2020 Probabilidad-Basica y Modelos de Probabilidad

Probabilidad
Probabilidad básica
Modelos de probabilidad
Conceptos
Procedimientos
Aplicaciones
Año 2020
Carlos Garibaldi
Los estadísticos utilizan la palabra experimento para describir cualquier proceso que
genere un conjunto de datos, o bien algún fenómeno que interesa observar; cada
realización de este es un ensayo. El experimento aleatorio es aquel proceso de
observación que puede repetirse a voluntad en condiciones similares, con la condición
de que el resultado no pueda ser previsto antes de cada una de sus realizaciones.
Un ejemplo simple de experimento puede ser el lanzamiento al aire de una moneda. En
este experimento solo hay dos resultados posibles, cara o cruz.
El conjunto de todos los resultados posibles de un experimento estadístico se llama
espacio muestral, y se representa por el símbolo S.
Cada elemento en un espacio muestral se llama punto

muestral o evento. Si el espacio muestral tiene un
numero finito de elementos, podemos listarlos.
Ejemplo Considere el experimento de lanzar un dado. Si nos

interesamos en el número que muestra la cara superior, el
espacio muestral sería:
S = [1,2,3,4,5,6]
Cuando los puntos muestrales son pocos, se pueden listar, utilizar algún diagrama de
árbol, pero, cuando son numerosos estos puntos muestrales, se utilizan las técnicas de
conteo, algunas de ellas, las puede ver en el anexo 1
El evento compuesto es aquel que comprende varios resultados de un experimento

aleatorio
Para cualquier experimento dado podemos

estar interesados en la ocurrencia de ciertos
https://www.youtube.com/watch?v=NuL32olyObY
eventos, más que en el resultado de un www.youtube.com/watch?v=C5nZ3XIfQ88
elemento específico en el espacio muestral.
• Un evento es un subconjunto de un espacio muestral.

• El complemento de un evento A con
respecto al espacio muestral S es el
Ejemplo Considérese el espacio muestral
subconjunto de todos los elementos de
S = [libro, máquina, ingeniero]
S que no están en A y se denota Sea A = [libro, máquina]
mediante el símbolo A’. Entonces A’ = [ingeniero]
• La intersección de dos eventos A y B denotados mediante el símbolo A ∩ B

es el evento que contiene a todos los elementos que son comunes a A y a B
Ejemplo Suponga que P es el evento, que una persona seleccionada al azar asiste a una
conferencia sea profesional, y M el evento de que la persona tenga más de 30 años. Entonces
el evento P ∩ M es el conjunto de todos los profesionales en la conferencia que tienen más de
30 años.
Probabilidad básica-Modelos de probabilidad 2

• Dos eventos A y B son mutuamente excluyentes si A ∩ B = ∅ es decir si
A y B no tienen elementos en común, la aparición de un evento excluye
totalmente el otro.
Ejemplo Sea E el evento que la carta es de espada y C el evento que la carta es de copa. Por lo
tanto, la intersección E ∩ C = ∅ ya que la carta es de espada o es de copa. Entonces son
eventos mutuamente excluyentes,
• La unión de dos eventos A y B, que se denota mediante el símbolo A ∪ B, es el

evento que contiene todos los elementos que pertenecen a A o a B o a ambos
Ejemplo Sea B el evento que un empleado beba alguna bebida gaseosa. Sea F el evento que un
empleado fume cigarrillos. Entonces el evento B ∪ F es el conjunto de todos los empleados que
beben, o que fumen, o ambas cosas.
Probabilidad de un evento
Seguramente los juegos de azar fue uno de los motivos que condujo al desarrollo
temprano de la teoría de la probabilidad. Teoría que abarca mucho más allá de los
juegos de azar, ya que, en la actualidad se la utiliza en la política, negocios, predicción
del clima y la investigación científica.
¿Qué queremos decir cuando hacemos
afirmaciones como “....probablemente
apruebe el final”, o “....tiene un cincuenta
por ciento de posibilidades”. En cada caso
expresamos un resultado del cual no
estamos seguro, pero debido a la
información del pasado o a partir de una
comprensión de la estructura del
experimento, tenemos algún grado de
confianza en la validez de la afirmación.
La probabilidad de la ocurrencia de un evento

que resulta de un experimento estadístico se
evalúa por medio de un conjunto de números
reales denominados pesos o probabilidades que van de 0 (ninguna posibilidad que
suceda ese evento) a 1 (certeza total que ocurrirá). Para todo punto en el espacio
muestral asignamos una probabilidad tal que la suma de todas las probabilidades es 1.
Si tenemos razón para creer que es bastante
probable que ocurra cierto punto muestral la
probabilidad que se le asigne debe ser cercana a
https://www.youtube.com/watch?v=6RO5mdTz-sI
1. Por otro lado, una probabilidad cercana a 0 https://www.youtube.com/watch?v=IMxCjH4HfV4
indica que ese punto muestral es poco probable https://www.youtube.com/watch?v=K9UZpT8mnj0
que suceda.

La regla de Laplace manifiesta que, si un experimento puede tener como resultado
cualquiera de N resultados igualmente probables, y sí exactamente n de esos resultados
corresponden al evento A, entonces, la probabilidad del evento A es:
n
P(A) = N
Es decir, el cociente entre casos favorables y casos posibles
Ejemplo Se lanza dos veces una moneda ¿cuál es la probabilidad que ocurra al menos una cara?
El espacio muestral para este experimento es:

S = [CC, CS, SC, SS)
Si la moneda está balanceada cada uno de estos resultados tendrá la misma probabilidad de
ocurrir. Designando como A al evento que se dé por lo menos una cara, entonces:
A = [CC, CS, SC] y P(A) = 4

1
+ 14 + 1
4 = 0,75
Aprovecharemos el ejemplo para mostrar el experimento y las probabilidades con un

diagrama de árbol
Puntos muestrales
0,5
C CC
0,5 C
S CS
0,5
0,5 C SC
S
S SS
0,5
0,5
Observe que hay 3 puntos muestrales de cuatro posibles en que hay como mínimo una
cara. De allí la probabilidad del evento A es:
3
P(A) = 4 = 0,75
La probabilidad de un evento A es la suma de los pesos de todos los puntos muestrales
en A. Por lo tanto
0 ≤ P(A) ≤ 1 ; P(∅) = 0 y P(S) = 1
Se conocen tres teorías de probabilidad:

o Teoría clásica, conocida como probabilidad “
a priori” en esta teoría todos los eventos
tienen la misma probabilidad o son
igualmente probables. No tenemos necesidad
de realizar un experimento para llegar a
conclusiones, nos basamos en un
razonamiento abstracto.
En el sentido clásico la probabilidad se define:
Si un experimento puede tener como

resultado cualquiera de N resultados igualmente probables, y sí exactamente
n de esos resultados corresponden al evento E, entonces, la probabilidad del
evento E es:
1
P(E) = 4
Ejemplo Se lanza una moneda al aire y se quiere saber ¿Cuál es la probabilidad que la moneda
salga cara? ¿Cuál es la probabilidad de que la moneda salga sello?
P(C) = 0,50 P(S) = 0,50
El planteamiento clásico de probabilidad supone no existen situaciones que

son bastante improbables pero que podemos concebir como reales. La
probabilidad clásica supone también una especie de simetría en el mundo,
y esta suposición también puede ocasionarnos problemas. Las situaciones
de la vida real, desordenadas y poco probables como son a menudo, hacen
que sea útil definir la probabilidad de otras formas.
o Teoría de la frecuencia relativa, el enfoque de frecuencia relativa de la

probabilidad depende de la repetibilidad de algunos procesos y la capacidad
de contar el número de repeticiones, así como el número de veces que algún
evento de interés ocurre. En este contexto, se puede definir la probabilidad
de observar alguna característica, E, de un evento como sigue:
Si algún proceso es repetido un gran número de veces, n, y si algún evento

resultante, con la característica E, ocurre m veces, la frecuencia relativa de
la ocurrencia de E, m/n, es aproximadamente igual a la probabilidad de E.
𝑚𝑚
P(E) =
𝑛𝑛
Sin embargo, se debe tener en mente que, estrictamente hablando, m/n es
sólo una estimación de P(E).

Ejemplo Se conoce por información anterior que una moneda se lanzó en 100 ocasiones al aire
y resultaron 70 caras, luego se lanza una vez más y se pretende saber ¿Cuál es la probabilidad
que la moneda salga cara? ¿Cuál es la probabilidad de que la moneda salga sello
Al contar con información de experimentos anteriores, utilizamos las frecuencias con que se
dieron ambos resultados. Por lo tanto:
P ( C ) = 0,70 P( S ) = 0,30
En este planteamiento de frecuencia relativa el numero que se obtiene

como probabilidad, adquirira mayor precision a medida que aumentan las
observaciones.
o Teoría subjetiva (“personalista”). Este enfoque sostiene que la

probabilidad mide la confianza que un individuo tiene en la certeza de una
proposici6n determinada. Este concepto no depende de la repetibilidad de
ningún proceso. Se hace uso de la intuición, las creencias personales y otra
información indirecta para llegar a probabilidades
Ejemplo Se conoce que la moneda no es legal y de los dos lados presenta cara. Entonces por
conocimiento:
P(C) =1 P(S) = 0
https://www.youtube.com/watch?v=lXsMmYXe3kg
En la mayor parte de este material de estudio nos basaremos en la teoría de la

frecuencia relativa. La investigación científica se fundamenta en el experimento
estadístico y no en la subjetividad.
La probabilidad tiene algunas propiedades:
• La probabilidad de cualquier evento E, es un número no negativo, es decir,

• P(E) >=0
• La suma de las probabilidades de todos los resultados mutuamente excluyentes
es igual a 1.
• P(E) + ... + P(E,) = 1
Reglas de la adición
Se aplica a uniones de eventos. Si A y B son cualesquiera dos eventos, entonces:

P (A ∪ B) = P (A) + P (B) – P (A ∩ B)
En la teoría de conjuntos se lo representa de esta forma

A A∩B B
Ejemplo La probabilidad de que un alumno apruebe Matemática es 0,6 y la probabilidad de que

apruebe Inglés es 0, 4 . Si la probabilidad de aprobar ambas disciplinas es 0,20. ¿Cuál es la
probabilidad de que apruebe al menos una de las disciplinas?
P (M∪ I ) = P (M) + P (I) – P (M ∩ I)

P (M∪ I ) = 0,60 + 0,40 – 0,20
P (M∪ I ) = 0,80
De la formula general de probabilidad planteada arriba se deduce que:

Si A y B son dos eventos, mutuamente excluyentes:
P (A ∪ B) = P (A) + P (B)
Ejemplo En un curso de admisión se encuentran 70 personas que viven en la ciudad y 30

personas que viven en el interior. Queremos saber la probabilidad de que, si seleccionamos una
persona, la misma viva en el interior o en la ciudad
P (C ∪ I) = P (C) + P (I)
P (C ∪ I) = 0,70 + 0,30 = 1
P (C ∪ I) = 1
https://www.youtube.com/watch?v=3-zOxkssUoc
https://www.youtube.com/watch?v=3h29_gTdZGQ
Probabilidad condicional
En ocasiones, el conjunto de todos los "resultados posibles" puede constituir un

subconjunto del conjunto universal; la poblaci6n de interés se puede reducir mediante
algún conjunto de condiciones, no aplicables a la poblaci6n total. Cuando se calculan

las probabilidades con un subconjunto del conjunto universal como denominador, el
resultado es una probabilidad condicional.
La probabilidad de que un evento B ocurra cuando se sabe
que ya ocurrió algún evento A, se llama probabilidad
condicional y se denota P (B/A). Por lo general se lee.
“probabilidad de B dado que ocurrió A”
La probabilidad condicional de B dado A se define como:

P ( A∩ B )
P(B/A) = P ( A) Si P(A) > 0
Ejemplo La probabilidad de que un barco salga a tiempo es P(S) = 0,80; la probabilidad de que
llegue a tiempo es P(L) = 0,70; y la probabilidad de que salga y llegue a tiempo es P (S ∩ L) =
0,60. La probabilidad de que un barco llegue a tiempo, dado que salió a tiempo
P( L∩S )
P(L/S) = P(S )
0 , 60
P(L/S) = 0 , 80
P(L/S) = 0,75
La probabilidad condicional proporciona la capacidad de reevaluar la idea de

probabilidad de un evento a la luz de información adicional, es decir cuando se sabe
que ocurrió otro evento.
https://www.youtube.com/watch?v=iRvdGXnMqeQ
Eventos independientes
La probabilidad condicional nos permite comprender el concepto de independencia,

o en el contexto actual, el de eventos independientes.
Cuando la ocurrencia de B no tiene impacto en las probabilidades de ocurrencia de A,
quiere decir, que la ocurrencia del evento A es
independiente de la ocurrencia del evento B.
El concepto de independencia juega un papel muy
importante en todas las áreas de la estadística
aplicada.
Dos eventos A y B son independientes sí y sólo

sí
P(B/A) = P(B) y P(A/B) = P(A)

De otra forma A y B son dependientes
Ejemplo La probabilidad que una persona sea contadora es P(C) = 0,40 , si seleccionamos una
persona, sabemos que la persona seleccionada, fue bachiller (B) y queremos determinar la
probabilidad de que sea contadora. Entonces:
P(C/B) = P (C) = 0,40

En este caso los eventos C y B son independientes, es decir que la persona haya sido bachiller
no tiene impacto en que la persona sea contadora
Reglas de la multiplicación https://www.youtube.com/watch?v=d4yIg-nEk-M
La regla multiplicativa es importante ya que nos permite calcular las probabilidades de

que se den dos más eventos en forma conjunta o simultánea.
Si en un experimento pueden ocurrir los eventos A y B entonces:
P (A ∩ B) = P(A) P(B/A)
Es de destacar que (A ∩ B) es equivalente a (B ∩ A)
Ejemplo Suponga que se tiene una caja que contiene 20 transistores de los cuales 5 están
defectuosos. Si se seleccionan dos transistores al azar, primero se saca uno, no se repone en la
caja y luego se saca el otro, a este procedimiento se lo conoce como muestreo sin reposición
“MSR”. Se quiere determinar la probabilidad de que ambos sean defectuosos.
P (D1 ∩ D2 ) = P(D1) P(D2/D1)

5 4
P (D1 ∩ D2 ) = 20 19
P (D1 ∩ D2 ) = 0,05
https://www.youtube.com/watch?v=ifTWwKH8AT0
La fórmula desarrollada arriba, se aplica para eventos dependientes, ya que al

tratarse de MSR al conocerse un evento afecta o impacta en las probabilidades de los
restantes eventos.
En el caso de tratarse de muestreo con reposición MCR los eventos son
independientes y se tiene:
Dos eventos A y B son independientes si y solo si
P (A ∩ B) = P(A) P(B)

Ejemplo Suponga que se tiene la caja que contiene 20 transistores de los cuales 5 están
defectuosos. Si se seleccionan dos transistores al azar, primero se saca uno, se lo repone en la
caja y luego se saca otro (este procedimiento se lo conoce como muestreo con reposición
“MCR”). Se quiere determinar la probabilidad de que ambos sean defectuosos.
P (D1 ∩D2 ) = P(D1) P(D2)

5 5
P (D1 ∩D2 ) = 20 20
P (D1 ∩D2 ) = 0,06
Regla de Bayes
La probabilidad condicional toma en cuenta la información en cuanto a la ocurrencia

de un evento, para predecir la probabilidad de otro evento. Este concepto se puede
ampliar para la revisión de las probabilidades basadas en
nueva información y para determinar la probabilidad de que
un evento particular se debió a una causa especifica.
La regla de Bayes es un caso especial de la probabilidad
condicional que se aplica cuando se desea calcular la
probabilidad condicional de un evento que ocurrió primero
dado lo que ocurrió después
La regla de Bayes es:
𝑃𝑃(𝐶𝐶𝑖𝑖 )𝑃𝑃(𝐴𝐴/𝐶𝐶𝑖𝑖 )
P(Ci/A) =
Σ 𝑃𝑃(𝐶𝐶𝑖𝑖 )𝑃𝑃(𝐴𝐴/𝐶𝐶𝑖𝑖 ))
Donde:
P(Ci): son las llamadas probabilidades “a priori” por ser las que tienen los sucesos Ci
antes de saber que ha ocurrido el suceso A
P(A ∩ Ci): son las probabilidades conjuntas
P(A / Ci): son las probabilidades condicionales
P(Ci /A): son las llamadas probabilidades “a posteriori ” porque son las que tienen los
sucesos Ci , luego de saber que ha ocurrido el suceso A
Estas probabilidades condicionales, se las conoce, como “a posteriori o revisadas”

porque son obtenidas luego de la evidencia experimental
https://www.youtube.com/watch?v=yWUTaQOwjxU

Ejemplo En la línea 1 se fabrican el 30 % de las piezas, en la línea 2 el 35 % y el resto en la línea 3. La
probabilidad de encontrar una pieza defectuosa es 0.01 , 0,015 y 0,009 respectivamente. Elegida una
pieza es defectuosa ¿Qué probabilidad hay de que sea de la línea 2?
0.30 Línea 1 0.01 D/L1
0.35 Línea 2 0.015 D/L2
0.35 Línea 3 0.009 D/L3
𝑃𝑃(𝐿𝐿2) 𝑃𝑃(𝐷𝐷/𝐿𝐿2)
P(L2/D) =
𝑃𝑃(𝐿𝐿1) 𝑃𝑃 (𝐷𝐷/𝐿𝐿1)+𝑃𝑃(𝐿𝐿2) 𝑃𝑃 (𝐷𝐷/𝐿𝐿2)+𝑃𝑃(𝐿𝐿3) 𝑃𝑃 (𝐷𝐷/𝐿𝐿3)
(0.35) (0,015)
=
(0,30) (0,01)+(0.35) (0,015)+(0.35)(0.009)
P(L2/D) = 0.4605 es la probabilidad de que sea de la línea 2
también se puede utilizar el cuadro bayesiano para la resolución de problemas
sucesos A priori Condicional Conjunta A posteriori

(a) (b) C= (a) . (b) d = c / Σc
L1 0.30 0,01 0,003 0.2631
L2 0.35 0.015 0,00525 0.4605
L3 0.35 0.009 0,00315 0.2763
0,00114
Así como anteriormente se dijo que los diagramas de árboles son muy útiles a la hora
de obtener probabilidades, también lo son, las tablas de contingencias.
Una tabla de contingencia o de clasificación cruzada, es una matriz de tantas filas y
tantas columnas como eventos se identifiquen en el experimento.
Eventos mutuamente excluyentes del experimento

(C , D) y rótulo de total
C D Total
Eventos
A ∩ ∩ ∪
En las celdas centrales se ubican las intersecciones
B ∩ ∩ ∪ de los eventos del experimento (A y C), (A y D),
(B y C), (B y D)
Total ∪ ∪ Total
En las celdas de los márgenes se ubican los totales

Eventos mutuamente excluyentes del experimento
de cada evento, con ellos se calculan
(A , B) y rótulo de total
probabilidades marginales: P(A), P(B), P(C ) P(D)

Para la construcción de una tabla de contingencias, como primera medida, identifique
los eventos del experimento; luego, ubique los eventos que son mutuamente
excluyentes entre sí del mismo lado, esto es, o todos ellos como filas o todos como
columnas. Recuerde que estos eventos no tienen puntos en común, sus intersecciones
son vacías.
Ejemplo Se pretende evaluar una prueba para detección de cierta enfermedad que afecta la memoria. Se
analizan 900 casos que presentan síntomas y 1000 pacientes que no presentan síntomas. En la tabla de
contingencia se presentan los resultados.
Resultado Diagnostico Si (S) Diagnostico No (No) Total

Positivo (P) 872 10 882
Negativo (Ne) 28 990 1018
Total 900 1000 1900
En la tabla se tienen los siguientes eventos:

P: Resultado Positivo
Ne: Resultado Negativo
S: Diagnostico Si
No: Diagnostico No
Los eventos P y N son eventos mutuamente excluyentes entre si, lo mismo ocurre, entre los eventos S y No
En el cuerpo de la tabla se encuentran las intersecciones de los eventos, de allí se obtienen las
probabilidades conjuntas o intersecciones, a saber:
872 10
P(P ∩ S)= 1900 P(P ∩ No) = 1900
P(P ∩ S)= 0,458 P(P ∩ No) = 0,005
28 990
P(Ne ∩ S)= 1900 P(Ne ∩ No) = 1900
P(Ne ∩ S)= 0,014 P(Ne ∩ No) = 0,521
En los márgenes de la tabla, se encuentran los datos para obtener las probabilidades marginales:
882 1018
P(P)= 1900 P(Ne)= 1900
P(P)= 0,464 P(Ne)= 0,535
900 1000
P(S)= 1900 P(No)= 1900
P(S)= 0,473 P(No)= 0,526
Conceptualmente una probabilidad marginal, es una sumatoria de probabilidades conjuntas, por

ejemplo:
P(P) = P(P ∩ S) + P(P ∩ No) P(S) = P(P ∩ S) + P(Ne ∩ S)
872 10 872 28
P(P) = 1900 + 1900 P(S) = 1900 + 1900
882 900
P(P) = 1900 P(S) = 1900
P(P) = 0,464 P(S) = 0,473
Las probabilidades condicionales, las puede obtener efectuando el cociente entre una probabilidad
conjunta y una probabilidad marginal. Algunas probabilidades condicionales son:
P(P/S) = P(P ∩ S) / P(S) P(Ne/S) = P(Ne ∩ S) / P(S)
872 28
P(P/S) = 1900�900 P(Ne/S) = 1900�900

1900 1900

P(P/S) = 0,968 P(Ne/S) = 0,031
P(S/P) = P(P ∩ S) / P(P) P(S/N) = P(N ∩ S) / P(N)
872 28
P(S/P) = 1900�882 P(S/Ne) = 1900�1018

1900 1900
P(S/P) = 0,988 P(S/Ne) = 0,027
A continuación se procede a probar independencia de dos eventos: evento (P) y evento (S).
Recuerde que si estos eventos son independientes se debe cumplir:
P(P ∩ S) = P(P) x P(S) o bien P(P/S) = P(P)
Al reemplazar se obtiene
0,4458 ≠ 0,464 x 0,473 0,968 ≠ 0,464
Por lo que se concluye que los eventos: P y S, son eventos dependientes
www.youtube.com/watch?v=2y6zs8o-YWg
Actividades de aprendizaje
1.1 Durante cierto mes del año se estima que la probabilidad que el precio de una pieza específica para
autopartes: aumente (A), permanezca sin cambios (S), o se reduzca (R) es de 0.30 , 0.20 y 0.50,
respectivamente.
a. ¿Cuál es la probabilidad que la pieza aumente o permanezca sin cambios?

b. ¿Cuál es la probabilidad que la pieza cambie de precio?
1.2 Encuentre los errores en cada una de las siguientes aseveraciones:
a) Las probabilidades de que un vendedor de automóviles venda 0, 1, 2 o 3 unidades en un día dado

de febrero son 0.19, 0.38, 0.29 y 0.15, respectivamente.
b) La probabilidad de que llueva mañana es 0.40 y la probabilidad de que no llueva es 0.52.
c) Las probabilidades de que una impresora cometa 0, 1, 2, 3 o 4 o más errores al imprimir un
documento son 0.19, 0.34, -0.25, 0.43 y 0.29, respectivamente.
1.3 Si A y B son mutuamente excluyentes, P(A) = 0.29 P(B) = 0.43 ,
Calcule:
a. P(AUB) b. P(AB) c. P(A/B) d. P(B/A)
1.4 Si P(A) = 0.35 P(B) = 0.73 y P(AB) = 0.14
Calcule:
a. P(AUB) b. P(AB) c. P(A/B)
1.5 De 500 empleados de una fábrica, 200 participan de un plan de capacitación de calidad, 400 en un plan
de capacitación en Informática, y 200 participan en ambos programas.
a. ¿Cuál es la probabilidad de que un empleado elegido al azar participe como mínimo en uno de los
dos programas?
b. ¿Qué no participe en ninguno de los dos programas?

1.6 Una agencia de autos recibe un embarque de 40 automóviles nuevos. Entre estos, 4 autos tienen
defectos. La agencia decide seleccionar aleatoriamente, sin reposición, dos y aceptar el embarque si
ninguno de los dos vehículos seleccionados tiene defectos. ¿Cuál es la probabilidad de aceptar el
embarque?
1.7 De entre 20 tanques fabricados para una nave espacial, tres se encuentran con defectos. Si se
seleccionan aleatoriamente 4 tanques (sin reposición). ¿Cuál es la probabilidad de que ninguno este
defectuoso? ¿Cuál es la probabilidad de que uno este defectuoso?
1.8 De 100 personas que presentaron solicitud para un puesto técnico, 40 tenían alguna experiencia en el
puesto (E) y 30 eran profesionales (P). Sin embargo 20 de los solicitantes tenían experiencia y eran
profesionales.
a. ¿Cuál es la probabilidad de que un solicitante sea profesional o tenga experiencia?

b. ¿Cuál es la probabilidad de que el solicitante tenga experiencia o bien sea profesional, pero no ambas
situaciones
1.9 Para el ejercicio anterior, determine:
a. La probabilidad de que un solicitante sea profesional, dado que tiene alguna experiencia de trabajo.
b. Aplique alguna prueba para determinar si tener experiencia y ser profesional son eventos
independientes
1.10 En una empresa de la industria textil se encuentran: 5 operarios varones, 4 administrativos varones, 6
mujeres operarias, y 3 mujeres de administración. Se elige una persona al azar. Calcule:
a. Probabilidad que la persona sea operario o mujer

b. Probabilidad que la persona sea administrativo varón
c. Probabilidad que la persona sea administrativa y operaria
d. Probabilidad que la persona sea mujer, ya que es administrativa.
1.11 Se elige un proveedor al azar de una lista que contiene 7 proveedores nacionales y 3 proveedores del
exterior. Luego se repite la operación sin el proveedor seleccionado. ¿Cuál es la probabilidad que
aparezca un solo proveedor nacional?
1.12 Una empresa produce autos medianos y grandes. El 80 % de la producción se exporta y el 50 % de la

producción que se exporta y el 30 % de la producción vendida en el país, corresponden a vehículos
medianos. Si se toma una unidad
a. ¿Cuál es la probabilidad de que ese vehículo sea mediano y vaya al exterior?

b. ¿Cuál es la probabilidad de que el vehículo sea grande?
1.13 En una empresa dedicada al diseño industrial el 40 % de las personas que ocupan cargos jerárquicos son
ingenieros y el porcentaje restante son administradores de empresas. De los ingenieros el 60 % se graduó
en universidades públicas y de los administradores de empresas el 30 % lo hizo en universidades privadas.
Si se toma a una persona cualquiera:
a. ¿Cuál es la probabilidad que sea ingeniero?

b. ¿Cuál es la probabilidad que sea administrador de empresa ya que cursó en una universidad
privada?
c. ¿Son independientes los eventos ingeniero y universidad pública?
1.14 Para parejas casadas que viven en cierto suburbio, la probabilidad de que el esposo vote en un referéndum
es 0.21, la probabilidad de que vote la esposa es 0.28 y la probabilidad de que ambos voten es 0.15. ¿Cuál
es la probabilidad de que… a) al menos uno de los miembros de la pareja casada vote? b) la esposa vote,
dado que su esposo vota? c) el esposo vote, dado que su esposa vota?
1.15 La probabilidad de que el gerente de compras este en la oficina cuando llame el representante de marketing
de una empresa proveedora es 0.4. Dado que el gerente está en la oficina, la probabilidad de que la
empresa le venda un producto es 0.3. Encuentre la probabilidad de que el gerente esté en la oficina y
compre productos de la empresa.

1.16 Una empresa alquila autos para sus ejecutivos de tres agencias: 20 % de la Agencia “A” , 20 % de la
agencia “B” , y 60 % de la agencia “C”. Si el 10 % de los autos de la agencia “A”, 12 % de la agencia “B”,
y 4 % de los autos de la agencia “C” tienen neumáticos en mal estado.
¿Cuál es la probabilidad de que un auto con neumático en mal estado rentado por la empresa provenga
de la agencia “C”?
1.17 En una cierta universidad el 20 % de los hombres y el 1 % de las mujeres trabajan. Asimismo, el 40 % de
los estudiantes son mujeres. Si se selecciona un estudiante al azar y se observa que trabaja ¿Cuál es la
probabilidad de que sea mujer? ¿son independientes los eventos: mujer y trabaja?
1.18 En un campus universitario existen 3 carreras sanitarias. Se sabe que el 50% cursan estudios de
Enfermería, el 30% Medicina y el 20% Veterinaria. Los que ﬁnalizaron sus estudios son el 20, 10 y 5%
respectivamente. Elegido un estudiante al azar, hállese:
a) la probabilidad de que haya acabado la carrera.
b) la probabilidad de que continúe la carrera y en medicina
1.19 Según un informe anual , el 65% de los usuarios de móvil en España tiene un “Smartphone”. Entre los
propietarios de este tipo de teléfono, el 80 % lo emplea para su conexión habitual a internet. Sin embargo,
entre los propietarios de otros tipos de teléfono móvil sólo el 10 % lo emplea para la conexión habitual a
internet.
a) Calcule la probabilidad de conectarse habitualmente a internet a través del teléfono móvil.

b) Si un usuario esta conectado a internet , halle la probabilidad de que posea un aparato que no sea
“smartphone” Aplique regla de Bayes y cuadro bayesiano
1.20 Un moderno edificio tiene dos ascensores en su primea torre, para uso de los vecinos. El primero de los
ascensores es usado el 45% de las ocasiones, mientras que el segundo es usado el resto de las ocasiones.
El uso continuado de los ascensores provoca un 5% de fallos en el primero de los ascensores y un 8% en
el segundo.
Un día suena la alarma de uno de los ascensores porque ha fallado. Calcule la probabilidad de que haya
sido el primero de los ascensores. Aplique regla de Bayes y cuadro bayesiano
1.21 ¿Cuáles son las teorías de probabilidad? ¿Cuál cree que es la mas usada en el campo científico?
¿Cuándo usa las reglas de la adición y las reglas de la multiplicación?
¿Qué significa la independencia de dos eventos? ¿A que tipo de muestreo relaciona la independencia?
¿En que ocasiones se aplica la Regla de Bayes?

de variables discretas
La estadística se ocupa de realizar inferencias acerca de poblaciones y sus
características. Se llevan a cabo experimentos cuyos resultados se encuentran sujetos
al azar.
Un experimento aleatorio es cualquier proceso de observación que puede repetirse
a voluntad en condiciones análogas, en el cual un resultado no puede ser previsto antes
de cada una de sus realizaciones.
Una variable aleatoria es una función que asocia un número real con cada elemento
del espacio muestral, se puede decir que es un evento numérico que asume diferentes
valores de acuerdo con procesos aleatorios
Ejemplo En el experimento de lanzar la moneda al aire en dos ocasiones, interesa el número

de caras de ese experimento.
En la tabla se muestra los resultados posibles y los valores que puede asumir la variable
aleatoria X.
Espacio muestral X
CC 2
CS 1
SC 1
SS 0
Una variable aleatoria es discreta si se puede contar

su conjunto de resultados posibles (surgen de procesos
de conteos).
Cuando una variable aleatoria puede tomar valores en
una escala continua, es una variable aleatoria
continua (surgen de procesos de medición), como,
por ejemplo: distancias, peso, etc.
Una variable aleatoria discreta toma cada uno de sus valores con cierta probabilidad.
Una distribución de probabilidad o función de probabilidad es una lista con todos
los valores que puede asumir la variable aleatoria asociada con sus respectivas
probabilidades. Es decir, que es un conjunto de pares ordenados (x, f(x))
Se debe tener en cuenta que:

 f(x) ≥ 0
 ∑ f(x) = 1
 P(X = xi) = f(x)

Es importante destacar que, a la función
de probabilidad de una variable aleatoria
discreta, también se la conoce como https://www.youtube.com/watch?v=nJmI4dDpDeM
función de cuantía
Ejemplo Si una persona saca al azar dos productos de dos máquinas diferentes y si se considera a los
productos como defectuosos (D) y no defectuosos (N). Sea x una variable aleatoria cuyos valores son los
números posibles de productos defectuosos. Entonces la distribución de probabilidad de la variable x es la
que se muestra en la tabla
X f(x)
0 0,25
1 0,50
2 0,25
Hay situaciones donde se desea calcular la probabilidad de que el valor observado de

una variable aleatoria x sea menor o igual que algún número real x, para ello se utiliza
la distribución acumulada.
La distribución acumulada F(x) de una variable aleatoria discreta x con distribución

de probabilidad f(x) es:
F(x) = P (X ≤ x) = ∑ f(x)
Ejemplo Para el experimento del ejemplo anterior, la distribución acumulada de la variable

aleatoria x es:
X f(x) F(x)
0 0,25 0,25
1 0,50 0,75
2 0,25 1
Se puede observar en la tabla, que por ejemplo, la probabilidad de encontrar no más de

un producto defectuoso es 0,75
Esperanza matemática
La esperanza matemática es la media de la variable aleatoria x. Es un valor
promedio esperado, resulta ser el promedio ponderado de todos los valores numéricos
posibles de la variable, utilizando las probabilidades correspondientes como
ponderación.
Sea x una variable aleatoria discreta con distribución de probabilidad f(x). La media
o valor esperado de x es:
E(x) = ∑ xf (x)

Ejemplo Suponga que el número de autos x que vende cierta concesionaria, tiene la siguiente
distribución de probabilidad:
Nº Autos (x) f(x)
0 0,10
1 0,20
2 0,40
3 0.20
4 0,10
E(x) = ∑ xf (x) = 0 x 0,10 + 1 x 0,20 + 2 x 0,40 + 3 x 0,20 + 4 x 0,10

E(x) = 2
La esperanza matemática posee una serie de propiedades:
o El valor esperado de una constante es la misma constante
E(k) = k
o El valor esperado de la suma de una variable aleatoria mas una constante es la

suma del valor esperado de la variable más la constante
E(x+k) = E(x) + k
o El valor esperado del producto de una variable aleatoria por una constante es el
producto de la constante por el valor esperado
E(k.x) = k . E(x)
Varianza
Esta medida nos caracteriza la variabilidad de la distribución
Sea x una variable aleatoria discreta con distribución de probabilidad f(x) y media E(x).,
la varianza de x es:
V(x) = ∑ x2f(x) – [E(x)]2
Ejemplo Para calcular la varianza del ejemplo sobre la variable cantidad de autos:
Nro. Autos (x) f(x) X f(X) X2f(x)

0 0,10 0 0
1 0,20 0,20 0,20
2 0,40 0,80 1,60
3 0.20 0,60 1,80
4 0,10 0,40 1,60
2 5,20
V(x) = ∑ x2f(x) – [E(x)]2

V(x) = 5,20 – 4
V(x) = 1,20
La varianza posee una serie de propiedades:

o La varianza de una constante es cero
V(k) = 0
o La varianza de la suma de una constante más una variable aleatoria es igual a

la varianza de la variable
V(x+k) = V(x)
o La varianza del producto de una variable aleatoria por una constante es el

producto al cuadrado de la constante por la varianza de la variable.
V(k.x) = k2 . V(x)
o La varianza de la suma de 2 variables aleatorias es igual a la suma de las

varianzas de dichas variables más dos veces su covarianza.
V(x+y) = V(x) + V(y) + 2 cov (x,y)
Distribuciones de probabilidad de
variables discretas
Se han desarrollado diferentes modelos matemáticos para representar diversos
fenómenos discretos, que ocurren en las ciencias sociales, naturales, en investigaciones
médicas, en los negocios y en general en el mundo real.
El comportamiento de una variable aleatoria queda descrito por su distribución de
probabilidad. A continuación, se desarrollan importantes distribuciones discretas de
probabilidad.
Distribución Uniforme
Es la más simple de las distribuciones discretas, en donde la variable aleatoria toma
cada uno de sus valores con idéntica probabilidad. Tal distribución de probabilidad
se denomina distribución uniforme
discreta.
Si la variable aleatoria X toma los valores x1

, x2 , ..,xk con idénticas probabilidades, la
distribución de probabilidades está dada por
1
f(x;k) =
𝑘𝑘
Se utiliza esta notación f(x;k) para indicar que la distribución uniforme depende del
parámetro k
La esperanza matemática de la distribución uniforme discreta f(x;k) es:

Ejemplo Un negocio vende: 0, 1, 2, 3 o 4 artículos con igual probabilidad. Cada elemento de este
espacio muestral tiene una probabilidad de 1/5. Por lo tanto, se tiene una distribución uniforme,
con
1
f(x;5) = x= 0, 1, 2, 3, 4
5
La probabilidad que algún día venda como mínimo 2 artículos
P(x≥2) = f(2) + f(3)+ f(4)

=0,20 +0,20 + 0,20
= 0,60
∑𝑘𝑘
𝑖𝑖=1 𝑥𝑥𝑖𝑖
µ=
𝑘𝑘
La varianza de la distribución uniforme discreta f(x;k) es:
∑𝑘𝑘
𝑖𝑖=1(𝑥𝑥𝑖𝑖 − µ)
2
σ2 =
𝑘𝑘
Ejemplo Con los los datos del ejemplo sobre las ventas del negocio
0+1+2+3+4
µ= =2
5
(0−2)2 + (1−2)2 + (2−2)2 +(3−2)2 +(4−2)2

σ2 = =2
5
Distribución Bernoulli
El ensayo de Bernoulli es un experimento aleatorio que tiene solo dos resultados
posibles, denotados por éxito y fracaso.
Estos ensayos están modelados por una
variable aleatoria que puede tomar solo
dos valores:0 y 1. Habitualmente se usa
el 1 para representar el éxito, si p es la
probabilidad del éxito, (1-p) es la
probabilidad del fracaso (también se
denota como q)
Si x es una variable aleatoria que
representa el número de éxitos y se
realiza un único experimento con dos
posibles resultados (éxito o fracaso) se
dice que la variable aleatoria x tiene una
distribución Bernoulli

La función de probabilidad La función de acumulación
es: es:
q si x=0 0 si x<0
f(x) p si x=1 F(x) q si 0≤ x < 1
0 en cualquier otro caso 1 si x ≥ 1
Ejemplo En la agencia se encuentran 50 turistas, de las cuales 40

compraron paquetes turísticos para el Caribe y 10 para destinos
nacionales. Suponga que interese el destino Caribe. Se selecciona
una persona al azar de ese grupo ¿Cuál es la probabilidad que vaya
al Caribe?
f(x)=p = 0.80 ; x=1
La esperanza matemática de esta distribución es:

E(x) = p
La varianza de la distribución es:

V(x) = p . (1-p)
Ejemplo Se utiliza los datos del ejemplo anterior, para obtener la

esperanza matemática y la varianza de la variable x.
E(x) =0,80 V(x) =0,80x0,20 = 0,16
Distribución binomial
Un experimento a menudo consiste en pruebas repetidas cada una con dos posibles
resultados que llamamos éxito y fracaso. Como el experimento se repite, los ensayos
son independientes y la probabilidad de éxito permanece constante entre cada uno de
ellos. Este proceso, se denomina proceso de Bernouille y presenta las siguientes
propiedades:
 El experimento consiste en n pruebas que se

repiten
 Cada prueba produce un resultado que se
puede clasificar como éxito o fracaso.
 La probabilidad de un éxito, que se denota con
p, permanece constante en cada prueba.
 Las pruebas que se repiten son independientes
 La variable aleatoria binomial x, es discreta y puede asumir valores que van

desde 0 a n

El número x de éxitos en n experimentos Bernouille se denomina variable aleatoria
binomial; esta variable es discreta y puede asumir valores que van desde 0 a n.
La distribución de probabilidad de esta variable aleatoria discreta se llama distribución
binomial.
Una distribución de probabilidad es una lista con todos los valores posibles de la variable
aleatoria y sus respectivas probabilidades; para obtener estas probabilidades, se usa la
función de probabilidad
La función de probabilidad es:

f(x)= nCx Px (1-P)n-x
Ejemplo En cierta población de la zona de Cuyo, la proporción de personas

que veranean en las costas argentinas es de 0,40. Se seleccionan al azar
cinco personas. La probabilidad de que dos personas veraneen en las costas
argentinas es:
f(x) = P (X=2) = 5C2 0,40 2 0,60 3

= 10 x 0,16 x 0,216
= 0,3456
Para encontrar probabilidades, como la anterior, se puede utilizar la tabla de la

distribución binomial, en ella se debe ingresar con los siguientes parámetros (n, p, x)
La distribución binomial es una distribución que se usa para pequeñas muestras, por lo
tanto, la tabla tiene hasta un tamaño de muestra n=20.
En lo que respeta a P, la proporción de éxitos, en la tabla figura como tope un P=0,50
Aplicación con tabla:
P(X=2; n=5 ; P = 0,40) = 0,3456

P
N X 0,10 0,20 0,30 0,40 0,50
. . . . . . .
. . . . . . .
5 0 0,5905 0,3277 0,1681 0,0778 0,0313
1 0,3281 0,4096 0,3602 0,2592 0,1563
2 0,0729 0,2048 0,3087 0,3456 0,3125
3 0,0081 0,0512 0,1323 0,2304 0,3125
4 0,0005 0,0064 0,0284 0,0768 0,1563
5 0,0000 0,0003 0,0024 0,0102 0,0313
Recorte de parte de una Tabla de distribución binomial
En la primera columna se ubica n=5

En la siguiente columna se busca el valor de x=2
Por último, se localiza la columna p = 0,40
En la intersección de esas entradas, está la probabilidad 0,3456

Ejemplo Suponga que con los datos del ejemplo anterior se desea
encontrar la distribución de probabilidad de la variable x, cantidad de
personas que veranean en la costa Argentina
X f(x)
0 0,07776
1 0,2592
2 0,3456
3 0,2304
4 0,0768
5 0,01024
La función de acumulación de la distribución binomial es:

x
F(x) = ∑
i =0
nCx P x
(1-P) n-x
Esta función, se aplica para encontrar probabilidades acumuladas; se van sumando las
probabilidades de cada valor de la variable, hasta el valor de la variable que interese
Ejemplo Para encontrar probabilidades acumuladas, como la probabilidad

de encontrar cuatro o menos personas que veraneen en las costas
argentinas, se utiliza la función de acumulación F(x)
n
F(x) = ∑
i =0
nCx P x
(1-P) n-x
X f(x) F(x)
0 0,07776 0,07776
1 0,2592 0,33696
2 0,3456 0,68256
3 0,2304 0,91296
4 0,0768 0,98976
5 0,01024 1
Tenga en cuenta, que también, existen tablas de esta distribución, que entregan las
probabilidades acumuladas hasta el valor de la variable que se desee. Su modo de uso
es similar a la tabla de probabilidades de valores puntuales de la variable, es decir, se
utilizan los parámetros (n, x, y p), la diferencia es, que la probabilidad que brinda la
tabla en este caso, es la probabilidad acumulada hasta el valor de la variable inclusive.
La esperanza matemática de esta distribución es:

E(x) = n p

V(x) = n p (1-p)

Ejemplo se desea saber cuál es el valor esperado de personas que veranean en las
costas argentina y la variabilidad de personas que veranean en esas costas.
E(x) = n p = 5 x 0,40 = 2
V(x) = n p (1-p) = 5 x 0,40 x 0,60 = 1,2
En esta distribución se puede generalizar que:

• Cuando p es pequeña (0.l), la distribución binomial está sesgada hacia la
derecha.
• Conforme p aumenta (a 0.3, por ejemplo), el sesgo es menos notable.
• Cuando p = 0.5, la distribución binomial es simétrica.
• Cuando p es mayor que 0.5, la distribución está sesgada hacia la izquierda.
La distribución binomial encuentra aplicaciones en muchos campos científicos. Un

ingeniero industrial se preocupa por los defectuosos de un proceso industrial, las
mediciones de control de calidad y los planes de muestreo se basan en esta distribución.
También se la utiliza en aplicaciones médicas, farmacéuticas y militares.
Distribución hipergeométrica
Las aplicaciones de la distribución hipergeométrica son muy parecidas a las de la

distribución binomial, pero se diferencia de ésta, fundamentalmente en la forma que se
toma la muestra,
En la distribución hipergeométrica interesa el número de observaciones que pertenecen
a una categoría particular, pero no se requiere independencia en los ensayos y se basa
en el muestreo sin reemplazo o sin
reposición
Las aplicaciones de la distribución
hipergeométrica se encuentran en muchas
áreas, con mucho uso en muestreo de
aceptación, pruebas electrónicas y de
calidad. En muchas ocasiones el artículo se
destruye, por lo tanto, no se lo puede
reemplazar en la muestra. Las
características de esta distribución son:
 Se selecciona sin reemplazo una muestra aleatoria de tamaño n de una

población de N artículos
 k de los N artículos se pueden clasificar como éxitos y N-k se clasifican como
fracasos.
 La variable aleatoria hipergeométrica x puede asumir valores que van desde 0
a n. En caso de que k sea menor a n, la variable x puede asumir valores hasta
k

 En el caso que el tamaño de la muestra represente más de un 5 % respecto de
la población en estudio, es aplicable el modelo hipergeométrico
El número x de éxitos de un experimento hipergeométrico se denomina variable

aleatoria hipergeométrica. La distribución de probabilidad de la variable
hipergeométrica se llama distribución hipergeométrica.
La función de probabilidad de la variable aleatoria hipergeométrica x, para el número

de éxitos en una muestra aleatoria de tamaño n que se selecciona de una población de
N artículos de los que k se denominan éxito y N-k fracaso, es:
( kCx )( N − kCn − x )
P(X=xi) =
( NC n )
Ejemplo Un lote contiene 30 piezas, de las cuales 3 son defectuosas. Se toma una
muestra de 5 piezas y se desea conocer la probabilidad de que exactamente una sea
defectuosa
( 3C 1)(30 −3C 5−1)

P(X=1) = ( 30C 5 )
P(X=1) = 0,3694
Ejemplo. La distribución de probabilidad de la variable x, es encontrar todos los valores que puede
asumir x con sus respectivas probabilidades, como muestra la tabla. Se aplica la función para cada
valor de x
X f(x)
0 0,5665
1 0,3694
2 0,0615
3 0,0024
Observe que x puede asumir hasta el valor tres, ya que está limitado por el valor k=3
La función de acumulación es:

n ( kCx )( N − kCn − x )
F(x) = ∑
i =0
( NC n )

Ejemplo Para conocer probabilidades acumuladas, como la probabilidad de encontrar menos de
tres defectuosos, acudimos a la función de acumulación
2 ( kCx )( N − kCn − x )
F(x) = = ∑
i =0
( NC n )
X f(x) F(x)
0 0,5665 0,5665
1 0,3694 0,9359
2 0,0615 0,9974
3 0,0024 1
P(X<3) = P (X≤2) = 0,9974
La esperanza matemática de la distribución es:

K
E(x) = n P , P =
N
V(x) = n P (1-P) ( N − n )
N −1
Ejemplo Para encontrar la media y la varianza de ejemplo anterior
3
E(x) = 5 x 0,10= 0,5 , P =
30
V(x) = 3 x 0,10 x 0,90 x ( 30 − 5 )= 0,2327
30 − 1
La distribución binomial y la distribución hipergeométrica mantienen alguna relación.

En caso de que tamaño de la muestra n sea pequeño comparado con el tamaño de la
población N (el tamaño de n representa menos de un 5% respecto del tamaño de la
población) se debe aplicar distribución binomial
Ejemplo Un fabricante de hierros informa que de una partida de 10000

hierros, 2000 tienen alguna imperfección. Si se compran al azar 20 de
estos hierros ¿Cuál es la probabilidad de que 3 tengan imperfecciones?
Como n es muy pequeño, respecto de N 20/2000 representa 1% ,
corresponde aplicar binomial
P(x=3 ; n=20 ; p=0,20) = 0.2053

Distribución Poisson
Los experimentos que dan valores numéricos de una variable aleatoria x, el número de
resultados que ocurren durante un intervalo dado se llama experimento de Poisson.
Este intervalo puede ser de cualquier
longitud, un minuto, un día, etc.
El proceso de Poisson tiene las
siguientes características:
 El número de resultados que

ocurren en un intervalo es
independiente del número que
ocurre en cualquier otro
intervalo. El proceso de Poisson
no tiene memoria.
 La probabilidad de que ocurra
un éxito en un intervalo de tiempo es demasiado pequeña, generalmente
menores a 0,05, y es constante para cada intervalo
https://www.youtube.com/watch?v=dwNY9Zjdqck
El número x de resultados que ocurren durante

un experimento de Poisson se denomina variable aleatoria de Poisson, y su
distribución de probabilidad se llama distribución de Poisson
La función de probabilidad es:
𝑒𝑒 −𝜆𝜆 𝜆𝜆𝑥𝑥
f(x) =
𝑥𝑥!
Ejemplo El número promedio de camiones que llega cada día, a cierto centro de
almacenamiento es 10. El centro puede atender como máximo a 15 camiones por
día ¿Cuál es la probabilidad de que el próximo día lleguen 5 camiones?
P(x=5) ; λ=10
𝑒𝑒 −10105
f(x) =
5!
f(x) = 0,0378
Para hallar probabilidades de tipo puntual, como la encontrada, se puede utilizar la

tabla de la distribución Poisson, en ella, se debe ingresar con el parámetro λ

Aplicación con tabla:
P(X=5; λ=10) = 0,0378
λ
X . . .9,8 9,9 10 .
0 . . . . 0,0000 .
1 . . . . 0,0005 .
2 . . . . 0,0023 .
3 . . . . 0,0076 .
4 . . . . 0,0189 .
5 . . . . 0,0378 .
6 . . . . 0,0631 .
. . . . . . .
.. . . . . . .
Recorte de parte de la Tabla de distribución Poisson
En la primera fila ubicamos λ =10

En la primea columna X=5
En la intersección de esas entradas, está la probabilidad 0,0378
Ejemplo Respecto del ejemplo anterior ¿Cuál sería la probabilidad de que en un día
dado lleguen menos de 3 camiones?
P(x<3) ; λ=10
2
𝑒𝑒 −10 𝜆𝜆𝑥𝑥
P(x ≤ 2) = ∑
i =0
𝑥𝑥!
= 0,0000 + 0,0005 + 0,0023
P(x ≤ 2) = 0,0028
La función de acumulación es:

r
F(x) = = ∑
i =0
𝑒𝑒 −𝜆𝜆 𝜆𝜆𝑥𝑥
𝑥𝑥!
También puede utilizar la tabla de probabilidades acumuladas, se ingresa de la misma

forma que la tabla de probabilidades puntuales, la diferencia, es que brinda la
probabilidad acumulada hasta el valor de la variable que se desee.
La esperanza matemática y la varianza de esta distribución es la misma, ya que

tiene un único parámetro: λ
E(x) = λ V(x) = λ λ = np
Ejemplo La probabilidad de que una persona muera de cierta enfermedad

respiratoria es 0,002. si se selecciona una muestra de 2000 personas, ¿Cuál es la
cantidad esperada de personas que mueran de esa enfermedad? ¿Cuál la variación?
E(x) = 2000 x 0,002 = 4
V(x) = 2000 x 0,002= 4

La distribución de Poisson se puede utilizar como una aproximación de la distribución
binomial. La regla que utilizan con más frecuencia los estadísticos es que 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. En los casos en que se cumplen estas
condiciones, podemos sustituir la media de la distribución de Poisson = λ por la media
de la distribución binomial = np
𝑒𝑒 −𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛𝑥𝑥
Quedando la función =
𝑥𝑥!
2.1 En la tabla se muestra el número de máquinas que se han solicitado para renta en una empresa de
alquiler, y las frecuencias en un periodo de 50 días.
Demanda Número de
X días
3 3
4 7
5 12
6 14
7 10
8 4
a. Obtenga la distribución de probabilidad de x

b. ¿Cuál es la probabilidad de que la demanda de máquinas sea 5
c. ¿Cuál es la probabilidad de que la demanda sea menor a 5 máquinas?
2.2 Encuentre la Esperanza y la varianza de la variable aleatoria demanda del ejercicio anterior
2.3 Se ha determinado que la llegada de clientes a un restaurante, durante intervalos elegidos al azar de
10 minutos sigue la distribución de probabilidad que se presenta en la tabla.
Calcule el número esperado de llegadas de clientes para intervalos de 10 minutos y la variación de las
llegadas
Número de Probabilidad
clientes X P(x)
0 0.15
1 0.25
2 0.25
3 0.20
4 0.10
5 0.05
¿Cuál es la probabilidad de que el número de clientes se encuentre entre 2 y 4?
2.4 Las ventas de un periódico diario tiene la distribución de probabilidad que muestra la tabla
Número de Probabilidad
periódicos X P(x)
(miles)
30 0.05
32 0.10
34 0.25
36 0.30
38 0.20
40 0.10
Obtenga la E(x) y la V(x)

Calcule la probabilidad de que el número de periódicos no supere 34

2.5 Suponga que la variable aleatoria X representa el número de automóviles que se utilizan con propósitos
de negocios oficiales en un día de trabajo dado.
La distribución de probabilidad para la empresa A es x: 1,2, 3 f (x) 0.3 0.4 0.3 respectivamente
La distribución de probabilidad para la empresa B es x: 0,1,2,3,4 f (x) 0.2 0.1 0.3 0.3 0.1
respectivamente
Demuestre que la varianza de la distribución de probabilidad para la empresa B es mayor que la de la

empresa A.
2.6 La tabla presenta la cantidad de vuelos diarios con destino a Miami que salen del aeropuerto
internacional de Ezeiza con sus frecuencias. Se analizaron 30 días.
Cant. Vuelos 0 1 2 3 4
Frecuencias 6 6 6 6 6
a. Obtenga la distribución de probabilidad

b. Calcule la esperanza y la varianza
2.7 En la semana más fría del invierno, en una empresa se estudia la salud laboral de los empleados, se
registran todos los casos de gripes producidos, de 80 casos, 60 corresponden a personas mayores de
60 años. Si selecciona un registro al azar de ese grupo ¿Cuál es la probabilidad de que la persona fuera
mayor de 60 años? Encuentre la esperanza y la varianza
2.8 Debido a las altas tasas de interés, una empresa reporta que el 30 % de sus cuentas por cobrar de
otras empresas están vencidas. Si un contador toma una muestra aleatoria de cinco de esas cuentas,
determine la probabilidad de cada uno de los siguientes eventos:
a. Ninguna de las cuentas esté vencida.

b. Exactamente dos cuentas estén vencidas.
c. La mayor parte de las cuentas estén vencidas.
d. Exactamente el 20 % de las cuentas estén vencidas.
2.9 Una empresa de comercialización por correo tiene una circular que produce una tasa de respuesta de
10 %. Suponga que se envían por correo 20 de esas circulares en calidad de prueba de mercado, en un
área geográfica nueva. Suponiendo que se aplica la tasa de respuesta del 10 % en la nueva área,
determine las probabilidades de los siguientes eventos:
a. Nadie responde
b. Exactamente dos personas responden
c. La mayoría de las personas responden
d. Como mínimo el 20 % de las personas responden
2.10 La probabilidad de que una persona que padece cierto malestar obtenga alivio con un fármaco
específico es de 0.90. A tres personas con malestares escogidos aleatoriamente, se les administra el
fármaco. Calcular la probabilidad de que el número de enfermos que encuentren alivio sea de:
a. Ninguno b. Más de uno c. Dos o tres
2.11 En una investigación realizada entre estudiantes de enfermería aspirantes al grado de maestría, 75
por ciento declararon que esperaban ser promovidos a un puesto más alto un mes después de
obtener el grado, Si este porcentaje representa a toda la población, encontrar, para una muestra de
15, la probabilidad de que el número de personas que esperan una promoción un mes después de
obtener el grado sean:
a) Seis b) AI menos siete c) No más de cinco d) Entre seis y nueve, inclusive
2.12 En cierta empresa de nuestra ciudad, se encuentra un fichero de cuentas corrientes, la cuarta parte de
las fichas tienen saldo acreedor. Si extraemos 15 fichas al azar. ¿Cuál ser la probabilidad de que:
a. Se obtengan 6 fichas con saldo acreedor

b. Se obtengan 8 fichas con saldo deudor
c. Se extraigan menos de 3 fichas con saldo acreedor
d. Se extraigan menos de 7 fichas con saldo acreedor
e. Aparezcan más de 4 fichas con saldo acreedor
f. Aparezcan mas de 2 pero menos de 8 fichas con saldo acreedor
g. Se obtengan mas de 10 pero menos de 13 fichas con saldo deudor

2.13 En promedio, cada hora cinco personas realizan transacciones en el mostrador de servicios especiales
de un banco. Suponiendo que las llegadas de esas personas tienen una distribución independiente e
igualmente probable en todo el periodo de interés, ¿Cuál es la probabilidad de que más de 10 personas
deseen realizar transacciones en el mostrador de servicios especiales en una hora especifica?
2.14 En promedio un barco llega a cierto muelle cada dos días ¿Cuál es la probabilidad de que lleguen dos o
más barcos en un día seleccionado al azar?
2.15 Una compañía de seguros está considerando la adición de cobertura para una enfermedad
relativamente rara en el campo de los seguros médicos. La probabilidad de que una persona elegida al
azar tenga esa enfermedad es 0.001, y en el grupo asegurado existen 3000 personas.
a. ¿Cuál es el número esperado de personas que tenga esa enfermedad?

b. ¿Cuál es la probabilidad de que ninguna persona tenga la enfermedad?
2.16 Si la probabilidad de que un automóvil esté implicado en un accidente es 0.01 durante cualquier año,
¿Cuál es la probabilidad de tener dos o más accidentes durante cualquier periodo de manejo de 10
años?
2.17 En cierta población, cada año se diagnostica un promedio de 13 nuevos casos de cáncer esofágico. Si
la incidencia anual de este tipo de cáncer sigue una distribuci6n de Poisson, calcule la probabilidad de
que en un año determinado el número de nuevos casos diagnosticados de cáncer sea:
a) Exactamente 10
b) Al menos ocho
c) No más de 12
d) Entre 9 y 12 inclusive
e) Menos de siete
2.18 En promedio seis personas por hora utilizan el servicio de cajero automático, en cierto horario
nocturno. Obtenga la probabilidad de que:
a. Seis personas utilicen el servicio durante una hora seleccionada en ese horario nocturno
b. Menos de cuatro utilicen el servicio durante una hora en ese horario nocturno
c. Nadie utilice el servicio durante diez minutos en ese horario nocturno
d. Nadie utilice el servicio durante veinte minutos en ese horario nocturno
e. Menos de tres personas utilicen el servicio durante un periodo de veinte minutos
2.19 En un hospital con 20 aparatos para diálisis , la probabilidad de que cualquiera de ellos no funcione
bien durante un día cualquiera es de 0.02. ¿Cuál es la probabilidad de que exactamente tres máquinas
estén fuera de servicio en el mismo día?. Resuelva por dos modelos que sean aplicables
2.20 En una clase en la que hay 20 estudiantes, 15 están disconformes con el texto que se utiliza. Si se le
preguntara acerca del texto a una muestra aleatoria de cuatro estudiantes, determine la probabilidad
de que:
a) exactamente tres estén disconformes con el texto
b) al menos tres estén insatisfechos con el texto.
2.21 El equipo departamental está conformado por cinco ingenieros y nueve técnicos. Si se eligen al azar a
cinco personas y se les asigna un proyecto, aplique un modelo de probabilidad apropiado y responda
¿Cuál es la probabilidad de que el equipo del proyecto incluya exactamente a dos ingenieros? ¿Todos
ingenieros?
2.22 Existen dos vacantes en el Departamento de Ingeniería de cierta prestigiosa compañía. Para los
puestos se presentan cinco postulantes: tres tienen título de grado y dos tienen posgrados con títulos.
El gerente de persona se encarga de elegir tres postulantes en forma aleatoria.
a) ¿Cuál es la probabilidad de que dos tengan título de grado solamente?
b. ¿Cuál es la probabilidad de que a lo más dos tengan título de grado solamente?
c) ¿Cuál es el valor esperado de postulantes, en la muestra, que tienen títulos de grado solamente?
2.23 Un embarque de 10 máquinas incluye una defectuosa. Si se eligen 7 máquinas al azar de ese
embarque ¿Cuál es la probabilidad de que ninguna de las 7 esté defectuosa?
2.24 Se sospecha que, entre 15 devoluciones de impuestos por ingresos declarados de más de
100.000 pesos, hay 10 que contienen errores. La dirección de rentas decide revisar 5 de esas
devoluciones, sin reposición, ¿Cuál es la probabilidad de que las cinco devoluciones contengan errores?
¿Cuál es la probabilidad de que por lo menos tres de las devoluciones contengan errores?

2.25 Defina variable aleatoria. ¿Qué es una distribución de probabilidad?
¿Cómo interpreta la esperanza de una variable aleatoria?
¿Cuáles distribuciones de probabilidad de variables discretas conoce?
¿Cómo diferencia una distribución binomial, de una distribución bipuntual?
¿Con que tipo de muestreo esta relacionado el modelo binomial?
¿Qué características presenta la distribución hipergeométrica’
¿Qué puede decir de la distribución Poisson?
¿En algún momento se relacionan Binomial y Poisson? Comente
Excel dispone la función estadística PROBABILIDAD para obtener la probabilidad

de un valor de la variable o la probabilidad entre dos valores de la variable
Inserte la función estadística PROBABILIDAD
Al presionar el botón Aceptar, aparece el cuadro de argumentos. Ingrese en:
Rango X: el rango de celdas de los valores de x

Rango_probabilidad: el rango de celdas de probabilidades
Límite_inf: es el límite inferior del valor para el que desea la probabilidad
Límite_sup: es el límite superior del valor para el que se desea la probabilidad (si no se indica este valor,
Excel entrega la probabilidad puntual del valor de la variable indicado en límite

inferior)

Al presionar el botón Aceptar, se inserta el resultado
En caso de completar los dos limites, devuelve la probabilidad acumulada entre

esos valores inclusive

Para obtener una probabilidad bajo el modelo binomial de probabilidad, aplique la
función estadística DISTRIB.BINOM.N
En los argumentos de la función, ingrese:
Num_exitos: el valor de la variable o la cantidad de éxitos en los ensayos

Ensayos: el número de ensayos independientes
Prob_exito: la probabilidad de éxito en cada ensayo
Acumulado: la palabra FALSO, si desea la probabilidad puntual para ese número de éxitos, o la palabra
VERDADERO si desea la probabilidad acumulada
Al presionar el botón aceptar, se inserta el resultado

Para alcanzar una probabilidad utilizando el modelo hipergeométrico, aplique la función
estadística DISTRIB.HIPERGEOM.N
Ingrese los argumentos de la función:
Muestra_exito: el número de éxitos en la muestra

Num_de_muestra: es el tamaño de la muestra
Población_exito: es el número de éxitos en la población
Num_de_población: es el tamaño de la población
Acumulado: Falso (para probabilidad puntual)

Presione el botón Aceptar, se inserta el resultado

Para obtener una probabilidad utilizando el modelo Poisson, aplique la función
estadística POISSON.DIST
Ingrese los argumentos, en:
X: el número de sucesos o la cantidad de éxitos

Media: es el valor esperado o media
Acumulado: la palabra FALSO si desea la probabilidad puntual para ese valor de x. Si ingresa la palabra
VERDADERO, obtiene la probabilidad acumulada hasta ese valor de x
Luego de presionar el botón Aceptar, se inserta el resultado

de variables continuas
Una variable aleatoria continua tiene una
probabilidad cero de tomar exactamente cualquiera de
sus valores, en consecuencia, no se puede representar
su distribución de probabilidad mediante una tabla
Al tratar con variables continuas, f(x) por lo general se
llama función de densidad de probabilidad o
función de densidad de x
La función f(x) es una función de densidad de probabilidad para la variable aleatoria

x definida en el conjunto de números reales R, si:
f(x) ≥ 0 para todo x ∈ R

∞
∫ −∞
f ( x)d ( x) = 1
b
P(a<x<b)= ∫
a
f ( x)d ( x)
Una función de densidad se representa gráficamente
f(x)
a b
La distribución acumulada F(x) de una variable aleatoria continúa x con función de

densidad f(x) es:
x
F(x) = P(X ≤ x) = ∫−∞
f ( x)d ( x)
Si por ejemplo se quisiera obtener la probabilidad de que una persona seleccionada al

azar tenga un peso entre 70 kg y 80 kg. Esta probabilidad será igual a la proporción del
área total bajo la curva que se encuentra en el área entre los dos valores y se la puede
encontrar al aplicar el método de la integración.

Más adelante, se utilizará algún modelo de probabilidad para encontrar este tipo de
probabilidades,
Esperanza matemática
Sea x una variable aleatoria continua con distribución de probabilidad f(x). La media
o valor esperado de x es:
∞
E(x) = ∫ −∞
x. f ( x)d ( x)
Ejemplo Sea x la variable aleatoria que indica la vida en horas de un circuito electrónico. La función de
densidad de probabilidad es:
20,000
f(x) = ; x>100
𝑥𝑥 3
Entonces para obtener la vida esperada de este tipo de circuito se aplica:
E(x) = 20,000
d ( x) E(x) = 200 horas
∞
∫ x.
x
100 3
Varianza
Sea x una variable aleatoria continua con distribución de probabilidad f(x) y media
E(x), la varianza de x es:
∞
V(x) = ∫−∞
x 2 . f ( x)d ( x) − [ E ( x)]2 o bien v(x)= E(x2) – [E(x)]2
Ejemplo La demanda semanal de una gaseosa en miles de litros, es una variable aleatoria, que tiene la
función de densidad
f(x)= 2(x-1) ; 1<x<2
2
La esperanza sería: E(x)=
∫
1
x 2 ( x − 1).d ( x) = 5/3
Entonces la varianza es:
V(x)= E(x2) – [E(x)]2 = (17/6) – [5/3]2
Distribuciones de probabilidad de
variables continuas
En esta parte se desarrollan algunas importantes distribuciones de probabilidad de
variables continuas, entre estas distribuciones, normal, exponencial y otras.

Distribución normal
La distribución normal es la distribución continua más importante en todo el campo
de la estadística. También conocida como distribución gaussiana, en honor al
matemático Karl Gauss
Muchos fenómenos que ocurren en la industria, en la investigación, en la naturaleza se
describen mediante esta distribución que tiene una gráfica en forma de campana y se
llama curva normal. La inferencia estadística se basa en la distribución normal
Una variable aleatoria continua x que tiene la distribución en forma de campana como
se observa en la figura y se llama variable aleatoria normal.
Si una distribución tiene una forma normal, entonces vale la siguiente regla 68-95-99,7
(observe la regla y la gráfica)
 Aproximadamente el 68% de los valores se encuentran dentro de 1 desvío

estándar (σ) de la media (μ). Es decir que bastante más de la mitad de los
valores están comprendidos dentro del intervalo μ ± 1 σ.
 Cerca del 95% de los valores están comprendidos dentro del intervalo μ ± 2 σ.
 Casi el 99,7% de los valores se encuentran en el intervalo μ ± 3 σ.
Cuando los datos tienen una distribución normal, la distribución de estos se puede
reducir a dos números: la media y el desvío
La función de densidad de la variable aleatoria normal x, con media µ y varianza σ2,

es:
1 𝑥𝑥−µ 2
1
f(x) = 𝑒𝑒 −(2)[𝜎𝜎
]
donde π = 3,14159....y e = 2,71828...
√2𝜋𝜋 𝜎𝜎
La ecuación matemática para la distribución de probabilidad de la variable normal

depende de los parámetros µ (media) y σ (desviación estándar)
La curva normal tiene las siguientes propiedades:
 La moda que es el punto sobre el eje horizontal donde la curva es un máximo

ocurre en x = µ
 La curva es simétrica alrededor del eje vertical a través de la media µ
 La curva tiene su punto de inflexión en µ +/- σ

 La curva normal se aproxima al eje horizontal conforme nos alejamos de la
media en cualquier dirección
 El área total bajo la curva y sobre el eje horizontal es igual a 1
La curva de cualquier distribución continua de probabilidad o función de densidad se

construye de modo que el área bajo la curva limitada por las dos ordenadas x=x1 y
x=x2 es igual a la probabilidad de que la variable aleatoria x tome un valor entre x=x1
y x=x2
x2
P (x1 < X< x2) = ∫x1
f ( x)d ( x)
1 2
1 𝑥𝑥2 −� �[𝑥𝑥−µ)/𝜎𝜎]
=
√2𝜋𝜋 𝜎𝜎
∫𝑥𝑥1 𝑒𝑒 2 .
La dificultad de trabajar con integrales de las funciones de densidad normal se resuelve

al tabular las áreas debajo de la curva normal. Sin embargo, se necesitarían un sinfín
de tablas para diferentes medias y desviaciones.
Para solucionar este inconveniente podemos
estandarizar la variable aleatoria x,
transformándola en una variable estandarizad Z,
con µ = 0 y σ2 = 1 cuya gráfica se muestra en la
figura.
De esta manera se transforma una variable aleatoria continua x a una variable z

X −µ
Z=
σ
La distribución de una variable aleatoria normal con

media cero y varianza 1 se denomina distribución https://www.youtube.com/watch?v=3mikDVlYiok
normal estándar https://www.youtube.com/watch?v=phY8Z9-TXCY
Https://www.youtube.com/watch?v=1yJ19xJcjAQ
https://www.youtube.com/watch?v=kH8Rw0AjRBA
Uso de la tabla normal estándar

En la tabla de la distribución normal estándar que se utiliza en este libro, se presentan
las áreas o probabilidades acumuladas a la izquierda de un valor positivo de la variable
Z.
Esta tabla presenta únicamente valores positivos de Z, y hasta dos decimales. Los
valores de Z se encuentran en la columna izquierda de la tabla y también en la parte
superior (para formar el segundo decimal de un valor Z).
En el cuerpo de la tabla, se encuentran las probabilidades acumuladas
En la figura se observa un extracto de esa tabla que se utilizará para que entienda el
manejo de esta.

Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
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 0,5753
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 0,7190 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 0,7823 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 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
Suponga que tiene que buscar P(Z<1):
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
 Ubique el valor de Z=1 en la columna izquierda.

 Vaya a la parte superior, en la fila de rotulo localice Z=0,00
 En la celda que hace de intersección de la fila z=1 y la columna Z=0,00 se observa
la probabilidad 0,8413
 Entonces la P(Z<1) = 0,8413
Ahora, suponga que tiene que buscar P(Z< 0,62), esto es, un valor z con dos decimales
 Ubique el valor de Z=0,6 en la columna izquierda.

 Vaya a la parte superior, en la fila de rotulo localice Z=0,02
 En la celda que hace de intersección de la fila z=0,6 y la columna Z=0,02 se
observa la probabilidad 0,7324
 Entonces la P(Z<1,63)=0,7324
https://www.youtube.com/watch?v=_gyrWRyh6Qg
https://www.youtube.com/watch?v=Ws2pO_xojbA

Ejemplo En una población de personas tenemos que µ = 60 kg. y σ2 = 16 . Se pretende
encontrar la probabilidad de que si se selecciona una persona al azar, esa persona
tenga un peso mayor a 68 kg.
P(x > 68) ; donde µ = 60 y σ2 = 16
µ=60 68 X
Al aplicar el modelo normal estándar

68 − 60
Z= = 2
4
µ=0 2 Z
Entonces la P(Z >2) es lo mismo que buscar la P(X>68), con la diferencia que de ésta manera se
puede utilizar la tabla normal estándar para resolver el problema
P(Z>2) = 1 – P(Z<2)
= 1– 0,9772
= 0,0228
Recuerde que la tabla normal estándar que utiliza presenta las probabilidades
acumuladas a la izquierda del valor Z positivo.
Si quiere buscar una probabilidad acumulada a la derecha de un valor z positivo tendrá
que obtenerlo por complemento, y si tiene que buscar una probabilidad acumulada a la
izquierda de un valor z negativo, tendrá que usar la simetría de la distribución para
encontrar su área o probabilidad equivalente

Ejemplo Se elige una persona al azar y se quiere determinar ¿cuál es la probabilidad de que su
peso esté entre 52 kg. y 68 kg.?
Para encontrar la P(52<x<68), se estandarizan los dos valores de la variable x
68 − 60 52 − 60
Z1 = Z1 =
4 4
Z1 = 2 Z1 = -2
-2 2 Z
Entonces ahora se busca la P(-2<Z<2)
P(-2<Z<2) = P(z<2) - P(z<-2)

= 0,9772 – [1 - P(z<2)
= 0,9772 – [1- 0,9772]
= 0,9772 – 0,0228
= 0,9544
Los modelos discretos que se vieron anteriormente, en general se usan con pequeñas
muestras, pero si la muestra es lo suficientemente grande (n>30) se puede utilizar la
distribución normal como una aproximación. Veremos esas relaciones que hay entre los
modelos discretos con distribución normal

Distribución normal como aproximación
de la distribución binomial
Cuando se tiene un experimento con todas las características de la distribución binomial,

y se quiere determinar probabilidades, lo lógico es aplicar el modelo binomial. Sin
embargo, la distribución normal a menudo es una muy buena aproximación a una
distribución binomial, cuando está última adquiere una forma de campana simétrica,
esto es así, cuando n es suficientemente grande.
Si x es una variable aleatoria binomial con µ = np y σ2 = npq, entonces la variable

estandariza Z es:
x − np
Z= conforme n →∞
npq
Ejemplo La probabilidad de que un operario sufra un accidente en la vista es de 0,4 .Se seleccionan 100
operarios y se quiere determinar la probabilidad de que menos de 30 operarios sufran ese tipo de accidentes.
P(x<30) E(x)=np=100x0,4=40 V(x)=npq=100x0,4x0,6=24
Al ser n suficientemente grande n=100 , se puede utilizar la aproximación normal a la binomial. Al estandarizar
30 − 40 Z
Z= Z= - 2,04
24
Entonces, se busca la P(Z<-2,04) mediante la tabla normal estándar
P (Z<-2,04) = P(Z>2,04) = 1 – 0,9793

= 0,0206
Se afirma que esta aproximación es bastante buena siempre y cuando np o nq sean del
al menos 5
Distribución normal como aproximación

de la distribución Poisson
Cuando se tiene un experimento que cumple con las propiedades de la distribución de

Poisson, pero la muestra es grande, se puede utilizar la distribución normal como
aproximación de la distribución Poisson. Esta última tiene un solo parámetro λ = np `y
si n es suficientemente grande, crece el valor de λ, no pudiendo en ocasiones utilizar la
tabla de la distribución de Poisson. Para resolver esta situación, se puede utilizar la
distribución normal como aproximación de la distribución Poisson.
Si x es una variable aleatoria con distribución de Poisson con µ = λ y σ2 = λ

entonces la variable estandarizada Z es:
x−λ
Z= conforme n →∞
λ

Ejemplo La probabilidad de que un avión tenga una rotura en su tanque de combustible es de
0,03 en los próximos 2000 vuelos ¿Cuál es la probabilidad de que más de 50 aviones
tengan ese desperfecto? Se quiere averiguar la P(x>50)
E(x)= λ = 2000 x 0,03 = 60
V(x)= λ = 60
Al ser n suficientemente grande n = 2000, se puede utilizar la aproximación normal a Poisson. Al estandarizar
50−60
Z= = -1,29
√60
Entonces, se busca la P(Z>-1,29) mediante la tabla normal estándar
P (Z>-1,29) = P (Z<1,29)=0,9015
Distribución exponencial
Si se presentan eventos en el contexto de un proceso Poisson, entonces la longitud del
tiempo o el espacio entre eventos sucesivos tiene una
distribución exponencial de probabilidad. Como el tiempo
o el espacio son continuos, una medición de este tipo es
una variable aleatoria continua. Z
La distribución exponencial se aplica, si lo que interesa es

el tiempo o espacio hasta la ocurrencia del primer evento,
o el tiempo entre dos eventos sucesivos, o el tiempo que
transcurre hasta que se presenta el primer evento,
después de cualquier punto en el tiempo elegido al azar.
Los tiempos entre llegadas en instalaciones de servicio y los tiempos de operación antes
de que partes componentes y sistemas eléctricos empiecen a fallar a menudo se
representan bien mediante la distribución exponencial. Desempeña un papel importante
en la teoría de colas
La función de densidad de la distribución exponencial es:
f(x) = e-λx x≥ 0 con λ =

1
𝛽𝛽
=0 en otro caso
La función de acumulación de la distribución exponencial es:
F(X) = 1 - e-λx

Ejemplo En un departamento de reparación de maquinarias se reciben 5 solicitudes por hora
en promedio,
Promedio por hora = 5
λ = 2.5 promedio por media hora
Entonces la probabilidad de que se reciba la primera solicitud dentro de la media hora es:
P (X<0.5) = 1– e-2.5 = 1 – 0.08208 = 0.91792
La probabilidad de que se reciba la solicitud pasada la media hora, seria:
P (X>0.5) = e-2.5 = 0.08208
La media de la distribución exponencial es:

1
µ=
λ
La varianza de la distribución exponencial es:

1
σ2 =
λ2
Relación con el proceso de Poisson

Las aplicaciones más importantes de la distribución exponencial son situaciones donde
se aplica el proceso de Poisson. El lector debería recordar que el proceso de Poisson
permite utilizar la distribución discreta llamada distribución de Poisson. Recuerde que
la distribución de Poisson se utiliza para calcular la probabilidad de números específicos
de “eventos” durante un periodo o espacio particulares. En muchas aplicaciones la
variable aleatoria es el tiempo o la cantidad de espacio. Por ejemplo, un ingeniero
industrial se podría interesar en un modelo de tiempo T entre las llegadas en una
intersección congestionada durante las horas de mayor afluencia en una ciudad grande.
Una llegada representa el evento de Poisson.
La relación entre la distribución exponencial y el proceso de Poisson es muy simple. La
distribución de Poisson se desarrolló como una distribución de un solo parámetro con
parámetro λ, donde λ se interpreta como el número medio de eventos por unidad de
“tiempo”. Considere ahora la variable aleatoria descrita por el tiempo que se requiere
para que ocurra el primer evento. Si utilizamos la distribución de Poisson, vemos que
la probabilidad de que no ocurra algún evento, en el periodo hasta el tiempo t, es dada
por
𝑒𝑒 −𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆 0
p(0;λt) = = e−λt
0!
Ahora podemos utilizar lo anterior y hacer que X sea el tiempo para el primer evento
de Poisson. La probabilidad de que la duración del tiempo hasta el primer evento exceda
x es la misma que la probabilidad de que no ocurra algún evento de Poisson en x. Esto
último, por supuesto, es dado por = e−λx

como resultado, P(X > x) = e−λx
Así, la función de distribución acumulativa para X es dada por

P(0 ≤ X ≤ x) = 1− e−λx
Ahora, para poder reconocer la presencia de la distribución exponencial, podemos

diferenciar la función de distribución acumulativa anterior con el fin de obtener la
función de densidad
f (x) =λ e−λx
que es la función de densidad de la distribución exponencial con λ = 1/β.
Distribución ji-cuadrada
Esta distribución tiene un solo parámetro, v, llamado grados de libertad. Grados de

libertad es el número de observaciones
linealmente independiente (GL = n-1) . La
distribución de probabilidad es asimétrica hacia la
derecha, a medida que v aumenta la distribución
se vuelve más simétrica. Los valores χ2 son
positivos, la distribución comienza en 0.
La grafica de la distribución se presenta en la

figura
La media de la distribución es:

µ=v ; v grados de libertad
La varianza es:
σ2 = 2ν
En la tabla de la distribución ji cuadrada que se utiliza en este material, se presentan

los valores de χ2 (en el cuerpo de la tabla) para determinados grados de libertad
(columna de la izquierda de la tabla) y para las probabilidades acumuladas a la derecha
de ese valor χ2 (se encuentran en la parte superior de la tabla)
En la figura se observa un extracto de la tabla que se utilizará, para que se familiarice

con la misma.

Ejemplo El valor χ2 con v= 10 grados de libertad que deja un área de 0,050 a la derecha
es χ2 = 18,307
Las aplicaciones de la distribución ji cuadrada se verán más adelante, en estimación

de parámetros y en pruebas de hipótesis
Distribución t de Student
Sea Z una variable aleatoria normal estándar con distribución N(0,1) y ν una variable
aleatoria ji cuadrada con v grados de libertad. Si Z y ν son independientes, entonces
la distribución de la variable aleatoria T, donde
𝑍𝑍
T=
�𝑉𝑉�𝑣𝑣
La media de la distribución es:

µ=0 ; v grados de libertad
La varianza es:
σ2 = v/(v-2) si v>2
La figura presenta una gráfica de la distribución t

La distribución t tiene algunas propiedades:
o Cada curva t tiene forma de campana,

con centro en 0.
o Cada curva t, está más dispersa que la

curva normal estándar z, es más
aplanada que la curva normal.
o A medida que v aumenta, la dispersión de la curva t correspondiente

disminuye.
o A medida que v ∞ , la secuencia de curvas t se aproxima a la

curva normal estándar, por lo que la curva z recibe a veces el
nombre de curva t con v=∞
En la tabla de la distribución t que se utiliza en este material, se presentan los valores

de t (en el cuerpo de la tabla) para determinados grados de libertad (en la columna
izquierda de la tabla) y para las probabilidades acumuladas a la derecha de ese valor t
(en la parte superior de la tabla)
En la figura se observa un extracto de la tabla para que se acostumbre al manejo de
esta.
GL 0,10 0,05 0,025 0,01 0,005

1 3,078 6,314 12,706 31,821 63,657
2 1,886 2,920 4,303 6,965 9,925
3 1,638 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
5 1,476 2,015 2,571 3,365 4,032
6 1,440 1,943 2,447 3,143 3,707
7 1,415 1,895 2,365 2,998 3,499
8 1,397 1,860 2,306 2,896 3,355
9 1,383 1,833 2,262 2,821 3,250
10 1,372 1,812 2,228 2,764 3,169
Ejemplo El valor t con v= 8 grados de libertad que deja un área de 0,050 a la derecha es
t = 1,860
Las aplicaciones de la distribución t se verán más adelante, en estimación de

parámetros y en pruebas de hipótesis

Distribución F
La distribución F tiene una enorme

importancia en la comparación de varianza
muestrales, y sus aplicaciones involucran
dos más muestras.
La estadística F se define como la razón de

dos variables aleatorias ji cuadrada
independientes, dividida cada una entre su
número de grados de libertad. Es una
distribución de razón de varianzas
𝑈𝑈�
𝑣𝑣1
F= 𝑉𝑉�
𝑣𝑣2
Donde U y V son variables aleatorias independientes con distribución ji cuadradas

con v1 y v2 grados de libertad
La curva de la distribución F depende no solo de los dos parámetros v1 y v2 sino

también del orden en que se establecen; la distribución es asimétrica, pero la
asimetría disminuye al crecer los grados de libertad del numerador y denominador.
La media de la distribución F es:
𝑣𝑣2
µ= 𝑣𝑣2 −2
2𝑣𝑣2 2 (𝑣𝑣1 +𝑣𝑣2 +2)

σ2= 𝑣𝑣1 (𝑣𝑣2 −2)2 (𝑣𝑣2 −4)
Ejemplo Si el área a la izquierda de F es 0,95 y v1=15 y v2=10, entonces F=2.85, según se

observa en la figura
En la tabla de la distribución F que se utiliza en este material, se presentan los valores

de F (en el cuerpo de la tabla) para un alfa=005, en la parte superior de la tabla se
encuentran los grados de libertad para el numerador y en la parte izquierda de la tabla,
los grados de libertad para el denominador.

En la figura de más abajo, se observa un extracto de la tabla que se utilizará, para que
se familiarice con la misma.
3.1 El error en la temperatura de reacción en grados C, para un experimento es una variable aleatoria
continua x que tiene la función de densidad de probabilidad
𝑥𝑥 2
f(x)= ; -1<x<2 0 ; en cualquier otro caso
3
Obtenga la P(0<x≤1)
3.2 Se sabe que el tiempo útil de un componente eléctrico tiene una distribución normal con una media
de 2.000 horas y una desviación de 200 horas. Encuentre la probabilidad de que un componente
elegido al azar dure entre 2.000 y 2.400 horas
3.3 Se ha ajustado el proceso de fabricación de un tornillo de precisión de manera que la longitud

promedio de los tornillos sea de 13 cm. La desviación estándar de los tornillos es de 0.1 cm. , y se
sabe que la distribución de las longitudes de los tornillos tiene una forma normal. Determine la
probabilidad de que un tornillo elegido al azar tenga una longitud de entre 13 y 13.2 cm.
3.4 Se ha determinado que la vida útil de cierta marca de llantas radiales tiene una distribución normal con
media de 38.000 Km y desviación de 3.000 Km a) ¿Cuál es la probabilidad de que una llanta elegida al
azar tenga una vida útil de 35.000 Km como mínimo? b) ¿Cuál es la probabilidad que dure más de
45.000 Km?
3.5 Un distribuidor hace un pedido de 500 de las llantas especificadas en el ejercicio anterior
¿Aproximadamente cuantas llantas durarán a) entre 40.000 y 45.000 Km? b) más de 40.000 Km?

3.6 Supóngase que el tiempo promedio de permanencia hospitalaria por enfermedad crónica para un tipo
de paciente es de 60 días, con una desviación estándar de 15 días, y que la población tiene forma
normal, calcular la probabilidad de que un paciente elegido aleatoriamente de ese grupo tenga una
hospitalización:
a. Mayor que 50 días

b. Menor que 30 días
c. Entre 30 y 60 días
d. Más de 90 días
3.7 El gerente de personal de una gran compañía requiere que los solicitantes a un puesto efectúen cierta
prueba y alcancen una calificación de 500. Si las calificaciones de la prueba se distribuyen
normalmente con media de 485 y desviación estándar de 30 ¿Qué porcentaje de los solicitantes
pasará la prueba?
3.8 El número de personas ocupadas en establecimientos industriales de la alimentación en la provincia

que tiene 7200 firmas, se distribuye con media igual a 23 personas y desviación de 5 personas.
Calcular ¿Cuántos establecimientos se estima que tienen menos de 15 personas ocupadas?
3.9 Suponga que las edades de inicio de cierta enfermedad tienen una distribuci6n aproximadamente
normal, con una media de 11.5 años y una desviación estándar de 3 años. Un niño contrae
recientemente la enfermedad. ¿Cuál es la probabilidad de que la edad del niño sea:
a) Entre 8.5 y 14.5 años?
b) Mas de 10 años?
c) Menos de 12?
3.10 Si el nivel total de colesterol en cierta población tiene una distribución aproximadamente normal, con
una media de 200 mg y una desviación estándar de 20 mg, calcule la probabilidad de que un
individuo, elegido al azar de entre esa población, tenga un nivel de colesterol:
a) Entre 180 y 200 mg
b) Mayor que 225 mg
c) Menor que 150 mg
d) Entre 190 y 210 mg
3.11 Sea X una variable aleatoria N(60,4) Calcular:
a. La probabilidad de encontrar valores de X menores que 52

b. La probabilidad de X difiera del promedio en no más de 1.62 veces la desviación estándar
c. El valor de la variable que se encuentra 1.27 unidades de desviación estándar debajo de la
media.
3.12 Una máquina de envasado automático de refrescos vierte en cada lata una cantidad de refresco que
puede suponerse que sigue una distribución normal de media µ = 32.5 y desviación típica σ = 0.5. El
llenado de la lata se considera “incorrecto” si la cantidad de refresco vertido es inferior a 31,5 cl ó
superior a 34 cl.
¿Cuál es el porcentaje de llenados incorrectos para esta máquina?.
3.13 La duración (en años) de la placa base de los ordenadores sigue una distribución normal de
parámetros µ = 10 ; σ = 2. Calcule la probabilidad de que una placa base dure más de 12
años.
3.14 Una fábrica de coches lanza al mercado el modelo “Forte”” del que se sabe que sus pesos siguen
una distribución normal de media 3.100 kilos y una desviación típica de 130 kilos.
a) ¿Cuál es la probabilidad de que, al comprar un coche “Forte” pese más de 3.130 kilos?
b) ¿Qué distribución seguirá la media de las muestras de tamaño 100 de coches Forte?
c) ¿Cuál será la probabilidad de que al comprar un coche pese más de 2900 kilos y menos de 3500?
3.15 Los salarios mensuales de una empresa siguen una distribución normal de media 7.000 € y
desviación típica 2.000 €.
a) ¿Qué porcentaje de trabajadores ganan entre 6.000 y 9.000 €?
b) Sabiendo que un 10% de las personas ganan más que el trabajador X ¿Cuánto gana el
trabajador X?

3.16 El dueño de un auto de alquiler realiza todos los días un viaje hasta el aeropuerto desde un hotel 5
estrellas de la ciudad de Córdoba. El tiempo promedio para los viajes es de 24 minutos con una
desviación estándar de 3.8 minutos. Suponga que la distribución de los tiempos de viaje está
distribuida normalmente
a. ¿Cuál es la probabilidad de que un viaje dure más de 30 minutos?

b. ¿Cuál es la probabilidad de que un viaje dure entre 20 y 24 minutos?
3.17 Si un conjunto de observaciones del peso de un producto se distribuye de forma normal ¿Qué
porcentajes de estas difieren de la media en:
a. más de 1.5 σ
b. menos de 0.48 σ
3.18 Se ha observado que, para un grupo grande de prospectos de venta, el 20 % de los que un vendedor
visita en forma personal realizan la compra. Si un representante de ventas visita a 35 prospectos.
Determine la probabilidad de que 10 o más de ellos realicen una compra
3.19 El 60% de los jóvenes de secundaria y bachillerato tienen consola de videojuegos. Si en un instituto
hay 800 alumnos
a) ¿Cuántos se espera que tengan consola de videojuegos?
b) ¿Cuál es la probabilidad de que más de 500 tengan consola de videojuegos?
c) ¿Cuál es la probabilidad de que el nº de jóvenes con consola de videojuegos este entre 470 y
500 (ambos inclusive)?
3.20 El 15% de los habitantes de una determinada región son diabéticos. Se toma una muestra de 600 de
esos habitantes y se pide:
a) Número esperado de habitantes que no son diabéticos.
b) Probabilidad de que el número de diabéticos sea mayor que 80.
c) Probabilidad de que el número de diabéticos esté entre 80 y 110.
3.21 Se ha encontrado que el 70 % de las personas que entran a un centro comercial realizan cuando
menos una compra. Para una muestra de 50 personas ¿Cuál es la probabilidad de que como mínimo 40
de ellas realicen una o más compra
3.22 El número promedio de solicitudes de servicio que se reciben en un departamento de reparación de

maquinarias por cada turno de 8 horas es de 10. Determine la probabilidad que se reciban más de 27
solicitudes
3.23 Se sabe que las personas que llegan en forma aleatoria y en forma de proceso estacionario, a un
puesto, lo hacen a un promedio de 5 personas cada 10 minutos ¿Cuál es la probabilidad de que lleguen
más de 50 personas en la próxima hora?
3.24 Un proceso produce 10% de artículos defectuosos. Si se seleccionan al azar 100 artículos del proceso,
¿Cuál es la probabilidad de que el número de defectuosos
a. exceda de 15?
b. sea menor que 6?
3.25 Se sabe que el gasto mensual de agua, en metros cúbicos, que tienen las familias en cierta localidad
tiene una distribución exponencial con µ = 10.
a. ¿Cuál es la probabilidad de que una familia consuma menos de 3 metros cúbicos al mes?
b. ¿Cuál es la probabilidad de que el consumo mensual de agua de una familia rebase los 40 metros
cúbicos?
3.26 Se sabe que el kilometraje, en miles de kilómetros, que un autobús recorre antes de que se someta a
una reparación del motor sigue una distribución exponencial con µ = 80.
a. Si se tiene una flota de 300 autobuses, ¿cuántos se esperaría que se sometieran a reparación antes
de los 60, 000 Km?
b. ¿Cuál es la probabilidad de que un autobús recorra más de 100,000 Km. antes de someter el motor
a reparación?

3.27 Se sabe que el tiempo de espera una persona que llama a un centro de atención al público para ser
atendido por un asesor es una variable aleatoria exponencial con µ = 5 minutos. Encuentre la
probabilidad de que una persona que llame al azar en un momento dado tenga que esperar:
a. A lo sumo 5 minutos.
b. Al menos 10 minutos.
c. Entre 3 y 10 minutos.
3.28 Para una distribución χ2 encuentre 𝜒𝜒𝛼𝛼2 tal que:
a. P(χ2𝜒𝜒𝛼𝛼2 >)=0,01 con v= 4

b. P(χ2>𝜒𝜒𝛼𝛼2 )=0,025 con v= 19
c. P(37,652<χ2<𝜒𝜒𝛼𝛼2 )=0,045 con v= 25
3.29 Para una distribución chi cuadrada . Calcule

a) χ2 con 0.025 a la derecha y v=15
b) χ2 con 0.01 a la derecha con v=7
c) χ2 con 0.05 a la derecha, con v =24.
3.30 Para una distribución chi cuadrada . Calcule 𝜒𝜒𝛼𝛼2 , tal que
a) P(X2 >𝜒𝜒𝛼𝛼2 ) = 0.01 cuando v = 21;
b) P(X2 < 𝜒𝜒𝛼𝛼2 ) = 0.95 cuando v = 6;
c) P(𝜒𝜒𝛼𝛼2 <X2 < 23.209) = 0.015 cuando v = 10.
3.31 Encuentre las siguientes probabilidades:

a. P(T<2.365) si v=7
b. P(T>1.318) si v=24
c. P(-1,356<T<2,179 si v=12
3.32 a) Calcule t con 0.025 a la derecha, cuando v = 14.

b) Calcule t con 0.10 a la izquierda, cuando v = 10.
c) Calcule t con 0.995 a la izquierda, cuando v = 7.
3.33 Dada una muestra aleatoria de tamaño 24 de una distribución normal, calcule k tal que
a) P(-2.069 < T < k) = 0.965
b) P(-k < T < k) = 0.90
3.34 Para una distribución F encuentre:
a. f0,05 con v1=7 y v2=15

b. f0,05 con v1=15 y v2=7
c. La media y la varianza, si v1=7 y v2=15
3.35 ¿Qué nombre recibe la función de probabilidad de una variable continua?

¿Cómo caracteriza a la distribución normal?
¿Con que variable y valores de parámetros se utiliza una distribución normal estándar?
¿Se relacionan el proceso Poisson y la distribución exponencial? Comente
¿Cuándo aplica la distribución T de student? Caracterícela
La distribución Chi-cuadra, en cuanto a su forma ¿Cómo es?

Para encontrar probabilidades de una variable aleatoria continua con distribución
normal, aplique la función estadística DISTR.NORM.N
Luego de presionar el botón Aceptar
Ingrese los argumentos

X: el valor de cuya distribución quiere encontrar
Media: la media de la distribución

Desv_estandar: la desviación estándar de la distribución
Acum: la palabra VERDADERO, para devolver la probabilidad acumulada hasta ese x
Se inserta el resultado de la función
También puede aplicar la función estadística DISTR.NORM.ESTAND.N,
Luego ingrese como argumento el valor de la variable Z, y en acumulado, Verdadero

La función devuelve la probabilidad acumulada hasta ese valor de Z.

La función estadística NORMALIZACIÓN devuelve un valor normalizado o
estandarizado (Z) para una media y una desviación estándar dada

La función INV.NORM devuelve el inverso de la distribución acumulativa normal
para la media y desviación indicada.
La función INV.NORM.ESTAND devuelve el inverso de la distribución normal

estándar acumulativa, para una media 0 y desviación 1

Para obtener una probabilidad de una variable con distribución exponencial, aplique la
función estadística DISTR.EXP.N e ingrese los argumentos, en:
X: el valor de la función
Lambda: valor del parámetro (promedio)
Acum: la palabra VERDADERO
Para obtener una probabilidad de cola izquierda para una variable con distribución Ji
cuadrada, aplique la función estadística DISTR.CHICUAD , e ingrese los argumentos,
en:

X: el valor al que desea evaluar la distribución, un número no negativo
Grados_de_libertad: el número de grados de libertad
Acumulado: verdadero
La función DISTRIB.CHICUAD.CD devuelve la probabilidad de cola derecha de la

distribución chi cuadrada.
Ingrese en
x: el valor en que desea evaluar la distribución

grados de probabilidad: los grados de libertad
La función DISTR.T.2C devuelve la distribución T de Student de dos colas

Ingrese en

grados de libertad: los grados de libertad
La función DISTR.T.CD devuelve la distribución T de Student de cola derecha
Ingrese en:

La función DISTR.T.N devuelve la distribución T de Student de cola izquierda
Ingrese en:
Acumulado: Verdadero
La función INV.T devuelve el inverso de cola izquierda de la distribución T de

student
Ingrese en:
Probabilidad: la probabilidad asociada a la distribución t de dos colas
Grados_de libertad: grados de libertad

La función INV.T.2C devuelve el inverso de dos colas de la distribución T de
student
Ingrese en:
Probabilidad: la probabilidad asociada a la distribución t de dos colas
Grados_de libertad: grados de libertad
La función DISTR.F.CD devuelve la distribución (de cola derecha) de probabilidad
F para dos conjuntos de datos
con los argumentos:

X: el valor al que desea evaluar la función
Grados_de_libertad1: es el número de grado de libertad del numerador
Grados_de_libertad2: es el número de grado de libertad del denominador

La función DISTR.F.N devuelve la distribución (de cola izquierda) de probabilidad
F para dos conjuntos de datos
con los argumentos:

X: el valor al que desea evaluar la función
Acumulado: verdadero
La función estadística INV.F devuelve el inverso de la distribución de probabilidad F

(de cola izquierda)
Ingrese en
Probabilidad: probabilidad asociada a la distribución F

La función estadística INV.F.CD devuelve el inverso de la distribución de

probabilidad F (de cola derecha)
Ingrese en
Probabilidad: probabilidad asociada a la distribución F

La herramienta de análisis Generación de números aleatorios rellena un rango

con números aleatorios independientes extraídos de una de varias distribuciones.
Puede utilizar esta herramienta para caracterizar a los sujetos de una población con
una distribución de probabilidades (uniforme, binomial, normal, y otra).

Ingrese: cantidad de números aleatorios, distribución a usar, parámetros de la distribución, donde
quiere los resultados
Al presionar Aceptar, inserta los números aleatorios

Respuestas
1.1 a) 0,50 b) 0,80
1.2 a). Las sumas de las probabilidades dan mayor a 1.

b) Las probabilidades deben ser complementarias.
c) No existe probabilidad negativa.
1.3 a) 0,72 b) 0 c) 0 d) 0
1.4 a) 0,94 b) 0,14 c) 0,1917
1.5 a) 0,80 b) 0,20
1.6 0,8076
1.7 0,3756
1.8 a) 0,50 b) 0,30
1.9 a) 0,50 b) dependiente
1.10 a) 0,7777 b) 0,2222 c) 0 d) 0,4285
1.11 0,4666
1.12 a) 0,40 b) 0,54
1.13 a) 0.40 b) 0.5294 c) Dependiente
1.14 a) 0,34 b) 0,7142 c) 0,5357
1.15 0,12
1.16 0.3529
1.17 0.1428 . Dependientes
1.18 a) 0.17 b) 0.24
1.19 a) 0,555 b) 0.0630
1.20 0.4455
Modelos de probabilidad de variables discretas
2.1 a)
Demanda X P(x)
3 0,06
4 0,14
5 0,24
6 0,28
7 0,20
8 0,08
b) 0,24 c) 0,20
2.2 E(x)=5,66 V(x)=1,74
2.3 E(x)=2 V(x)=1,9 0,20
2.4 E(x)=35,6 V(x)=6,64 0,40

2.5 empresa A V(x)=0,6
empresa B V(x)=1,6
2.6
Cant. Vuelos 0 1 2 3 4
(x)
Probabilidades 0,20 0,20 0,20 0,20 0,20
(x)
E(x)=2 V(x)=2
2.7 0,75 E(x)=0,75 V(x)=0,1875
2.8 a) 0,16807 b) 0,3087 c) 0,16308 d) 0,36015
2.9 a) 0,1215 b) 0,28518 c) 0 d) 0,1329
2.10 a) 0,001 b) 0,972 c) 0,972
2.11 a) 0,003398 b) 0,995806 c) 0,000794 d) 0,147573
2.12 a) 0,091 b) 0,039 c) 0,2360 d) 0,9433 e) 0,3135 f) 0,7466 g) 0,4503
2.13 0,0136
2.14 0,090
2.15 a) 3 b) 0,049
2.16 0,0046
2.17 a) 0,085870 b) 0,945971 c) 0,463104 d) 0,363346 e) 0,025886
2.18 a) 0,1606 b) 0,1512 c) 0,3678 d) 0,1353 e) 0,6766
2.19 0.0071 0.0064
2.20 a) 0,4695 b) 0,7512
2.21 0,4195 0,0004
2.22 a) 0,6 b) 0,90 c) 1,8
2.23 0,30
2.24 0,083 0,8331
Modelos de probabilidad de variables continuas
3.1 1/9
3.2 0,4772
3.3 0,4772
3.4 a) 0,8413 b) 0,0098
3.5 a) 121 b) 126
3.6 a) 0,7475 b) 0,0227 c) 0,4772 d) 0,0227
3.7 30,85 %
3.8 395
3.9 a) 0,6826 b) 0,6914 c) 0,5661
3.10 a) 0,3413 b) 0,1056 c) 0,0062 d) 0,3829

3.11 a) 0,0227 b) 0,8947 c) 54,92
3.12 2,41 %
3.13 0,1586
3.14 a) 0,4087 b) normal c) 0,9369
3.15 a) 53,28% b) 9564
3.16 a) 0,0571 b) 0,3537
3.17 a) 13,36% b) 36,87%
3.18 0,1024
3.19 a) 480 b) 0,0744 c) 0,6902
3.20 a) 510 b) 0,8735 c) 0,8624
3.21 0,0614
3.22 0,0001
3.23 0,0001
3.24 a) 0,0477 b) 0,0912
3.25 a) 0,2591 b) 0,0183
3.26 a) 158 b) 0,2865
3.27 a) 0,6321 b) 0,1353 c) 0,4134
3.28 a) 13,277 b) 32,852 c) 46,928
3.29 a) 27,48 b) 18,47 c) 36,41
3.30 a) 38,95 b) 12,59 c) 20,48
3.31 a) 0,975 b) 0,10 c) 0,875
3.32 a) 2,145 b) -1,372 c) 3,499
3.33 a) 2,50 b) 1,714
3.34 a) 2,71 b) 3,51 c) 1,1538 ; 0,829

Anexo 1
Técnicas de conteos
En el cálculo de las probabilidades se debe poder determinar el número de veces que

ocurre un evento o suceso determinado. En muchas situaciones es imposible contar
físicamente el número de ocurrencias de un evento o enumerarlos uno a uno se
vuelve un procedimiento engorroso. Cuando se está frente a estas situaciones es muy
útil disponer de un método corto, rápido y eficaz para contar.
Las técnicas de conteos son utilizadas para enumerar eventos

difíciles de cuantificar. Se presentan algunas de estas técnicas:
Principio multiplicativo. Sea un experimento que se tiene

que realizar en K diferentes etapas, cada una se puede hacer
de ni formas distintas, entonces el experimento completo puede
hacerse en:
n1 x n2 x ….nk formas
Ejemplo Las maneras diferentes de viajar de la ciudad de Córdoba, a la ciudad de Jujuy,

pasando por la ciudad de Salta, asumiendo que hay 4 alternativas para ir de
Córdoba a Salta, y 3 de Salta a Jujuy
El número total de formas diferentes de viajar de Córdoba a Jujuy es:
n1 x n2 = 4 x3 = 12
Ejemplo Las patentes para automóvil en la ciudad están formadas por 6 caracteres: los tres
primeros son letras y los tres últimos son números ¿Cuántas placas diferentes se
pueden hacer?
La primera parte de la patente se forma con 3 letras: la primera se puede escoger de 26

maneras diferentes, la segunda letra, de 26 maneras diferentes y la tercera letra,
también de 26 maneras diferentes.
Entonces en la primera parte de las patentes, la cantidad de maneras es:
26x26x26= 17576
La segunda parte de la patente se forma con 3 números: el primero se puede escoger de

10 maneras diferentes, lo mismo que el segundo y el tercero.
Entonces en la segunda parte de las patentes, la cantidad de maneras es:
10x10x10=1000
Entonces el número total de patentes que se pueden formar:
17576x1000= 17.576.000
El principio multiplicativo es aplicable cuando el experimento se puede descomponer en

un conjunto de acciones secuenciales o independientes, de modo que cada resultado
del experimento se conforma con una posibilidad de cada una de esas acciones.
Principio de la adición. Sea un experimento que se puede realizar de n1 ó n2,..., ó

nk formas diferentes. El experimento completo se podrá ejecutar de n1 + n2 + ...+
nk maneras diferentes.

Ejemplo Las formas de hacer un viaje a una localidad al cual viajan 5
empresas de buses, 1 línea de tren y 3 compañías de aviación, son por lo tanto
5 + 1 + 3 = 9 maneras diferentes para realizar el viaje.
Ejemplo Un individuo tiene que alimentarse con cierto tipo de vitaminas, que
se encuentran en 4 tipos de carnes, 3 tipos de pastas y 6 tipos de verduras. Entonces,
las formas de ingerir esa vitamina son: 4+3+6= 13
Los eventos deben ser mutuamente excluyentes, es decir, que cada uno ocurra sin
necesidad que otro lo haga.
Una forma de distinguir cuándo hacer uso del principio multiplicativo y cuándo del
aditivo: Si se trata de una secuencia de acciones, deberemos usar el principio
multiplicativo. Si se trata de una sola acción que presenta distintas alternativas de
realización, deberemos usar el principio aditivo.
Diagrama de árbol. Un diagrama de árbol es una

herramienta gráfica que permite enumerar todas las
posibles maneras de realizar un conjunto de acciones
secuenciales o independientes.
En algunos experimentos es útil listar los elementos del
espacio muestral de forma sistemática mediante un
diagrama de árbol.
Facilita el cálculo de las probabilidades de eventos (más
adelante veremos su aplicación al cálculo de
probabilidades).
Ejemplo el experimento de lanzar la moneda al aire en dos ocasiones. La representación gráfica de dicho
experimento con todos sus resultados, la visualizamos en la figura, por medio del siguiente diagrama de
árbol.
Puntos muestrales
C CC
C
S CS
C SC
S
S SS
Ejemplo Se seleccionan tres artículos de forma aleatoria de un proceso de fabricación. Cada

artículo se inspecciona y se clasifica como defectuoso (D) o sin defectos (N), para listar los
elementos del espacio muestral construimos el diagrama de árbol que muestra la figura

Puntos muestrales
D DDD
D
N DDN
D
D DND
N
N DNN
D NDD
D
N NDN
N
D NND
N
N NNN
Hay situaciones en las cuales, listar el número de puntos muestrales, por medio de un
diagrama de árbol, se hace prácticamente imposible, por ser muy grande la cantidad
de puntos muestrales de un experimento.
Con frecuencia interesa un espacio muestral que contenga como elementos a todas las
posibles ordenaciones o arreglos de un grupo de objetos, en donde interesa el orden de
esos elementos. Estos diferentes arreglos se llaman permutaciones.
Antes de comenzar con las permutaciones, vamos a definir el factorial de un número,

como el producto de n por todos los números enteros que le preceden hasta llegar a 1
y el factorial de un número se denota como: n!
n! = n (n-1) (n-2)…..1
Ejemplo El factorial de 5, sería:

5! = 5x4x3x2x1 o bien
5! = 5 x 4! = 120
= 5 x 4 x 3! = 5 x4 x 3 x 2! = 5 x 4 x 3 x 2 x 1 = 120
Permutaciones. Una permutación es un arreglo ordenado de todo o parte de un

conjunto de objetos
El número de permutaciones de n objetos distintos es:
nPn = n! Recordemos que n! = n (n-1) (n-2).....(1)

Ejemplo se han comprado 5 libros y se debe ordenarlos en una pequeña biblioteca que
tiene lugar para cinco libros.
El número de formas posibles sería: 5P5 = 5!

5P5 = (5)x(4)x(3)x(2)x(1)
5P5 = 120
El número de permutaciones de n objetos distintos tomados de r a la vez es:

n!
nPr = ( n − r )!
Ejemplo se compran 5 libros, hay que ordenarlos en una pequeña biblioteca que sólo tiene lugar para
tres de ellos.
El número de formas posibles sería:
5!
5P3 = ( 5 − 3 )!
5P3 = 120
2
5P3 = 60
Ejemplo Un transporte de pasajeros ejecutivos dispone de 10 plazas y viajan 6 personas. La

cantidad de formas que se pueden ubicar los pasajeros son.
10!
10P6 = (10 − 6 )!
10P6 = 151.200
El número de permutaciones distintas de n objetos de las que n1 son de una clase, n2

de una segunda clase,…..,nk de una k-esima clase es:
n!
n1 !n 2 !..n k !
Ejemplo En caso de comprar un juego de luces con 9 portalámparas, 3 focos de color rojo, 4
amarillos y 2 azules. El número total de arreglos es:
9!
3!4!2! = 1260
Ejemplo. Si para fijar una placa se cuenta con 7 tornillos: 2 son de acero al carbón, 3 son de
acero inoxidable y 2 son de bronce. ¿De cuántas maneras diferentes se pueden colocar
tales tornillos, si se distingue el material del que están hechos?
7!
2!3!2! = 210
Combinaciones. En muchos problemas, interesa el número de formas de seleccionar

r objetos de n objetos sin importar el orden. Estas selecciones se llaman combinaciones
El número de combinaciones de n objetos distintos tomados de r a la vez es:

n!
nCr = r !( n − r )!

Ejemplo En cierta empresa se tiene 5 personas de alta formación para ocupar 3 gerencias
diferentes. El número de combinaciones posible sería:
5!
6C3 = 3!( 5 − 3 )!
6C3 = 10
Ejemplo Un equipo de investigación está compuesto por 5 mujeres y 7 varones. Las formas
que podrían integrarse grupos compuestos por 2 mujeres y 3 varones son:
5! 7!
5C2 x 7C3 = 2!( 5 − 2 )! x 3!( 7 − 3 )!
= 10 x 35
= 350
www.youtube.com/watch?v=0oN5B0EXUcw
www.youtube.com/watch?v=lCxij1HYmqo
La función matemática COMBINAT devuelve el número de combinaciones para un

numero determinados de elementos
Ingrese en
Numero: número total de elementos

Tamaño: el número de elementos en cada combinación

Otra función, la función COMBINA devuelve la cantidad de combinaciones con
repeticiones.
La función FACT devuelve el factorial de un numero
Otra función, la función FACT.DOBLE devuelve el factorial doble de un numero
La función estadística PERMUTACIONES devuelve el número de permutaciones para

un número determinado de objetos que pueden ser seleccionados de los objetos
totales

Otra función, la función PERMUTACIONES.A devuelve el número de permutaciones
para un número determinado de objetos (con repeticiones) que pueden ser
seleccionados de los objetos totales

Bibliografía
o RONALD WALPOLE - RAYMOND MYERS o PAULO ALFONSO LOPES. Probabilidad &

- SHARON MYERS. Probabilidad y Estadística. Conceptos, Modelos,
Estadística para Ingenieros. Sexta Aplicaciones en Excel. Pearson
edición. Pearson Educación Educación. Prentice Hall. 2000.
Latinoamérica. Prentice Hall. 1999. Colombia
México o STEPHEN P. ROBBINS – DAVID A. DE
o WILLIAM W. HINES – DOUGLAS C CENZO. Fundamentos de
MONTGOMERY. Probabilidad y administración. Conceptos y
Estadística para Ingeniería y Aplicaciones. Prentice Hall
Administración. Tercera edición. Hispanoamericana. 1996. México.
CECSA. 1996. México o MARK L. BERENSON – DAVID M.
o LEONARD KAZMIER – ALFREDO DIAZ LEVINE. Estadística para administración
MATA. Estadística Aplicada a la y Economía. Concepto y Aplicaciones.
Administración y a la Economía. Prentice Hall. 1982. México
Segunda edición revisada. McGraw-Hill. o WAYNE W. DANIEL. Bioestadística.
Series Schaum. 1995. México Base para el análisis de las ciencias de
o CARLOS GARIBALDI. Aprender la salud. Limusa. 2002
Estadística Aplicar Excel Tomar
decisiones. Libryco. 2014. Argentina
Webgrafía
https://www.youtube.com/watch?v=NuL32olyObY https://www.youtube.com/watch?v=3-zOxkssUoc
www.youtube.com/watch?v=C5nZ3XIfQ88 https://www.youtube.com/watch?v=3h29_gTdZGQ
https://www.youtube.com/watch?v=6RO5mdTz-sI https://www.youtube.com/watch?v=d4yIg-nEk-M
https://www.youtube.com/watch?v=IMxCjH4HfV4 https://www.youtube.com/watch?v=ifTWwKH8AT0
https://www.youtube.com/watch?v=K9UZpT8mnj0 https://www.youtube.com/watch?v=yWUTaQOwjxU
https://www.youtube.com/watch?v=lXsMmYXe3kg www.youtube.com/watch?v=2y6zs8o-YWg
https://www.youtube.com/watch?v=nJmI4dDpDeM Https://www.youtube.com/watch?v=1yJ19xJcjAQ
https://www.youtube.com/watch?v=dwNY9Zjdqck https://www.youtube.com/watch?v=kH8Rw0AjRBA
https://www.youtube.com/watch?v=3mikDVlYiok https://www.youtube.com/watch?v=_gyrWRyh6Qg
https://www.youtube.com/watch?v=phY8Z9-TXCY https://www.youtube.com/watch?v=Ws2pO_xojbA
Técnicas de conteo
www.youtube.com/watch?v=0oN5B0EXUcw www.youtube.com/watch?v=lCxij1HYmqo

2020 Probabilidad-Basica y Modelos de Probabilidad

Cargado por

Copyright:

Formatos disponibles

2020 Probabilidad-Basica y Modelos de Probabilidad

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2020 Probabilidad-Basica y Modelos de Probabilidad

Cargado por

Copyright:

Formatos disponibles

Probabilidad

Cada elemento en un espacio muestral se llama punto

Ejemplo Considere el experimento de lanzar un dado. Si nos

El evento compuesto es aquel que comprende varios resultados de un experimento

Para cualquier experimento dado podemos

• Un evento es un subconjunto de un espacio muestral.

• La intersección de dos eventos A y B denotados mediante el símbolo A ∩ B

Probabilidad básica-Modelos de probabilidad 2

• La unión de dos eventos A y B, que se denota mediante el símbolo A ∪ B, es el

confianza en la validez de la afirmación.

La probabilidad de la ocurrencia de un evento

Probabilidad básica-Modelos de probabilidad 3

Es decir, el cociente entre casos favorables y casos posibles

El espacio muestral para este experimento es:

A = [CC, CS, SC] y P(A) = 4

Aprovecharemos el ejemplo para mostrar el experimento y las probabilidades con un

Se conocen tres teorías de probabilidad:

Probabilidad básica-Modelos de probabilidad 4

Si un experimento puede tener como

P(C) = 0,50 P(S) = 0,50

El planteamiento clásico de probabilidad supone no existen situaciones que

o Teoría de la frecuencia relativa, el enfoque de frecuencia relativa de la

Si algún proceso es repetido un gran número de veces, n, y si algún evento

Probabilidad básica-Modelos de probabilidad 5

En este planteamiento de frecuencia relativa el numero que se obtiene

o Teoría subjetiva (“personalista”). Este enfoque sostiene que la

En la mayor parte de este material de estudio nos basaremos en la teoría de la

La probabilidad tiene algunas propiedades:

• La probabilidad de cualquier evento E, es un número no negativo, es decir,

Se aplica a uniones de eventos. Si A y B son cualesquiera dos eventos, entonces:

En la teoría de conjuntos se lo representa de esta forma

Probabilidad básica-Modelos de probabilidad 6

Ejemplo La probabilidad de que un alumno apruebe Matemática es 0,6 y la probabilidad de que

P (M∪ I ) = P (M) + P (I) – P (M ∩ I)

De la formula general de probabilidad planteada arriba se deduce que:

Ejemplo En un curso de admisión se encuentran 70 personas que viven en la ciudad y 30

En ocasiones, el conjunto de todos los "resultados posibles" puede constituir un

Probabilidad básica-Modelos de probabilidad 7

La probabilidad condicional de B dado A se define como:

La probabilidad condicional proporciona la capacidad de reevaluar la idea de

La probabilidad condicional nos permite comprender el concepto de independencia,

Dos eventos A y B son independientes sí y sólo

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

Probabilidad básica-Modelos de probabilidad 8

P(C/B) = P (C) = 0,40

Reglas de la multiplicación https://www.youtube.com/watch?v=d4yIg-nEk-M

La regla multiplicativa es importante ya que nos permite calcular las probabilidades de

Es de destacar que (A ∩ B) es equivalente a (B ∩ A)

P (D1 ∩ D2 ) = P(D1) P(D2/D1)

La fórmula desarrollada arriba, se aplica para eventos dependientes, ya que al

Dos eventos A y B son independientes si y solo si

Probabilidad básica-Modelos de probabilidad 9

P (D1 ∩D2 ) = P(D1) P(D2)

La probabilidad condicional toma en cuenta la información en cuanto a la ocurrencia

La regla de Bayes es:

Estas probabilidades condicionales, se las conoce, como “a posteriori o revisadas”

Probabilidad básica-Modelos de probabilidad 10

0.30 Línea 1 0.01 D/L1

0.35 Línea 2 0.015 D/L2