ESTADÍSTICA GENERAL ELÍAS A.

TORRES ARMAS

CAPÍTULO IV
INTRODUCCION AL CALCULO DE PROBABILIDADES

I. INTRODUCCIÓN

El campo de la estadística descriptiva se ocupa de describir algo que ya ha ocurrido.

Otra faceta de la estadística es la INFERENCIA ESTADÍSTICA O ESTADÍSTICA
INFERENCIAL cuya base es el cálculo de la probabilidad de que algo ocurrirá. Las
probabilidades en el mundo de los negocios es una componente muy importante en
la toma de decisiones, por cuanto se decide sobre situaciones que deberán ocurrir
en un futuro cercano o no tan próximo, pero existe un riesgo de que la decisión a
tomar pueda no ser la correcta. Esta medida del riesgo podría asociarse a una
probabilidad o posibilidad de que las cosas no salieran como estaba esperado,
sino que por imponderables o tal vez futuras situaciones no previstas puedan hacer
fracasar las decisiones. Por otro lado el conocer las probabilidades de que ocurran
las cosas, ayuda a tomar mejores decisiones debido a que ayudan a confiar en la
decisión a tomar conociendo que si situaciones similares han ocurrido en el pasado,
es probable que puedan continuar en el futuro.

Rara vez el encargado de tomar decisiones dispone de información completa a partir

de la cual puede realizar una determinación; es decir que siempre mantiene una
situación de incertidumbre para la decisión. Por ejemplo: preguntas relacionadas con
la incertidumbre son: ¿Debe continuarse de inmediato la novela "X“? ¿Un cereal con
sabor a menta de reciente desarrollo dará ganancias al lanzarse al mercado?
¿Debería modificarse el actual reglamento de estudios? ¿Debo votar por Mere para
alcalde de la provincia de Leoncio Prado?

Debido a que existe una incertidumbre considerable al tomar decisiones, es

importante que todos los riesgos implícitos conocidos se evalúen en forma científica.
La inferencia estadística se ocupa de deducciones acerca de una población con
base a una muestra tomada a partir de ella con la ayuda de la teoría probabilística,
a la que a menudo se denomina "Ciencia de la incertidumbre"; permitiendo a quien
toma decisiones, analizar los riesgos y minimizar el azar inherente, con información
limitada, por ejemplo, al lanzar un nuevo producto al mercado o aceptar una
mercadería que contenga partes defectuosas.

II. TERMINOS IMPORTANTES.

2.1 EXPERIMENTO ALEATORIO (E).- Es cualquier experimento u operación
cuyos resultados no pueden ser predecidos con exactitud antes de ser
realizado.
CARACTERÍSTICAS:
1. Cada experimento podrá ser repetido indefinidamente bajo las mismas
condiciones.
2. Todos los resultados posibles del experimento aleatorio, se pueden
conocer a priori con precisión y no el resultado del experimento.
3. Cuando el experimento es repetido un numero grande de veces, el
conjunto generado de resultados, describe un comportamiento que
permitirá el estudio del fenómeno aleatorio.
EJEMPLOS:

17
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

E1: Observar el tiempo de vida de un disco duro.

E2: Observar el número de créditos aprobados al finalizar el primer año
de estudios de un estudiante.
E3: Contabilizar el total de artículos defectuosos de la producción del
día.
E4: Observar el tiempo que tarda un empleado en ensamblar un CPU.
E5: Selección de un objeto de un lote de producción.
E6: Observar el tiempo de interrupción de una computadora.
Experimento Resultados
Experimentales
Lanzar una moneda al aire Cara, cruz
Seleccionar una pieza para Defectuosa, no
inspeccionar defectuosa
Llevar a cabo una visita de ventas Venta, no venta
Tirar un dado 1, 2, 3, 4 , 5, 6
Jugar un partido de fútbol Ganar, perder,
empatar

2.2 ESPACIO MUESTRAL (S).- Es un conjunto de todos los posibles resultados

experimentales posibles de un experimento aleatorio (E). EJEMPLOS:

Los espacios muestrales para los experimentos E1, E2, E3, E4, E5, E6, son:
S1= t/ 0  t  50 000 hrs. 
S2 = 0, 5, 15, 22, ....
S3 = 0, 1, 2, 3, .........N N es el número máximo producido.
S4 =  t/ t  0 minutos 
S5 = DEFECTUOSO, NO DEFECTUOSO
S6 =  t/ t  0 minutos 
El primer paso en el análisis de un experimento en particular es definir
cuidadosamente sus resultados posibles especificando el espacio muestral
para el experimento. Los espacios muestrales, puede ser finitos, infinitos,
discretos o continuos.

2.3 PUNTO MUESTRAL.- Es cada resultado particular del experimento aleatorio

o un elemento del espacio muestral. El número de puntos de muestra de "S"
es representado por n(S)

Ejemplo: Los tres miembros de la comisión de material bibliográfico de la

Universidad deben expresar su opinión favorable (F) o contraria (C) con
respecto a un determinado proyecto de inversión.
a) Hallar el espacio muestral.
b) El número de puntos de muestra.

Solución:
a) Sean los eventos: F: favorable , C: Contraria.
S=(FFF), (FFC), (FCF), (CFF). (FCC), (CFC), (CCF), (CCC)
b) n (s) = 8 puntos de muestra.

18
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

2.4 EVENTO O SUCESO.- Un evento (A) es un conjunto de puntos muestrales

(resultados experimentales) y es cualquier subconjunto ( A  S. ) del espacio
muestral (S). Se puede representar por A1, A2, ...Ak
2.5 TIPOS DE EVENTOS
1. EVENTO SIMPLE O ELEMENTAL. Contiene un elemento del espacio
muestral S. Ejemplo A= (FFF) 
2. EVENTO COMPUESTO. Contiene 2 ó más elementos del espacio
muestral S. Ejemplo. B = (FFF), (FFC), (FCF) 
3. EVENTO SEGURO O UNIVERSAL. Es el espacio muestral S. Ejemplo.
C=(FFF), (FFC), (FCF), (CFF), (FCC), (CFC), (CCF), (CCC)
4. EVENTO IMPOSIBLE O VACÍO. No contiene ningún elemento del
espacio muestral. D=
5. EVENTO COMPLEMENTO. Es el evento Ac que contiene todos los
elementos del espacio muestral que no están en A.
6. EVENTOS MUTUAMENTE EXCLUYENTES. Dos eventos mutuamente
A y B definidos sobre un espacio muestral son mutuamente excluyentes,
sino pueden ocurrir juntos, es decir la intersección es el conjunto vacío.
A B=
7. EVENTOS COLECTIVAMENTE EXHAUSTIVOS. Los eventos A1, A2,...
Ak, son colectivamente exhaustivos, si la unión de todos ellos es el
espacio muestral. A1  A2  A3  ...........  AK = S
2.6 EJERCICIOS: Experimentos aleatorios, espacios muestrales y eventos
III. ¿QUÉ ES UNA PROBABILIDAD? Si un experimento aleatorio tiene puntos
muestrales mutuamente excluyentes e igualmente posibles y si n(A) de estos puntos
muestrales presentan una característica tal como A, entonces la probabilidad del evento A es:
Número de resultados favorables n( A)
p( A)  
Número total de resultados posibles n( S )
Debe satisfacerse dos requisitos básicos de probabilidades:
1. Los valores de probabilidad asignados a cada resultado
experimental deben estar comprendidos entre 0 y 1. 0 ≤ P(Aj) ≤ 1
2. La suma de todas las probabilidades de los resultados
experimentales, debe sumar 1.
n

 P(Aj) = P(A1) + P(A2) + P(A3) + … + P(An) = 1

j 1

¿POR QUÉ SE ESTUDIA LA PROBABILIDAD? ¿Qué papel desempeña la

probabilidad en la toma de decisiones? La probabilidad ayuda a tomar una
decisión frente a un determinado problema.
3.1 ALGUNAS REGLAS BÁSICAS DE PROBABILIDAD
1. 0 ≤ P(Ej) ≤ 1
2. P(E) = 1, Evento seguro
n
3.  P(Ej) = P(E1) + P(E2) + P(E3) + … + P(En) = 1
j 1

4. Si  es el conjunto vacío, entonces P()  0,  Eventoimposible

5. Regla de la adición para eventos mutuamente excluyentes.A menudo,
estamos interesados en la probabilidad de que una cosa u otra sucedan.
Si estos dos eventos son mutuamente excluyentes, podemos expresar
esta probabilidad haciendo uso de la regla de adición para eventos
mutuamente excluyentes: P (A o B)= P( A  B) = P (A) + P (B)  A  B  

19
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

6. Existe un caso especial, para cualquier evento A, tenemos que éste

sucede o no sucede. De modo que los eventos A y no A son mutuamente
excluyentes y exhaustivos: P(A)+P(noA)=1, P(A)=1-P(noA)
A  A  S A  noA
7. Si A y B son dos eventos cualesquiera, definidos en el espacio muestral S,
tal que A  B entonces P(A)  P(B). Si A  B  P( A)  P( B)
8. Regla de adición para eventos que no son mutuamente excluyentes.
Si dos eventos no son mutuamente excluyentes, es posible que ambos se
presenten al mismo tiempo. En tales casos, debemos modificar la regla de
la adición para evitar el conteo doble:

Si A  B    P(A o B)= P( A  B) = P(A) + P(B) - P(AB)

Si A  B  C    P( A  B  C)  P( A)  P(B)  P(C)  P( A  B)  P( A  C)  P(B  C)  P( A  B  C)

3.2 PROBABILIDAD CONDICIONAL. Sean A y B dos eventos diferentes del

vacío () de un espacio muestral (S) asociado a un experimento aleatorio.
Consideramos que ya ocurrió el evento B y que P(B)>0, Se llama probabilidad
condicional de A dado B y se escribe P(A/B) al cociente que se obtiene
dividiendo la probabilidad de la intersección de “A” y “B” entre la probabilidad
de “B”:
P( A  B)
P( A / B) 
P( B)
Ejemplo: En el experimento de lanzar 2 dados legales sabiendo que la suma de los
dos números es 6, calcular la probabilidad de que el primer numero sea par.

S = {(1.1), (1.2), (1.3), (1.4), (1.5), (1.6), (2.1), (2.2), (2.3), (2.4), (2.5), (2.6), …, (6.6)}
n(S)=36 Pares
B = { la suma de los dos dados es 6}
B = {(1.5), (5.1), (2.4), (4.2), (3.3)}, n(B)=5
A = {Que el primer número sea par}
A = {(2.1), (2.2), (2.3), (2.4), (2.5), (2.6), (4.1), (4.2), (4.3), (4.4), (4.5), (4.6), (6.1),
(6.2), (6.3), (6.4), (6.5), (6.6)}, n(A)
A  B = {(2.4), (4.2)}, n(A  B)=2
2 5 P( A  B) 2 / 36 2
P( A  B)  P( B)  P( A / B)   
36 36 P( B) 5 / 36 5
AXIOMAS
Si A  , P( B)  0  P( A / B) satisface las siguientes condicione s :
i ) 0  P( A / B)  1,
 ii ) P( S / B)  1
iii ) P( A1  A2  A3    An / B)  P( A1 / B)  P( A2 / B)  P( A3 / B)    P( An / B)
Para una sec uencia de n eventos A1 , A2 , A3 ,, An mutamente excluyente s
( Ai  A j )  ; i  j.

 P( / B)  0

20
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

 P( A / B)  1  P( A / B) ó P( A / B)  1  P( A / B)
 Si A  C  P( A / B)  P(C / B)
 P( A  C / B)  P( A / B)  P(C / B)  P( A  C / B)
REGLA DE MULTIPLICACION. Probabilidad de la intersección o producto de
eventos, también se llama probabilidad conjunta. La probabilidad que ocurra los
eventos A y B es igual a la probabilidad de ocurrencia de uno de ellos multiplicado
por la probabilidad condicional que ocurra el segundo, dado que el primero ha
ocurrido.
P( A  B)
Si P ( A / B )  ; P ( B )  0  P ( A  B )  P ( B ) P ( A / B )  P ( A.B )
P( B)
P ( B  A)
Si P ( B / A)  ; P ( A)  0  P ( A  B )  P ( A) P ( B / A)  P ( A.B )
P ( A)

EVENTOS INDEPENDIENTES. Dos eventos A y B son independientes, si y sólo si

P(B/A) = P(B) y P(A/B) = P(A). De otra forma A y B son dependientes.
TEOREMA: Si A, B, C son eventos de S, tales que P( A)  0 y P( A  B)  0 entonces:
P( A  B  C )  P( A) P( B / A) P(C / A  B)
En general :
P( A1  A2    An )  P( A1 ) P( A2 / A1 ) P( A3 / A1  A2 ) P( An / A1  A2    An 1 )

Ejemplo: El señor Cruzalegui está dudando entre dedicar sus ahorros a un viaje al
Cuzco o invertir en renta variable. Su asesor fiscal-legal le ofrece dos alternativas
atrayentes, pero él ante su falta de formación bursátil, confía al azar su decisión.
Invertirá en el sector eléctrico si saca una bola roja de una urna que contiene 20
bolas, de las cuales 8 son rojas, 3 verdes y 9 negras. Si la bola no es roja lanzará
dos dados y si obtiene una suma de 6 entre ambos invertirá en el sector inmobiliario;
en caso contrario se decidirá por las vacaciones en el Cuzco ¿Cuál es la
probabilidad de que finalmente disfrute del viaje?.
Solución:
A: Si obtiene bola roja, invierte en sector eléctrico, A’: Si no sale bola roja, lanza dos
dados, B: obtener suma 6, B’: No obtener suma. Si obtiene A’ y B, invierte en el
sector mobiliario. Si obtiene A’ y B’ , entonces viaje de vacaciones al Cuzco. La
decisión la tomará en base la opción con probabilidad mas alta.

Bingo!!!! Nuestro amigo Cruzalegui va de vacaciones.

PARTICION DE UN ESPACIO MUESTRAL

Sea S un espacio muestral asociado a un experimento aleatorio, se dice que B i,
i=1,2,3,…,k ( Bi  S ) es una partición del espacio muestral, si cumple con las
siguientes condiciones:

21
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

B1 B2 B3 ….. Bk

i) B1; B2; B3; B4; … ; Bk son eventos mudamente excluyentes

Bi  B j  ; i  j, i, j  1,2,3,...k
ii) B1; B2; B3; B4; … ; Bk son eventos colectivamente exhaustivos
k

B i S
i 1
iii) P(Bi)>0; i=1,2,3,…,k
PROBABILIDAD TOTAL. Sea B1; B2; B3; B4; … ; Bk una partición del espacio
muestral S, entonces para cualquier evento A en S, se cumple:
S

A B1  A B2  A B3  A ……. Bk  A

B1 B2 B3 …. Bk
El diagrama del árbol de probabilidades para experimentos sucesivos da una visión
esquemática del teorema de probabilidad total
A B1  A = P(B1) P(A/B1)
P(A/B1)
B1 P(A´/B1)
A´ B1  A = P(B1) P(A´/B1)

P(B1) A B2  A = P(B2) P(A/B2)

P(A/B2)
B2
P(A´/B2) A´ B2  A = P(B2) P(A´/B2)
P(B2)
A B3  A = P(B3) P(A/B3)
P(A/B3)
P(B3) B3
P(A´/B3) A´ B3  A = P(B3) P(A´/B3)

P(Bk)

A Bk  A = P(Bk) P(A/BK)
P(A/BK)
Bk
P(A´/BK)
A´ Bk  A = P(Bk) P(A´/BK)

P(A)= P(B1) P(A/B1)+ P(B2) P(A/B2)+ P(B3) P(A/B3)+…+ P(Bk) P(A/BK)

k
P( A)   P( B
i 1
i ) P( A / Bi )

22
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

TEOREMA DE BAYES. Es una consecuencia del teorema de la probabilidad total.

Si B1; B2; B3; B4; … ; Bk una partición del espacio muestral S, entonces para
cualquier evento A en S, entonces:
P ( Br ) P ( A / Br )
P( Br / A)  k , para r  1,2,3,..., k
 P( Bi ) P( A / Bi )
i 1
Ejemplo: Una compañía de desarrollo urbano esta considerando la posibilidad de
construir un centro comercial en el sector de Higos Urco, Chachapoyas. Un
elemento vital es esta consideración es un proyecto de una autopista que une este
sector con el centro de la ciudad. Si el consejo municipal aprueba esta autopista, hay
una probabilidad de 0.90 de que la compañía construya el centro comercial en tanto
que si la autopista no es aprobada la probabilidad es de sólo 0.20. Basándose en la
información disponible, el presidente de la compañía estima que hay una
probabilidad de 0.60 que la autopista sea aprobada. a) Cual es la probabilidad de
que la compañía construya el centro comercial?, b) Dado que el centro comercial fue
construido. ¿Cuál es la probabilidad de que la autopista haya sido aprobada?
Solución: Definimos los eventos. A: La autopista es aprobada, B: El centro
comercial es construido
B 0.60(0.90)
0.90
A
0.60
B´

0.40 B 0.40(0.20)
0.20

A´
B´

a) P(B)= 0.60(0.90)+ 0.40(0.20)=0.62

0.60(0.90) 0.54
b) P( A / B)    0.87
0.60(0.90)  0.40(0.20) 0.62
Ejemplo: En una población de ganado de vacuno, hay epidemia. El 10 % de los
machos y el 18 % de las hembras están enfermos. Se sabe además que hay doble
número de hembras que de machos y se pide: a) Elegido al azar un individuo de esa
población ¿Cuál es la probabilidad de que esté enfermo?, b) Un individuo de esa
población se sabe que está enfermo ¿Qué probabilidad hay de que el citado
individuo sea macho?
Solución: Sean los sucesos. A= “el animal está enfermo”, A1= “el animal es macho”,
A2= “el animal es hembra”, Se sabe que:
p(A1)= 1/3, p(A2)= 2/3 p(A/A1)= 0,1, p(A/A2)=0,18; Por el Teorema de la
probabilidad Total: p( A)  p( A / A1 ) p( A1 )  p( A / A2 ) p( A2 )  (0.1)( 1 )  (0.18)( 2 )  0.153
3 3
a) Por el Teorema de Bayes:
p ( A / A1 ) p ( A1 )
p ( A1 / A) 
p ( A / A1 ) p ( A1 )  p ( A / A2 ) p ( A2 )
1
(0.1)( )
3 0.033
   0.218
1 2 0.153
(0.1)( )  (0.18)( )
3 3

23
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

CAPÍTULO V
DISTRIBUCIONES DE PROBABILIDAD

I. PRINCIPALES DISTRIBUCIONES DE VARIABLES ALEATORIAS

DISCRETAS. Muchos de los acontecimientos cotidianos, pueden ser representados
mediante funciones probabilísticas teóricas, que son útiles en la toma de decisiones bajo
condiciones de incertidumbre que contribuyen al desarrollo de la ciencia. Veamos algunos de
ellos:
1. DISTRIBUCIÓN DE BERNOULLI. Consiste en realizar un experimento
aleatorio una sola vez y observar si cierto evento ocurre o no.
Características:
1. La prueba tiene 1 de 2 resultados mutuamente excluyentes (éxito o
fracaso).
2. Las probabilidades de éxito (E) y fracaso(F) se denotan con " p(E)=p " y "
p(F)=1-p = q" respectivamente.
3. X: es el número de éxitos x = 0,1.
4. Distribución de probabilidad de Bernoulli.
La variable aleatoria X tiene una distribución de Bernoulli con parámetro p y
denotado por: XBer(p). La distribución de probabilidad de la variable
aleatoria Bernoulli es:
 p x q1 x , x  0 ,1
CUANTIA: f ( x)  p( X  x)  
0 para otros valores
Donde p es la probabilidad de conseguir un éxito y f define define una función
de cuantía con parámetro p.
0 ; x0
DISTRIBUCION. 
F ( x)  P( X  x)  1  p : 0  x 1
1 x 1
 :
La media y la varianza de la variable aleatoria de Bernoulli son respectivamente:
=p ² = p q

a)   E( x)  0 x(1  p)  1xp  p b)  2  E( X 2 )   2  (0) 2 (1  p)  (1) 2 ( p)  P 2  p  p 2  pq 
PROBLEMA: Un experimento aleatorio consiste en seleccionar un artículo
defectuoso de un lote 1000 artículos que contiene 20 defectuosos. i) Construir la
cuantía y ii) distribución asociados a dicho experiemento. Iii) Calcule esperanza
matemática y iv) varianza de la variable de la variable con distribución de Bernoulli.
v) Calcule P(0  x  1.5)
Solución: p= (20/1000)=0.02 Probabilidad de éxito. 1-p=q=1-0.02=0.98
0.02 x 0.981 x , x  0 ,1
i) CUANTÍA. f ( x)  p( X  x)  
0 para otros valores
F(x)
ii) DISTRIBUCIÓN
0 ; x  0
 1
F ( x)  P( X  x)  0.98 : 0  x  1
1 : x 1
 0.98

Si X~Bernoullí(x; 0.02), entonces:

iii) Esperanza matemática  = p=0.02
iv) Varianza ² = p q=0.02(0.98)=0.0196

v) P(0  x  1.5) =F(1.5)-F(0)=1-0.98

0 1 x

24
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

2. DISTRIBUCIÓN BINOMIAL. Consiste en realizar un experimento aleatorio n

pruebas independientes y repetitivas de Bernoullí y observar si cierto evento
ocurre o no.
Características: Una variable aleatoria X cuyos valores posibles son discretos
(1, 2, 3, 4,…, n) y esta es asociada al número de aciertos en n ensayos sigue
una distribución de probabilidad Binomial de importante uso los negocios; si al
realizar un determinado experimento se cumple que:
 La totalidad del experimento se puede describir en función de una
secuencia de n experimentos idénticos conocidos como ensayos.
Experimento que consiste en n pruebas o ensayos Bernoulli idénticos.
 En cada uno de los ensayos, son posibles solamente dos resultados. Nos
referimos a uno de ellos como éxito (acierto) y al otro como fracaso.
 Las probabilidades de los dos resultados no se modifican de un ensayo al
siguiente. La p(Exito)= p y p(Fracaso)= (1-p)=q se mantienen constantes a lo
largo de todas las pruebas o ensayos.
 Los n ensayos o pruebas son independientes, es decir el resultado de un
ensayo no afecta los siguientes o anteriores

CUANTIA: f ( X )  p( X  x)   x

 n p x (1  p) n x , x  0, 1, 2,......., n
0 para otros caso

Permite obtener la probabilidad simple de obtener x aciertos en un total de n

ensayos

DISTRIBUCION. F ( X )  P( X  x)    nx  p x (1  p) n x
x

Permite obtener la probabilidad acumulada de obtener hasta x aciertos en un

total de n ensayos. Donde: p es Probabilidad de éxito, q = (1 -p) es:
Probabilidad de fracaso, n es el numero de pruebas y x es numero de éxitos en
n pruebas. Si x es variable aleatoria con distribución Binomial B(X; n, p)
entonces: La esperanza matemática es  =E(X) = np , y la varianza es ²=V(X)
= np(1 –p). La variable aleatoria X, número de éxitos en n ensayos de Bernoullí
se puede escribir como una suma de n variables aleatorias independientes de
Bernoullí. Esto es
n
x   Xi
i 1
Siendo X i de Bernoullí con: E ( X i )  p y var( X i )  p(1  p). Luego:
 n  n n

a)   E ( X )  E   X 1    var( X i )   p  np.
 i 1  i 1 i 1

 n  n n

b)   var( X )  var  X i    var( X i )   p(1  p)  np(1  p).

 
2

 i 1  i 1 i 1

NOTA. Si p=1/2, la distribución binomial B(n,p) es simétrica. Además, si p→1, la

distribución tiene asimetría negativa (cola a la izquierda), y si p→0, la distribución
tiene asimetría positiva (cola a la derecha).

25
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

PROBLEMA: Una máquina selladora de bolsas se desajusta durante el proceso de

envasado de leche, aunque el operador esta alerta existe una probabilidad de 0.08
que el artículo producido sea defectuoso. i) ¿Cuál es la probabilidad que en una
muestra de 12 artículos producidos ninguno sea defectuoso?, ii) ¿Cuál es la
probabilidad que al menos uno sea defectuoso en un lote de 15?, iii) ¿Cuál es el
número promedio de artículos defectuosos en un lote de 1000 artículos producidos?
y ¿Cuál es su desviación típica?

Solución

12 
i) p (x = 0) = f (0) = b( 0 ; 12, 0.08 ) =   (0.,08)0 (0.92)12= 0.9212
0 

Usando la tabla: b(0 ; 12 , 0.08) = B (0 ; 12 ,0.08) = 0.3677

ii) p( X  1 ) = 1 - p(x  1) = 1 - p (x = 0) = 1 - 0.9215

Usando tabla p( X  1) =1 -p(X1) =1-p(X=0) =1-B(0 ;15;0.08) = 0.7137

iii)  = np = 1000(0.08) = 80,  = np (1 - p)  1000(0.08)(0.92)  8.579

PROBLEMA: La probabilidad que un rayo impacte en un poste o cable de energía

eléctrica de la red de distribución de la Región, en una noche de lluvia tormentosa es
0.15. Encontrar la probabilidad que de 20 noches de lluvia: i) Ocurra exactamente
un impacto, ii) Ocurra a lo sumo de 3 impactos, iii) Ocurran de 2 o más impactos
Solución: x  b(x ; 20 , 0.15)
i) P(x =1) = f(1) = b(1 ; 20 , 0.15) = B(1 ; 20 , 0.15) - B(0 ; 20 , 0.15)
= 0.1756 - 0.0388 = 0.1368
ii) P(x  3) = B(3 ; 20 , 0.15) = 0.6477
iii) P(x  2) = 1 - P(x < 2) = 1 - P(x  1)= 1 - B(1 ; 20 , 0.15) = 1 - 0.1756 = 0.8244
USO DE LA TABLA
a) b (5 ;15 ,0.40) = 0.1859 Tabla de probabilidades simples
b) B(8 ; 12 , 0.70) = 0.5075 Tabla de probabilidad acumulada
Verifique que: B(8 ; 12 , 0.70) = 1 - B(3 ; 12 , 0.30) = 1 - 0.4925 = 0.5075
c) b(8 ; 12 , 0.70)= 0.2312 Tabla de probabilidades simples
Verifique que: b(8 ; 12 , 0.70) = B(4 ; 12 , 0.30) = B(4; 12, 0.30)-B(3;12,0.30)
= 0.7237 - 0.4925 = 0.2312

3. DISTRIBUCIÓN DE POISSON. Frecuentemente enfrentamos problemas como,

llegadas o arribos a un sistema real, por ejemplo: El número de automóviles a
una estación de servicios en el tiempo de una hora, el número de reparaciones
que se necesitan en 10 kilómetros de las carreteras, el número de personas
que llegan a usar el cajero automático de un banco en una hora de tiempo, etc.,
en general procesos relacionados con servicios prestados por ciertas
dependencias publicas, casetas de peaje, y el número de accidentes
efectuados en cierta área de gran congestión. El modelo Poisson es utilizado
para describir estos tipos de procesos y resulta aplicable, siempre y cuando se
cumplan las siguientes dos condiciones:

26
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

 La probabilidad de ocurrencia de un evento es la misma para cualesquiera de

dos intervalos de igual longitud
 La ocurrencia o no ocurrencia del evento en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en cualquier otro intervalo.
Los eventos son independientes entre si.
Características:
1. El experimento en que el número de éxitos ocurre durante una unidad de
tiempo área o volumen.
2. La probabilidad de que un evento ocurra en una unidad dada de tiempo, área
o volumen es la misma para todas las unidades.
3. El número de éxitos que ocurren en una unidad de tiempo, área o volumen es
independiente del número que ocurren en otras unidades.
4. El número medio de eventos en cada unidad se denota por Lambda ().
5. Su creador fue el francés Simeón Denisse Poisson (1781-1840)

MODELO. Experimento binómico en que la probabilidad de éxito es bastante

pequeña (p0) en tanto que la muestra es grande (n), su parámetro es =np
parámetro
e   x
CUANTÍA. f ( x)  P( X  x)  ; x  0,1,2,3,... . Donde:
x!
 : Número medio de éxitos de eventos en una unidad dada de tiempo, área o
volumen
x : número de éxitos
e : base neperiano el cual equivale a 2.71828
x : factorial de x
La media y la varianza de la variable aleatoria de la distribución de Poisson son
respectivamente:  =  y ² = 
x
e   x
DISTRIBUCIÓN. F ( x)  P( X  x)   ; x  Z 0
x 0 x!
Si X es una variable aleatoria con distribución de Poisson P(x,), entonces la
media y la varianza de la variable aleatoria de la distribución de Poisson son
respectivamente:  =  y ² = . E(X) = V(X) = .

PROBLEMA: El número de tornillos producidos por minuto con una máquina

automática es una variable aleatoria que tiene la distribución de Poisson con  = 5.6.
Si la máquina aumenta la velocidad se desajusta cuando produce por lo menos 13
tornillos por minuto ¿Cuál es la probabilidad de desajuste de la máquina?
5.6
5.6 x
SOLUCIÓN: Cuantía: X  Poisson (x; 5.6), f ( x;5.6)  P( X  x)  e ; x  0,1,2,3,...
x!

12
e 5.6 5.6 x
P (x  13) =1- P (x < 13) = 1  P( x  12)  1   =1 - 0.9949 = 0.0055
x 0 x!
PROBLEMA: Se sabe que el 2% de de la producción mensual de queso es
defectuoso. Se desea obtener una muestra de manera que el máximo número de

27
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

quesos defectuosos sea de 6 con una probabilidad de 0.95 ¿Cuál será el tamaño de
dicha muestra?

X  b (x; n, p), donde p = 0.02  P(x 6) = 0.95. Como p es pequeño se aproxima

a Poisson  X  poisson (x;), donde  = np = 0.02 n. Por interpolación lineal:

0.9554  0.9490 3.2  3.3


0.95  0.9490 0.02n  3.3 x 3.2 =0.02n 3.3
n  164.2  164
Nota: Para casos en que n es grande y p es muy
pequeño se puede utilizar la distribución de Poisson
para aproximar la distribución binomial. 6 0.9554 0.95 0.9490
    np
USO DE LA TABLA: Sea X variable aleatoria con distribución de Poisson, calcular:
a. f(0; 3) = F(0; 2) = 0.0498
b. f(6; 2.6) = 0.032 F(6; 2.6) - F(5; 2.6) = 0.9828 – 0.9510 = 0.0318
c. Si =5.4  P(X8) = F(8; 5.4) = 0.9026
d. Si =6.8  P(X5)=1-P(X5)=1- P(X4) = 1 –0.1920 = 0.808
II. PRINCIPALES DISTRIBUCIONES DE VARIABLES ALEATORIAS
CONTINUAS
DISTRIBUCIÓN NORMAL. Es aplicable en gran cantidad de situaciones de
problemas prácticos. La distribución normal es la de mayor importancia en la
Estadística por que: Muchas variables aleatorias continuas se distribuyen
normalmente o se supone que siguen la ley de probabilidad normal. Sirve como
una buena aproximación de muchas distribuciones discretas, como la binomial
y la de Poisson. Las distribuciones de muchos estadísticos muestrales se
aproximan a la distribución normal.
CARACTERÍSTICAS:
 La curva f (x) es una distribución unimodal. Tiene forma de campana.
 La forma de la curva f (x) es simétrica con respecto a la media .
 Su media cae en centro de la curva, lo que nos lleva a la conclusión de que
su mediana y su moda están en el mismo punto. Además sus extremos se
extienden indefinidamente.
 La curva f(x) tiene dos puntos de inflexión, situados a una distancia de  a
cada lado de la media .
 Las áreas comprendidas bajo la curva normal son:  +  = 68.3%,  + 2 =
95.5%,  + 3 = 99%

La variable aleatoria X sigue una distribución normal con parámetros , 2;
se denota por :  ( x; ; 2 ) . entonces E(x)= y V(x)=2
DENSIDAD.
 1 ( x   )2
f ( x)  1 e 2  ;   x  
 2
Parámetros : media 2: varianza
Esta función f(x) es muy sensible a los valores de σ (la desviación estándar),
por cuanto para igual valor de esperanza matemática μ, la curva tiende a
aplastarse y a ensancharse a medida que aumenta la desviación estándar, por

28
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

el contrario, menores valores de σ tienden a comprimir la curva alrededor del

valor de la esperanza matemática μ, aumentando el valor de la curva.

1 x 2
t  ( )
DISTRIBUCIÓN.
F (x  t)  1 e
2  dx
 2  
1 x 2
  ( )
Esperanza matemática.
E ( x)  1  xe 2  dx
 2  
1 x 2
  ( )
Varianza. V ( x)  1 2
 (x  ) e
2  dx
 2  
Cuando utilicemos la distribución normal para describir una variable aleatoria
continua, utilizaremos una modificación de la misma, denominada Distribución
Normal Estándar de aplicación general para cualquier valor de esperanza
matemática y desviación estándar.

DISTRIBUCIÓN NORMAL ESTÁNDAR

DENSIDAD Mediante la transformación z = (x-)/ se obtiene la distribución

normal estándar cuya densidad de la variable estandarizada es:
1
f (Z )  e Z / 2 ;   x  
2

2

El valor esperado y varianza de Z son: E(Z) = 0 V(Z) = 1

CARACTERÍSTICAS
 Si X es una variable aleatoria continua distribuida normalmente con media 
y varianza ² , lo denotamos por N(,²).
 Aplicando esta notación a la variable normal estandarizada Z, escribimos N
(0,1), esto es, Z es normal con media cero (0) y varianza uno (1).
 La superficie bajo la curva normal estandarizada es igual a 1. por
consiguiente, las probabilidades pueden representarse como superficies
bajo la curva normal estandarizada entre dos valores distintos.

Si z es una variable con distribución normal (z; 0, 1), entonces E(z)=0 y

V(z)=1

t
1
e
Z 2 / 2
DISTRIBUCIÓN NORMAL ESTANDAR. f ( Z  t )  dz
2 

1
F(z)
1/2

0 z

29
ESTADÍSTICA GENERAL ELÍAS A. TORRES ARMAS

USO DE TABLAS
Si X ~ n(x; 23, 9) calcular: a) P(X > 25) b) P X    5 c) P20  X  26
Solución
 X   25     25  23 
a) P X  25  P    P Z    PZ  0.67  1  PZ  0.67
     3 
= 1 – 0.7486 = 0.2514
 5 X   5
b) P X    5  P 5  X    5  P    
 3  3
= P 1.67  Z  1.67  P(Z  1.67)  P(Z  1.67) = 0.9525-0.0475=0.905
También se cumple: = 2 P(Z  1.67) – 1 = 2 (0.9525) – 1 = 0.905

 20  23 X   26  23   3 3
c) P     P   Z    P( Z  1)  P( Z  1)
 3  3   3 3

=0.8413-0.1587=0.6826. También se cumple =2 P(Z  1.67) -1= 0.6826

PROBLEMA: La estatura media de escolares varones de 10 – 14 años de edad es
123cm con una desviación típica de 10.7cm, se sabe que la estatura se distribuye
normalmente. Si se selecciona al azar uno de estos niños ¿Cuál es la probabilidad
que su estatura sea: a) Mayores que 132.34cm? b) Menores de 100cm?

Solución
 X   132.34  123 
a) P X  132.34  P   =P(Z>0.87)=1  PZ  0.87 =1–0.8078
  10.7 
= 0.1922
 X   100  123 
b) P X  100  P    PZ  2.15 = 0.0158
  10.7 
PROBLEMA: Una planta de elaboración de productos lácteos es abastecida de
leche cada 2 días, el consumo en volumen de leche para la producción tiene una
distribución normal con media de 2000 litros y desviación típica 500 litros. (Se
entiende el consumo cada dos días). Se trata de hallar la capacidad de su tanque de
leche para que sea de solo 0.05, la probabilidad que en un periodo de 2 días, la
leche no sea suficiente para satisfacer toda la demanda.
Solución:
X: variable aleatoria, el volumen de consumo de leche cada dos días.
X ~ n(x; 2000, 5002)
C: Capacidad del tanque
 X   C  2000   C  2000 
P(X > C) = 0.05, P    0.05 P Z    0.05 ,
  500   500 
 C  2000   C  2000 
1  P Z    0.05 , P Z    0.95
 500   500 
C  2000
 1.3645 ; C  2822.5
500
Capacidad del tanque es de 2822.5 litros.

30