ESTADÍSTICA Y PROBABILIDAD

M.Sc. Est. Carlos Daniel Gonzales Hidalgo.

1
1. PROBABILIDAD

1.1. INTRODUCCIÓN

La estadística representa un método para la toma de decisiones frente a la incertidumbre y

como tal, se basa en la teoría de probabilidades, pues la probabilidad es la medida de la
incertidumbre y de los riesgos asociados con ella. Por ello, el estudiante, antes que aprender
procedimientos estadísticos para tomar decisiones, debe tener un concepto claro de la teoría de
probabilidad.

Un tratamiento preciso de la teoría de probabilidad requiere de dos enfoques, uno inicial,

basado en la teoría de conjuntos, y un segundo basado en las distribuciones de probabilidad.

El primer enfoque nos permite comprender con claridad el concepto de probabilidad, así
como obtener un listado de axiomas y propiedades fundamentales de la teoría de probabilidad. Con
el segundo enfoque, llegamos a representaciones matemáticas que facilitan el cálculo de
probabilidades, mediante fórmulas que se ajustan regularmente a ciertos fenómenos o experimentos.

1.2. EXPERIMENTO

En estadística se considera experimento al proceso mediante el cuál se obtienen los datos, ya

sea de naturaleza cualitativa o cuantitativa.

1.2.1. EXPERIMENTO DETERMINÍSTICO

Se llama así al fenómeno o experimento que siempre tiene que ocurrir. Es decir se presenta
de una única manera y existen fórmulas matemáticas que describen el fenómeno y con las que
se pueden determinar el resultado del experimento.

Ejemplos:

1. El experimento consiste en dejar en el aire un plumón, éste siempre tiene que caer, pues la
ley de la gravedad hará que sea atraída al suelo.
2. Elevamos el precio de un bien, inmediatamente se reducirá la cantidad demandada.

1.2.2. EXPERIMENTO NO DETERMINISTICO O ALEATORIO

Se llama así al fenómeno o experimento en el que no se puede determinar con certeza su

resultado, debido a que las causas que lo originan son no predecibles por ser aleatorias.

¿Por qué se dice que el experimento es no determinístico o aleatorio?

Por que:

a. Sus resultados son producto del azar.

b. Se puede repetir, cada experimento muchas veces sin cambiar las condiciones.
c. Sus resultados posibles se pueden enlistar en un conjunto.

2
 Ejemplos:

1. Lanzar una moneda sobre una mesa es un experimento aleatorio; unas veces
resulta cara otras veces sello. Si en este experimento “cargásemos” la moneda (revistiendo la
cara con un metal pesado) de tal manera que al lanzarla a una mesa siempre resulte cara, el
experimento deja de ser aleatorio y pasaría a ser determinístico.
2. Consideremos un partido entre dos equipos de Fútbol; desde el punto de vista de
los resultados (goles). Siempre queda un margen de azar en la determinación del número de
goles a favor o en contra.
3. Los juegos de lanzar dados, barajas, loterías, ruletas, carrera de caballos, etc. son
típicamente aleatorios.
4. Observar la vida útil de un artículo.

1.3. ESPACIO MUESTRAL ()

Se denomina espacio muestral, al conjunto formado por todos los resultados posibles de un
experimento aleatorio.

En notación matemática el espacio muestral se define como sigue:

 = {x / x es resultado de un experimento aleatorio}

Ejemplos:

Describir el espacio muestral asociado a cada uno de los experimentos aleatorios:

1. Lanzar una moneda al piso y observar el resultado que ocurre en la cara superior de la
moneda.

 = {c, s}  n () = 2

2. Lanzar dos monedas consecutivas al piso y observar el resultado que ocurre en la cara
superior de las monedas.

 = {(c, c), (c, s), (s, c), (s, s)}  n () = 4

1 2
C = ( C, C )

C
S = ( C, S )

C = ( S, C )

S
S = ( S, S )
_________________________________________________
2 * 2 = 4

3
 3. Elegir el Presidente de una asociación, de un grupo de 5 candidatos (A, B, C, D, E).

 = {A, B, C, D, E}  n () = 5

4. Lanzar una moneda hasta obtener cara y contar el número de lanzamientos.

 = {1, 2, 3,…}

5. Determinar la vida útil de un artículo.

 = {w  / w  0}

1.4. EVENTO O SUCESO

Se llama evento o suceso a todo subconjunto del espacio muestral. A los eventos se les
denota con las primeras letras mayúsculas del alfabeto, así decimos:

A = Es un evento  A  

A  se le considera evento seguro y a  evento imposible.

Ejemplo:

Suponga que se lanza dos monedas consecutivas al piso y se observa el resultado que ocurre
en la cara superior de las monedas. Enliste los siguientes eventos:

a). Se obtuvo exactamente una cara.

b). Se obtuvo exactamente dos sellos.
c). Se obtuvo por lo menos una cara.
d). Se obtuvo mas de una cara.
e). Se obtuvo a lo más dos caras.
f). Se obtuvo menos de dos caras.

Solución.
 = {(c, c), (c, s), (s, c), (s, s)}  n () = 4

a). A = {(c, s), (s, c)}  n (A) = 2

b). B = {(s, s)}  n (B) = 1
c). C = {(c, c), (c, s), (s, c)}  n (C) =3
d). D = {(c, c)}  n (D) = 1
e). E = {(c, c), (c, s), (s, c), (s, s)}  n (E) = 4
f). F = {(c, s), (s, c), (s, s)}  n (F) = 3

4
1.5. ALGEBRA DE EVENTOS

Usando las leyes del álgebra de conjuntos se puede formar nuevos eventos, los cuales son
subconjuntos del mismo espacio muestral de donde provienen los eventos dados. Así para los
eventos dados. Así, para los eventos A, B Y C de  se cumplen las siguientes leyes:

1.5.1. LEY DE IDEMPOTENCIA:

a) Unión: AA =A
b) Intersección: AA =A

1.5.2. LEY ASOCIATIVA:

a) Unión: A(BC) = (AB)C = (ABC)

b) Intersección: A(BC) = (AB)C = (ABC)

1.5.3. LEY CONMUTATIVA:

a) Unión: AB = BA

b) Intersección: AB =BA

1.5.4. LEY DISTRIBUTIVA:

a) Unión: A(BC) = (AB)  (AC)

b) Intersección: A(BC) =(AB)  (AC)

1.5.5. LEYES DE MORGAN:

a) Unión: (AB)´ =A´  B´

b) Intersección: (AB)´ = A´  B´

1.5.6. LEYES DEL COMPLEMENTO:

a) Unión: AA´ = 
b) Intersección: AA´ = 

1.5.7. LEY DE IDENTIDAD:

a) Unión: A=A y A = 

b) Intersección: A =  y A=A

5
1.6. TÉCNICAS DE CONTEO

1.6.1. PERMUTACIONES

Permutación es un arreglo lineal de todos los elementos de un conjunto o parte de los

elementos del conjunto (subconjunto) tomados en un orden definido. El número total de
permutaciones está en función al número de elementos tomados a la vez para cada
permutación. Según esto podemos distinguir tres casos:

a) Permutaciones simples.

a.1. P = n
n n

a.2. P = n / (n-r) 
n r

b) Permutaciones con objetos repetidos.

P
n n1, n2, n3,...nk = n / (n1 * n2 * … *nk)

c) Permutaciones circulares.

PCn = (n-1) 

Ejemplos:

1. Se invita a 5 gerentes de grandes Empresas de Chiclayo, para dar a los alumnos de

Marketing y Negocios Internacionales de la UCV, una conferencia sobre exportación.
¿De cuántas maneras distintas se pueden sentar los gerentes en una fila?

P = 5 = 5*4*3*2*1 =120
5 5

2. De un grupo de 4 personas, se tiene que elegir a 3 personas que deben ocupar el cargo
de presidente, secretario, y vocal. ¿De cuántas maneras se pueden hacer los arreglos?

P = 4 / (4-3) = 24
4 3

3. El número de formas diferentes de permutar 12 objetos iguales en todo, salvo el color,

de los cuales 3 son negros, 4 son blancos y 5 son rojos es,

P
12 3, 4, 5 = 12 / (3 * 4 *5) =27720
4. ¿De cuántas maneras diferentes pueden sentarse 9 personas alrededor de una mesa
elipsoidal?

PC9 = (9-1)  =8

6
1.7. COMBINACIONES

Cuando hablamos de combinaciones, no debemos tener en cuenta el orden de los elementos;

sólo nos interesa que se combine un elemento con otro.

nCr = n / r(n-r)
Ejemplos:

1. ¿Cuántos cables de conexión se necesitan para que dos aulas cualesquiera, de doce aulas
existentes en total en una Universidad, puedan comunicarse directamente?

12C2 = 12 / 2 (12-2) = 66

2. Una caja contiene 20 tornillos similares, de los cuales 10 son buenos, 8 tienen defectos del
tipo A, 5 tienen defectos del tipo B, y 3 los dos tipos de defectos.¿Cuántos elementos tiene el
espacio muestral que resulta de escoger al azar 11 tornillos de manera que 2 tengan defectos
Ay B, 3 defectos sólo A, 2 con defectos sólo B y 4 sin defectos?

10 C4 * 5C3 * 3C2 * 2C2 = 6300

3. Dados los eventos A de 4 elementos, y B de 8 elementos.¿Cuántos eventos de 6 elementos

pueden formarse si cada uno debe contener:

a) Un solo elemento de A?
b) Por lo menos un elemento de A?

Solución:

a) 4C1 * 8C5 = 224 formas.

b) 4C1 * 8C5+ 4C2 * 8C4+ 4C3 * 8C3+ 4C4 * 8C2 = 896 formas.

1.8. PROBABILIDAD DE OCURRENCIA DE OCURRENCIA DE UN EVENTO

1.8.1. DEFINICIÓN DE PROBABILIDAD CLÁSICA

Si A es un evento de , la probabilidad de que ocurra el evento A está dada por:

P(A)= n(A) / n ()

Espacio Evento
Experimento muestral (A)
aleatorio n() n(A)

P(A)= n(A) / n
()
7
Ejemplo: Suponga que el experimento aleatorio consiste en lanzar un dado y observar el
resultado que ocurre en la cara superior del dado. Calcular la probabilidad de que
ocurra:

a) El número 6.
b) Por lo menos el número 4.
c) A lo más el número 2.
d) Por lo menos el número 1.

Solución:

 = {1, 2, 3, 4, 5, 6}  n () = 6

a) A= {6}  n (A) = 1

P(A)= n(A) / n () = 1/6

b) B= {4, 5, 6} n (B) = 3.

P(B)= n(B) / n () = 3/6

c) C = {1, 2}  n (C) = 2.

P(C)= n(C) / n () =2/6

d) D = {1, 2, 3, 4, 5, 6}  n (D) = 6

P(D)= n(D) / n () =6/6

1.8.1. DEFINICIÓN DE FRECUENCIA RELATIVA

La probabilidad de un evento (que suceda o que resulte) es la proporción de veces

que el evento sucedería en una serie prolongada de eventos repetidos.

Ejemplo:

La tabla siguiente, muestra el estado civil de 30 Trabajadores de una Empresa. Año 2005.

ESTADO CIVIL ni
SOLTERO 20
CASADO 10
TOTAL 30

Si se selecciona un trabajador al azar, ¿cuál es la probabilidad de que sea soltero?

Solución:

P(Soltero)= 20 / 30

8
1.9. AXIOMAS DE PROBABILIDAD

A.1. 0 P(A)  1

A.2. P() =1

A.3. Si A y B son dos eventos en , tales que A y B son mutuamente excluyentes

(AB = )

 P(AB) = P(A)+P(B)

Este axioma se puede extender para k eventos mutuamente excluyentes A1, A2,…, AK,
es decir

P( A1A2 …AK) = P(A1)+P(A2)+…+P(AK)

1.10. TEOREMAS DE PROBABILIDAD

T.1. P( ) = 0

T.2. P(A´) = 1- P(A)

T.3. Si AB  P(A)  P(B)

T.4. Si A y B no son mutuamente excluyentes ( AB  )

 P(AB) = P(A)+P(B) -P (AB)

T.5. Si A, B y C no son mutuamente excluyentes

 P(ABC) = P(A)+P(B)+P(C) -P (AB) - P (AC)- P (BC)+ P (ABC)

Ejemplos:
1. La probabilidad de que la señora hablantina reciba por lo menos 8 llamadas
telefónicas en un día es 0.2 y la probabilidad de que reciba a lo más 5
llamadas telefónicas en un día es 0.3. Hallar la probabilidad de que la
señora hablantina reciba 6 ó 7 llamadas en un día.
Solución:
 = {0,1 ,2 ,3 ,4 ,5, 6, 7, 8, 9,...}
A= {8, 9,…}  P(A) = 0.2
B= {0, 1, 2, 3, 4, 5} P(B)=0.3
C = {6, 7}  P(C) = ?
ABC = 
P (ABC) = P()
P(A) + P(B) + P(C) = 1
0.2 + 0.3 + P( C) = 1  P( C) = 0.5

9
 2. Un escolar entra a una tienda de golosinas. La probabilidad de que compre caramelos es
0.7, la probabilidad de que compre galletas es 0.5 y la probabilidad de que compre
ambos (caramelos y galletas) es 0.3. Hallar la probabilidad de compre caramelos, o
galletas o ambos.

Solución:
Sean los eventos:
A = El niño compra caramelos
B = El niño compra galletas
AB = El niño compra caramelos y galletas

P(AB) = P(A)+P(B) -P (AB)

= 0.7 + 0.5 – 0.3 = 0.9

1.11. PROBABILIDAD CONDICIONAL

A menudo se quiere determinar la probabilidad de que ocurra un evento sabiendo que otro
evento ha ocurrido. La probabilidad condicional (o condicionada) de que un evento B ocurra dado
que otro evento a ha ocurrido se denota por P(B/A). Esta notación se lee “. La probabilidad de que
B ocurra dado que A ha ocurrido” o simplemente la probabilidad de B dado A”

P(B/A) = P (AB) / P(A) , Si P(A) 0

Ejemplo:

Un club consiste de ciento cincuenta miembros. Del total, 3/5 son hombres y 2/3 son profesionales.
Además, 1/3 de las mujeres son no profesionales.

a) Se elige al azar un socio del club:

a.1) Calcular la probabilidad de que sea hombre y profesional.
a.2) Calcular la probabilidad de que sea hombre, dado que es profesional.

b) Se eligen tres socios al azar:

b.1) Si las tres son mujeres, ¿cuál es la probabilidad de que sólo l de ellas sea profesional?
b.2) Si resultan ser del mismo sexo, ¿cuál es la probabilidad de que sean mujeres?.
Solución:
PROFESIONAL NO PROFESIONAL TOTAL
HOMBRE (H) 60 30 90
MUJER (M) 40 20 60
TOTAL 100 50 150
a)
a.1) P(H  P) = 60/150 = 0.4
a.2) P(H/P) = P (HP) / P(P) = (60/150) / (100/150) = 0.6

b)
b.1) A = Las tres son mujeres
B = Sólo una es profesional P(B/A) = ( 40C1 * 20C2)/ 60C3
b.2) A = Los tres son del mismo sexo
B = Las tres son mujeres P(B/A) = ( 60C3 )/ (90C3 + 60C3) = 0.23

10
1.12. EVENTOS INDEPENDIENTES

Se dice que el evento B es independiente del evento A, si,

P(B/A) = P(B)

Se verifica que, si P(B/A) = P(B), entonces, P(A/B) = P(A) y recíprocamente

En consecuencia, podemos afirmar que:

Los eventos A y B son independientes si, y sólo si,

P(B/A) = P(B) y P(A/B) = P(A).

Esto equivale a decir que A y B son independientes si sólo si

P(AB) = P (A) P(B)

Ejemplo:

Suponga que en un proceso de producción se utilizan las máquinas. 1 y 2, que trabajan en forma
independiente para producir cierto bien. Si la probabilidad de que ambas máquinas fallen es 1/5 y
de que falle sólo la 2 es 2/15. Calcular la probabilidad de que

a) Falle sólo la máquina 1.

b) La producción continúe.

Solución:
P(AB) =1/5 = 3/15, P(A´B) = 2/15, entonces, P(B)= 5/15

Además de P(AB) = P (A) P(B), resulta, P(A) = 9/15

a)
P(AB´) = P (A) P(B´) = 9/15 * 10/15 = 6/15

b)
P(A´B  AB´  A´B´ ) = P(A´B) + P(AB´) + P( A´B´ )

= P(A´) P(B) + P(A) P(B´) + P( A´) P(B´)

= 6/15 * 5/15 + 9/15*10/15 + 6/15 * 10/15 = 12/15

11
1.13. PROBABILIDAD TOTAL

Si k eventos: A1, A2,..,AK, constituyen una partición del espacio muestral , entonces, para
cualquier evento B en ,

P(B) = P(A1) * P(B/A1)+P(A2)*P(B/A2)+…+P(AK)*P(B/AK)


A1 A2 … AK

TEOREMA DE BAYES

Para cualquier evento Ai de la partición, se tiene:

P(Ai/B) = P (Ai ) P(B/ P(Ai) / P(B) , Si P(B)  0

Ejemplo:

Las probabilidades de que los socios S 1 y S2 sean elegidos presidente de un club son
respectivamente 0.4 y 0.6. Las probabilidades de que se aumenten las cuotas mensuales de
los socios son de 0.9 si sale elegido S1 y de 0.2 si sale elegido S2.

a) ¿Cuál es la probabilidad de que haya un aumento en las cuotas mensuales de los

socios?.
b) Si se aumenta la cuota mensual, ¿ cómo se modifican las probabilidades de que salgan
elegidos los socios S1 y S2 ?.

Solución:
S1 0.9 A
0.4

0.6 S2 0.2 A

a) P(A) = P(S1) * P(A/S1)+P(S2)*P(A/S2) = 0.4*0.9 + 0.6*0.2 = 0.48

b)
P(S1/A) = P (S1 ) P(A/ P(S1) / P(A) = 0.75

P(S2i/B) = P (S2) P(B/ P(S2) / P(A) = 0.25

La probabilidad de S1 se modifica de 0.4 A 0.75 y la de S2 se modifica de 0.2 a 0.25

12
 Laboratorio Nº 01

1. Sean A, B, y C tres eventos cualesquiera de un espacio muestral , expresar cada uno de

los siguientes eventos compuestos en términos de operaciones entre A, B y C:

a) Ocurra por lo menos uno de los eventos.

b) Ocurran todos los eventos.
c) Ocurra exactamente uno de los eventos
d) No ocurran ninguno de los eventos.
e) No ocurra más de uno de los eventos.

2. Cada uno de cuatro amigos elige una bebida al azar en la cafetería. Describa el espacio
muestral del experimento si hay disponibles en tres sabores denominados por L, N y F,
¿cuántos elementos tiene?.

3. Un lote de N artículos contiene k defectuosos, describir el espacio muestral del número

de artículos extraídos hasta obtener el último defectuoso.

4. Un experimento consiste en observar la vida útil de dos objetos, describa el evento “la
duración del primero más la duración del segundo es al menos 4 años”.

5. En un edificio de 10 pisos entran al ascensor al primer piso tres personas. Cada una baja
al azar a partir del segundo piso. ¿De cuántas maneras distintas estas personas pueden
bajar en pisos diferentes?.

6. Cierto producto se arma en tres etapas. En la primera hay 5 líneas de ensamblado, en la

segunda 6, y en la tercera 4. ¿De cuántas maneras distintas puede hacerse circular el
producto durante el proceso de ensamblado?

7. Una caja contiene 8 dulces de piña; 6 de naranja y 4 de fresa. ¿Cuántos elementos tiene
el espacio muestral que resulta de extraer al azar un dulce de cada sabor?

8. Cierta marca de sierra eléctrica es calificada por especialistas, en cuanto a rendimiento,

como: “Muy buena”, (B1); o, “buena”, (B2); o “regular”, (B3), y en cuanto al precio,
como “cara”, (C1), o “barata”; (C2). ¿ De cuántas maneras es calificada la sierra
eléctrica por los especialistas?.

9. Un grupo de 5 hombres y 10 mujeres, se divide al azar en 5 grupos de 3 personas cada

una. Calcular el número de maneras en que cada grupo contenga un hombre.

10. ¿De cuántas maneras diferentes puede un padre dividir 8 regalos entre sus 3 hijos, si el
mayor debe recibir 4 regalos y los menores 2 cada uno?

13
11. Un sistema está formado por dos componentes A y B cuyas probabilidades de falla son
1/6 y 2/5 respectivamente. Si la probabilidad de al menos una de las dos componentes
falle es 7/30, calcular la probabilidad de que:

a) Ninguno de las dos componentes fallen.

b) Sólo una de las componentes falle.

12. Un lote contiene n objetos. La probabilidad de que al menos uno sea defectuoso es 0.06,
mientras que la probabilidad de que al menos dos sean defectuosos es 0.04. Calcular la
probabilidad de que:

a) Todos los objetos sean no defectuosos.

b) Exactamente un objeto sea defectuoso.

13. Doscientas personas están distribuidas de acuerdo a su sexo y lugar de procedencia de la

siguiente manera: 130 son hombres, 110 son de la capital y 30 son mujeres y de
provincias. Si se eligen dos personas al azar calcular la probabilidad de que:

a) Ambos sean hombres y de provincias.

b) Al menos uno de los dos escogidos sea mujer.

14. Un comerciante tiene 12 unidades de cierto artículo de los cuales 4 tienen algún tipo de
defecto. Un cliente pide para comprar 3 de tales artículos pero que no tengan defectos. Si
el comerciante escoge al azar y de una sola vez 4 de tales artículos, ¿cuál es la
probabilidad de que con las 4 unidades escogidas satisfaga el pedido del cliente?

15. Cien personas fueron encuestadas acerca de sus preferencias sobre tres productos A, B,
y C. Se encontró que 50 prefieren el A, 37 el B, y 30 el C. Además 12 prefieren A y B, 8
sólo A y C, 5 sólo B y C, y 15 sólo C. De cinco personas encuestadas elegidas al azar,
calcular la probabilidad de que 2 de ellas prefieran B, y C, 2 sólo A y B, y una prefiera
los tres productos.

16. Si P(A)=5/8, P(B)=3/4 y P(A/B)=2/3, calcular P(A/B´)

17. Si P(B)=3/15, P(B/A)=1/5, y P(AB)=1/15, calcular P(AB´)

18. De 20 clientes de crédito de una tienda comercial, 100 tienen créditos menores que $
200, 15 tienen créditos de al menos $ 500, y 110 tienen créditos menores de 4 años.
Además 30 clientes tienen créditos de al menos 4 años y de 200 a menos de $500, y 10
clientes tienen créditos al menos $500 y menos de 4 años.

a) Si se elige un cliente al azar, ¿cuál es la probabilidad de que tenga crédito menos

de de 4 años si tiene saldo de crédito de menos de $ 200?
b) Si se eligen dos clientes al azar y resultan de al menos de 4 años de crédito, ¿cuál
es la probabilidad de que uno tenga saldo de crédito de $ 500 o más?

19. Sólo el 60% de la mercadería que recibe un comerciante del fabricante A es de calidad
excepcional, mientras que el 90% de la mercadería que recibe del fabricante B es de
calidad excepcional. Sin embargo la capacidad del fabricante B es limitada, y, por esta
razón sólo el 30% de la mercadería le es permitido adquirir del fabricante B, el 70% la
adquiere de A. Se inspecciona un embarque que acaba de llegar y se encuentra que es de
calidad excepcional, ¿cuál es la probabilidad de que provenga del fabricante A?.

14
2. DISTRIBUCIONES DE PROBABILIDAD

2.1. INTRPODUCCIÓN

En la primera unidad desarrollamos algunos modelos probabilísticas a través de espacios

maestrales. Esto facilitó la comprensión del concepto de probabilidad y la obtención de algunas
propiedades fundamentales de la teoría de probabilidad, sin embargo, para estudiar situaciones
prácticas más generales, necesitamos ampliar estos conceptos para que tengamos
distribuciones(o modelos) de probabilidad que representen todos los tipos de variables definidas
e en la asignatura de Estadística Descriptiva. Así todo lo estudiado en tal asignatura para hacer
un tratamiento descriptivo de las variables cuantitativas tendrá su correspondiente
distribución( o modelo teórico). Estas variables numéricas a las cuales asociamos distribuciones
de probabilidad, serán llamadas variables aleatorias.

2.2. VARIABLE ALEATORIA

Una variable estadística es una característica (cualitativa o cuantitativa) que se mide u

observa en una población. Si la población es aleatoria y la característica es cuantitativa la
variable estadística es denominada variable aleatoria. Las variables aleatorias se clasifican en
discretas y continuas.

Definición. Se denomina variable aleatoria, a una variable estadística cuantitativa definida en un

espacio muestral .

El dominio de la variable aleatoria X es el espacio muestral  y el rango es un subconjunto

de los números reales que denotaremos por RX, siendo,

RX = {x  / x = X (w), w  }

Ejemplo:

Sea  el espacio muestral que se obtiene al lanzar al aire una moneda tres veces consecutivas,
esto, es,

 = {SSS, SSC, SCS, CSS, SCC, CSC, CCS, CCC}.

Si X es el número de caras obtenidas, entonces X es una variable aleatoria cuyo rango es: RX =
{0, 1, 2, 3}.

2.2.1. VARIABLE ALEATORIA DISCRETA:

FUNCIÓN DE PROBABILIDAD Y FUNCIÓN DE DISTRIBUCIÓN ACUMULADA.

2.2.1.1. PROBABILIDAD EN EL RANGO RX.

15
 Una variable aleatoria discreta asume cada uno de sus valores con cierta probabilidad que
denotaremos por PX (probabilidad inducida por X).

En efecto, si el rango de la variable aleatoria X es el conjunto finito de números, RX = {1, 2,

…, xn}y si B ={xi} es un evento en RX, entonces,

PX = ({xi}) = P ({x  / X (w) = xi}),

PX = xi = P ({w  / X (w) = xi}).

2.2.1.2. FUNCIÓN DE PROBABILIDAD

Sea X una variable aleatoria discreta. Se denomina función (ley o modelo o distribución) de
probabilidad de X a la función f(x) definida por f(x) = PX = x para todo x número real y que
satisface las siguientes condiciones:

i) f(x) >= 0 para todo x  R, y ii)  f ( xi)  1

xiRx

NOTAS.

1. Si A  RX, entonces, la probabilidad de A es el número:

P ( A)   P X
xiRx
 xi  =  f ( xi )
xiRx

2. La función de probabilidad de una variable aleatoria X se puede expresar: por una ecuación:
f(x) = PX = x = expresión de x, o por el conjunto de pares {(xi,pi)/pi = f(xi), xi  RX} o por
una tabla, si RX es finito.

Valores de xi de X x1 x2 x3 … xn
Probabilidad Pi = p1 p2 p3 … pn
P X  xi 

La gráfica de una distribución de probabilidades discreta es la gráfica de bastones.

Ejemplo:

Sea X la variable aleatoria definida como el número de caras que ocurren al lanzar un moneda 4
veces.

a) Determinar la distribución de probabilidades de X.

b) Calcular la probabilidad P0<X<=2

SOLUCIÓN.

a)

f(0) = PX=0 = 1/16

f(1) = PX=1 = 4/16

16
 f(2) = PX=2 = 6/16

f(3) = PX=3 = 4/16

f(4) = PX=4 = 1/16

b)

2
P0<X<=2 =  f (k ) 
k 1
f (1)  f (2)  4 / 16  6 / 16  10 / 16

2.2.1.2. FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE VARIABLE ALEATORIA

DISCRETA

F ( x)  P X  x  P X  K    f (k ), para    x 
KX kx

2.2.2. VARIABLE ALEATORIA CONTINUA:

Variable aleatoria continua: Función de densidad y función de distribución acumulada.

2.2.2.1. Función de densidad de probabilidad.

Definición.
Se dice que la función f(x) es función de densidad (ley o distribución) de probabilidad de la
variable aleatoria continua X si satisface las siguientes condiciones:
i ) f  x   0 para todo x    es el conjunto de los números reales 

ii ) 

 x  dx 1

iii) P  A  P  x  A  f  x  dx, para cualquier int ervalo A  

A

NOTAS.
1. La condición i) persona que la gráfica de f(x) no tiene puntos por debajo del eje de las
abscisas.
La condición ii), indica que el área total bajo la curva es igual a uno.
La condición iii) expresa: probabilidad igual a área. Esto es, si A   a, b , la probabilidad
P a  X  b  es igual a el área de la región limitada por la curva, el eje X y las rectas X = a, X

= b, es decir: (ver figura 6.5).

P a  X  b   f  x  dx
b
a

17
2. No es difícil verificar que si el evento A es cualquier intervalo en la recta real, entonces,
P(A) satisface los axiomas de la probabilidad.

3. Cualquier función f(x) que satisfaga sólo las condiciones i) y ii) no es probabilidad, sólo es
probabilidad cuando la función de densidad es integrada entre dos límites. Por ejemplo, la
función:
f  x   3 x 2 / 8 para 0  x  2.

Satisface las condiciones i) y ii), pero f(x) no es probabilidad, ya que entre otros valores se
tiene, f(w) = 1.5, f(1.8) = 1.215.

4. Si x0 es cualquier valor específico de la variable aleatoria continua X, entonces:

P X  x 0   P x 0  X  x 0     x  dx 
x0
0
x0 f

Como consecuencia se tiene:

a) P A  0, no implica A  
b) P a  X  b  P a  X  b  P a  X  b  P a  X  b

EJEMPLO 6.12.
Sea f(x) una función definida en todos los números reales por

a) Hallar el valor de la constante c para que, f(x) sea una función de densidad para alguna
variable aleatoria X.
b) Calcular P 0  X  1

SOLUCIÓN.
a) El área de la figura 6.6. debe ser igual a 1, entonces,
2
  x3  8
f  x  dx 
2
1 
 
0
cx 2 dx  c 
 3
  c
0 3

Resultando, c = 3/8. Luego.

18
 3 x / 8, si x  0,2
 2
f  x  
 0,
 si x  0,2

La gráfica de esta función de densidad está dada en la figura 6.6.

1
 3x 2   x3  1
b) P 0  X  1  
1
0

 8
dx    
  8 0 8

2.2.2.2. Función de distribución acumulada de variable aleatoria continua.

Definición.
La función de distribución acumulada (f.d.a.) F(x) de una variable aleatoria continua X con
función de densidad f(), se define (ver figura 6.7) por:
f  x   P X  x   f  t  dt , para    x   
x



EJEMPLO 6.13.
Sea f(x) una función de densidad de probabilidad de una variable aleatoria X, cuya gráfica es la
figura que sigue:

a) Determinar el valor de la constante c y luego la f.d.p. de X.

b) Hallar la función de distribución acumulada F(x) de X.
c) Usando F(x), calcular P 5 / 4  X  5 / 2

19
SOLUCIÓN.
a) Si el área que encierra la figura con el eje X es igual a uno, entonces, c = ¼
La función de densidad se define a partir de la ecuación de la recta y -1/4 = (3/4 – ¼) (3-1) (x-
1), o y = x/4. Luego,
x
 4 , si 1  x  3

f  x  
0. en otro caso



b) La función de distribución acumulada, se calcula por:

F(x)= 0, si x > 1, F(x) = 1; si x > 3.
t x2 1
Si 1  x  3, F  x  
x

1 4
dt 
8

8
Entonces,
 0, si x  1

x  1
2
F  x   , si 1  x  3
 8
 1, si x  3


La gráfica de esta función de distribución acumulada es la figura 6-8.

5 5 5 5 21 9 75
c) P   X    F    F     
4 2 2 4 32 128 128

2.2.3. Valor esperado o esperanza matemática.

La distribución de probabilidad de una variable aleatoria se caracteriza básicamente a través de
medidas de tendencia central y de la dispersión. Estas medidas características de la distribución
denominadas parámetros se describen por medio de la esperanza matemática.
2.2.3.1. Media de una variable aleatoria.

20
La media de una variable aleatoria X o media de la distribución de probabilidad de X es un
número real que se denota por  x o por  . La media es denominada también esperanza
matemática o valor esperado de X, y se denota también por E(X).

Definición 1.
La media de una variable aleatoria discreta X con función de probabilidad f(x) es la expresión:
Si el rango de X es el conjunto finito R x   x1 , x 2 , ... x n  , entonces,
n
E X   x f x  i i
i 1

Si el rango de X es el conjunto infinito numerable R x   x1 , x 2 , ...  ,


E X   x i f  xi 
i 1

En este caso, si la suma indicada no es igual a un número real, se dice que la esperanza de X no
existe.

Definición 2.
La media de una variable aleatoria continua X con función de densidad de probabilidad f(x) es
la expresión:

E X    xf  x  dx


siempre que el valor de la integral sea un número real, en caso contrario, se dice que la media de
X no existe.

EJEMPLO 6.19.
Calcular la media de la distribución de probabilidad de la variable aleatoria X que se define
como el número de caras cuando se lanzan cuatro monedas.

SOLUCIÓN.
La distribución de probabilidad de X se da en la tabla 6-3.
TABLA 6-3
x1 0 1 2 3 4
1/16 4/16 6/16 4/16 1/16
F(xI)

La media de X es el número

21
  1   4   6   4   1 
  E  X   xi f  xi   0   1   2   3   4   2
16
    16 16
    16  16 
Esto significa que si una persona lanza 4 monedas, muchas veces, en promedio obtendrá 2 caras
por lanzamiento.

NOTA: (Interpretación de la esperanza)

Refiriéndonos al ejemplo 6.19, supongamos que repetimos n veces el lanzamiento de las cuatro
monedas y que se obtienen las frecuencias absolutas n, n1, n2, n3 y n4 de las veces que ocurre; 0,
1, 2, 3 y 4 caras respectivamente. Lo que resulta es una distribución de frecuencia cuyo
promedio de caras por lanzamiento es igual a
0 x n 0  1 x n 2  2 x n3  3 x n 4  4 x n 4 n n n n n
X   0 x 0 1 x 1  2 x 2  3 x 3  4 x 4
n n n n n n

En el cálculo de E(X) se usan probabilidades o proporciones teóricas, mientras que en el cálculo

de X se usan frecuencias relativas o proporciones empíricas obtenidas a partir de una muestra
de tamaño n. A medida que n vaya creciendo es de esperar que las frecuencias relativas
empíricas:

n0/ n, n1/n, n2/n, n3/n, y n4/n,

se vayan aproximando a las correspondientes probabilidades 1/16, 4/16, 6/16, 4/16, 6/16, 4/16 y
1/16. En consecuencia es de esperar que X se vaya aproximando a E(X) a medida que n crece
indefinidamente. Entonces E(X) es la media que ser obtiene a “largo plazo” o a la “larga”, en
otras palabras es la media que se espera obtener.

NOTA: (Mediana y moda de una variable aleatoria).

La mediana de una variable aleatoria X es el número Me tal que:
F  Me   P X  Me  0.5

Por ejemplo, acumulando las probabilidades ejemplo 6.19, resulta,

F  x   5 / 16, para 1  x  2, y F  x   11 / 16, para 2  x  3.

Luego en x = 2 puede ocurrir cualquier valor entre 5/16 y 11/16. En particular F(2) = 0.5. Por lo
tanto, la mediana = 2.
Por otra parte, la moda de una variable aleatoria X, es el valor de la variable con mayor
probabilidad (caso directo), o donde alcanza su máximo (caso continuo). En la distribución del
ejemplo 6.19, la moda = 2.

2.2.3.2. Media de una función de una variable aleatoria.

22
Sea X una variable aleatoria discreta con rango Rx y función de probabilidad
f  x   P X  x . Entonces, la función Y = H(X), es una variable aleatoria con rango

R y   y / H  x   y , con función de probabilidad g(y) dada por:

g  y   PTY  y    P  X  x 
 x  Rx /H x  y

Por ejemplo, si es una variable aleatoria cuya distribución de probabilidad está dada por la tabla
6.4, y si Y = H(X) = 2X – 3, entonces,
Tabla 6.4
x 0 1 2 3
1/8 3/8 3/8 3/8
F(x)

Y es una variable aleatoria, cuya distribución de probabilidades es dada por la tabla 6.5, donde
g  y   P Y  H  x    P X  x   f  x  .

H(x) = 2x - 3 -3 -1 1 3
1/8 3/8 3/8 1/8
g(y) = f(x)

El valor esperado de H(x) es,

3 3 3 3
E H  X         H  x f  x
8 8 8 8

Definición.
Si X es una variable aleatoria con distribución con distribución de probabilidad f(x), la media o
valor esperado o esperanza matemática de la variable aleatoria H(x) está dada por la expresión:
E H  X     H  x  f  x ,
i i si X es discreta ,

Y por : E H  X     H  x  f  x  dx, si X es continua


Si la suma o la integral indicadas no son iguales a un número real se dice que la esperanza de
H(x) no existe.

2.2.3.3. Varianza de una variable aleatoria.

La varianza de una variable aleatoria X se denota por cualquiera de las formas:
 2 ,  x2 , Var .  X  , V  X 

23
Definición.
Sea X una variable aleatoria con distribución de probabilidad f(x) y con media igual a  . La
varianza de X es la expresión:

 x2  E  X    
2
  x   i
2
f  xi  , si X es discreta, y


 x2  E  X    2    

 x  2 f  x  dx, si X es continua.
siempre que la suma y al integral sean números reales.

Definición. La desviación estándar de la variable aleatoria X es la raíz cuadrada positiva de su

varianza. Esto es,  x   X2 .

Una de las propiedades de la varianza que sea usa en el cálculo es:
var X  E  X    2
  E X   
2 2

EJEMPLO 6.28.
Calcular la varianza y la desviación estándar de la distribución de probabilidad de la variable
aleatoria X que se define como el número de caras al lanzar cuatro monedas.

SOLUCIÓN.
La distribución de probabilidad de X es la tabla 6-9.
Xi 0 1 2 3 4
1/16
1/16 4/16 6/16 4/16
f(xi)
En el ejemplo 6.19, se ha calculado E(X) = 2. Además,

     x  f  x  0
4
1 4 6 4 1 80
E X 2 2 2
x  12 x  22 x  32 x  42 x  5
x  0 16 16 16 16 16 16

Por lo tanto,  x2  E  X 2    2  5   2  1
2

La desviación estándar de X es:  x  Var  X   1.

EJEMPLO 6.29.
Calcular la varianza y la desviación estándar de la variable aleatoria discreta X cuya función de
probabilidad es:
e   x
f  x  , x  0,1, 2, ...., etc ,   cons tan te
x!
SOLUCIÓN.
En el ejemplo 6.2 se ha calculado   E  X    . Además,

24
 e  x  x 1 
 
    k
E X2   x 2 f  x   x2  e     e     k  1 k!
x  0 x  0 x! x 1  x  1! k  0

 k k 
   e    e    e    e     2  
 
  e   k  e   
 k 0 k! k  0 k! 

Luego, la varianza de X es:

 
Var  X   E X 2   2  2    2  

La desviación estándar de X es
X  Var  X     1 / 2

NOTA:
Otra forma de calcular esta varianza, es usando la siguiente expresión:
 x2  E  X  X  1      2

En efecto,    , y

e  x 
 x 2
E  X  X  1    x x  1  2 e    2 e  e   2
x 0 x! x 2  x  2!

2.3. DISTRIBUCIONES DISCRETAS

Vamos a comenzar por estudiar las principales distribuciones discretas.

2.3.1 DISTRIBUCIONES DISCRETAS: BERNOUILLI

Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos
soluciones: acierto o fracaso:

Cuando es acierto la variable toma el valor 1

Cuando es fracaso la variable toma el valor 0

Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale);
probabilidad de ser admitido en una universidad (o te admiten o no te admiten); probabilidad de
acertar una quiniela (o aciertas o no aciertas)

Al haber únicamente dos soluciones se trata de sucesos complementarios:

A la probabilidad de éxito se le denomina "p"

A la probabilidad de fracaso se le denomina "q"

Verificándose que:

p+q=1

Veamos los ejemplos anteriores :

Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:

25
Probabilidad de que salga cara: p = 0,5

Probabilidad de que no salga cara: q = 0,5

p + q = 0,5 + 0,5 = 1

Ejemplo 2: Probabilidad de ser admitido en la universidad:

Probabilidad de ser admitido: p = 0,25

Probabilidad de no ser admitido: q = 0,75

p + q = 0,25 + 0,75 = 1

Ejemplo 3: Probabilidad de acertar una quiniela:

Probabilidad de acertar: p = 0,00001

Probabilidad de no acertar: q = 0,99999

p + q = 0,00001 + 0,99999 = 1

2.3.2. DISTRIBUCIONES DISCRETAS: BINOMIAL

La distribución binomial parte de la distribución de Bernouilli:

La distribución de Bernouiili se aplica cuando se realiza una sola vez un experimento que
tiene únicamente dos posibles resultados (éxito o fracaso), por lo que la variable sólo puede
tomar dos valores: el 1 y el 0

La distribución binomial se aplica cuando se realizan un número"n" de veces el experimento

de Bernouiili, siendo cada ensayo independiente del anterior. La variable puede tomar valores
entre:

0: si todos los experimentos han sido fracaso

n: si todos los experimentos han sido éxitos

Ejemplo: se tira una moneda 10 veces: ¿cuantas caras salen? Si no ha salido ninguna la variable
toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la
variable toma el valor 10

La distribución de probabilidad de este tipo de distribución sigue el siguiente modelo:

¿Alguien entiende esta fórmula? Vamos a tratar de explicarla con un ejemplo:

Ejemplo 1: ¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

26
" k " es el número de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decíamos que la
variable toma el valor 1: como son 6 aciertos, entonces k = 6)

" n" es el número de ensayos. En nuestro ejemplo son 10

" p " es la probabilidad de éxito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p
= 0,5

La fórmula quedaría:

Luego,

P (x = 6) = 0,205

Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.

Ejemplo 2: ¿Cuál es la probabilidad de obtener cuatro veces el número 3 al lanzar un dado ocho
veces?

" k " (número de aciertos) toma el valor 4

" n" toma el valor 8

" p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)

La fórmula queda:

Luego,

P (x = 4) = 0,026

Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el números 3 al tirar un
dado 8 veces.

2.3.3. DISTRIBUCIONES DISCRETAS: POISSON

Cuando la variable aleatoria X es el número de eventos que ocurren en un intervalo de tiempo

volumen o espacio de dice que sigue una distribución de Poisson. Como por ejemplo. El número
de accidentes en una fábrica durante un año, el número de prestamos solicitados a una agencia
Bancaria durante un año, el número de errores que se cometen al tejer 20 pies cuadrados de tela,
el número de bacterias que se reproducen en un centímetro cúbico de agua, etc.

27
La distribución de Poisson sigue el siguiente modelo:

Vamos a explicarla:

El número "e" es 2,71828

" " = n * p (es decir, el número de veces " n " que se realiza el experimento multiplicado por la
probabilidad " p " de éxito en cada ensayo)

" k " es el número de éxito cuya probabilidad se está calculando

Veamos un ejemplo:

La probabilidad de tener un accidente de tráfico es de 0,02 cada vez que se viaja, si se realizan
300 viajes, ¿cual es la probabilidad de tener 3 accidentes?

Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces
aplicamos el modelo de distribución de Poisson.

Luego,

P (x = 3) = 0,0892

Por lo tanto, la probabilidad de tener 3 accidentes de tráfico en 300 viajes es del 8,9%

Otro ejemplo:

La probabilidad de que un niño nazca pelirrojo es de 0,012. ¿Cuál es la probabilidad de que

entre 800 recien nacidos haya 5 pelirrojos?

Luego,

P (x = 5) = 4,602

Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recien nacidos es del 4,6%.

28
2.4. DISTRIBUCIONES CONTINUAS: NORMAL

Es el modelo de distribución más utilizado en la práctica, ya que multitud de fenómenos se

comportan según una distribución normal.

Esta distribución de caracteriza porque los valores se distribuyen formando una campana de
Gauss, en torno a un valor central que coincide con el valor medio de la distribución:

Un 50% de los valores están a la dercha de este valor central y otro 50% a la izquierda

Esta distribución viene definida por dos parámetros:

X: N ( 2)

 es el valor medio de la distribución y es precisamente donde se sitúa el centro de la curva (de
la campana de Gauss).

 2: es la varianza. Indica si los valores están más o menos alejados del valor central: si la
varianza es baja los valores están próximos a la media; si es alta, entonces los valores están muy
dispersos.

Cuando la media de la distribución es 0 y la varianza es 1se denomina "normal estándar ", y

su ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto
de la curva de esta distribución.

Además, toda distribución normal se puede transformar en una normal estándar:

Ejemplo: una variable aleatoria sigue el modelo de una distribución normal con media 10 y
varianza 4. Transformarla en una normal estándar.

X: N (10, 4)

Para transformarla en una normal estándar se crea una nueva variable (Y) que será igual a la
anterior (X) menos su media y dividida por su desviación típica (que es la raíz cuadrada de
la varianza)

En el ejemplo, la nueva variable sería:

29
Esta nueva variable se distribuye como una normal estándar, permitiéndonos, por tanto,
conocer la probabilidad acumulada en cada valor.

2.4.1. DISTRIBUCIONES ESTÁNDAR: NORMAL

Y 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861

¿Cómo se lee esta tabla?

La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La

primera fila nos indica el segundo decimal del valor que estamos consultando.

Ejemplo: queremos conocer la probabilidad acumulada en el valor 2,75.Entonces buscamos en

la columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla de la
intersección es su probabilidad acumulada (0,99702, es decir 99.7%).

Atención: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de la

curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en ese punto. En

30
una distribución continua en el que la variable puede tomar infinitos valores, la probabilidad en
un punto concreto es prácticamente despreciable.

Ejemplo: Imaginemos que una variable continua puede tomar valores entre 0 y 5. La
probabilidad de que tome exactamente el valor 2 es despreciable, ya que podría tomar infinitos
valores: por ejemplo: 1,99, 1,994, 1,9967, 1,9998, 1999791, etc.

Veamos otros ejemplos:

Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486

Probabilidad acumulada en el valor 1,35: la respuesta es 0,9115

Probabilidad acumulada en el valor 2,19: la respuesta es 0,98574

Veamos ahora, como podemos utilizar esta tabla con una distribución normal:

Ejemplo: el salario medio de los empleados de una empresa se distribuye según una
distribución normal, con media 5 millones de ptas. y desviación típica 1 millón de ptas. Calcular
el porcentaje de empleados con un sueldo inferior a 7 millones de ptas.

Lo primero que haremos es transformar esa distribución en una normal estándar, para ello se
crea una nueva variable (Y) que será igual a la anterior (X) menos su media y dividida por la
desviación típica

En el ejemplo, la nueva variable sería:

Esta nueva variable se distribuye como una normal estándar. La variable Y que corresponde a
una variable X de valor 7 es:

Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a la

probabilidad de sueldos inferiores a 7 millones de ptas.). Esta probabilidad es 0,97725

Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de ptas. es del
97,725%.

EJERCICIOS

31
Ejercicio 1: La renta media de los habitantes de un país es de 4 millones de ptas/año, con una
varianza de 1,5. Se supone que se distribuye según una distribución normal. Calcular:

a) Porcentaje de la población con una renta inferior a 3 millones de ptas.

b) Renta a partir de la cual se sitúa el 10% de la población con mayores ingresos.

c) Ingresos mínimo y máximo que engloba al 60% de la población con renta media.

a) Porcentaje de la población con una renta inferior a 3 millones de ptas.

Lo primero que tenemos que hacer es calcular la normal estándar:

(*) Recordemos que el denominador es la desviación típica ( raíz cuadrada de la varianza)

El valor de Y equivalente a 3 millones de ptas es -0,816.

P (X < 3) = P (Y < -0,816)

Ahora tenemos que ver cuál es la probabilidad acumulada hasta ese valor. Tenemos un
problema: la tabla de probabilidades (ver lección 35) sólo abarca valores positivos, no obstante,
este problema tiene fácil solución, ya que la distribución normal es simétrica respecto al valor
medio.

Por lo tanto:

P (Y < -0,816) = P (Y > 0,816)

Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%) menos la
probabilidad acumulada hasta dicho valor:

P (Y > 0,816) = 1 - P (Y < 0,816) = 1 - 0,7925 (aprox.) = 0,2075

Luego, el 20,75% de la población tiene una renta inferior a 3 millones ptas.

b) Nivel de ingresos a partir del cual se sitúa el 10% de la población con renta más
elevada.

Vemos en la tabla el valor de la variable estándar cuya probabilidad acumulada es el 0,9 (90%),
lo que quiere decir que por encima se sitúa el 10% superior.

Ese valor corresponde a Y = 1,282 (aprox.). Ahora calculamos la variable normal X equivalente
a ese valor de la normal estándar:

32
Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a 5,57
millones de ptas. constituyen el 10% de la población con renta más elevada.

c) Nivel de ingresos mínimo y máximo que engloba al 60% de la población con renta
media

Vemos en la tabla el valor de la variable normalizada Y cuya probabilidad acumulada es el 0,8

(80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere decir
que entre la media y este valor de Y hay un 30% de probabilidad.

Por otra parte, al ser la distribución normal simétrica, entre -Y y la media hay otro 30% de
probabilidad. En definitiva, el segmento (-Y, Y) engloba al 60% de población con renta media.

El valor de Y que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el segmento
viene definido por (-0,842, +0,842). Ahora calculamos los valores de la variable X
correspondientes a estos valores de Y.

Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97
millones de ptas. e inferiores a 5,03 millones de ptas. constituyen el 60% de la población con un
nivel medio de renta.

Ejercicio 2: La vida media de los habitantes de un país es de 68 años, con una varianza de 25.
Se hace un estudio en una pequeña ciudad de 10.000 habitantes:

a) ¿Cuántas personas superarán previsiblemente los 75 años?

b) ¿Cuántos vivirán menos de 60 años?

a) Personas que vivirán (previsiblemente) más de 75 años

Calculamos el valor de la normal tipificada equivalente a 75 años

Por lo tanto

P (X > 75) = (Y > 1,4) = 1 - P (Y < 1,4) = 1 - 0,9192 = 0,0808

Luego, el 8,08% de la población (808 habitantes) vivirán más de 75 años.

b) Personas que vivirán (previsiblemente) menos de 60 años

Calculamos el valor de la normal tipificada equivalente a 60 años

Por lo tanto

33
P (X < 60) = (Y < -1,6) = P (Y > 1,6) = 1 - P (Y < 1,6) = 0,0548

Luego, el 5,48% de la población (548 habitantes) no llegarán probablemente a esta edad.

Ejercicio 3: El consumo medio anual de cerveza de los habitantes de un país es de 59 litros, con
una varianza de 36. Se supone que se distribuye según una distribución normal.

a) Si usted presume de buen bebedor, ¿cuántos litros de cerveza tendría que beber al año para
pertenecer al 5% de la población que más bebe?

b) Si usted bebe 45 litros de cerveza al año y su mujer le califica de borracho ¿qué podría
argumentar en su defensa?

a) 5% de la población que más bebe.

Vemos en la tabla el valor de la variable estándar cuya probabilidad acumulada es el 0,95 (95%),
por lo que por arriba estaría el 5% restante.

Ese valor corresponde a Y = 1,645 (aprox.). Ahora calculamos la variable normal X equivalente
a ese valor de la normal estándar:

Despejando X, su valor es 67,87. Por lo tanto, tendría usted que beber más de 67,87 litros al año
para pertenecer a ese "selecto" club de grandes bebedores de cerveza.

b) Usted bebe 45 litros de cerveza al año. ¿Es usted un borracho?

Vamos a ver en que nivel de la población se situaría usted en función de los litros de cerveza
consumidos.

Calculamos el valor de la normal estándar correspondiente a 45 litros:

Por lo tanto

P (X < 45) = (Y < -2,2) = P (Y > 2,2) = 1 - P (Y < 2,2) = 0,0139

Luego, tan sólo un 1,39% de la población bebe menos que usted. Parece un argumento de
suficiente peso para que dejen de catalogarle de "enamorado de la bebida"

Ejercicio 4: A un examen de oposición se han presentado 2.000 aspirantes. La nota media ha

sido un 5,5, con una varianza de 1,5.

34
a) Tan sólo hay 100 plazas. Usted ha obtenido un 7,7. ¿Sería oportuno ir organizando una fiesta
para celebrar su éxito?

b) Va a haber una 2ª oportunidad para el 20% de notas más altas que no se hayan clasificados.
¿A partir de que nota se podrá participar en esta "repesca"?

a) Ha obtenido usted un 7,7

Vamos a ver con ese 7,7 en que nivel porcentual se ha situado usted, para ello vamos a
comenzar por calcular el valor de la normal estándar equivalente.

A este valor de Y le corresponde una probabilidad acumulada (ver tablas) de 0,98214

(98,214%), lo que quiere decir que por encima de usted tan sólo se encuentra un 1,786%.

Si se han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes. Por lo que si
hay 100 plazas disponibles, tiene usted suficientes probabilidades como para ir organizando la
"mejor de las fiestas".

b) "Repesca" para el 20% de los candidatos

Vemos en la tabla el valor de la normal estándar que acumula el 80% de la probabilidad, ya que
por arriba sólo quedaría el 20% restante.

Este valor de Y corresponde a 0,842 (aprox.). Ahora calculamos el valor de la normal X

equivalente:

Despejamos la X y su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podrá
acudir a la "repesca".

2.5. Teorema Central del Límite

El Teorema Central del Límite dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribución (cualquiera que éste sea),
la suma de ellas se distribuye según una distribución normal.

Ejemplo: la variable "tirar una moneda al aire" sigue la distribución de Bernouilli. Si lanzamos
la moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre si) se
distribuye según una distribución normal.

Este teorema se aplica tanto a suma de variables discretas como de variables continuas.

Los parámetros de la distribución normal son:

35
Media: n *  (media de la variable individual multiplicada por el número de variables
independientes)

Varianza: n *  (varianza de la variable individual multiplicada por el número de variables



individuales)

Veamos un ejemplo:

Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el valor 0.
Cada lanzamiento es una variable independiente que se distribuye según el modelo de
Bernouilli, con media 0,5 y varianza 0,25.

Calcular la probabilidad de que en estos 100 lanzamientos salga más de 60 caras.

La variable suma de estas 100 variables independientes se distribuye, por tanto, según una
distribución normal.

Media = 100 * 0,5 = 50

Varianza = 100 * 0,25 = 25

Para ver la probabilidad de que salgan más de 60 caras calculamos la variable normal estándar
equivalente:

(*) 5 es la raíz cuadrada de 25, o sea la desviación típica de esta distribución

Por lo tanto:

P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228

Es decir, la probabilidad de que al tirar 100 veces la moneda salga más de 60 caras es tan sólo
del 2,28%

EJERCICIOS

Ejercicio 1.

La renta media de los habitantes de un país se distribuye uniformemente entre 4,0 millones ptas.
y 10,0 millones ptas. Calcular la probabilidad de que al seleccionar al azar a 100 personas la
suma de sus rentas supere los 725 millones ptas.

Cada renta personal es una variable independiente que se distribuye según una función
uniforme. Por ello, a la suma de las rentas de 100 personas se le puede aplicar el Teorema
Central del Límite.

La media y varianza de cada variable individual es:

36
 = (4 + 10 ) / 2 = 7

 2 = (10 - 4)^2 / 12 = 3

Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y varianza
son:

Media: n *  = 100 * 7 = 700

Varianza: n *  = 100 * 3 = 300

Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones ptas,
comenzamos por calcular el valor equivalente de la variable normal tipificada:

Luego:

P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749

Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar
supere los 725 millones de pesetas es tan sólo del 7,49%

Ejercicio 2.

En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada clase es del
10%. A lo largo del año tienes 100 clases de esa asignatura. ¿Cuál es la probabilidad de tener
que salir a la pizarra más de 15 veces?

Se vuelve a aplicar el Teorema Central del Límite.

Salir a la pizarra es una variable independiente que sigue el modelo de distribución de

Bernouilli:

"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10

"No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9

La media y la varianza de cada variable independientes es:

 = 0,10

 2 = 0,10 * 0,90 = 0,09

Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y varianza
son:

Media: n *  = 100 * 0,10 = 10

Varianza: n *  = 100 * 0,09 = 9

37
Para calcular la probabilidad de salir a la pizarra más de 15 veces, calculamos el valor
equivalente de la variable normal estándar:

Luego:

P (X > 15) = P (Y > 1,67) = 1 - P (Y < 1,67) = 1 - 0,9525 = 0,0475

Es decir, la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo del curso es
tan sólo del 4,75%

Ejercicio 3.

Un día visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser siempre al
negro y cada apuesta de 500 ptas. Llevamos 10.000 ptas. y queremos calcular que probabilidad
tenemos de que tras jugar 80 veces consigamos doblar nuestro dinero.

Cada jugada es una variable independiente que sigue el modelo de distribución de Bernouilli.

"Salir negro", le damos el valor 1 y tiene una probabilidad del 0,485

"No salir negro", le damos el valor 0 y tiene una probabilidad del 0,515

(*) La probabilidad de "no salir negro" es mayor ya que puede salir rojo o el cero

La media y varianza de cada variable individual es:

 = 0,485

 2 = 0,485 * 0,515 = 0,25

A la suma de las 80 apuestas se le aplica el Teorema Central del Límite, por lo que se
distribuye según una normal cuya media y varianza son:

Media: n *  = 80 * 0,485 = 38,8

Varianza: n *  = 80 * 0,25 = 20

Para doblar nuestro dinero el negro tiene que salir al menos 20 veces más que el rojo (20 * 500
= 10.000), por lo que tendrá que salir como mínimo 50 veces (implica que el rojo o el cero
salgan como máximo 30 veces).

Comenzamos por calcular el valor equivalente de la variable normal tipificada:

Luego:

P (X > 50) = P (Y > 2,50) = 1 - P (Y < 2,50) = 1 - 0,9938 = 0,0062

38
 Es decir, la probabilidad de doblar el dinero es tan sólo del 0,62% (así, que más vale que nos
pongamos a trabajar).

Ejercicio 4.

El precio de una acción en bolsa se mueve aleatoriamente entre 10 ptas. y 20 ptas., con la misma
probabilidad en todo el tramo. Hemos dado la orden a nuestro broker de que nos compre
paquetes de 1.000 acciones cada día durante las próximas 40 sesiones.

Una vez ejecutada la orden, tenemos un total de 40.000 acciones. A final de año vendemos todas
las acciones al precio de 13 ptas./acción, recibiendo 520.000 ptas. Calcular la probabilidad de
que ganemos dinero en esta operación.

El precio de cada paquete comprado es una variable aleatoria independiente que se distribuye
uniformemente entre 10.000 ptas y 20.000 ptas. Su media y varianza son:

 = (10.000 + 20.000 ) / 2 = 15.000

 2 = (20.000 - 10.000)^2 / 12 = 833,3

El precio total de los 40 paquetes comprados se distribuye según una distribución normal cuya
media y varianza son:

Media: n *  = 40 * 15.000 = 600.000

Varianza: n *  = 40 * 833,3 = 33.333,3

Para estimar la probabilidad de que ganemos dinero, calculamos el valor equivalente de la

variable normal tipificada:

Luego:

P (X > 520.000) = P (Y > 2,40) = 1 - P (Y < 2,40) = 1 - 0,9918 = 0,0082

Por tanto, la probabilidad de que ganemos dinero con la "dichosa" operación es tan sólo del
0,82%

2.6. Aproximación de la Poisson a la normal.

Sean X1, X2…m Xn, n, variables aleatorias independientes e idénticamente distribuidas como
Poisson cada una con promedio  en un intervalo dado. Es decir en el mismo intervalo cada X i,
ocurre con media y varianza iguales a  . Entonces, para n suficientemente grande la variable:
n
X  
i 1
Xi

tiene distribución de Poisson con media y varianzas iguales a n  .

39
en consecuencia, por el teorema del límite central, la variable aleatoria:
X  n
Z 
n
Tiene aproximadamente distribución N(0,1), cuando n es suficientemente grande.
La aproximación es buena si n  5 .

EJEMPLO:
El promedio del número de accidentes de trabajo en una fábrica es 2 cada semana. Calcular la
probabilidad de que se produzcan más de 30 accidentes durante 50 semanas.

SOLUCIÓN.
Sea Xi; # de accidentes por semana con un promedio de   1, Entonces,
50
X  
i 1
X i es el número de accidentes en 25 semanas.

tiene distribución de Poisson con media y varianzas iguales a

n  50 x 2  100

Por el teorema del límite central, la variable aleatoria:

X  n X  100
Z  
n 10

Tiene aproximadamente distribución N(01,1).

P  X  115  P X   114.5  P Z  1.45  0.0735

Laboratorio Nº 02

BinomiaI

1. Si X-B(n,p) tal que E(X)=3 y V(X)=2.4 ,calcular: P[X=3].

2. Un estudiante contesta al azar (o sea sin saber nada) a 9 preguntas, siendo cada una de 4
respuestas de las cuales sólo una es la correcta.
a) Determinar la distribución de probabilidades del número de preguntas contestadas
correctamente.
b) Si para aprobar tal examen debe contestar correctamente al menos 6 preguntas, ¿cuál es la
probabilidad de aprobar el examen?

40
 .

3. En una producción, la probabilidad de que un objeto sea defectuoso es 0.2. Si en una muestra
de n de tales objetos escogidos al azar uno por uno, se espera que haya un defectuoso,
a) calcular la probabilidad de que haya un objeto defectuoso.
b) ¿cuántos objetos defectuosos es más probable' que ocurra?

4. El 75% de la mercadería que recibe un comerciante del fabricante A es de calidad

excepcional, mientras que el 80'% de la mercadería que recibe del fabricante B es de calidad
excepcional. El 60% del total de la mercadería lo adquiere de A y el resto de B. Si se
seleccionan 4 unidades de la mercadería, ¿qué probabilidad hay de que se encuentren 2 unidades
que sean de calidad excepcional?

5. En una empresa donde los empleados son 80% hombres y 20% mujeres están aptos para
jubilarse el 10% de las mujeres y el 10% de los hombres. De cinco solicitudes para jubilarse,
¿cuál es la probabilidad de que al menos dos estén aptos para jubilarse?

6. Un vendedor a domicilio compra diariamente 10 unidades de un producto a $2 cada una. Por

cada uno, gana 13$ si vende o pierde 1$ si no vende en el día. Si la probabilidad de venta de
cada unidad es 0.2 y si las ventas son independientes
a) hallar la distribución de probabilidad de las unidades vendidas.
b) calcular la utilidad esperada del vendedor.

7. Una computadora utilizada por un sistema bancario de 24 horas asigna cada transacción <tI
azar y con igual probabilidad. a una de cinco posiciones de memoria: 1, 2, 3, 4, 5. Si al terminar
el periodo nocturno de un día se han registrado 1 S transacciones, ¿cuál es la probabilidad de
que el número de transacciones efectuadas a las posiciones de memoria par sea mayor que 3?

8. Una secretaria que debe llegar a la oficina a las 8 de la mañana, se retrasa 15 minutos en el'
20% de las veces. El gerente de la compañía que no llega si no hasta las 10 de la mañana llama
ocasionalmente a la oficina entre las 8 y 8.15 de la mañana. Para dictar una carta. Calcular la
probabilidad de que en 5 mañanas por lo menos una no encuentre a la secretaria.

9. Al realizar un experimento, la probabilidad de lograr el objetivo es 0.4. Si se realiza el

experimento 20 veces bajo las mismas condiciones y asumiendo resultados independientes

a) Calcular la probabilidad de lograr el objetivo por lo menos en tres de las 20 veces

b) El costo de realizar el experimento es de SI.1500, si se logra el objetivo; y de S/.3000 si no se
logra. Calcular el costo esperado para realizar el experimento.

Poisson

10. E] número medio de automóviles que llegan a una garita de peaje es de 120 por hora.
a) Calcular la probabilidad de que en un minuto cualquiera no llegue automóvil alguno.
b) Calcular la probabilidad de que en e] período de 3 minutos lleguen más de 5 automóviles.
c) Si tal garita puede atender a un máximo de 3 automóviles en 30 segundos, calcular la
probabilidad de que en un medio minuto dado lleguen más automóviles de lo que puede atender.

11. Un líquido contiene cierta bacteria con un promedio de 3 bacterias por cm. 3, calcular la
probabilidad de que una muestra,
a) de 1/3 de cm3 no contenga bacteria alguna.

41
b) de 2 cm,3 . Contenga por lo menos una bacteria.
12. Suponga que el número de accidentes de trabajo que se producen por semana en una fábrica
sigue la ley de Poisson de manera que la probabilidad de que ocurran 2 accidentes es igual a 3/2
de ]a probabilidad de que ocurra un accidente, Calcular la probabilidad de que no ocurran
accidentes en 2 semanas consecutivas.
13. Un banco atiende todos los días de 8am. a 4pm. y se sabe que e] número de clientes por día
que van a solicitar un préstamo por más de $10,000 tiene una distribución de Poisson con una
media de 3 clientes por día.
a) ¿Cuál es la probabilidad de que hasta el mediodía no se haya producido una solicitud de
préstamo por más de $10,000?
b) En cuatro días, ¿cuál es la probabilidad de que en dos de los días hasta el mediodía no se
haya producido una solicitud de préstamo por más de $10,000?

14. La demanda semanal de cierto producto tiene una distribución de Poisson. Actualmente su
media es 3 por semana. Se estima que después de una campaña publicitaria, el valor esperado de
la demanda se duplicará con probabilidad 0.8 y se triplicará con probabilidad 0,2, ¿cuál es la
probabilidad de que después de la campaña la demanda sea igual a 4?

15. El número de personas que cada día se aloja en un hotel es una variable aleatoria X que
tiene distribución de Poisson con parámetro  , .que puede ser igual a 20 con probabilidad 0.5,
igual a 15 con probabilidad 0.3, igual a 10 con probabilidad 0.2
a) Determinar P[X = k] , donde k = 1, 2, ..., etc.
b) Calcular el valor esperado de X.

16. Cierto tipo de loceta puede tener un número X de puntos defectuosos que sigue una
distribución de Poisson con una media de 3 puntos defectuosos por loceta. El precio de la loceta
es $1 si X =0, de $0.70 si X=1 o 2, y de $0.1 si X>2. Calcular el precio esperado por loceta.

17. El número de usuarios que acuden a cierta base de datos confidencial sigue una
distribución de Poisson con una media de dos usuarios por hora.
a) Calcular la probabilidad de que entre las 8 amo y el mediodía (l2.m) acudan más de dos
usuarios.
b) Si un operador de la base de datos trabaja todos los días de 8 amo hasta el mediodía (l2.m),
¿cuál es la probabilidad de que este operador tenga que' esperar más de 7 días hasta observar el
primer día en el cual acceden más de dos usuarios?

18. Cierta panadería dispone de una masa con frutas confitadas para hacer. 200 panetones.
Agrega 2,000 pasas de uvas a la masa y la mezcla bien. Suponga que e] número de pasas es una
variable aleatoria de Poisson con un promedio 10 pasas por panetón. '
a) Calcular ]a probabilidad de que un panetón elegido a] azar no contenga ninguna pasa.
b) ¿Cuántos panetones se espera que contengan 6 pasas?

Normal

19. En cierta comunidad, el porcentaje del ingreso ahorrado por las familias tuvo una media del
10% y una desviación están dar de 1.2%. Suponga que la distribución es normal.
a) Si el 2.28% de los ahorros son mayores que 12.4%, determine la desviación estándar.
b) ¿Qué porcentaje de familias ahorró entre 9 y 12% de su ingreso?
c) Determine el ahorro máximo para el 0.8% de las familias con bajos ahorros.

42
20. Una pequeña ciudad es abastecida de agua cada dos días. El consumo en volumen de agua
(cada dos días) tiene distribución normal.

a) Determine la media y varianza de la distribución si se sabe que el 0.62% del consumo es al

menos de 22,500 litros y que el 1.79% del consumo es a lo más 17,900 litros.
b) Hallar la capacidad del tanque de agua de la pequeña ciudad para que sea sólo el 0.01 la
probabilidad de que en el periodo de dos días el agua no sea suficiente para satisfacer toda la
demanda.

21. Las calificaciones de una prueba final de Estadística tienen distribución normal con una
media de 12. Si el 95.44% de los examinados obtuvieron calificaciones entre 8 y 16,
a) Calcular la desviación estándar de la distribución.
b) Si la nota aprobatoria es 11, ¿qué porcentaje de alumnos aprobaron el curso?
c) ¿Qué nota como mínimo debería tener un alumno para estar ubicado en el quinto superior?

22. Los puntajes de una prueba de aptitud académica están distribuidos normalmente con una
media de 60 y una desviación estándar de 10 puntos.
a) Si el 12.3% de los alumnos con mayor puntaje reciben el calificativo A y el
20% de los alumnos con menor nota reciben el calificativo C, calcular el mínimo puntaje que
debe tener un alumno para recibir una A, y el máximo puntaje que debe tener un alumno para
recibir una C.
b) Si el resto de los alumnos recibe el calificativo B y si el total de alumnos es igual a 90,
¿cuántos alumnos recibieron el calificativo de A, B Y C?
.
23. Las calificaciones de una prueba final de Matemática Básica tienen distribución normal con
una media igual a 8. Si el 6.68% de los examinados tienen nota aprobatoria (mayor o igual a
11), ¿cómo debe modificarse cada nota para conseguir un 45% de aprobados?

24. Suponga que el ingreso familiar mensual en una comunidad tiene distribución normal con
media $400 y desviación estándar $50.
a) Si el 10% de las familias con mayores ingresos debe pagar un impuesto, ¿a partir de que
ingreso familiar se debe pagar el impuesto?
b) Si el ahorro familiar está dada por la relación Y = X /4 - 50, ¿cuál es la probabilidad de que el
ahorro sea superior a $75?

25. Una pieza es considerada defectuosa y por lo tanto rechazada si su diámetro es mayor que
2.02 cm. o menor de 1.98 cm.. Suponga que los diámetros tienen una distribución normal con
una media de 2 cm. y una desviación estándar de 0.0 I cm.

a) Calcular la probabilidad de que una pieza sea rechazada

b) ¿Cuál es el número esperado de piezas rechazadas de un lote de 10,000 piezas?
c) Si se escogen 4 piezas al azar, ¿cuál es la probabilidad de que 2 de ellos sean defectuosos? .
d) Se necesitan 4 piezas sin defecto para una máquina. Si estos se prueban uno a uno sin
reposición, ¿cuál es la probabilidad de que la cuarta pieza buena sea la sexta probada?

15. Un gerente viaja diariamente en automóvil de su casa a su oficina y ha -- encontrado que el

tiempo empleado en el viaje sigue una distribución normal con media de 35.5 minutos y
desviación estándar de 3 minutos. Si sale de su casa todos los días a las 8.20 a.m. y debe estar en
la oficina a las 9 a.m.

43
a) ¿Cuál es la probabilidad de que llegue tarde en un día determinado?
b) Suponiendo independencia entre un día y otro, ¿cuál es la probabilidad de que llegue a
tiempo a la oficina 3 días consecutivos?

16. Cierto líquido industrial contiene un porcentaje X por galón de un compuesto particular
cuya distribución es normal con una media de 15% y una desviación estándar de 3%. El
fabricante tiene una utilidad neta de $0.15, si 9 < X < 21, de $0.10, si 21<= X<=27, y una
pérdida de $.05, si 3<= X<=9, calcular la utilidad esperada por galón.

17. El peso en kilogramos de los artículos que se hacen en la fábrica A tiene una distribución
normal con una media de 25 Kg. Y con una desviación estándar de.
4 Kg.. Mientras que el peso de los artículos que se hacen de la fábrica B tiene una distribución
normal con una media de 28 Kg. Y con una desviación estándar de 3 Kg. De un lote que
contiene el 40% de artículos de A y el 60% de B se elige uno al azar; ¿cuál es la probabilidad de
que el peso de este artículo esté entre 25 Kg. Y 28 Kg?

44