DISTRIBUCIÓN DE PROBABILIDAD

 La distribución de probabilidad de una

variable aleatoria es una función que asigna
a cada suceso definido sobre la variable la
probabilidad de que dicho suceso ocurra.
 Una distribución de frecuencia teórica es
una distribución de probabilidad que
describe la forma en que se espera varíen
los resultados.
 Representan expectativas de que algo
suceda, por ello resultan modelos útiles
para hacer inferencias y tomar decisiones
en condiciones de incertidumbre.
 Resultados de lanzar una moneda dos veces
Lanzamiento 1 Lanzamiento 2 # de cruces (T) Probabilidad
T T 2 0,5X0,5=0,25
T H 1 0,5X0,5=0,25
H H 0 0,5X0,5=0,25
H T 1 0,5X0,5=0,25
 Distribución de probabilidad del número
posible de cruces que se obtienen al lanzar
dos veces una moneda no alterada
Número de cruces Lanzamientos Probabilidad de este
resultado, P(T)
0 (H, H) 0,25
1 (T, H)+(H, T) 0,50
2 (T, T) 0,25
 Una distribución de frecuencias es un listado
de las frecuencias observadas de todos los
resultados de un experimento que se
presentaron realmente cuando se efectuó
éste, mientras que una distribución de
probabilidad es un listado de las
probabilidades de todos los posibles
resultados que podrían obtenerse si el
experimento se llevara a cabo.
 Discretas. Se considera sólo un número
limitado de valores. Ej. La tabla anterior.
 Continua. La variable que se está
considerando puede tomar cualquier valor
dentro de un intervalo dado.
 Ejercicios. 5.1, 5.2.
 Trabajo colaborativo: 5.3, 5.5 (Sugerencia.
Hacer el árbol de probabilidades)
 Deber: 5.4.
 Una variable es aleatoria si toma diferentes valores
como resultado de un experimento aleatorio. Una
variable aleatoria es una especie de valor o magnitud
que cambia de una ocurrencia a otra sin seguir una
secuencia predecible. Por ejemplo, en una clínica para
tratamiento del cáncer de mama no se tiene manera
de saber con exactitud cuántas mujeres van a ser
atendidas en un día cualquiera.
 Una variable aleatoria puede ser discreta o continua.
 Los valores de una variable aleatoria son los valores
numéricos correspondientes a cada posible resultado
del experimento aleatorio. Si los registros diarios de
la clínica indican que los valores de la variable
aleatoria van desde 100 hasta 115 mujeres al día,
entonces ésta es una variable aleatoria discreta.
 Probabilidad de que la
# de días que se
Examinadas variable aleatoria tome
observó este nivel
este valor

100 1 0,01
101 2 0,02
102 3 0,03
103 5 0,05
104 6 0,06
105 7 0,07
106 9 0,09
107 10 0,1
108 12 0,12
109 11 0,11
110 9 0,09
111 8 0,08
112 6 0,06
113 5 0,05
114 4 0,04
115 2 0,02
100 1
 Al lanzar una moneda se espera que caigan el
mismo número de caras (H) que de cruces (T).
 Si una máquina lanza la moneda y se obtiene 792
caras y 208 cruces de un total de 1000
lanzamiento se podría sospechar que la moneda
esté alterada, porque no se comportó como se
esperaba.
 El valor esperado es una idea fundamental en el
estudio de las distribuciones de probabilidad.
Durante muchos años, el concepto ha sido
puesto en práctica con bastante regularidad por
las compañías aseguradoras y, en los últimos 20
años, también ha sido utilizado ampliamente por
muchas de las personas que deben tomar
decisiones en condiciones de incertidumbre.
 Para obtener el valor esperado de una
variable aleatoria discreta, multiplicamos
cada valor que la variable puede tomar por la
probabilidad de ocurrencia de ese valor y
luego sumamos los productos.
Valores posibles
Probabilidad de que la variable
de la variable (1)*(2)
aleatoria tome este valor (2)
aleatoria (1)

100 0,01 1,00

101 0,02 2,02
102 0,03 3,06
103 0,05 5,15
104 0,06 6,24
105 0,07 7,35
106 0,09 9,54
107 0,1 10,70
108 0,12 12,96
109 0,11 11,99
110 0,09 9,90
111 0,08 8,88
112 0,06 6,72
113 0,05 5,65
114 0,04 4,56
115 0,02 2,30
Valor esperado 108,02
Resultado (x) Frecuencia (f) Probabilidad P(x) (x)xP(x)

102 10 0,08 8,16

105 20 0,16 16,8
108 45 0,36 38,88
111 15 0,12 13,32
114 20 0,16 18,24
117 15 0,12 14,04
125 1 109,44
VALOR ESPERADO
 Rendimiento (x) Probabilidad P(x) (x).(P(x))

0,00 0,20 0
10,00 0,25 2,5
15,00 0,30 4,5
25,00 0,15 3,75
50,00 0,10 5
1 15,75
SÍ COMPRA VALOR ESPERADO

TAREA: 5.10, 5.12, 5.14.

 Tipos de pérdida:
 1) Pérdidas por obsolescencia, ocasionadas por tener
en existencia demasiada fruta en un día y tener que
tirarla al siguiente
 2) pérdidas de oportunidad, ocasionadas por no tener
en existencia el producto al momento en que un
cliente lo solicita.
 Tabla de pérdidas condicionales. Cuando se tiene el
número de producto que se solicita no hay pérdida y
se coloca cero. Las cifras que se encuentren por
encima de un cero cualquiera representan las
pérdidas sufridas al tener que tirar la fruta. Los
valores que se encuentran debajo de los ceros en
negrita representan las pérdidas de oportunidad
derivadas de pedidos que no se pueden cumplir
 Tarea: Ejercicio 5.3.
 5.3
 Se utiliza para distribución de probabilidad de
variables aleatorias discretas: Lanzamiento de
moneda no alterada un número fijo de veces,
el éxito o fracaso de las solicitudes de
empleo entrevistados para un prueba de
aptitud, pueden ser descritos como un
proceso de Bernoulli.
Consideremos las condiciones que cumple el
experimento de lanzar una moneda no alterada.
 Cada intento tiene dos resultados posibles (cara,
cruz; sí, no; éxito, fracaso)
 La probabilidad del resultado de cada intento
permanece fijo con respecto al tiempo. La
probabilidad de obtener un resultado será 0,5,
independientemente del número de veces que se
lance la moneda.
 Los intentos son estadísticamente independiente,
el resultado de uno, no afecta el resultado de
cualquier otro lanzamiento.
 𝑃𝑟𝑜𝑏𝑎𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟 é𝑥𝑖𝑡𝑜𝑠 𝑒𝑛 𝑛 𝑖𝑛𝑡𝑒𝑛𝑡𝑜𝑠
𝑛!
P(r) = 𝑝𝑟 𝑞𝑛−𝑟
𝑟! 𝑛−𝑟 !
 p=probabilidad característica (de tener éxito)
 q=1-p=probabilidad de fracaso
 r=número de éxitos deseados
 n=Número de intentos hechos
 Probabilidad característica es la probabilidad
de éxito obtenida en un experimento a lo
largo del tiempo.
 1. Cuando p es pequeña (0.l), la distribución
binomial está sesgada hacia la derecha.
 2. Conforme p aumenta (a 0.3, por ejemplo), el
sesgo es menos notable.
 3. Cuando p 0.5, la distribución binomial es
simétrica.
 4. Cuando p es mayor que 0.5, la distribución
está sesgada hacia la izquierda.
 5. Las probabilidades para 0.3, por ejemplo, son
las mismas para 0.7, excepto que los valores de
p y q están invertidos. Esto se aplica a cualquier
pareja de valores p y q complementarios (0.3 y
0.7; 0.4 y 0.6; 0.2 y 0.8).
 Ejemplo: ¿Cuál es la probabilidad de que ocho de
los 15 votantes demócratas empadronados no
puedan votar en las elecciones, si la probabilidad
de que un individuo no pueda votar es de 0,30, y
si las decisiones personales son independientes?
 n=15; p=0,30; r=8
 Como n=15 se busca la tabla para n = 15; luego
se busca la columna cuyo encabezado diga 0,30,
se desliza hacia abajo hasta encontrar r=8.
(0,0348)
 Si la pregunta fuese que 8 o más, se tendría que
sumar hasta el fondo lo que sería 0,0501
 Ejercicios en clase: 5-4, 5-5, 5-6.
 Tarea: 5-18, 5-20, 5-22.
 Media de la distribución binomial
◦ 𝜇 = 𝑛𝑝
◦ n número de ensayos
◦ p probabilidad de éxito

 Desviación estándar de una distribución

binomial
◦ 𝜎 = 𝑛𝑝𝑞
◦ n número de ensayos
◦ p probabilidad de éxito
◦ q probabilidad de fracaso 1 - p
 Potencia negativas de E Tabla 4(a) Pág. 920
 La distribución de Poisson se utiliza para
describir ciertos tipos de procesos, entre los
que se encuentran la distribución de llamadas
telefónicas que llegan a un conmutador, las
solicitudes de pacientes que requieren
servicio en una institución de salud, las
llegadas de camiones y automóviles a una
caseta de cobro, y el número de accidentes
registrados en cierta intersección.
El número de vehículos que pasas por una sola caja de una caseta en una
hora pico sirve para ilustrar las características de problemas que se pueden
abordar con esta distribución.
1. El promedio (la media) del número de vehículos que llegan por hora pico
puede estimarse a partir de datos sobre tráfico que se tengan disponibles.
2. Si dividimos la hora pico en periodos (intervalos) de un segundo cada
uno, encontraremos que las siguientes afirmaciones son verdaderas:
a) La probabilidad de que exactamente un vehículo llegue a una caja por
segundo es muy pequeña y es constante para cada intervalo de un segundo.
b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un
segundo es tan pequeña que le podemos asignar un valor de cero.
c) El número de vehículos que llegan en un intervalo dado de un segundo es
independiente del momento en que dicho intervalo se presente en la hora
pico.
d) El número de llegadas en cualquier intervalo de un segundo no depende
del número de llegadas en cualquier otro intervalo de un segundo.
 x  e  
Px  
x!
  el número medio de presentación por
intervalo de tiempo.
 X ocurrencias
 P(X) Probabilidad de tener exactamente x
ocurrencias
 x! Factorial de x
 e = 2,71828
 Para utilizar la tabla 4b del apéndice todo lo
que necesitamos saber son los valores de x y
(lambda), en este ejemplo, 4 y 5,
respectivamente. Después busque en la tabla.
Primero encuentre la columna cuyo
encabezado es 5; luego recórrala hacia abajo
hasta que esté a la altura del 4. se tiene la
respuesta directamente.
 Taller: 5.27, 5.29, 5.30, 5.33
 x  e  
Px  
x!
 La distribución de Poisson es una buena
aproximación de la distribución binomial cuando
n es igual o mayor que 20 y p es igual o menor a
0.05. Se sustituye la media de la distribución
binomial (np) por la media de la distribución de
Poisson. La fórmula queda así:
𝑛𝑝 𝑥 ×𝑒 −𝑛𝑝
 𝑃 𝑥 =
𝑥!
 x  e  
Px  
x!
 La distribución de Poisson es una buena
aproximación de la distribución binomial cuando
n es igual o mayor que 20 y p es igual o menor a
0.05. Se sustituye la media de la distribución
binomial (np) por la media de la distribución de
Poisson. La fórmula queda así:
𝑛𝑝 𝑥 ×𝑒 −𝑛𝑝
 𝑃 𝑥 =
𝑥!
 1. Aproximadamente el 68% de todos los valores
de una población normalmente distribuida se
encuentra dentro de ± 1 desviación estándar de
la media.
 2. Aproximadamente el 95.5% de todos los
valores de una población normalmente
distribuida se encuentra dentro de ± 2
desviaciones estándar de la media.
 3. Aproximadamente el 99.7% de todos los
valores de una población normalmente
distribuida se encuentra dentro de ± 3
desviaciones estándar de la media.
DISTRIBUCIÓN DE FRECUENCIA
1. Decida el número de clases
a) Usar de 6 a 15 clases iguales
b) Determinar el rango y el ancho de
intervalo.
(𝑉𝑀 + 1) − 𝑣𝑚
𝐴𝑛𝑐ℎ𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 =
# 𝑑𝑒 𝑖𝑛𝑡.

2. Clasifique los datos puntuales.

3. Ilustre los datos en un diagrama.
 Resolver los ejercicios 2-3, 2-4, 2-20
 Tarea: Resolver 2-17,
 Tarea: Ejercicios 2-25, 2-30.
1. En el eje horizontal se colocan los valores de la
variable. Para calcular la marca de clase se aplica
𝐿𝑖+𝐿𝑠
la fórmula: 𝑥𝑚 =
2
2. En el eje vertical se colocan las frecuencias.
3. Histogramas
4. Polígonos de frecuencia: Se añaden dos clases,
una a ambos lados para cerrar el polígono.
Ventajas:
a) Más sencillo que el histograma
b) Bosqueja con más claridad el patrón de los datos
c) Se vuelve cada vez más suave y parecido a una curva
conforme aumenta el número de clases y de observaciones.
5. Ejercicios: 2-5, 2-6
6. Tarea: 2-34, 2-37. (Pág. 29)
PROBABILIDAD: CONCEPTOS BÁSICOS
 La teoría de probabilidad fue
utilizada en las mesas de juego,
luego a problemas sociales y
económicos. Actualmente para
investigaciones sociales y para
toma de decisiones.
 No se puede predecir el futuro
con total certidumbre, entonces
se recurre a la probabilidad
1. El dueño de una fábrica de computadoras afirma que su
tasa de defectos es menor al 0.3 %. El centro de
investigación sobre la calidad toma una muestra de 360
computadoras y encuentra que 2 de ellas están
defectuosas. ¿Qué podemos decir acerca de la afirmación
del dueño?
2. Las compañías aseguradoras usan la teoría de
probabilidad sus primas, pero las que manejan seguros
de vida tienen la certeza de que cada asegurado va a
morir. ¿Esto significa que la teoría de probabilidad no se
aplica a los seguros de vida? Explique su respuesta.
3. ¿Existe en realidad algo como «el riesgo no calculado»?
Explique su respuesta.
4. «El uso de este producto puede ser peligroso para su
salud. Este producto contiene sacarina, que ha
demostrado producir cáncer en animales de laboratorio.»
¿De qué manera pudo haber desempeñado un papel la
teoría de probabilidad en la afirmación anterior?
 La Prob. Puede expresarse como fracción, decimal o
porcentaje.
 Evento. Uno o más de los posibles resultados de
hacer algo.
 Experimento. La actividad que origina los eventos.
 Espacio muestral. El conjunto de todos los resultados
posibles de un experimento. {cara, cruz}
 Eventos mutuamente excluyentes. Si uno y sólo uno
puede tener lugar a un tiempo. La pregunta clave es:
¿Pueden ocurrir dos o más de tales eventos al mismo
tiempo? Ej. Lanzar una moneda se obtiene cara o cruz
no los dos al mismo tiempo.
 Lista colectivamente exhaustiva. Cuando incluye
todos los resultados posibles de un experimento.
 Proporciones la lista colectivamente
exhaustiva de los resultados posibles de
lanzar dos dados.
 Dé la probabilidad de cada uno de los
siguientes totales al lanzar los dados: 1, 2, 5,
6, 7, 10 y 11.
 Eventos mutuamente excluyentes al lanzar
dos dados:
◦ Un total de 5 puntos y un 5 en un dado
◦ Un total de siete puntos y un número par de puntos
en ambos dados
1) El planteamiento Clásico
2) El planteamiento de frecuencia relativa.
3) El planteamiento subjetivo.

Probabilidad clásica:
N
4)
P𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑒 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑒𝑛 𝑙𝑜𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜
=
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
 P(A)=Prob. De que el evento «A» suceda
 Prob. Marginal o incondicional. (P. Sencilla)
cuando sólo un evento puede ocurrir.
◦ Ej. Una rifa, 50 boletos, qué P. tiene de ganar una
persona.
P(A)=1/50=0,02
 Regla de adición para eventos mutuamente
excluyentes.
P( A  B)  P( A)  P( B)
◦ ¿Qué P. tienen de ganar A o B, dos personas
diferentes?
P( A  B)  1 / 50  1 / 50  1 / 25  0,04
 Caso especial. Del evento A, puede suceder y
no suceder, entonces:
◦ P(A) + P(no A)=1
 Regla de adición para eventos no
mutuamente excluyentes:
( PA  B)  P( A)  P( B)  P( AB)
◦ La P. de sacar de un mazo de cartas un as de
corazones:
◦ P(as o corazón)=P(as)+P(corazón)-P(as y corazón)
◦ P(as o corazón)=4/52+13/52-1/52=16/52=4/13
 Ejercicios: 4-5, 4-6,
 Tarea 4-22.
 Eventos estadísticamente independientes:
cuando la presencia de uno no tiene efecto
sobre la probabilidad de presentación de
cualquier otro.
 Pueden ser de tres clases:
◦ Marginales
◦ Conjunta
◦ condicional.
 Una probabilidad marginal es la probabilidad
simple de que ocurra un evento.
 La probabilidad de que dos o más eventos
independientes se presenten juntos o en
sucesión es el producto de sus probabilidades
marginales. (Regla de multiplicación)
 P(AB)=P(A)xP(B)
 P(A)= probabilidad marginal de que se presente
el evento A
 P(B)= probabilidad marginal de que se presente
el evento B
 P(AB)= probabilidad de que los eventos A y B se
presenten juntos o en sucesión (Probabilidad
conjunta)
 Lanzamiento de moneda: H= cara; T = sello.
 1lanzamiento, dos resultados
 2 lanzamientos, cuatro resultados
 3 lanzamientos, 8 resultados… (Pág. 146)
 Todos los lanzamientos son independientes y
presentan 0,5 de probabilidad de aparición.
 Ejemplo: ¿Cuál es la probabilidad de obtener
cruz, cara cruz, en ese orden, en tres
lanzamientos consecutivos?
◦ 𝑃 𝑇1 𝐻2 𝑇3 = 𝑃 𝑇1 × 𝑃 𝐻2 × 𝑃 𝑇3 = 0,125
 Ejemplo 2. ¿Cuál es la probabilidad de obtener
cruz, cruz y cara, en ese orden, en tres
lanzamientos consecutivos en una moneda no
alterada?
 Ejemplo 3: ¿Cuál es la probabilidad de obtener al
menos dos caras en tres lanzamientos?
 Ejemplo 4. ¿Cuál es la probabilidad de obtener al
menos una cruz en tres lanzamientos?
 Ejemplo 5. ¿Cuál es la probabilidad de obtener al
menos una cara en tres lanzamientos
consecutivos?
 Es la probabilidad de que un segundo evento
(B) se presente si un primer evento (A) ya ha
ocurrido
◦ 𝑃 𝐵𝐴
 Para eventos estadísticamente
independientes, la probabilidad condicional
de que suceda el evento B dado que el evento
A se ha presentado es simplemente la
probabilidad del evento B
 𝑃 𝐵|𝐴 = 𝑃 𝐵
 En resumen: Prob. Bajo independencia est.
Tipo de prob. símbolo Fórmula
Marginal P(A) P(A)
Conjunta P(AB) P(A)xP(B)
Condicional P(B|A) P(B)
 4-7; 4-8
 UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO
Nota:
FACULTAD DE CIENCIAS DE LA INGENIERÍA
Estudiante: _____________________________________ CI: ___________
Módulo: TERCERO Paralelo: “A” Carrera: ISISO
Fecha: Quevedo, martes 19 de diciembre de 2017. CORTE: 1 SEMESTRE: II
Actividad: EVALUACIÓN PARCIAL 1 Asignatura: ESTADÍSTICA INFERENCIAL FORMA A

INSTRUCCIONES:
 Escriba los datos requeridos en esta hoja.
 Resuelva lo planteado en cada pregunta. El examen tiene un valor de 10 puntos.
 Tiene para esta evaluación 60 minutos.

CUESTIONARIO:
1. Un estudio reciente sobre los hábitos de los consumidores de televisión por cable en Estados Unidos
proporcionó los siguientes datos:
Número de canales comprados Número de horas que ven TV por semana
42 12
96 6
28 13
43 16
39 9
29 7
17 19
84 4
76 8
22 13
104 6
Ordene los datos con respecto a cualquier variable, ¿Qué conclusión puede deducir de estos datos? (2
puntos)

2. El número de horas que les toma a los mecánicos retirar, reparar y reinstalar una transmisión en uno
de los talleres de Transmisiones Quevedo, durante un día de la semana anterior, se registra de la
siguiente manera:
4,3 2,7 3,8 2,2 3,4
3,1 4,5 2,6 5,5 3,2
6,6 2,0 4,4 2,1 3,3
6,3 6,7 5,9 4,1 3,7
A partir de estos datos, elabore una distribución de frecuencia con intervalos de una hora. ¿A qué
conclusiones puede llegar a cerca de la productividad de los mecánicos si toma en cuenta la
distribución de frecuencia? Si el gerente de la Transmisiones Quevedo cree que más de 6,0 horas es
evidencia de un desempeño insatisfactorio, ¿de qué magnitud es el problema del desempeño de los
mecánicos en este taller? (3 puntos)
3. Golden Acres es una asociación de propietarios de casas que operan en un parque de casas móviles
en las afueras de Orlando, donde los retirados tienen sus casa de invierno. Además de las rentas de
lotes, Golden Acres cobran una cuota mensual de 12 dólares para el uso de la instalaciones de
actividades sociales de la casa club. Un miembro del consejo directivo ha notado que muchos de los
residentes de mayor edad nunca asisten a los eventos de la casa club, y ha propuesto exentar la cuota
para los miembros de la asociación mayores de 60 años. Una investigación de 25 residentes dio los
siguientes resultados de edades:
66 65 96 80 71
93 66 96 75 61
69 61 51 84 58
73 77 89 69 92
57 56 55 78 96

Construya una ojiva que le ayude a responder a las siguientes preguntas: (3 puntos)
a) En términos generales, ¿qué proporción de residentes sería elegible para la exención de la cuota?
b) ¿Qué cantidad aproximada tendría que cobrar la administración a los residentes que sí pagarían la
cuota para cubrir el mismo consto total de operar la casa club?

4. Con los datos del problema anterior construya un histograma y un polígono de frecuencia. (2 puntos)
a) ¿Qué le permiten ver estos gráficos?
 UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO
Nota:
FACULTAD DE CIENCIAS DE LA INGENIERÍA
Estudiante: _____________________________________ CI: ___________
Módulo: QUINTO Paralelo: “A” Carrera: INGENIERÍA AGROINDUSTRIAL
Fecha: Quevedo, jueves 1 de marzo de 2018. CORTE: 2 SEMESTRE: II
Actividad: EVALUACIÓN PARCIAL 2 Asignatura: ESTADÍSTICA INFERENCIAL

INSTRUCCIONES:
 Escriba los datos requeridos en esta hoja.
 Resuelva lo planteado en cada pregunta.
 Cada pregunta tiene el valor de dos puntos. Total 10 puntos.
 Tiene para esta evaluación 60 minutos.

CUESTIONARIO:
1. Se tiene una pila de nueve cartas, numeradas del 2 al 10, y un dado. Cuál será la probabilidad de, al
lanzar un dado y tomar una carta, la suma de los valores sea: 2, 3, 8, 12, 16.

CARTAS DADO Lista exhaustiva: P(x)=n

2 1 (2,1),(2,2),(2,3),(2,4),(2,5),(2,6) P(2)={}=0
3 2 (3,1),(3,2),(3,3),(3,4),(3,5),(3,6) P(3)={(2,1)}=1/54
4 3 (4,1),(4,2),(4,3),(4,4),(4,5),(4,6) P(8)={(2,6),(3,5),(4,4), (5,3),(6,2),(7,1)}=
6/54=1/9
5 4 (5,1),(5,2),(5,3),(5,4),(5,5),(5,6) P(12)={(6,6),(7,5),(8,4),(9,3),(10,2)}=5/54
6 5 (6,1),(6,2),(6,3),(6,4),(6,5),(6,6) P(16)={(10,6)}=1/54
7 6 (7,1),(7,2),(7,3),(7,4),(7,5),(7,6)
8 (8,1),(8,2),(8,3),(8,4),(8,5),(8,6)
9 (9,1),(9,2),(9,3),(9,4),(9,5),(9,6)
10 (10,1),(10,2),(10,3),(10,4),(10,5),(10,6)

2. Clasifique las siguientes estimaciones de probabilidades como clásica, frecuencia relativa o subjetiva.
a) La probabilidad de que la colegiatura aumente el próximo año en 0,95. FR o S
b) La probabilidad de gane la lotería es 0,00062 Clásica
c) La probabilidad de que un vuelo seleccionado en forma aleatoria llegue a tiempo es 0,875 FR
d) La probabilidad de observar dos caras al lanzar una moneda dos veces es 0,25 Clásica
e) La probabilidad de que su auto arranque en un día muy frío es 0,97. FR o S

3. En familias de tres hijos, con 60 % de probabilidades de que obtenga varón cada embarazo, cuál es la
probabilidad de obtener:

a) Todas mujeres.
PM 1 M 2 M 3   PM 1   PM 2   PM 3   0,4  0,4  0,4  0,064
b) Dos varones y una mujer.
P2V ,1M   PV1V2 M 3   PV1 M 2V3   PM 1V2V3   0,144  0,144  0,144  0,432
c) Varón, varón y mujer, en ese orden.
PV1V2 M 3   PV1   PV2   PM 3   0,6  0,6  0,4  0,144
d) Mujer en el segundo parto.
PM 2   PV1 M 2V3   PV1 M 2 M 3   PM 1 M 2V3   PM 1 M 2 M 3  
PM 2   0,144  0,096  0,096  0,064
PM 2   0,4
Vvv=0,216
Vvm=0,144
Vmv=0,144
Vmm=0,096

Mvv=0,144
Mvm=0,096
Mmv=0,096
Mmm=0,064

Nota: Para esto hay que desarrollar el árbol de probabilidades.

4. Con los datos, complete la tabla de distribución de probabilidad y realice el gráfico.

X f P(x)
A 4 0,10
B 7 0,18
C 9 0,23
D 6 0,15
E 8 0,21
F 5 0,13
TOTAL 39 1

5. En base a la siguiente información encuentre el valor esperado de un resultado:

X 0 15 30 45 60 75
Frecuencia 25 125 75 175 75 25

15 125 0,25 3,75

30 75 0,15 4,5
45 175 0,35 15,75
60 75 0,15 9
75 25 0,05 3,75
500 1,00 36,75 VALOR ESPERADO
6. Para una distribución binomial con n=14; p=0,3, calcule P(r=5)

Pr  
n!
p r q nr
r!n  r !

Pr  5 
14!
0,35 0,79  14  13  12  11 10  9! 0,35 0,79  14  13  11 0,35 0,79 
5!14  5! 5  4  3  2  1  9!
Pr  5  0,1963
7. Para una distribución binomial con n=12, p=0,6; hallar P(r<6)

Pr  6  P(r  5)  Pr  4  Pr  3  Pr  2  Pr  1  Pr  0

Pr  6  0,1009  0,0420  0,0125  0,0025  0,0003  0
Pr  6  0,1582

8. Dada una distribución binomial con n=25 ensayos y p=0,04, use la aproximación de Poisson a la
binomial para encontrar P(r<4)
P x  
np x  e  np
x!

P0 
25  0,04  e 250,04 1  e 1
0
  0,36788
0! 1
P1 
25  0,041  e 250,04  1  e 1  0,36788
1! 1

P2 
25  0,04  e
2   250 , 04 

1  e 1
 0,18394
2! 2

P3 
25  0,043  e 250,04  1  e 1  0,06131
3! 6
Pr  4   P0  P1  P2  P3  0,36788  0,36788  0,18394  0,06131 
Pr  4   0,98101