ESCUELA POLITECNICA DEL EJRCITO

REALIZADO POR:
DRA. PATRICIA GUEVARA V.

SANGOLQUI, 2008

INDICE
1.

TEORA DE LAS A LAS PROBABILIDADES ______________________________ 1

1.1.

CONCEPTOS BSICOS DE PROBABILIDAD___________________________________ 1

1.1.1.
1.1.2.
1.1.3.
1.1.4.

1.2.

1
1
2
2

AXIOMATIZACIN DE LAS PROBABILIDAD MEDIANTE LOS CONJUNTOS_____ 3

1.2.1.
1.2.2.

1.3.

Experimento ____________________________________________________________________
Espacio muestral ()______________________________________________________________
Evento _________________________________________________________________________
Definicin clsica de probabilidad ___________________________________________________

Axiomas _______________________________________________________________________ 3
Eventos son Mutuamente excluyentes ________________________________________________ 3

REGLAS DE PROBABILIDAD ________________________________________________ 3

1.3.1.
1.3.2.
1.3.3.
1.3.4.

Regla de Adicin de eventos________________________________________________________

Regla de Probabilidad conjunta (Multiplicacin) ________________________________________
Regla de probabilidad total _________________________________________________________
Teorema de Bayes ________________________________________________________________

3
6
9
9

1.4.

EJERCICIOS PROPUESTOS ________________________________________________ 11

1.5.

TCNICAS DE CONTEO ____________________________________________________ 13

1.5.1.
1.5.2.
1.5.3.
1.5.4.
1.5.5.

1.6.

2.

Regla mn ______________________________________________________________________
Permutaciones __________________________________________________________________
Combinaciones _________________________________________________________________
Frmula de Stirling ______________________________________________________________
Aplicaciones ___________________________________________________________________

13
13
14
14
14

EJERCICIOS PROPUESTOS ________________________________________________ 15

DISTRIBUCIONES DE PROBABILIDAD _________________________________ 16

5.1.

DEFINICIONES ____________________________________________________________ 16

5.1.1.
5.1.2.
5.1.3.
5.1.4.
5.1.5.
5.1.6.
5.1.7.

5.2.

Modelos de distribucin de probabilidad _____________________________________________ 20

DISTRIBUCIN BINOMIAL_________________________________________________ 21

5.3.1.
5.3.2.

5.4.

16
16
17
18
18
18
18

EJERCICIOS PROPUESTOS ________________________________________________ 19

5.2.1.

5.3.

Variable aleatoria _______________________________________________________________

Funcin de densidad f(x)__________________________________________________________
Funcin de distribucin F(x)_______________________________________________________
Esperanza matemtica ____________________________________________________________
Varianza ______________________________________________________________________
Coeficiente de asimetra __________________________________________________________
Coeficiente de curtosis ___________________________________________________________

Funciones de densidad y distribucin binomial ________________________________________ 21

Medidas descriptivas de la v.a. binomial _____________________________________________ 21

DISTRIBUCIN DE POISSON _______________________________________________ 23

5.4.1.
5.4.2.

Funciones de densidad y distribucin de Poisson _______________________________________ 23

Medidas descriptivas: ____________________________________________________________ 23

5.5.

EJERCICIOS PROPUESTOS ________________________________________________ 24

5.6.

DISTRIBUCIN HIPERGEOMTRICA _______________________________________ 26

5.6.1.
5.6.2.

5.7.

Funciones de densidad y distribucin Hipergeomtrica __________________________________ 26

Medidas descriptivas_____________________________________________________________ 26

LA DISTRIBUCIN NORMAL _______________________________________________ 27

5.7.1.
5.7.2.
5.7.3.
5.7.4.
5.7.5.
5.7.6.

Funcin de densidad normal _______________________________________________________

Medidas descriptivas de una variable aleatoria normal___________________________________
Funcin de distribucin normal ____________________________________________________
Variable aleatoria normal estndar __________________________________________________
Funcin de densidad y distribucin normal estndar ____________________________________
Propiedades de la funcin de densidad normal y normal estndar __________________________

Dra. Patricia Guevara Vallejo

27
27
28
28
29
29

ii

5.7.7.
5.7.8.

Propiedades de la funcin de distribucin normal y normal estndar________________________ 29

Uso de las tablas de la distribucin normal____________________________________________ 30

Dra. Patricia Guevara Vallejo

iii

1. TEORA DE LAS A LAS PROBABILIDADES

La probabilidad surge de los juegos de azar, cuando se trataba de determinar las posibilidades
que tena un jugador de ganar o de perder.
Intuitivamente la Probabilidad se podra decir es el grado de certeza con el cual un
acontecimiento puede ocurrir. La teora de las probabilidades juega un papel importante en la
inferencia estadstica.
Ejemplo:
Si una compaa produce productos que deben contener un peso dado, y en el proceso dichos
productos tienen un peso inferior o superior al especificado, esto trae consecuencias negativas
para la empresa, ya que si el peso es inferior los clientes se quejarn diciendo estar perjudicados,
mientras que si el peso es superior, sera perjudicial econmicamente para la empresa. Para
controlar el proceso se puede tomar una muestra aleatoria para determinar el de productos que
estn fuera de los lmites permitidos.
1.1.

CONCEPTOS BSICOS DE PROBABILIDAD

1.1.1. Experimento
Es un proceso por el cual se obtiene una observacin. Ejemplos: a) Lanzamiento de una moneda,
b) Lanzamiento de un dado, c) Nmero de artculos defectuosos en una fbrica.
1.1.2. Espacio muestral ()
El espacio muestral es el conjunto de todos los posibles del experimento. S lo notar con .
Ejemplos:
a) Del experimento lanzamiento de una moneda, el espacio muestral es: = {C, S}
b) Del experimento lanzamiento de un dado, el espacio muestral es:
= {1,2,3,4,5,6,}
c) Del experimento Lanzamiento de dos monedas, se tiene espacio un muestral:
= {CC, CS, SC, SS}
C
C
S
C
S
S

d) Complete el espacio muestral del experimento Lanzamiento de dos dados:

(1,1)
(1,2); (2,1)
(1,3); (2,2); (3,1)
( , ); ( , ); ( , ); ( , )
( , ); ( , ); ( , ); ( , ); ( , )
( , ); ( , ); ( , ); ( , ); ( , ); ( , )
( , ); ( , ); ( , ); ( , ); ( , )
( , ); ( , ); ( , ); ( , )
( , ); ( , ); ( , )
( , ); ( , )
( , )
1

1.1.3. Evento
Es un subconjunto del espacio muestral, se lo puede notar con letras Ei o A, B, etc.
Ejemplos:
a) Del experimento lanzamiento de una moneda, puede interesar el evento C: Se observa cara
b) Del experimento lanzamiento de un dado, puede interesar el evento A: Se observa el nmero
6
Los eventos pueden ser simples y compuestos. Se llama simple, si el evento no se puede
descomponer en otros eventos, mientras que el evento compuesto se puede descomponer en dos
o ms eventos simples. Ejemplos:
a) Del experimento lanzamiento de una moneda, un evento simple es C: Se observa cara.
b) Del experimento lanzamiento de un dado, se tienen algunos eventos simples: E1: Se observa
el nmero 1, . . . , E6: Se observa el nmero 6, etc.; y se tienen algunos eventos compuestos:
A1: Se observa nmero par, A2: Se observa el nmero impar, etc.
1.1.4. Definicin clsica de probabilidad
Si un experimento que est sujeto al azar, resulta de n formas igualmente probables y
mutuamente excluyentes, y si nA de estos resultados tienen un atributo A, la probabilidad de A es
n
la proporcin de nA con respecto a n.
donde 0nAn
p( A ) = A ,
n
Ejemplo:
De un estudio realizado a 200 graduados, se determin que 60 de ellos no estaban empleados en
su rea. Cul ser la probabilidad de que un graduado no est empleado en su rea?.
Solucin:
Sea el evento A: graduado que no est empleado en su rea nA= 60
La probabilidad de que un graduado no trabaje en su rea, es p(A)=

60
=0,30
200

Nota.- Si existe poca o ninguna experiencia sobre un fenmeno que permita hallar su
probabilidad, se puede utilizar la probabilidad subjetiva, la misma que se basa en opiniones
disponibles, por lo que La probabilidad de suceda un evento, es asignada por una persona en
base a cualquier informacin que esta disponga.
1.1.4.1. Propiedades de la probabilidad
La probabilidad se interpreta como una frecuencia relativa, por lo tanto cumple con las
siguientes propiedades:
1) Dado evento simple Ei, se cumple
0P{Ei} 1
2) La suma de las probabilidades es 1, es decir
p(Ei ) =1
i

Ejemplos:
a) Del experimento lanzamiento de una moneda, dados los eventos: C: Observar cara, S:
Observar sello, la probabilidad de ocurrencia de cada evento es: p(C)= ,
p(S) =
b) Del experimento lanzamiento de un dado, con eventos E1: Se observa nmero par, E2: Se
observa el nmero impar, y sus probabilidad de ocurrencia son:
p(E1)=3/6,
p(E2)=3/6
c) En la extraccin de cartas con reposicin de un juego de naipes, se tiene un espacio
muestral formado por 52 resultados:
={2,..., K, 2,..., K, 2,..., K, 2,..., K}
Se puede hallar la probabilidad para los siguientes eventos:
2

P(As) = 1/52

P() = 13/52

P() =1

1.2. AXIOMATIZACIN DE LAS PROBABILIDAD MEDIANTE LOS CONJUNTOS

Los eventos pueden ser asociados con la teora de conjuntos, por lo que el espacio muestral
estar asociado con el conjunto universo, el evento nulo con el conjunto vaco, y los eventos se
asocian con conjuntos cualquiera. Los axiomas relacionados con la teora de conjuntos y los
eventos se enuncian a continuacin.
1.2.1. Axiomas
Sean A, B, eventos cualquiera,
Operacin y Significado
Evento seguro

evento nulo y espacio muestral (universo). Entonces:

Grfico de interpretacin
p() = 1

Evento nulo
p() = 0
Evento A

Ac
Evento contrario:
CA, A, No sucede A
A
AB

p(Ac)=1 - p(A)

p(Ac)=1 - p(A)

Suceden A o B.

A
A

(implica que al
B
menos uno de los
dos eventos)
p(AoB) = p(A) + p(B) p(AB)
A B

p(AoB) = p(A) + p(B)

Suceden A y B
(implica que los dos
eventos suceden a p(AB)
la vez)

1.2.2. Eventos son Mutuamente excluyentes

Los eventos A y B, se dicen Mutuamente excluyentes, cuando estos no tienen resultados
comunes; luego AB=, por lo que p()=0.
1.3. REGLAS DE PROBABILIDAD
1.3.1. Regla de Adicin de eventos
Si A y B son eventos cualquiera, entonces: P(AB)=P(A)+P(B)P(AB). En general, si se
tienen n eventos Ei, entonces: P(E1...En)=P(E1)+...+P(En)...P(EiEj)... P(E1... En).
Caso particular.- Si A y B son eventos mutuamente excluyentes, P(AB)=P(A)+P(B)
3

Nota.- Sean A y Ac dos eventos mutuamente excluyentes, como

luego P(S) = P(A)+P(Ac) =1,
o
tambin:

=A Ac.
P(Ac) = 1 P(A)

Ejemplos:
1. En el lanzamiento de una moneda se definen dos eventos mutuamente excluyentes:
A:Observar cara; B:Observar sello. Determine P(AB) =
2. En el lanzamiento de un dado se definen los eventos: C:Observar uno; D:Observar dos;
E:Observar nmeros menores que 4; F:Observar nmeros impares. Determine
P(CD) =
P(EF) =
3. En la extraccin de cartas, se definen muchos eventos no excluyentes; ejemplo de ello son: G:
Extraer un As;
H: Extraer carta de . Son eventos no excluyentes. Determine
P(GH) =
4. Si P(A)= 0.3, P(B)=0.2 y P(AB)=0.1, determine las siguientes probabilidades. (sec.2.3Montgomerry, Ej. 2.45)
a) P(Ac)=
b) P(AB)=
c) P(AcB)=

d) P(ABc)=

e) P[(AB)c]=
f) P(AcB)]=
g) P[(AB)c]=
5. La tabla siguiente presenta un resumen del anlisis realizado a las flechas de un compresor
para determinar el grado con que stas satisfacen ciertos requerimientos.
La curva cumple con los requerimientos
No (B2)
Total
Si (B1)
El acabado superficial
cumple
con
los
requerimientos

Si (A1)

345

350

No (A2)

12

20

Total

367

13

370

a. Si se toma una flecha al azar, cul es la probabilidad de que cumpla con los
requerimientos de acabado superficial?
b. Cul es la probabilidad de que la flecha seleccionada cumpla con los requerimientos de
acabado superficial o con los de curvatura?
c. Cul es la probabilidad de que la flecha seleccionada cumpla con los requerimientos de
acabado superficial o que no cumpla con los de curvatura?
d. Cul es la probabilidad de que la flecha seleccionada cumpla con los requerimientos de
acabado superficial y de curvatura?

1.3.1.1. Probabilidad condicional

La probabilidad condicional del evento B dado que el ocurri el evento A, se define como:
p(B|A) = p(AB)/p(A)
La probabilidad condicional del evento A dado que el ocurri el evento B, se define como:
p(A|B) = p(BA)/p(B)
Ejemplo:
6. Con los datos del anlisis de las flechas, realice lo siguiente:
a. Si se sabe que la flecha cumple con los requerimientos de curvatura, cul es la
probabilidad de que cumpla con los requerimientos de acabado superficial?
b. Si se sabe que la flecha no cumple con los requerimientos de curvatura, cul es la
probabilidad de que cumpla con los requerimientos de acabado superficial?
c. Cul es la probabilidad de que no cumpla con los requerimientos de curvatura, si se sabe
que la flecha no cumple con los requerimientos de acabado superficial?
7. En el experimento extraccin de cartas sin reposicin, determine lo siguiente:
a. Cul es la probabilidad de observar una carta de corazn rojo en la primera extraccin?
P() =
b. Cul es la probabilidad de observar una carta de corazn rojo, si se sabe que en la
primera extraccin se observ un As de corazn rojo?
P(As) =
c. Cul es la probabilidad de observar una carta de corazn rojo, si se sabe que en la
primera extraccin se observ un cinco de trbol?
5

P(5) =
1.3.2. Regla de Probabilidad conjunta (Multiplicacin)
Supngase que se realiza un control de 10 elementos que contiene una caja, y se conoce que 3 de
estos son defectuosos, entonces la probabilidad de que sea seleccionado un defectuoso es
p=3/10; si se hace una nueva extraccin sin reposicin, la probabilidad es afectada por el primer
resultado. Por ejemplo si el primero ya fue defectuoso, la nueva probabilidad sera 2/9, a sta
ltima probabilidad se la llamar condicional.
1.3.2.1. Regla general de multiplicacin
Utilizada para calcular una probabilidad conjunta se define como la probabilidad de que ocurran
A y B al mismo tiempo. De modo que si A y B son dos eventos cualquiera:
p(AB) = p(A).p(B|A).
1.3.2.2. Eventos independientes
Dos eventos A y B son independientes, cuando la ocurrencia del uno no afecta en la probabilidad
de ocurrencia del otro.
Es decir, Si A y B son independientes, si se cumple una de las siguientes proposiciones:
i) P (A/B) = P(A)
j) P (B/A) = P(B)
k) P(AB) = P(A)P(B)
Esto significa que el conocimiento de la realizacin del evento B no aporta en nada al
conocimiento de la realizacin del evento A y viceversa. Para las aplicaciones y demostraciones
de la independencia de eventos se usa la siguiente propiedad.
Ejemplo
8. Supngase que se tienen 10 rollos de pelcula fotogrfica, en una caja y se sabe que tres son
defectuosos. Se selecciona uno al azar, la probabilidad de extraer uno defectuoso es p(D) =
3/10, y la probabilidad de seleccionar uno satisfactorio es p(Dc) = 7/10.
Caso 1) Extracciones con reposicin:
Se elige despus un segundo rollo, haciendo reposicin del primero, entonces la
probabilidad de que el segundo rollo sea defectuoso no cambia, pero se tienen dos
posibilidades, por lo que:
p(D/D) = 3/10
p(D/Dc) = 3/10
Si nuevamente se hace reposicin antes de la segunda extraccin, entonces la probabilidad
de que el segundo rollo sea satisfactorio no cambia, pero se tienen dos posibilidades, por lo
por lo que:
p(Dc/D) = 7/10
p(Dc/Dc) = 7/10
Caso 2) Extracciones sin reposicin:
Se elige un segundo rollo, sin haber hecho reposicin, entonces la probabilidad de que el
segundo rollo sea defectuoso, tiene dos posibilidades:
p(D/D) = 2/9
p(D/Dc) = 3/9
Si nuevamente no se repone el rollo saliente, entonces la probabilidad de que el segundo
rollo sea satisfactorio tiene dos posibilidades, por lo por lo que:
6

p(Dc/D) = 7/9
p(Dc/Dc) = 6/9
Ejemplo
9. Considere el ejemplo anterior. Ahora se seleccionarn dos rollos uno despus de otro. Cul
es la probabilidad:
a) De seleccionar uno defectuoso seguido de otro defectuoso?
b) De seleccionar uno defectuoso seguido de uno sin defectos?
c) De seleccionar uno sin defectos seguido uno defectuoso?
Halle dichas probabilidades en el caso 1) y en el caso 2)
Caso 1)
a) p(DD)=P(DD)=
b) p(DDc)=P(DDc)=
c) p(DcD)=P(DcD)=
Caso 2)
d) p(DD)=P(DD)=p(D)p(D/D)

e) p(DDc)=P(DDc)=p(D)p(Dc/D)
f) p(DcD)=P(DcD)=p(Dc)p(D/Dc)

3 2
=
10 9
2 7
= =
10 9
7 3
= =
10 9
=

Ejemplo 2.36 (Tomado de Probabilidades y Estadstica de Douglas Montgomery)

10. Supngase que la probabilidad de que una muestra de aire contenga una molcula rara es
0.01 y si las muestras son independientes; esto es, la probabilidad de que una muestra
contenga una molcula rara no depende de las caractersticas de ninguna de las dems
muestras. Si se analizan 15 muestras,

a) cul es la probabilidad de que todas las molculas sean raras?

Sea Ei: Evento donde la i-sima muestra de aire contiene molculas raras, i=1,2,,15
p(E1) = 0.01
p(E1 E2 En) = p(E1)p(E2) p(En) = 0.0115 =
b) cul es la probabilidad de que ninguna de las molculas sea rara?
Sea Ec i: Evento donde la i-sima muestra de aire no contiene molculas raras,
i=1,2,,15
c
p(E 1) =(Ec1) 0.99
p(Ec1 Ec2 Ecn) = p(Ec1)p(Ec2) p(Ecn) = 0.9915 =
11. De una encuesta a los ejecutivos de una empresa enfocada a la lealtad a la empresa, se
plantearon dos preguntas si tuviera una oferta de trabajo igual o ligeramente mejor a la
actual se quedara o no la empresa actual?, la respuesta se le asoci con el tiempo de
servicio del empleado, y se construy la siguiente tabla de contingencia:

Tiempo de servicio
Lealtad
A1: Se quedara
A2: No se quedara
Total

B1:
Menos de 1 ao
10
25

B2:
1 5 aos
30
15

B3:
6 10 aos
5
10

B4:
Ms de 10 aos
75
30

Total
120
80
200

Cul es la probabilidad de seleccionar al azar un ejecutivo:

a) ni se quede en la empresa, ni tenga ms de 10 aos de servicio?
b) tenga entre 6 y 10 aos en la empresa dado que no se queda?
c) Realice un diagrama de rbol que represente estos eventos y sus respectivas
probabilidades de la tabla.
Se construir el diagrama de rbol partiendo de los eventos simples A1: Se quedara, A2: No
se quedara, con las siguientes probabilidades, p(A1) = 120 , p(A2) = 80 .
200

Prob. a Priori

Prob. Condicionales
10/120
30/120

p(A1) = 120
200

5/120
75/120

25/80
p(A2) = 80
200

15/80
10/80
30/80

200

Prob. Conjuntas

< 1 ao

p(A1)p(B1/A1) = 120 x 10 = 0.050

200 120

1 5 aos

p(A1)p(B2/A1) = 120 x 30 = 0.150

200 120

6 10 aos p(A1)p(B3/A1) = 120 x 5 = 0.025

200 120
> 10 aos

p(A1)p(B4/A1) = 120 x 75 = 0.0375

200 120

< 1 ao

p(A2)p(B1/A2) = 80 x 25 = 0.125
200 80

1 5 aos p(A2)p(B2/A2) = 80 x 15 = 0.075

200 80
6 10 aos p(A2)p(B3/A2) = 80 x 10 = 0.050
200 80
> 10 aos p(A2)p(B4/A2) = 80 x 30 = 0.150
200 80

Total = 1.000

1.3.3. Regla de probabilidad total

E1

E2

E3

E1B E2B E3B

En

...
EnB

Definicin: Supngase que E1, E2, . . . , En, son eventos mutuamente excluyentes, entonces:
P(B) = P(E1B) +P(E2B) + . . . +P(EnB) = P(E1)P(B/E1) +P(E2)P(B/E2) + . . . + P(En)P(B/En)
Puesto que, B = (E1B) P(E2B) . . . P(EnB),
Ejemplo
12. La irregularidad del corte de productos de papel aumenta a mediad que las hojas de la
cuchilla se desgastan. Slo el 1% de productos cortado con cuchillas nuevas tienen cortes
irregulares, el 3% de los cortados con cuchillas de filo promedio exhiben irregularidades y
el 5% de los cortados con cuchillas desgastadas presenta irregularidades. Si el 25% de las
cuchillas utilizadas en el proceso de corte son nuevas, el 60% tienen un filo promedio y el
15% de las cuchillas estn desgastadas, cul es la proporcin de productos que tendrn
cortes irregulares?

1.3.4. Teorema de Bayes

En el ejemplo de los semiconductores se cuenta con una tabla que muestra todas las
probabilidades entre los eventos A y B, ya sean las probabilidades conjuntas, condicionales y
totales, pero no siempre ocurre esto.
Supngase que se conoce p(B/A), pero se quiere determinar p(A/B), en este caso hace falta una
nueva regla de probabilidad que nos permita hallar est probabilidad, llamada Teorema de
Bayes.
Comencemos con un caso particular, dados los eventos A y B,
se tiene que
p(AB) = p(BA),
pero a su vez,
p(AB) = p(A)p(B/A) = p(BA) = p(B)P(A/B)
p(B/A)p(A)
Por lo tanto:
p(A/B) =
p(B)
Lo que implica p(A/B) puede determinarse en funcin de la informacin previa, p(B/A) y p(B)
En general para hallar este tipo de probabilidades cuando se tienen ms eventos requiere de los
siguientes elementos:
9

Probabilidades a Priori, que son las probabilidades iniciales con base al nivel actual de
informacin, se denota con p(Ei)
Probabilidades condicionales: P(B/Ei)
Probabilidad total: p(B)

Teorema de Bayes

Sean E1, E2, . . . , En, eventos mutuamente excluyentes, y B un evento cualquiera, y dados los
eventos condicionales B/Ei entonces:
p(E i )p(B E i )
p(E i )p(B E i )
=
p(E i B) =
p(B)
p(E 1 )p(B E 1 ) + p(E 2 )p(B E 2 ) + ... + p(E n )p(B E n )
Ejemplo:
13. Suponga que el 5% de una poblacin padece de una enfermedad, se A1 el evento tiene la
enfermedad y A2 el evento no tiene la enfermedad. Existe una prueba para detectar la
enfermedad aunque no es muy exacta. Sea B el evento la prueba indica que la
enfermedad est presente. De acuerdo a los datos histricos, se conoce que: si una
persona padece la enfermedad, la probabilidad de que la prueba indique la presencia de la
misma es 0.90, y si una persona no padece la enfermedad la probabilidad de que la prueba
indique la presencia de la misma es 0.15. Cul es la probabilidad de que la persona est
enferma dado que la prueba result positiva?

Solucin:
Eventos y probabilidades a priori (datos)
Eventos y probabilidades simples:
tiene la enfermedad

p(A1) = 0.05
A1:
p(A2) = 0.95
A2: no tiene la enfermedad

Eventos y probabilidades condicionales

B: la prueba indica que la enfermedad est presente
p(B) = ?
B/A1:
la prueba indica que la enfermedad est presente, dado que la persona

p(B/A1) = 0.90
tiene la enfermedad
B/A2:
la prueba indica que la enfermedad est presente, dado que la persona no

p(B/A2) = 0.15
tiene la enfermedad
Evento y probabilidad a posteriori (lo que se desea encontrar)
Hallemos primero la probabilidad de que la prueba indica presencia de la enfermedad en
cualquiera de las condiciones indicadas inicialmente:

p(B) = 0.05*0.90+0.95*0.15 = 0.14925

luego el evento A1/B:tiene la enfermedad, dado que la prueba result positiva tiene
probabilidad de ocurrencia
p(A1 )p(B A 1 )
p(A 1 )p(B A 1 )
p(A 1 B) =
=
=
p(A 1 )p(B A 1 ) + p(A 2 )p(B A 2 )
p(B)

p(A1 B) =

0.05 * 0.90
= 0.3015
0.14925

10

1.4. EJERCICIOS PROPUESTOS

14. Una caja contiene 12 esferas de colores de las cuales 2 son amarillas, 3 blancas, 4 rojas y
tres negras. Con dicha informacin:
a. Halle la probabilidad de extraer una bola blanca o roja
b. Halle la probabilidad de extraer una bola negra o roja
15. Un estudio de 200 cadenas de comestibles revel estos ingresos, despus del pago de
impuestos:
Ingresos (dlares). Despus de pagar los impuestos
Menos de 1 milln
De 1 a 20 millones
Ms de 20 millones

Nmeros de empresas
102
61
37

b. Cul es la probabilidad de que una cadena seleccionada al azar tenga menos de un

milln (de dlares) en ingresos despus de pagar los impuestos?
c. Cul es la probabilidad de que una cadena seleccionada al azar tenga ingresos entre 1 y
20 millones, o bien ms de 20 millones, despus de pagar los impuestos?
16. Los eventos X y Y son mutuamente excluyentes. Supngase que p(X) =0.30 y p(Y)=0.2,
b. Cul es la probabilidad de que ocurra X o Y?
c. Cul es la probabilidad de que no suceda ni X ni Y?
17. Cada uno de los cinco posibles resultados de un experimento aleatorio es igualmente
probable. El espacio muestral S = {a, b, c, d, e}. Sean A: el evento {a, b} y B; el evento {c,
d, e}. Determine lo siguiente.
a) P (A)=
b) P (B)=
c) P (CA)= d) P (AB)=
e) P (AB)=
18. Hallar las siguientes probabilidades, en la segunda extraccin de una carta (sin reposicin)
a. P(As / As) =
b. P(/As)=
c. P(2/)=
19. Un lote contiene 15 piezas de fierro fundido de un proveedor local y 25 de un proveedor de
otro estado. Se eligen dos piezas al azar, sin reemplazo, del lote de 40. Se consideran los
eventos A: La primera pieza seleccionada es del proveedor local, B: La segunda pieza
seleccionada es del proveedor de otro estado, Halle:
(Ejerc. 2.55 Montgomery)
p(A) = p(B/A) =
p(AB)=
P (AB)=
20. Hallar las siguientes probabilidades, en la segunda extraccin de una carta (sin reposicin)
a. P(As / As) =
b. P(/As)=
c. P(2/)=
21. Un circuito trabaja slo si, existe una trayectoria de dispositivos en funcionamiento, de
izquierda a derecha. La probabilidad de que cada dispositivo funcione aparece en la figura.
Supngase que los dispositivos fallan de manera independiente. Cul es la probabilidad de
que el circuito trabaje?. Ej. Resuelto. 2.37 (Tomado de Probabilidades y Estadstica de Douglas
Montgomery
0.90
0.95
a

0.90

0.99

0.95
0.90

11

22. La siguiente tabla de contingencia contiene la historia de 940 obleas en proceso de

fabricacin de semiconductores. Sea A el evento La oblea tiene altos niveles de
contaminacin y B el evento La oblea estn en el centro del dispositivo electrnico.
Tabla.- Obleas en proceso de fabricacin
En el centro del instrumento
Contaminacin alta

Si (B1)

No (B2)

Si (A1)

514

68

No (A2)

112

246

Total

Total

Halle la probabilidad de que:

a) la oblea tenga altos niveles de contaminacin
b) la oblea est en el centro del dispositivo
c) la oblea est en el centro del dispositivo y tenga altos niveles de contaminacin
d) la oblea est en el centro del dispositivo o contenga altos niveles de contaminacin
e) la oblea est no est en el centro del dispositivo pero tenga altos niveles de
contaminacin
f) la oblea ni tenga altos niveles de contaminacin ni est en el centro del dispositivo
g) tenga altos niveles de contaminacin o no est en el centro del dispositivo
23. Un lote contiene 500 contenedores para jugo de naranja congelado contiene cinco que estn
Ejerc. 2.61 Montgomery)
defectuosos. Se toman al azar dos sin reemplazo.
a. Cul es la probabilidad de que el segundo contenedor sea defectuoso si el primero lo fue?
b. Cul es la probabilidad de que los dos contenedores sean defectuosos?
c. Cul es la probabilidad de que los dos contenedores sean aceptables?

24. (Ejerc. 2.67 Montgomery). La probabilidad de que falle un conector elctrico que se
mantiene seco durante el periodo de garanta es 1%. Si el conector se humedece, la
probabilidad de falla durante el periodo de garanta es 5%. Si el 90% de los conectores se
mantienen secos, y el 10% se humedece, qu porcentaje de conectores fallar durante el
periodo de garanta?
25. (Ejerc. 2.68 Montgomery). Suponga que el 2% de los rollos de tela de algodn son
defectuosos, al igual que el 3% de los rollos de tela de nylon. De los rollos de tela de
utilizados por el fabricante, 70% son de algodn y 30% son de nylon, cul es la
probabilidad de que al seleccionar uno de los rollos ste sea defectusos?
26. (Ejerc. 2.69 Montgomery). En la fabricacin de un adhesivo qumico, el 2% de todos los
lotes contienen materia que proviene de dos embarques diferentes. Esto sucede cuando los
tanques de almacenamiento son rellenados y lo que queda de un lote es insuficiente para
llenar otro tanque. Solo es necesario volver a procesar el 5% de los lotes con materia prima
que proviene de un solo embarque. Sin embargo, la viscosidad de los lotes que contienen
materia prima de dos o ms embarques es ms difcil de controlar, y el 40% de estos lotes
requieren un procesamiento adicional para almacenar la viscosidad requerida. Sea A: el
evento en que un lote contiene material prima de dos embarques diferentes, y B: el evento
en que el lote requiere de procesamiento adicional. Determine las probabilidades siguientes:
p(A), p(A), p(B/A), p(B/A), p(AB),p(AB), p(B)
Ejercicios 2.83 2.91 de las secciones 2.6, (pg. 91) y 2.7, (pg. 92-93), Probabilidades y
Estadstica aplicadas a la ingeniera Douglas Montgomerry
Ejercicios: 34 36 del Cap. 5, pg. 166, Estadstica para Administr. y Economa, Masson

12

1.5. TCNICAS DE CONTEO

Introduccin.- Algunos espacios muestrales tienen pocos elementos pudindose contar
directamente, pero otros necesitan de tcnicas para su enumeracin y determinacin del total de
stos. A continuacin se tratarn algunas de las tcnicas de conteo a usarse en este curso.
Objetivo.- Definir las principales tcnicas de conteo para determinar el nmero de elementos
que tiene y espacio muestral y aplicar este concepto en la determinacin de probabilidades.
1.5.1. Regla mn
Problema 1:Cuntas y cules son las parejas de un hombre y una mujer se pueden formar con 4
hombres y 3 mujeres?.
Sol.
X H1 H2 H3 H4
M1
M2
M3
Definicin.- Dados m elementos de un grupo y n elementos de otro grupo, es posible formar
mxn pares que contienen un elemento de cada grupo. Tambin pueden formarse n-plas.
Ejemplos:
En el lanzamiento de dos dados, se tienen 36 = 6x6, resultados, que corresponde al nmero
total de puntos (parejas) del espacio muestral S; por ejemplo (1,1), (1,2),...,(6,5) y (6,6).
En el experimento: Lanzamiento de tres monedas (o una moneda lanzada tres veces), es
mejor analizar que si m=n=2, el nmero total de ternas que se pueden formar es mnp=23=8,
esto es, CCC, CCS, CSC, CSS, SCC, SCS, SSC y SSS.
1.5.2. Permutaciones
Problema 2: En una sala de espera hay cuatro sillas, entonces de cules y cuntas formas
pueden colocarse 4 personas en estas sillas? Sol.
=

Problema 3: En una sala de espera hay solamente dos sillas, entonces de cules y cuntas
formas pueden colocarse 4 personas en estas sillas? Sol.
=

Definicin.- El nmero de formas en que se pueden ordenar n objetos distintos tomados r (rn) a
la vez denotamos por nPr, o, Pn,r que se lee permutaciones de n objetos tomados r a la vez.
n!
Pn,r = n(n-1) (n-2)...(n-r+1) =
donde n! = n(n-1)...1.0!, y 0!=1.
(n r)!
Luego de los problemas 3 y 4 se tiene:

13

1.5.3. Combinaciones
Problema 4: En una sala de espera hay solamente dos sillas, entonces de cules y cuntas
formas pueden colocarse 4 personas en estas sillas, si no interesa el orden de colocacin?
Sol.
=
Definicin.- El nmero de formas en que se pueden ordenar n objetos distintos tomados r (rn) a
la vez donde no interesa el orden, se denota por nCr, o, Cn,r y se lee combinaciones de n
n!
objetos tomados r a la vez.
Cn,r =
r!(n r)!
Ejemplo: Las combinaciones de 7 objetos tomados 3 a la vez son: 7 =
3

7!
3!(7 3)!

= 7! = 35
3!.4!

Observacin.- La diferencia entre una permutacin y una combinacin es que en la primera se

respeta el orden de los arreglos, mientras que en la segunda el inters solo recae en contar el
nmero de selecciones diferentes, es decir no considera el orden.
1.5.4. Frmula de Stirling
El nmero de formas en las que se pueden asignar n objetos distintos en k grupos diferentes que
contienen n1, n2,...,nk objetos respectivamente (permutaciones con repeticin), es:
K
n!
N=
en donde n i =n
n 1!n 2 !...n k !
i =1
Ejercicio
El psiclogo de un colegio tiene que visitar doce estudiantes en una semana. Los estudiantes son
tres de primer curso, cinco de segundo curso, dos de tercero y dos de cuarto. Cuntos
ordenamientos distintos de las visitas puede preparar el psiclogo, si desea diferenciar los
clientes solo por curso?.
1.5.5. Aplicaciones
Supongamos que de 20 estudiantes de un curso elegimos 10 al azar, con sustitucin. Cul es la
probabilidad de que ningn estudiante sea elegido ms de una vez?.
Solucin:
Aplicado el concepto de probabilidad P (A) = nA/n,
Nmero total de casos:
Siendo 10 20 y si seleccionamos al azar con sustitucin encontramos
1
2 ...
10
20 20 ...
20
10
luego: (20) (20)...(20)=(20) son los casos totales.
Nmero de casos favorables (si ningn estudiante se repite)
1
2
...
10
20 20-1 ...
20-(10-1)

Luego: 20(20 1)...(20 10 + 1) =

20!
(20 10)!

Por tanto P (A)= 20!/(20 10)! = 0.0655= 6.55%

20

10

14

1.6. EJERCICIOS PROPUESTOS

1.

Un vendedor de un cierto tipo de automvil dispone de tres variedades de llantas, 5 de color

y 2 de puertas, cuntas posibilidades tienen de elegir el cliente?

2.

Una compaa vende telfonos mviles ofreciendo 5 estilos, 4 colores y 7 opciones de

servicio. Cuntos telfonos diferentes puede ofrecer esta compaa?

3.

De cuntas maneras se pueden colocar 5 adornos en una vitrina?

4.

Se deben dictar una secuencia de cuatro conferencias en un mismo da, cuntas

posibilidades se tienen para ordenarlas de acuerdo a un horario?

5.

Supngase que se disponen de 8 mquinas pero solo caben 3 en el espacio donde deben
colocarse, de cuntas formas deben colocarse en dichos espacios?

6.

Cuntas comisiones de dos alumnos se pueden formar con 9 alumnos?. Cul es la

probabilidad de que salga seleccionado una comisin en particular?

7.

Cuntos comits formados por un Presidente, Vicepresidente y un Tesorero, se pueden

formar con 9 alumnos?. Cul es la probabilidad de que salga seleccionado un comit en
particular?

8.

La compaa PIONER fabrica tres modelos de receptores de estreo, cuatro bocinas, y tres
aparatos de discos compactos. Cuando los tres tipos de componentes compatibles se venden
juntos forman un sistema. Cuntos sistemas distintos pueden ofrecer una empresa?

9.

Cuntas banderas de tres franjas de colores se pueden disear con 6 colores?

10. Para identificar un artculo de ropa se utilizar cdigos de barra con cuatro dgitos, si no
debe repetirse dgito alguno, cuntas codificaciones se pueden formar?
11. Un entrevistador seleccionar 4 personas al azar de 10 personas disponibles. Cuntos
grupos de 4 personas son posibles?
12. Una agencia ambiental, desea seleccionar para un estudio una muestra de 5 rellenos
sanitarios. Si dispone de 20 rellenos, cuntas muestras posibles se pueden formar?
13. De cuntas formas pueden seleccionarse 2 hombres, 4 mujeres, 3 nios y 3 nias, si se
dispone de 6 hombres, 8 mujeres, 4 nios y 5 nias?
14. Cuntos comits diferentes de 3 hombres y 4 mujeres pueden formarse con 8 mujeres y 6
hombres?
15. Una compaa ofrece 3 cargos, para lo cual dispone de 8 candidatos, 6 de los cuales son
hombres, determine:
a. La probabilidad de que se seleccione a 3 hombres
b. La probabilidad de que se seleccione a 2 mujeres
c. La probabilidad de que se seleccione a 2 hombres y una mujer
d. La probabilidad de que se seleccione a 2 mujeres y un hombre

15

2. DISTRIBUCIONES DE PROBABILIDAD
El estudio de las variables aleatorias y el modelo matemtico que siguen permitir el clculo de
las probabilidades.
5.1.

DEFINICIONES

5.1.1. Variable aleatoria

Una variable aleatoria (v.a.) X, es una funcin que asigna un nmero a cada resultado del
espacio muestral, es decir: X: S R. Se la denota con X y los valores que sta toma con x.
Por ejemplo, en el experimento lanzamiento de dos monedas interesa la variable aleatoria:
nmero de caras, y en la siguiente tabla se muestran los resultados del espacio muestral y las
respectivas asignaciones numricas realizadas por la funcin variable aleatoria.
Espacio muestral:
SS
SC, CS
CC

Variable aleatoria: X
0
1
2

Existen dos tipos de variables aleatorias, que son discretas y continuas, las mismas que van a
generar las distribuciones discretas y las distribuciones continuas.
Una v.a. discreta toma un rango finito de valores. Ejemplo: En una institucin hay 100
empleados, de modo que si la v.a. es X: nmero de ausentes el da Lunes, entonces: X= 0,1, ...
,100
Una v.a. continua es aquella que toma un rango infinito de valores en R. Ejemplo: X: altura de
una persona: X= 1.70, 1.71, 1.80, 1.83, . . . ,
El evento {X=x} indica que, el inters recae en determinar los resultados del espacio muestral
para los cuales X=x, y su probabilidad respectiva es, es p(X=x)
5.1.2. Funcin de densidad f(x)

Sea X una v.a., la funcin de densidad de probabilidad es una funcin cuyo dominio es la
variable aleatoria X (conjunto de nmeros reales) y recorrido es el intervalo [0, 1], y se define
f: X [0, 1], f(x) = p(X=x).
como:
Esta funcin satisface las siguientes propiedades:
Si X es variable aleatoria discreta:
x X
i) 0f(x) 1
ii) f(x) =1, si X es v.a. discreta,
X

Si X es variable aleatoria discreta:

x X
i) 0f(x) 1
+

ii)

f(x)dx = 1, si X es v.a. continua

16

Ejemplo: v.a. discreta

En un proceso de fabricacin de partes moldeables de plstico en trminos de tamao y
coloracin, en una de las primeras corridas del proceso se determina:
Caractersticas del Plstico moldeable
Espacio muestral: Coloracin, Tamao
Valores de la v.a.
Aprobado, Aprobado
Aprobado, Reprobado
Reprobado, Aprobado
Reprobado, Reprobado

Probabilidad

2
1
1
0

0.64
0.16
0.16
0.04
1.00

Total

5.1.3. Funcin de distribucin F(x)

Sea X una v.a., la funcin de distribucin de probabilidad es una funcin cuyo dominio es la
variable aleatoria X (conjunto de nmeros reales) y recorrido es el intervalo [0, 1], y se define
como la probabilidad de que X sea menor o igual a un valor especfico de x, es decir:
F: X [0, 1], F(x0) = p(Xx) =

Si X es variable aleatoria discreta:

f(x) ,

xi x0

Esta funcin satisface las siguientes propiedades:

x X
i) 0F(x) 1
si xi<xj
ii) F(xi) F(xj)
iii) P(X>x) =1- P(Xx) = 1-F(x)
iv) P(xi X xj) = F(xj) F(xi-1) = xi<xj
X0

Si X es variable aleatoria continua: F: X [0, 1], F(x0) = p(Xx0) =

f(x)dx ,

Esta funcin satisface las siguientes propiedades:

x X
i) 0F(x) 1
si xi<xj
ii) F(xi) F(xj)
iii) P(X>x) = p(Xx) = 1-F(x)
xj

iv) P(xi X xj) = F(xj) F(xi) =

f(x)dx

, xi<xj

xi

Observacin.- Para el caso continuo, se tiene que p(Xx) = p(X<x)

Ejemplo: v.a. discreta
Halle la funcin de densidad y la funcin de distribucin de probabilidad de las caractersticas
del Plstico moldeable
X=x

f(x) = p(X=x).

F(x) = p(Xx)

X=2
X=1
X=0

P(X=2) = 0.64
P(X=1) = 0.32
P(X=0) = 0.04

0.64
0.96
1.00

Ejemplo: v.a. continua

Halle la funcin de densidad y la funcin de distribucin de probabilidad de las caractersticas
del Plstico moldeable

17

5.1.4. Esperanza matemtica

La esperanza matemtica o valor esperado de una v.a. X se interpreta como el promedio y se
define como:
X=E(x)= x.f(x) ,
si X es v.a. discreta
x

X = x.f(x)dx ,

si X es v.a. continua

Si X y Y son v.a. independientes y a, b, c son constantes, la esperanza matemtica E(x) cumple

las siguientes propiedades:
i) E(c) =
ii) E(X - X) = 0
iii) E(aX+bY)=
5.1.5. Varianza
La varianza de una v.a. X se define como:
V(X) = 2X = E(X x ) 2 = (x - X ) 2 .f(x)

si X es v.a. discreta

V(X)= X2 = E(X x ) 2 =

(x - u

) 2 .f(x)dx ,

si X es v.a. continua

Si X y Y son v.a. independientes y a, b, c son constantes, la varianza V(x) cumple las siguientes
propiedades:
2) Var(a) =
3) Var(ax+bY) =
1) Var(x) 0
5.1.6. Coeficiente de asimetra
Estudiada anteriormente, se puede definir como: 3=3/2, donde 3= E(x-)3.
5.1.7. Coeficiente de curtosis
Estudiada anteriormente, se puede definir como: 4=4/2, donde 4= E(x-)4.
Ejemplo:
La produccin diaria de 600 partes contiene 40 que no satisfacen los requerimientos del cliente.
Del lote se eligen al azar sucesivamente 2 partes sin reemplazo.
Sea X la v.a. nmero de partes de la muestra que no cumplen con los requerimientos.
Cul es la funcin de f.d.p.a. de X?
Solucin:
X = 0, 1, 2
P(X=0)= (560/600)*(559/599) =
0.8710
P(X=1)= 2*(560/600)*(40/599)= 2*(0.0623)= 0.1246
P(X=2)= (40/600)*(39/599)
=
0.0044
1.0000
luego:
FX(0) = 0.87410
FX(1) = P(X0) + P(X1) = 0.87410 + 0.1246 = 0.9956
FX(2) = P(X0) + P(X1) + P(X2)= 0.87410 + 0.1246 + 0.0044 = 1.0

18

5.2.

EJERCICIOS PROPUESTOS

1. En el experimento lanzamiento de dos dados, interesa la v.a. X: Valor de la suma de

resultados, para sta determine a) la funcin de densidad, b) la funcin de distribucin c) la
esperanza matemtica y d) varianza y desviacin estndar, e) factores de forma.
X

Evento

f(x)

F(x)

x.f(x)

(x-u)

(x-u)2

(x-u)3

(x-u)2 f(x)

(x-u)3 f(x)

(x-u)4 f(x)

2
3
4
5
6
7
8
9
10
11
12

Funcin de densidad

Funcin de distribucin

X: suma de las caras del dado

7

Funcin de distribucin de probabilidad acum ulada de

X (suma lados del dado)

1.200

1.000
4

Frequency

0.800
3

0.600

0.400
0.200

0.000
0

2
2

10

11

10

11

12

12

X: suma de las caras del dado

Adems halle lo siguiente:

a. P(X<2) =
b. P(X2) =
c. P(2<X<5) =
d. P(X5) =
e. Esperanza matemtica E(X) =
f. Coeficiente de asimetra y curtosis

19

2. Sea la v.a. X: nmero de caras en el experimento lanzamiento de dos monedas; halle: a) la

funcin de densidad, b) la funcin de distribucin, c) determine las probabilidades de que se
observe al menos una cara, dos caras, tres caras, menos de 3 caras.
X

Evento

fx(x)= P(X=x)

Fx(x)= P(Xx)

3. El espacio muestral de un experimento aleatorio es {a,b,c,d,e,f} y cada resultado es

igualmente probable. Se define la v.a. de la siguiente manera:
Resultado
a
b
c
d
e
f
X
0
0
1
1
2
3
a) Determine la f.d.p.
X
0
1
2
3

Evento

fx(x)= P(X=x)

Fx(x)= P(Xx)

Total

b)
c)
d)
e)
f)

P(X=1)=
P(0.5< X <2.7)=
P(X >2)=
P(0X<2)=
Grfico f.d.p.a

5.2.1. Modelos de distribucin de probabilidad

Existen diferentes modelos de distribucin de probabilidad tanto para el caso de variables

aleatorias discretas como variables aleatorias continuas.
Para el caso discreto tenemos los modelos matemticos: Bernoulli, Binomial, Poisson,
Hipergeomtrico, etc.
Para el caso continuo tenemos los modelos matemticos: normal, exponencial, gamma,
uniforme, etc.

20

5.3. DISTRIBUCIN BINOMIAL

Un experimento aleatorio que consiste de n ensayos repetidos tales que:

i) los ensayos son independientes
ii) cada ensayo tiene dos posibles resultados, denominados xito y fracaso, y
iii) la probabilidad de xito en cada ensayo, denotada por p, permanece constante recibe el
nombre de experimento binomial
5.3.1. Funciones de densidad y distribucin binomial
La variable que cumple con las condiciones anteriores se denomina v.a. binomial y se define
como X: nmero de xitos en n ensayos, y tiene una funciones de densidad y de distribucin
de probabilidad con parmetros n y p, como se indica a continuacin:
fax(x; napa) = f(x) = P(X=x) = nCxpx(1-p)n-x,
Fx(x; napa) = F(x) = P(Xx)=f(x),

Funcin de densidad:
Funcin de distribucin:

x = 0, 1, 2,...,n
x = 0, 1, 2,...,n

5.3.2. Medidas descriptivas de la v.a. binomial

Media

Varianza

E(x) = np

Var(x) =npq

Coeficiente de asimetra

3 =

Coeficiente de curtosis

qp
(npq)1/2

4 = 3 +

1 - 6pq
npq

Observacin: Se ha podido determinar que si:

Si P<1/2, entonces la distribucin binomial presenta un sesgo positivo
Si p=1/2, entonces la distribucin binomial es simtrica
Si P>1/2, entonces la distribucin binomial presenta un sesgo negativo
Ejemplos:

A continuacin se presentan las grficas de distribuciones para diferentes valores de n y p.

n=4; p=0.1; =4(0.1)=0.4; =4(0.1)(0.9)=0.36
0.8 0.6561
d
a0.6
id
il
b0.4
0.2916
a
b
o
r 0.2
0.04860.00360.0001
P
0

n=4; p=0.3; =4(0.3)=1.2; =4(0.3)(0.7)=0.84

0.4116

0.45
d0.4
a
0.35
d
lii 0.3
b
a0.25
b0.2
o
r
0.15
P
0.1
0.05
0

0.2401

0.2646

0.0756
0.0081

n=4; p=0.5; =4(0.5)=2.0; =4(0.5)(0.5)=1.0

0.4
d
a0.3
id
li
b0.2
a
b0.1
o
r
P 0

0.375
0.25

0.25

0.0625

0.0625

n=4; p=0.7; =4(0.7)=2.8; =4(0.7)(0.3)=0.84

0.5
d
a0.4
d
il 0.3
i
b
a0.2
b
o
r 0.1
P
0

0.4116
0.2646

0.2401

0.0756
0.0081
x

21

Ejemplos:
1. Usted ha contratado 8 recepcionistas telefnicas para que tomen los pedidos de una lnea de
productos deportivos que su empresa est comercializando. Una recepcionista est ocupada
el 30% del tiempo catalogando un pedido. Usted no desea que la probabilidad de que una
llamada del cliente reciba una seal de ocupado exceda el 50%. Debera usted contratar
ms recepcionistas si 3 clientes llaman?
Solucin:
X: Nmero de veces en las que la lnea est ocupada
n=8
(nmero de ensayos)
p = 0.3 probabilidad de que la lnea est ocupada

p(X=3) = 8C3*0.33*0.75= 0.2541

No es necesario contratar ms recepcionistas, ya que la probabilidad es menor que el 0.5
2.

Un proceso de grabacin de discos produce un 20% de unidades defectuosas. Se toma una

muestra de tamao 8 de modo que la proporcin de defectuosos se mantenga constante en la
poblacin, y que cada disco tenga la misma probabilidad de ser incluido en la muestra.
Cul es la probabilidad de que a) no se encuentren discos defectuosos, b) de encontrar dos
discos defectuosos?; c) de que se encuentren ms de 5 discos defectuosos?; d) de encontrar
4 o menos discos defectuosos?; e) Cul es el nmero promedio de discos defectuosos?
Solucin
Contestando a las preguntas se tiene:
a) f(0) = p(X=0) = 8C0 (0,2)0(0,8)8 = 0,16777
b) f(2) = P(X = 2) = 8C1(0,2)2(0,8) 76 =
c) P(X>5) = P(X=6)+P(X=7)+P(X=8)= 0,00115+0,00008+0,00000 =
d) P(X4)= F(4) = 0.9896
e) E(x) = u = np = 8*0.2 = 1.6 discos defectuosos
f) Graficar las funciones de densidad y funciones de distribuciones
X
0
1
2
3
4
5
6
7
8
Tot.

P(X = x) = f(x)
0,1678
0,3355
0,2936
0,1468
0,0459
0,0092
0,0012
0,0001
0,0000
1,00000

P(X x) = F(x)
0.1678
0.5033
0.7969
0.9437
0.9896
0.9988
0.9999
1.0000
1.0000

Func. distr.probab. aucmulada

v.a. X

Distribucin de probabilidad
de la v.a. X
4
5
5
3
3
.
0

0.4
7
7
7
6
.1
0

0.3

)
x
=
(X
p

0
6
3
9
.2
0

0.2

0
8
6
4
.1
0

1 .0

8
8
5
4
0
.0

0.1

8
1
9
0
.0
0

5
1
1
0
0
.
0

8
0
0
0
0
.
0

0
0
0
0
0
.
0

0.0
1

X: no. Unidades defectuosas

) 0 .8
x
= 0 .6
<
X 0 .4
(
p 0 .2

2
3
3
0
.5
0

7
7
7
6
1
.
0

7
7
8
9
.9
0

9
5
9
8
.9
0

2
7
3
4
.9
0

2
9
6
9
.7
0

1 .2

2
9
9
9
.9
0

0
0
0
0
.0
1

0
0
0
0
.0
1

0 .0
1

X: no. Unidades def ectuosas

22

5.4. DISTRIBUCIN DE POISSON

En muchos problemas puede interesar determinar el Nmero de sucesos o xitos por unidad de
tiempo. Esos problemas pueden estar relacionados con la teora de colas, y ejemplos para este
tipo de variable son: nmero de personas por hora que llegan a una fila de espera, nmero de
autos por minuto que llegan al peaje, nmero de llamadas por realizadas a la central telefnica.
Sin embargo, tambin puede interesar estudiar el Nmero de sucesos o xitos por otro de tipo
de unidad, que puede ser: nmero de fallas por metro cuadrado, nmero de defectos por lote,
etc.
En general, se define variable aleatoria de Poisson, como una variable aleatoria discreta, donde
X es el Nmero de sucesos o xitos por unidad de tiempo o espacio, la misma que debe
ocurre dentro de un proceso con las siguientes caractersticas:
i) La probabilidad de observar un xito, depende solamente de la longitud de tiempo o
espacio, por lo que si el tiempo es mayor, entonces, mayor es el nmero de llegadas. Y
es proporcional a la longitud del intervalo.
ii) La probabilidad de observar ms de un xito en el intervalo pequeo tiende a cero, si se
la compara con un intervalo en el que ocurre una sola llegada.
iii) La ocurrencia de un xito en cualquier intervalo es independiente de lo ocurrido en otro
intervalo.
5.4.1. Funciones de densidad y distribucin de Poisson
Si el nmero promedio de ocurrencias en el intervalo es >0, la v.a. X definida como nmero
de ocurrencias en el intervalo tiene una distribucin de Poisson con parmetro , y las funciones
de densidad y probabilidad de X son respectivamente:
e x
f(x) = P(X = x ) =
;
x = 0, 1, 2,...
x!
e x
F(x) = P(X x ) =
;
x = 0, 1, 2,...
x!
x
5.4.2. Medidas descriptivas:
Valor esperado E(X) =
Varianza
V(X) = 2 = ,
=
En ocasiones, no est dado explcitamente, pero puede hallarse con np, o m
Ejemplo:
Supngase que para un alambre, el nmero de fallas est descrito por una v.a. X de Poisson con
una media de 2.3 fallas por milmetro.
a) Determine la probabilidad de tener dos fallas en un milmetro de alambre.
2.3
2
P(X=2) = fx(2; 2.3) = e (2.3) =

2!

b) Determine la probabilidad de tener 10 fallas en cinco milmetro de alambre.

Antes se debe hallar: E(X) = 5*2.3 = 11.5 fallas por cinco milmetros de alambre
11.5
10
P(X=10) = fx(10; 11.5) = e (11.5) =

10!

23

5.5. EJERCICIOS PROPUESTOS

1.

2.

El profesor Bradley anima a sus estudiantes de estadstica a actuar de forma prudente a

consultarlo si tienen dudas mientras se preparan pata el examen final. Parece que la llegada
de los estudiantes a la oficina del tutor se ajusta a una distribucin de Poisson, con un
promedio de 5.2 estudiantes cada veinte minutos. El profesor est preocupado, ya que si
muchos estudiantes necesitan sus servicios, puede resultar algn problema de congestin.
a. El tutor debe determinar la probabilidad de que cuatro estudiantes lleguen durante
cualquier intervalo de 20 minutos, lo cual podra causar el problema de congestin. Si
la probabilidad excede el 20%, se contratar un segundo profesor.
b. El tutor debe calcular la probabilidad de que ms de cuatro estudiantes lleguen durante
algn perodo de 20 minutos. Si es mayor que el 50%, las horas de oficina del tutor se
aumentarn, permitiendo a los estudiantes extender el horario de tutora.
c. Si la probabilidad de que ms de siete estudiantes lleguen durante un perodo
cualquiera de 30 minutos excede 50%, el mismo profesor Bradley ofrecer tutora
adicional.
Montgomerry - Seccin 3.9
Ejerc. 94. Suponga que X tiene una distribucin de Poisson con media 4. calcule las
probabilidades siguientes:
a. P(X=0)
b. P(X<=2) c. P(X=4);
d. P(X=8)

3.

Ejerc. 96. Suponga que el nmero de clientes que entran a un banco en una hora es una v.a.
de Poisson, y que P(X=0)=0.05. Calcule la media y la varianza de X.

4.

Ejerc. 97. Montgomerry: A menudo, el nmero de llamadas telefnicas que llegan a un

conmutador se modela como una v.a. Poisson. Suponga que, en promedio , se reciben 10
llamadas por hora.
a. Cul es la probabilidad de que lleguen exactamente cinco llamadas en una hora.?
b. Cul es la probabilidad de que lleguen tres llamadas o menos en una hora.?
c. Cul es la probabilidad de que lleguen exactamente quince llamadas en una hora.?
d. Cul es la probabilidad de que lleguen exactamente quince llamadas en tres horas?
Resp. a) 0.6703
b) n0.9921
c) 0.000175

5. Ejerc.: 98. El nmero de defectos en los rollos de tela de cierta industria textil es una v.a.
Poisson con una media de 0.1 defectos por metro cuadrado.
a. Cul es la probabilidad de tener dos defectos en un metro cuadrado de tela?
b. Cul es la probabilidad de tener un defecto en 10 metros cuadrados de tela?
c. Cul es la probabilidad de que no haya defectos en 20 metros cuadrados de tela?
d. Cul es la probabilidad de que existan al menos dos defectos en 10 metros cuadrados
de tela?
6. Si la variable aleatoria X sigue una distribucin binomial, con n=10, p=0.05 Calcule las
probabilidades siguientes:
a. P(X=5)
b) P(X<=2)
c) P(X>=9) d) P(3<=X<5)
Resp. a) 0.246, b) 0.055, c) 0.011, d) 0.322
7.

Halle el valor de x, tal que P(X<=2) = 0.85, si se conoce que el nmero de ensayos es 10, y
la probabilidad de xito para la variable aleatoria binomial X es: 0.25.
Estadstica Bsica en Administracin Berenson, Levine, cp.7, pg.260, ej. 7.5.: 17-19
24

8.

Suponga que los registros de garantas muestran que la probabilidad de que un carro nuevo
necesite una reparacin de garanta en los primeros noventa das es 0.05. Si selecciona una
muestra de tres nuevos carros, Cul es la probabilidad de que:
a. Ninguno necesite una reparacin de garanta?
b. Al menos uno necesite una reparacin de garanta?
c. Ms de uno necesite una reparacin de garanta?
d. Qu suposiciones son necesarias en a?
e. Cules son la media y la desviacin estndar de la distribucin de probabilidad en a?

9. La probabilidad de que un vendedor venda una suscripcin a una revista a alguien que ha
sido seleccionado aleatoriamente del directorio telefnico es 0.2. Si el vendedor le habla a
10 individuos esta tarde, cul es la probabilidad de que:
a. No se venda una suscripcin?
b. Se venda exactamente dos suscripciones?
c. Se vendan al menos dos suscripciones?
d. Se vendan a lo ms dos suscripciones?
10. Una parte importante de las responsabilidades del servicio a clientes de una empresa pblica
de gas natural se refiere a la rapidez con se pueden atender las llamadas relativas a la falta
de calefaccin en una casa. Suponga que una variable de servicio de importancia se refiere a
s la persona de reparaciones llega o no a la casa en un perodo de dos horas. Los datos
pasados indican que la probabilidad es de 0.60 de que la persona de reparaciones llegue a la
casa en un perodo de dos horas. Si se selecciona una muestra de cinco llamadas de servicio
de falta de calefaccin, cul es la probabilidad de que una persona de reparaciones
llegue a:
a. Las cinco casas en un perodo de dos horas?
b. Al menos a tres casa en el perodo de dos horas?
c. Encuentre la probabilidad de que la persona de reparaciones llegue a cero, una y dos
casas y grafique el histograma para la distribucin de probabilidad.
d. Cul es la forma de la distribucin graficada, explique?
Resp. a) 0.0778,
b)0.6826, c) P(X=0)=0.0102, P(X=1)=0.0768, P(X=2)=0.2304
Estadstica aplicada a las ciencias sociales y a la educacin WAYNE W. DANIEL.
Captulo 3. Ejercicio 9 pg. 79.
11. En una zona geogrfica, el 15% de los adultos son analfabetos. Dada una muestra aleatoria
de 25 adultos de sta rea, cul es la probabilidad de que el nmero de analfabetos sea:
a. Exactamente 10?
b. Menos de 5?
c. Cinco o ms?
d. Entre 3 y 5 inclusive?
e. Menos de 7 pero ms de 4?
Resp.: a) 0.0016, b) 0.6822, c) 0.3178, d) 0.5848, e)
0.2484

25

5.6. DISTRIBUCIN HIPERGEOMTRICA

La distribucin binomial es til cuando el muestreo se realiza con reemplazo, sin embargo
cuando esto no ocurre, es necesario utilizar la distribucin hipergeomtrica.
5.6.1. Funciones de densidad y distribucin Hipergeomtrica

Si n es una muestra de tamao relativamente grande una poblacin finita conocida N y un

experimento arroja solo dos posibles resultados (xito y fracaso), el mismo que se repite n veces
sin reemplazo, por lo que, la probabilidad de xito vara entre un ensayo y otro, entonces se
define bajo estas condiciones la variable aleatoria hipergeomtrica X: nmero de xitos, cuya
funcin de densidad con parmetros N, r, n es:
C
C
donde:
f(x) = p(X = x) = r x N r n x , x = 0, 1 ,2, , mn (r, n)
N Cn
N
es el tamao de la poblacin
r
es el nmero de xitos en la poblacin
(N-r: nmero de fallas)
n
es el tamao de la muestra
x
es el nmero de xitos en la muestra
C
C
Y la funcin de distribucin es: F(x) = p(X x) = r x N r n x
X
N Cn
5.6.2. Medidas descriptivas
E(X) = np
V(X) = np(1-p)[(N-n)/(N-1)] donde p=r/N (proporcin de xitos en la muestra)
Ejercicios.
1. (Ej. Propuesto: Estad. Webster, pg. 13)
En una empresa de materias primas, se debe contratar 10 personas entre 30 candidatos, 22 de
los cuales tienen ttulos universitarios. Cul es la probabilidad de que 5 de los que usted
contrate tengan ttulo?
Solucin
X:
Nmero de candidatos con ttulo universitario
N=
30 candidatos,
r=
22 candidatos tienen ttulo universitario
n=
10 tamao de la muestra (nmero de ensayos que se realizan)
x=
5 candidatos con ttulo universitario cuya probabilidad se calcula:
22 C 5 (30 22) C10 5
=
p(X = 5) =
30 C10

2. De los 15 altos ejecutivos de un negocio de importaciones y exportaciones, se seleccionar 12

para ser enviados al Japn a estudia un nuevo proceso de produccin. Ocho de los ejecutivos
ya tienen algo de entrenamiento en el proceso. Cul es la probabilidad de que:
a) 5 de los enviados tengan algo de conocimiento sobre el proceso antes de partir para el
lejano oriente?.
b) 3 o ms de los enviados tengan algo de conocimiento sobre el proceso antes de partir para
el lejano oriente?.
c) Mximo 8 de los enviados tengan algo de conocimiento sobre el proceso antes de partir
para el lejano oriente?.
Deber: Probabilidades y Estadstica de D. Montgomerry: Ejercicios 3.89 3.92

26

5.7. LA DISTRIBUCIN NORMAL

La distribucin normal es un modelo matemtico que permite estudiar el comportamiento de una variable,
a travs del clculo de las probabilidades y la prediccin de eventos.
La distribucin normal, es una de las distribuciones ms importantes dentro de la Estadstica, por su
aplicabilidad en diferentes situaciones reales dentro de la Administracin, la Biologa, la Agronoma, la
Medicina, etc. El matemtico Carlos Gauss(1777-1855), fue quien aporto en el estudio de esta
distribucin. Y a la grfica de la funcin de densidad tiene la forma de una campana a la que se le ha
llamado Campana de Gauss.
No todos los fenmenos se pueden estudiar a travs de la distribucin normal, ya que, las distribuciones
podran ser sesgadas o puntiagudas. Por lo que para poder usar esta distribucin como modelo, debe
comprobarse que la distribucin de los datos es normal. Una herramienta tiles para ello, es la prueba no
paramtrica, como por ejemplo la prueba de Kolmogorov Smirnov.

5.7.1. Funcin de densidad normal

Una variable aleatoria X se distribuye normalmente si su funcin de densidad es:
1 x 2

1
f X (x) =
e 2
2

-<X< ,

e=2,71828... y =3,14159

Donde la media =E(X) y la varianza Var(X)=2 son los parmetros de la distribucin. Si X tiene una
distribucin normal con media y varianza 2, se la puede notar: X N(, 2).
La funcin de densidad, tiene las siguientes caractersticas:
i) Es simtrica alrededor de la media, por lo que, la media, moda y mediana son iguales.
ii) Tiene la forma de una campana, llamada Campana de Gauss.
iii) Asinttica respecto al eje X.
iv) Los puntos de inflexin tienen abscisas los x x

5.7.2. Medidas descriptivas de una variable aleatoria normal

Media
E(x) =

Varianza
Var(x) =2

Coeficiente de asimetra
3 = 0

Coeficiente de curtosis
4 = 3

5.7.2.1. Nota
Si se representan grficamente distribuciones de diferentes variables aleatorias, se puede observar que:
Si tienen las misma media pero diferentes desviaciones estndar se puede notar el efecto de una
menor o mayor dispersin.
Si tienen la misma desviacin estndar pero diferente media, se puede notar el efecto de una
traslacin de la media.
Por lo tanto, los cambios en la los valores de no alteran la forma de la distribucin, pero si
modifican la posicin de la curva en el eje de las abscisas, mientras que cambios en 2 pueden
modificar drsticamente la forma de la distribucin pero no cambian la posicin de la curva en el eje
de las abscisas. Ello debido a que es un parmetro de localizacin, mientras que 2 es un parmetro
de escala o de dispersin.

27

5.7.3. Funcin de distribucin normal

Una variable aleatoria X N(, 2), con funcin de densidad (1), tiene una funcin de distribucin
(distribucin de probabilidad acumulada):
1 x

x0

1
FX (x) = P(X < x 0 ) =
e 2
2

5.7.4. Variable aleatoria normal estndar

La funcin de densidad de una variable aleatoria normal es compleja, mucho ms an cuando deben
calcularse las probabilidades, ya que debera realizarse el clculo de integrales definidas. Por lo que se
debe recurrir a mtodos numricos para la evaluacin de las integrales. Y construir una tabla para ello
sera fsicamente imposible, ya que est sujeto a las infinitas combinaciones de la media y la varianza.
Para evitar estos problemas, se ha definido una nueva variable aleatoria, llamada normal estndar, la
misma que se despoja de las unidades de medida y tiene una sola media y varianza para cualquier variable
con la que se trabaje. Al tomar esta nueva variable lo que se ha logrado es una traslacin de ejes, de modo
que la media coincida con el origen del sistema de referencia.

f(X)

X
x
f(Z)

Z
z=0

28

Definicin.- Si X N(, ), entonces la variable aleatoria

X x
Z=
x
se denomina variable aleatoria normal estndar, la misma que tiene media cero y varianza uno.
Se demuestra que

x ux
x

E(Z) = E

E(Z)=0

1
1
=
( x x ) = 0
E(x x ) =
x
x

Se demuestra que
X x
Var(Z)=Var
x

Var(Z)=1

1
1
2x
= 2 Var(X x ) = 2 Var(X) = 2 = 1
x
x
x

5.7.5. Funcin de densidad y distribucin normal estndar

Si Z tiene distribucin normal estndar con media 0 y varianza 1, se denota: Z N(0, 1). Y la funcin de
de densidad y distribucin de probabilidad para esta variable se definen a continuacin.
Z2

1 2
f z (z) =
e
2

Funcin de densidad normal estndar:

Funcin de distribucin normal estndar:

FZ (z) =

-<z<
1

1 2 z
e
dz
2

-<z<

5.7.6. Propiedades de la funcin de densidad normal y normal estndar

+

Si X N(, ), entonces

1)

0 fx(x) 1

2)

(x) = 1

(z) = 1

Si Z N(0, 1), entonces

1)

0 fz(z) 1

2)

5.7.7. Propiedades de la funcin de distribucin normal y normal estndar

Si X N(, 2), x, x1, x2 dos nmeros reales tales x1 < x2, entonces
1) P(x1 X x2) = P(X x2) P(X x1) = F(x2) F(x1)
2) P(X > x) = 1 P(X x1) = 1 F(x)
Usando la variable aleatoria Z N(0, 1), y siendo z, z1, y z2 nmeros reales tales que z1 < z2 entonces las
propiedades anteriores se pueden expresar como:
x X x 2 = P(z Z z ) = F(z ) F(z )
1) P(x1 X x2) = P(x1- X- x2-) = P 1

1
2
2
1

X x = P(Z>z) = 1-F(z)
2) P(X > x) = P
>

Para la variable aleatoria normal estndar Z N(0, 1) se definen propiedades especficas por la propiedad
de simetra de sta distribucin.
1) P(Z z) = 1- P (Z z) = P(Z-z)
2) P( z Z z) = 1 2P(Z z) = 2P(Z z) 1

29

5.7.8. Uso de las tablas de la distribucin normal

Las tablas para la funcin de distribucin acumulada se definen para la variable Z N(0, 1), con
valores positivos y negativos, mientras que existen otras tablas diseadas solamente para valores
positivos1.
La primera tabla contiene valores de Z de 3,6 a 3,6 distribuidos a lo largo de una primera
columna con el nmero entero y un dgito decimal, mientras que a partir de la segunda columna
se distribuye la segunda cifra decimal. En las celdas interiores se encuentran los valores de las
probabilidades P(Zz), que corresponden al rea bajo la curva limitado por el punto crtico z.
Por ejemplo para calcular P(Z1,96), se busca en la primera columna el nmero 1,9 y en las
columnas el centsimo 0,06; luego la celda interseccin de la fila y columna correspondientes es
la probabilidad buscada; en este caso ese nmero es 0,975 por lo que: P(Z 1,96) = 0,975

Z = 1.96
Z

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

1.6

0.9452

0.8277

0.7961

0.7870

0.7844

0.7836

0.7834

0.7833

0.7833

1.7
1.8

0.9554
0.9641

0.9564
0.9649

0.9573
0.9656

0.9582
0.9664

0.9591
0.9671

0.9599
0.9678

0.9608
0.9686

0.9616
0.9693

0.9625
0.9699

1.9

0.9713

0.9719

0.9726

0.9732

0.9738

0.9744

0.9750

0.9756

0.9761

0.9772

0.9778

0.9783

0.9788

0.9793

0.9798

0.9803

0.9808

0.9812

2.1

0.9821

0.9826

0.9830

0.9834

0.9838

0.9842

0.9846

0.9850

0.9854

2.2

0.9861

0.9864

0.9868

0.9871

0.9875

0.9878

0.9881

0.9884

0.9887

Ejemplo
Considere la variable aleatoria normal estndar Z N(0,1), halle las siguientes probabilidades.
b) P(Z1,73) = 1 0,9582 = 0,0418.
a) P(Z 1,73) = 0,9582

c) P( 0,17 Z 1,82) =

d) P(-3,6 Z 3,6) =

e) P(Z 1,4 o Z 2,8).

Dado que {z -1,4} {z 2,8} =

tenemos que:
P(Z 1,4 o Z 2,8) = P(Z 1,4) + P( Z 2,8) =
P(Z 1,4) + P(Z 2,8) = 0,0808 + 0,0026 = 0,0834

Por ejemplo Si z>0, entonces:

P(Z z)= 0.5+p(Z z)

y si z>0

P(Z z)= 0.5 - p(Z z)

30

e) Encontrar el valor de z tal que: P(Z z) = 0,4602

El valor de z que se busca es aquel cuya rea a su derecha es 0,4602
O si consideramos que P(Z z) = 0,4602 = 1 - P(Z z) P(Z z) = 0,5398
Luego, se ubica esta rea bajo en la tabla de distribucin, para hallar el valor
correspondiente a Z; y el valor correspondiente de z es 0,1; es decir, P(Z 0,1) = 0,5398
Z

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.5000

0.5040

0.5080

0.5120

0.5160

0.5199

0.5239

0.5279

0.5319

0.5359

0.1

0.5398

0.5438

0.5478

0.5517

0.5557

0.5596

0.5636

0.5675

0.5714

0.5753

0.2

0.5793

0.5832

0.5871

0.5910

0.5948

0.5987

0.6026

0.6064

0.6103

0.6141

f) Hallar z tal que: P(-z Z z) = 0,8

de donde: P(Z -z) = 0,1
0,8 = P( z Z z) = 1 2P(Z z);
En la tabla el valor correspondiente a dicha probabilidad es z= 1,28 es decir z = 1,28.
Probabilidad para diferentes desviaciones de la media.
Puesto que la media corresponde al valor Z = 0, el rea correspondiente a una desviacin
estndar -1<Z<+1, es decir la probabilidad de que la variable se encuentre a una desviacin
estndar de la media expresada como P(-1<Z<+1) es 0.6827; luego la probabilidad de estar a dos
desviaciones y tres desviaciones estndar de la media son respectivamente: P(-2<Z<+2)= 0.9545
y P(3<z<+3) = 0.9973.
68.27
95.45
99.73
-3

-2

-1

En la estimacin de parmetros y prueba de hiptesis es comn hallar los puntos crticos en la

distribucin normal estndar que delimitan las reas del Para diferentes estimaciones y prueba de
hiptesis es comn utilizar los porcentajes 90%, 95% y 99% para los niveles de confianza, que
corresponden a las reas bajo la curva de 0.90, 0.95 y 0.99; los mismos que tienen sus
respectivos puntos crticos en la distribucin normal estndar, los que se resumen a
continuacin:
Nivel de confianza
99%
95%
90%

rea unilateral superior

z = 2,33
z = 1,64
z = 1,28

rea bilateral
z = 2,58
z = 1,96
z = 1,64

Ejercicios

1.

Sea X una variable aleatoria distribuida de forma normal con media 50 y varianza 100,
encontrar P(X 30)
Sol.
Como 2 = 100, la desviacin estndar es = 100 =10
P(X 30) = P X 30 50 = P(Z 2) = 0.0228

10

31

2.

Si el tiempo (en segundos) que una bacteria resiste a determinado antibitico se distribuyera
de forma normal con media 1200s y varianza 14400s2, cul es la proporcin de bacterias
que resisten ms de 1000 segundos?
Sol.
X: tiempo (seg) de resistencia al antibitico, X N(1200, 14400), = 14400 = 120
P(X1000)= P Z 1000 1200 = P(Z 1.67) = 1 P(Z 1.67) = 1 0,0475 = 0,9525

120

Luego la proporcin de bacterias que resiste ms de 1000 segundos ante el antibitico es

0.9525.
3.

En el estudio del ingreso en la poblacin, se sabe que ste se distribuye de forma normal con
un ingreso promedio de $345 y una desviacin estndar de $46. Si se elige un ciudadano al
azar,
a. cul es la probabilidad de que sta tenga un sueldo inferior a $280?

b. cul es la probabilidad de que sta tenga un sueldo superior a $324?

c. cul es la probabilidad de que sta tenga un sueldo superior a $400?

d. cul es la probabilidad de que sta tenga un sueldo superior a $324?

e. cul es la probabilidad de que sta tenga un sueldo entre $300 y superior a $360?

f. Cul es el ingreso que es superado por el 80% de esa poblacin?

32