
piscina con una población Normal con peso  = 5g y
2 = 4 encontremos un valor > 7,78g.
• Como 2 = 4, entonces  = 2.
• Calculamos el valor de Z:
7.78 - 5
Z= = 1.39
2
• Y luego calculamos la probabilidad de que Z sea mayor a este
valor en la tabla:
P(Z  1,39) = 1 – 0,9177 = 0,0823
• En Excel lo podemos hacer directo o por pasos
b) En la misma piscina calcular entre que valores de
peso se encuentra el 95% de la población
Distribución Weibull
La distribución de Weibull fue publicada por primera vez por Walodi
Weibull en 1939 y se ha hecho muy conocida por su versatilidad o
flexibilidad en el estudio de datos de vida. También se utiliza en muchas
otras aplicaciones, como el pronóstico del tiempo y el ajuste de datos de
todo tipo. Waloddi Weibull nació el 18 de junio de 1887 en Suecia, fallece
el 12 de octubre de 1979 en Francia.
Distribución Weibull 𝑋~𝑊𝑒𝑖𝑏𝑢𝑙𝑙(∝, 𝛽)
Es una distribución de probabilidad continua con un parámetro λ > 0 cuya
función de densidad es:
𝜷 𝒙 𝜷−𝟏 𝒙 𝜷
− 𝜶
𝒇 𝒙, 𝜶, 𝜷 = ቐ𝜶 𝜶 𝒆 𝒑𝒂𝒓𝒂 𝒙 ≥ 𝟎
𝚪 𝒏 = 𝒏−𝟏 !
𝟎 𝒆𝒏 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓𝒂𝒓𝒊𝒐
La tasa de fallos es:

Su función de distribución acumulada es: 𝜷 𝒙 𝜷−𝟏
𝒉 𝒙, 𝜶, 𝜷 = ∗
𝟎 𝒑𝒂𝒓𝒂 𝒙 < 𝟎 𝜶 𝜶
𝑭 𝒙, 𝜶, 𝜷 = ቐ −
𝒙 𝜷 La tasa acumulada de fallos es:
𝟏−𝒆 𝜶 𝒑𝒂𝒓𝒂 𝒙 ≥ 𝟎 𝒙 𝜷
𝑯 𝒙, 𝜶, 𝜷 =
𝜶
La esperanza es: La varianza es:

𝟏 𝟐 𝟏
𝑬 𝑿 =𝜶∗𝚪 𝟏+ 𝑽𝒂𝒓 𝒕 = 𝜶𝟐 𝚪 𝟏+ 𝟐
−𝚪 𝟏+
𝜷 𝜷 𝜷
❑ Un valor  < 1 indica que la tasa de fallos decrece con el tiempo

❑ Cuando  = 1, la tasa de fallos es constante en el tiempo
❑ Un valor  > 1 indica que la tasa de fallos crece con el tiempo
❑ Un valor  < 1 indica que la tasa de fallos decrece con el tiempo

❑ Cuando  = 1, la tasa de fallos es constante en el tiempo
❑ Un valor  > 1 indica que la tasa de fallos crece con el tiempo
𝒕 𝜷 𝜷 𝒕 𝜷−𝟏
−
𝑭 𝒕 =𝟏− 𝒆 𝜶 𝒉 𝒕 =
𝜷 𝜶 𝜶
𝒕 𝒕
𝐥𝐧(𝟏 − 𝐅 𝒕 ) = − ∗ 𝐥𝐧(𝒆) 𝑯 𝒕 = න 𝒉 𝒕 𝒅𝒕
𝜶
𝟏 𝒕 𝜷 𝟎
𝜷
𝒍𝒏 = 𝒕
𝟏−𝑭 𝒕 𝜶 𝑯 𝒕 =
𝟏 𝜶
𝒕 𝟏 𝜷
= 𝒍𝒏
𝜶 𝟏−𝑭 𝒕
𝟏 𝟐 𝟏
𝑽𝒂𝒓 𝒕 = 𝜶𝟐 𝚪 𝟏+ 𝟐
−𝚪 𝟏+
𝟏 𝜷 𝜷 𝜷
𝒕 = 𝜶 𝐥𝐧
𝟏−𝑭 𝒕
f (t) = DISTR.WEIBULL(Tiempo;beta;alpha;FALSO)
F (t) = DISTR.WEIBULL(Tiempo;beta;alpha;VERDADERO)
R (t) = 1-F(t)
Distribución Gamma
Definición:
La función dada por la relación:
∞
Γ α = න x α−1 e−x dx
0
se conoce como función Gamma.
Una variable aleatoria X tiene distribución Gamma si su función de densidad es:
x α−1 e− xΤβ x>0

;
f x = βα Γ α α, β > 0
0 ; otro caso
Distribución Gamma
Funciones de densidad gamma para distintos pares de parámetros α, β.

Distribución Gamma
Resumen Variable aleatoria gamma
x α−1 e− xΤβ x>0

;
Función de densidad f x = βα Γ α α, β > 0
0 ; otro caso
Media μ = αβ
Varianza σ2 = αβ2
−α , t
1
Función generatriz de momentos mx t = 1 − tβ <
β
Distribución Gamma
Ejemplo:
Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una distribución gamma con
parámetro de forma α = 3 y β = 3. Encontrar:
a) La media y la varianza de X
b) La probabilidad de que en cierto día el consumo de electricidad sea mayor que 15 kilowatts – hora.
c) La probabilidad de que el consumo diario de electricidad sea de cuando menos 20 kilowatts – hora.
d) La probabilidad de que el consumo por día esté entre 30 y 50 kilowatts – hora.
Distribución Gamma
Ejemplo:
parámetro de forma α = 3 y β = 3.
Solución:
a) La media y la varianza de X
μ = αβ = 3 3 = 9
σ2 = αβ2 = 3 3 2 = 27
Distribución Gamma
Ejemplo:
Solución: x α−1 e− xΤβ x>0
;
Con la función de densidad → f x = βα Γ α α, β > 0
0 ; otro caso
x 2 e− x Τ 3 x>0
;
Sustituyendo valores: α = 3 y β = 3 → f x = 27 2 ! α, β > 0
0 ; otro caso
b) La probabilidad de que en cierto día el consumo de electricidad sea mayor que 15 kilowatts – hora.
∞ ∞
x 2 e − xΤ3
P X > 15 = න f(x) dx = න dx = 0.1247
15 15 54
Distribución Gamma
Ejemplo:
;
0 ; otro caso
x 2 e− x Τ 3 x>0
;
0 ; otro caso
c) La probabilidad de que el consumo diario de electricidad sea de cuando menos 20 kilowatts – hora.
∞ ∞
x 2 e − xΤ3
P X ≥ 20 = න f(x) dx = න dx = 0.03804
20 20 54
Distribución Gamma
Ejemplo:
;
0 ; otro caso
x 2 e− x Τ 3 x>0
;
0 ; otro caso
d) La probabilidad de que el consumo por día esté entre 30 y 50 kilowatts – hora.

50 50
x 2 e − x Τ3
P 30 ≤ X ≤ 50 = න f(x) dx = න dx = 0.00276
30 30 54
CARRERA DE INGENIERÍA AUTOMOTRIZ
GRACIAS!
Ing. Eduardo Hernández Mgs.
0962141599 - edhernandez@espoch.edu.ec
“El mundo está construido por aquellos que en lugar de

dormir, se dedica a planificar su próximo sueño”

02 Estadistica - Probabilidades

Cargado por

Información del documento

Descripción 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

02 Estadistica - Probabilidades

Cargado por

Copyright:

Formatos disponibles

Ing. Eduardo Hernández Mgs.

▪ Ex jefe del Taller Mecánico de Plasticaucho Industrial S.A.

Para el experimento tirar un dado y ver qué numero sale:

Salga un nº par = {2, 4, 6}

Es un método por el cual se obtiene la frecuencia de un acontecimiento

Debe cumplirse que:

La probabilidad de un suceso A se representa P(A)

❑ Lanza una moneda 3 veces y haz una tabla de frecuencias relativas.

Axioma: verdad incuestionable que no necesita demostración.

Consecuencias ഥ =𝟏−𝑷 𝑨 →𝑸+𝑷=𝟏

Pero si A es el suceso extracción de un rey, y B es el suceso extracción de

En una caja que contiene 10 bolas rojas, 30 blancas, 20 azules y 15

b) sólo el hombre viva,

c) sólo viva la esposa; y,

d) al menos uno este vivo.

Su forma de cálculo para sucesos compuestos independientes será igual:

▪ Lanzar una moneda y un dado son independientes

En cada rama se coloca la

1) Al subir un nivel las

dos a dos y tales que 𝐴1 ∪ 𝐴2 ∪ ⋯ ∪ 𝐴𝑛 = 𝐸. 𝐵

Entonces, para cualquier otro suceso 𝐵 ⊂ 𝐸: Sucesos

𝑷 𝑩 = 𝑷 𝑨𝟏 ∙ 𝑷 𝑩/𝑨𝟏 + 𝑷 𝑨𝟐 ∙ 𝑷 𝑩/𝑨𝟐 + ⋯ + 𝑷 𝑨𝒏 ∙ 𝑷 𝑩/𝑨𝒏

H: varón b) 𝑃 𝑆 = 𝑃 𝑆 ∙ 𝑃 𝐻/𝑆 + 𝑃 𝑆 ∙ 𝑃 𝑀/𝑆

𝐹𝐻 = 0,3 𝐹ത𝐻 = 0,24

𝐹𝑀 = 0,1 𝐹ത𝑀 = 0,36

𝐹𝐻 = 0,3 𝐹ത𝐻 = 0,24

𝐹𝑀 = 0,1 𝐹ത𝑀 = 0,36

Prob. de tomar una

¿De cuantas formas se podría vestir la joven?

16 formas de vestirse = 2 pantalones x 4 camisas x 2 zapatos

❑Esta herramienta para representar todos los posibles resultados se llama

COMBINACIONES -NO influye el orden en que colocas los MISMOS elementos

PERMUTACIONES - SÍ influye el orden en que colocas los MISMOS elementos

NOTA: Hay casos en los que m = n y es una Combinación o una Variación

a. El maestro desea que 3 de los 17 alumnos lo ayuden a entregar material a los

❑ ¿Influye el orden de colocación? NO

¿Cuántos elementos tengo? m = 40

❑ ¿Influye el orden de colocación? NO

COMBINACIÓN 𝐶𝑅𝑛 = 𝑚+𝑛−1

¿Cuántos elementos tengo? m = 40

Las variaciones con repetición, únicamente

Las permutaciones con repetición PERMUTACIÓN 𝑛 ,𝑛2 .⋯,𝑛𝑘 𝑛!

¿De cuantas maneras puede escogerse 2 hombres, 4 mujeres y 3 niñas y 3niños?

Es aquella que puede asumir un número contable de valores. Ejemplos:

▪ El número de hijos de una familia.

Es aquella que puede asumir un número incontable de valores. Ejemplos:

▪ La estatura de tu mejor amigo.

E: Espacio muestral 𝑥: Valores de VA 𝑓 𝑥 : Probabilidades

𝑓 3 = 𝑃 𝑁ú𝑚𝑒𝑟𝑜 𝑜𝑏𝑡𝑒𝑛𝑖𝑑𝑜 = 3 = 1/6

E: Espacio muestral 𝑥: Valores de VA 𝑓 𝑥 : Probabilidades

1) 𝑓 𝑥 > 0 − ∞ < 𝑥 < ∞

Función de distribución acumulativa

Si repetimos el experimento n veces podemos obtener datos para armar una

𝑓 2 = 𝑃 𝑋 = 2 = 10 ∙ 0,82 (0,2)3 0,2

𝐸1 𝑜𝑐𝑢𝑟𝑟𝑎 𝑥1 𝑣𝑒𝑐𝑒𝑠 𝑃(𝑋1 = 𝑥1 )

Para enteros positivos 𝑥1 , … , 𝑥𝑘

X = número de veces que ocurre un evento durante un intervalo definido

2. La probabilidad de ocurrencia es la misma para cualesquiera 2 intervalos de

• Permite determinar la probabilidad de ocurrencia de un suceso con resultado

• Es muy útil cuando la muestra o segmento n es grande y la probabilidad de

• Se utiliza cuando la probabilidad del evento que nos interesa se distribuye

1. La probabilidad de observar exactamente un éxito en el

Si repetimos el experimento n veces podemos