Probabilidad en Textiles y Procesos

PROBABILIDAD
Asignatura Clave: FIM018 Nmero de Crditos: 5 Tericos: 4 Prcticos: 1
Asesores Responsables: M. en A. Eduardo Surez Meja
INSTRUCCIONES PARA OPERACIN ACADMICA:

El sumario representa un reto. Los contenidos son los ejes temticos. Los
activos una orientacin inicial para resolverlos y la sntesis concluyente como
posibilidad de integracin conceptual corresponder a lo factible de un punto
de vista temtico amplio. La visin global de los asuntos resueltos como titular
acadmico, te ofrecer oportunidad de discusin que se enriquecern en la
medida que intensificas las lecturas, asistes a tu comunidad de estudio te sirves
de los asesores y analizas la ciberinformacin disponible posicionndote de los
escenarios informativos adecuados. Los periodos de evaluacin son
herramientas de aprendizaje. Mantn informado al Tutor de tus avances
acadmicos y estado de nimo. Selecciona tus horarios de accesoria. Se
recomienda al titular acadmico (estudiante) que al iniciar su actividad de
dilucidacin, lea cuidadosamente todo el texto guin de asignatura. Para
una mejor facilitacin. El documento lo presentamos en tres mbitos: 1.- relacin
de las unidades. 2.- relacin de activos. 3.- Principia Temtica consistente en
informacin inicial para que desarrolles los temas.
COMPETENCIAS: Al finalizar el curso el estudiante podr manejar la teora de

la probabilidad desde la perspectiva cientfico axiomtica, para que a partir de aqu
pueda disear experimentos matemticos en el rea del control estadstico de
calidad.
SUMARIO: En este curso se analizan los principios bsicos de probabilidad, las

tcnicas de conteo y de combinatoria, las propiedades de las principales
distribuciones de probabilidad as como la ley de los grandes nmeros explicada
en el teorema del lmite central.
PROBABILIDAD
CONTENIDOS:
UNIDAD I.- Conceptos Bsicos de Probabilidad

UNIDAD II.- Combinatoria Elemental
UNIDAD III.- Distribuciones de Probabilidad
UNIDAD IV.- Distribuciones de Probabilidad Discretas
UNIDAD V.- Distribuciones Continuas
UNIDAD VI.- Teorema del Lmite Central
ACTIVOS
UNIDAD I
Conceptos Bsicos de Probabilidad
I.1.- Conceptos Preliminares
I.2.- Teora bsica de conjuntos
I.3.- Algunas definiciones y propiedades
I.4.- Conjunto Potencia
I.5.- Conjunto Producto
I.6.-Cardinalidad
I.7.- Medidas de Probabilidad
I.8.- Espacios Muestrales Discretos
I.9.- Reglas para el Clculo de Probabilidades
I.10.- Regla de Producto
I.11.- Probabilidad Condicional
I.12.- Probabilidad Total y Regla de Bayes
Actividad:
1. Which of the following is the sample space

when 2 coins are tossed?
{H, T, H, T}
{H, T}
{HH, HT, TH, TT}
None of the above.
RESULTS BOX:
2. At Kennedy Middle School, 3 out of 5 students

make honor roll. What is the probability that a
student does not make honor roll?
65%
40%
60%
None of the above.
RESULTS BOX:
3. A large basket of fruit contains 3 oranges, 2

apples and 5 bananas. If a piece of fruit is
chosen at random, what is the probability of
getting an orange or a banana?
None of the above.
RESULTS BOX:
4. A pair of dice is rolled. What is the probability

of getting a sum of 2?
None of the above.
RESULTS BOX:
5. In a class of 30 students, there are 17 girls and

13 boys. Five are A students, and three of these
students are girls. If a student is chosen at
random, what is the probability of choosing a
girl or an A student?
None of the above.
RESULTS BOX:
6. In the United States, 43% of people wear a seat

belt while driving. If two people are chosen at
random, what is the probability that both of
them wear a seat belt?
86%
18%
57%
None of the above.
RESULTS BOX:
7. Three cards are chosen at random from a deck

without replacement. What is the probability of
getting a jack, a ten and a nine in order?
None of the above.

RESULTS BOX:
8. A city survey found that 47% of teenagers have

a part time job. The same survey found that
78% plan to attend college. If a teenager is
chosen at random, what is the probability that
the teenager has a part time job and plans to
attend college?
60%
63%
37%
None of the above.
RESULTS BOX:
9. In a school, 14% of students take drama and

computer classes, and 67% take drama class.
What is the probability that a student takes
computer class given that the student takes
drama class?
81%
21%
53%
None of the above.
RESULTS BOX:
10. In a shipment of 100 televisions, 6 are

defective. If a person buys two televisions
from that shipment, what is the probability
that both are defective?
None of the above.
RESULTS BOX:
UNIDAD II
Combinatoria Elemental
II.13.- Reglas Bsicas

II.14.- Permutaciones de un Conjunto
II.15.- Combinaciones
II.16.- Distribucin de objetos indistinguibles
II.17.- Propiedades Importantes
Actividad:
1
Which of the following is a correct statement about a probability?
A) It may range from 0 to 1.
B) It may assume negative values.
C) It may be greater than 1.
D) It cannot be reported to more than 1 decimal place.
E) All the above are correct.
2
An experiment is a
A) Collection of events.
B) Collection of outcomes.
C) Always greater than 1.
The act of taking a measurement or the observation of some
D)
activity.
E) None of the above are correct.
3
Which of the following is not a type of probability?
A) Subjective
B) Independent
C) Relative frequency
D) Classical
4
Events are independent if
A) By virtue of one event happening another cannot.
B) The probability of their occurrence is greater than 1.
C) We can count the possible outcomes.
The probability of one event happening does not affect the
D)
probability of another event happening.
E) None of the above.
5
The Special Rule of Addition is used to combine
A) Independent events.
B) Mutually exclusive events.
C) Events that total more than one.
D) Events based on subjective probabilities.
E) Found by using joint probabilities.
6
We use the General Rule of Multiplication to combine
A) Events that are not independent.
B) Mutually exclusive events.
C) Events that total more than 1.00.
D) Events based on subjective probabilities.
E) Found by using joint probabilities.
7
When we find the probability of an event happening by subtracting the
probability of the event not happening from 1, we are using
A) Subjective probability.
B) The complement rule.
C) The general rule of addition.
D) The special rule of multiplication.
E) Joint probability.
8
When we determine the number of combinations
A) We are really computing a probability.
B) The order of the outcomes is not important.
C) The order of the outcomes is important.
D) We multiply the likelihood of two independent trials.
9
The difference between a permutation and a combination is:
A) In a permutation, order is important and in a combination, it is not.
In a permutation, order is not important and in a combination, it is
B)
important.
C) A combination is based on the classical definition of probability.
D) A permutation is based on the classical definition of probability.
10
The Greater Bismarck, ND Accounting Association has 15 members, 10 of
which are CPAs. The members are to be selected to study ways to increase
membership. What is the probability all three selected are CPAs?
A) .296
B) .264
C) .736
D) None of the above.
UNIDAD III
Distribuciones de Probabilidad
III.18.- Preliminares
III.19.- Definiciones Bsicas
III.20.- Parmetros en una Distribucin
III.21.- Funcin Generadora de Momentos
Actividad:
1. Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del
total de las piezas producidas en una fbrica. Los porcentajes de produccin
defectuosa de estas mquinas son del 3%, 4% y 5%. Solucionar a travs de Excel
lo siguiente:
a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea
defectuosa.
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la
probabilidad de haber sido producida por la mquina B.
c. Qu mquina tiene la mayor probabilidad de haber producido la citada

pieza defectuosa?
2. Para tratar a un paciente de una afeccin de pulmn han de ser operados en

operaciones independientes sus 5 lbulos pulmonares. La tcnica a utilizar es tal
que si todo va bien, lo que ocurre con probabilidad de 7/11, el lbulo queda
definitivamente sano, pero si no es as se deber esperar el tiempo suficiente para
intentarlo posteriormente de nuevo. Se practicar la ciruga hasta que 4 de sus
5lbulos funcionen correctamente. a) Cul es el valor esperado de intervenciones
que se espera que deba padecer el paciente? b) Cul es la probabilidad de que
se necesiten 10 intervenciones?. Solucionar a travs de Excel.
3. La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se

viaja, si se realizan 300 viajes, cul es la probabilidad de tener 3 accidentes?.
Solucionar a travs de Excel.
4. En un banco, el promedio de llegadas para hacer cola se rige por la ecuacin de
Poisson:
P[n llegadas en le tiempo T] =

Si existe un promedio de 6 llegadas aleatorias por hora, Cul es la probabilidad
de que haya slo 3 llegadas durante una hora? Solucionar a travs de Excel.
5. El contenido de siete contenedores similares de cido sulfrico son 9.8, 10.2,
10.4, 9.8, 10.0, 10.2, y 9.6 litros. Encuentre un intervalo de confianza del 95% para
la media de todos los contenedores si se supone una distribucin
aproximadamente normal.
6. La renta media de los habitantes de un pas es de 4 millones de pesos/ao, con
una varianza de 1,5. Se supone que se distribuye segn una distribucin normal.
Calcular en Excel: a) El porcentaje de la poblacin con una renta inferior a 3
millones de ptas, b) La renta a partir de la cual se sita el 10% de la poblacin con
mayores ingresos y c) Los ingresos mnimo y mximo que engloba al 60% de la
poblacin con renta media.
UNIDAD IV
Distribuciones de Probabilidad Discretas
IV.22.- Distribucin de Probabilidad Binomial.
IV.23.- Media y varianza
IV.24.- Distribucin de Poisson
IV.25.- Distribucin de probabilidad Hipergeomtrica
Actividad:
The binomial experiment consists of n independent, identical trials, each of which

results in either success or a failure and is such that the probability of success on
any trial is the same.
A) True
B) False
2
A Poisson random variable is a continuous variable that can be used to describe
the number of occurrences of an event over a specified interval of time or space.
A) True
B) False
If p = .1 and n = 5, then the corresponding binomial distribution is
_______________
A) right skewed.
B) left skewed.
C) symmetric.
D) bimodal.
4 If p = .5 and n = 4, then the corresponding binomial distribution is

________________
A) right skewed.
B) left skewed.
C) symmetric.
D) bimodal.
5
The requirement that the probability of success remains constant from trial to trial
is a property of the binomial distribution.
A) True
B) False
6
If the number of surface nonconformities on a specific size of metal piece is the
discrete random variable in question, then the appropriate probability distribution
that can describe the probability of a specific size metal sheet containing 3
nonconformities is given most likely by binomial distribution.
A) True
B) False
7 Which of the following distributions can be used to solve the following problem?
The average number of cars arriving at a drive-thru fast food restaurant is 3 in
ten minutes. What is the probability that exactly 4 cars will arrive in a five-minute
interval?
A) Binomial
B) Poisson
C) Both of the above.
D) None of the above.
8 The mean of the binomial distribution is equal to
A) p.
B) (n) (p).
C) (1.0K)
D) (n)(p)(1-p).
E) (1.0K)
9
Which of the following is a valid probability value for a discrete random variable?
A) .2
B) 1.01
C) -.7
D) All of the above.
0
Which one of the following is not an assumption of the binomial distribution?
A) Each trial results in success or failure.
B) The experiment consists of n identical trials.
C) The probability of success changes from trial to trial.
D) Trials are independent of each other.
E) Each trial results in one of two mutually exclusive outcomes.
UNIDAD V
Distribuciones Continuas
V.26.- La distribucin Normal

V.27.- ">Algunas Propiedades Importantes
V.28.- Las distribuciones Gamma
V.29.- La distribucin de probabilidad exponencial
Actividad:
1. A phone-in poll conducted by a newspaper reported that 73% of those
who called in liked business tycoon Donald Trump. The unknown true
percentage of American citizens that like Donald Trump is called a:
A. statistic
B. sample
C. parameter
D. population
2. A simple random sample of 50 undergraduates at Johns Hopkins

University found that 60% of those sampled felt that drinking was a problem
among college students. A simple random sample of 50 undergraduates at
Ohio State University found that 70% felt that drinking was a problem among
college students. The number of undergraduates at Johns Hopkins
University is approximately 2000, while the number at Ohio State is
approximately 40,000.
Which of the following is the best conclusion regarding the above data?
A. The sample from Johns Hopkins has much less sampling variability than
that from Ohio State.
B. The sample from Johns Hopkins has much more sampling variability than
that from Ohio State.
C. The sample from Johns Hopkins has almost the same sampling variability
as that from Ohio State.
D. It is impossible to make any statements about the sampling variability of
the two samples since the students surveyed were different.
3. Using the above data, suppose the actual proportion of undergraduates at

Johns Hopkins University who feel drinking is a problem among college
students is 70%. The mean of the sampling distribution of the percentage
that feel drinking is a problem in repeated simple random samples of 50
Johns Hopkins undergraduates is what?
A. 50%
B. 60%
C. 65%
D. 70%
4. The number of undergraduates at Johns Hopkins University is

approximately 2000, while the number at Ohio State University is
approximately 40,000. At both schools a simple random sample of about 3%
of the undergraduates is taken. Which of the following is the best
conclusion?
A. The sample from Johns Hopkins has less sampling variability than that
from Ohio State.
B. The sample from Johns Hopkins has more sampling variability than that
from Ohio State.
C. The sample from Johns Hopkins has almost the same sampling variability
as that from Ohio State.
D. It is impossible to make any statements about the sampling variability of
the two samples since the students surveyed were different.
5. What is a random variable?
A. the particular sample obtained from simple random sampling

B. a variable whose value is a numerical outcome of a random phenomenon
C. any number that has an unknown and unpredictable value
D. the particular variable selected by random sampling from an initial list of
possible variables
6. Which of the following random variables would be considered

continuous?
A. the number of brothers a randomly chosen person has

B. the time it takes for a randomly chosen woman to run 100 yards
C. the number of cars owned by a randomly chosen adult male
D. number of orders received by a mail order company in a randomly chosen
week
7. The random variable X denotes the time taken for a computer link to be
made between the terminal in an executive's office and the computer at a
remote factory site. It is known that X has a normal distribution with mean 15
seconds and standard deviation 3 seconds. Choose the option closest to the
value of P(X < 20).
A. 0.548
B. 0.952
C. 0.048
D. 0.452
8. Let the random variable X represent the profit made on a randomly

selected day by a certain store. Assume X is normal with a mean of $360 and
standard deviation $50. The probability is approximately 0.6 that on a
randomly selected day the store will make less than
A. $347.40
B. $0.30
C. $361.30
D. $372.60
9. The normal distribution is a reasonably good approximation to the

binomial distribution provided that
A. np > 10 and n(1 - p) > 10

B. np > 10 and n(1 - p) < 10
C. np < 10 and n(1 - p) > 10
D. np < 10 and n(1 - p) < 10
(By the way, the reason why our estimates in class were so far off was that I forgot
to use the adjustment moving from a descrete distribution (like the number of
"heads") to the continuous Normal Distribution. For example, to estimate 6 or more
"Heads", I would find the z score of 5.5 and see the area under the Normal
Distribution greater than the z-score of 5.5)
10. Forty-eight percent of the students at a certain state university prefer the
semester system over the quarter system. A survey is taken of 200 students
(selected at random). Choose the option closest to the probability that more
than half of these students prefer semesters.
A. 0.3300
B. 0.5000
C. 0.2843
D. 0.7157
UNIDAD VI
Teorema del Lmite Central
VI.30.- Desigualdades de Markov y Chebyshev
VI.31.- Leyes de los Grandes Nmeros
VI.32.- El Teorema del Lmite Central
VI.33.- Aproximacin Normal Binomial
VI.34.- Estimadores
VI.35.- Algunos Ejemplos
Actividad:
1. Una agencia de encuestas de opinin quiere estimar con un nivel del 90% de
confianza la proporcin de ciudadanos que votarn por un determinado candidato
dentro de 0.06 de la proporcin real de votantes. Cul es el tamao mnimo de
la muestra requerido si otras encuestas indican que la proporcin de votacin por
este candidato es 0.30?
2. Una muestra aleatoria de 30 empleados de una gran empresa dio como

__
resultado una media X = $180 pesos por hora con una desviacin estndar s = $14
pesos por hora. Estimar el intervalo de confianza para el promedio salarial de
todos los empleados al 95% de confianza.
3. El ciclo medio de vida operativa de una muestra aleatoria de n = 10 focos es

__
X = 4000 horas, con una desviacin estndar s = 200 h. Se supone que el ciclo de
vida operativa de los focos en general tiene una distribucin aproximadamente
normal. Estime el ciclo medio de vida operativa de la poblacin de focos de la que
fue tomada esta muestra, aplicando un intervalo de confianza de 95%.
PROBABILIDAD
PRINCIPIA TEMTICA
I.1.- Dado que los lectores podran no recordar algunos conceptos bsicos se
tratar de que esta seccin constituya un punto de referencia que le permita
refrescar los conocimientos indispensables para el desarrollo del resto del
material. Esto no elimina la necesidad de que en el transcurso del estudio de estas
notas debamos abordar aspectos perifricos importantes.
I.2.- El estudio formal de la teora de conjuntos no es el inters en estas notas, los

resultados que se presentan son bsicos y en la mayora de los casos su
demostracin o justificacin se dejar al lector. Si los temas le parecen conocidos
pero no los recuerda bien, se recomienda al menos una lectura rpida.
El estudio de la probabilidad est estrechamente ligado con el estudio particular de
algunos conceptos sobre conjuntos que se discutirn en esta corta seccin.
En teora de conjuntos los trminos elemento, conjunto y pertenencia no se
definen, se asume que de una u otra manera el lector tiene una idea al respecto.
De hecho, cualquier intento por definir alguno de estos conceptos nos llevara a
definiciones circulares, es decir definiciones que reducen el concepto a un trmino
que no es ms que un sinnimo del mismo. Por ejemplo en [7] se define un
conjunto como una coleccin de elementos distintos. Esta definicin usa dos
conceptos que no son claros: elemento y coleccin.
Es usual que los conjuntos se representen por letras maysculas A, B, C,... y los
elementos por letras minsculas, a, b, c.... Se usa la notacin x A para indicar
que el elemento x pertenece al conjunto A, es decir x es uno de los elementos de
A.
Si bien no existe un conjunto universal [7], usaremos el concepto de conjunto

universal o universo restringindolo a dominios especficos. Por ejemplo, si
hablamos de conjuntos de nmeros enteros entonces el conjunto universo es el
conjunto de los enteros. Esta simple aclaracin nos facilitar la discusin de
algunos de los conceptos que abordaremos posteriormente.
Iniciaremos recordando el Principio de comprensin, sumamente importante en el
estudio de los conjuntos.
Si tenemos un conjunto universo, podemos pensar que cada uno de los elementos
de este conjunto debe cumplir o satisfacer alguna condicin para estar en ese
conjunto y es usual que a los elementos que cumplan con esta condicin que los
caracteriza les digamos que son de cierto tipo. Por ejemplo si se tiran dos dados,
uno azul y uno rojo y se anotan las caras que caen en cada uno de ellos, el
conjunto de posibles resultados esta formado por 36 pares ordenados; ese
conjunto, el universo para el experimento de tirar dos dados y registrar las caras
que caen, tiene un tipo especial, digamos tipo resultado.
Este principio nos permite garantizar que para todo tipo de elemento y para todo
predicado siempre hay un subconjunto que cumple el predicado, este conjunto
puede ser vaco.
Otro principio importante es el Principio de extensin que permite establecer la
igualdad entre conjuntos.
I.3.- Algunas definiciones y propiedades
Note que acorde con esta definicin se cumple que un conjunto sin elementos,
es subconjunto de todo conjunto.
Si es un conjunto y A se define el conjunto complemento de A respecto a
por:
~A=\A
Las siguientes propiedades se enuncian sin demostracin y resumen algunas de
las ms importantes acerca de las operaciones definidas previamente.
Propiedades de la Unin
Conmutatividad A B=B A.
Asociatividad (A B) C=A (B C).
Identidad A = A.
Medio Excluido =A A.
Otras A AU B
Propiedades de la Interseccin
Conmutatividad A B=B A.
Asociatividad (A B) C=A (B C).
Identidad A = A.
Contradiccin A A = .
Otras A B A.
Propiedades Conjuntas
Distributividad
o A (B C) = (A B) (A C).
o A (B C) = (A B) (A C).
Leyes de De Morgan
o (A B) = A B.
o (A B) = A B
Otras
o A \ (B C) = (A \ B) (A \ C).
o A \ (B C) = (A \ B) ( A \ C).
I.4.- Un conjunto importante asociado con todo conjunto es el conjunto potencia o

partes de.
As P( ) es un conjunto cuyos elementos son todos los subconjuntos de .
I.5.- Si x y y son elementos, es posible agruparlos en una estructura que se llama

par ordenado. Un par ordenado puede verse como un conjunto en cuya definicin
se refleja de manera clara la idea de dos elementos agrupados en un orden
definido. La siguiente definicin permite lograrlo.
I.6.- Un concepto de vital importancia al estudiar probabilidad radica en la

posibilidad de que dado un conjunto A, dentro de un universo , se pueda asignar
a este conjunto alguna medida relativa al universo en el cual est inmerso. Existen
teoras completas al respecto y si bien podran ser bastante tiles en el desarrollo
que haremos no profundizaremos en ninguna de ellas.
Los conjuntos con los que trataremos se dividen en dos grandes grupos: discretos
y continuos.
En trminos simples un conjunto contable (discreto) es aquel en el cual exista una

manera de contar sus elementos, puede tener una cantidad finita o infinita de
elementos, pero de alguna manera puede encontrarse una estrategia para
contarlos.
Por ejemplo los naturales son un conjunto discreto, de hecho son el conjunto que
se utiliza para poder contar otros. Todo conjunto finito es contable, los enteros son
un conjunto contable y los racionales tambin. Invitamos al lector a encontrar
estrategias para contar los enteros y los racionales [8].
Para conjuntos discretos finitos la cardinalidad es una manera de asignarles una
medida. A continuacin listamos un conjunto de propiedades de la cardinalidad.
Propiedades de Cardinalidad
Si AB | A| | B|
Si A B= |A B| = | A| + | B|
Si | A| = n | P(A)| = 2n
Si | A| = n, | B| = m AB|=mn (1.1)
Cuando los conjuntos no son discretos el concepto de cardinalidad carece de
sentido y se sustituye por el trmino de medibilidad, un concepto fuera de los
objetivos de estas notas, no obstante hablaremos levemente de algunos trminos
necesarios en probabilidades.
I.7.- Los siguientes resultados son sumamente importantes al tratar de formalizar

lo que entenderemos por probabilidades. De alguna forma podramos prescindir
de algunas de estas definiciones y a pesar de ello aprender a resolver problemas
que tienen que ver con la probabilidad, pero hemos decidido hacer esta seccin
suficientemente completa, pues muchos de los estudiantes a los cuales estn
dirigidas estas notas aprecian el formalismo como una excelente alternativa para
luchar contra la imprecisin que puede venir del exceso de informalidad.
I.8.- Espacios Muestrales Discretos

Las siguientes definiciones constituyen un punto de partida importante para iniciar
el estudio de la materia que nos interesa. De hecho constituyen caracterizaciones
operacionales de los tipos de probabilidad discutidos, en la seccin introductoria.
Ejemplo 1
Se lanza un par de dados que no estn cargados y se registra la suma de las

caras. Determine la probabilidad del evento T : la suma de los nmeros en ambas
caras es 6.
Solucin
En este caso, por (1.1) hay 36 posibles resultados, de los cuales (3, 3), (1, 5), (5,
1), (2, 4) y (4, 2) suman 6 as:
Ejemplo 2 P[T] =
En una caja hay 4 libros de ingls y 3 de ruso. Se escoge al azar un libro de la

caja. Cul es la probabilidad de que el libro escogido sea de ruso?
Solucin
Sea R el evento se escoge un libro de Ruso. Hay 3 casos en los cuales al escoger
el libro resulta ser de ruso y un total de 7 escogencias por lo tanto:
P[R] =
Funciones de Probabilidad
Las definiciones (10) y (11), caracterizan la probabilidad de un evento en trminos
de la frecuencia relativa.
La primera permite la asignacin de una medida de probabilidad a un evento

mediante la experimentacin. La segunda es mucho ms clara y en el sentido
operacional es aceptable, pero requieren que el espacio muestral sea finito.
Por otro lado la afirmaciones de que "los resultados pueden ocurrir igualmente, y
son mutuamente excluyentes", difcilmente pueden ser demostradas, y es usual
que no se cumplan.
Esa no es una limitacin importante pues esta ltima definicin puede
generalizarse para que permita caracterizar cualquier probabilidad. No obstante se
hace necesario establecer algunas condiciones a la coleccin de todos los eventos
del espacio muestral.
Dado un espacio muestral , se asume que la familia de todos los eventos

cumple las siguientes propiedades:
Se tiene que y .
Si A , entonces A .
Si A1, A2, A3,... son elementos de , tambin lo es Ai.
Cualquier conjunto que cumpla con las propiedades anteriores se llama una -
lgebra.
Con estas propiedades se puede demostrar con alguna facilidad los siguientes
hechos, referimos al lector interesado a [2]:
Si los eventos A1, A2, A3,... son elementos de , tambin lo es A i.
La unin finita de eventos de est en .
Si A y B estn es tambin lo est A \B.
Una funcin de probabilidad definida sobre la -lgebra de todos los eventos de

un espacio muestral , debe cumplir las siguientes propiedades:
0 P[A] para todo evento A.
P[ ] = 1.
Si A y B son eventos mutuamente excluyentes entonces

P[A B] = P[A] + P[B].
Si los eventos A1, A2, A3,... son eventos mutuamente excluyentes ( Ai Aj =
, i j), entonces
P[ An] = P[An].
El concepto de medida de probabilidad o funcin de probabilidad juega un rol
bsico al momento de estudiar las probabilidades, de hecho cuando tenemos un
experimento aleatorio y queremos estudiarlo probabilsticamente lo que
necesitamos es definir una de tales medidas. Buena parte de lo que haremos en
secciones posteriores es definir medidas de probabilidad sobre espacios
muestrales.
En las siguientes pginas discutiremos los principios bsicos de la probabilidad.
I.9.- Cuando en un experimento aleatorio se conocen las probabilidades de los

eventos simples, es decir las probabilidades de cada uno de los elementos del
espacio muestral, se pueden calcular las probabilidades de eventos compuestos y
de algunos eventos relacionados utilizando una serie de reglas bsicas.
El clculo de probabilidades se basa principalmente en la aplicacin de estas
reglas bsicas. El siguiente teorema, [2], define una serie de propiedades que
cumple una medida de probabilidad.
1. P[] = 0.
2. P[A] = 1 - P[ A].
3. Para cualesquiera eventos A, B P[A B] = P[A] + P[B] - P[A B].

4. Para cualesquiera eventos A, B. Si A B implica P[A] < P[B].
Demostracin y discusin de algunos casos.
1. Esta propiedad se obtiene en forma inmediata pues si P[] = r > 0 se tiene
que
P[] = P[ ] = P[] + P[] = 1 + r > 1,
lo cual contradice la propiedad 2 del axioma 2. En otras palabras P[] = 0.

2. Esta propiedad tambin se obtiene en forma sencilla de:
1 = P[] = P[A ~A] = P[A] + P[~A].
Si A es un evento sobre un espacio muestral entonces el evento no

ocurre A se denota por A.
3. Esta propiedad se demuestra usando propiedades de conjuntos. Lo primero

es notar que
A B es una unin de eventos excluyentes:
A B = (A B) ( ~A B) (A ~B),
por lo tanto,
P[A B] = P[(A B)] + P[(~A B)] + P[(A ~B)], (1.2)
Por otro lado los eventos A ByA B son excluyentes y su unin es A,

as:
P[A] = P[(A B)] + P[(A ~B)], (1.3)
Similarmente:
P[B] = P[(A B)] + P[(~A B)], (1.4)
Sumando trmino a trmino (1.3) y (1.4) se obtiene:
P[A] + P[B] = 2P[(A B)] + P[(A ~B)] + P[(~A B)]. (1.5)

Restando (1.5) y (1.2) se obtiene el resultado.
I.10.- El evento que indica la ocurrencia conjunta de los eventos A y B se denota

por A B. Dos eventos se dicen independientes si la ocurrencia de uno de ellos
no influye ni se ve influida por la ocurrencia del otro.
Por induccin se puede demostrar que si A1, A2,..., An son eventos independientes
con probabilidades P[A1], P[A2], ..., P[An] respectivamente, entonces la
probabilidad de la ocurrencia del evento compuesto A1 y A2 y ... y An, es decir
todos los eventos, cumple:
P[A1 A2... An] = P[A1]P[A2]...P[An]. (1.6)
Ejemplo 3
Suponga que una mquina fabrica un tipo especfico de componente, y que la

probabilidad de que un componente salga defectuoso es constante p e
independiente de los resultados en los componentes tanto anteriores como
posteriores.
Estime la probabilidad de que el primer componente defectuoso salga
inmediatamente despus de los primeros N componentes.
Cuntos componentes deben producirse para tener una probabilidad del
90% de obtener al menos un componente defectuoso?
Solucin
Sea Di el componente i defectuoso y el complemento de Di. La
probabilidad pedida es:
P[( ... ) DN + 1] = (1 - p)Np.
La probabilidad de ningn componente defectuoso en los primeros k

componentes es (1 - p)k entonces la probabilidad de al menos un
componente defectuoso se 1 - (1 - p)k. El valor k buscado debe cumplir con
1 - (1 - p)k > 0.9
(1 - p)k < 0.1
k>
.
Por ejemplo si la probabilidad de que un componente sea defectuoso es de

0.02 deberan producirse alrededor de 114 componentes para tener una
probabilidad del 90% de que haya al menos uno defectuoso.
I.11.- Cuando los eventos no son independientes y ocurren en forma sucesiva la

ocurrencia de uno de ellos puede influir en la del otro. Este tipo de probabilidad se
llama probabilidad condicional.
Por ejemplo hay tres cajas c1, c2 y c3 tales que la caja c1 contiene 2 esferas azules
y 2 rojas, la caja c2 contiene 3 esferas azules y 1 roja y la caja c3 contiene 2
esferas azules y 3 rojas. Si se va a extraer una esfera de una caja, esta esfera
puede ser azul o roja; no obstante la probabilidad de que sea de uno u otro color
depende de cual de las cajas se extrae esa esfera. De hecho los eventos B elegir
una de las cajas y A extraer una bola azul de la caja seleccionada no son
independientes.
La probabilidad de que un evento A ocurra dado que un evento B ha ocurrido se
llamar probabilidad condicional de A dado B. Se denotar por P[A\B]. Esta
probabilidad se puede calcular recurriendo a la regla:
(1.7)
P[B \A] =
Dos eventos A y B son independientes si se cumple:
P[B \A] = P[B] y P[A \B] = P[A].

Una manera informal de darle alguna justificacin a esta regla es la siguiente. Si
en un espacio muestral conocemos de previo que ha ocurrido un evento, B, y
queremos calcular la probabilidad de que ocurra otro evento A entonces,
simplificando el clculo de la probabilidad a la razn: total de casos que verifican el
evento entre el total de casos, se tiene que como ya ha ocurrido B el espacio
muestral ahora puede reducirse a B y los casos que verifican el evento ya no son
los elementos de A sino los elementos de A B es decir:
(1.8)
P[A \B] = .
Si A y B son eventos no necesariamente independientes se tiene:

P[A B] = P[A]P[A \B]. (1.9)
Esta regla se generaliza en el siguiente sentido. Si A1, A2,..., An son eventos

entonces la probabilidad de la ocurrencia del evento compuesto A1 y A2 y ... y An,
es decir todos los eventos, cumple :
P[A1 A2... An - 1 An] =
P[A1]P[A2 \A1]P[A3 \(A1 A2)]...P[An \(A1 A2... An - 1)].
Ejemplo 4
Suponga que se lanzan un par de dados. Calcule la probabilidad de que ocurra
cualquiera de los siguientes eventos. A : el primero de los dados cae impar, B : el
segundo cae impar y C : la suma de ambas caras es impar.
Solucin
No es difcil comprobar las siguientes probabilidades:
P[A] = P[B] =
P[A \B] = P[B \A] =
P[C] = P[C \A] =
P[A B C] = 0
P[C \B] =
P[A]P[B]P[C] =
Se tiene que los pares de eventos A, C y B, C son independientes, pero A, B y C
no lo son.
Ejemplo 5
Un carpintero tiene tornillos en dos cajas una azul y otra roja. l toma al azar
tonillos de cualquiera de las dos cajas, pero la caja azul est un poco ms cerca
por lo que toma tornillos de ella dos de cada tres veces. La caja azul contiene
cuatro tornillos de 15 mm y cinco de 20 mm y la caja roja contiene seis de 15 mm
y dos de 20 mm.
1. Si en las dos siguientes bsquedas de tornillo el carpintero toma un tornillo
de cada caja cul es la probabilidad de que ambos sean del mismo tipo.
2. Si el carpintero necesita dos tornillos y los toma en forma sucesiva de
alguna de la cajas cul es la probabilidad de que los dos sean del mismo
tipo
Solucin
1. Sea A el evento: toma un tornillo de 15 mm de cada caja y B el evento:
toma un tornillo de 20 mm de cada caja.
El evento A no es simple de hecho, es el evento compuesto A1 A2 donde

A1 es toma un tornillo de 15 mm de la caja 1 y A2 es toma un tornillo de 15
mm de la caja 2, eventos independientes.
P[A] = P[A1 A2] = P[A1]P[A2] = = .
Similarmente.
P[B] = =
Como A y B son excluyentes la probabilidad pedida es:
P[A B] = P[A] + P[B] = + = .
2. En este caso el evento pedido puede descomponerse como sigue. Sea M el

evento toma los tornillos de la caja azul y N toma los tornillos de la caja roja.
Sean P1 el primer tornillo es de 15 mm, P2 el segundo tornillo es de 15 mm,
Q1 el primer tornillo es de 20 mm y Q2 el segundo tornillo es de 20 mm. La
probabilidad buscada es: elegir de la caja azul y tomar 2 tornillos iguales o
elegir de la caja roja y tomar 2 tornillos iguales
P[{(P1 P2) U(Q1 Q2)} M} U{(P1 P2) U(Q1 Q2)} N}]

= P[M]P[{(P1 P2) UQ1 Q2}\ M] + P[N]P[{(P1 P2) UQ1 Q2} \N]
= P[N]P[{(P1 P2) UQ1 Q2} \N]
= + + + = .
Ejemplo 6
El siguiente ejemplo resulta interesante porque adems de ser un problema en
cierta forma clsico de las probabilidades nos muestra que eventualmente nuestra
intuicin en probabilidades debe ser mucho ms cautelosa. Nos referiremos al
mismo como el problema de los cumpleaos y aparece en buena parte de los
libros de probabilidad.
Suponga que hay n estudiantes en un saln de clase, ninguno nacido en 29 de
febrero, y que el ao en el que estamos no es bisiesto.
Por el principio del palomar cualquiera sabe que si n > 365, entonces al menos
dos personas tienen la misma fecha de cumpleaos; en el sentido que cumplen el
mismo da del mismo mes. Supongamos que 2 n < 365, y demos respuesta a las
preguntas siguientes:
Cul es la probabilidad, C, de que al menos dos personas tengan la misma
fecha de cumpleaos.
Cul es el mnimo valor de n para que esta probabilidad sea mayor que 0.5.
Solucin
Hay en total 365n posibilidades para que ocurran los cumpleaos de los n
estudiantes. La probabilidad de que dos personas cumplan en la misma fecha es
el complemento de que todos cumplan en das diferentes del ao. Tomando 1
para el primero de enero y 365 para el 31 de diciembre se tiene que la
probabilidad del evento E: ningn par de personas cumplan el mismo da es:
P[E] =
= 1- 1- 1-
1- 1- ... 1- .
La probabilidad solicitada es
P[C]= 1- 1- 1- 1- .
P[C] = 1 - 1- 1- ... 1- .
La segunda pregunta se responde resolviendo la desigualdad
1- 1- 1- 1- 0.5,
1- 1- 1- ... 1- 0.5,
por ejemplo se pueden tabular algunos valores y obtener la respuesta.
n P[C]
15 0.253
25 0.568
30 0.706
40 0.891
I.12.- Si revisamos de nuevo el ejemplo del carpintero y los tornillos podemos

notar como caracterstica importante en ese experimento que est constituido de
dos estados: Primero se debe elegir una caja y una vez hecho esto se debe sacar
un tornillo de la misma. Hay algunas preguntas que plantearse respecto a este
experimento que podran resultar diferentes a lo que hemos explorado hasta
ahora.
Por ejemplo Cul es la probabilidad S de sacar un tornillo de 20 mm.? Si se sac
un tornillo de 20 mm., cul es la probabilidad de que se haya escogido de la caja
azul?
El esquema para abordar este par de preguntas nos permitirn iniciar el estudio de
los temas probabilidad total y Teorema de Bayes, que son los ltimos temas de
este captulo.
Para resolver el primero de los dos problemas propuestos es importante tener en
cuenta que hay dos alternativas para obtener un tornillo de 20 mm. A saber elegir
en el primer estado la caja azul y sacar un tornillo de 20 mm o bien elegir en el
primer estado la caja roja y sacar un tornillo de 20 mm. Si M es el evento toma el
tornillo de la caja azul y N toma el tornillo de la caja roja. Y S es el tornillo es de 20
mm se tiene
P[S] = P[(M S) U(N S)]
= P[M S] + P[N S]
= P[M]P[S\ M] + P[N]P[S\ N]
+
= +
Para resolver este tipo de problemas necesitamos establecer algunas definiciones

y resultados importantes.
Si A1, A2,..., An son eventos tales que:
Ai Aj = siempre que i j.
P[Ai] > 0, i = 1, 2,..., n.
Ai = .
Se dice que A1, A2,..., An forman una particin del espacio .

Cuando un experimento consiste de la realizacin de dos etapas y es tal que la
primera puede descomponerse en A1, A2,..., An eventos, entonces la ocurrencia de
cualquier evento B en la segunda etapa slo puede darse en forma conjunta con
alguno de los eventos de la primera etapa. Es decir el evento B se descompone en
la forma B = (B A1) (B A2) ...(B An). Si se tiene adems que A1, A2,...,
An forman una particin del espacio muestral en la primera etapa entonces los
eventos en la descomposicin anterior son independientes y obtenemos el
siguiente teorema:
P[B] = P[(B A1) U(B A2)U...(B An)]

= P[B A1] + P[B A2] + ... + P[B An]
= P[A1]P[B \A1] + P[A2]P[B \A2] + ... + P[An]P[B \An]
= P[Ai]P[B \Ai].
El segundo de los problemas planteados se resuelve haciendo uso de
probabilidades condicionales, interesa conocer la probabilidad condicional
siguiente:
Si el resultado final de la eleccin es un tornillo de 20 mm., cul es la
probabilidad de que se haya extrado de la caja azul?
Utilizando la representacin de eventos del primer ejemplo y utilizando la frmula
1.7 y el teorema 3 obtenemos:
P[M \ S] =
Este tipo de deducciones propias de experimentos con dos estados y que implica
el clculo de la probabilidad de que ocurra algn conjunto de condiciones o
circunstancias del primer estado dado que ocurre un evento del segundo estado
se resuelven recurriendo al siguiente teorema, conocido como frmula de Bayes:
Ejemplo 7
Una caja A contiene tres bolas blancas y cuatro negras. Otra caja, B, contiene dos
bolas blancas y tres negras. Se extraen bolas, una a una, en forma aleatoria y sin
reemplazo.
Si las dos bolas son elegidas de A, cul es la probabilidad de que ambas
sean negras?
Si se eligen dos bolas, una de cada caja, cul es la probabilidad de que no
sean del mismo color?
Si se elige una caja al azar y se extraen dos bolas al azar, cul es la

probabilidad de que sean del mismo color?
Si se elige una de las cajas al azar se extraen dos bolas y son de colores
distintos, cul es la probabilidad de que se hayan extrado de la caja B?
Solucin
Si se saca la primer bola de la caja A y la segunda de la misma caja la
probabilidad de que ambas sean negras es:
Una manera de hacerlo es por complemento, extraer dos bolas de distinto

color es el complemento de extraerlas del mismo color. La probabilidad de
extraerlas del mismo color es sacar la primera negra y la segunda negra o
la primera blanca y la segunda blanca, por lo tanto la probabilidad pedida
es:
1- +
1- + .
El evento se descompone en elegir la caja A y extraer dos blancas o dos

negras o bien elegir caja B y extraer dos blancas o dos negras.
+ + + ==
+ + +
= + + + = .
= + + + =
La probabilidad C de extraer las dos bolas de igual color esta calculada
para el caso anterior.
P[B \C] =
=
Una aplicacin interesante de la frmula de Bayes tiene que ver con el anlisis de
confiabilidad de ciertos test realizados para detectar la presencia de
enfermedades. El problema es bsicamente el siguiente: Una persona puede sufrir
de una enfermedad y se practica un test para saber si tiene o no la enfermedad.
La exactitud del test se mide a travs de dos valores probabilsticos.
El primero de ellos se llama la sensibilidad, que es la probabilidad de que una
persona que este enferma de positivo en el test.
= P[TestPositivo \ EstaEnfermo].
El otro valor se llama especificidad y es la probabilidad de que una persona no

enferma tenga un diagnstico correcto.
= P[TestNegativo \ NoEstaEnfermo].
Lo normal es que ambos valores sean muy cercanos a la unidad.

Conociendo la incidencia de la enfermedad, sobre alguna poblacin, se puede
calcular la probabilidad de que una persona que haya dado positivo en el
diagnstico no sufra de la enfermedad. Si se sabe que en la poblacin la
probabilidad de que una persona elegida al azar este enferma es entonces
usando las frmulas de Bayes se tiene
P[NoEstaEnfermo \TestPositivo] =
=
.
Por ejemplo, [2], existe un test llamado ELISA que se utiliza para verificar sangre
donada en una problacin en la cual la probabilidad de que un individuo tenga los
anticuerpos de SIDA es de 0.0001. Suponga que este test tiene una sensibilidad
= 0.977 y una especificidad = 0.926.
Por ejemplo la probabilidad de que una muestra que contenga los anticuerpos de
un diagnstico de que s tiene los anticuerpos es:
= 0.001319
Este test resulta deficiente, de hecho clasifica como positivos muchos casos que
no tienen los anticuerpos.
II.13.- Prcticamente todos los problemas de conteo que resolveremos se
reducirn a la aplicacin cuidadosa de los principios de conteo que se enuncian
seguidamente.
Principio 1 Regla de la Suma:

Si una operacin puede realizarse en n formas y otra operacin, independiente de
la primera, puede realizarse en m formas, hay n + m formas en las que pueden
realizarse una de las dos operaciones
En Terminologa de teora de conjuntos:
Si ( i| 0 i < j n : Ai Aj =) Ai = | Ai|. (2.1)
Principio 2 Regla del producto:

Si una operacin puede realizarse en n formas y otra operacin, independiente de
la primera, puede realizarse en m formas, hay nm formas en las que pueden
realizarse las dos operaciones
En Terminologa de teora de conjuntos:
|A1A2...An| = | Ai|. (2.2)

Ejemplo 8
Para completar su plan de bachillerato un estudiante debe completar algunos
cursos optativos. El Plan de estudios contempla 4 cursos de Inteligencia Artificial
(IA), 3 cursos de Especificacin Formal(EF) y 3 cursos de Sistemas Expertos(SE).
De cuntas maneras puede el estudiante tomar los tres cursos si:
1. Debe llevar tres cursos optativos y no hay restricciones.
2. Debe llevar al menos un curso de cada rea.
3. Debe llevar dos cursos de reas distintas.
Solucin:
1. Al no haber restricciones el estudiante puede llevar el primer curso de 10
maneras, el segundo de 9 y el tercero de 8 maneras, as por (2.2) puede
tomar sus cursos optativos en 1098 maneras, si el orden en que los lleva
se tiene en cuenta. Si el orden no importa este valor debe dividirse entre 6,
Porqu?.
2. Como debe llevar un curso de cada rea, entonces puede llevar los tres
cursos de 6(433) formas. Si el orden es irrelevante son 433,
Invitamos al lector a revisar esta tabla para que compruebe estos
resultados.
IA1, EF1, SE1 IA2, EF1, SE1 IA3, EF1, SE1 IA4, EF1, SE1
3. En este caso debe llevar una combinacin IA,EF con 43 posibilidades o

IA,SE con 43 o bien SE,EF con 33, en total 30 posibilidades, sin tomar en
cuenta el orden, si fuera necesario considerar el orden, esta cantidad se
duplicara.
II.14.- Permutaciones de un Conjunto

Una permutacin de los elementos de un conjunto es un ordenamiento lineal de
sus elementos, por ejemplo si A = {a1, a2, a3} entonces las permutaciones de A son
las siguientes:
A1, a2, a3 a1, a3, a2
A2, a1, a3 a2, a3, a1
A3, a1, a2 a3, a2, a1
De manera similar una r -permutacin de r elementos de un conjunto es un

ordenamiento de r de los elementos del conjunto. Por ejemplo si A = {a1, a2, a3, a4}
entonces las 2-permutaciones de A son:
a1, a2 a2, a1 a1, a3 a3, a1
a1, a4 a4, a1 a2, a3 a3, a2
a2, a4 a4, a2 a3, a4 a4, a3
Para determinar el nmero de r -permutaciones de los elementos en un conjunto

con n elementos se puede recurrir a la regla del producto. Esto pues el proceso de
elegir r elementos en un orden especfico puede reducirse a elegir un primer
elemento entre n, luego elegir un segundo elemento entre los n - 1 que quedan, y
as hasta elegir el r -simo elemento entre los n - r + 1 restantes. Luego por el
principio del producto, (2.2), hay n(n - 1)(n - 2)...(n - r + 1) maneras de elegir r
elementos en forma ordenada, de un conjunto con n elementos. Esto nos permite
establecer el siguiente teorema:
Este teorema merece una explicacin especial en el caso de que r = 0. El nmero

de 0-permutaciones, es decir arreglos ordenados con ningn elemento se toma
como 1. Slo hay una forma de elegir 0-permutaciones, no eligiendo ningn
elemento.
Este problema de las permutaciones tiene algunas variantes que se abordan a
continuacin.
Considrese el problema de hacer una r -permutacin de elementos dentro de una
estructura que no necesariamente es un conjunto, por ejemplo una estructura que
contenga elementos pero se admite que los elementos pueden aparecer ms de
una vez. Por ejemplo analizar cuntos anagramas, reordenamientos de las letras
que forman una palabra, se pueden obtener de la palabra ama.
Para resolver este tipo de problema lo ms prctico es asumir que en realidad
todos los elementos son distintos y realizar el conteo segn el teorema 5, una vez
hecho esto eliminar los casos que se hayan contado de ms. Inicialmente ama
tiene tres letras pero una es repetida. Podemos asumir que son tres letras: {a1, m,
a2} y en ese casos los posibles anagramas son 6:
a1ma2 a1a2m
a2a1m a2ma1
ma1a2 ma2a1,
No obstante, dado que a1 y a2 son en realidad la misma letra, todo anagrama est
dos veces, as que el total posible debe dividirse por dos; y quedan tres
anagramas.
En general la solucin de este tipo de problema es as. Si una estructura contiene
r elementos repetidos, k1, k2,..., kr veces, respectivamente entonces para calcular
el tipo de permutaciones distintas que se pueden construir primero se calcula el
nmero de permutaciones asumiendo que todos los elementos son distintos, es
decir (k1 + k2 + ... + kr)! permutaciones. Luego se procede a analizar y excluir los
casos repetidos. Un elemento que aparezca kj veces ocupa kj posiciones dentro de
la permutacin, como se consider que los kj elementos son diferentes entonces
hay kj! posibles acomodos de esos elementos que se contaron como diferentes
pero que en realidad corresponden con una nica permutacin; por lo tanto para
eliminar los elementos contados de ms producidos por este elemento el nmero
total debe dividirse entre kj!, y as para cada uno de los elementos.
Ejemplo 9
Se van a repartir 3 rosas, 5 dalias y 2 margaritas entre 10 seoras, determine el
nmero de maneras de hacer esta distribucin si cada seora debe recibir al
menos una flor.
Solucin
Como hay igual nmero de flores que de seoras cada una recibe una flor, y el
problema se reduce a calcular el nmero de permutaciones posibles. El nmero de
maneras de distribuir estas flores es
= 2520.
Otro tipo de problema de distribucin relacionado con permutaciones tiene que ver
con los posibles ordenamientos de r elementos que se pueden hacer de un
conjunto de n elementos si se admite la repeticin, en este caso el asunto se
resuelve recurriendo a la regla del producto. El problema se reduce a elegir un
elemento para la primera posicin, para la segunda hasta llegar a la posicin r.
Como cada una de estas escogencias puede hacerse de n formas, se tiene el
siguiente resultado
Este mismo esquema permite resolver la distribucin de k objetos distintos en n

celdas, donde cada celda puede contener cualquier nmero de objetos. Esto pues
al final de cuentas este problema se reduce a elegir una celda para poner el primer
objeto, y luego elegir con posibilidad de repeticin otra celda para el segundo y as
hasta colocar todos los objetos.
Note que los objetos, en este caso no llevan un orden particular en las celdas. Si
el orden en el cual se distribuyen los objetos dentro de las celdas debe tenerse en
cuenta entonces el total de maneras cambia.
II.15.- A diferencia de una permutacin, en la cual el orden es importante, en una r

-combinacin el orden de los elementos no es importante. Una r -combinacin
sobre un conjunto A con n elementos es un subconjunto de A con r elementos.
Existe un relacin directa entre permutaciones y combinaciones, de hecho cada r -
combinacin da lugar a r! r -permutaciones. Como conocemos el nmero de r-
permutaciones (teorema 5) entonces se tiene el siguiente teorema.
Este ltimo valor se conoce cono coeficiente binomial pues con alguna cantidad de
esfuerzo es posible demostrar que:
n n-i i
(a + b) = a b.
(2.3)
n n-i i
(a + b) = a b.
Muchos problemas de conteo pueden resolverse recurriendo a problemas

diferentes pero con la misma solucin.
Por ejemplo considere una estructura que solo tiene 2 elementos repetidos, uno k
veces y el otro n - k veces. El nmero de permutaciones de los elementos en esta
estructura es que es exactamente
Esto en realidad no resulta complejo, pues hacer las permutaciones indicadas es
equivalente al siguiente problema, dado el conjunto {1, 2,..., n} elegir subconjuntos
de tamao k que correpondan a las posiciones en donde se van a ubicar los k
elementos Una ltima forma se discutir en estas notas, no sin advertir que con
las herramientas discutidas es posible abordar problemas diversos que no se han
discutido en estas notas.
II.16.- El problema de distribuir r objetos indistinguibles en n celdas, r n, con a

lo sumo un objeto en cada celda es bsicamente directo, ya que puede reducirse
al problema de escoger r entre las n celdas, es decir
.
El problema de poner r objetos en n celdas donde no hay restriccin en el nmero
de objetos en cada celda es ligeramente diferente. Una manera de abordarlo que
resulta sencilla es la siguiente: dados los r objetos, una manera de ubicarlos en las
celdas es intercalar entre ellos n - 1 banderillas, los objetos antes de la primer
banderilla, pueden ser ninguno, corresponden a la primera celda, los objetos entre
la primera y segunda corresponden a los objetos en la segunda celda y as
sucesivamente. En otras palabras el nmero de maneras de colocar r objetos
indistinguibles en n celdas es:
(2.4)
Usando adecuadamente esta ltima forma se obtiene el siguiente teorema:
Ejemplo 10
Si n personas se colocan aleatoriamente en n oficinas, cul es la probabilidad de
que quede exactamente una oficina vaca?
Solucin
El total de posibles ubicaciones de las n personas es nn, pero para que
exactamente una oficina quede vaca el anlisis debe ser cuidadoso. Se debe
elegir una oficina para que quede vaca lo cual puede hacerse de n formas. Luego
debe elegirse otra para que quede con dos personas; esta puede elegirse de n - 1
maneras. Una vez hecho esto se eligen dos personas para la segunda oficina y las
restantes se ubican una en cada una de las n - 2 oficinas restantes. Luego la
probabilidad pedida es:
= .
Ejemplo 11
Si un arreglo binario de doce elementos contiene 8 unos y 4 ceros, cul es la
probabilidad de que los cuatro ceros queden juntos?
Solucin
Slo hay 9 arreglos en los cuales los cuatro ceros quedan juntos, y el nmero de
posibles arreglos es 12!/(4!8!), luego la probabilidad pedida es:
Ejemplo 12
En un grupo de probabilidad hay inscritas n parejas (hombre, mujer) para hacer
una tarea. El profesor decide separar todas las parejas y formar nuevamente n
parejas, pero en forma totalmente aleatoria. Cul es la probabilidad de que se
formen las mismas parejas originales? Cul es la probabilidad de que se formen
slo parejas (hombre, mujer)?
Solucin
Para que se formen las mismas parejas originales solo se necesita calcular cul es
el nmero total de parejas que se pueden formar. Si se calcula este total de
parejas como el nmero de permutaciones de las 2n personas se tiene un conteo
redundante en los dos sentidos siguientes. Primero este conteo est tomando en
cuenta el orden en que las n parejas quedan agrupadas y segundo este conteo
est tomando en cuenta el orden en que se ubica cada pareja, por lo tanto el
nmero de posibles parejas es
La probabilidad solicitada en la primera parte es el inverso de este nmero.
La segunda probabilidad pedida puede resolverse usando el mismo esquema
anterior, y se puede razonar as. Si los hombres estn fijos en las posiciones 1, 3,
5,..., las mujeres se pueden ubicar en n! formas lo cual da todas las posibles
maneras de hacer parejas. Luego la probabilidad pedida es:
= .
II.17.- Propiedades Importantes

En esta seccin se trata de rescatar algunas propiedades importantes acerca de
conteo, algunas de las cosas que se expondrn resultarn reiterativas respecto a
lo enunciado antes, cosa que no necesariamente es inconveniente.
Este primer teorema es importante pues permite diferentes opciones para abordar
el mismo tipo de problema
=
=
+
=
+
Las demostraciones de estos resultados son un ejercicio interesante. Pueden

verse en algunos de los textos citados como referencia [5].
III.18.- Es importante, antes de hablar sobre los tipos de distribucin hacer un

repaso de algunos trminos que se utilizan con frecuencia en esta seccin.
Recordemos que llamamos espacio muestral al conjunto de todos los posibles
resultados de un experimento. Un espacio muestral puede ser finito o infinito
numerable, o puede ser continuo.
Una variable aleatoria es una funcin de un espacio muestral a los reales, es decir
una regla que asigna un nico valor real a cada evento del espacio muestral.
Si el espacio muestral es finito o discreto entonces la variable se llama variable
aleatoria discreta y si es continuo se llama variable aleatoria continua.
Una distribucin de probabilidad es una funcin que permite asignar un valor de

probabilidad a cada evento del espacio muestral de un experimento.
Las distribuciones de probabilidad se dividen en dos casos acorde con las
caractersticas de la variable aleatoria, discretas o continuas.
III.19.- Definiciones Bsicas
La propiedad ms importante de una variable aleatoria es la distribucin de

probabilidad. Si bien no existe una definicin exacta de lo que es una distribucin
de probabilidad si hay consenso en las propiedades que debe cumplir.
Si X es una variable aleatoria discreta con rango RX = {x1, x2, x3,...}, una
distribucin de probabilidad para X es una funcin, fX, del Rango(X) a los reales.
fX : Rango(X) , que cumple:

1. fX(xi) 0, xi Rango(X),
2. fX(x) = 1.
En general se aceptan ciertas convenciones de notacin. Si X es una variable

aleatoria y x es un nmero real se escribe: X = x,
para referirse al evento
{: ^X() = x},
similarmente se usa la notacin
X x,
para referirse al evento
{: ^X() = x},
Si X es una variable aleatoria discreta se puede definir su funcin de distribucin
de probabilidad por:
fX(x) = P[X = x]. (3.1)
Ejemplo 13
Se tiene una caja que contiene 4 bolillas rojas y tres verdes y se empiezan a
extraer bolillas, sin reemplazo, hasta obtener una bolilla roja. Sea X la variable
aleatoria que indica el nmero de bolillas que se extraen, tenemos lo siguiente.
El espacio muestral para el experimento es = {roja, verde - roja, verde - verde -
roja, verde - verde - verde - roja}
Los valores que toma X son
Una distribucin de probabilidad en este ejemplo, fundamentada en asumir que
toda bolilla tiene la misma probabilidad de ser tomada, es:
Una distribucin de probabilidad asigna probabilidades a cada uno de los eventos

simples del espacio muestral.
Existe otro concepto importante que tiene que ver con el siguiente problema. Dado
un espacio muestral , una variable aleatoria discreta definida sobre y un valor
x, tiene sentido el calcular la probabilidad de que ocurra alguno de los valores que
son menores o iguales a x.
En el ejemplo anterior podr resultar importante responder a cul es la

probabilidad de que haya que hacer dos o menos extracciones para obtener una
bolilla roja.
En este caso el valor solicitado es la probabilidad de que haya que hacer una o
dos extracciones para obtener una bolilla roja. Aplicando el principio de la suma se
obtiene que:
P[X 2] = P[X = 1] + P[X = 2] = + = .
Por ejemplo para el caso anterior se tiene que FX(x) cumple

FX(x) = P[X x] =
Ejemplo 14
Se tira un dado que no est cargado, hasta que se obtenga un uno. Si denotamos
por Z la ocurrencia de un uno y por W la no ocurrencia, el espacio muestral tiene
la forma {Z, WZ, WWZ, WWWZ,...}. Si X es el nmero de lanzamientos los
posibles valores para X son {1, 2, 3, 4...} y la funcin de probabilidad para X tiene
la forma:
fX(x) =
Para el clculo de de la funcin de densidad de masa debe calcularse el valor de:
P[X x] =
De acuerdo a esta ltima funcin se tiene que la probabilidad de que se deban

hacer 1,2 o 3 lanzamientos antes de obtener un 1 es de 0.4211
Las siguientes reglas se obtienen de manera directa de la definicin 13 y de las
propiedades de las probabilidades.
P[a X b] = F(b) - F(a),
P[a X < b] = F(b-) - F(a),
P[a < X b] = F(b) - F(a+).
Como se ha dicho anteriormente una variable aleatoria es continua si cumple que

al poder alcanzar cualquier par de valores a < b reales entonces puede alcanzar
cualquier valor que est en el intervalo [a, b]. En el caso de variables aleatorias
continuas se tienen las siguientes definiciones:
Si X es una variable aleatoria continua una distribucin de probabilidad para X es
una funcin fX que cumple las siguientes propiedades:
1. fX(x) 0 x.
2. Si a < b se tiene P[a X b] = fX(x) dx.

3. fX(x) dx=1.
4. FX(x)=P[X x] = fX(t) dt.
De acuerdo a esta definicin se tiene que:

P[a X b] = F(b) - F(a), (3.2)
P[X = b] = 0. (3.3)
Por ejemplo, si una variable aleatoria continua X tiene una distribucin de

probabilidad de la forma
f (x; )= ,
se dice que la variable X sigue una distribucin de tipo exponencial de parmetro

.
Adems no es difcil demostrar que la distribucin de probabilidad acumulada tiene
la forma
(3.4)
F(x; )= ,
Ejemplo 15
El tiempo que tarda un persona en localizar un archivo en su escritorio sigue una

distribucin normal con parmetro = 2 minutos.
La probabilidad de que en la prxima bsqueda dure menos de 3 minutos es F(3)
= 1 - e-6 = 0.997. Mientras tanto, la probabilidad de que tarde entre 1.5 y 2.5
minutos es de F(2.5) - F(1.5) = 0.043.
III.20.- Cada vez que se logre determinar una distribucin existen dos mediciones
asociadas con ella que son sumamente importantes: la media y la varianza.
La media o esperanza, como se llama a veces, en alguna forma es una medida de

localizacin de los datos, mientras la varianza es una medida de dispersin de los
datos. En las distribuciones tericas, este par de medidas las caracterizan en
forma absoluta y en el caso de las distribuciones que no se ajusten a un patrn
conocido constituyen el punto de partida para poder estudiarlas en forma
adecuada.
a. Si X es discreta con rango RX = {x1, x2, x3,...} se definen la media o esperanza

de X por
= xifX(xi),
(3.5)
con la condicin de que

| xi| fX(xi) < .
b. Mientras si X es continua.
= xfX(x) dx,
(3.6)

| x| fX(x) dx <
La condicin que se impone se conoce como convergencia absoluta [8] y se hace

necesaria para evitar que el reordenamiento de las sumas pueda producir valores
diferentes para la esperanza. De hecho en cada una de las definiciones que sea
necesario se indicar.
Note que la media, es una generalizacin del concepto de promedio aritmtico.
Por ejemplo si X es una variable aleatoria discreta tal que todos los valores en su
rango tienen la misma probabilidad entonces:
=
En realidad la media o esperanza es un promedio ponderado y cuantifica el valor
esperado para una variable aleatoria.
Ejemplo 16
Sea X la variable aleatoria del ejemplo 13. En ese caso el valor de la esperanza
es:
= 1( ) + 2( ) + 3( ) + 4( )= ,
significa que en promedio debern hacerse 2.27 intentos antes de obtener la

bolilla roja.
Por ejemplo para la distribucin exponencial de parmetro , (3.2), usando un

poco de integracin por partes y regla de L'Hpital, se tiene que:
Existen ejemplos de variables aleatorias con distribuciones de probabilidad bien

definidas y que no tienen media. Se invita al lector a verificar que si X es una
variable aleatoria tal que
fX(2k) = P[X = 2k] = 1/2k, k = 0, 1,...
entonces la distribucin de probabilidad est bien definida pero no existe la

esperanza.
Ejemplo 17
Un sistema de administracin de oxgeno est formado por dos bombas idnticas.
Estas bombas operan en forma independiente, y tienen una esperanza de
funcionamiento continuo que es exponencial con media 20 horas. El sistema de
bombeo falla solamente si ambas bombas fallan. Cul es la probabilidad de que el
sistema funcione durante 15 horas.
Solucin
Como la media es 20 horas entonces el parmetro de la distribucin es = 1/20.
Acorde con (3.4) la probabilidad de que una bomba falle antes de las 15 horas es
1 - e-15/20, as que la probabilidad de que el sistema falle antes de las 15 horas es
P[X 15] = (1 - e-15/20)2 y la probabilidad de que el sistema trabaje en forma
continua por ms 15 horas es de 1 - P[X 15] = 1 - (1 - e-15/20)2.
Tambin es posible calcular la esperanza de una funcin aplicada a los valores de

la variable aleatoria.
a. Si X es discreta
(X) = h(xi)fX(xi), (3.7)
| h(xi)| fX(xi) < .
Mientras que para X continua se tiene
= h(x)fX(x) dx, (3.8)
| h(xi)| fX(xi) dx < .
Para calcular la varianza de una variable aleatoria se necesita antes conocer la

media de X.
a. Si X es discreta:
= = (xi - )2fX(xi),
(3.9)
b. Si es continua
= = (xi - )2fX(x)dx,
(3.10)
Invitamos al lector a verificar en la tabla adjunta posibles distribuciones de

probabilidad discretas y analizar los valores de la esperanza y de la varianza. En
esta tabla puede introducir valores para la variable y las probabilidades
respectivas y ver el comportamiento de la media y la varianza.
La siguiente es una propiedad importante de la varianza. Segn la definicin de
esperanza, en el caso discreto se tiene
=
(xi - )2fX(xi)
=
(xi2 - 2xi + )fX(xi)
= xi2fX(xi) - 2xi fX(xi) + ( )2fX(xi)
xi2fX(xi) 2 xifX(xi) + fX(xi)
-2 + = -( )2.
=
De hecho no es difcil verificar que esta propiedad tambin se cumple en el caso
continuo.
Se llamar momento de orden k a la esperanza de Xk. Es decir el momento de

orden k para la variable aleatoria discreta X es
E(Xk) = xikfX(xi),
mientras que para una continua es
E(Xk) = xkfX(x) dx.

Ejemplo 18
Sea X una variable aleatoria continua con distribucin de probabilidad dada por
f (x) =
1. Determine el valor de k.
2. Calcule P([- 2 < X 5]).
3. Calcule VAR(X).
Solucin
1. Dado que
2.
3.
Finalizamos esta seccin enunciando un teorema que resume las propiedades

fundamentales de la esperanza.
1. El valor esperado de una variable aleatoria constante es la misma

constante.
= c.
2. El valor esperado de una variable aleatoria multiplicada por una constante
es la constante por el valor esperado de la variable.
= c.
3. El valor esperado de una suma de dos variables aleatorias es la suma de
los valores esperados de las variables.
= + .
Las pruebas de las dos primeras propiedades son bastante sencillas, y para
demostrar la tercera se requiere estudiar algunos conceptos que no se han
explorado hasta ahora. El lector interesado en la justificacin de estos resultados
puede consultar [2].
las siguientes afirmaciones.

1. La varianza de una variable aleatoria constante es cero.
VAR(c) = 0.
2. La varianza de una variable aleatoria multiplicada por una constante es la
constante por la varianza de la variable.
VAR(cX) = c2VAR(X).
3. La varianza de una suma de dos variables aleatorias es la suma de las
varianzas de las variables.
VAR(X+Y) = VAR(X) + VAR(Y).
Nuevamente la demostracin de los apartados (1.) y (2.) es bastante directa a
partir de la definicin y la demostracin de (3.) es un poco ms delicada. El lector
interesado puede verla en [2].
III.21.- Si X es una variable aleatoria se llama funcin generadora de momentos a

la esperanza de etX y se denota por mX(t)
mX(t) = E(etX). (3.11)
Las siguientes lneas ayudarn a entender el porqu de este nombre.

Supongamos que X es una variable aleatoria que toma valores 0, 1, 2,..., entonces
mX(t) = E(etX)
=
etxifX(xi)
(txi)k/k! fX(xi)
=
tkxik/k! fX(xi)
=
=
xifX(xi)
=
E(Xk).
Esta deduccin utiliza una propiedad importante de las sumatorias que en general
no es vlida y es el intercambio de las sumatorias que se hace. Si el lector es
paciente puede expandir cada una de las sumas y verificar que es posible el
reordenamiento practicado.
Como notar esta ltima serie tiene como parte de sus coeficientes los momentos
de orden k, de hecho es bastante sencillo demostrar el siguiente lema
Si X es una variable aleatoria con funcin generadora de momentos mX(t) se tiene
que
m(n)X(0) = E(Xn). (3.12)
Es decir si tenemos la funcin generadora de momentos basta con derivarla n
veces y evaluar en 0 para obtener el momento de orden n.
IV.22.- Existen diversos experimentos para los cuales el espacio muestral

solamente admite dos valores, pueden ser cualitativos, se cumple o no se cumple
alguna condicin o cuantitativos 0 o 1. No hay diferencia y para efectos de la
distribucin basta con que los consideremos como xito y fallo, con valores
asignados de 1 y 0, respectivamente.
Cuando un experimento como ste se ejecuta una sola vez se dice que es un
ensayo tipo Bernoulli, la variable aleatoria solo toma dos valores que
corresponden con X(xito) = 1 y X(fallo) = 0 y la distribucin de probabilidad
tambin es bastante simplificada con valores fX(1) = p, y
fX(0) = 1 - p.
Dado un experimento que consiste de una secuencia de n ensayos
independientes tipo Bernoulli, donde la probabilidad, p, de xito no cambia entre
ensayo y ensayo del experimento. Si la variable aleatoria que interesa cuantificar
es el nmero de xitos en los n ensayos, la variable recibe el nombre de Binomial.
Por ejemplo se lanza una moneda el aire en 8 ocasiones y se toma como variable
aleatoria el nmero de veces que cae corona, o se registran los prximos 100
nacimientos en un hospital y se toma como variable aleatoria el nmero de
mujeres que nacen.
En una variable binomial se tienen por parmetros la probabilidad de xito en cada
ensayo, p, y el total de ejecuciones, n, y como variable aleatoria X, el nmero de
xitos digamos x. La distribucin de probabilidad la denotaremos por b(x;n, p).
Para la distribucin de probabilidad acumulada usamos la notacin B(x;n, p).
La demostracin de la primera de las aseveraciones hechas en el teorema resulta

directa, pues puede haber desde ninguno hasta, a lo sumo, n xitos.
La segunda parte resulta de que la ocurrencia de exactamente x xitos es la
conjuncin de que en x cualesquiera de los ensayos ocurra xito y en los n - x
restantes ocurra fallo, de acuerdo con la ley del producto la probabilidad es de px(1
- p)n - x. Como no importa cuales x de los ensayos resulten en xito entonces debe
de contarse todas las posibles maneras de elegir x ensayos entre los n.
La tercera parte es simplemente una adaptacin de la definicin de la funcin de
probabilidad acumulada.
Vale la pena destacar que este tipo de clculos es bastante laborioso, no obstante
se dispone de tablas que resumen algunos de los valores ms frecuentes. Mejor
an en la versin electrnica de estas notas se da una barra de herramientas que
permiten realizar en forma directa los clculos, que involucren binomiales.
Ejemplo 19
Veinte palomas vuelan hacia 3 nidos. Cada una de ellas se ubicar en forma
aleatoria en alguno de los nidos, adems una paloma se ubica en forma
independiente de lo que hicieron o harn las otras. Calcule las siguientes
probabilidades.
1. Exactamente 4 palomas se ubican en el primer nido.
2. A lo sumo cuatro palomas se ubican en el primer nido.
3. Al menos cuatro palomas se ubican en el primer nido.
Solucin
Dadas las condiciones indicadas, el arribo de cada paloma a algn nido es un
ensayo de Bernoulli donde xito es que la paloma se ubique en el nido 1 y fracaso
es que no lo haga. La probabilidad de xito es 1/3 y la variable aleatoria que indica
el nmero de palomas que quedan ubicadas en el primer nido sigue una
distribucin tipo binomial: b(x;20, 1/3), y las respuestas a los problemas son
1. P[X = 4] = b(4;20, 1/3).
2. A lo sumo cuatro palomas significa ninguna, una, dos, tres o cuatro es decir:
b(0;20, 1/3) + b(1;20, 1/3) + b(2;20, 1/3) + b(3;20, 1/3) + b(4;20, 1/3),
por lo tanto:
P[X 4] = B(4;20, 1/3).
3. Al menos cuatro puede verse como el complemento de a lo sumo tres, por
tanto la la respuesta es
1 - P[X 3]=1-B(4;20, 1/3).
Ejemplo 20
Suponga que el 20 por ciento de los componentes fabricados por una planta no
pasan un control de calidad. Cul es la probabilidad de que en una muestra de 15
componentes consecutivos a lo sumo 8 no pasen la prueba.
Solucin
Este es un experimento de tipo binomial, que tiene 15 repeticiones del mismo
experimento, con una probabilidad de xito de 0.2. Si Y es la variable aleatoria que
indica el nmero de componentes defectuosos, interesa calcular el valor de la
expresin:
P[Y 8] = (0.2)k(0.8)15 - k = B(8;15, 0.2),
recurriendo a tablas o a la barra de herramientas se obtiene que la probabilidad

del evento indicado es 0.9992.
Sobre ese mismo ejemplo:
La probabilidad que exactamente 8 componentes no pasen la prueba:
b(8, 15, 0.2) = B(8, 15, 0.2) - B(7, 15, 0.2) = 0.9992 - 0.9958.
la probabilidad que fallen al menos 8 es:
P[Y 8] = 1 - P[Y 7] = 1 - B(7, 15.0.2) = 1 - 0.9958.

Algunas veces se acepta que un experimento se porta como un binomial, aunque
cumpla en forma parcial las reglas citadas en la definicin. Por ejemplo en
problemas de eleccin sin reposicin la probabilidad de cada experimento est
influenciada por los resultados de los anteriores. No obstante cuando el nmero de
intentos es relativamente pequeo respecto al espacio muestral el comportamiento
de la variable aleatoria puede aproximarse como si fuera binomial.
Ejemplo 21
Suponga que en una ciudad viven un milln de personas de los cuales slo
800000 son nativos de la ciudad. Si se toma una muestra de 10 ciudadanos al
azar cual es la probabilidad de que a lo sumo dos de ellos no sean nativos.
Solucin
Si bien la secuencia de 10 experimentos consecutivos de escoger un ciudadano y
que no sea nativo tienen probabilidades diferentes tambin es cierto que estas
probabilidades prcticamente son iguales, en un caso como este podemos asumir
que el comportamiento de la variable aleatoria Y que indica el nmero de no
nativos en la muestra se aproxima por una binomial. As la probabilidad solicitada
es:
P[Y 2] = (0.2)k(0.8)10 - k = B(2;10, 0.2),
recurriendo a tablas se obtiene que la probabilidad del evento indicado es 0.6778.
IV.23.- Si una variable X es Bernoulli entonces la media se puede calcular en

forma muy sencilla pues.
= 0(1 - p) + 1(p) = p,
mientras que la varianza es:
VAR(X) = (0 - p)2(1 - p) + (1 - p)2p = p(1 - p).

Si una variable es binomial de parmetros n, p entonces X puede verse como una
secuencia de ensayos de Bernoulli es decir X = Y1 + ... + Yn. Para calcular su
media y su varianza puede recurrirse a los teoremas (12) y (13) para obtener el
siguiente teorema.
Este ltimo resultado tambin se puede obtener recurriendo a la definicin de la

media. Se invita al lector a tratar de deducir la media para una binomial a partir de
la definicin y del uso del teorema (11) y de (2.3).
IV.24.- Una variable aleatoria X se dice que sigue una distribucin de Poisson con
parmetro > 0 si su rango es el conjunto 0, 1, 2,..., y la distribucin de
probabilidad est dada por:
P[X = x] = p(x ;) = para x = 0, 1, 2,....

(4.1)
En general la descripcin de un proceso de Poisson no es necesariamente

sencilla, en [5] puede encontrarse una discusin simplificada.
Ejemplo 22
Dado que p(x; ) 0 y recurriendo a la expresin:

ex =
se obtiene que
con lo cual p(x; ) cumple con las propiedades para ser una distribucin.
La herramienta adjunta permite realizar los clculos relacionados con la
distribucin Poisson.
Ejemplo 23
Las consultas arriban a un servidor siguiendo una distribucin de Poisson con 12
consultas por minuto.
1. Cul es la probabilidad de que el intervalo de tiempo entre las dos
prximas consultas sea menor o igual a 7.5 segundos?
2. Cul es la probabilidad de que el intervalo de tiempo entre las dos
prximas consultas sea mayor a 10 segundos?
Solucin
1. Si en 60 seg. arriban 12 consultas entonces en 7.5 segundos arriban 1.5
consultas, por lo tanto el nmero de llamadas, X, que llegan en 7.5
segundos sigue una distribucin de Poisson p(x;1.5).
La probabilidad de que despus del arribo de una consulta pasen menos de

7.5 segundos antes del arribo de la siguiente debe verse como la
probabilidad de que en 7.5 segundos llegue al menos una consulta.
P([X > 0]) = 1 - P([X = 0]) = 1 - p(0, 1.5) = 1 - = 1 - e-1.5.
2. Por argumentos similares al caso anterior se tiene que la probabilidad

solicitada es:
p(0, 2).
Para una distribucin de Poisson se tiene que la esperanza es
Para calcular la varianza de una distribucin de Poisson es mejor utilizar la funcin
generadora de momentos.
La funcin generadora de momentos para una Poisson de parmetro se calcula

recurriendo a la expresin 3.11.
Derivando dos veces y evaluando en cero, lema (2), se obtiene que E[X2] = -
que unido al lema (1) permite obtener que la varianza de una Poisson de
parmetro es .
IV.25.-
Los tipos de aplicaciones en los cuales la distribucin es hipergeomtrica son muy

similares a aquellos donde se aplica la binomial. Una manera de entender la
diferencia entre ambas es analizando el esquema con que se lleva a cabo el
muestreo. Mientras que en la distribucin binomial el muestreo se realiza con
reemplazo de cada artculo, despus de observarse, en la hipergeomtrica el
muestreo se lleva a cabo sin reemplazo.
Por ejemplo de un naipe se desea extraer una muestra de 5 cartas y calcular la
probabilidad de obtener 3 cartas rojas. En este caso se deben muestrear 5
objetos, para cada objeto se considera como xito el hecho que la carta sea roja y
como fracaso que sea negra, hay 26 xitos en la poblacin, toda muestra de 5
cartas tiene la misma probabilidad de ser elegida.
El conjunto de valores posibles x para la variable aleatoria en un experimento
hipergeomtrico est restringido por dos condiciones importantes, la primera de
ellas es que en la muestra puede haber a lo sumo min{n, M} xitos mientras que al
menos hay max{0, n - (N - M)} xitos.
La distribucin de probabilidad h(x;n, M, N) depende de:
el tamao de la muestra n,
el tamao del conjunto sobre el cual se toman los objetos N,
y el nmero de xitos, M, en el conjunto sobre el que se hace el muestreo.
El clculo de la distribucin de probabilidad para un valor x de los posibles de la
variable aleatoria se puede hacer de manera simple pues la probabilidad P[X = x]
puede reducirse a un problema de conteo. Se eligen x de los M xitos y se eligen
n - x de los N - M que no son xitos, y se divide entre el total de posibles maneras
de escoger los x elementos de los N. Esto conduce a la expresin:
h(x;n, M, N) = . (4.2)
Los clculos que se necesitan para la distribucin hipergeomtrica se pueden

hacer recurriendo a la herramienta adjunta.
Ejemplo 24
Un equipo de trabajo de 5 personas se va a seleccionar de entre cinco hombres y
tres mujeres. Si la variable aleatoria es el nmero de hombres en el equipo, cul
es la distribucin de probabilidad asociada?
Solucin
Los posibles valores de esta variable aleatoria son 2, 3, 4 y 5 y las probabilidades
son:
h(x;5, 5, 8) = ,
El lector puede verificar que la media para esta distribucin es 176/56.
Ejemplo 25
De una poblacin de 500 animales se capturan 200, se marcan y se sueltan para

que vuelvan a mezclarse con el resto de la poblacin.
La probabilidad de que en una muestra de 20 animales capturados o recapturados
haya 4 o menos marcados se puede calcular por
Mientras tanto la probabilidad de que aparezcan 3 o ms animales marcados en

una captura o recaptura de 20 es:
1-
V.26.- En general las distribuciones de probabilidad son herramientas muy

necesarias en el estudio de problemas probabilsticos y estadsticos.
Entre las distribuciones de probabilidad continuas, la distribucin normal, es la
ms utilizada y la ms importante.
Muchas mediciones dentro de poblaciones siguen distribuciones normales y en
casos donde poblaciones no distribuyen normalmente, es comn que ciertos
promedios y ciertos valores acumulados se distribuyan en forma normal, esta
ltima observacin se conoce como el teorema del lmite central.
En trminos muy simples, una poblacin sigue una distribucin normal respecto a
alguna medicin cuando el grueso de los valores de la poblacin se distribuyen
cerca de la media y existe cierta simetra en la forma en que se distribuyen los
datos alrededor de la media.
En trminos matemticos la definicin es la siguiente:
Se puede demostrar que la media de esta distribucin es y la desviacin es

.
En las siguientes aplicaciones usted puede explorar la forma de las grficas de
distribuciones normales. Se puede variar la media y la desviacin estndar para
analizar distintos casos.
Adems la distribucin de probabilidad acumulada es decir, P[X x] se calcula por
la integral:
FX(x) = P[X x] = e dt
Para efectos operacionales, las distribuciones normales son difciles pues los
clculos que deben hacerse son complejos.
Entre las normales, la distribucin ms importante es la que se llama normal
estndar, una normal cuya media es 0 y cuya desviacin estndar es 1. De hecho
en estas mismas notas veremos que toda probabilidad que implique la distribucin
normal puede reducirse a una en que se utilice la normal estndar.
Y en este caso el clculo de la distribucin de probabilidad acumulada es,
(x) = P[X x] = e dt.
La ltima expresin es una variante de una funcin que se conoce como la funcin
error erf(x), [1], y solo hay formas numricas de aproximar sus valores [3,2].
Los valores de la funcin (x) se pueden obtener en tablas que aparecen en

libros de probabilidades o bien utilizando la herramienta provista en estas notas.
V.27.- Como la funcin de distribucin de probabilidad es simtrica, y adems el

rea total acumulada, sobre toda la recta real es 1, entonces para cualquier x real
se obtiene la siguiente propiedad:
(x) + (- x) = 1, (5.1)
Para finalizar este corto recorrido por la distribucin normal invitamos al lector a
seguir cuidadosamente las siguientes lneas.
Si X sigue una distribucin normal con parmetros y entonces si aplicamos el
cambio de variable = a la integral en
P[X x] = e dt,
obtenemos
P[X x] = e dt = ( ).
Ejemplo 26
Las notas finales de un curso se distribuyen en forma normal con una media de 75
y una desviacin estndar de 10. Si la nota de aprobacin es de 70 que porcentaje
de los estudiantes aprobarn el curso.
Solucin:
Primero se debe notar que la afirmacin de que las notas siguen una distribucin
normal debe entenderse en el sentido aproximado.
El porcentaje solicitado puede obtenerse al encontrar el valor P[X 70].
Dadas las propiedades de las distribuciones de probabilidad se tiene que
P[X 70] = 1 - P[X 70] = 1 - ( ) = 1 - 0.6915 = 0.3085.
Ejemplo 27
La distribucin de peso de ciertos bultos de papel para reciclaje es normal con
media de 50 kilos y desviacin estndar de 10 kilos. La persona que transporta los
paquetes cobra 100 colones por bulto pero desea imponer un peso mximo
despus del cual cobrar un recargo. Cul debera ser ese peso para que los bultos
tengan una probabilidad inferior al 10% de pagar tal recargo.
Solucin
Hay dos aspectos importantes que se deben notar; el primero de ellos es que si X
es la variable aleatoria para el peso de cada paquete lo que se debe encontrar es
un valor r tal que:
P[X r] > 0.1,

lo que se reduce a encontrar un r que cumpla con:
P[X r] 0.9,
El problema es inverso en el sentido de que no se busca una probabilidad, sino un
valor que permita obtener cierta probabilidad.
El segundo aspecto que debe tenerse en cuenta es que para poder utilizar las
barras de clculo de que se dispone en estas notas o las tablas, la distribucin de
normalizarse en el sentido de 18.
La siguiente herramienta permite resolver el problema indicado, a saber si se tiene
una probabilidad p encontrar el valor r tal que P[X r] = p.
Uniendo ese par de observaciones se debe resolver:
P[ ] 0.9.
Utilizando en barra de asistencia la herramienta normal inversa se obtiene la

ecuacin:
= 1.286,
de donde r = 62.86.
V.28.- Muchas veces, an cuando una variable aleatoria no siga una distribucin
normal es posible que su comportamiento pueda ser modelado con distribuciones
que siguen comportamientos similares a una normal pero de manera sesgada.
Antes de poder estudiar este tipo de distribuciones se hace necesario definir una
funcin sumamente importante en el estudio de diversos problemas en
matemtica.
Por Ejemplo:
Otra propiedad importante se obtiene de aplicar a ( +1) las partes dv=x
dx y u = e-x, para obtener:
Con un poco de paciencia y regla de L'Hopital se puede demostrar que el primer

lmite en la ltima expresin es 0 mientras que la segunda integral es ( ).
Con esto la funcin gamma cumple con la propiedad ( + 1) = ( ) ( ) y de

all si n es entero (n) = (n - 1)!.
Tambin, usando algunos argumentos de clculo en varias variables se puede

calcular que ( )= .
Aparte de un reducido nmero de argumentos el clculo de valores de la funcin
gamma debe hacerse utilizando mtodos numricos [3,1]. Para hacer estos
clculos se provee una herramienta, que ha sido programada acorde con [9].
El parmetro puede verse como un parmetro de forma pues su modificacin

altera la forma de
la distribucin mientras que funciona como un parmetro de escala.
Invitamos al lector que revise la versin electrnica de estas notas a utilizar el
graficador para distribuciones gamma y verificar algunas de las formas variando
los parmetros.
Si en una distribucin gamma = 1 se dice que es una distribucin gamma
estndar.
Para una variable aleatoria continua, X, con distribucin de probabilidad gamma
de parmetros y , aplicando un cambio de variable u = y / se tiene que la
funcin de distribucin de probabilidad para X cumple:
dy
P([X x]) = (5.2)
= du
= F(x / ; )
Esta ltima funcin se conoce como la funcin gamma incompleta.
E[X] =
Var[X] =
Ejemplo 28
Suponga que el tiempo de reaccin para iniciar el frenado ante una emergencia,
en la poblacin de cierta edad sigue una distribucin Gamma con media de .5
segundo y varianza de .1 segundo cuadrado.
Solucin
Dado que la esperanza es .5 y la varianza .1 se obtiene que = 5/2 y = 1/5

En ese caso, si quisiramos calcular la probabilidad de que la respuesta de
frenado en una situacin de emergencia sea inferior a .72 segundos usando la
expresin (5.2) se tiene que
P[X 7.2] = F(.72/.2, 2.5) = F(3.6, 2.5)

Ejemplo 29
Suponga que el tiempo utilizado por una persona preparando un tipo particular de
informe sigue una distribucin gamma con media de 20 minutos y varianza 80
minutos cuadrados.
Aplicando el teorema (19) se obtiene que =5y =4

Para determinar la probabilidad de que una persona elegida al azar tarde menos
de 24 minutos preparando el informe debe resolverse
P[X 24] = F(24/4, 5) = F(6, 5) = 0.715
V.29.- La distribucin de probabilidad exponencial
En realidad la distribucin exponencial es un caso especial de la distribucin

gamma. Ya se ha abordado antes algunos aspectos relativos a la distribucin
exponencial.
E[X] =
Var[X] =
La primera afirmacin en este teorema ya ha sido demostrada en la seccin 3.3 y

la segunda parte se deja como ejercicio para el lector.
VI.30.- Si X es una variable aleatoria discreta con rango RX entonces es sencillo

deducir la siguiente secuencia de desigualdades:
E(X) =
xP[X = x]
xP[X = x] + xP[X = x]
=
xP[X = x]
xP[X = x]
= tP[X t]
Este anlisis, que se puede hacer en forma equivalente para distribuciones

continuas da lugar al siguiente teorema conocido como la desigualdad de Markov
[2].
P[X t] (6.1)
Esta desigualdad permite hacer aproximaciones vagas acerca del comportamiento

de variables aleatorias tomando en cuenta nicamente la esperanza. Veamos el
siguiente ejemplo.
Ejemplo 30
En una caja hay 10 bolillas rojas y 6 negras. Se extraen con remplazo 8 bolillas y
se registra el nmero de bolillas rojas extradas.
X sigue una distribucin binomial b(x;8, 10/16) y usando la herramienta para
binomiales, es simple verificar por ejemplo que P[X 6] = 1 - P[X 5] = 0.3697.
Utilizando la desigualdad de Markov se obtiene que P[X 6] 5/6 = 0, 8333.
Comparando estos dos valores nos damos cuenta que la cota que se obtiene por
la desigualdad de Markov no necesariamente es buena.
Es importante notar que si en la desigualdad (6.1) utilizamos t = n obtenemos
P[X n ]
Es decir la probabilidad de que los valores de una variable aleatoria estn a ms

de n veces la media es menor a 1/n.
Si adems de la media o esperanza se conoce la varianza entonces existe la

posibilidad de hacer acotaciones con un poco ms de precisin. Supongamos que
X es una variable aleatoria con esperanza y varianza Si consideramos la
2
variable aleatoria (X - ) , aplicando la desigualdad de Markov a esta variable,
cuya esperanza es precisamente (3.9), se obtiene
P[(X - )2 t2]
Dado que [(X - )2 t2es equivalente a | X - | t se obtiene el teorema

conocido como la desigualdad de Chebyshev.
(6.2)
P[| X - )| t]
La desigualdad de Chebyshev permite acotar la probabilidad de que los valores de
la distribucin queden alrededor de la media. Estas aproximaciones no
necesariamente son buenas, no obstante mejorar los resultados que se pueden
obtener con esta desigualdad implicara restringir mucho las hiptesis iniciales,
como se ver en un ejemplo posterior.
Ejemplo 31
Una persona puede digitar un texto en un tiempo que sigue una distribucin con
media 50 minutos y desviacin 10 minutos. Para estimar una cota para la
probabilidad de que esta persona tarde entre 30 y 50 minutos se puede recurrir a
la desigualdad de Chebyshev y se obtiene
P[30 T 70] = 1 - P[| X - 50| 20] 1 - =

An cuando este tipo de estimaciones pueden resultar innecesarias cuando se
dispone de la distribucin de probabilidad el ejemplo siguiente sirve para comparar
los resultados que se obtienen usando la de la desigualdad (6.2).
Ejemplo 32
El tiempo que tarda un computador en resolver un problema sigue una distribucin
exponencial con media 2 minutos. Para estimar la probabilidad que el tiempo de
solucin de un problema al azar est entre 0 y 6 minutos si utilizamos la
desigualdad de Chebyshev obtenemos
P[0 T 6] = 1 - P[| X - 2| 4] 1 - = .75
Es decir con la desigualdad de Chebyshev obtenemos que la probabilidad de que

el tiempo est entre 0 y 6 minutos es superior a 0.75.
Si usamos la distribucin en forma directa obtenemos que:
P[0 T 6] = dx = 1 - e-3 = 0.95
Lo que nos indica que las cotas que se obtienen de la desigualdad de Chebyshev
pueden no ser muy buenas, no obstante como veremos no es tan fcil mejorar las
cotas que se obtienen con esta desigualdad sin imponer restricciones adicionales.
El siguiente ejemplo, [2], es ilustrativo en ese sentido.
Ejemplo 33
Sea X una variable aleatoria discreta cuya distribucin de probabilidad se da en la
siguiente tabla:
x1 = - 2 x2 = 0 x3 = 2
P[X = x1] = 1/8 P[X = x2] = 3/4 P[X = x3] = 1/8
Es muy sencillo verificar que E[X] = 0 y que VAR[X] = 1
Si aplicamos la desigualdad de Chebyshev obtenemos que
P[| X - | 2]
que en este coincide con el valor pues
P[| X - | 2] = P[X = 2] + P[X = - 2] = + =

Este ejemplo indica que an cuando las cotas obtenidas de la desigualdad (6.2) no
siempre son buenas a veces son exactas.
VI.31.- Para poner en contexto las implicaciones de este teorema es importante
revisar las siguientes observaciones.
Dado un experimento con espacio muestral , para un evento se ha indicado
que si se hacen n repeticiones del experimento y se nota que en esas n
repeticiones del experimento ocurren (n) veces el evento , intuitivamente se
define la probabilidad del evento por
P[ ]= .
Sin embargo, como ya hemos apuntado antes esta definicin deja abiertas una
serie de preguntas. Por ejemplo si aceptamos definir la probabilidad como el valor
lmite de estos cocientes entonces la definicin se complica. Primero que todo,
qu garantiza que ese lmite existe, segundo esta definicin no es operacional en
el sentido de que no es posible repetir infinitamente tal experimento. Estudiaremos
la ley de los grandes nmeros que nos ayudar a precisar un poco mejor el
sentido de
P[ ]= (6.3)
Simplificando un poco el problema, cada una de las repeticiones del experimento

que se realicen en el contexto citado puede verse como un ensayo de Bernoulli
donde el xito coincide con la ocurrencia de . As el nmero de xitos X en los n
ensayos del experimento es una variable aleatoria binomial en la cual la
probabilidad de xito es un valor desconocido p. Para esta variable sabemos que
la media es np y la varianza es np(1 - p) (teorema 15).
Si consideramos la variable aleatoria Y = X / n es muy sencillo demostrar que la
esperanza de Y es
np/n = p y que la varianza es (np(1 - p))/n2 = p(1 - p)/n.
Aplicando la desigualdad de Chebyshev a Y con t = obtenemos:
P -p
(6.4)
P -p .
Es decir el lmite (6.3) existe o dicho en palabras algo ms simples dada cualquier
precisin se puede encontrar un valor n de manera que el cociente xitos entre
el total de ensayos est tan cerca del valor p desconocido como queramos.
En cierta forma esta ltima desigualdad da legitimidad al proceso estadstico que
se ha citado en la definicin (10), pues garantiza que el proceso descrito en esta
definicin en realidad converge al valor de la probabilidad del evento.
Por supuesto que no resuelve en forma simple el problema operacional de saber
cul debe ser el nmero de repeticiones del experimento necesarias para obtener
aproximaciones precisas de la probabilidad buscada. Se puede utilizar la
desigualdad de Chebyshev para obtener aproximaciones del valor de n pero el
teorema del lmite central, que abordaremos en la seccin siguiente ser de mayor
utilidad en ese sentido.
Las conclusiones que se han obtenido hasta ahora se resumen en el siguiente
teorema conocido como una forma dbil de la ley de los grandes nmeros [2].
(6.5)
P - P[ ] = 0.
Paralela a la la forma dbil de la ley de los grandes nmeros existe una
generalizacin que se llama la Ley de los grandes Nmeros cuya justificacin est
fuera de los objetivos de este curso [6] y se enuncia en el siguiente teorema:
(6.6)
P - ] = 0.
Dicho en otras palabras la probabilidad de que el promedio Sn/n difiera de la
esperanza menos que un cualquiera, tiende a uno.
VI.32.- El ltimo teorema de la seccin previa es generalizado por otro teorema

cuya importancia en aplicaciones de la probabilidad y estadstica es mucho mayor.
El teorema del lmite central se enuncia seguidamente:
(6.7)
P x y = (y) - (x).
Donde (z) es la distribucin normal estndar.

La importancia de este teorema es enorme, en especial porque no tiene ninguna
condicin especial sobre el tipo de distribucin al que se aplica. Puede ser
continua o discreta, no importa como sean, en promedio la suma de estas
variables se distribuyen como una normal con media n y varianza n . Este
teorema tambin es vlido para la variable aleatoria = Sn/n para la que, si n se
hace grande, distribuye como una normal de media y varianza /n.
Para explorar mejor el valor de este teorema se presenta la siguiente aplicacin
que permite partir de una distribucin de datos cualquiera y analizar la distribucin
de probabilidad de los posibles promedios de muestras sobre la distribucin
original.
VI.33.- El teorema del lmite central tiene una implicacin adicional que tambin
resulta sorprendente. Si Sn sigue una distribucin binomial de parmetros n y p
entonces si x y y son enteros no negativos tales que x < y, segn el teorema del
lmite central se tiene que si n es suficientemente grande se cumple.
P [x Sn y ] -
(6.8)
P x Sn y - .
Este resultado se conoce como la aproximacin normal de la binomial y dado que
es aproximacin continua de una distribucin discreta deben tenerse algunos
cuidados adicionales.
La mejor manera de utilizar este resultado puede obtenerse en la expresin:
k
p (1 - p)
n-k
=
(6.9)
k n-k
p (1 - p) = -
El valor 1/2 que se agrega a cada lado se llama un factor de correccin de

continuidad. La razn para agregar tal factor de correccin es que si uno usa una
distribucin normal, que es continua, para aproximar una binomial que es discreta,
en cada extremo del intervalo la distribucin discreta incluye la mitad de una barra
que la distribucin continua omite, por eso debe agregarse. Las siguientes grficas
pueden ayudarle a comprender la necesidad de este factor de correccin.
Ejemplo 34
Se sabe que en una ciudad el 35% de los habitantes tienen sobrepeso. Se eligen
500 personas, cul es la probabilidad de que haya entre 200 y 300 con
sobrepeso.
La solucin de este problema se obtiene por la expresin
k 500 - k
(0.35) (0.65)
(0.35)k(0.65)500 - k
- .
Usando la herramienta para clculo de binomiales se obtiene que la parte
izquierda es 0.008864 mientras que la parte derecha, usando la herramienta
correspondiente es 0.0108.
Existen varios criterios para asegurar la precisin de este tipo de aproximaciones.
Los ejemplos abundan, por ejemplo en [5] se afirma que si np 5 y n(1 - p) 5 la
aproximacin es adecuada, en [2] se presenta un resumen de diferentes
condiciones para asegurar precisin, al final de cuentas lo que si es vlido es que
valores de p muy cercanos a 0 o 1 hacen que las aproximaciones normales de
binomiales no sean buenas.
En la Herramienta que se da a continuacin el lector puede colocar valores de n y
p y verificar por si mismo la calidad de la aproximacin normal de la binomial.
Ejemplo 35
Dos empresas de venta de servicios telefnicos optan por el mismo mercado, hay
n clientes que seleccionan al azar alguna de las dos empresas. Si una de las
empresas tiene capacidad de atender a lo sumo r < n clientes entonces la
probabilidad de que esta empresa reciba solicitudes de ms de r clientes est
dada por
k nk
(.5) (.5) 1-
(.5)k(.5)n - k 1-
=1-
=1-
Por ejemplo si hay 1000 clientes y una de las empresas desea que el total de
solicitudes sin atender no exceda el 10% entonces usando las herramientas
disponibles se obtiene que
0.9
de donde se obtiene que r = 520, lneas bastarn para satisfacer al menos el 90%
de las demandas de servicio.
Si ese porcentaje se elevara y se quisiera que el porcentaje de solicitudes sin
atender no exceda el 1% entonces se debe resolver
0.99
usando las herramientas disponibles y despejando se obtiene que r = 537 lneas

son suficientes. Esta aproximacin no solo es buena, es excelente como puede
verificarse usando las herramientas para binomiales que se han programado.
Para estas herramientas se ha obtenido una precisin sorprendente, si hiciramos
el mismo anlisis pero con una probabilidad de 0.7 de que cada cliente elija a esta
empresa; usando la aproximacin normal se obtendra que se necesitan 734
lneas si se usa la binomial en forma directa se ve que 733 bastan. Se invita al
lector a ver el comportamiento para otros valores de p.
Como nota aparte es interesante hacer notar que el desempeo de estas
herramientas programadas mejoran los resultados que se obtienen en tablas como
las de [6] adems permiten una serie de exploraciones que de otra manera seran
muy complicadas.
VI.34.- Estimadores
Un estimador de un parmetro de una variable aleatoria X es una variable
aleatoria, que puede depender de una muestra aleatoria X1, X1,..., Xn.
Los dos estimadores ms usuales son el promedio usual llamado tambin media
muestral y denotado por y la varianza muestral denotado por S2.
Estos estimadores son a su vez variables aleatorias,
= Xi (6.10)
= Xi
2 2
S = (Xi - ) (6.11)
2 2
S = (Xi - )
La desviacin estndar muestral S es la raz de la varianza.

Como sus nombres lo indican, se tiene que es un estimador para la esperanza,
S2 lo es para la varianza Var[X] y S para la desviacin estndar .
El siguiente teorema, que en algunos textos [5] se llama teorema del lmite central,
es sumamente til pues permite resolver diversos ejercicios de manera bastante
simple.
1. E [ ]=
2. E[S2] =
3. Var[ ]=
4. Si n es suficientemente grande, entonces la variable

Z=
(6.12)
Z=
5. sigue una distribucin que se aproxima a una normal estndar.
Este teorema puede ampliarse de forma directa a la distribucin T = n = X1 + X2

+ ... + Xn la cual tambin sigue una distribucin normal con media n y desviacin
estndar .
Nuevamente, entre mayor sea el valor de n mejor ser la aproximacin.
Hemos desarrollado una aplicacin que nos permite simular el comportamiento de
los promedios de las varianzas cuando se parte de una distribucin con k valores
cualesquiera y se estudia valores de n suficientemente grandes. El estudiante
puede variar la distribucin de probabilidad inicial as como los datos iniciales y la
herramienta le muestra cual es la distribucin de probabilidad de la variable
promedio. El estudiante mediante exploracin podr validar los resultados que se
han discutido previamente, en especial puede ver como a valores mayores de n la
distribucin de las medias se acerca ms a una normal.
En papel la aplicacin es bastante simple, toma una distribucin de probabilidad y
un valor n que es el tamao del muestreo. Calcula todas las combinaciones de X1,
X2,..., Xn, hace los promedios, les calcula las probabilidades a cada uno y
construye la distribucin de probabilidad de los mismos, la cual se presenta en
forma de tabla y en forma grfica.
VI.35.- Ejemplos
En una gran empresa el 60% de las personas tiene problemas de tensin. Cul es
la probabilidad de que en una muestra de 1000, 615 o ms presenten este
problema.
Solucin
Este problema es de tipo binomial, puede resolverse calculando en forma directa 1
- B(614;1000,.6) lo que conduce al valor 0.158528,
Tambin podemos recurrir a la aproximacin normal de binomial y la probabilidad
solicitada es:
P [ X 615] -
P[X 615] = -
= 1 - (.93597) = 0.174
Ejemplo 37
Las consultas a un sistema tienen una duracin cuya media es de 4 segundos y su
desviacin estndar es de 1.5 segundos. Si llegan 50 consultas en forma
independiente, cul es la probabilidad de que las 50 tengan una duracin
promedio entre 3.5 y 3.8 segundos.
Solucin
Si aplicamos los resultados descritos hasta ahora el promedio de la muestra de las
50 consultas sigue una distribucin que es aproximadamente normal con media
= 4 y desviacin estndar
= 1.5/ = 0.2121. Luego:
P[3.5 X 3.8] = - = 0.1645.
P[3.5 X 3.8] = - = 0.1645.

Ejemplo 38
Una sonda espacial cuenta con un juego de 10 computadores para controlar su
estado. En todo momento se encuentra trabajando un nico computador y estos
trabajan en forma serial de manera que en el instante en que uno falle empieza a
funcionar el siguiente, y as sucesivamente hasta utilizar los 10 computadores. La
sonda est por pasar detrs de un planeta, por lo que se espera no tener
comunicacin con ella durante 4000 horas. Si cada computador opera
correctamente 440 horas en promedio con una desviacin estndar de 30 horas,
entonces el tiempo acumulado de funcionamiento, Y de todas los computadores
sigue una distribucin que se puede aproximar por una normal con media 1440 y
desviacin estndar 30 .
P[Y > 4000] = 1 -
= 1 (- 4.21) 1.
Si el promedio de funcionamiento de cada computador fuera de 410 horas y la
desviacin estndar de 30 entonces la probabilidad pedida sera:
P[Y > 4000] = 1 -
= 1 - (- 1.05409)
= 1 - 0.14592 = 0.85408.
Ejemplo 39
El rendimiento de cierto cilindro de gas est normalmente distribuido con una
media de 6 horas y una desviacin estndar de 0.5 horas. Este gas se vende en
paquetes de 5 cilindros y en cada paquete se utilizan los cinco cilindros en forma
secuencial, es decir se empieza uno solamente si se ha terminado el anterior.
Se desea determinar el tiempo mximo de duracin de cada paquete de manera
que ste sea excedido slo por el 3% de los paquetes.
Solucin
Como el tiempo de duracin de cada cilindro es normal la distribucin del tiempo
TP = T1 + ... + T5 de cada paquete tambin es normal con media 30 y desviacin
estndar 0.5 , lo que se solicita es un valor c tal que.
P[TP < c] = 0.97 = P[Z < ] = 0.97
De la herramienta correspondiente se obtiene = 1.8807 es decir

c = 31.977, es decir solo un 3% de los paquetes tienen una duracin de ms de
31.977 horas.
Ejemplo 40
La duracin de una batidora de un cierto fabricante es de 5 aos, con una

desviacin estndar de un ao. Si asumimos que las duraciones de estos
mezcladores siguen aproximadamente una distribucin normal, la aplicacin de los
teoremas estudiados nos permite hacer las siguientes deducciones.
Si se toma una muestra aleatoria de 9 de estas batidoras entonces como la
duracin de un mezclador es de 5 aos con una desviacin de 1 ao, la duracin
promedio sigue una distribucin normal con la media de 5 aos con una
desviacin de = = 0.3333.
Si se quiere la probabilidad de que en promedio este grupo dure entre 4.4 y 5.2
aos se tiene
P[4.4 5.2] = P[- 1.8 Z .60] = 0.9918 - 0.0359 = 0.9559

O por ejemplo el valor de a la derecha del cual caera el 15% de las medias
calculadas de las muestras aleatorias de tamao 9 se obtiene del clculo.
P[ ] = 0, 15
o bien
P[ ] = P[Z ] = 0, 85
de la tabla y despejando se obtiene = 5, 35, es decir si se compraran 9 batidoras

un 15% de stas funcionara por un perodo superior a 5.35 aos.
Ejemplo 41
Un mdico atiende un paciente en un tiempo que es una variable aleatoria con
media = 8 minutos y desviacin estndar 3 minutos. Si debe atender un total de
40 pacientes la probabilidad de que atienda todos los pacientes en menos de 5
horas, asumiendo que los pacientes ingresan, en forma continua es
P[T = T1 + ... + T40 300] = P[Z < ] = 0, 1469
La probabilidad de que el tiempo promedio de atencin sea superior a 7.5 minutos

se obtiene de
P[ > 7.5] = 1 - P[Z ] = 0.8531
INTEGRACION CONCEPTUAL (El titular acadmico, conocer las respuestas)

Conocer la administracin de recursos humanos, donde se aplica a
organizaciones de cualquier clase y tamao. En general los asuntos estudiados
por la administracin de recursos humanos abarcan una gran cantidad de campos
de conocimiento, se habla de la aplicacin e interpretacin de pruebas
psicolgicas y entrevistas, tecnologa del aprendizaje individual, cambio
organizacional salud, salarios, higiene en el trabajo, seleccin del personal,
reclutamiento de personas y desarrollo organizacional.
REVISADO POR LA COORDINACIN GENERAL EDUCATIVA EL DIA 25 DE

OCTUBRE DE 2007.
--------------------------------------------------------------------------------------------------------------
REPORTES CRTICOS O SUGERENTES A; Dr. Ernesto Guerra Garca,
Coordinador General Educativo. (Correo electrnico eguerra@uaim.edu.mx)
Geranios 1362 pte. Colonia Jardines de Ftima, Los Mochis, Sinaloa, Mxico. C.P.
81223. Tel. 01 668 81 7 08 88.
--------------------------------------------------------------------------------------------------------------

Probabilidad en Textiles y Procesos

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Probabilidad en Textiles y Procesos

Încărcat de

Drepturi de autor:

Formate disponibile

PROBABILIDAD

Asignatura Clave: FIM018 Nmero de Crditos: 5 Tericos: 4 Prcticos: 1

Asesores Responsables: M. en A. Eduardo Surez Meja

INSTRUCCIONES PARA OPERACIN ACADMICA:

COMPETENCIAS: Al finalizar el curso el estudiante podr manejar la teora de

SUMARIO: En este curso se analizan los principios bsicos de probabilidad, las

UNIDAD I.- Conceptos Bsicos de Probabilidad

1. Which of the following is the sample space

2. At Kennedy Middle School, 3 out of 5 students

3. A large basket of fruit contains 3 oranges, 2

None of the above.

4. A pair of dice is rolled. What is the probability

None of the above.

5. In a class of 30 students, there are 17 girls and

None of the above.

6. In the United States, 43% of people wear a seat

7. Three cards are chosen at random from a deck

None of the above.

8. A city survey found that 47% of teenagers have

9. In a school, 14% of students take drama and

10. In a shipment of 100 televisions, 6 are

II.13.- Reglas Bsicas

c. Qu mquina tiene la mayor probabilidad de haber producido la citada

2. Para tratar a un paciente de una afeccin de pulmn han de ser operados en

3. La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se

P[n llegadas en le tiempo T] =

The binomial experiment consists of n independent, identical trials, each of which

4 If p = .5 and n = 4, then the corresponding binomial distribution is

V.26.- La distribucin Normal

2. A simple random sample of 50 undergraduates at Johns Hopkins

3. Using the above data, suppose the actual proportion of undergraduates at

4. The number of undergraduates at Johns Hopkins University is

5. What is a random variable?

A. the particular sample obtained from simple random sampling

6. Which of the following random variables would be considered

A. the number of brothers a randomly chosen person has

8. Let the random variable X represent the profit made on a randomly

9. The normal distribution is a reasonably good approximation to the

A. np > 10 and n(1 - p) > 10

2. Una muestra aleatoria de 30 empleados de una gran empresa dio como

3. El ciclo medio de vida operativa de una muestra aleatoria de n = 10 focos es

I.2.- El estudio formal de la teora de conjuntos no es el inters en estas notas, los

Si bien no existe un conjunto universal [7], usaremos el concepto de conjunto

I.3.- Algunas definiciones y propiedades

Asociatividad (A B) C=A (B C).

Asociatividad (A B) C=A (B C).

I.4.- Un conjunto importante asociado con todo conjunto es el conjunto potencia o

As P( ) es un conjunto cuyos elementos son todos los subconjuntos de .

I.5.- Si x y y son elementos, es posible agruparlos en una estructura que se llama

I.6.- Un concepto de vital importancia al estudiar probabilidad radica en la

En trminos simples un conjunto contable (discreto) es aquel en el cual exista una

I.7.- Los siguientes resultados son sumamente importantes al tratar de formalizar

I.8.- Espacios Muestrales Discretos

Se lanza un par de dados que no estn cargados y se registra la suma de las

En una caja hay 4 libros de ingls y 3 de ruso. Se escoge al azar un libro de la

La primera permite la asignacin de una medida de probabilidad a un evento

Dado un espacio muestral , se asume que la familia de todos los eventos

Si A1, A2, A3,... son elementos de , tambin lo es Ai.

Si los eventos A1, A2, A3,... son elementos de , tambin lo es A i.

La unin finita de eventos de est en .

Si A y B estn es tambin lo est A \B.

Una funcin de probabilidad definida sobre la -lgebra de todos los eventos de

Si A y B son eventos mutuamente excluyentes entonces