Antologia Estadistica 2

Unidad Acadmica del Norte
Estadstica
MUESTREO Y DISTRIBUCIONES
MUESTRALES
El objetivo de la inferencia estadstica es obtener informacin acerca de una poblacin, partiendo de la
informacin que contiene una muestra. Comenzaremos con la descripcin de dos casos en los que se lleva acabo
un muestreo para proporcionar informacin, sobre una poblacin, a un gerente o a quien tome decisiones.
1. Un fabricante de neumticos ha desarrollado un nuevo producto que, segn cree, tendr una mayor
duracin en relacin con las millas recorridas comparada con la lnea actual de neumticos. Para evaluar
el nuevo neumtico, los gerentes necesitan un estimado (o una estimacin de la medida de las millas que
dura el nuevo producto. Selecciona una muestra de 120 neumticos nuevos para probarlos. El resultado de
la prueba es una medida de la muestra de 36,500 millas. En consecuencia, se usan 36,500 millas como
estimado de la medida para la poblacin de neumticos nuevos.
2. Los miembros de un partido poltico desean respaldar a determinado candidato en la eleccin sanatorial.
Para decidir si el candidato participar en la eleccin primaria, los dirigentes necesitan un estimado de la
proporcin de votantes empadronados que respaldan al candidato. Por el tiempo y el costo necesarios para
recabar los datos de cada individuo de la poblacin de votantes registrados resultan prohibitivos. En
consecuencia, se selecciona una muestra de 400 votantes registrados. Si 160 de ellos indican preferencia
hacia el candidato, un estimado de la proporcin de la poblacin de votantes registrados que favorece al
candidato, un estimado de la proporcin de la poblacin de votantes registrados que favorece al candidato
es 160/400= .40.
Una medida de muestra suministra un estimado de una medida
poblacional, y una proporcin de muestra suministra un estimado de una
proporcin poblacional. Con estimados como los anteriores cabe esperar
cierto error de muestreo, o valor +. En este captulo, un argumento clave
es que pueden aplicar mtodos estadsticos para hacer afirmaciones
probabilsticas acerca del tamao del error de muestreo.
Los ejemplos anteriores muestran cmo se pueden emplear el muestro y los resultados de una muestra
para obtener estimados de las caractersticas de una poblacin. Observe que en el ejemplo de la duracin de millas,
el reunir datos sobre la vida implica gastar cada neumtico probado. Claramente no es posible probar todos los
neumticos de la poblacin, una muestra es el nico mtodo realista para obtener los datos buscados de duracin.
En el ejemplo de la eleccin primaria, tericamente es posible entrevistar a cada votante registrado en la poblacin,
pero el tiempo y costo de hacerlos son prohibitivos, as que se prefiere una muestra de los votantes registrados.
Los ejemplos ilustran algunas de las razones por las que se recurre a las muestras. Sin embargo, es
importante darse cuenta de que los resultados de la muestra slo dan estimados (o estimaciones) de los valores de
las caractersticas de la poblacin. Esto es, no esperamos que la media de la muestra 36,500 millas sea exactamente
igual que la media, en millas, de todos los neumticos de la poblacin; tampoco esperamos que sea exactamente el
40% de la poblacin registrada de votantes el que favorezca al candidato. La razn simplemente es que la muestra
contiene slo una parte de la poblacin. Con los mtodos adecuados de muestreo, los resultados muestrales darn
buenos estimados de las caractersticas de la poblacin. Pero qu tan buenos esperamos que sean estos
resultados? Por fortuna, disponemos de procedimientos estadsticos para contestar esta pregunta.
M.A.C. Ing. Josu Salvador Snchez Rodrguez
Estadstica
MUESTREO ALEATORIO SIMPLE

Se pueden seleccionar varios mtodos para seleccionar una muestra a partir de una poblacin; uno de los
ms comunes es el muestreo aleatorio simple. La definicin de este mtodo y el proceso de seleccionar una
muestra aleatoria siempre dependen de si la poblacin es finita o infinita. Como en el problema de muestreo de
EAI interviene, una poblacin finita de 2500 gerentes, primero describiremos el muestreo para poblaciones finitas.
MUESTREO PARA POBLACIONES FINITAS

Una muestra aleatoria simple de tamao n, de una poblacin finita de tamao N, se define como sigue.
Muestra aleatoria simple (poblacin finita)
Una muestra aleatoria simple de tamao n, de una poblacin N, es una muestra seleccionada de tal manera
que cada muestra posible de tamao n tenga la misma posibilidad de ser seleccionada.
Un procedimiento para identificar una muestra aleatoria simple a partir de una poblacin finita es
seleccionar uno por uno los elementos que constituyen a la muestra, de tal modo que cada uno de los elementos
que an queden en la poblacin tenga la misma posibilidad de ser seleccionados. Al muestrear n elementos de esa
forma, se satisfar la definicin de una muestra aleatoria simple de una poblacin finita.
Para seleccionar una muestra aleatoria simple de la poblacin finita en el problema de EAI, supondremos
primero que se han numerado los 2500 gerentes, asignndoles un nmero progresivo, es decir, 1, 2, 3,.., 2499 y
2500, en el orden en que aparecen en el archivo del personal de la empresa. A continuacin, consultaremos la tabla
7.1 de nmeros aleatorios. En el primer rengln de la tabla cada dgito: 6, 3, 2,.., es aleatorio, porque tiene igual
probabilidad de presentarse. Como el nmero en la lista de la poblacin de gerentes EAI es 2500 y tiene 4 dgitos,
seleccionaremos nmeros aleatorios de la tabla en grupos o conjuntos de cuatro dgitos. Al usar el primer rengln
de la tabla7.1, los nmeros aleatorios de 4 dgitos son:
6327
1599
8671
7445
1102
1514
1807
En vista de que los nmeros de la tabla son aleatorios, esos grupos de cuatro dgitos son igualmente
probables. Ahora podemos usar los nmeros de la tabla que son aleatorios, esos grupos de cuatro dgitos son
igualmente probables.
Ahora podemos usar los nmeros de cuatro dgitos para dar, a cada elemento de la poblacin, la misma
oportunidad de ser seleccionado para la muestra. El primer nmero, 6327, es mayor que 2500, no corresponde a un
elemento de la poblacin y, en consecuencia, lo descartamos. El segundo nmero, 1599, est entre 1 y 2500. As, el
primer individuo seleccionado para la muestra es el gerente nmero 1599 en la lista de los gerentes de EAI. Al
continuar el proceso pasamos por alto 8671 y 7445 e identificamos a los individuos 1102, 1514 y 1807 como los
siguientes de la muestra. Este proceso de seleccin de gerentes contina hasta haber obtenido la muestra aleatoria
simple de tamao 30.
Al llevar a acabo el proceso de seleccin de la muestra aleatoria simple, es posible que aparezca de nuevo,
en la tabla, un nmero aleatorio que antes ya se ha usado antes de completar la seleccin de la muestra de 30
gerentes de EAI. Como se trata de seleccionar tan slo una vez a los gerentes, todos los nmeros aleatorios que ya
se han empleado no se vuelven a tomar en cuanta, porque los gerentes correspondientes ya son parte de la muestra.
La seleccin de una muestra en esta forma se llama muestrear sin remplazo. Si hubiramos seleccionado la muestra
en tal forma que los nmeros aleatorios usados antes se aceptaran, y algunos gerentes se pudieran incluir dos o ms
veces en la muestra, hubiramos muestreado con remplazo. El muestro con remplazo es una forma vlida de
identificar una muestra aleatorio. Sin embargo, lo que se usa con ms frecuencia es el muestreo con remplazo.
Cuando digamos muestreo aleatorio simple supondremos que ese muestreo es sin remplazo.
Tabla 7.1 Nmeros aleatorios
Estadstica
Se pueden seleccionar aleatorios en cualquier lugar de la tabla. Aunque comenzamos por el primer rengln
como ejemplo, podramos haber comenzado en cualquier otro punto de la tabla continuado en cualquier direccin.
Una vez elegido el punto de partida, se recomienda usar un procedimiento sistemtico predeterminado, por
ejemplo avanzar por columnas o por reglones, para seleccionar los nmeros siguientes.
MUESTREO PARA POBLACIONES INFINITAS

La mayora de los casos de muestreo en los negocios y la economa son de poblaciones finitas, pero en
algunas situaciones, la poblacin es infinita o (si es infinita) es tan grande que, para fines prcticos, se puede
considerar como infinita. Al muestrear una poblacin infinita debemos usar una nueva definicin de muestra
aleatoria simple. Adems, como no se pueden enumerar los elementos de una poblacin infinita, debemos emplear
un proceso distinto para seleccionar los elementos de la muestra.
Supongamos que se desea estimar el tiempo promedio que transcurre entre colocar un pedido y recibirlo,
para los clientes de un restaurante de comida rpida, entre las 11:30 a.m. y la 1:30 p.m. que es el horario del
almuerzo. Si consideramos la poblacin de todos los posibles clientes, vemos que no sera factible especificar un
lmite finito de la cantidad de posibles visitas. De hecho, si definimos que la poblacin es todas las visitas de
clientes que se pudieran recibir concebiblemente durante la hora del almuerzo, podemos considerar que la
poblacin es infinita. Nuestra tarea consiste en seleccionar una muestra aleatoria simple de n clientes de esa
poblacin. A continuacin vemos la definicin de muestra aleatoria simple de una poblacin finita.
Muestra aleatoria simple (poblacin infinita)
Una muestra aleatoria simple de una poblacin es aquella que se selecciona en tal forma que se satisfacen
las siguientes condiciones.
1. Cada elemento seleccionado proviene de la misma poblacin.
2. Cada elemento se selecciona en forma independiente.
En el caso del problema de seleccionar una variable aleatoria simple de asistencias de clientes a un
restaurante de comida rpida, vemos que se satisface la primera condicin antes mencionada, para cualquier
asistencia de cliente durante el horario del almuerzo, estando trabajando el restaurante con su personal regular y
bajo condiciones normales de funcionamiento. La segunda condicin se satisface asegurando que la seleccin de
determinado cliente no influye sobre la seleccin de cualquier otro. Esto es, los clientes son seleccionados en
forma independiente.
Un restaurante muy conocido de comita rpida implemento un procedimiento de muestreo aleatorio
simple para este caso. El procedimiento de muestreo se basa en el hecho de que algunos clientes presentan cupones
de descuento en precios de emparedados, bebidas, papas fritas, etc. Siempre que un cliente presenta un cupn de
descuento, se selecciona para la muestra al siguiente cliente que llega. Como los clientes que presentan cupones
de descuento lo hacen al azar e independientemente, la empresa considera que el plan de muestro satisface las dos
condiciones del muestro aleatorio simple de poblaciones infinitas.
OTROS MTODOS DE MUESTREO

El muestreo aleatorio simple no es el nico mtodo de muestreo con el que se cuenta. Existen otros, como
el muestreo aleatorio estratificado, el de conglomerados y el sistemtico, que son alternativas del muestreo
aleatorio simple.
Estadstica
MUESTREO ALEATORIO ESTRATIFICADO

En este tipo de muestreo, primero se divide a la poblacin en grupos de elementos llamados estratos, de tal
manera que cada elemento en la poblacin pertenece a uno y slo a un estrato. La base de formacin de los
estratos, por ejemplo, por departamento, ubicacin, edad, giro industrial, etc. queda a discrecin de quien seala la
muestra. Si embargo, los mejores resultados se obtienen cuando los elementos dentro de cada estrato son tan
semejantes como sea posible. La figura 7.15 es un diagrama de una poblacin divida en H estratos.
Despus de formar los estratos se toma una muestra aleatoria simple de cada uno. Se dispone de frmulas
para combinar los resultados para las muestras de estrato individual en un estimado del parmetro poblacional de
inters. El valor del muestreo estratificado depende de cuan homogneos sean los elementos dentro de los estratos.
Si son similares (homogeneidad), los estratos tendrn bajas varianzas. En este caso se pueden usar varios tamaos
de muestras relativamente pequeos para obtener buenos estimado de las caractersticas de los estratos. Si los
estratos son homogneos, el procedimiento de muestreo aleatorio estratificado producir resultados tan precisos
como el muestreo aleatorio simple, pero con menor tamao total de la muestra.
MUESTREO POR CONGLOMERADOS

En el muestreo por conglomerados, se divide primero a la poblacin en conjuntos separados de elementos,
llamados conglomerados. Cada elemento de la poblacin pertenece a uno y slo a un grupo (vese la figura 7.16).
A continuacin se toma una muestra aleatoria simple de los conglomerados. Todos los elementos dentro de cada
conglomerado muestreado forman la muestra. El muestreo de conglomerados tiende a proporcionar los mejores
resultados cuando los elementos de los conglomerados son heterogneos (desiguales). En el caso ideal, cada
conglomerado es una versin representativa, en pequea escala, de toda la poblacin. El valor el muestreo por
conglomerados depende de cun representativo sea cada conglomerado de la poblacin total.
Si al respecto todos los conglomerados se asemejan entre s, al muestrear una pequea cantidad de
conglomerados se obtendrn buenos estimados de los parmetros de poblacin.
Una de las principales aplicaciones del muestro por conglomerados es el muestreo de reas, en los que los
conglomeraos son manzanas urbanas, u otras reas bien definidas. Por lo general, el muestreo de conglomerados
requiere un tamao de muestra total mayor que el muestreo aleatorio simple o el muestreo aleatorio estatificado.
Sin embargo puede originar ahorros porque cuando se manda a un entrevistador a aplicar un cuestionario a un
conglomerado muestreado (por ejemplo, una manzana urbana), se pueden obtener muchas observaciones
muestrales en un tiempo relativamente corto. En consecuencia, se puede obtener un mayor tamao de muestra con
un costo bastante menor por elemento, y por ende, probablemente un costo total menor.
MUESTRO SISTEMTICO
En algunos casos, en especial cuando hay grandes poblaciones, es tardada la eleccin de una muestra
aleatoria simple cuando se determina primero un nmero aleatorio y despus se cuenta o se busca en la lista de
elementos de la poblacin hasta encontrar el elemento correspondiente. Una alternativa al muestreo aleatorio
simple es el muestreo sistemtico. Por ejemplo, si se desea una muestra de tamao 50 de una poblacin con 5000
elementos, podramos muestrear un elemento de cada 5000/50 = 100 en la poblacin. Una muestra sistemtica en
este caso implica seleccionar al azar uno de los primeros 100 elementos de la lista de la poblacin. Se identifican
los dems elementos de la muestra comenzando por el primero obtenido al azar y a continuacin seleccionando
cada 100o. elemento. En efecto, se identifica la muestra de 50 recorriendo la poblacin en forma sistemtica, e
identificado cado 100o. elemento despus del primero que se seleccion al azar. Por lo general ser ms fcil
identificar la muestra de 50 de este modo que si se usara el muestreo aleatorio simple. Est hiptesis de aplica en
especial cuando la lista de los elementos de la poblacin es una ordenacin aleatoria de ellos.
Estadstica
MUESTREO POR CONVENIENCIA

Los mtodos de muestro que se han descrito se llaman tcnicas de muestreo probabilstico. Los elementos
seleccionados de la poblacin tiene una probabilidad conocida de ser incluidos en la muestra. La ventaja del
muestreo probabilstico es que la distribucin del estadstico demuestra que se trate, por lo general, se puede
identificar. Se pueden usar formulas como las del muestreo aleatorio simple, que se presentaron en este captulo,
para determinar las propiedades de la distribucin muestral. sta se puede usar a continuacin para establecer
afirmaciones probabilsticas acerca de posibles errores de muestreo asociados con los resultados de la muestra
El muestreo por conveniencia es una tcnica de muestreo no probabilstico como su nombre lo indica, la
muestra se identifica, principalmente, por conveniencia. Se incorporan elementos en la muestra sin probabilidades
preespecificadas o conocidas de seleccin. Por ejemplo, un profesor que lleva a cabo una investigacin
universitaria puede usar alumnos voluntarios para formar una muestra, tan solo porque dispone fcilmente de ellos
participan como elementos a un costo pequeo o nulo. Igualmente, un inspector puede muestrear un embarque de
naranjas seleccionndolas, con mucho tedio y dificultad, entre varias cajas. Sera poco prctico marcar cada
naranja y usar un mtodo de probabilidad para el muestreo. Muestras como animales salvajes o plantes silvestres, o
equipos de voluntarios para investigacin de mercados, tambin son muestras por conveniencia.
Las muestras por conveniencia tiene la ventaja de fcil seleccin y recoleccin de sus datos. Sin embargo,
es imposible evaluar la bondad de la muestra en funcin de su representatividad de la poblacin. Una muestra
por conveniencia puede dar buenos resultados o no. No hay un procedimiento estadsticamente justificado que
permita un anlisis de probabilidades o inferencias acerca de la calidad de los resultados de esa muestra. A veces
los investigadores aplican mtodos estadsticos diseados para muestras de probabilidad a una muestra por
conveniencia, y dicen que sta se puede manejar como si fuera una muestra aleatoria. Sin embargo, no se puede
sostener este argumento, y debemos tener mucho cuidado al interpretar los resultados de muestras por convenienia,
cuando se usan para hacer inferencias acerca de poblaciones.
MUESTREO POR JUICIO

Otra tcnica ms de muestreo n probabilstico es el muestreo por juicio. En este mtodo, la persona ms
capaz en el tema de estudio selecciona a los individuos u otros elementos de la poblacin que siente son los ms
representativos de esa poblacin. Con frecuencia es una manera relativamente fcil de seleccionar una muestra.
Por ejemplo, un reportero puede muestrear a dos o tres senadores, considerando que ellos reflejan la opinin
general de todos lo senadores. Sin embargo, la calidad de los resultados muestrales dependen del juicio de la
persona que selecciona la muestra. De nuevo, se necesita tener gran cuidado al llegar a conclusiones basadas en
muestra por juicio, para despus hacer inferencias acerca de poblaciones.
Estadstica
PROBABILIDAD
En nuestra vida nos enfrentamos a situaciones de toma de decisiones cuando interviene la incertidumbre.
Quiz alguna vez hemos analizado algunas de las siguientes situaciones:
1.-
Cul es la posibilidad de que las ventas disminuyan si aumenta el precio del producto?
2.-
Cul es la probabilidad de que el nuevo mtodo de ensamble aumente la productividad?
3.-
Qu tan probable es que el proyecto termine a tiempo?
4.-
Cules son las probabilidades de que la nueva inversin sea rentable?

Una parte de los primeros trabajos sobre
probabilidades se origin en una serie de cartas entre
Pierre de Fermat y Blaise Pascal, en la dcada de 1650.
Los mtodos de mayor eficacia para manejar tales incertidumbres se basan en el concepto de la
probabilidad. En lenguaje cotidiano la probabilidad indica una medida numrica de la certidumbre de que suceder
determinado evento. Por ejemplo, si consideramos el evento llover maana entendemos que, cuando el
pronstico climtico en la TV indica una probabilidad de lluvia cercana a cero casi no hay posibilidad de lluvia.
Sin embargo, si el pronstico es 90% de probabilidad, sabemos que hay una gran posibilidad, cercana a la certeza,
de que llueva. Una probabilidad del 50% indica que es tan probable que llueva como que no llueva.
Los valores de probabilidad siempre se asignan en una escala de 0 a 1. Una probabilidad cercana a 0 indica
que es difcil que el evento ocurra; una cercana a 1 indica que es casi seguro que suceder. Otras probabilidades
entre 0 y 1 representan grados de certeza de que el evento ocurra.
LA PROBABILIDAD COMO MEDIDA NUMRICA DE LA POSIBILIDAD DE OCURRENCIA
Mayor posibilidad de ocurrencia

0
.5
1.0
Probabilidad:
La ocurrencia del evento

es tan probable como improbable
La probabilidad es importante en la toma de decisiones, porque suministra un mecanismo para medir,

expresar y analizar la incertidumbre asociada con eventos futuros.
Estadstica
EXPERIMENTOS, ESPACIO DE UNA MUESTRA

Y REGLAS DE CONTEO
Aplicando la terminologa de la probabilidad, el trmino experimento se define como cualquier proceso
que genera resultados bien definidos. Con lo anterior queremos decir que, en toda repeticin nica del
experimento, solo ocurrir uno y slo uno de los resultados experimentales posibles. A continuacin vemos
algunos ejemplos de experimentos y sus resultados asociados.
Experimento
Lanzar una Moneda
Seleccionar una parte para inspeccionarla
Telefonema de ventas
Tirar un dado
Jugar un partido de ftbol
Resultados del Experimento

Sol, guila
Defectuosa, no defectuosa
Compra, no compra
1, 2, 3, 4, 5, 6.
Ganar, perder, empatar.
Los elementos del espacio muestral se llaman puntos
muestrales, o puntos de muestra. Ya que los resultados
experimentales son puntos muestrales, el conjunto de todos
los resultados experimentales (puntos muestrales) es el
espacio muestral, o espacio de la muestra.
El primer paso para analizar un determinado experimento consiste en definir con cuidado los resultados
experimentales. Cuando hayamos definido todos los resultados posibles, habremos identificado el espacio
muestral, o espacio de una muestra del experimento. Esto es, se define al espacio muestral como el conjunto de
todos los resultados experimentales posible. Cualquier resultado experimental particular se llama punto muestral, y
es un elemento del espacio muestral.
Veamos el experimento de lanzar una moneda. El resultado experimental se define por la cara superior de
la moneda -un sol o una cruz-. Si S representa al espacio muestral podremos usar la siguiente notacin para
describirlo a l y a sus puntos muestrales para el experimento.
S = {sol, guila}
Con esta notacin, el experimento de seleccionar una parte e inspeccionarla tendra el siguiente espacio
muestral y los siguientes puntos maestrales:
S={defectuosa, no defectuosa }
REGLAS DE CONTEO
La capacidad de identificar y contar los puntos muestrales de un experimento es un paso importante para
comprender lo que puede suceder en l. Veamos un experimento que consiste en lanzar dos monedas, donde los
resultados experimentales se definen en funcin del comportamiento de soles o guilas que dan hacia arriba en las
dos monedas. Cuntos resultados experimentales (o puntos muestrales) son posibles en este experimento?
Podemos considerar que el experimento de lanzar dos monedas se lleva a cabo en dos etapas: la etapa 1
corresponde a lanzar la primera moneda, y la etapa 2 a lanzar la segunda. El diagrama de rbol es un dispositivo
grfico til para visualizar un experimento de varias etapas y enumerar los resultados experimentales.

Etapa 1
Primera moneda
Estadstica
Etapa 2
Segunda moneda
Punto muestra
Sol
(S, S)
Sol
(S, A)
guila
Sol
(A, S)
guila
(A, A)
guila
Sin el diagrama de rbol se podra creer
fcilmente que solo hay tres resultados
experimentales de dos lanzamientos de
moneda: 0 soles, 1 sol y 2 soles-
La figura anterior, es un diagrama de rbol para el experimento de lanzar las monedas, con ramas de sol o
guila para la primera moneda (etapa 1) seguidas de ramas que corresponden a sol o guila en la segunda moneda
(etapa 2). Se usa la notacin (S,S) para representar el resultado que corresponde a un sol en la primera moneda y
un sol en la segunda. Igualmente, (S,A) indica el resultado de un sol en la primera moneda y un guila en la
segunda. As, cada uno de los puntos del lado derecho del rbol corresponde a un punto muestral un resultado
experimental-.
Vemos que hay cuatro resultados experimentales del hecho de lanzar dos monedas, y el espacio muestral
del mismo se puede representar mediante:
S= {(S,S), (S,A), (A,S), (A,A)}
Una regla til para determinar la cantidad de puntos muestrales para un experimento de varias etapas es la
siguiente.
Reglas de conteo para experimentos de etapas mltiples

Si un experimento se puede escribir como una sucesin de k etapas, en las que hay n1 resultados posibles
en la primera etapa, n2 en la segunda, etc., la cantidad total de resultados experimentales es igual a (n1)(n2)...(nK).
Esto es, la cantidad de resultados del experimento total es el producto de las cantidades en cada etapa.
Veamos ahora como se puede aplicar la regla de experimentos de etapas mltiples en el anlisis de un
proyecto de expansin de capacidad que encara Kentucky Power and Light Company (KP&L). El proyecto se
divide en dos etapas sucesivas: la etapa 1 (diseo) y la etapa 2 (construccin). Si bien cada etapa se programar y
controlar tan cuidadosamente como sea posible, la direccin no puede predecir el tiempo exacto para terminarla.
Un anlisis de proyectos similares de construccin ha demostrado que los tiempos de terminacin de la etapa de
diseo son 2, 3 o 4 meses, y los de terminacin para la etapa de construccin son 6, 7 u 8 meses. Como la
necesidad de energa elctrica adicional es crtica, la direccin ha establecido una meta de 10 meses para terminar
todo el proyecto.
Como hay tres tiempos posibles de terminacin para la etapa de diseo (primera etapa) y tres tiempo de
terminacin posibles para la etapa de construccin (etapa 2), se puede aplicar en este caso la regla de conteo para
experimentos con mltiples etapas, y as se determina que hay un total de (3)(3) = 9 resultados experimentales.
Estadstica
Para describirlos usaremos una notacin de dos nmeros; por ejemplo (2, 6) indicar que la etapa de
diseo se termina en 2 meses y la de la construccin en 6 meses. Este resultado experimental da un total de 2+6=8
meses para terminar todo el proyecto. La siguiente tabla resume los nueve resultados experimentales del proyecto:
LISTA DE RESULTADOS EXPERIMENTALES (PUNTOS MUESTRALES)

Tiempo de terminacin (meses)
Etapa 1
(diseo)
2
2
2
3
3
3
4
4
4
Etapa 2
(construccin)
6
7
8
6
7
8
6
7
8
Notacin del
resultado
experimental
(punto muestral)
Tiempo total de
terminacin del
proyecto (meses)
(2, 6)
(2, 7)
(2, 8)
(3, 6)
(3, 7)
(3, 8)
(4, 6)
(4, 7)
(4, 8)
8
9
10
9
10
11
10
11
12
El diagrama de rbol siguiente muestra como se generan los nueve resultados (puntos muestrales):
DIAGRAMA DE RBOL PARA EL PROYECTO
Etapa 1
(Diseo)
Etapa 2
(Construccin)
Resultados
Experimentales
Tiempo total de
terminacin
del proyecto
6 meses
(2, 6)
8 meses
7 meses
(2, 7)
9 meses
8 meses
(2, 8)
10 meses
6 meses
(3, 6)
9 meses
7 meses
(3, 7)
10 meses
8 meses
(3, 8)
11 meses
6 meses
(4, 6)
10 meses
7 meses
(4, 7)
11 meses
8 meses
(4, 8)
12 meses
2 meses
3 meses
4 meses
Estadstica
Hemos aplicado la regla de conteo y el diagrama de rbol para ayudar al gerente del proyecto a identificar
los resultados experimentales y determinar los tiempos de terminacin posibles del proyecto. Vemos que el tiempo
para terminarlo ser de 8 a 12 meses, y que seis de los resultados cumplen con el tiempo deseado, que es de 10
meses o menos. Si bien fue til haber identificado los resultados experimentales, necesitaremos considerar como se
le pueden asignar valores de probabilidad para poder hacer una evaluacin final de la probabilidad de terminar el
proyecto dentro de los 10 meses deseados. Las asignaciones de probabilidades a los resultados experimentales se
analizaran ms delante....
Otra regla de conteo que con frecuencia es de utilidad nos permite contar la cantidad de resultados
experimentales cuando se han de seleccionar n objetos entre un conjunto de N objetos. Se llama regla de conteo
para combinaciones.
Reglas de Conteo para Combinaciones.
N!
(1)
=
n
n! (N n )!
En donde:
N!= N(N 1)(N 2) ... (2)(1)
n! = n(n 1)(n 2) ... (2)(1)
y
0! = 1
La notacin ! significa factorial; por ejemplo, 5 factorial es 5!=(5)(4)(3)(2)(1) = 120.
Por definicin, 0! es igual a 1.
Un ejemplo de la regla de conteo para combinaciones es un procedimiento de control de calidad en el que
el inspector selecciona al azar dos de cinco partes, para examinarlas y ver si tiene defectos. En un grupo de cinco
partes, cuntas combinaciones de dos partes se pueden seleccionar? La regla de conteo de la ecuacin 1 indica
que para N=5 y n=2 el resultado es:
5
2
5!
= (5)(4)(3)(2)(1) = 120 = 10
2! (5 2)!
(2)(1)(3)(2)(1) 12
Al muestrar una poblacin finita de tamao N, se

usa la regla de conteos para combinaciones con
el fin de determinar la cantidad de diferentes
muestras de tamao n que se pueden seleccionar.
As hay 10 resultados en el experimento de seleccionar al azar dos partes de un grupo de cinco. Si

identificamos las cinco partes como A, B, C, D y E, las 10 combinaciones o resultados experimentales se pueden
identificar como AB, AC, AD, AE, BC, BD, BE, CD, CE y DE.
Otro ejemplo es el siguiente: La Lotera de Ohio emplea seleccin aleatoria de seis nmeros de un grupo
de 47 para determinar al ganador semanal. Se puede aplicar la regla de conteo (1) para combinaciones, para
calcular la cantidad de maneras en que se pueden seleccionar seis nmeros distintos de entre un grupo de 47
nmeros.
47 =
47!
= 47! = (47)(46)(45)(44)(43)(42) = 10,737,573
6
6! (47 6)! 6! 41!
(6)(5)(4)(3)(2)(1)
10
Estadstica
La regla de conteo para combinaciones nos dice que hay ms de 10 millones de resultados experimentales
para determinar al ganador de la lotera. Si una persona compra un boleto de lotera y elige seis de los 47 nmeros,
tiene una posibilidades de ganar entre 10,737,573.
Las reglas de conteo como la de experimentos de etapas mltiples y la de las combinaciones ayudan a
determinar la cantidad de resultados en un experimento estadstico.
NOTA.- En estadstica, la nocin de experimento es algo distinta de la nocin en
ciencias fsicas. En las ciencias fsicas, por lo general, un experimento se lleva a cabo en un
laboratorio o en un ambiente controlado, para aprender acerca de un hecho cientfico. Cuando se
repiten los experimentos en fsica bajo condiciones idnticas, se espera obtener el mismo resultado.
En los experimentos estadsticos, los resultados estn determinados por el azar. Aun cuando el
experimento se repita exactamente en la misma forma, puede obtenerse un resultado
completamente distinto. Debido a esta diferencia de resultados, se dice que los experimentos en
estadsticas son experimentos aleatorios.
EJERCICIOS
1) De cuntas maneras se pueden seleccionar tres artculos de un grupo de seis? Use las letras A, B, C, D, E y F
para identificar los artculos, y haga una lista de cada una de las distintas combinaciones de tres artculos.
2) Un experimento consiste en hacer tres llamadas de venta. En cada una habr compra o no compra.
a) Trace un diagrama de rbol de este experimento en tres etapas.
b) Identifique cada punto muestral y el espacio muestral. Cuntos puntos muestrales hay?
c) Cuntos puntos muestrales habra si el experimento consistiera en cuatro llamadas de venta?
3) A un gran hotel en Florida le interesan las condiciones climticas en el noroeste y en el propio estado de
Florida. Al caracterizar la temperatura en ambas zonas se usaron las tres categoras siguientes: debajo del
promedio, en el promedio o sobre el promedio. Una combinacin de temperaturas debajo del promedio en el
noroeste con temperaturas sobre el promedio en Florida indica un mayor volumen de negocios en el hotel. El
experimento consiste en observar las condiciones climticas en determinado da.
a) Cuntos resultados experimentales son posibles?
b) Trace un diagrama de rbol para el experimento.
4) Un inversionista tiene dos acciones: de A y de B. Cada una puede aumentar o disminuir de valor, o
permanecer inalterada. El experimento consiste en invertir en las dos acciones y observar el cambio (si es que
lo hay) en su valor.
a) Cuntos resultados experimentales son posibles?
b) Trace un diagrama de rbol para el experimento.
c) Cuntos de los resultados experimentales originan un aumento en el valor de al menos una de las
acciones?
d) Cuntos de los resultados experimentales originan un aumento en el valor de las dos acciones?
5) Cuntas manos de cinco cartas de pquer son posibles con una baraja de 52 cartas?
11
Estadstica
ASIGNACIN DE PROBABILIDADES A LOS RESULTADOS

EXPERIMENTALES
Veamos ahora cmo se pueden determinar las probabilidades de los resultados experimentales (puntos
muestrales). Recordemos la descripcin donde afirmamos que la probabilidad de un resultado experimental es una
medida numrica de la posibilidad de que ocurra ese resultado. Se pueden usar varios mtodos para asignar las
probabilidades a los resultados experimentales; sin embargo, independientemente de la forma, se deben satisfacer
dos requisitos bsicos.
1. Los valores de probabilidad que se asignen a cada resultado experimental (punto muestral) deben ser entre 0 y
1. Esto es, si E i representa el resultado experimental i y P(E i) representa la probabilidad de este resultado
experimental, se debe cumplir.
0 < P(Ei ) < 1
para toda i
(A.1)
2. La suma de todas las probabilidades de resultados experimentales debe ser 1. Si un espacio muestral tiene k
resultados experimentales, se debe cumplir.
P(E1) + P(E2) +... + P(Ek) = P(Ei) = 1
(A.2)
Se puede aceptar cualquier mtodo de asignar valores de probabilidad a los resultados experimentales,
siempre que cumpla con estos dos requisitos y produzca medidas numricas razonables de la posibilidad de los
resultados. En la prctica se usa uno de los tres mtodos siguientes.
1.
2.
3.
Mtodo clsico
Mtodo de frecuencia relativa
Mtodo subjetivo
MTODO CLSICO
Para ilustrar el mtodo clsico de asignacin de probabilidades veamos nuevamente el experimento de
lanzar una moneda. En cualquier lanzamiento observaremos uno de dos resultados experimentales: sol o guila.
Parecera razonable suponer que los dos resultados son igualmente probables. En consecuencia, como uno de los
resultados igualmente probables es sol, lgicamente debemos llegar a la conclusin de que la probabilidad de
observar un sol es o 0.50. De igual manera, la probabilidad de observar un guila es 0.50. Cuando se usa la
hiptesis de resultados igualmente probables como base para asignar probabilidades, al mtodo se le llama mtodo
clsico. Si un experimento tiene n resultados posibles, con el mtodo clsico se asignara una probabilidad de 1/n a
cada resultado experimental.
Otro ejemplo del mtodo clsico es el experimento de tirar un dado, el espacio muestral y los puntos
muestrales para este experimento son:
S = { 1, 2, 3, 4, 5, 6}
Parece razonable llegar a la conclusin de que los seis resultados experimentales son igualmente posibles,
y en consecuencia a cada uno de ellos se le asigna la probabilidad 1/6. As, si P(1) representa la probabilidad de
que aparezca un punto en la cara superior del dado, entonces P(1) =1/6. En igual forma P(2) = 1/6, P(3) = 1/6, P(4)
= 1/6, P(5) = 1/6 y P(6) = 1/6. Observe que esta asignacin de probabilidades cumple con los dos requisitos
bsicos que mencionamos. De hecho, cuando se usa el mtodo clsico siempre se satisfacen los requisitos de las
ecuaciones (A.1) y (A.2) porque a cada uno de los n puntos muestrales se le asigna una probabilidad de 1/n.
12
Estadstica
El mtodo clsico fue desarrollado en un principio para analizar problemas de juego, donde con frecuencia
parece razonable la hiptesis de resultados igualmente posibles. Sin embargo, en muchos problemas comerciales
esta hiptesis no es valida. Por consiguiente se requieren mtodos alternativos para asignar probabilidades.
MTODO DE LA FRECUENCIA RELATIVA

Para ilustrar el mtodo de la frecuencia relativa supongamos que una empresa se prepara para vender un
nuevo producto. Para estimar la probabilidad de que un cliente lo compre, se ha organizado una evaluacin de
mercado en la que los vendedores telefonean a los posibles clientes.
Por cada telefonema hay dos resultados posibles: el cliente compra el producto o el cliente no compra el
producto. Como no hay razn para superar que los dos resultados experimentales son igualmente posibles, no es
adecuado el mtodo clsico de asignar probabilidades.
Supongamos que en la evaluacin del mercado del producto se llam a 400 clientes potenciales; que 100
compraron realmente el producto, pero que 300 no lo compraron. De hecho, entonces, repetimos el experimento de
telefonear 400 veces a un cliente y encontramos que el producto fue comprado 100 veces. En consecuencia,
podemos optar por usar la frecuencia relativa como un estimado de la probabilidad de que un cliente haga una
compra. Podramos asignar una probabilidad de 100/400 = 0.25 el resultado experimental de comprar el producto.
En forma parecida, se podra asignar 300/400 = 0.75 al resultado experimental de no comprar el producto. A este
mtodo de asignar probabilidades se le llama mtodo de la frecuencia relativa.
MTODO SUBJETIVO
Los mtodos clsico y de frecuencia relativa no se pueden aplicar a todos los casos en donde se desean
evaluar probabilidades. Por ejemplo, hay casos en que los resultados experimentales no son igualmente posibles, y
en los que no se cuenta con datos de frecuencia relativa. Por ejemplo, considrese un juego de ftbol en el que
participan los Acereros de Pittsburgh. Qu probabilidad tienen de ganar? Los resultados experimentales de ganar,
perder o empatar no necesariamente tienen la misma posibilidad. Tambin, como los equipos que participan no han
jugado varias veces antes en este ao, no hay datos de frecuencia relativa de los cuales se pueda hechar mano para
el juego venidero. As si deseamos un estimado de la probabilidad que tiene de ganar los Acereros, debemos
recurrir a una opinin subjetiva sobre su valor (el de la probabilidad).
Con el mtodo subjetivo de asignar probabilidades a los resultados experimentales podemos usar cualquier
dato disponible, y tambin nuestra experiencia e intuicin. Sin embargo, despus de considerar toda la informacin
disponible, se debe especificar un valor de probabilidad que exprese el grado de creencia de que se presente el
resultado experimental. A este mtodo de asignar probabilidades de le llama mtodo subjetivo. Como la
probabilidad subjetiva expresa el grado de creencia de una persona, entonces tiene un carcter personal. Cabe
entonces esperar que dos personas distintas asignen diferentes probabilidades al mismo evento. No obstante, se
debe tener cuidado al aplicar el mtodo subjetivo, para asegurar que se cumpla con los requisitos (A.1) y (A.2).
Esto es, independientemente del grado de creencia de una persona, el valor de probabilidad, asignado a cada
resultado experimental, debe estar entre 0 y 1, y la suma de todas las probabilidades de esos resultados debe ser
igual a 1.
Aun en casos en que se pueda aplicar el mtodo clsico o el de frecuencia relativa, la administracin
puede desear conocer estimados de probabilidades subjetivas. En tales casos, los mejores estimados se consiguen,
con frecuencia, combinando los del mtodo clsico o de la frecuencia relativa, con estimados subjetivos de
probabilidad.
13
Estadstica
PROBABILIDADES PARA EL PROBLEMA DE LA COMPAA KP&L

Para ahondar en el anlisis del problema de KP&L (Kentucky Power and Light Company) debemos
evaluar las probabilidades de cada uno de los nueve resultados experimentales. Con base en la experiencia y en el
buen juicio, la administracin lleg a la conclusin de que los resultados experimentales no eran igualmente
posibles. En consecuencia, no se pudo usar el mtodo clsico de asignar probabilidades. Se decidi entonces llevar
a cabo un estudio de los tiempos de terminacin de proyectos similares realizados por la empresa durante los
ltimos tres aos. En la siguiente tabla se resumen los resultados de estudios de 40 proyectos similares.
RESULTADOS DE LA TERMINACIN DE 40 PROYECTOS DE KP&L

Tiempo de terminacin (meses)
Etapa 1
Etapa 2
2
2
2
3
3
3
4
4
4
6
7
8
6
7
8
6
7
8
Punto Muestral
(2, 6)
(2, 7)
(2, 8)
(3, 6)
(3, 7)
(3, 8)
(4, 6)
(4, 7)
(4, 8)
Cantidad de proyectos anteriores

con los siguientes tiempos de
terminacin.
6
6
2
4
8
2
2
4
6
Total
40
Despus de revisar los resultados del estudio, la gerencia decidi emplear el mtodo de la frecuencia
relativa para asignar las probabilidades. Podran haber optado por estimados subjetivos de probabilidades, pero les
pareci que el proyecto actual era muy similar a los 40 anteriores. Por ello fue que se juzgo que el mejor mtodo
era el de la frecuencia relativa.
Al emplear los datos de la tabla anterior para calcular probabilidades, observemos que el resultado (2,6)
-etapa 1 terminada en 2 meses y etapa 2 en 6-, se presentaba seis veces en los 40 proyectos. Con el mtodo de la
frecuencia relativa se puede asignar una probabilidad de 6/40= 0.15 a este resultado. Similarmente, el resultado
(2,7) tambin se present en 6 de los 40 proyectos, dando como resultado una probabilidad de 6/40= 0.15.
Continuando de esta forma obtenemos las asignaciones de probabilidad para los puntos muestrales del proyecto
KPyL que vemos en la siguiente tabla:
ASIGNACIONES DE PROBABILIDADES EN EL PROBLEMA KP&L BASADA

EN EL METODO DE FRECUENCIA RELATIVA. Tabla 1
Punto muestral
Tiempo de terminacin del

proyecto
(2, 6)
(2, 7)
(2, 8)
(3, 6)
(3, 7)
(3, 8)
(4, 6)
(4, 7)
(4, 8)
8 meses
9 meses
10 meses
9 meses
10 meses
11 meses
10 meses
11 meses
12 meses
Probabilidad del punto muestral

P (2, 6) = 6/40 = 0.15
P (2, 7) = 6/40 = 0.15
P (2, 8) = 2/40 = 0.05
P (3, 6) = 4/40 = 0.10
P (3, 7) = 8/40 = 0.20
P (3, 8) = 2/40 = 0.05
P (4, 6) = 2/40 = 0.05
P (4, 7) = 4/40 = 0.10
P (4, 8) = 6/40 = 0.15
Total 1.00
14
Estadstica
Observe que P (2,6) representa la probabilidad del punto muestral (2,6), P (2,7) la del punto muestral (2,7)
y as sucesivamente.
EJERCICIOS
1) Un experimento con tres resultados se ha repetido 50 veces, y se vio que E 1 sucedi 20 veces, E2 13 y E3 17.
Asigne las probabilidades a los resultados. Qu mtodo us?
2) Un experimento consiste en seleccionar una carta de un mazo de 52.
a) Cuntos puntos muestrales son posibles?
b) Qu mtodo (clsico, de frecuencia relativa o subjetivo) recomendara usted para asignar probabilidades
a los puntos muestrales?
c) Cul es la asignacin de probabilidad para cada carta?
d) Demuestre que sus asignaciones de probabilidad satisfacen los dos requisitos bsicos.
3) Un pequeo almacn de electrodomsticos ha reunido datos sobre las ventas de refrigeradores en las ltimas
50 semanas. Los datos aparecen en la tabla siguiente. Suponga que nos interesa el experimento de observar la
cantidad de refrigeradores vendidos en una semana de actividades del almacn.
Nmero de refrigeradores
vendidos
Cantidad de semanas
0
1
2
3
4
5
6
12
15
10
5
2
50
Total
a) Cuntos resultados experimentales hay?
b) Qu mtodo recomendara usted para asignar probabilidades a los resultados experimentales?
c) Asigne las probabilidades y asegrese de que su asignacin satisfaga los dos requisitos bsicos.
4) Hay muchas escuelas en la actualidad que permiten a sus alumnos el acceso a Internet. En 1996 se inscribieron
21,733 escuelas elementales, 7286 secundarias y 10,682 preparatorias en Internet (Statistical Abstract of The
United States, 1997). Hay un total de 51,745 escuelas elementales, 14,012 secundarias y 17,229 preparatorias.
a) Si el lector visitara una escuela elemental al azar, qu probabilidad tiene de encontrar acceso a Internet?
b) Si usted escoge al azar visitar una escuela elemental, cul es la probabilidad de que sta tenga acceso a
Internet?
c) Cul sera la probabilidad si visitara una escuela secundaria al azar?
d) Y si visitara una preparatoria al azar?
EVENTOS Y SUS PROBABILIDADES

Hasta ahora hemos empleado el trmino evento como lo manejamos en el lenguaje cotidiano. Ahora
presentaremos la definicin formal relacionada con probabilidad de un evento.
Evento
Un evento es un conjunto de puntos muestrales.
Para entenderlo mejor, volvamos al problema de KP&L (Kentucky Power and Light Company) y
supongamos que al gerente de proyecto le interesa el evento en el que todo el proyecto se puede terminar en 10
meses o menos. Al consultar la tabla 1 vemos que hay seis puntos muestrales -(2,6), (2,7), (2,8), (3,6), (3,7) y
(4,6)- que dan un tiempo de terminacin de 10 meses o menos. Sea C el evento que el proyecto termina en 10
meses o menos; escribimos:
15
Estadstica
C = {(2,6), (2,7), (2,8), (3,6), (3,7), (4,6)}

Se dice que el evento C ocurre si cualquiera de los seis puntos muestrales de arriba llega a ser el resultado
experimental.
Otros eventos que podran interesar a la gerencia de KP&L son los siguientes:
L = el evento que el proyecto se termina en menos de 10 meses.
M= el evento que el proyecto se termina en ms de 10 meses.
Con la informacin de la tabla 1, vemos que esos eventos consisten en los siguientes puntos muestrales.
L = {(2,6), (2,7), (3,6)}
M = {(3,8), (4,7), (4,8)}
Se puede definir una amplia variedad de eventos adicionales para el problema de esta compaa, pero en
cada caso el evento debe identificarse como un conjunto de puntos muestrales del experimento.
Dadas las probabilidades de los puntos muestrales en la tabla 1 podemos usar la siguiente definicin para
calcular la probabilidad de cualquier evento que pudiera interesar a la gerencia de KP&L.
PROBABILIDAD DE UN EVENTO
La probabilidad de un evento es igual a la suma de las probabilidades de los puntos muestrales en el
evento.
Con esta definicin calcularemos la probabilidad de determinado evento, sumando las probabilidades de
los resultados experimentales que lo forman. Ya podemos calcular la probabilidad de que el proyecto dure 10
meses o menos en terminarse. Como este evento est definido por C = {(2,6), (2,7), (2,8), (3,6), (3,7), (4,6)}, la
probabilidad P del evento C es:
P(C) = P(2,6) + P(2,7) + P(2,8) + P(3.6) + P(3,7) + P(4,6)
Al consultar en la tabla 1 las probabilidades de los puntos muestrales, llegamos a
P(C) = 0.15+0.15+0.05+0.10+0.20+0.05 =0.70
Igualmente, como el evento de que el proyecto se termine en menos de 10 meses se expresa como
= {(2,6), (2,7), (3,6)}, la probabilidad de este evento es:
P(L) = P(2,6) + P(2,7) + P(3,6)

P(L) = 0.15+0.15+0.10 = 0.40
Por ltimo, para el evento de que el proyecto se termine en ms de 10 meses tenemos M = {(3,8), (4,7),
(4,8)}, y en consecuencia
P(M) = P(3,8) + P(4,7) +P(4,8)
P(M) = 0.05+0.10+0.15 = 0.30
Con los anteriores resultados probabilsticos, ya podemos informar a la gerencia de KP&L que hay una
probabilidad de 0.70 de que el proyecto se termine en 10 meses o menos, una de 0.40 de que se termine en menos
de 10 meses, y una de 0.30 de que se termine en ms de 10 meses. Este procedimiento para calcular probabilidades
de eventos se puede repetir para cualquier evento que interese a la direccin de KP&L.
Siempre que podamos identificar a todos los puntos muestrales de un experimento y asignar las
probabilidades correspondientes a los puntos muestrales, podemos aplicar la definicin para calcular la
probabilidad de un evento. Sin embargo, en muchos experimentos la cantidad de puntos muestrales es grande, y la
16
Estadstica
identificacin de ellos, as como la determinacin de sus probabilidades asociadas, es demasiado tediosa, si no es

que imposible.
1.
2.
EJERCICIOS
El espacio muestral, S, es un evento. Como contiene todos los resultados experimentales,

tiene una probabilidad de 1, esto es P (S)=1.
Cuando se usa el mtodo clsico para asignar probabilidades, se supone que todos los
resultados experimentales son igualmente posibles. En esos casos, la probabilidad de que un
evento se puede calcular contando la cantidad de resultados experimentales en el evento, y
dividiendo el resultado ente la cantidad total, de resultados experimentales.
1) Un experimento tiene tres resultados, con P(E1) = 0.35, P(E2) = 0.40, P(E3) = 0.25.
a) Cul es la probabilidad de que ocurra E1 o E2?
b) Cul es la probabilidad de que ocurra E1 o E3?
c) Cul es la probabilidad de que ocurra E1, E2 o E3?
2) Suponga que un gerente de un gran complejo de apartamentos elabora los estimados subjetivos de
probabilidad que vemos en la tabla de abajo, sobre la cantidad de apartamentos que estarn vacos el prximo
mes.
de
Vacantes
0
1
2
Probabilidad
0.05
0.15
0.35
Vacantes
3
4
5
Probabilidad
0.25
0.10
0.10
Haga
una lista
los
puntos
muestrales que forman cada uno de los siguientes eventos y determine su probabilidad.
a) No hay apartamentos vacos
b) Cuando menos hay cuatro apartamentos vacos
c) Hay dos o menos apartamentos vacos
3) El gerente de una mueblera vende de 0 a 4 cofres de porcelana cada semana. Con base en la experiencia, se
asignan las siguientes probabilidades de vender 0, 1, 2, 3 o 4 cofres: P(0) = 0.08; P(1) = 0.18; P(2) = 0.32;
P(3) = 0.30; y P(4) = 0.12.
a)
Son vlidas estas asignaciones de probabilidad? Por qu s o por qu no?
b)
Sea A el evento en el cual se venden 2 o menos en una semana. Determine P(A).
c)
Sea B el evento en el cual se venden 4 o ms en una semana. Determine P(B).
4) El estudio de suscriptores de Wall Street Journal de 1995 revel caractersticas como responsabilidades en los
negocios, actividades de inversin, caractersticas del estilo de vida e ingresos personales. Los datos siguientes
muestran el valor total de las acciones posedas por las 2,536 personas que respondieron.
Cantidad (dlares)
Menor que $15,000
$ 15,000 49,999
$ 50,000 99,999
$100,000 299,999
$300,000 o ms
Suscriptores
347
411
335
619
824
Suponga que se selecciona un suscriptor al azar. Cules son las probabilidades de los siguientes eventos?
a) Sea A el evento en que el valor total de las acciones posedas es al menos de $50,000 dlares, pero
menor de $100,000 dlares. Determine P(A).
b) Sea B el evento en que el valor total de las acciones posedas es menor de $50,000 dlares. Determine
P(B).
17
c)
Estadstica
Sea C el evento en que el valor total de las acciones posedas es $100,000 dlares o ms. Determine
P(C).
ALGUNAS RELACIONES BSICAS DE PROBABILIDAD

Complemento de un evento
Dado un evento A, el complemento de A se define como el evento formado por todos los puntos
muestrales que no estn en A. El complemento de A se representa con Ac. La figura 1 es un diagrama, conocido
como diagrama de Venn, que ilustra el concepto de un complemento. El rea rectangular representa el espacio
muestral del experimento, y como tal contiene todos los puntos muestrales posibles. El crculo representa el evento
A y slo contiene los puntos muestrales que pertenecen a A. La regin sombreada del rectngulo contiene todos los
puntos muestrales que no estn en el evento A y, por definicin, es el complemento de A.
En cualquier aplicacin de probabilidades, debe suceder, ya sea el evento A o su complemento A c. En
consecuencia,
La unin de un evento
y de su complemento es el
espacio muestral total.
P(A) + P(Ac) = 1
Al despejar P(A) obtenemos el siguiente resultado:
Clculo de probabilidad mediante el complemento
P(A) = 1 P(Ac)
Figura 1
(3)
COMPLEMENTO DEL EVENTO A
Espacio
muestral
S
Evento A
Ac
La ecuacin (3) indica que la probabilidad de un evento A se puede calcular con facilidad si se conoce la
probabilidad de su complemento, P(Ac).
Por ejemplo, veamos el caso de un gerente de ventas que, despus de revisar los informes de ventas, dice
que el 80% de los contactos con nuevos clientes no resultan en venta alguna. Si se define a A como el evento de
una venta y Ac el de no venta, lo que el gerente dice es que P(Ac) = 0.80. Al aplicar (3) tenemos:
P(A) = 1 P(Ac) = 1 - 0.80 = 0.20
18
Estadstica
Podemos concluir que la probabilidad de que se haga una venta al entrar en contacto con un nuevo cliente
es 0.20.
En otro ejemplo, un agente de compras dice que hay una probabilidad de 0.90 de que un proveedor mande
un embarque sin partes defectuosas. Recurriendo al complemento, podemos decir que hay una probabilidad de 1 0.90 = 0.10 de que el embarque contenga partes defectuosas.
Ley aditiva
La ley aditiva es til cuando se tienen dos eventos, y se desea conocer la probabilidad de que ocurra al
menos uno de ellos. Esto es, con los eventos A y B nos interesa conocer la probabilidad de que suceda el evento A,
o el evento B, o ambos.
Antes de presentar la ley aditiva, necesitamos analizar dos conceptos relacionados con la combinacin de
eventos: la unin de eventos y la interseccin de stos. Dados dos eventos, A y B, la unin de A y B se define como
sigue.
Unin de dos eventos

La unin de A y B es el evento que contiene todos los puntos muestrales que pertenecen a A o a B, o a
ambos. La unin de A y B se representa con A U B.
El diagrama de Venn de la figura 2 muestra la unin de los eventos A y B. Observe que los dos crculos
contienen todos los puntos muestrales del evento A y los puntos muestrales del evento B. El hecho de que crculos
se traslapen indica que algunos puntos muestrales estn contenidos tanto en A como en B al mismo tiempo.
Figura 2
UNIN DE LOS EVENTOS A Y B
Espacio
Muestral
S
Evento A
Evento B
La definicin de la interseccin de dos eventos A y B es la siguiente.
Interseccin de dos eventos

Dados dos eventos, A y B, la interseccin de A y B es el evento que contiene los puntos muestrales que
pertenecen simultneamente a A y a B, sta se representa como A B.
19
Estadstica
El diagrama de Venn que muestra la interseccin de los dos eventos es el de la figura 3. El rea donde se
traslapan los dos crculos es la interseccin; contiene los puntos muestrales que estn en A y tambin en B.
Figura 3
INTERSECCIN DE LOS EVENTOS A Y B

Espacio
Muestral
S
Evento A
Evento B
Nota: El rea de
traslape representa
a A B.
Continuemos ahora con la descripcin de la ley aditiva. Esta ley proporciona una forma de calcular la
probabilidad de que ocurra el evento A o el B, o de ambos. En otras palabras, la ley se enuncia como sigue.
Ley aditiva
P(A U B) = P(A) + P(B) P(AB)
(4)
Para captar intuitivamente la ley aditiva observe que los primeros trminos en ella, P(A) + P(B), se asocian
con todos los puntos muestrales en A U B. Sin embargo, como los puntos muestrales en la interseccin AB estn
en A y en B al mismo tiempo, al calcular P(A) + P(B) de hecho contamos dos veces a cada uno de los puntos en
AB. Al restar P(AB) corregimos el doble conteo.
Como ejemplo de aplicacin de la ley aditiva, consideremos el caso de una pequea ensambladora con 50
empleados. Se espera que cada trabajador termine a tiempo sus labores de trabajo adems de que el producto
armado pase una inspeccin final. A veces, algunos de los trabajadores no pueden cumplir con los estndares de
desempeo porque terminan su trabajo tarde y/o arman productos defectuosos. Al terminar un periodo de
evaluacin de desempeo, el gerente de produccin vio que 5 de los 50 trabajadores haban terminado tarde su
trabajo, que 6 de los 50 trabajadores haban armado productos defectuosos, y que 2 haban terminado el trabajo
tarde y tambin haban armado productos defectuosos.
Sean
L = el evento de que el trabajo se termina tarde.

D = el evento de que el producto armado es defectuoso.
La informacin anterior sobre frecuencias relativas conduce a las siguientes probabilidades:

P(L) = _5_ = 0.10
50
P(D) = _6_ = 0.12
20
Estadstica
50
P(LD) = _2_= 0.04
50
Despus de revisar los datos, el gerente de produccin opt por asignar una mala calificacin de
desempeo al empleado cuyo trabajo se presentara tarde o fuera defectuoso; en consecuencia, el evento de inters
es L U D. Qu probabilidad hay de que asigne una mala calificacin a un empleado?
Observe que desde el punto de vista probabilstico, la cuestin se relaciona con la unin de dos eventos. En
forma especfica, queremos conocer P(L U D). Aplicamos (4) y obtenemos
P(L U D) = P(L) + P(D) P(LD)
Conocemos los valores de las tres probabilidades del lado derecho de esta ecuacin, y podemos escribir
P(L U D) = 0.10 + 0.12 - 0.04 = 0.18
Esto nos dice que hay probabilidad de 0.18 de que un empleado reciba una mala calificacin de
desempeo.
En otro ejemplo de la ley aditiva veamos un estudio reciente que llev a cabo el gerente de personal de una
gran empresa de programas de cmputo. Encontr que el 30% de los empleados que salieron de la compaa de los
dos ltimos aos lo hicieron principalmente por no estar satisfechos con su salario; el 20% sali por no estar
satisfechos con las actividades en su trabajo y el 12% de todos los anteriores manifestaron no estar satisfechos ni
con su salario ni con sus trabajos. Cul es la probabilidad de que un empleado que haya salido en los dos ltimos
aos lo haya hecho por no estar satisfecho con su sueldo, su trabajo o con ambas cosas?
Sean
S = el evento de que el empleado sale debido al salario.
W = el evento de que el empleado sale por sus actividades en el trabajo.
Entonces P(S) = 0.30, P(W) = 0.20, y P(SW) = 0.12. Aplicando (4), la ley aditiva, vemos que
P(S U W) = P(S) + P(W) P(SW) = 0.30 + 0.20 - 0.12 = 0.38
Resulta que hay 0.38 de probabilidad de que un empleado salga por motivos de sueldo o de actividades en
el trabajo.
Antes de terminar nuestra descripcin de la ley aditiva veamos un caso especial que surge con los eventos
mutuamente excluyentes.
Eventos mutuamente excluyentes

Se dice que dos eventos son mutuamente excluyentes si no tienen puntos muestrales en comn.
Un evento y su complemento son
eventos mutuamente excluyentes
Figura 4
EVENTOS MUTUAMENTE EXCLUYENTES

Espacio muestral S
21
Estadstica
Evento A
Evento B
Esto es, los eventos A y B son mutuamente excluyentes si, cuando ocurre uno, el otro no puede ocurrir.
As, un requisito para que A y B sean mutuamente excluyentes, es que su interseccin no debe contener puntos
muestrales. El diagrama de Venn donde se muestran dos elementos, A y B, mutuamente excluyentes, se presenta en
la figura 4. En este caso, P(AB)=0 y la ley aditiva se puede expresar como sigue.
Ley aditiva para eventos mutuamente excluyentes

P(A U B ) = P(A) + P(B)
EJERCICIOS
1)
Suponga que un espacio muestral tiene cinco resultados experimentales igualmente posibles: E 1, E2, E3, E4, E5.
Sean
A = { E1, E2}
B = { E3, E4}
C = { E2, E3, E5}
a)
Determine P(A), P(B) y P(C).
b)
Determine P(A U B). Son A y B mutuamente excluyentes?
c)
Determine Ac, Cc, P(Ac), y P(Cc).
d)
Determine A U Bc, y P(A U Bc).
e)
Determine P(B U C).
2)
Segn una encuesta de Business Week/Harris, el 14% de los adultos crea muy posible un colapso burstil
durante 1988, y el 43% lo crea poco probable (Business Week, 29 de diciembre de 1997). Si se preguntara a
un adulto al azar, cul es la probabilidad de que responda que no es probable un colapso burstil durante
1988?
3)
Una encuesta de la publicacin News/UCLA realizada con 867 directivos de empresas de entretenimiento en
Hollywood estudi cmo se considera a s misma la industria de entretenimiento en trminos de la cantidad de
violencia en la televisin y de la calidad en general de la programacin de TV (U. S. News & World Report, 9
de mayo de 1994). Los resultados indicaron que 624 directivos pensaron que haba aumentado la cantidad de
programas violentos en los ltimos 10 aos, 390 opinaron que la calidad de la programacin haba disminuido
durante los mismos 10 aos, y 234 ejecutivos respondieron que haba aumentado la cantidad de programas
violentos y tambin que la calidad de la programacin haba disminuido.
a)
Si V es el evento en que la cantidad de programas violentos ha aumentado y Q el evento en que la
calidad de la programacin ha disminuido, calcule las siguientes probabilidades: P(V), P(Q), y P(VQ).
b)
Use las probabilidades del inciso a para determinar la probabilidad que un ejecutivo haya hecho al
menos uno de los dos comentarios siguientes: La cantidad de programas violentos ha aumentado, o la
calidad de la programacin ha disminuido.
c)
Cul es la probabilidad de que un ejecutivo no est de acuerdo con cualquiera de los dos comentarios?
4)
La encuesta entre suscritores de Forbes indic que el 45.8% haban rentado un automvil durante los ltimos
12 meses por motivos de negocios, 54% por motivos personales y 30% por motivos de negocios y personales
a la vez (Forbes, Estudio de suscriptores 1993).
a)
Cul es la probabilidad de que un suscriptor rente un automvil durante los ltimos 12 meses por
motivos de negocios o personales?
b)
Cul es la probabilidad de que un suscriptor no rente un automvil durante los ltimos 12 meses por
motivos de negocios o personales?
5) Durante el invierno en Cincinnati, el Sr. Krebs tiene dificultades para arrancar sus dos automviles. La
probabilidad de que el primero arranque es de 0.80 y la del segundo es 0.40. Hay una probabilidad de 0.30 de
que arranquen.
a)
Defina los eventos que intervienen y emplee notacin de probabilidades para mostrar la informacin
anterior.
22
b)
c)
Estadstica
Cul es la probabilidad de que al menos un automvil arranque?

Cul es la probabilidad de que el Sr. Krebs no pueda arrancar uno de los dos automviles?
PROBABILIDAD CONDICIONAL
Con frecuencia, la probabilidad de un evento se ve influida por la ocurrencia (o no presentacin) de otro
evento relacionado. Supongamos que tenemos un evento A con probabilidad P(A). Si obtenemos nueva
informacin y vemos que ha ocurrido un evento relacionado, representado por B, quisiramos aprovechar esta
informacin para calcular una nueva probabilidad del evento A. Esa nueva probabilidad se representa como
P(A
B). La notacin indica el hecho de que se considera la probabilidad del evento A dada la condicin de que ha
ocurrido el evento B. En consecuencia, la notacin P(A B) se lee la probabilidad de A dado B.
Como ejemplo de la aplicacin de la probabilidad condicional, veamos el caso de la promocin de
oficiales, hombres y mujeres, de una gran polica metropolitana. La fuerza policial esta formada de 1,200 oficiales,
960 hombres y 240 mujeres. En los ltimos dos aos fueron ascendidos 324 oficiales. En la tabla 2 se muestra el
detalle especfico de las promociones de oficiales hombres y mujeres.
Tabla 2
ASCENSOS DE OFICIALES DE POLICA DURANTE LOS

LTIMOS DOS AOS
Ascendidos
No ascendidos
Totales
Hombres
Mujeres
Totales
288
672
960
36
204
240
324
876
1200
Despus de revisar el registro de promociones, un comit de oficiales mujeres interpuso una demanda por
discriminacin, con base en que 288 oficiales hombres haban recibido el ascenso, mientras que solo 36 oficiales
mujeres haban sido promovidas. La administracin dijo que la cantidad relativamente baja de ascensos de oficiales
mujeres no se deba a la discriminacin, sino a la cantidad relativamente reducida de oficiales mujeres en la fuerza
policial. Veamos como se puede usar la probabilidad condicional para analizar la demanda por discriminacin.
Sean
M = evento de que un oficial es hombre

W = evento de que un oficial es mujer
A = evento de que un oficial es ascendido
Ac = evento de que un oficial no es ascendido
Dividiendo los valores de los datos de la tabla 2 entre el total de 1200 oficiales podemos resumir la
informacin disponible en los siguientes valores de probabilidad.
P(MA) = 288/1200= 0.24 = probabilidad de que un oficial seleccionado al azar sea hombre y tambin
que sea ascendido.
P(MAc) = 672/1200= 0.56 = probabilidad de que un oficial seleccionado al azar sea hombre y tambin
que no sea ascendido.
P(WA) = 36/1200= 0.03 = probabilidad de que un oficial seleccionado al azar sea mujer y tambin que
sea ascendido.
23
Estadstica
P(WAc) = 204/1200= 0.17 = probabilidad de que un oficial seleccionado al azar sea mujer y tambin que
no sea ascendido.
Como cada uno de esos valores expresa la probabilidad de la interseccin de dos eventos, las
probabilidades se llaman probabilidades conjuntas. La tabla 3, que muestra un resumen de la informacin sobre los
ascensos en la polica, se llama tabla de probabilidad conjunta, o de probabilidades conjuntas.
Tabla 3
TABLA DE PROBABILIDADES CONJUNTAS DE ASCENSOS
Las probabilidades
conjuntas aparecen en el
interior de la tabla
Hombres (M)
Ascendidos
No ascendidos
Totales
Mujeres (W)
Totales
0.24
0.56
0.03
0.17
0.27
0.73
0.80
0.20
1.00
Las probabilidades
marginales aparecen en los
mrgenes de la tabla
Los valores en los mrgenes de la tabla de probabilidad conjunta muestran por separado las probabilidades
de cada evento. Esto es, P(M) =0.80, P(W) =0.20, P(A) =0.27 y P(A c) =0.73. Esas probabilidades se llaman
probabilidades marginales, por su ubicacin en los mrgenes de la tabla de probabilidad conjunta. Observamos que
las probabilidades marginales se determinan sumando las probabilidades conjuntas de un mismo rengln o columna
de esta tabla. Por ejemplo, la probabilidad marginal de ser ascendido es P(A) = P(MA) + P(WA) =0.24 + 0.03 =
0.27. Vemos, en las probabilidades marginales, que el 80% de la polica son hombres, que el 20% son mujeres, que
el 27% de todos los oficiales recibieron ascenso y que el 73% no lo recibieron.
Comenzaremos el anlisis de las probabilidades condicionales calculando la probabilidad de que un oficial
sea ascendido dado que es hombre. En notacin de probabilidad condicional, lo que tratamos de calcular es P(A
M). Para hacerlo, primero vemos que esta notacin indica simplemente que estamos considerando la probabilidad
del evento A (promocin) dado que se sabe que existe la condicin llamada evento M (el oficial es hombre). As,
P(A M) nos indica que ahora slo nos ocupamos sobre la promocin de los 960 oficiales hombres. Como 288 de
los 960 oficiales hombres fueron ascendidos, la probabilidad de ser promovido, cuando el oficial es hombre, es
288/960 = 0.30. En otras palabras, dado que el oficial es hombre, hubo un 30% de probabilidades de recibir un
ascenso en los dos ltimos aos.
El procedimiento anterior fue fcil de aplicar en nuestro ejemplo, porque los valores de los datos en la
tabla 2 indican la cantidad de oficiales en cada categora. Ahora demostraremos como se pueden calcular las
probabilidades condicionales, como P(A M) directamente a partir de probabilidades de evento y no de datos de
frecuencia como los de la tabla 2.
Hemos demostrado que P(A M) = 288/960 = 0.30. Dividamos ahora el numerador y el denominador de
esta fraccin entre 1,200, la cantidad total de oficiales en el estudio.
P(A M)= 288 = 288/1200 = 0.24 = 0.30
960 960/1200 0.80
24
Estadstica
Vemos ahora que la probabilidad condicional P(A M) se puede calcular como 0.24/0.80. En la tabla 3 de
probabilidad conjunta, observamos en particular que 0.24 es la probabilidad conjunta de A y M; esto es,
P(AM) = 0.24. Tambin observamos que 0.80 es la probabilidad marginal de que un oficial seleccionado al azar
sea hombre; esto es P(M) = 0.80. As, la probabilidad condicional P(A M) se puede calcular como la relacin de la
probabilidad conjunta, P(AM) entre la probabilidad marginal P(M).
P(A M) = P(AM) = 0.24 = 0.30
P(M)
0.80
El hecho de que se puedan calcular las probabilidades condicionales como la relacin de una probabilidad
conjunta entre una probabilidad marginal justifica la siguiente ecuacin general de los clculos de probabilidad
condicional para dos eventos, A y B.
Probabilidad condicional
P(A B) = P(AB)
P(B)
(5)
P(B A) = P(AB)
P(A)
(6)
o sea
El diagrama de Venn de la figura 5 ayuda a obtener una idea intuitiva de la probabilidad condicional. El
crculo de la derecha muestra que ha ocurrido el evento B; la parte del crculo que se traslapa con el evento A
representa al evento (AB). Sabemos que una vez que ha sucedido el evento B, la nica forma en que podamos
observar tambin al evento A es que suceda el evento (AB). As, la relacin P(AB)/P(B) da como resultado la
probabilidad condicional de que observemos al evento A, dado que ya ocurri el evento B.
Figura 5
PROBABILIDAD CONDICIONAL
Evento A B
Evento A
Evento B
Una vez transcurrido el evento B:

Evento B con
probabilidad P(B)
Evento A B con
probabilidad P(A B)
Entonces, P(A B) = P(A B)

P(B)
25
Estadstica
Regresemos ahora a la cuestin de la discriminacin de oficiales mujeres. La probabilidad marginal en el

rengln 1 de la tabla 3 muestra que la probabilidad de ascenso de un oficial es P(A) = 0.27, independientemente de
si es hombre o mujer. Sin embargo, el asunto crtico en esta demanda implica las dos probabilidades condicionales,
P(A M) y P(A W). Esto es, cul es la probabilidad de ascenso dado que el oficial es hombre, y cul es la
probabilidad de ascenso dado que el oficial es mujer? Si esas dos probabilidades son iguales, no tiene fundamento
la demanda por discriminacin, porque son iguales las posibilidades de promocin para oficiales hombres y
mujeres. Sin embargo, s las dos probabilidades condicionales son distintas, s tendr fundamento la afirmacin de
que los oficiales hombres y mujeres reciben trato diferente en las decisiones de ascenso.
Ya determinamos que P(A M) = 0.30. Ahora usaremos los valores de probabilidad de la tabla 3, y la
ecuacin bsica (5) de la probabilidad condicional, para calcular la probabilidad de que un oficial seleccionado al
azar reciba ascenso, dado que el oficial es mujer; esto es,
P(A W). Aplicando la ecuacin (5) obtenemos:
P(A W) = P(AW) = 0.03 = 0.15
P(W)
0.20
A qu conclusiones llega usted? La probabilidad de una promocin, dado que el oficial es hombre es de
0.30, el doble de la probabilidad 0.15 de una promocin, dado que el oficial es mujer. Si bien el empleo de la
probabilidad condicional no demuestra por s mismo que exista discriminacin en este caso, los valores de la
probabilidad s respaldan la demanda presentada por las oficiales mujeres.
Eventos independientes
En el ejemplo anterior, P(A) = 0.27, P(A M) = 0.30 y P(A W) = 0.15. Vemos que la probabilidad de un
ascenso (evento A) se ve afectada o influida por el hecho de que el oficial sea hombre o mujer. En especial, como
P(A M) P(A), diramos que los eventos A y M son dependientes. Esto es, la probabilidad del evento A (ascenso)
se altera o cambia con la ocurrencia (o no ocurrencia) de M (el oficial es hombre). Igualmente, con P(A W)
P(A), diramos que los eventos A y W son dependientes. Si no cambia la probabilidad del evento A por la
ocurrencia del evento M, esto es, P(A M) = P(A), diramos que los eventos A y M son independientes. Esto nos
conduce a la siguiente definicin de la independencia entre dos eventos.
Eventos independientes
Dos eventos, A y B, son independiente si
P(A B) = P(A)
(7)
P(B A) = P(B)
(8)
o si
Los eventos mutuamente

excluyentes
con
probabilidades distintas de
cero
no
pueden
ser
independientes.
De lo contrario, los eventos son dependientes.
Ley multiplicativa
Mientras que la ley aditiva de la probabilidad se usa para determinar la probabilidad de una unin entre dos
eventos, la ley multiplicativa se usa para determinar la probabilidad de una interseccin de dos eventos. La ley
multiplicativa se basa en la definicin de la probabilidad condicional. Al Aplicar las ecuaciones (5) y (6) y despejar
P(AB) obtenemos la ley multiplicativa.
Ley multiplicativa
P(AB) = P(B) P(A B)

(9)
26
Estadstica
o tambin
P(AB) = P(A) P(B A)
(10)
Para ilustrar la aplicacin de la ley multiplicativa, supongamos que en el departamento de circulacin de
un diario se sabe que el 84% de las familias de una determinada colonia tiene una suscripcin para recibir el
peridico de lunes a sbado. Si hacemos que D represente el evento de que una familia tiene tal tipo de suscripcin,
P(D) = 0.84. Se sabe que la probabilidad de que una familia, cuya suscripcin, adems de ser de lunes a sbado,
tambin se suscriba a la edicin dominical (evento S), es de 0.75; esto es, P(S D) = 0.75. Cul es la probabilidad
de que la suscripcin de una familia incluya tanto a la edicin dominical como a la de lunes a sbado? Con la ley
multiplicativa calculamos la P(SD) necesaria como sigue:
P(SD) = P(D) P(S D) = 0.84(0.75) = 0.63
Sabemos ahora que el 63% de las familias tiene suscripcin de las ediciones dominicales y entre semana.
Antes de terminar esta temtica estudiaremos el caso especial de la ley multiplicativa cuando los eventos
implicados en ella son independientes. Recordemos que dos eventos son independientes entre s siempre y cuando
P(A B) = P(A) o P(B A) = P(B). Por consiguiente, aplicando las ecuaciones (9) y (10) para el caso especial de dos
eventos independientes obtenemos la siguiente ley multiplicativa.
Ley multiplicativa para eventos independientes

P(AB) = P(A)P(B)
(11)
Para calcular la probabilidad de la interseccin de dos eventos independientes, tan slo se multiplican las
probabilidades correspondientes. Observe que la ley multiplicativa para eventos independientes representa otro
mtodo para determinar si A y B son independientes. Esto es, si P(AB) = P(A)P(B), entonces A y B son
independientes; si P(AB) P(A)P(B), entonces A y B son dependientes.
Como una aplicacin de la ley multiplicativa para eventos independientes, veamos el caso de un gerente de
una gasolinera que sabe, por su experiencia, que el 80% de los clientes usan tarjeta de crdito al comprar gasolina.
Cul es la probabilidad de que los dos clientes siguientes que compren gasolina usen tarjeta de crdito? Si
hacemos que:
A = el evento en que el primer cliente usa tarjeta de crdito
B = el evento en que el segundo cliente usa tarjeta de crdito
Entonces el evento de inters es AB. Como no contamos con ms informacin, podemos suponer
razonablemente que A y B son eventos independientes. Entonces,
P(AB) = P(A)P(B) = (0.80)(0.80) = 0.64
NOTA: No se debe confundir entre s el concepto de eventos mutuamente
excluyentes con el de eventos independientes. Dos eventos cuyas
probabilidades son distintas de cero no pueden ser de manera simultnea
mutuamente excluyentes e independientes entre s. Si ocurre uno de los
eventos mutuamente excluyentes, la probabilidad de que suceda el otro se
reduce a cero. En consecuencia, son dependientes.
EJERCICIOS
1)
Suponga que hay dos eventos, A y B, con P(A) = 0.50, P(B) = 0.60, y P(A B) = 0.40.
a)
Calcule P(A | B).
b)
Calcule P(B | A).
c)
Son independientes A y B? Por qu s o por qu no?
2)
Suponga que hay dos eventos, A y B, mutuamente excluyentes. Suponga adems que se sabe que P(A) = 0.30
y P(B) = 0.40.
27
a)
b)
c)
d)
3)
Cul es (cunto vale) P(A U B)?

Cul es P(A | B)?
Un estudiante de estadstica dice que en realidad los conceptos de eventos mutuamente excluyentes y
eventos independientes son iguales, y que si los eventos son mutuamente excluyentes, entonces deben
ser independientes. Est usted de acuerdo con esta afirmacin?. Aplique la informacin de las
probabilidades en este problema para justificar su respuesta.
A qu conclusin general llegara usted acerca de los eventos mutuamente excluyentes y los eventos
independientes, en vista de los resultados de este problema?
Un club nocturno tiene los siguientes datos sobre la edad y el estado civil de 140 clientes.
Estado civil
Soltero
Casado
Menor de 30
77
14
Edad
30 o mayor
28
21
a)
b)
c)
d)
e)
f)
4)
Estadstica
Forme una tabla de probabilidad conjunta para estos datos.

Aplique las probabilidades marginales para comentar sobre la edad de los clientes del club.
Emplee las probabilidades marginales para comentar sobre el estado marital de los clientes.
Cul es la probabilidad de encontrar un cliente que sea soltero y menor que 30 aos?
Si un(a) cliente tiene menos de 30 aos cul es la probabilidad de que sea soltero(a)?
El estado civil de los clientes, es independiente de su edad?. Explique por qu, empleando
probabilidades.
Los siguientes datos pertenecen a una muestra de 80 familias de cierta poblacin, stos muestran la
escolaridad de los padres y la de sus hijos.
Hijo
Fue a la
No fue a la
universidad
universidad
Fue a la universidad
18
7
Padre
No fue a la universidad
22
33
a)
b)
c)
d)
e)
Elabore la tabla de probabilidad conjunta.

Use las probabilidades marginales para hacer comparaciones de la escolaridad entre padres e hijos.
Cul es la probabilidad de que el hijo vaya a la universidad, si su padre asisti?
Cul es la probabilidad de que el hijo vaya a la universidad, si su padre no lo hizo?
Es independiente la asistencia del hijo a la universidad del hecho de que el padre fuera o no a la
universidad? Explique la respuesta empleando argumentos probabilsticos.
5)
En el estudio de Suscriptores 1995 de The Wall Street Journal se obtuvo la siguiente tabla acerca de TV va
satlite. Los datos se separan para las cuatro partes del pas en las que se publica una edicin diferente de ese
diario.
Regin geogrfica
Este Medioeste Suroeste
Oeste
La tiene
17
8
7
13
Televisin Probablemente la compre 107
95
30
93
por satlite
Ninguna
488
403
98
275
a)
Forme una tabla de probabilidades conjuntas.
b)
Cul es la probabilidad de que un suscriptor posea TV va satlite?
c)
Cul es la probabilidad de que uno de los suscriptores encuestados sea del suroeste?
d)
Cul es la probabilidad de que un suscriptor del suroeste posea TV va satlite?
e)
En qu regin del pas es mayor la probabilidad de poseer TV va satlite?
f)
En qu regin del pas es mayor la probabilidad de poseer TV va satlite dentro de un ao?
6)
Un agente de compras coloc pedidos urgentes de determinada materia prima con dos proveedores distintos,
A y B. Si ningn pedido llega en cuatro das, debe parar su proceso de produccin hasta que llegue, al menos
28
Estadstica
uno de ellos. La oportunidad de que el proveedor A pueda entregar el material en cuatro das es de 0.55, y de
que el proveedor B pueda entregar en cuatro das es de 0.35.
a)
Cul es la probabilidad de que ambos proveedores surtan su material en cuatro das? Como se trata de
dos proveedores diferentes, se puede suponer que son independientes entre si.
b)
Cul es la probabilidad de que al menos un proveedor entregue el material en cuatro das?
c)
Cul es la probabilidad de que se detenga
d)
0 el proceso de produccin dentro de cuatro das por falta de materia prima (esto es, de que ambos
pedidos se entreguen tarde)?
GLOSARIO
Probabilidad.
Experimento.
Espacio muestral.
Punto muestral.
Diagrama de rbol.
Requisitos bsicos de probabilidad.
Mtodo clsico
Mtodo de la frecuencia relativa.
Mtodo subjetivo.
Evento.
Complemento del evento A.
Diagrama de Venn.
Unin de eventos A y B.
Interseccin de A y B.
Ley aditiva.
Eventos mutuamente excluyentes.
Probabilidad condicional.
Eventos independientes.
Ley multiplicativa.
FORMULAS CLAVE
Regla de conteo para combinaciones
N
n
N!_____
n!(N n)!
Clculo de una probabilidad mediante el complemento

P(A) = 1 P(Ac)
Ley aditiva
P(A U B) =P(A) + P(B) P(AB)
Probabilidad condicional
P(A B) = P(AB)
P(B)
Ley multiplicativa
P(AB) = P(B) P(A B)
29
Estadstica
Ley multiplicativa para eventos independientes

P(AB) = P(A)P(B)
VARIABLES ALEATORIAS
Anteriormente definimos el concepto de un experimento y sus resultados asociados. Una variable aleatoria
es un medio de describir los resultados experimentales con valores numricos. Veamos la definicin de variable
aleatoria.
Variable aleatoria
Una variable aleatoria es una descripcin numrica del resultado de un experimento.
En efecto, una variable aleatoria asocia un valor numrico con cada resultado posible. El valor numrico
de la variable aleatoria depende del resultado del experimento. Se puede clasificar una variable como discreta o
continua, dependiendo de los valores numricos que asume.
VARIABLES ALEATORIAS DISCRETAS

Una variable aleatoria que puede asumir una cantidad finita de valores, o una sucesin infinita de valores
como 0, 1, 2, ..., se llama variable aleatoria discreta. Por ejemplo, imaginemos el experimento en que un contador
presenta un examen de certificacin de contadura pblica. El examen consta de cuatro partes. Podemos definir la
variable aleatoria discreta como x = la cantidad de partes del examen aprobadas. Esa variable discreta puede
asumir la cantidad finita de valores 0, 1, 2, 3 o 4.
Otro ejemplo de variable aleatoria discreta: un experimento de los vehculos que llegan a una caseta de
cobro. La variable aleatoria de inters es x = cantidad de vehculos que llegan en un da. Los valores posibles de x
provienen de la sucesin de enteros 0, 1, 2, etc. Por consiguiente, x es una variable aleatoria discreta que toma uno
de los valores de esta sucesin infinita.
Aunque muchos experimentos tienen resultados que se pueden describir naturalmente con valores
numricos, hay otros que no. Por ejemplo, una pregunta de una encuesta puede pedir a la persona que recuerde el
mensaje de un comercial televisivo reciente. Habran dos resultados experimentales: el individuo no puede
recordar el mensaje y el individuo s puede recordarlo. Podemos seguir describiendo esos resultados
experimentales en forma numrica, si definimos la variable aleatoria discreta x como sigue: sea x = 0 s el
individuo no puede recordar el mensaje, y x = 1 si s lo puede recordar. Los valores numricos para esta variable
aleatoria son arbitrarios (podramos haber usado 5 y 10), pero se pueden aceptar en trminos de la definicin de
variable aleatoria: x es una variable aleatoria porque asigna una descripcin numrica al resultado del experimento.
La tabla A muestra algunos ejemplos adicionales de variables aleatorias discretas. Observe que en cada
ejemplo, la variable aleatoria discreta asume, o toma, una cantidad finita de valores o una sucesin infinita de
valores como 0, 1, 2, ...Variables aleatorias discretas como sas son las que se describen detalladamente en esta
temtica.
Tabla A
EJEMPLOS DE VARIABLES ALEATORIAS DISCRETAS

Valores posibles de
la variable aleatoria
Experimento
Variable aleatoria (x)
Llamar a cinco clientes
Cantidad de clientes que hacen

pedido
0, 1, 2, 3, 4, 5
Cantidad de radios defectuosos
0, 1, 2, ... 49, 50
Cantidad de clientes
0, 1, 2, 3, ...
Sexo del cliente
0 si es hombre; 1 si es
mujer
Inspeccionar un embarque de 50
radios
Funcionamiento
de unRodrguez
restaurante
M.A.C. Ing.
Josu Salvador Snchez
durante un da
Vender un automvil
30
Estadstica
VARIABLES ALEATORIAS CONTINUAS

Si una variable aleatoria puede tomar cualquier valor numrico en un intervalo o conjunto de intervalos se
llama variable aleatoria continua. Los resultados experimentales que se basan en escalas de medicin como el
tiempo, el peso, la distancia y la temperatura se pueden describir mediante variables aleatorias continuas. Por
ejemplo, imaginemos un experimento que consiste en monitorear las llamadas telefnicas que entran a la oficina
de ajustes de una gran aseguradora. Supongamos que la variable aleatoria de inters es x = el tiempo entre
llamadas consecutivas, en minutos. Esta variable aleatoria puede asumir cualquier valor en el intervalo x > 0. En
realidad, hay una cantidad infinita de valores posibles para x, como 1.26 minutos, 2.757 minutos, 4.3333 minutos,
etc. Otro ejemplo: un tramo de 90 kilmetros de la carretera Internacional Mxico-Nogales, en el norte de Nayarit.
Podramos definir, para un servicio de ambulancia de emergencia en Nayarit, la variable aleatoria x = la ubicacin
del siguiente accidente de trnsito en este tramo carretero. En este caso, x sera una variable aleatoria continua, que
asume cualquier valor en el intervalo 0 < x < 90. En la tabla B vemos otros ejemplos de variables aleatorias
continuas. Observe que cada uno describe una variable aleatoria que puede asumir cualquier valor en un intervalo
de valores. Las variables aleatorias continuas, y sus distribuciones de probabilidad, sern el tema de estudio en la
siguiente temtica.
NOTA: Una forma de determinar si una variable aleatoria es
discreta o contina es imaginarse que los valores de esa variable
son puntos en una recta numrica. Se eligen dos puntos que
representan valores de la variable aleatoria. Si todo el segmento
de la recta entre los dos puntos tambin representa valores
posibles de la variable, esa variable aleatoria es continua.
Tabla B
EJEMPLOS DE VARIABLES ALEATORIAS CONTINUAS
Experimento
Funcionamiento de un banco
Tiempo en minutos, entre llegadas

de clientes
Cantidad de onzas
Llenar una lata de bebida

(mx = 12.2 onzas)
Proyecto para construir una nueva
biblioteca
Ensayar un nuevo proceso
qumico
Porcentaje terminado del proyecto

en seis meses
Temperatura cuando se lleva a cabo
la reaccin deseada
(mn 150o F; mx 212 o F)
Valores posibles de
La variable aleatoria
x>0
0 < x < 12.2
0 < x < 100
150 < x < 212
EJEMPLOS
1. El experimento consiste en lanzar una moneda dos veces.
a. Haga una lista de los resultados experimentales.
b. Defina una variable aleatoria que represente la cantidad de soles que pueden presentarse en los dos
lanzamientos.
31
Estadstica
c. Indique qu valor tomara la variable en cada uno de los resultados experimentales.

d. Esta variable aleatoria es discreta, o continua?
2. Un experimento consiste en un trabajador que ensambla un producto, y se registra el tiempo que tarda en
hacer esto.
a. Defina una variable aleatoria que represente el tiempo, en minutos, requerido para ensamblar el
producto.
b. Qu valores puede asumir la variable aleatoria?
c. Esa variable aleatoria es discreta o continua?
3. Las tasas de inters de prstamos hipotecarios fueron publicadas por 12 instituciones crediticias de Florida
(The Tampa Tribune, 25 de febrero de 1995). Suponga que la variable aleatoria de inters es la cantidad de
instituciones crediticias de este grupo que ofrecen una tasa fija a 30 aos, de 8.5% o menos. Qu valores
puede asumir esta variable aleatoria?
4. La tabla adjunta es una lista de experimentos y variable aleatoria asociada. En cada caso, identifique los
valores que puede asumir la variable aleatoria y diga si esa variable es discreta o continua.
Experimento
Hacer un examen con 20 preguntas.

Observar los automviles que llegan a una
caseta durante una hora.
Auditar 50 devoluciones de impuestos.
Observar el trabajo de un empleado.
Cantidad de preguntas bien contestadas

Cantidad de automviles que llegan a la
caseta.
Cantidad de devoluciones con errores.
Cantidad de horas no productivas en una
jornada de ocho horas.
Cantidad de libras
Pesar un embarque de productos.
32
Estadstica
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

La distribucin de probabilidad de una variable aleatoria describe cmo se distribuyen las probabilidades
de los diferentes valores de la variable aleatoria. Para una variable aleatoria discreta x, la distribucin se describe
mediante una funcin de probabilidad, representada por f(x). La funcin de probabilidad define la probabilidad de
cada valor de la variable aleatoria.
Como ejemplo de una variable aleatoria discreta y su distribucin de probabilidad, veamos el caso de las
ventas de automviles por parte de DiCarlo Motors en Saratoga, Nueva York. Durante los ltimos 300 das de
operacin, los datos de ventas muestren que en 54 das no se vendieron automviles, en 117 se vendi 1 automvil,
en 72 se vendieron 2; en 42,3 en 12,4 y en 3 das se vendieron 5 automviles. Supongamos que un experimento
consiste en seleccionar un da hbil de DiCarlo Motors. Definiremos la variable aleatoria de inters como x = la
cantidad de automviles vendidos durante un da. De acuerdo con los datos histricos, sabemos que x es una
variable aleatoria discreta que puede asumir valores 0, 1, 2, 3, 4 o 5. En notacin de la funcin de probabilidad,
f(0) define la probabilidad de 0 automviles vendidos, f(1) la de 1 automvil vendido, y as sucesivamente. Como
los datos histricos muestran que en 54 de 300 das no se vendieron automviles, asignaremos el valor 54/300 =
0.18 a f(0), para indicar que la probabilidad de vender 0 automviles en un da es de 0.18. Igualmente, como se
vendi un automvil en 117 de los 300 das, asignaremos a f(1) el valor 117/300 = 0.39. Continuando en esta
forma para los dems valores de la variable aleatoria, calculamos los valores de f(2), f(3), f(4) y f(5) que aparecen
en la tabla C, la distribucin de probabilidad de la cantidad de automviles vendidos en un da por DiCarlo Motors.
Una ventaja importante de definir una variable aleatoria y su distribucin de probabilidad es que, una vez
conocida esa distribucin, es relativamente fcil determinar la probabilidad de varios eventos que puedan interesar
a quien toma decisiones. Por ejemplo, si consultamos la distribucin de probabilidad para DiCarlo Motors en la
tabla C, veremos que la cantidad ms probable de vehculos que se venden en un da es de 1 con una probabilidad
de f(1) = 0.39. Adems, hay una probabilidad f(3) + f(4) + f(5) = 0.14 + 0.04 + 0.01 = 0.19 de vender 3 o ms
automviles en un da. Esas probabilidades y otras ms que pueda solicitar quien toma las decisiones, dan
informacin que pueden ayudar a comprender el proceso de venta de automviles en DiCarlo Motors.
Al asignar una funcin de probabilidad para cualquier variable discreta, se deben satisfacer las dos
condiciones siguientes.
Tabla C
DISTRIBUCIN DE PROBABILIDAD DE LA CANTIDAD DE

AUTOMVILES VENDIDOS EN DICARLO MOTORS DURANTE UN DA
f(x)
0.18
0.39
0.24
0.14
0.04
0.01
Total
1.00
33
Estadstica
Condiciones requeridas para una funcin de probabilidad discreta
f(x) > 0
f(x) = 1
(1)
(2)
La tabla C muestra que las probabilidades de la variable aleatoria x satisfacen la condicin (1), ya que f(x)
es mayor o igual a 0, para todos los valores de x. Adems, las probabilidades suman 1, de modo que tambin se
satisface la ecuacin (2). Por consiguiente, en el caso de DiCarlo Motors, la funcin de probabilidad indicada es
una funcin de probabilidad discreta vlida.
Tambin podemos presentar grficamente las distribuciones de probabilidad. En la figura 1 se muestran
los valores de la variable aleatoria x en el eje horizontal, y la probabilidad asociada con ellos en el eje vertical.
Adems de las tablas y las grficas, una frmula que expresa f(x) para todo valor de x puede definir la
distribucin de probabilidad para algunas variables aleatorias discretas. El ejemplo ms sencillo de distribucin de
probabilidad discreta expresada con una frmula es la distribucin uniforme de probabilidad discreta, cuya
funcin de probabilidad es la siguiente:
Funcin uniforme de probabilidad discreta
f(x) = 1/n
(3)
en donde
n = cantidad de valores que puede asumir la variable aleatoria.
REPRESENTACIN GRFICA DE LA DISTRIBUCIN DE

PROBABILIDAD DE VENTAS DE AUTOMVILES EN DICARLO
MOTORS
Figura 1
f(x)
Probabilidad
Probabilidad
0.40
0.30
0.20
0.10
0.00
x
0
Cantidad de automviles vendidos en un da
34
Estadstica
Por ejemplo, imaginemos el experimento de tirar un dado y definamos a x, la variable aleatoria, como el
nmero en la cara superior. Hay n = 6 valores posibles de la variable aleatoria, que son x = 1, 2, 3, 4, 5 y 6. Por
consiguiente, la funcin de probabilidad para esta variable aleatoria es:
f(x) = 1/6
x = 1, 2, 3, 4, 5 y 6
Los valores posibles de la variable aleatoria, y de sus probabilidades asociadas, Son los siguientes:
f(x)
1/6
1/6
1/6
1/6
1/6
1/6
Observe que los valores de la variable aleatoria son los igualmente probables.
Otro ejemplo: se tiene la variable aleatoria x con la siguiente distribucin de probabilidad.
f(x)
1/10
2/10
3/10
4/10
Esta distribucin de probabilidades tambin se puede definir con la frmula

f(x) = x
10
para x = 1, 2, 3 o 4
Al evaluar f(x) para determinado valor de la variable aleatoria se conocer la probabilidad asociada. Por
ejemplo, aplicando la funcin anterior de probabilidad, vemos que f(2) = 2/10 da la probabilidad de que la variable
aleatoria asuma el valor de 2.
Las distribuciones discretas de probabilidad que ms se usan se especifican, por lo general mediante
formulas. Hay tres casos importantes, que son los de las distribuciones binomial, de Poisson e hipergeomtrica, y
se describirn ms adelante.
35
Estadstica
EJERCICIOS
1. La distribucin de probabilidades de la variable x aparece en la tabla siguiente.
x
f(x)
20
0.20
25
0.15
30 0.25
35 0.40
Total 1.00
a.
b.
c.
d.
Es correcta esta distribucin de probabilidad? Compruebe que se cumplan las ecuaciones (1) y (2).
Cul es la probabilidad de que x = 30?
Cul es la probabilidad de que x sea menor que o igual a 25?
Cul es la probabilidad de que x sea mayor que 30?
2. Se recabaron los siguientes datos a partir del conteo de la cantidad de salas de operacin en uso en el
Hospital General de Tampa durante 20 das: en 3 das slo se us 1 sala de operaciones, en 5 se usaron 2, en
8 se usaron 3 y en 4 das se usaron las cuatro salas de operaciones del hospital.
a. Emplee el mtodo de la frecuencia relativa para formar una distribucin de probabilidad para la
cantidad de salas de operacin que se usan en un da determinado.
b. Trace una grfica de la distribucin de probabilidad.
c. Demuestra que su distribucin de probabilidad satisface las condiciones requeridas.
3. El director de admisiones de una escuela evalu subjetivamente una distribucin de probabilidades de x, la
cantidad de alumnos de nuevo ingreso, que se muestra en la tabla siguiente.
x
1000
1100
1200
1300
1400
f(x)
0.15
0.20
0.30
0.25
0.10
a. Es vlida esta distribucin de probabilidad?

b. Cul es la probabilidad de que haya 1200 alumnos de nuevo ingreso o menos?
36
Estadstica
VALOR ESPERADO Y VARIANZA

Valor esperado
El valor esperado, o media, de una variable aleatoria es una medida de la localizacin central (o tendencia
central) de esa variable. La ecuacin matemtica del valor esperado de una variable aleatoria discreta x es la
siguiente.
El valor esperado de una variable aleatoria discreta

E(x) = = x f(x)
(4)
Se pueden usar las notaciones E(x) y para representar el valor esperado de una variable aleatoria.Vemos,
en la ecuacin (4), que para calcular el valor esperado de una variable aleatoria discreta debemos multiplicar x,
cada valor de ella, por f(x), su probabilidad correspondiente, y despus sumar todos los productos obtenidos.
Volviendo al ejemplo de las ventas de automviles en DiCarlo Motors que se vio anteriormente, en la tabla D
describimos el clculo del valor esperado de la cantidad de automviles que se venden en un da. La suma de los
elementos de la columna x f(x) muestra que el valor esperado es de 1.50 automviles por da. En consecuencia,
sabemos que, aunque es posible vender 1, 2, 3, 4 o 5 automviles en cualquier da, DiCarlo puede esperar, a la
larga, la venta de un promedio de 1.50 automviles por da. Si suponemos que la operacin durante un mes,
equivale a 30 das podemos usar el valor esperado de 1.50 para anticipar que las ventas mensuales promedio son
30(1.50) = 45 automviles.
Tabla D
CLCULO DEL VALOR ESPERADO DE LA CANTIDAD DE

AUTOMVILES VENDIDOS EN DICARLO MOTORS DURANTE UN DA
x
0
1
2
3
4
5
f(x)
0.18
0.39
0.24
0.14
0.04
0.01
x f(x)
0(.18) = 0.00
1(.39) = 0.39
2(.24) = 0.48
3(.14) = 0.42
4(.04) = 0.16
5(.01) = 0.05
1.50
E(x) = = xf(x)
Varianza
Si bien el valor esperado representa el valor promedio de la variable aleatoria, con frecuencia se necesita
conocer una medida de dispersin o variabilidad. As como usamos la varianza en el captulo 3 para resumir la
dispersin en un conjunto de datos, ahora la usaremos para resumir la variabilidad en los valores de una variable
aleatoria. La ecuacin matemtica de la varianza de una variable aleatoria es la siguiente.
37
Estadstica
Varianza de una variable aleatoria discreta
Var(x) = 2 = (x - )2 f(x)
(5)
Como indica esta ecuacin, una parte esencial de la frmula de la varianza es la desviacin, x - , que
mide lo alejado que se encuentra un valor determinado del valor esperado o media, , de la variable aleatoria. Para
calcular la varianza de una variable aleatoria se elevan al cuadrado las desviaciones y se ponderan con el valor
correspondiente de la funcin de probabilidad. La suma de esas desviaciones elevadas al cuadrado y ponderadas,
para todos los valores de la variable aleatoria, se llama varianza. Se usan las notaciones Var(x) y 2 para
representar la varianza de una variable aleatoria.
El clculo de la varianza para la distribucin de probabilidad de la cantidad de automviles vendidos en
DiCarlo Motors durante un da se resume en la tabla E. Vemos que la varianza es de 1.25. La desviacin estndar,
, se define como la raz cuadrada positiva de la varianza. As, la desviacin estndar de la cantidad de autos
vendidos en un da es
= 1.25 = 1.118
La desviacin estndar se mide con las mismas unidades que la variable aleatoria ( = 1.118 automviles)
y en consecuencia se prefiere en muchas ocasiones para describir la variabilidad de una variable aleatoria. La
varianza 2 se mide con las unidades elevadas al cuadrado, y por ello es ms difcil de interpretar.
NOTA: La varianza es un promedio ponderado de las

desviaciones de una variable aleatoria respecto a su promedio,
elevadas al cuadrado. Los factores de ponderacin son las
probabilidades.
Tabla E
x
0
1
2
3
4
5
CLCULO DE LA VARIANZA DE LA CANTIDAD DE AUTOMOVILES

VENDIDOS EN DICARLO MOTORS DURANTE UN DA
x
0 1.50 = 1.50
1 1.50 = 0.50
2 1.50 = 0.50
3 1.50 = 1.50
4 1.50 = 2.50
5 1.50 = 3.50
(x )2
2.25
0.25
0.25
2.25
6.25
12.25
f (x)
0.18
0.39
0.24
0.14
0.04
0.01
(x )2 f(x)
2.25 (.18) = 0.4050
0.25 (.39) = 0.0975
0.25 (.24) = 0.0600
2.25 (.14) = 0.3150
6.25 (.04) = 0.2500
12.25 (.01) = 0.1225
1.2500
= (x )2 f(x)
38
Estadstica
EJERCICIOS
1. La tabla siguiente es una distribucin de probabilidad para la variable aleatoria x.
x
f(x)
3
0.25
6
0.50
9 0.25
Total 1.00
a. Calcule E(x), el valor esperado de x.

b. Calcule 2, la varianza de x.
c. Calcule , la desviacin estndar de x.
2. La tabla siguiente es una distribucin de probabilidad de la variable aleatoria y.
y
2
4
7 0.40
8
f(y)
0.20
0.30
0.10
Total 1.00
a. Calcule E(y)
b. Calcule Var (y) y .
3. El Statistical Abstract of the United States de 1997 muestra que la cantidad promedio de televisores por
familia es de 2.3. Suponga que la distribucin de probabilidad de la cantidad de televisores por familia es la
que se muestra en la tabla siguiente.
x
0
1
2 0.41
3
4 0.10
5
f(x)
0.01
0.23
0.20
0.05
a. Calcule el valor esperado de la cantidad de televisores por familia, y comprelo con el promedio que
menciona el Statistical Abstract.
b. Cules son la varianza y la desviacin estndar de la cantidad de televisores por familia?
39
Estadstica
DISTRIBUCIN BINOMIAL DE PROBABILIDAD

La distribucin binomial de probabilidades es una distribucin discreta de probabilidad que tiene muchas
aplicaciones. Se relaciona con un experimento de etapas mltiples que llamamos binomial.
UN EXPERIMENTO BINOMIAL
Un experimento binomial tiene cuatro propiedades:
Propiedades de un experimento binomial

1. El experimento consiste en una sucesin de n intentos o ensayos idnticos.
2. En cada intento o ensayo son posibles dos resultados. A uno lo llamaremos xito y al otro fracaso.
3. La probabilidad de un xito, representada por p, no cambia de un intento o ensayo a otro. En
consecuencia, la probabilidad de un fracaso, representada por 1 - p, no cambia de un intento a otro.
4. Los intentos o ensayos son independientes.
Si existen las propiedades 2, 3 y 4, se dice que los intentos se generan mediante un proceso de Bernoulli.
Si, adems existe la propiedad 1, se dice que se tiene un experimento binomial. La figura 1 muestra una sucesin
posible de resultados de un experimento binomial en el que intervienen ocho intentos. En este caso, hay 5 xitos y
3 fracasos.
Figura 1
DIAGRAMA DE UN EXPERIMENTO BINOMIAL CON OCHO INTENTOS
Propiedad 1: El experimento consiste en

n = 8 intentos idnticos
Propiedad 2: Cada intento da como resultado
un xito (s) o un fracaso (f).
Intentos
1 2 3 4 5 6 7 8
Resultados
S F F S S F S S
En un experimento binomial nos interesa la cantidad de xitos que suceden en los n intentos. Si hacemos
que x represente la cantidad de xitos en los n intentos, vemos que x puede asumir los valores 0, 1, 2, 3,..., n.
Como la cantidad de valores es finita, x es una variable aleatoria discreta. La distribucin de probabilidad asociada
con esa variable aleatoria se llama distribucin binomial de probabilidad. Por ejemplo, veamos el experimento de
lanzar una moneda cinco veces y, en cada tirada, observar si la moneda cae con el sol o el guila hacia arriba.
Suponga que nos interese contar la cantidad de soles que aparece en las cinco tiradas. Tiene este experimento las
propiedades de un experimento binomial? Cul es la variable aleatoria de inters? Observe que:
1. El experimento consiste en cinco intentos idnticos, y cada intento implica lanzar una moneda.
2. Son posibles dos resultados para cada intento: un solo sol o un guila. Podemos convenir en que sol es un
xito y guila un fracaso.
3. La probabilidad de un sol y la probabilidad de un guila son iguales para cada intento, siendo p = 0.5 y
1- p = 0.5.
4. Los intentos, o lanzamientos, son independientes, porque el resultado de cualquier intento no se afecta por
lo que suceda en los dems intentos o lanzamientos.
40
Estadstica
Entonces, vemos que satisfacen las propiedades de un experimento binomial. La variable aleatoria de
inters es x = la cantidad de soles en los cinco intentos. En este caso, x puede asumir los valores de 0, 1, 2, 3, 4 o 5.
Como otro ejemplo, supongamos que un vendedor de seguros visita a 10 familias seleccionadas al azar. El
resultado asociado con cada visita se clasifica como un xito si la familia compra una pliza de seguro, y como un
fracaso si no lo hace. De acuerdo con la experiencia, el vendedor sabe que la probabilidad de que una familia
seleccionada al azar compre una pliza de seguro es de 0.10. Al comprobar si se satisfacen las propiedades de un
experimento binomial vemos que:
1. El experimento consiste en 10 intentos idnticos, y cada experimento implica llegar a una familia.
2. En cada intento son posibles dos resultados: la familia compra una pliza (xito) o la familia no la compra
(fracaso).
3. Se supone que las probabilidades de una compra y de una no compra son iguales para cada llamada de
ventas, siendo p = 0.10 y 1 - p = 0.90.
4. Los intentos son independientes, porque las familias se seleccionan aleatoriamente.
En vista de que se cumplieron las cuatro hiptesis, el experimento es binomial. La variable aleatoria de
inters es la cantidad de ventas obtenidas al interactuar con 10 familias. En este caso, x puede asumir los valores 0,
1, 2, 3, 4, 5, 6, 7, 8, 9 y 10.
La propiedad 3 del experimento binomial se llama supuesto de estacionariedad, y a veces se confunde con
la propiedad 4, de independencia de los intentos. Para visualizar esa diferencia, pensemos de nuevo en el caso del
vendedor que llama a las familias para venderles plizas de seguro. Si al avanzar el da, el vendedor se cans y
perdi su entusiasmo, la probabilidad de xito (vender una pliza) podra bajar a 0.05, por ejemplo, a la dcima
llamada. En este caso no se cumplira la propiedad 3 (hay constancia), y no tendramos un experimento binomial.
Esto sera valido aun si se conservara la propiedad 4, esto es, las decisiones de cada familia fueron hechas
independientemente.
En aplicaciones donde intervienen los experimentos binomiales se puede aplicar una frmula matemtica
especial, llamada funcin de probabilidad binomial, para calcular la probabilidad de x xitos en los n intentos. Con
los conceptos de probabilidad que presentamos en los temas anteriores, mostraremos cmo se puede deducir la
frmula en el contexto de un problema ilustrativo.
El problema de Martn Clothing Store

Fijmonos en las decisiones de compra de los siguientes tres clientes que entran a Martn Clothing Store.
Con base en su experiencia, el gerente de la tienda estima que la probabilidad de que cualquier cliente compre es
de 0.30. Cul es la probabilidad de que dos de los siguientes tres clientes hagan una compra?
Recurrimos a un diagrama de rbol (figura 2) y podemos ver que el experimento de observar a los tres
clientes al tomar su decisin de compra tiene ocho resultados distintos posibles. Si S representa el xito (una
compra) y F el fracaso (no compra), nos interesan los resultados experimentales donde intervienen dos xitos en
los tres intentos (decisiones de compra). A continuacin comprobaremos que el experimento que implica la
sucesin de tres decisiones de compra se puede considerar un experimento binomial.
Al comprobar los cuatro requisitos de un experimento binomial, vemos que:
1.
2.
3.
El experimento se puede describir como una sucesin de tres intentos idnticos, uno para cada uno de los
tres clientes que entran a la tienda.
En cada experimento son posibles dos resultados; el cliente hace una compra (xito) o el cliente no lo hace
(fracaso).
La probabilidad de que el cliente haga una compra (0.30) o que no lo haga (0.70) se supone igual para
todos los clientes.
41
4.
Estadstica
La decisin de compra de cada cliente haga es independiente de las decisiones de los dems clientes.
En consecuencia, estn presentes las propiedades de un experimento binomial.
Figura 2
Primer
cliente
DIAGRAMA DE RBOL PARA EL PROBLEMA DE MARTN

CLOTHING STORE
Segundo
cliente
Tercer
cliente
Resultados
Valor de x
(S,S,S)
(S,S,F)
(S,F,S)
(S,F,F)
(F,S,S)
(F,S,F)
(F,F,S)
(F,F,F)
S
F
F
S = Compra
F = No compra
x = Cantidad de clientes que compran
La cantidad de resultados experimentales que dan exactamente x xitos en n intentos se puede calcular con
la siguiente frmula.
Cantidad de resultados experimentales que dan exactamente x xitos en n

intentos
n =
n____
x
x(n x)
en donde
n = n(n 1)(n 2)...(2)(1)
0 = 1
(3)
42
Estadstica
Regresaremos ahora al experimento de Martn Clothing Store donde intervienen las decisiones de compra
de tres clientes. Se puede aplicar la ecuacin (3) para determinar la cantidad de resultados experimentales que
implican dos compras; esto es, la cantidad de maneras de obtener x = 2 xitos en los n = 3 intentos. De acuerdo
con esta misma ecuacin,
n
x
3
2
3____ = (3)(2)(1) = 6 = 3
2(3 2) (2)(1)(1) 2
La ecuacin (3) indica que tres de los resultados producen dos xitos. En la figura 2 vemos que esos tres
xitos se representan por SSF, SFS y FSS.
Al aplicar la ecuacin (3) para determinar cuntos resultados experimentales tienen tres xitos (compras)
en los tres intentos, obtenemos:
n = 3
x
3
3____ = 3_ = (3)(2)(1)_ = 6 = 1
3(3 3)
30 (3)(2)(1)(1) 6
Vemos en la figura 2 que el nico resultado experimental con tres xitos se representa con SSS.
Sabemos que la ecuacin (3) se puede usar para determinar la cantidad de resultados experimentales que
conducen a x xitos. Pero si hay que determinar la probabilidad de x xitos en n intentos, tambin debemos
conocer la probabilidad asociada con cada uno de los resultados experimentales. Como los intentos de un
experimento binomial son independientes, tan slo con multiplicar las probabilidades asociadas con cada resultado
de la prueba podemos determinar la probabilidad de una determinada serie de resultados.
La probabilidad de compras por parte de los dos primeros clientes, y de no compras por el tercer cliente es
p p (1 p)
Con una probabilidad de 0.30 de compra en cualquier intento, la probabilidad de una compra en cada uno
de los dos primeros y de no compra en el tercero es
(0.30)(0.30)(0.70) = (0.30)2(0.70) = 0.063
Las otras dos series de resultados producen dos xitos y un fracaso. Las probabilidades de que las tres
series tengan dos xitos se muestran a continuacin.
Resultados de la prueba
Primer
Segundo
Tercer
cliente
cliente
cliente
Compra
Compra
No compra
Compra
No compra
Compra
No compra
Compra
Compra
Notacin
xitofracaso
Probabilidad del
resultado
experimental
SSF
pp(1 - p) = p2(1 - p)
= (.30)2(.70) = .063
SFS
p(1 - p)p = p2(1 -p)

= (.30)2(.70) = .063
FSS
(1 - p)pp= p2(1 - p)
= (.30)2(.70) = .063
43
Estadstica
Observe que los tres resultados con dos xitos tienen exactamente la misma probabilidad. Esta
observacin tiene validez general. En cualquier experimento binomial, todas las series de resultado que producen x
xitos en n intentos tienen la misma probabilidad de ocurrir. La probabilidad de que cada serie de intentos
produzca x xitos en n intentos es:
Probabilidad de determinada
serie de resultados con x xitos = px (1 p)(n x)
en n intentos
(4)
Para el almacn Martn Clothing Store, esta ecuacin indica que cualquiera de los resultados con dos
xitos tiene la probabilidad p2(1 p)(3 2) = p2(1 p)1 = (0.30)2(0.70)1 = 0.063, como ya se haba demostrado.
Como la ecuacin (3) indica la cantidad de resultados en un experimento binomial que alcanzan x xitos, y
la ecuacin (4) expresa la probabilidad de cada sucesin que tiene x xitos, combinamos las dos ecuaciones para
obtener la siguiente funcin de probabilidad binomial.
Funcin de probabilidad binomial

f(x) =
n
x
px (1 p)
(n - x)
(5)
en donde
f(x) = la probabilidad de x xitos en n intentos
n = la cantidad de intentos
n
x
n!____
= x! (n x)!
p = la probabilidad de un xito en cualquier intento

(1 p) = la probabilidad de un fracaso en cualquier intento
En el ejemplo de Martn Clothing Store calcularemos la probabilidad de que ningn cliente haga una
compra, la de que exactamente un cliente la haga, la de que exactamente dos clientes la hagan, y de que los tres
clientes hagan una compra. Estos clculos se resumen en la tabla 1, que da la distribucin de probabilidad de la
cantidad de clientes que compran. La figura 3 es una grfica de esta distribucin de probabilidad.
La funcin de probabilidad binomial se puede aplicar a cualquier experimento binomial. Si en un caso se
satisfacen las propiedades de un experimento binomial, y si conocemos los valores de n, p y (1 p), podemos
aplicar la ecuacin (5) para calcular la probabilidad de x xitos en n intentos.
Si consideramos variantes del experimento de Martn, como 10 clientes en lugar de 3 que entran al
almacn, la funcin de probabilidad binomial se sigue aplicando de acuerdo con la ecuacin (5). Por ejemplo, la
probabilidad de efectuar exactamente cuatro ventas a 10 clientes potenciales que entran a la tienda es:
10!
f(4) = 4!6! (0.30)4(0.70)6 = 0.2001
Es un experimento binomial con n = 10, x = 4, y p = 0.30.
44
Estadstica
Tabla 1
DISTRIBUCIN DE PROBABILIDAD DE LA CANTIDAD DE

CLIENTES QUE COMPRAN
f(x)
3! (.30)0(.70)3 = .343
0!3!
3! (.30)1(.70)2 = .441
1!2!
3! (.30)2(.70)1 = .189
2!1!
3! (.30)3(.70)0 = .027
3!0!
1.000
0
1
2
3
REPRESENTACIN GRFICA DE LA DISTRIBUCIN DE

PROBABILIDAD EN EL PROBLEMA DE MARTN CLOTHING STORE
Figura 3
f(x)
.50
PROBABILIDAD
.40
.30
.20
.10
.00
x
1
CANTIDAD DE CLIENTES QUE EFETAN UNA COMPRA
Uso de tablas de probabilidades binomiales

Hay tablas que muestran la probabilidad de x xitos en n intentos en un experimento binomial. Por lo
general, esas tablas son ms fciles de utilizar y su aplicacin es ms rpida que la ecuacin (5). En la tabla 2
aparece una parte de las tablas existentes. Para usar esa tabla debemos especificar los valores de n, p y x para el
experimento binomial de inters. En el ejemplo de la parte superior de la tabla 2 vemos que la probabilidad de
x = 3 xitos en un experimento binomial con n = 10 y p = 0.40 es de 0.2150. Puede usted emplear la ecuacin (5)
para comprobar que se obtiene la misma respuesta cuando se usa directamente la funcin de probabilidad
binomial.
VER ANEXO A: VALORES DE LA TABLA DE DISTRIBUCIN BINOMIAL PAG 194
45
Estadstica
A continuacin emplearemos esta tabla para comprobar la probabilidad de cuatro xitos en 10 intentos, en
el problema de Martn Clothing Store. Observe que el valor de f(4) = 0.2001 se puede leer directamente de la tabla
de probabilidades binomiales, con n = 10, x = 4, y p = 0.30.
Con las calculadoras modernas esas tablas son
casi innecesarias. Es fcil evaluar directamente
la ecuacin (5)
Si bien las tablas de probabilidades binomiales son relativamente fciles de usar, es imposible contar con
tablas que muestren todos los valores posibles de n y p que pudieran encontrarse en une experimento binomial. Sin
embargo, contando con las calculadoras actuales y aplicando la ecuacin (5), no es difcil calcular la probabilidad
que se desea, en especial si la cantidad si la cantidad de intentos no es grande. En los ejercicios el estudiante debe
practicar, con la ecuacin (5), el clculo de las probabilidades binomiales, a menos que en el problema se le pida
especficamente usar la tabla de probabilidad binomial. Los paquetes de programas estadsticos, como Minitab y
algunas hojas de clculo, como Excel, tiene la capacidad de calcular propiedades binomiales.
Valor esperado y varianza para la distribucin binomial de probabilidad

En temas anteriores presentamos ecuaciones para calcular el valor esperado y la varianza de una variable
aleatoria discreta. En el caso especial en que la variable aleatoria tiene una distribucin binomial de probabilidad,
con una cantidad conocida n de intentos y una probabilidad conocida p de xito, se pueden simplificar las
ecuaciones generales del valor esperado y la varianza. Los resultados son los siguientes:
Valor esperado y varianza para la distribucin binomial de probabilidad
E(x) = = np
Var(x) = 2 = np(1 p)
(6)
(7)
Para el problema de Martn Clothing Store con tres clientes, podemos aplicar la ecuacin (6) para calcular
la cantidad esperada de clientes que hacen una compra.
E(x) = np = 3(0.30) = 0.9
Supongamos que para el mes prximo, Martn Clothing Store pronostica que 1000 clientes entrarn a su
tienda. Cul es la cantidad esperada de clientes que harn una compra? La respuesta es = np = (1000)(.3) = 300.
As, para aumentar la cantidad esperada de ventas, Martn debe inducir a ms clientes a entrar a su tienda y/o
aumentar la probabilidad, de alguna manera, de que cualquier cliente individual haga una compra despus de
entrar.
Para el problema de Martn Clothing Store con tres clientes, vemos que la varianza y la desviacin
estndar de la cantidad de clientes que hacen una compra son
2 = np(1 p) = 3(0.30)(0.70) = 0.63
= 0.63 = 0.79
46
Estadstica
Para los siguientes 1000 clientes que entren a la tienda, la varianza y la desviacin estndar de la cantidad
de clientes que hacen una compra son:
2 = np(1 p) = 1000(0.30)(0.70) = 210
= 210 = 14.49
NOTAS: Algunas tablas binomiales muestran valores de p slo hasta p = 0.50. Sin
embargo, s se pueden usar, si se observa que la probabilidad de n x fracasos es
tambin la probabilidad de x xitos. Cuando la probabilidad de xito es mayor que p =
0.50, se puede calcular, en su lugar, la probabilidad de n x fracasos. La probabilidad
de un fracaso, 1 p, ser menor que 0.50 cuando p > 0.50.
Algunas fuentes presentan las tablas binomiales en forma acumulada. Al usar esas
tablas se debe hacer una resta para determinar la probabilidad de x xitos en n intentos.
Por ejemplo, f(2) = P(x < 2) P(x < 1). Las tablas en algunos libros se muestran
directamente estas probabilidades. Para calcular las probabilidades acumuladas con
este tipo de tablas, tan slo se suman las probabilidades individuales. Por ejemplo,
para calcular P(x < 2) con las tablas, se suman f(0) + f(1) + f(2).
EJERCICIOS
1. Se tiene un experimento binomial con n = 10 y p = 0.10. Emplee las tablas binomiales para responder del
inciso a al d.
a. Determine f(0).
b. Determine f(2).
c. Determine P(x < 2).
d. Determine P(x > 1).
e. Determine E(x).
f. Var (x) y
2. La mayor cantidad de quejas de propietarios de automviles con dos aos de uso se debe al funcionamiento
del sistema elctrico (Consumer Reports 1995 Buyers Guide). Suponga que un cuestionario anual se manda a
propietarios de ms de 300 modelos y marcas de automvil, y resulta que el 10% de los propietarios de
automviles de dos aos de antigedad han tenido problemas con los componentes del sistema elctrico,
incluyendo el motor de arranque, al alternador, la batera, los interruptores, los instrumentos, el cableado, las
luces y el radio.
a. Cul es la probabilidad de que en una muestra de 12 propietarios de automviles con dos aos de uso
haya exactamente dos con problemas en el sistema elctrico?
b. Cul es la probabilidad de que en una muestra de 12 propietarios haya cuando menos dos con
problemas en el sistema elctrico?
c. Cul es la probabilidad de que en una muestra de 20 propietarios haya cuando menos uno con
problemas en el sistema elctrico?
3. Cuando una mquina nueva funciona bien, slo el 3% de los artculos que produce tienen defectos. Suponga
que se seleccionan al azar dos partes producidas en las mquinas, y que interesa la cantidad de partes
defectuosa encontradas.
a. Describa las condiciones bajo las cuales este caso sera un experimento binomial.
b. Trace un diagrama de rbol como el de la figura 2, que muestre un experimento binomial.
c. Cuntos de los resultados experimentales consisten en encontrar exactamente un defecto?
d. Calcule las probabilidades asociadas con no encontrar defectos, encontrar exactamente un defecto, y dos
defectos.
47
Estadstica
4. El 5% de los camioneros en Estados Unidos son mujeres. Suponga que se seleccionan al azar 10 camioneros
para una encuesta acerca de las condiciones de trabajo.
a. Cul es la probabilidad de que dos de los camioneros sean mujeres?
b. Cul es la probabilidad de que al menos uno sea mujer?
5. En el libro 100% American, de Daniel Evan Weiss se informan ms de 1000 resultados estadsticos acerca de
Estados Unidos y su gente. Uno de los resultados dice que el 64% de las personas viven en el estado en que
nacieron.
a. Cul es la probabilidad de que en una muestra aleatoria de 10 personas haya al menos ocho que vivan
en el estado donde nacieron?
b. Cul es la probabilidad de que en una muestra aleatoria de tres personas haya exactamente una persona
en el estado donde naci?
6. Los sistemas militares de radar y de deteccin de misiles deben advertir a un pas de los ataques del enemigo.
Una interrogante sobre su confiabilidad consiste en determinar si un sistema de deteccin podr identificar un
ataque y emitir una alarma. Suponga que determinado sistema de deteccin tiene un .90 de probabilidad de
detectar un ataque con misiles. Aplique la distribucin binomial de probabilidad para contestar las siguientes
preguntas.
a. Cul es la probabilidad de que un solo sistema de deteccin descubra un ataque?
b. Si se instalan dos sistemas de deteccin en la misma zona y funcionan independientemente, cul es la
probabilidad de que al menos uno de los sistemas advierta sobre un ataque?
c. Si se instalan tres sistemas, cul es la probabilidad de que al menos uno de ellos descubra el ataque?
d. Recomendara usted usar sistemas mltiples de deteccin? Explique su respuesta.
7. Una encuesta de la American Association of Individual Investors encontr que el 23% de sus miembros haba
comprado acciones directamente a travs de una oferta pblica inicial (OPI) (AAII Journal, julio de 1994). En
una muestra de 12 miembros de la AAII.
a. Cul es la probabilidad de que exactamente tres miembros hayan comprado OPI?
b. Cul es la probabilidad de que al menos un miembro haya compra OPI?
c. Cul es la probabilidad de que dos o ms miembros hayan comprado OPI?
8. Una universidad se enter de que el 20% de sus alumnos se dan de baja del curso de introduccin a la
estadstica. Suponga que en este trimestre se inscribieron 20 alumnos a ese curso.
a. Cul es la probabilidad de que dos o menos se den de baja?
b. Cul es la probabilidad de que se den de baja exactamente cuatro?
c. Cul es la probabilidad de que se den de baja ms de tres?
d. Cul es la cantidad esperada de deserciones?
48
Estadstica
DISTRIBUCIN DE PROBABILIDAD DE POISSON

En esta temtica describiremos una variable aleatoria discreta que se usa con frecuencia para estimar la
cantidad de sucesos u ocurrencias en determinado intervalo de tiempo o espacio. Por ejemplo, la variable aleatoria
de inters podra ser la cantidad de llegadas a un autobao en una hora, la cantidad de reparaciones que necesitan
10 kilmetros de carretera, o la cantidad de fugas en 100 kilmetros de oleoducto. Si se satisfacen las dos
propiedades siguientes, la cantidad de ocurrencias es una variable aleatoria que se describe con la funcin de
probabilidad de Poisson.
La distribucin de Poisson se utiliza
frecuentemente para el modelado de tasas de
llegadas en situaciones de espera en fila.
Propiedades de un experimento de Poisson

1. La probabilidad de una ocurrencia es igual en dos intervalos cualesquiera de igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o no ocurrencia en
cualquier otro intervalo.
La funcin de probabilidad de Poisson est definida por la ecuacin (8).
Funcin de Probabilidad de Poisson

f(x) = x e-
x!
(8)
en donde
f(x) = probabilidad de x ocurrencias en un intervalo
= valor esperado o cantidad promedio de ocurrencias en un intervalo
e = 2.71828
Antes de pasar a un ejemplo especfico para ver cmo se aplica la distribucin de Poisson, observemos
que no hay lmite superior para x, la cantidad de ocurrencias. Es una variable aleatoria discreta que puede asumir
una secuencia infinita de valores (x = 0, 1, 2, ...). La variable aleatoria de Poisson no tiene lmite superior.
Ejemplo donde intervienen intervalos de tiempo

Supongamos que nos interesa la cantidad de llegadas a la ventanilla de servicio de automvil de un banco,
durante un periodo de 15 minutos en las maanas, de los das hbiles. Si podemos suponer la probabilidad de que
llegue un automvil durante dos intervalos cualesquiera de igual longitud de tiempo, y que la llegada o no llegada
en cualquier intervalo de tiempo no depende de la llegada o no llegada en cualquier otro periodo, se puede aplicar
la funcin de probabilidad de Poisson. Suponga que se satisfacen esas hiptesis y que un anlisis de datos
histricos muestra que la cantidad promedio de automviles que llega en un periodo de 15 minutos es 10; en ese
caso, se aplica la siguiente funcin de probabilidad:
f(x) = 10x e-10
x!
La variable aleatoria en este caso es x = la cantidad de automviles que llegan en cualquier periodo de 15
minutos.
49
Estadstica
Si la gerencia deseara conocer la probabilidad de que hayan exactamente cinco llegadas en 15 minutos,
igualaramos x = 5 para obtener as:
Probabilidad exacta
= f(5) = 105 e-10 = 0.0378
5 llegadas en 15 minutos
5!
Aunque esta probabilidad se determin evaluando la funcin de probabilidad con = 10 y x = 5, muchas
veces es ms fcil consultar tablas de la distribucin de probabilidades de Poisson. En esas tablas aparecen las
probabilidades por valores especficos de x y . Por lo que una recomendacin es que debers buscar dichas tablas
para consultarlas. Por comodidad, en la tabla 5.9 vemos reproducida una parte de dicha tabla. Observe que para
usarla, slo necesitamos conocer los valores de x y . Vemos en la tabla 5.9 que la probabilidad de 5 llegadas en un
periodo de 15 minutos se determina ubicando el valor en el rengln que corresponde a x = 5 y en la columna que
corresponde a = 10. En consecuencia, obtenemos el valor f(5) = 0.0378.
En nuestro ejemplo se calcula la probabilidad de cinco llegadas en un periodo de 15 minutos, pero se
pueden usar otros intervalos de tiempo. Supongamos que deseamos calcular la probabilidad de una llegada en un
periodo de tres minutos. Como 10 es la cantidad esperada de llegadas en un intervalo de 15 minutos, vemos que
10/15 = 2/3 es la cantidad esperada de llegadas en un periodo de un minuto, y que (2/3)(3 minutos) = 2 es la
cantidad esperada de llegadas en un periodo de tres minutos. Entonces, la probabilidad de x llegadas en un periodo
de tres minutos con = 2 se expresa con la siguiente funcin de probabilidad de Poisson.
f(x) = 2x e-2
x!
Para determinar la probabilidad de que haya una llegada en un periodo de tres minutos, podemos usar la tabla
de la distribucin de probabilidades de Poisson, o bien calcularla directamente.
Probabilidad de exactamente = f(1) = 21 e-2 = 0.2707
1 llegada en 3 minutos
1!
Ejemplo donde intervienen intervalos de longitud o distancia

Presentaremos una aplicacin donde no intervienen intervalos de tiempo, pero sin embargo, la distribucin
de probabilidades de Poisson es til. Supongamos que nos interesa la ocurrencia de defectos grandes en un tramo
de carretera, un mes despus de recubrirla. Supondremos que la probabilidad de un defecto en este tramo de
carretera es igual para dos intervalos cualesquiera, de igual longitud, y que la ocurrencia o no ocurrencia de un
defecto en cualquier intervalo no depende de la ocurrencia o no ocurrencia de uno en cualquier otro intervalo. En
consecuencia, se puede aplicar la distribucin de probabilidades de Poisson.
Supongamos que se ve que los defectos grandes, un mes despus de recubrir la carretera, se presentan con
una frecuencia promedio de dos por milla. Vamos a determinar la probabilidad de que no haya defectos grandes en
determinado tramo de tres millas de la carretera. Como nos interesa un intervalo de tres millas de longitud, = (2
defectos / milla)(3 millas) = 6 representa la cantidad esperada de defectos grandes en el tramo de tres millas de
carretera. Mediante la ecuacin (8) o la tabla de la distribucin de probabilidades de Poisson, determinamos que la
probabilidad de ningn defecto grande es de 0.0025. Es decir, es muy improbable que no haya defectos grandes en
el tramo de tres millas. De hecho, hay una probabilidad de 1 - 0.0025 = 0.9975 de que al menos haya un defecto
grande en ese tramo.
Aproximacin de Poisson a la distribucin binomial de probabilidad

Se puede usar la distribucin de probabilidad de Poisson como aproximacin a la distribucin binomial
cuando p, la probabilidad de xito, es pequea y n, la cantidad de intentos, es grande. Tan slo se iguala = np y
se usan las tablas de Poisson. Como regla general, la aproximacin ser buena siempre y cuando p < 0.05 y n > 20.
50
Estadstica
Por ejemplo, se desea calcular la probabilidad binomial de x = 3 xitos en n = 250 intentos, cuando p =
0.01. Para usar la aproximacin de Poisson, igualamos = np = 250(0.01) = 2.5. Al ver las tablas de distribucin
de Poisson vemos que f(3) = 0.2138. Por consiguiente, diramos que aproximadamente, la probabilidad binomial
de tres xitos es f(3) = 0.2138.
EJERCICIOS
1. Se tiene una distribucin de probabilidad de Poisson con = 3
a. Escriba la funcin correcta de probabilidad de Poisson.
b. Calcule f(2)
c. Calcule f(1)
d. Calcule P (x > 2)
2. Al Departamento de Reservaciones de Aerolneas Regionales llegan en promedio 48 llamadas por hora.
a. Calcule la probabilidad de recibir tres llamadas en un intervalo de cinco minutos.
b. Calcule la probabilidad de recibir exactamente 10 llamadas en 15 minutos.
c. Suponga que actualmente no hay llamadas esperando si el agente tarda cinco minutos en atender una
llamada. Cuntas llamadas cree que estarn esperando cuando cuelgue la bocina? Cul es la
probabilidad de que ninguna este esperando?
d. Si actualmente no hay llamadas pendientes. Cul es la probabilidad de que el agente pueda ausentarse
tres minutos sin interferir con la atencin a las llamadas?
3. El promedio anual de las veces de los suscriptores de Barrons toman vuelos locales por motivos personales es
4 (Barrons 1995 Primary Reader Survey)
a. Cul es la probabilidad de que un suscriptor tome dos vuelos locales en un ao, por motivos
personales?
b. Cul es la cantidad promedio de vuelos locales por motivos personales en un trimestre?
c. Cul es la probabilidad de que un suscriptor tome uno o ms vuelos locales, por motivos personales,
durante un semestre?
4. Durante las horas de trfico intenso los accidentes se presentan en una zona urbana con una frecuencia de dos
por hora. El periodo matutino de trfico intenso dura una hora y 30 minutos, y el vespertino dos horas.
a. En determinado da, cul es la probabilidad de que no haya accidentes durante el periodo matutino de
trfico intenso?
b. Cul es la probabilidad de dos accidentes durante el periodo vespertino de trfico intenso?
c. Cul es la probabilidad de cuatro o ms accidentes durante el periodo matutino de trfico intenso?
5.
Los pasajeros de las aerolneas llegan al azar e independientemente a la seccin de documentacin en un gran
aeropuerto internacional. La frecuencia promedio de llegadas es de 10 pasajeros por minuto.
a. Cul es la probabilidad de no llegadas en un intervalo de un minuto?
b. Cul es la probabilidad de que lleguen tres pasajeros o menos en un intervalo de un minuto?
c. Cul es la probabilidad de no llegadas en un periodo de 15 segundos?
d. Cul es la probabilidad de al menos una llegada en un periodo de 15 segundos?
51
Estadstica
DISTRIBUCIN HIPERGEOMTRICA DE PROBABILIDAD

La distribucin hipergeomtrica de probabilidad se relaciona estrechamente con la distribucin binomial.
La diferencia principal entre las dos estriba en que, con la distribucin hipergeomtrica, los intentos no son
independientes, y en que la probabilidad de xito cambia de un intento a otro.
La notacin que se acostumbra al aplicar la distribucin hipergeomtrica de probabilidad es que r
represente la cantidad de elementos en la poblacin de tamao N, que se identifican como xitos, y que N r
represente la cantidad de elementos en la poblacin que se identifican como fracasos. La distribucin
hipergeomtrica de probabilidad se usa para calcular la probabilidad de que, en una muestra aleatoria de n
artculos, seleccionados sin reemplazo, obtengamos x elementos identificados como xitos y n x identificados
como fracasos. Para que suceda esto debemos obtener x xitos de los r en la poblacin, y n x fracasos de los N
r de la poblacin. La siguiente funcin hipergeomtrica de probabilidad determina f(x), la probabilidad de obtener
x xitos en una muestra de tamao n.
Funcin de probabilidad hipergeomtrica

r
x
f(x) =
N- r
n- x
(9)
para 0 < x < r
N
n
en donde
f(x) = probabilidad de x xitos en n intentos
n = la cantidad de intentos
N = la cantidad de elementos en la poblacin
r = cantidad de elementos identificados como xito en la poblacin .
N
Observe que
n representa la cantidad de formas en las que se puede seleccionar una muestra de tamao n de
una poblacin de tamao N; que
r
representa la cantidad de maneras en las que se pueden seleccionar x
x
xitos de un total de r xitos de la poblacin, y que N - r representa la cantidad de maneras en que se pueden
n- x
seleccionar n - x fracasos de un total de N r fracasos en la poblacin.
Para demostrar los clculos implicados al usar la ecuacin (9), veamos el problema de seleccionar dos
miembros de comit, entre cinco, que asistan a una convencin en Las Vegas. Suponga que el comit de cinco
miembros est formado por tres mujeres y dos hombres. Para determinar la probabilidad de seleccionar dos
mujeres al azar, podemos aplicar la ecuacin (9) con n = 2, N = 5, r = 3, y x = 2.
3
f(2) = 2
2
0
3!
2!1!
5
2
2!
2!0!
5!
2!3!
= 3 = 0.30
10
52
Estadstica
Supongamos que despus nos enteramos de que los que harn el viaje sern tres personas del comit. Si
usamos n = 3, N = 5, r = 3, y x = 2, la probabilidad de que exactamente dos de los tres miembros sean mujeres es
f(2) =
3
2
2
1
3!
= 2!1!
5
2
2!
1!1!
5!
2!3!
= 6 = 0.60
10
Como otro ejemplo, supongamos que una poblacin consiste en 10 artculos, cuatro de los cuales son
defectuosos y los seis restantes son no defectuosos. Cul es la probabilidad de que una muestra aleatoria de
tamao tres contenga dos artculos defectuosos? En este caso podemos imaginar que un xito consiste en obtener
un artculo defectuoso. Aplicando la ecuacin (9) con n = 3, N = 10, r = 4, y x = 2, podemos calcular f(2) como
sigue:
4
f(2) = 2
6
1
10
3
4!
2!2!
10!
3!7!
6!
1!5!
= 36 = 0.30
120
EJERCICIOS
1. Suponga que N = 10 y r = 3. Calcule las probabilidades hipergeomtricas para los siguientes valores de n y x:
a. n = 4, x = 1.
b. n = 2, x = 2.
c. n = 2, x = 0.
d. n = 4, x = 2.
2. Segn la revista Beverage Digest, La Coca clsica y la Pepsi ocuparon el primero y segundo lugares en la
preferencia de las personas (The Wall Street Journal Almanac, 1988). Suponga que en un grupo de 10
personas, seis prefieren Coca clsica y cuatro prefieren Pepsi. Se selecciona una muestra aleatoria de tres
miembros de ese grupo.
a. Cul es la probabilidad de que exactamente dos prefieran Coca clsica?
b. Cul es la probabilidad de que la mayora (dos o tres) prefieran Pepsi?
3. Epsilon fabrica computadoras personales en dos plantas, una en el Oriente y la otra en el Sur de Estados
Unidos. Hay 40 empleados en la planta del Oriente y 20 en la del Sur. A una muestra aleatoria de 10 empleados
se le pedir que llene un cuestionario sobre ventajas laborales.
a. Cul es la probabilidad de que ninguno sea de la planta del Sur?
b. Cul es la probabilidad de que nueve sean de la planta del Oriente?
4. Un embarque de 10 artculos contiene dos unidades defectuosas y ocho no defectuosas. Al revisarlo, se tomar
una muestra y las unidades se inspeccionarn. Si se encuentra una unidad defectuosa, se rechazar todo el
embarque.
a. Si se selecciona una muestra de tres artculos, cul es la probabilidad de rechazar el embarque?
b. Si se selecciona una muestra de cuatro artculos, cul es la probabilidad de rechazar el embarque?
c. Si se selecciona una muestra de cinco artculos, cul es la probabilidad de rechazar el embarque?
d. Si la gerencia estuviera de acuerdo en que hubiera una probabilidad de 0.90 de rechazar un embarque
con dos unidades defectuosas y ocho no defectuosas, de qu tamao se debe seleccionar la muestra?
53
Estadstica
GLOSARIO
Variable aleatoria
Variable aleatoria discreta
Variable aleatoria continua
Distribucin de probabilidad
Funcin de probabilidad
Funcin de distribucin uniforme de probabilidad discreta
Valor esperado
Varianza
Desviacin estndar
Experimento binomial
Distribucin binomial de probabilidad
Distribucin de probabilidad de Poisson
Distribucin hipergeomtrica de probabilidad
Funcin de probabilidad de Poisson
Funcin hipergeomtrica de probabilidad
FORMULAS CLAVE
Funcin de probabilidad uniforme discreta
f (x) = 1/n
donde n = cantidad de valores que puede asumir la variable aleatoria
Valor esperado de una variable aleatoria discreta
E(x) = = xf(x)
Varianza de una variable aleatoria discreta
Var(x) = 2 = (x - )2 f(x)
Cantidad de resultados experimentales con exactamente x xitos en n intentos
n =
n____
x
x(n x)
f(x) =
n
x
p x (1 p)
(n - x)
Valor esperado de la distribucin binomial de probabilidad

E(x) = = np
Varianza de la distribucin binomial de probabilidad
Var(x) = 2 = np(1 p)
Funcin de probabilidad de Poisson
f(x) = x e-
x!
Funcin hipergeomtrica de probabilidad
r
N- r
f(x) =
x
n- x
para 0 < x < r
54
Estadstica
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

LA DISTRIBUCIN UNIFORME DE PROBABILIDAD
Veamos la variable aleatoria x que representa el tiempo de vuelo de un avin que va de Chicago a
Nueva York. Supongamos que el tiempo de vuelo puede ser cualquier valor en el intervalo de 120 a 140 minutos.
Como la variable aleatoria x puede tomar cualquier valor en ese intervalo, x es una variable aleatoria continua y no
discreta. Supongamos que hay suficientes datos reales de tiempo de vuelo para llegar a la conclusin de que la
probabilidad de un tiempo de vuelo dentro de cualquier intervalo de un minuto es igual a la correspondiente dentro
a otro intervalo similar dentro del rango de 120 y 140 minutos. Si cualquier intervalo de un minuto es igualmente
probable, se dice que la variable aleatoria x tiene una distribucin uniforme de probabilidad. La funcin de
densidad de probabilidad, que define a la distribucin uniforme de probabilidad de la variable aleatoria tiempo de
vuelo es:
1/20
cuando 120 < x < 140
en cualquier otro lugar
Siempre que la probabilidad sea

proporcional a la longitud del
intervalo, la variable tiene
distribucin uniforme.
f(x) =
Figura 1
FUNCIN DE DENSIDAD DE PROBABILIDAD UNIFORME PARA EL

TIEMPO DE VUELO
f(x)
1
20
x
120
125
130
135
140
Tiempo de vuelo en minutos

La figura 1 es una grfica de esta funcin de densidad de probabilidad. En general, la funcin de densidad
uniforme de probabilidad de una variable aleatoria x define la siguiente ecuacin.
Funcin de densidad de probabilidad

1__
f(x) =
cuando a < x < b
ba
0
(10)
En el ejemplo del tiempo de vuelo, a = 120 y b = 140.

55
Estadstica
La grfica de la funcin f(x) de densidad de probabilidad proporciona la altura o el valor de la funcin en

cualquier valor determinado de x. Observe que para una funcin de densidad de probabilidad uniforme, la altura de
la funcin es igual para todos los valores de x. Por ejemplo, en el caso del tiempo de vuelo, f(x) = 1/20 para todos
los valores de x entre 120 y 140. En general, la funcin f(x), de densidad de probabilidad, a diferencia de la de una
variable aleatoria discreta, no representa la probabilidad. Ms bien proporciona tan slo la altura de la funcin en
determinado valor de x.
Para una variable aleatoria continua slo se maneja la probabilidad en trminos de la posibilidad de que
una variable aleatoria tenga un valor dentro de un intervalo especificado. En el ejemplo del tiempo de vuelo, una
pregunta vlida, desde el punto de vista de probabilidades, es:cul es la probabilidad de que el tiempo de vuelo
sea entre 120 y 130 minutos? Esto es, cul es P(120< x < 130)? Como el tiempo de vuelo debe estar entre 120 y
140 minutos, y como la probabilidad se describe como uniforme en este intervalo, decimos que P(120< x <130) =
0.50. En la siguiente subseccin demostraremos que esta probabilidad se puede calcular como el rea de la grfica
de f(x) de 120 a 130.
El rea como medida de probabilidad

Hagamos una observacin acerca de la grfica en la figura 2. Veamos el rea bajo la grfica de f(x) en el
intervalo de 120 a 130. La regin es rectangular, y el rea de un rectngulo tan slo es igual al ancho multiplicado
por la altura. Si el ancho del intervalo es igual a 130 120 = 10 y la altura es igual al valor de la funcin de
densidad de probabilidad f(x) = 1/20, entonces rea = ancho x alto = 10(1/20) = 10/20 = 0.50.
EL REA ES LA PROBABILIDAD DE QUE EL TIEMPO DE VUELO EST

ENTRE 120 Y 130 MINUTOS
Figura 2
f(x)
P(120 < x < 130) = rea = 1/20(10) = 10/20 = 0.50
1
20
10
120
125
130
135
140
Tiempo de vuelo en minutos

Qu observacin puede hacer el lector acerca del rea bajo la grfica de f(x) y la probabilidad? Son
idnticas! En realidad esto es vlido para todas las variables aleatorias continuas. Una vez identificada una funcin
f(x) de densidad de probabilidad, la probabilidad de que x tome un valor intermedio entre algn valor inferior x 1 y
otro superior x2 se puede determinar calculando el rea bajo la grfica de f(x) en el intervalo de x1 a x2.
Una vez que sabemos cul es la distribucin adecuada de probabilidad, y que es aceptada la interpretacin
del rea como probabilidad, podemos contestar cualquier interrogante acerca de probabilidades. Por ejemplo, cul
es la probabilidad de que el tiempo de vuelo est entre 128 y 136 minutos? El ancho del intervalo es de 136 128
= 8. Con la altura uniforme de 1/20, vemos que P(128< x <136) = 8(1/20) = 0.40.
56
Estadstica
Observe que P(120< x <140) = 20(1/20) = 1. Esto es, el rea total bajo la grfica de f(x) es igual a 1. Esta
propiedad es vlida para todas las distribuciones continuas de probabilidad, y es el anlogo de la condicin que la
suma de las probabilidades debe ser igual a 1 para una funcin de probabilidad discreta. Para una funcin continua
de densidad de probabilidad tambin se requiere que f(x)>0 para las funciones discretas de probabilidad.
Hay dos diferencias principales entre el manejo de las variables aleatorias continuas y el de sus
contrapartes las variables discretas.
1.
2.
Ya no se habla de la probabilidad de que la variable aleatoria tome

determinado valor. En su lugar se habla de la probabilidad de que la variable aleatoria asuma un valor
dentro de cierto intervalo dado.
La probabilidad de que la variable aleatoria tome un valor dentro de
determinado intervalo dado de x1 a x2 se define como el rea bajo la grfica de la funcin de densidad de
probabilidad entre x1 y x2. Esto implica que la probabilidad de que la variable aleatoria continua asuma
exactamente determinado valor es cero, porque el rea bajo la grfica de f(x) en un solo punto es cero.
El clculo del valor esperado y la varianza para una variable aleatoria continua es anlogo al de una
variable aleatoria discreta. Sin embargo, como el procedimiento de determinacin interviene el clculo integral,
dejaremos la deduccin de las ecuaciones para textos ms avanzados.
Para la distribucin continua uniforme de probabilidades que presentamos en esta temtica, las ecuaciones
para el valor esperado y la varianza son:
Para visualizar que la probabilidad de cualquier punto
nico es 0, vase la figura 2 y calcule la probabilidad
en determinado punto, por ejemplo, x = 125.
P(x = 125) = P(125< x <125) = 0(1/20) = 0.
E(x) = a + b
2
Var(x) = (b a)2
12
Aqu a es el valor mnimo y b el mximo que puede tomar la variable aleatoria.

Al aplicar esas ecuaciones a la distribucin uniforme de probabilidades de los tiempos de vuelo entre
Chicago y Nueva York obtenemos:
E(x) = (120 + 140) = 130
2
Var(x) = (140 120)2 = 33.33
12
La desviacin estndar de los tiempos de vuelo se calcula sacando la raz cuadrada de la varianza. Por
consiguiente, = 5.77 minutos.
NOTAS:
1. Ya que para una variable continua la probabilidad de determinado valor es cero, P(a< x
<b) = P(a< x <b). Esta ecuacin indica que la probabilidad de que una variable aleatoria
asuma un valor en cualquier intervalo es igual, estn incluidos o no los extremos del
intervalo.
2. Para ver con ms claridad por qu la altura de una funcin de densidad de probabilidad no
es una probabilidad, imaginemos una variable aleatoria con la siguiente distribucin
uniforme de probabilidad.
2
cuando 0< x < 0.5
f(x) =
La altura de la funcin de densidad de probabilidad es 2 para valores de x entre 0 y 0.5. Sin
embargo, sabemos que las probabilidades nunca pueden ser mayores que uno.
57
Estadstica
EJERCICIOS
1.
Se sabe que la variable aleatoria x est uniformemente distribuida entre 10 y 20.

a)
Trace la grfica de la funcin de densidad de probabilidad.
b)
Determine P(x < 15).
c) Determine P(12 < x < 18).
d)
Determine E(x).
e)
Determine Var(x).
2.
Delta Airlines cita un tiempo de vuelo de 2 horas 5 minutos de Cincinnati a Tampa. Suponiendo que los
tiempos reales de vuelo se distribuyen uniformemente entre 2 horas y 2 horas 20 minutos.
a)
Trace la grfica de la funcin de densidad de probabilidad de los tiempos de vuelo.
b)
Cul es la probabilidad de que el vuelo no llegue ms de cinco minutos tarde?
c)
Cul es la probabilidad de que el vuelo llegue ms de 10 minutos tarde?
d)
Cul es el tiempo esperado de vuelo?
3.
La mayora de los lenguajes de cmputo tienen una funcin para generar nmeros aleatorios. En Excel, de
Microsoft, se usa la funcin ALEATORIO para generar nmeros aleatorios entre 0 y 1. Si x representa el
nmero aleatorio generado, debe ser una variable continua con la siguiente funcin de densidad de
probabilidad:
1 cuando 0 < x < 1
f(x) =
0 en cualquier otro lugar
a)
b)
c)
d)
4.
Grafique la funcin de densidad de probabilidad.

Cul es la probabilidad de generar un nmero aleatorio entre 0.25 y 0.75?
Cul es la probabilidad de generar un nmero aleatorio con valor menor o igual a 0.30?
Cul es la probabilidad de generar un nmero aleatorio con valor mayor que 0.60?
La etiqueta de una botella de detergente lquido indica que el contenido es de 12 onzas. En las operaciones de
produccin se llenan las botellas uniformemente, de acuerdo con la siguiente funcin de densidad de
probabilidad.
8 cuando 11.975 < x < 12.10
f(x) =
0 en cualquier otro lugar
a)
b)
c)
Cul es la probabilidad de que una botella sea llenada con un peso entre 12 y 12.05 onzas?
Cul es la probabilidad de que la una botella sea llenada con un peso de 12.02 onzas o ms?
El departamento de control de calidad acepta botellas con un peso de llenado con una desviacin hasta
de 0.02 onzas respecto al contenido mencionado en la etiqueta. Cul es la probabilidad de que una
botella de este detergente lquido no pueda cumplir con la norma de control de calidad?
CUESTIONARIO
1.
2.
3.
4.
5.
6.
Cules son las caractersticas de una distribucin normal?

Cmo se comporta la distribucin normal al variar la desviacin estndar?
Cmo determinamos la probabilidad de la variable aleatoria normal?
Cules son las diferencias de las distribuciones uniforme y normal para efectos de calcular probabilidades?
Cmo se considera los valores de y para que una variable aleatoria tenga distribucin normal estndar de
probabilidad?
Qu letra representa la variable aleatoria normal especial o estndar?
58
Estadstica
LA DISTRIBUCIN NORMAL DE PROBABILIDAD

Quiz la distribucin ms importante de probabilidad para describir una variable aleatoria continua sea la
distribucin normal de probabilidad. Se ha usado en una gran variedad de aplicaciones prcticas en las que las
variables aleatorias son altura y peso de personas, coeficientes de inteligencia, mediciones cientficas,
precipitaciones, etc. Para usar esta distribucin de probabilidad se requiere que la variable aleatoria sea continua.
Sin embargo, como veremos ms delante, una variable aleatoria continua y normal se puede usar como
aproximacin en casos en los que intervienen variables aleatorias discretas.
Abraham de
Moivre matemtico
francs, public la doctrina de las
probabilidades en 1733.
Dedujo la distribucin normal de
probabilidad
La curva normal
La forma de la distribucin normal de probabilidad es la curva acampanada de la figura 1. La funcin de
densidad de probabilidad que la define es la siguiente.
Funcin de densidad normal de probabilidad

f(x) =
en donde
Figura 1
1 e -(x - ) / 2
2
(11)
= promedio
= desviacin estndar
= 3.14159
e = 2.71828
CURVA ACAMPANADA DE LA DISTRIBUCIN DE PROBABILIDAD
NORMAL
Desviacin estndar
Promedio
La curva normal tiene dos parmetros:

y
Determinan el lugar y la forma de la
distribucin.
59
Estadstica
Hay ciertas observaciones por hacer acerca de las caractersticas de la distribucin normal de probabilidad.
1.
Hay toda una familia de distribuciones normales de probabilidad. Cada distribucin normal especfica
se distingue por su media y su desviacin estndar .
2.
El punto ms alto de la curva normal es la media, que tambin es la mediana y la moda de la

distribucin.
3.
La media de la distribucin puede ser cualquier valor numrico: negativo, cero o positivo. A
continuacin vemos tres curvas normales con la misma desviacin estndar, pero con tres medias
distintas (-10, 0, y 20).
x
-10
20
4.
La distribucin normal de probabilidad es simtrica, y su forma a la izquierda de la media es una

imagen especular de la forma a la derecha de la media. Las colas, es decir, los extremos o los lados de
la curva se prolongan al infinito en ambas direcciones y, tericamente, nunca tocan al eje horizontal.
5.
La desviacin estndar determina el ancho de la curva. A valores mayores de la desviacin estndar se

tienen curvas ms anchas y bajas, que muestran una mayor dispersin en los datos. A continuacin
vemos dos distribuciones normales con el mismo promedio, pero con distintas desviaciones estndar.
=5
= 10
x
6.
El rea total bajo la curva de la distribucin normal de probabilidad es 1. Esto es vlido para todas las
distribuciones continas de probabilidad.
60
Figura 2
Estadstica
REAS BAJO LA CURVA DE CUALQUIER DISTRIBUCIN DE

PROBABILIDAD NORMAL
99.72%
95.44%
68.26%
x
- 3
- 1
- 2
7.
+ 1
+ 3
+ 2
La probabilidad de la variable aleatoria normal se determinan con las reas bajo la curva. Las
probabilidades de ciertos intervalos que ms se usan son:
a. El 68.26% de las veces, una variable aleatoria normal asume una valor entre ms o menos una
desviacin estndar respecto a su media.
b. El 95.44% de las veces, una variable aleatoria normal toma un valor entre ms o menos dos
desviaciones estndar respecto a su media.
c. El 99.72% de las veces, una variable aleatoria normal asume un valor entre ms o menos tres
desviaciones estndar respecto a su media. En la figura 2 se representan grficamente las
propiedades de los incisos a, b y c.
Estos porcentajes son la base de
la regla emprica.
La distribucin estndar de probabilidad

Se dice que una variable aleatoria que tiene una distribucin normal con media cero y desviacin estndar
uno tiene distribucin normal estndar de probabilidad. Casi siempre se usa la letra z para indicar esta variable
aleatoria normal especial. La figura 3 representa la grfica de este tipo de distribucin. Tiene el mismo aspecto
general que otras distribuciones normales, pero con las propiedades especiales de = 0 y = 1.
Figura 3
6.5
LA DISTRIBUCIN DE PROBABILIDAD NORMAL ESTNDAR
=1
0
z
61
Estadstica
Como con otras variables aleatorias continuas, los clculos de probabilidad con cualquier distribucin
normal se lleva a cabo determinando las reas bajo la grfica de la funcin de densidad de probabilidad. As, para
determinar la probabilidad de que una variable aleatoria normal est dentro de un intervalo especfico, debemos
calcular el rea bajo la curva normal en ese intervalo. Para la distribucin normal estndar de probabilidad se han
determinado las reas bajo la curva normal, y se muestran en tablas que se pueden usar par calcular probabilidades.
Para la distribucin uniforme, la altura de la funcin de
densidad de probabilidad es constante, y por eso es fcil
calcular el rea bajo la curva. En el caso de la funcin de
densidad de probabilidad normal, la altura vara y se
requiere de clculo infinitesimal para calcular las reas que
representan la probabilidad. La tabla 6.1 se elabor
recurriendo al clculo integral.
Para conocer el empleo de la tabla de reas bajo la curva de la distribucin normal estndar (vase la tabla
6.1) en la determinacin de probabilidades, analicemos algunos ejemplos. Despus veremos cmo se puede usar
esa misma tabla para calcular las probabilidades de cualquier distribucin normal. Empezaremos demostrando
cmo se puede calcular la probabilidad de que el valor z, para la variable aleatoria normal estndar, quede entre
0.00 y 1.00, esto es, P(0.00< z <1.00). La parte sombreada de la siguiente grfica muestra esa rea, o probabilidad.
P(0.00 < z < 1.00)
z
0
Los elementos de la tabla 6.1 proporcionan el rea bajo la curva normal estndar entre la media, z = 0, y el
valor positivo correspondiente de z (vase la grfica en la parte superior de la tabla). En este caso nos interesa el
rea entre z = 0 y z = 1.00. Por lo tanto, debemos encontrar el elemento de la tabla que corresponde a z = 1.00.
Para hacerlo, primero localizamos 1.0 en la columna izquierda de la tabla, y despus localizamos a .00 en el
rengln superior. Buscando en el interior de la tabla, vemos que el rengln de 1.0 y la columna de .00 se intersecan
en el valor 0.3413. Hemos determinado la probabilidad que buscbamos: P(.00< z <1.00 ) = 0.3413. A
continuacin vemos una parte de esa tabla, donde se indica el procedimiento.
Z
.
.
.
.9
1.0
1.1
1.2
.
.00
.01
.02
.3159
.3413
.3643
.3849
.3186
.3438
.3665
.3869
.3212
.3461
.3686
.3888
.
.
P (.00 < z < 1.00)
62
Estadstica
Siguiendo el mismo mtodo podemos determinar P(.00< z <1.25). Primero encontramos el rengln de 1.2,
y despus avanzamos por l hasta la columna de .05, y encontramos que P(.00< z <1.25) = .3944.
Como otro ejemplo del empleo de la tabla de reas para la distribucin normal estndar, calcularemos la
probabilidad de obtener un valor z entre z = -1.00 y z = 1.00; esto es, P(-1.00< z <1.00).
Recuerde que ya hemos usado la tabla para demostrar que la probabilidad de un valor de z entre z = .00 y
z = 1.00 es .3413, y tambin que la distribucin normal de probabilidades es simtrica. As, la probabilidad de un
valor de z entre z =.00 y z = -1.00 es la misma probabilidad de un valor de z entre z = -1.00 y z = +1.00 es:
P(-1.00< z <.00) + P(.00< z <1.00) = .3413 + .3413 = .6826
En la siguiente figura vemos grficamente esta rea.
P(-1.00 < z < .00) = .3413
P(.00 < z < 1.00) = .3413
P(-1.00 < z < 1.00) = .6826
z
-3
-2
-1
+1
+2
+3
Del mismo modo podemos usar los valores de la tabla 6.1 para demostrar que la probabilidad de un valor
z entre 2.00 y +2.00 es .4772 +.4772 = .9544 y que la de un valor de z entre 3.00 y +3.00 es .4986 + .4986 = .
9972. Como sabemos que la probabilidad total, o rea total bajo la curva, de cualquier variable aleatoria continua
debe ser 1.0000, la probabilidad .9972 nos dice que el valor de z estar casi siempre entre 3.00 y +3.00.
A continuacin calcularemos la probabilidad de obtener un valor mnimo de z de 1.58; esto es, P(z >1.58).
Comenzamos en el rengln z = 1.5 y la columna .08 de la tabla 6.1, para encontrar que P(.00< z <1.58) = .4429. A
continuacin, como la distribucin normal de probabilidades es simtrica, y el rea total es igual a 1, sabemos que
el 50% del rea debe estar arriba del promedio (es decir, de z = 0) y el 50% abajo del promedio. Como .4429 es el
rea entre el promedio y z = 1.58, el rea de probabilidad corresponde a z > 1.58 debe ser .5000 - .4429 = .0571.
La siguiente figura muestra esta probabilidad.
63
Estadstica
.5000 del rea total

.5000 del rea total
es mayor que z = .00
est debajo de z = .00

.4429 es el rea entre
z = .00 y z = 1.58
P(z > 1.58)

= .5000 - .4429 = .0571
-3
-2
-1
+1
+2
+3
Otro ejemplo: determinemos la probabilidad de que la variable aleatoria z asuma un valor de -.50 o mayor,
esto es, P(z > -.50). Para este clculo observamos que la probabilidad que buscamos se puede escribir en forma de
la suma de dos probabilidades: P(z > - .50) = P(-.50 < z < .00) + P(z > 0.00). Ya vimos antes que P(z > .00) = .50.
Tambin sabemos que, como la distribucin normal es simtrica, P(-.50 < z < .00) = P(.00 < z <.50). Al consultar
la tabla 6.1 vemos que P(.00<z<.50) = .1915. Por consiguiente, P(z>-.50) = .1915 + .5000 = .6915. La siguiente
grfica muestra esta rea.
P(-.50 < z < .00) = .1915

P(z > .00) = .50
El rea total sombreada

es P(z > .50) = .6915
z
-3
-2
-1
+1
+2
+3
Ahora calcularemos la probabilidad de obtener un valor de z entre 1.00 y 1.58; esto es, P(1.00 < z <1.58).
De acuerdo con los ejemplos anteriores, sabemos que hay una probabilidad de .3413 de un valor entre z = 0.00 y z
= 1.00 y que hay una probabilidad de .4429 de un valor entre z = 0.00 y z = 1.58. Por consiguiente, debe haber una
probabilidad de .4429 - .3413 = .1016 de un valor entre z = 1.00 y z = 1.58. Es decir, P(1.00 < z < 1.58) = .1016.
La presentacin grfica aparece en la siguiente figura.
64
Estadstica
El rea entre la media

y z = 1.58 es .4429
El rea entre la media
y z = 1.00 es .3413
El rea entre z = 1.00 y z = 1.58 es
.4429 - .3413 = .1016
-3
-2
-1
+1 +2
+3
VER ANEXO B: REAS O PROBABILIDADES, PARA LA DISTRIBUCIN ESTNDAR

NORMAL PAG 226
Como ejemplo final determinaremos un valor de z tal que la probabilidad de obtener uno mayor slo
sea .10. En la siguiente figura vemos representado este caso.
Probabilidad o rea .10
-3
-2
-1
+1
+2
+3
Cul es el valor de z?
Este problema es el inverso de los ejemplos anteriores. Antes especificbamos el valor de z que nos
interesaba, para despus determinar la probabilidad o rea correspondiente. En este ejemplo el dato es la
probabilidad o rea, y se nos pide determinar el valor correspondiente de z. Para hacerlo usamos la tabla de reas
para la distribucin normal estndar de probabilidad (tabla 6.1), en forma algo distinta.
Recordamos que en el cuerpo de la tabla 6.1 aparece el rea bajo la curva, entre la media y
determinado valor de z. Contamos con la informacin que el rea en la cola derecha (o superior) de la curva es .10.
En consecuencia, debemos determinar cunto del rea est entre la media y el valor de z que nos interesa. Como
sabemos que .5000 del rea est arriba de la media, .5000 - .1000 = .4000 debe ser el rea bajo la curva entre la
media y el valor deseado de z. Al buscar en el cuerpo de la tabla encontramos que .3997 es el valor de probabilidad
que ms se acerca a .4000. A continuacin vemos la seccin de la tabla donde aparece este resultado.
65
Z
.
.
.
1.0
1.1
1.2
1.3
1.4
.
.
Estadstica
.06
.07
.08
.09
.3554
.3770
.3962
.4131
.4279
.3577
.3790
.3980
.4147
.4292
.3599
.3810
.3997
.4162
.4306
.3621
.3830
.4015
.4177
.4319
Valor del rea en la

tabla
ms cercano a .4000
Al leer el valor de z desde la columna de la izquierda y el rengln superior de la tabla, vemos que ese
valor es 1.28. As, habr un rea aproximada de .4000 (en realidad, .3997) entre el promedio y z = 1.28. En
trminos de lo que originalmente se pregunt, hay una probabilidad aproximada de .10 de que el valor de z sea
mayor que 1.28.
Los ejemplos demuestran que se puede usar la tabla de reas de la distribucin normal estndar de
probabilidad, para determinar las probabilidades asociadas con los valores de la variable aleatoria normal estndar
z. Pueden surgir dos tipos de preguntas. El primero especifica uno o ms valores de z y pide determinar las reas o
probabilidades correspondientes por medio de la tabla. El segundo cita un rea o probabilidad y pide determinar el
valor correspondiente de z, mediante la tabla. As, necesitamos ser flexibles al usar la tabla de distribucin normal
estndar de probabilidad para contestar la duda especfica. En la mayora de los casos es til trazar una grfica de
esta distribucin, sombreando el rea o la probabilidad que se trate, para visualizar el caso correspondiente y as
obtener la respuesta correcta.
Determinacin de probabilidades para cualquier distribucin normal

La razn de haber descrito con tanto detalle la distribucin normal estndar es que todas las probabilidades
de todas las distribuciones normales se determinan con la distribucin normal estndar. Esto es, cuando nos
encontramos con una distribucin normal con media y desviacin estndar , resolvemos las siguientes
interrogantes acerca de su distribucin convirtindola primero a una distribucin normal estndar. A continuacin
podemos usar la tabla 6.1 y los valores adecuados de z para determinar las probabilidades deseadas. La frmula
que se usa para pasar de cualquier variable aleatoria normal x, con media y desviacin estndar , a la
distribucin normal estndar es la siguiente.
Conversin a la distribucin normal estndar
z=x-
(12)
Un valor de x igual a su media da como resultado z = ( -)/ = 0. Vemos entonces que un valor de x
igual a su media corresponde a un valor de z en su media 0. Supongamos ahora que x est a una desviacin
estndar arriba de su media; esto es, que, x = + . Al aplicar la ecuacin (12), vemos que el valor
correspondiente de z es z = [( + ) - ]/ = / = 1. Por consiguiente, un valor que est a una desviacin estndar
arriba de su media da como resultado z = 1.En otras palabras, podemos interpretar a z como la cantidad de
desviaciones estndar que la variable aleatoria x se aleja de su promedio .
Para ver cmo esta conversin nos permite calcular las probabilidades de cualquier distribucin normal,
supongamos que cierta distribucin tiene = 10 y = 2. Cul es la probabilidad de que la variable aleatoria x est
entre 10 y 14? Aplicando la ecuacin (12), tenemos que cuando x = 10, z = (x - )/ = (10 10)/2 = 0 y que
cuando x = 14, z = (14 10)/2 = 4/2 = 2. As, la respuesta a nuestra pregunta sobre que la probabilidad de que x
est entre 10 y 14 queda determinada por la probabilidad equivalente de que z est entre 0 y 2 en la distribucin
66
Estadstica
normal estndar. En otras palabras, la probabilidad que buscamos es la de que la variable aleatoria x est entre su
media y dos desviaciones estndar arriba de la media. Si usamos z = 2.00 en la tabla 6.1, vemos que esa
probabilidad es .4772. En consecuencia, la probabilidad de que x est entre 10 y 14 es .4772.
El problema de Grear Tire Company

El siguiente caso es un ejemplo de aplicacin de la distribucin normal de probabilidad. La empresa Grear
Tire Company acaba de desarrollar un neumtico radial con banda de acero que vender a travs de una cadena
nacional de tiendas de descuento. Como ese neumtico es producto nuevo, la direccin de Grear cree que la
garanta de millas recorridas que se ofrece con el neumtico ser un factor importante en la aceptacin. Antes de
formalizar esa poltica, la direccin desea contar con informacin acerca de las millas que duran los neumticos.
En pruebas reales en carretera, el grupo de ingeniera de Grear ha estimado que el promedio de distancia
recorrida es = 36,500 millas, y que la desviacin estndar es = 5000. Adems, los datos reunidos indican que la
adopcin de la distribucin normal es una hiptesis razonable. Qu porcentaje de neumticos se puede esperar
que duren ms de 40,000 millas? En otras palabras, cul es la probabilidad de que las millas recorridas rebasen las
40,000? Esta duda se puede resolver determinando el rea de la regin sombreada en la figura 4.
Cuando x = 40,000, tenemos que
z = x - = 40,000 36,500 = 3500 = .70
5000
5000
Veamos la parte inferior de la figura 4. Un valor de x = 40,000 en la distribucin normal de Grear Tire
corresponde a un valor de z = .70 en la distribucin normal estndar. Al emplear la tabla 6.1 vemos que el rea
entre el promedio y z = .70 es .2580. En la figura 4, adems, vemos que el rea entre x = 36,500 y x = 40,000 en la
distribucin normal de Grear Tire tambin es de .2580. As, .5000 - .2580 = .2420 es la probabilidad de que x sea
mayor que 40,000. Podemos concluir que un 24.2% de los neumticos durarn ms de 40,000 millas.
Figura 4
DISTRIBUCIN DELA DURACIN, EN MILLAS, DE LOS

NEUMTICOS DE GREAR TIRE COMPANY
= 5000
P(x > 40,000) = ?
x
40,000
= 36,500
z
0
Nota: z = 0 corresponde
a x = = 36,500
.70
Nota: z = .70 corresponde
a x = 40,000
67
Estadstica
Ahora supongamos que Grear planea una garanta segn la cual el usuario recibir un descuento en sus
neumticos de repuesto si los neumticos originales no rebasan la distancia en millas especificada en la garanta.
Cules deben ser las millas recorridas para que no haya ms de 10% de los neumticos que aprovechen el
descuento de la garanta? Esta pregunta se interpreta grficamente en la figura 5.
Segn esa misma figura, el 40% del rea debe estar entre la media y las millas recorridas, segn la
garanta, que por el momento se desconocen. Buscamos .4000 en el cuerpo de la tabla 6.1 y vemos que esa rea
est aproximadamente a 1.28 desviaciones estndar abajo de la media. Esto es, z = - 1.28 es el valor de la variable
aleatoria normal que corresponde a la garanta deseada de millas recorridas en la distribucin normal para Grear
Tire. Para calcular x, la distancia recorrida que corresponde a z = -1.28, hacemos lo siguiente:
z = x - = -1.28
x - = -1.28
x = - 1.28
o sea que = 36,500 y = 5000,
x = 36,500 1.28(5000) = 30,100
En consecuencia, una garanta de 30,100 millas cumplir con el requisito de que aproximadamente el 10%
de los neumticos sean elegibles para aprovechar la garanta. Quiz con esta informacin la empresa establezca en
30,000 su garanta de millas recorridas.
Vemos nuevamente el papel importante que desempean las distribuciones de probabilidad para obtener
informacin en la toma de decisiones. Una vez establecida una distribucin de probabilidad para determinada
aplicacin, se puede emplear con rapidez y facilidad para obtener informacin acerca del problema. Las
probabilidades no establecen directamente una recomendacin para la decisin, sino que producen informacin
que ayuda, a quien toma las decisiones, a comprender mejor los riesgos e incertidumbre relacionados con el
problema. En ltimo trmino, esta informacin puede ayudar a que quien toma decisiones se decida por una buena
opcin.
Figura 5
LA GARANTA DE DESCUENTO DE GREAR
= 5000
El 10% de los neumticos califican
para la garanta del descuento
x
Duracin bajo la garanta en millas = ?
= 36,500
68
Estadstica
EJERCICIOS
1.
Con la figura 2 como gua, trace una curva normal para una variable aleatoria x que tiene media = 100 y
desviacin estndar = 10. Indique los valores 70, 80, 90, 100, 110, 120 y 130 en el eje horizontal.
2.
Si z es una variable aleatoria normal estndar, trace su curva normal. Indique los valores -3, -2, -1, 0, 1, 2, y 3
en el eje horizontal. A continuacin use la tabla de probabilidades de la distribucin normal estndar para
determinar las probabilidades siguientes:
a)
P(0 < z < 1)
b)
P(0 < z < 1.5)
c)
P(0 < z < 2)
d)
P(0 < z < 2.5)
3.
Si z es una variable aleatoria normal estndar, determine las probabilidades siguientes:

a)
P(0 < z < .83)
b)
P(-1.57 < z < 0)
c)
P(z > .44)
d)
P(z > -.23)
e)
P(z < 1.20)
f)
P(z < -.71)
4.
Si z es una variable aleatoria normal estndar, determine z en cada caso.

a)
El rea entre 0 y z es .4750.
b)
El rea entre 0 y z es .2291.
c)
El rea a la derecha de z es .1314.
d)
El rea a la izquierda de z es .6700.
5.
El tiempo promedio que emplea un suscriptor de The Wall Street Journal en leer esa publicacin es de 49
minutos (The Wall Street Journal Estudio de Suscriptores, 1996). Suponga que la desviacin estndar es de
16 minutos, y que los tiempos de lectura tienen distribucin normal.
a)
Cul es la probabilidad de que un suscriptor tarde cuando menos 1 hora en leer la publicacin?
b)
Cul es la probabilidad de que un suscriptor no tarde ms de 30 minutos en leerla?
c)
Cul es el intervalo de tiempo de lectura en el que el 10% de los lectores tardan ms leyndola?
6.
Durante los ltimos aos ha crecido el volumen de acciones negociadas en la Bolsa de Nueva York. Durante
las dos primeras semanas de enero de 1998, el volumen diario promedio fue de 646 millones de acciones
(Barrons enero de 1998). La distribucin de probabilidad del volumen diario es aproximadamente normal,
con desviacin estndar de unos 100 millones de acciones.
a)
Cul es la probabilidad de que el volumen negociado sea menor de 400 millones de acciones?
b)
Qu porcentaje de las veces el volumen negociado es mayor de 800 millones de acciones?
c)
Si la Bolsa quiere emitir un boletn de prensa sobre el 5% de los das ms activos, qu volumen activar
la publicacin?
69
Estadstica
7.
Los chferes miembros del Sindicato de Traileros ganan un salario promedio de $17.15 dlares por hora (U.S.
News World Report, 11 de abril de 1994). Suponga que los datos disponibles indican que los sueldos se
distribuyen normalmente con desviacin estndar de $2.25 dlares.
a)
Cul es la probabilidad de que los salarios estn entre $15.00 y $20.00 dlares por hora?
b)
Cul es el salario por hora correspondiente al 15% mejor pagado de los chferes del Sindicato?
c)
Cul es la probabilidad de que los sueldos sean menores de $12.00 dlares por hora?
8.
La edad promedio que tiene una persona al casarse por primera vez es de 26 aos (U.S. News World
Report, 6 de junio de 1994). Suponga que las edades en el primer casamiento tienen una distribucin normal,
con desviacin estndar de 4 aos.
a)
Cul es la probabilidad de que una persona que se casa por primera vez tenga menos de 23 aos de
edad?
b)
Cul es la probabilidad de que una persona que se casa por primera vez tenga entre 20 y 30 aos de
edad?
c)
El 90% de las personas que se casan por primera vez, a que edad lo hacen?
Mensa es una asociacin internacional de personas con alto coeficiente intelectual. Para pertenecer a ella, una
persona debe tener un coeficiente de 132 o ms alto (USA Today, 13 de febrero de 1992). Si las calificaciones
del coeficiente de inteligencia se distribuyen normalmente con promedio 100 y desviacin estndar 15, qu
porcentaje de las personas califica para ser miembro de Mensa?
10 El tiempo necesario para terminar un examen final en determinado curso se distribuye normalmente con 80
minutos de media y 10 minutos de desviacin estndar. Con estos datos conteste lo siguiente:
a. Cul es la probabilidad de terminar el examen en una hora o menos?
b. Cul es la probabilidad de que un alumno termine el examen en ms de 60 minutos, pero en
menos de 75 minutos?
c. Suponga que en el grupo hay 60 alumnos, y que el tiempo del examen es de 90 minutos. Cuntos
alumnos espera que no puedan terminar el examen en el tiempo indicado?
70
Estadstica
APROXIMACIN NORMAL A LA DISTRIBUCIN BINOMIAL

Anteriormente presentamos la distribucin binomial de probabilidad. Recordamos que un experimento
binomial consiste en una sucesin de n intentos independientes idnticos, y que cada intento tiene dos resultados
posibles: un xito o un fracaso. La probabilidad de un xito en un intento es igual para todos los intentos, y se
representa por p. La variable aleatoria binomial es la cantidad de xitos en los n intento, y las cuestiones de
probabilidad se relacionan con la probabilidad de x xitos en los n intentos.
Cuando la cantidad de intentos es grande, es difcil calcular la probabilidad binomial a mano o con una
calculadora. Adems, las tablas binomiales no muestran valores de n mayores de 20. En consecuencia, cuando nos
encontramos con que un problema de la distribucin binomial de probabilidad tiene una gran cantidad de intentos,
podemos hacer uso de una aproximacin a la distribucin binomial. En los casos en los que la cantidad de intentos
es mayor de 20, np > 5, y n (1 p) > 5 la distribucin normal de probabilidad da como resultado una aproximacin
a las probabilidades binomiales, y es fcil de aplicar.
Al usar la aproximacin normal a la binomial, se igualan = np y = np(1 - p) en la definicin de la
curva normal. Veamos un ejemplo de esta aproximacin, suponiendo que una empresa se ha visto que en el 10% de
sus facturas se cometen errores. Se ha tomado una muestra de 100 facturas y se desea calcular la probabilidad de
que 12 de ellas contengan errores. Esto es, determinaremos la probabilidad binomial de 12 xitos en 100 intentos.
Para aplicar la aproximacin normal a la binomial, igualamos = np = (100)(.1) = 10 y =
(100)(.1)(.9) = 3. Una distribucin normal con = 10 y = 3 aparece en la figura 6.
np (1 p) =
No olvidemos que, con una distribucin continua de probabilidades, stas se calculan como reas bajo la
funcin de densidad de probabilidad. Como resultado de lo anterior, la probabilidad de cualquier valor nico de la
variable aleatoria es cero. Para aproximar la probabilidad binomial de 12 xitos debemos calcular el rea bajo la
curva normal correspondiente entre 11.5 y 12.5. El .5 que sumamos y restamos de 12 se llama factor de correccin
por continuidad. Se introduce porque se usa una distribucin continua de probabilidad para aproximar una
distribucin discreta. As, P(x = 12) para la distribucin binomial discreta se aproxima mediante P(11.5 < x < 12.5)
en la distribucin normal continua.
Para una n dada, la aproximacin
normal ser ptima cuando p = .
50.
Figura 6
APROXIMACIN NORMAL A UNA DISTRIBUCIN BINOMIAL DE

PROBABILIDAD CON n = 100 Y p = .10 SE MUESTRA LA
PROBABILIDAD DE 12 ERRORES
=3
rea = .1052
x
11.5
= 10 12.5
Al pasar a la distribucin normal estndar, para calcular P(11.5 < x < 12.5), tenemos que
71
Estadstica
z = x - = 12.5 10.0 = .83
en x = 12.5
z = x - = 11.5 10.0 = .50
en x = 11.5
En la tabla 6.1 encontramos qu el rea bajo la curva (vase la figura 6) entre 10 y 12.5 es de .2967.
Igualmente, el rea bajo la curva entre 10 y 11.5 es de .1915. En consecuencia, el rea bajo la curva entre 11.5 y
12.5 es de .2967 - .1915 = .1052. La aproximacin normal a la probabilidad de 12 xitos en 100 intentos es de .
1052.
En otro caso, supongamos que se desea calcular la probabilidad de 13 errores o menos en la muestra de
100 facturas. En la figura 7 vemos que el rea bajo la curva normal se aproxima a ese valor. Observe que el empleo
del factor de correccin por continuidad produce el valor 13.5, que se usa para calcular la probabilidad deseada. El
valor de z que corresponde a x = 13.5 es
z = 13.5 10.0 = 1.17

3.0
La tabla 6.1 indica que el rea bajo la curva normal estndar, entre 0 y 1.17, es de .3790. El rea bajo la
curva normal que aproxima la probabilidad de 13 errores o menos es la parte no sombreada de la figura 7. La
probabilidad es de .3790 + .5000 = .8790.
Figura 7
APROXIMACIN NORMAL A UNA DISTRIBUCIN BINOMIAL DE

PROBABILIDAD, CON n = 100 Y p = .10 SE MUESTRA LA
PROBABILIDAD DE 13 ERRORES O MENOS
La probabilidad
de 13 errores o menos
es .8790
x
10
13.5
EJERCICIOS
72
Estadstica
1.
Una distribucin binomial de probabilidad p = .20 y n = 100.

a. Cul es la media y la desviacin estndar?
b. Es un caso en el que las probabilidades binomiales se pueden aproximar con la distribucin normal de
probabilidad? Explique por qu.
c. Cul es la probabilidad de tener exactamente 24 xitos?
d. Cul es la probabilidad de tener entre 18 y 22 xitos?
e. Cul es la probabilidad de tener 15 xitos o menos?
2.
Una encuesta de Customer Reports cit a los distribuidores de los automviles Saturn. Infiniti y Lexus como
los tres mejores en lo que respecta a servicio al cliente (Consumer Reports, abril de 1994). Saturn qued en
primer lugar, y slo el 4% de sus clientes mencion alguna inconformidad con la agencia. Conteste las
siguientes preguntas acerca de un grupo de 250 clientes de Saturn.
a. Cul es la probabilidad de que 12 clientes o menos tengan cierta inconformidad con la agencia?
b. Cul es la probabilidad de que 5 o ms clientes estn descontentos con la agencia?
c. Cul es la probabilidad de que 8 clientes estn descontentos con la agencia?
3.
El departamento de Justicia de Estados Unidos present una demanda contra Microsoft Corporacin, en
diciembre de 1997, por ligar su navegador de red Internet Explorer, con su sistema operativo Windows
95, (Fortune, 2 de febrero de 1998). La opinin pblica se dividi acerca de si Microsoft es un monopolio.
En una encuesta de Fortune, el 41% de quienes contestaron concordaron con la afirmacin Microsoft es un
monopolio
a. En una muestra de 800 personas, cuntas espera el lector que coincidan en que Microsoft es un
monopolio?
b. En esa muestra, cul es la probabilidad de que 300 personas o menos coincidan en que Microsoft es
un monopolio?
c. Nuevamente en una muestra de 800 personas, cul es la probabilidad de que ms de 450 personas no
concuerden en que Microsoft es un monopolio?
4.
Un hotel de Baha Tranquila tiene 120 cuartos. En los meses de primavera, la ocupacin aproximada en ese
hotel es de 75%.Aplique la aproximacin normal a la distribucin binomial para contestar lo siguiente.
a. Cul es la probabilidad de que al menos se ocupe la mitad de los cuartos en cierto da?
b. Cul es la probabilidad de que se ocupen 100 o ms cuartos en cierto da?
c. Cul es la probabilidad de que se ocupen 80 cuartos o menos en cierto da?
DISTRIBUCIN EXPONENCIAL DE PROBABILIDAD

73
Estadstica
Una distribucin continua de probabilidad que es til para describir el tiempo que se tarda en realizar una
actividad es la distribucin exponencial de probabilidad. Se puede usar la variable aleatoria exponencial para
describir cosas tales como el tiempo entre llegadas a un autobao, el tiempo necesario para cargar un camin, la
distancia entre los principales defectos en una carretera, etc. A continuacin presentamos la funcin de densidad de
probabilidad exponencial.
Si las llegadas se apegan a una
distribucin de Poisson, el tiempo entre
llegadas debe apegarse a una
distribucin exponencial.
Funcin de densidad de probabilidad exponencial
f(x) = 1 e-x/
para x > 0, > 0
(13)
Como ejemplo de una distribucin exponencial de probabilidad, supongamos que el tiempo que se tarda
en cargar un camin en el muelle de Mercurio sigue esa distribucin. Si la media del tiempo, o tiempo promedio
para cargarlo es de 15 minutos ( = 15), su funcin de densidad de probabilidad es
f(x) = 1 e-x/15
15
La figura 8 es la grfica de esta funcin de densidad.
Figura 8
DISTRIBUCIN EXPONENCIAL DE PROBABILIDAD PARA EL

EJEMPLO DEL MUELLE DE CARGA MERCURIO
f(x)
.07
.05
.03
.01
x
0
15
25
35
45
Tiempo de carga
Determinacin de las probabilidades en la distribucin exponencial

74
Estadstica
Como en cualquier distribucin continua de probabilidad, el rea bajo la curva que corresponde a cierto
intervalo equivale a la probabilidad de que la variable aleatoria asuma un valor en ese intervalo. En el ejemplo del
muelle de Mercurio, la probabilidad de que la carga de un camin dure 6 minutos o menos (x < 6) se define como
el rea bajo la curva de x = 0 a x = 6 en la figura 8. Igualmente, la probabilidad de que la carga de un camin dure
18 minutos o menos (x < 18) es el rea bajo la curva, de x = 0 a x = 18. Tambin observamos que la probabilidad
de que la carga de un camin dure de 6 a 18 minutos (6 < x < 18) se expresa por el rea bajo la curva de x = 6 a
x = 18.
Para calcular probabilidades exponenciales como las que acabamos de describir empleamos la siguiente
ecuacin, que cada como resultado la probabilidad de obtener un valor de la variable aleatoria exponencial igual o
menor que determinado valor especfico de x, representado por x0.
Distribucin exponencial de probabilidad
(14)
P(x < x0) = 1 e x /

Para el ejemplo del muelle de carga de Mercurio, esta ecuacin se puede escribir como sigue:
P(tiempo de carga < x0) = 1 - -xe0/15
En consecuencia, la probabilidad de que la carga de un camin dure seis minutos o menos (x < 6) es
P(tiempo de carga < 6) = 1 e-6/15 = .3297
La figura 9 muestra el rea o la probabilidad de un tiempo de carga de seis minutos o menos. Tambin observe que
la probabilidad de cargar un camin en 18 minutos o menos (x < 18) es
P(tiempo de carga < 18) = 1 e-18/15 = .6988
PROBABILIDAD DE UN TIEMPO DE CARGA DE 6 MINUTOS O MENOS
Figura 9
.07
f(x)
.06
.05
P(x < 6) = .3297

.04
.03
.02
.01
x
0
10
15
20
25
30
35
40
45
Tiempo de carga
As, la probabilidad de que la carga de un camin tarde de seis a 18 minutos es igual a .6988 - .3297 = .
3691. De este modo se pueden calcular las probabilidades para cualquier otro intervalo.
75
Estadstica
Relacin entre las distribuciones de Poisson y exponencial

Anteriormente analizamos la distribucin de Poisson como distribucin discreta de probabilidad, que se
usa con frecuencia para examinar la cantidad de ocurrencias de un evento en un intervalo especfico de tiempo o de
espacio. Recordamos que la funcin de probabilidad de Poisson es
f(x) = xe-
x!
en donde
= valor esperado o cantidad promedio de ocurrencias en un intervalo.
La distribucin exponencial continua de probabilidad se relaciona con la distribucin discreta de Poisson,
porque si sta da una descripcin adecuada de la cantidad de ocurrencias por intervalo, la distribucin exponencial
suministra una descripcin de la longitud del intervalo entre ocurrencias.
Un ejemplo de esta relacin es el siguiente, suponga que la cantidad de automviles que llegan a un
autobao durante una hora se describe con una distribucin de probabilidad de Poisson con una media de 10
vehculos por hora. La funcin de probabilidad de Poisson que expresa la probabilidad de x llegadas por hora es
f(x) = 10xe-10
x!
Como la cantidad promedio de llegadas es de 10 por hora, el tiempo promedio entre los automviles que
llegan es
1 hora = 0.1 hora/ carro
10 carros
As, la distribucin exponencial correspondiente que describe el tiempo entre llegadas tiene promedio =
0.1 hora por automvil; la funcin de densidad de probabilidad exponencial adecuada es
f(x) = 1 e-x/0.1 = 10e-10x
0.1
EJERCICIOS
1.
Se tiene la siguiente funcin de densidad de probabilidad exponencial.

f(x) = 1 e - x/8
para x > 0
8
a. Determine P (x < 6).
b. Determine P(x < 4).
c. Determine P (x > 6).
d. Determine P(4 < x < 6).
2.
Se tiene la siguiente funcin de densidad de probabilidad exponencial.

f(x) = 1 e - x/3
para x > 0
3
a. Deduzca la frmula de P (x < x0).
b. Determine P(x < 2).
c. Determine P (x > 3).
d. Determine P(x < 5).
e. Determine P (2 < x < 5).
3.
El tiempo entre llegadas de vehculos a determinado crucero sigue una distribucin exponencial de
probabilidad, con una media de 12 segundos.
a. Grafique esta distribucin exponencial de probabilidad
b. Cul es la probabilidad de que el tiempo entre las llegadas de dos vehculos sea de 12 segundos o
menos?
76
c.
d.
4.
Estadstica
Cul es la probabilidad de que ese tiempo sea de seis segundos o menos?

Cul es la probabilidad de que haya 30 segundos o ms entre las llegadas de vehculos?
Con frecuencia se supone que los tiempos de espera siguen una distribucin exponencial de probabilidad. Un
estudio de tiempos de espera en restaurantes de comida rpida, efectuado por The Orlando Sentinel en octubre
de 1993 demostr que el tiempo promedio de espera para recibir la comida, despus de hacer el pedido en
Burguer King, McDonals y Wendys era de 60 segundos. Suponga que se aplica a los tiempos de espera una
distribucin exponencial de probabilidad.
a. Cul es la probabilidad de que un cliente espere 30 segundos o menos?
b. Cul es la probabilidad de que un cliente espere 45 segundos o menos?
c. Cul es la probabilidad de que un cliente esper ms de dos minutos?
GLOSARIO
Distribucin uniforme de probabilidad

Funcin de densidad de probabilidad
Distribucin normal de probabilidad
Distribucin normal estndar de probabilidad
Factor de correccin por continuidad
Distribucin exponencial de probabilidad
FORMULAS CLAVE
Funcin de densidad uniforme de probabilidad
f(x) =
1__
ba
0
cuando a < x < b

Funcin de densidad normal de probabilidad

f(x) =
1
e -(x - ) / 2
2
Conversin a la distribucin normal estndar

z=x-
Funcin de densidad exponencial de probabilidad

f(x) = 1 e -x/
para x > 0, > 0
Distribucin exponencial de probabilidades

P(x < x0) = 1 e x /
77
Estadstica
BIBLIOGRAFA RECOMENDADA
Estadstica para Administradores. Richard I. Levin, David S. Rubin.

1996.
Prentice Hall.
Elementos de Estadstica en la Economa y los Negocios. Mc Allister.

1987.
ECASA.
Estadstica. Murria R. Spiegel. 1990. Mc Graw Hill.
Estadstica para Administracin y Economa. William J. Stevenson.

1981. Harla.
Probabilidad y Estadstica para Ingeniera y Administracin. William W.

Hines, Douglas C. Montgomery. 1997. CECSA
78

Antologia Estadistica 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Antologia Estadistica 2

Transféré par

Droits d'auteur :

Formats disponibles

Unidad Acadmica del Norte

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

MUESTREO ALEATORIO SIMPLE

MUESTREO PARA POBLACIONES FINITAS

Unidad Acadmica del Norte

MUESTREO PARA POBLACIONES INFINITAS

OTROS MTODOS DE MUESTREO

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

MUESTREO ALEATORIO ESTRATIFICADO

MUESTREO POR CONGLOMERADOS

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

MUESTREO POR CONVENIENCIA

MUESTREO POR JUICIO

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

Cul es la probabilidad de que el nuevo mtodo de ensamble aumente la productividad?

Qu tan probable es que el proyecto termine a tiempo?

Cules son las probabilidades de que la nueva inversin sea rentable?

Mayor posibilidad de ocurrencia

La ocurrencia del evento

La probabilidad es importante en la toma de decisiones, porque suministra un mecanismo para medir,

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

EXPERIMENTOS, ESPACIO DE UNA MUESTRA

Resultados del Experimento

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

Reglas de conteo para experimentos de etapas mltiples

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

LISTA DE RESULTADOS EXPERIMENTALES (PUNTOS MUESTRALES)

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

Al muestrar una poblacin finita de tamao N, se

As hay 10 resultados en el experimento de seleccionar al azar dos partes de un grupo de cinco. Si

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

ASIGNACIN DE PROBABILIDADES A LOS RESULTADOS

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

MTODO DE LA FRECUENCIA RELATIVA

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Unidad Acadmica del Norte

PROBABILIDADES PARA EL PROBLEMA DE LA COMPAA KP&L

RESULTADOS DE LA TERMINACIN DE 40 PROYECTOS DE KP&L

Cantidad de proyectos anteriores

ASIGNACIONES DE PROBABILIDADES EN EL PROBLEMA KP&L BASADA

Tiempo de terminacin del

M.A.C. Ing. Josu Salvador Snchez Rodrguez

Probabilidad del punto muestral

Unidad Acadmica del Norte

EVENTOS Y SUS PROBABILIDADES

Unidad Acadmica del Norte

C = {(2,6), (2,7), (2,8), (3,6), (3,7), (4,6)}

P(L) = P(2,6) + P(2,7) + P(3,6)

Unidad Acadmica del Norte

identificacin de ellos, as como la determinacin de sus probabilidades asociadas, es demasiado tediosa, si no es

El espacio muestral, S, es un evento. Como contiene todos los resultados experimentales,