Unidad 3 Unificada

ÍNDICE
1. Información de la unidad / Tema de la semana 3
2. Información de los subtemas 4
2.1. Permutación 4
2.2. Combinación 6
2.3. Sucesos, Eventos, Espacio Muestral 7
2.4. Función de Densidad de Probabilidad 9
2.5. Probabilidad Condicional 11
2.6. Teorema de Bayes 12
3. Bibliografía 17
2
1. Informacion de la unidad
Tema de la semana:
» Objetivo:
Calcula e interpreta probabilidades mediante la aplicación de fórmulas
pertinentes.
» Tema:
Nociones de Probabilidad.
» Subtemas:
1. Permutación.
2. Combinación.
3. Sucesos, Eventos, Espacio Muestral.
4. Función de Densidad de Probabilidad.
5. Probabilidad Condicional.
6. Teorema de Bayes.
» Unidad:
Nociones de probabilidad y distribuciones concretas y sencillas.
» Duración de horas semanales:

10 H
3
Nociones de Probabilidad y Distribución Concretas y Sencillas – Nociones de Probabilidad
2. Informacion de los subtemas
2.1 Permutación
Según Levine (2006) La terminología permutar significa variar la distribución u orden en

el que permanecían dos o más cosas, en este caso es indispensable precisar si estas
cosas son o no indistinguibles para estar totalmente seguros que la nueva estructura sea
en esencia distinta a la antigua. Las permutaciones pueden ser:
a) Permutaciones sin repetición
¡La cantidad probable de ordenaciones que se puedan conseguir con objetos distintos
(n≥2) se da del producto de la n primeros términos al que se denota por n!, leída como
“factorial de n”, es igual a: n! =
𝑛 × (𝑛 − 1) × (𝑛 − 2) … ..
b) Permutaciones con repetición
Es el elemento que se repite n veces, es decir en las que el primer elemento se repite a
veces, el segundo b y el último se repite c, esto sucede en los diferentes grupos de
elementos en donde se puede hacer que en cada grupo dicho elemento aparezca el
© Universidad Estatal de Milagro – UNEMI
número de veces indicado y que la diferencia se presente solo en el orden de colocación.

Es representado por: 𝑃𝑛 𝑎,𝑏,𝑐 . La fórmula que nos permitirá calcular el número de
permutaciones con repetición es:
𝑛!
𝑃𝑅𝑛 𝑎,𝑏,𝑐 =
𝑎! × 𝑏! × 𝑐!
4
c) Permutaciones circulares
Estas permutaciones se aplican a conjuntos que ordenaremos de manera circular, ya

que no poseen ni un principio ni un final, es decir no tienen ni primer ni último término
debido a que todos los términos se encuentran en una línea cerrada. Para encontrar en
número de permutaciones circulares que se pueden crear, fijar la posición de un
elemento, los restantes pueden cambiar el lugar de distintas formas pudiendo así tomar
todas las posiciones dentro de la circunferencia relativa al primer punto. (Johnson, 2012)
Para hallar las permutaciones circulares utilizaremos la siguiente fórmula:
𝑃𝐶𝑛 = (𝑛 − 1)!
5
2.2 Combinación
Según Johnson (2012) Generalmente combinar significa unir varias cosas, de forma que
constituyan un mismo conjunto, en este caso la denominaremos como el número de
conjuntos de un determinado número de elementos que se puedan constituir en un
universo de objetos, no importa el orden de selección sino más bien los elementos que
se toman. Estas pueden ser:
1. Combinaciones sin repetición
Son los n elementos que se toman de r en r, denotada en 𝐶𝑛𝑟 a los distintos grupos de
r elementos diferentes, esto quiere decir un grupo se puede diferenciar de otro en al
menos un elemento. (Sin importar el orden de selección o colocación). Se lo halla
mediante la fórmula:
𝑛 𝑛!
𝐶𝑛𝑟 = ( ) =
𝑟 (𝑛 − 𝑟)! 𝑟!
2. Combinaciones con repetición
Los n elementos tomados de r en r, son de distintos grupos constituidos por n elementos

de forma que no permite que, entre todos los elementos, no importa el orden y permite
que se repitan los elementos, mediante la siguiente fórmula:
(𝑛 + 𝑟 − 1)
𝐶𝑅𝑛𝑟 =
𝑟! (𝑛 − 1)!
6
2.3 Sucesos, Eventos, Espacio muestral
Espacio muestral (Ѕ)
Es el resultado o un grupo de resultados posibles al realizar un experimento,

generalmente consiste en todo aquello que podría ocurrir cuando se toma una muestra.
Ejemplo: Se lanza una moneda S= {cara, sello} existen dos eventos. (David M. Levine,
2006)
Eventos y sucesos
Es una aseveración relacionada al producto de un evento aleatorio, se lo puede entender

como un subconjunto del espacio muestral que se ha conformado por los resultados del
experimento que hace que el suceso sea seguro. (Paula Rodas, 2009)
Luego de haber realizado el experimento de un suceso si este ocurre se procede a

verificar y sino ocurre respectivamente no se verifica. Un suceso acontece cuando el
resultado del experimento forma parte del conjunto. Se clasifican en:
» Elementales: Consta de un solo resultado

» Compuestos: Es la unión de varios elementales
Es llamado un suceso seguro al que tiene de todos los sucesos elementales Ω y suceso
imposible al que no contiene ningún elemento del espacio muestral Ø, esto da a

entender que el suceso seguro ocurre siempre y el suceso imposible no ocurre nunca.
Entre los sucesos se pueden dar operaciones que permiten que estos se unan, se corten
o se complementen de la misma manera que los subconjuntos de cualquier conjunto.
7
» “Unión de sucesos (𝑨 ∪ 𝑩): Es el producto del experimento que se encuentran

en los conjuntos A o en B.
» Intersección de sucesos (𝑨 ∩ 𝑩) : Son los puntos pertenecientes de A y B.
» Complementación de sucesos (Ā): Se refiere a los puntos que no se encuentran
en A.
̅ ) : Son los puntos que pertenecen al
» Diferencia de sucesos (𝑨 − 𝑩 = 𝑨 ∩ 𝑩
conjunto A y no a B” (David M. Levine, 2006).
La diferencia entre un evento y un suceso es que los eventos son más estadísticos y
tienen más probabilidad de ocurrencia.
8
2.4 Función de Densidad de Probabilidad
En teoría de probabilidad esta función sirve de apoyo para reconocer regiones de

mayores y menores probabilidades para valores de una variable aleatoria, es positiva a
lo largo de todo su dominio y su integral sobre todo el espacio es de valor unitario. Estás
pueden ser básicamente continuas o discretas. Está asociada a la variable aleatoria
continua, en donde básicamente definimos una función usualmente continua (cualquier
valor numérico en un intervalo o conjunto de intervalos) que nos permite establecer una
densidad de probabilidad para cada valor e infinitas posibilidades, para el valor de “x” la
probabilidad de que tome un valor específico es cero. (Paula Rodas, 2009)
0 a b
Figure 1. Curva de frecuencia en función de densidad de probabilidad
Según (2006) Gráficamente la curva representa la función de densidad f(x) podríamos

decir que la probabilidad que la variable aleatoria alcance determinados valores dentro
del intervalo (a; b) correspondería gráficamente al área bajo la curva de la función de

densidad, es decir algebraicamente deberíamos calcular entonces la integral de función
de la densidad que corresponde a la probabilidad de que la variable aleatoria alcance
determinados valores dentro del intervalo:
𝑏
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
9
Propiedades
 𝑓(𝑥) ≥ 0 para todos los valores de la variable aleatoria “x”.
∞
∫−∞ 𝑓(𝑥) = 1 , debido a que es la máxima probabilidad de que ocurran sucesos.
Debido a que no es un curso calcularemos probabilidades a base de combinaciones y

permutaciones, espacio muestra, eventos y sucesos.
10
2.5 Probabilidad Condicional
Al utilizar la simbología P(A) para la probabilidad de un evento A, es significativo

determinar que se está hablando de la probabilidad de A dada en algún espacio muestral
(S), es decir que la propiedad viene dada por la notación P(A/Ѕ) y sirve para referirse a
que se está trabajando en un espacio muestral determinado; así esta notación P(A/Ѕ)
se lee como la probabilidad condicional de A sobre un determinado espacio muestral,
además la manera de utilizarla de una forma simplificada P(A) siempre que se tenga
claro que se está trabajando sobre un espacio muestral.
La probabilidad condicional ocurre al tener un conocimiento previo de los escenarios de
un evento, es decir la manera de como renovar o cambiar la probabilidad de un evento,
si se sabe que otro ha ocurrido; estos pueden ser eventos dependientes o
independientes, de esta manera sean A y B dos eventos, si la probabilidad de que ocurra
o no ocurra el evento A no afecta la ocurrencia del evento B , entonces 𝑃(𝐴/𝐵) = 𝑃(𝐴)
y se denota que A y B son eventos independientes, caso contrario decimos que son
eventos dependientes. Así también si se requiere que ambos eventos ocurran (A y B) el
evento suele denominarse evento compuesto 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴)𝑃(𝐴/𝐵). (Johnson,
2012)
Formalmente expresamos que un evento B ve ya ocurrió y queremos conocer la
probabilidad que ocurra un evento A, entonces esta probabilidad condicional viene dada
por:
𝑃(𝐴 ∩ 𝐵)
P(𝐴/𝐵) =
𝑃(𝐵)
Con Pr(B) > 0, es un evento dependiente.

“Regla del producto: Dado dos eventos A y B, tales que
» 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵/𝐴)𝑃(𝐴) cuando P(A)>0.
» 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴/𝐵)𝑃(𝐵) cuando P(B)>0.
Esta regla es de utilidad cuando el problema contenga varias etapas, las cuales puedan
ser generalizadas.” (Taylor, 2008)
La Probabilidad Condicional también se la puede trabajar mediante diagramas de Venn.
11
2.6 Teorema de Bayes
El teorema de Bayes fue desarrollada por el reverendo Thomas Bayes en el siglo XVIII y
es denominado como la prolongación de la probabilidad condicional, utilizado para
comprobar las probabilidades que se han calculado con anticipación y de las cuales se
posee nueva información. (David M. Levine, 2006)
Es importante mencionar que las reglas de multiplicación sirven de gran utilidad en la

resolución de problemas, donde el producto final de un experimento va a depender de
sus etapas intermedias.
“La regla o teorema de Bayes es importante en el esquema general de la estadística,

esta regla permite utilizar P(A/B) para el cálculo de P(B/A) y se la denota como:
𝑃(𝐴𝑗 )𝑃(𝐵/𝐴𝑗 )
𝑃(𝐴𝑗 /𝐵) = 𝑘
∑𝑖=1 𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )
Siendo 𝐴𝑗 ,……,𝐴𝑘 los eventos que participan en el espacio S, de modo que P(𝐴𝐽 ) >0 para
i=1,2,3….,k y A sea un evento de manera que P(A) >0 para j=1,2,3….,k
Demostración:
𝑃(𝐴𝑗 ∩ 𝐵) 𝑃(𝐴𝑗 )𝑃(𝐵/𝐴𝑗 )

𝑃(𝐴𝑗 /𝐵) = = 𝑘
𝑃(𝐵) ∑𝑖=1 𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )
Para demostrar este resultado nos basamos para el numerador el concepto de

probabilidad condicionada y para el denominador el teorema de las probabilidades
totales.” (Taylor, 2008)
12
Ejercicios de aplicación
1. Suponga que 5 personas parquean su motocicleta en el mismo estacionamiento

cada día.
a) ¿Cuántos cambios pueden hacerse con las cinco motocicletas?
b) ¿Cuál es la probabilidad de que una motocicleta este estacionada en el tercer
lugar?
Resolvemos:
a) 𝑃5 = 5! = 5 × 4 × 3 × 2 × 1 = 𝟏𝟐𝟎
b) Una motocicleta está en el lugar determinado, la tercera, solo faltarían ordenar
al azar 4 motocicletas:
𝑃4 = 4! = 4 × 3 × 2 × 1 = 24
A= una motocicleta especifica en un determinado lugar.
24 1
𝑃(𝐴) = = = 𝟎, 𝟐
120 5
2. Se lanza un dado obteniendo el espacio muestral; Ѕ = {1, 2, 3, 4, 5, 6}. Sean los

sucesos 𝐴 = {1, 2} y 𝐵 = {3, 4}. Determine
a) 𝐴 ∩ 𝐵
b) 𝐴̅
c) 𝐵̅
d) 𝐴̅ ∩ 𝐵̅
e) 𝐴 ∩ 𝐵̅
f) 𝑃(𝐴/𝐵)
g) 𝑃(𝐴̅/𝐵̅)
13
Resolvemos:
a) 𝑨 ∩ 𝑩 = ∅ . no existen valores semejantes en A y B.

̅ = 3, 4, 5, 6 . Debido a que 1 y 2 si pertenecer a “A”.
b) 𝑨
̅ = 1, 2, 5, 6 . Debido a que 3 y 4 si pertenecer a “B”.
c) 𝑩
̅∩𝑩
d) 𝑨 ̅ = 5, 6 . debido a que solo 5 y 6 no pertenecen ni al suceso “A” ni al suceso
“B”.
̅ = 1,2 . porque 1 y 2 pertenecen al suceso “A” y no pertenecen a “B”.
e) 𝑨 ∩ 𝑩
𝑃(𝐴∩𝐵) 0
f) 𝑷(𝑨⁄𝑩) = = =0
𝑃(𝐵) 2⁄6
2
𝑃(𝐵) = Porque solo 2 de 6 pertenecen al conjunto B.
6
2
̅
𝑨 𝑃(𝐴̅∩𝐵̅) 6 12 1
g) 𝑷 (̅) = = 4 = =
𝑩 𝑃(𝐵̅) 24 2
6
𝑃(𝐵̅) Porque 4 de 6 no pertenecen al conjunto B
3. Un estudiante decide presentar 3 de 5 tareas que tiene pendiente en su colegio.

¿De cuántas maneras diferentes puede elegir esas tareas?
𝑛 𝑛!
𝐶𝑛𝑟 = ( ) =
𝑟 (𝑛 − 𝑟)! 𝑟!
n=5; r=3
5 5!
𝐶𝑛𝑟 = ( ) =
3 (5 − 3)! 3!
5 5×4×3×2×1 120
𝐶53 = ( ) = =
3 (2 × 1)(3 × 2 × 1) 12
𝑪𝟓𝟑 = 𝟏𝟎
4. Para tres autos A, B, C. se fabrican piezas del mismo material. El porcentaje de

piezas que resulta defectuosa en cada máquina es, respectivamente, 1%, 2%, 3%.
Se mezclan 300 piezas 100 de cada auto y se elige una pieza al azar, que resulta
ser defectuosa. ¿Cuál es la probabilidad de que haya sido fabricada en la
máquina A?
14
D= defectuosos
̅ = no defectuosos
𝐷
D
A ̅
𝐷
100
300
D
Autos B
̅
𝐷
D
C
̅
𝐷
𝑃(𝐴 ∩ 𝐷) 𝑃(𝐴)𝑃(𝐷/𝐴)
𝑃(𝐴/𝐷) = = 𝑘
𝑃(𝐷) ∑𝑖=1 𝑃(𝐴)𝑃(𝐷/𝐴)
100 1
×
𝑃(𝐴/𝐷) = 300 100
100 1 100 2 100 3
× + × + ×
300 100 300 100 300 100
1
300 1
𝑃(𝐴/𝐷) = =
6 6
300
𝑃(𝐴/𝐷) = 0.1667
5. En campeonato consta de 6 equipos de mujeres y 12 de hombres. Se desea

escoger un comité para que rinda cuentas de la participación de los equipos.
Hallar la probabilidad de
15
a) Seleccionar 3 jóvenes de los equipos de hombre

b) Seleccionar exactamente 2 jóvenes del equipo de hombre y 1 del equipo
de mujeres
c) Seleccionar por lo menos 1 del equipo de mujeres.
Resolvemos
Eh= jóvenes equipo hombre
Em= jóvenes equipo mujeres
12 11 10 1320
a) 𝑃(3𝐸ℎ) = × × = = 0.2696
18 17 16 4896
12 11 6 6 12 11 12 6 110
b) 𝑃(2𝐸ℎ 𝑦 1𝐸𝑚) = × × + × × + × × =
18 17 16 18 17 16 18 17 16
0.1617 + 0.1617 + 0.1617 = 0.4851

6 5 4 120
c) 𝑃(1 𝐸ℎ) = 1 − 𝑃(𝑠𝑜𝑙𝑜 𝑛𝑖ñ𝑎𝑠) = 1 − [ × × ]=1−[ ]=
18 17 16 4896
0.9754
16
3. Bibliografía
David M. Levine, T. C. (2006). Estadística para la administración. México: Pearson

Educación.
Johnson, R. A. (2012). Probabilidad y estadística para ingenieros. México: Pearson

Educación.
Paula Rodas, L. M. (2009). Regla de la suma para calculas probabilidades de dos o más
eventos. Redalyc, 6.
17
ÍNDICE
2.1. Distribución Bernoulli 4
2.2. Distribución Binomial 5
2.3. Ejercicios de Aplicación 6
3. Bibliografía 11
2
Tema de la semana:
» Objetivo:
Aplicar conocimientos adquiridos de combinación para la resolución de
ejercicios de distribución mediante probabilidades.
» Tema:
Distribución Binomial.
» Subtemas:
1. Distribución Bernoulli.
2. Distribución Binomial.
3. Ejercicios de Aplicación.
» Unidad:
Nociones de probabilidad y distribuciones discretas y continuas.

10 H
3
Nociones de probabilidad y distribuciones discretas y continuas –Distribución Binomial

2.1 Distribución Bernoulli
La distribución Bernoulli o distribución dicotómica fue nombrada así por el matemático

Jakob Bernoulli, asociada con otras distribuciones como: distribución binomial,
geométrica y binomial negativa. Es una distribución de probabilidad discreta; usada
habitualmente cuando un proceso aleatorio, presenta exactamente dos resultados en
donde las variables de esta distribución solo pueden tomar el valor numérico: 0 y 1; el
valor 1 para una probabilidad de éxito (p) y el valor 0 para una probabilidad de fracaso
(q). (Rubin, 2004)
Dentro de una variable aleatoria “x” la distribución Bernoulli se presenta si:
𝑝 𝑠𝑖 𝑥 = 1
𝑓(𝑥) = { 1 − 𝑝 𝑠𝑖 𝑥 = 0
0 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
Función de la distribución
0 𝑠𝑖 𝑥 < 0
𝑓(𝑥) = { 1−𝑝 𝑠𝑖 0 ≤ 𝑥 < 1
1 𝑠𝑖 𝑥 ≥ 1
Y su fórmula corresponde a:
𝑃(𝑋) = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 ,
Donde:
p(x): probabilidad de tener éxito o fracaso
x: éxito o fracaso de realización, k Є {0,1,}
p: probabilidad de éxito
𝟏 − 𝒑 = 𝒒: probabilidad de fracaso. Complemento de p.
4
2.2 Distribución Binomial
Según Richard A. y Johnson (2016) la distribución Binomial es una distribución discreta

que calcula la cantidad de éxito en una secuencia de n ensayos Bernoulli independientes
entre sí, si p determina la probabilidad de que en un solo experimento suceda un evento
(probabilidad de éxito) y q determina la probabilidad de que dicho evento no suceda en
un solo experimento (probabilidad de fracaso), por lo tanto la probabilidad de aquel
evento ocurra x veces en n experimentos, es decir que sucedan x éxitos y n-x fracasos.
“Viene dada por la siguiente fórmula:
𝑛 𝑛!
𝑃(𝑥 = 𝑘) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 = ∗ 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
𝑘 𝑘! (𝑛 − 𝑘)!
Donde x=k= 0,1,2, ….,n; 𝑛! = 𝑛(𝑛 − 1)(𝑛 − 2)…..1; y 0! = por definición. Donde:
n= cantidad de eventos.
X=k= cantidad de éxitos.
f(x)=probabilidad de que en un ensayo exista x éxitos en un numero n de ensayos.
Sus propiedades vienen dadas por:
Media= 𝑛 × 𝑝
Varianza= 𝑛 × 𝑝 × 𝑞
Desviación estándar: √𝑛. 𝑝. 𝑞” (Rubin, 2004)

Características
“Las características más comunes de dicha serie de ensayos conocidos como ensayos
Bernoulli son:
1. La probabilidad de éxito es la misma para cada ensayo

2. El producto de los distintos ensayos es independiente.” (Aldana, 2009)
5
2.3 Ejercicios de aplicación

1. Se lanza un dado y se espera que el resultado sea 6.
Comprobamos si cumple con la distribución Bernoulli
» E= {6}; F= {1,2,3,4,5}
» Lanzamiento de un dado.
1 1 5
𝑝 = ;𝑞 =1− =
6 6 6
𝑥=1
Aplicamos la fórmula: 𝑃(𝑥) = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
x=1; n=1
1 1 5 0 1
𝑃(1) = ( ) ( ) = ( ) × 1
6 6 6
1
𝑃(1) =
6
x=0; n=1
1 0 5 1 5
𝑃(0) = ( ) ( ) = 1 × ( )
6 6 6
5
𝑃(0) =
6
Por función de probabilidad:

1
𝑠𝑖 𝑥 = 1
6
𝑓(𝑥, 𝑝) = 5
𝑠𝑖 𝑥 = 0
6
{ 0 𝑠𝑖 𝑥 𝑒𝑠 ≠ 𝑑𝑒 0 𝑦 1
6
2. Al lanzar un dado tener un número menor a 5.
Primero debemos comprobar si cumple con la distribución Bernoulli
» E= {1,2,3,4]; F= [5,6]
» Un solo experimento: lanzar un dado.
4 2
𝑃(1) = =
6 3
2 1
𝑃(0) = 1 − =
3 3
Probabilidad Acumulada
x P(x) P(x≤x) P(x≥x)

0 1 1 1
3 3
1 2 1 2
3 3
Fuente: creación propia.
3. Se realiza el lanzamiento de una moneda 10 veces. Se solicita:

a. Obtener la probabilidad de tener 7 caras exactamente.
b. Obtener entre 4 y 7 caras.
c. A lo sumo 3 caras.
d. Al menos 2 caras.
Resolución:
n=10
p caras= 0.5
p sellos= 0.5
7
a. x= obtener caras
k= 7
𝑝𝑥 = 0.5
Aplicamos la fórmula:
𝑛
𝑃(𝑥 = 𝑘) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
𝑘
10 10
𝑃(𝑥 = 7) = ( ) 0.57 (1 − 0.5)10−7 = ( ) 0.57 (0.5)3
7 7
Resolvemos mediante combinación:
10! 1 1 10 ∗ 9 ∗ 8 ∗ 7! 1 1
𝑃(𝑥 = 7) = ( )( ) = ( )( )
3! 7! 128 8 3 ∗ 2 ∗ 1 ∗ 7! 128 8
𝑃(𝑥 = 7) = 0.117
b. X= Obtener caras
𝑝𝑥 = 0.5
K Є [4,7]
𝑃(4 ≤ 𝑥 ≤ 7) = 𝑃(𝑥 = 4) + 𝑃(𝑥 = 5) + 𝑃(𝑥 = 6) + 𝑃(𝑥 = 7)
10 10 10
𝑃(4 ≤ 𝑥 ≤ 7) = ( ) (0.5)4 (0.5)6 + ( ) (0.5)5 (0.5)5 + ( ) (0.5)6 (0.5)4
4 5 6
10
+( ) (0.5)7 (0.5)3
𝑃(4 ≤ 𝑥 ≤ 7) = 0.7734
c. x= obtener caras
k= 3
𝑝𝑥 = 0.5
𝑃(𝑥 ≤ 3) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3)
8
El mismo procedimiento del ítem b
𝑃(𝑥 ≤ 3) = 0.1718
d. x= obtener caras
k= 2
𝑝𝑥 = 0.5
𝑃(𝑥 ≥ 2) = 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + … … . +𝑃(𝑥 = 10)
𝑃(𝑥 ≥ 2) = 1 − [𝑃(𝑥 = 0) + 𝑃(𝑥 = 1)
Realizamos el procedimiento de ítem b, luego 1- resultado
𝑃(𝑥 ≥ 2) = 1 − 0.0107 = 0.9892
4. Se construye una casa con cierta cantidad de departamentos. Un departamento

tiene cuatro habitaciones, cada uno con una probabilidad de 0.2 de destrucción
en menos de 1000 días. El departamento va a ser alquiló si dos de las cuatro
habitaciones están ordenados. Suponga que las habitaciones son ordenadas de
manera independiente. Encuentre la probabilidad de que:
a) Exactamente dos de las cuatro habitaciones dure más de 1000 días.
b) El departamento sea alquilado por más de 1000 días.
Resolución
q=0.2 se destruya en menos de 1000 días

a) x= “no se destruya una habitación”

𝑝𝑥 = 0.8 éxito
Aplicamos la fórmula:
𝑛
𝑃(𝑥 = 𝑘) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
𝑘
9
4
𝑃(𝑥 = 2) = ( ) (0.8)2 (1 − 0.8)4−2
2
Resolvemos por combinación
𝑃(𝑥 = 2) = 0.1536
b) x= el departamento se alquile
𝑝𝑥 = 0.8 éxito
𝑃(𝑋 ≥ 2) = 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4)
4 4 4
𝑃(𝑥 ≥ 2) = ( ) (0.8)2 (0.2)2 + ( ) (0.8)3 (0.2)1 + ( ) (0.8)4 (0.5)0
2 3 3
𝑃(𝑋 ≥ 2) = 0.1536 + 0.4096 + 0.4096

𝑃(𝑥 ≥ 2) = 0.972
10
3. Bibliografía
Aldana, J. S. (2009). Relación fuente - recurso de información - documento . Biblios, 10.
Auchay, J. W. (2016). Estadística aplicada a la educación con actividades de aprendizaje.

Riobamba: EDG-FIE.
Rubin, R. I. (2004). Estadística para administración y economía. México: Pearson Educación.

11
ÍNDICE
2.1. Tabla de la distribución normal estándar 4
2.2. Normalización 6
2.3. Aproximación de la Binomial a la Normal 8
3. Bibliografía 14
2
Tema de la semana:
» Objetivo:
Utilizar correctamente las tablas de distribución normal estándar para la
resolución de eventos probabilísticos.
» Tema:
Distribución Normal.
» Subtemas:
1. Tabla de la distribución normal estándar.
2. Normalización.
3. Aproximación de la Binomial a la Normal.
» Unidad:
Nociones de probabilidad y distribuciones discretas y continuas.

10 H
3
Nociones de probabilidad y distribuciones discretas y continuas –Distribución Normal

2.1 Tabla de la distribución normal estándar
La distribución normal es una distribución continua en ella la variable aleatoria logra

tomar cualquier valor dentro de un intervalo de valores dados, es muy utilizada debido
a su aporte ajustable a las distribuciones de frecuencia reales que se visualiza en muchos
fenómenos incluyendo características humanas. Para su resolución se hace uso de
curvas de frecuencia, esta curva solo tiene un pico en su forma de campana de modo
que es unimodal, la media de una población distribuida frecuentemente se encuentra
en el centro de la curva normal, además por su asimetría la mediana y la moda también
están en el centro, es decir la media, mediana y la moda tienen el mismo valor. (Auchay,
2016)
Generalmente para hallar el área bajo la curva se hace uso de las integrales, debido a
que no es un curso de Integrales, para proceder hallar el área bajo la curva de una
distribución normal lo haremos mediante una tabla de distribución normal; esta tabla
solo da los valores de la mitad del área bajo la curva normal, comenzando de 0.0 en la
media, como es de conocimiento la distribución normal es simétrica es decir los valores
correspondientes a una mitad de la curva también corresponden a la otra. Para hacer
uso de la tabla en la columna de x buscamos el numero entero y el primer decimal; en
el reglón horizontal buscamos el segundo decimal; ejemplo: para encontrar el área bajo
la curva entre la media y un punto que está a 2.05 desviaciones estándar a la derecha
de la media el valor que me da la tabla es:
𝑃(𝑧 ≥ 2.05) = 0.0202
4
Tabla 1. Distribución Normal Estandarizada.

* Tomado de Auchay, J. W. (2016). Estadística aplicada a la educación con actividades de aprendizaje. Riobamba:
EDG-FIE.
5
2.2 Normalización
Según Rubín (2004) La normalización sucede al partir de una distribución normal y llegar
a un a distribución normal estandarizada, mediante la fórmula:
𝑥−𝜇
𝑧=
𝜎
Donde:
z= número de desviaciones estándar
x= valor de la variable aleatoria que nos ocupa
μ= media proporcional de la distribución variable aleatoria
σ= desviación estándar.
Para la normalización es necesario el uso de la tabla de distribución normal estándar

para así lograr encontrar el área bajo cualquier curva normal, es importante porque
mediante esta tabla podemos definir el área o la probabilidad de que la variable
aleatoria distribuida normalmente se encuentre entre algunas distancias a partir de la
media. La definición de estas distancias viene dada en terminología de desviación
estándar. Los resultados se presentan mediante curvas de frecuencia (Aldana, 2009)
Fuente: creación propia.
6
El extremo izquierdo se extiende de forma indefinida y nunca toca el eje horizontal.
La distribución normal de probabilidad es simétrica con respecto a una línea vertical que
pase por la media.
El extremo derecho se extiende de forma indefinida y nunca toca el eje horizontal.

7
2.3 Aproximación de la Binomial a la Normal
Como ya tenemos conocimiento la distribución normal es continua, por ello resulta

interesante que en ciertas ocasiones sea utilizada para aproximar distribuciones
discretas; muchas veces la distribución normal es requerida como medio para dar una
aproximación a la distribución binomial. Debemos destacar que esto se realiza siempre
que p no este cercana a 0 o 1. (Johnson, México).Mediante la fórmula:
1
(𝑥 ± ) − 𝜇
𝑧= 2
𝜎
1
Los dos “ " que agregamos y restamos son conocidos como factores de corrección de
2
continuidad, su utilidad se da debido a que se está evaluando una variable discreta con
una continua.
Es importante recordar que se debe tener cuidado al hacer uso de esta aproximación,
es bastante buena y sencilla siempre y cuando “np” y “nq” sean al menos cinco.
Características de factores de corrección de continuidad
𝑃(𝑥 = 2) = 𝑃(2 − 0.5 < 𝑥 < 2 + 0.5)
𝑃(𝑥 ≤ 4) = 𝑃(𝑥 ≤ 4 + 0.5)
𝑃(𝑥 < 4) = 𝑃(𝑥 < 4 − 0.5)

𝑃(𝑥 ≥ 4) = 𝑃(𝑥 ≥ 4 − 0.5)
𝑃(𝑥 > 4) = 𝑃(𝑥 > 4 + 0.5)
Es solo en estos casos que se hace uso del factor de corrección de continuidad.
8
Ejercicios de aplicación
1. Use la tabla 1 para hallar las siguientes probabilidades para una variable Z
aleatoria normal estándar.
a) 𝑃(0 ≤ 𝑍 ≤ 1,2)
b) 𝑃(−0.9 ≤ 𝑍 ≤ 0)
c) 𝑃(0.3 ≤ 𝑍 ≤ 1,56)
Resolvemos
a) 𝑷(𝟎 ≤ 𝒁 ≤ 𝟏, 𝟐)
0.5 − 𝑃(𝑍 ≥ 1.2)
0.5 − 0.1151 = 𝟎. 𝟑𝟖𝟒𝟗
0 1,2
b) 𝑷(−𝟎. 𝟗 ≤ 𝒁 ≤ 𝟎)
0.5 − 𝑃(𝑍 ≥ 0.9)
0.5 − 0.1841 = 𝟎. 𝟑𝟏𝟓𝟗
0 0,9
c) 𝑷(𝟎. 𝟑 ≤ 𝒁 ≤ 𝟏, 𝟓𝟔)
𝑃(𝑍 ≥ 0.3) − 𝑃(𝑍 ≥ 1.56)
0.3821 − 0.0594 = 𝟎. 𝟑𝟐𝟗𝟕
0 0,3 1.56
2. Se conoce que una población el 30% de la población está a favor de un candidato

A, se seleccionan 35 personas al azar, y se pide calcular la probabilidad
a) A lo mucho 5 estén a favor del candidato A.
𝑃(𝑥 ≤ 5) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3)𝑃(𝑥 = 4)𝑃(𝑥 = 5)
35 35 35
𝑃(𝑥 ≤ 5) = ( ) (0.3)0 (0.7)35 + ( ) (0.3)1 (0.7)34 + ( ) (0.3)2 (0.7)33
0 1 2
35 35 35
+ ( ) (0.3)3 (0.7)32 + ( ) (0.3)4 (0.7)31 + ( ) (0.3)5 (0.7)30
3 4 5
9
Resolvemos mediante combinación:
𝑃(𝑥 ≤ 5) = 0.02689
Aproximamos a una binomial mediante una normal
n=35
p=0.3
𝜇 = 𝑛𝑝 = 35 × 0.3 = 10.5
𝜎 = √𝑛𝑝𝑞 = √35 × 0.3 × 0.7 = 2.71
N (μ, σ) ~N (0,1)
𝑥−𝜇 𝑧−𝜇
𝑃(𝑥 ≤ 5) = 𝑃 ( )≤( )
𝜎 𝜎
5 − 10,5
𝑃(𝑥 ≤ 5) = 𝑃 (𝑧 ≤ )
2.71
𝑃(𝑧 ≤ −2.02)
Buscamos ese valor en la tabla:

𝑃(𝑧 ≤ −2.02) = 𝟎. 𝟎𝟐𝟏𝟕
10
3. La temperatura en el mes de diciembre está distribuida normalmente con media

de 19,5°C y una desviación estándar de 6°. Calcular la probabilidad de que
durante el mes de septiembre la temperatura este a 22°C.
Resolvemos:
𝜇 = 19,5 ; 𝜎 = 6 ; 𝑥 = 22
𝑥−𝜇
𝑧=
𝜎
22 − 19,5
𝑧=
6
𝒛 = 𝟎, 𝟒𝟐
Teniendo una mínima probabilidad de ocurrencia.
4. Las ventas mensuales de silenciadores en el área Richmond, Virginia, tiene una

distribución normal, con una media de $1200 y una desviación estándar de $225.
Al fabricante le gustaría establecer niveles de inventario de manera que solo
haya 5% de probabilidad de que se agoten las existencias. ¿Dónde se deben
establecer los niveles de inventario?
Solución
Datos:
µ= 1200
α= 0.05
σ=225
En este ejemplo ya no se tiene que calcular la probabilidad (área) entre valores
dados de x, sino que se tiene que calcular el o los valores de x a partir de

porcentajes o probabilidades que representan el valor de z
𝑥−𝜇
𝑧=
𝜎
0,05
(𝑧 ∗ 𝜎) + 𝜇 = 𝑥
µ=1200 x=?
11
Al conocerse el porcentaje del cual queremos obtener un valor x, en este caso

5%, se debe tomar en cuenta que este 5% también representa una probabilidad
de 0.05, esta probabilidad se la vamos a restar a 1 porque lo que queremos saber
es a partir de qué valor de x empieza ese 5% de observaciones, es decir por
encima de ese valor.
Entonces tenemos que: 1 − 0.05 = 0.95
Este resultado que también es una probabilidad la tenemos que localizar en una
tabla de probabilidades acumuladas de la distribución normal estándar, y así
encontraremos el valor z que le corresponde, al ubicar este valor lo podemos
sustituir en la formula y encontrar x.
El valor de z que proporciona la tabla para 0,95 es 1,65.
Procedemos a ingresar los datos al a fórmula previamente despejada
𝑥 = (𝑧 ∗ 𝜎) + 𝜇
𝑥 = (1,65 ∗ 225) + 1200
𝒙 = 𝟏𝟓𝟕𝟏, 𝟐𝟓
5. Una maquina llenadora automática se gradúa para dispensar 1000 c.c. sin
embargo al realizar un control de calidad se encontró que el 10% de las botellas
contenían más de 1000 c.c. y el 5% contenían menos de 985 c.c. se pregunta el
contenido medio de llenados de botellas
Solución
Datos:
X1=1000 ; z1=0.10
X2= 985 ;z2=0.05
𝑥−𝜇
𝑧=
𝜎
Despejamos 𝜎 para cada uno de los datos e igualamos las ecuaciones:
𝑥1 − 𝜇
𝜎=
𝑧1
12
𝑥2 − 𝜇
𝜎=
𝑧2
Igualamos las dos ecuaciones
𝑥1 − 𝜇 𝑥2 − 𝜇
=
𝑧1 𝑧2
Despejamos 𝜇 que representa el valor que se nos está pidiendo hallar
𝑧2∗𝑥1−𝑧1+𝑥2
𝜇=
𝑧2−𝑧1
Reemplazamos los datos
0.05 ∗ 1000 − 0.10 + 985

𝜇=
0.05 − 0.10
La media es:
𝜇 = 4.8743
Entonces el contenido medio de llenado de las botellas es de 4.8743

13
3. Bibliografía

Riobamba: EDG-FIE.
Johnson, R. A. (México). Probabilidad y estadística para ingenieros. 2012: Pearson Educación.

14
a
ÍNDICE
2.1. Distribuciones muéstrales 4
2.2. Estimación puntual e intervalos de confianza de la 6

media poblacional
2.3. Estimación por intervalos de confianza para la 9

diferencia de medias poblacionales
3. Bibliografía 12
2
Tema de la semana:
» Objetivo:
Utilizar técnicas de medidas de tendencia central y dispersión para el cálculo de
intervalos de confianza.
» Tema:
Intervalos de Confianza.
» Subtemas:
1. Distribuciones muéstrales.
2. Estimación puntual e intervalos de confianza de la media poblacional.
3. Estimación por intervalos de confianza para la diferencia de medias
poblacionales.
» Unidad:
Pruebas de hipótesis y muestreo.

10 H
3
Pruebas de hipótesis y muestreo – Intervalos de Confianza

2.1 Distribuciones muéstrales
La distribución muestral es la distribución de los resultados que demuestran si se

seleccionaron realmente todas las muestras posibles, es utilizada cuando se requiere
elaborar inferencias estadísticas, es decir hacer uso de cálculos estadísticos a partir de
muestras para lograr así estimar los valores dentro de los parámetros de la población.
Esta se puede dar por:
a. Distribución muestral de la media
Basado en el conocimiento previo de que media es la medida de la tendencia central

más utilizada, repetitivamente la media muestral se la utiliza para los cálculos de la
media poblacional, es así que a la distribución muestral de la media se la denomina como
la distribución del conjunto de medias posibles que aparecen si realmente se
seleccionaron en cierto tamaño todas las muestras que sean posibles.
Se menciona que la media muestral es imparcial debido a que la media de todas las
medias muestrales posibles es igual a la media poblacional;𝑁(𝜇, 𝜎). (Auchay, 2016)
Cuando ya se obtenido todos los datos de una determinada población, la media se

calcula usando la ecuación:
∑𝑛𝑖=1 𝑥1
𝜇=
Y para la desviación estándar la ecuación:
∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2
𝜎=√
𝑛−1
4
El resultado del valor de la desviación estándar de todas las medias posibles (llamado
error estándar de la media) nos presenta cuanto cambia la media muestral entre una
muestra y otra. Y la ecuación que se utiliza para el error estándar de la media es:
𝜎
𝜎𝑥̅ =
√𝑛
Dada una población normal N (μ, σ) se procede a verificar:
𝜎 𝑥̅ −𝜇
𝑥̅ ~𝑁 (𝜇, ) ; tipificando 𝜎 ~𝑁(0,1)
√𝑛
√𝑛
b. Distribución muestral de una proporción
La proporción muestral es representada por p y es denominada como la relación

existente de elementos en la muestra que entregan las características de interés; es
decir un estadístico que hace uso para estimación de proporción poblacional, un
parámetro, mediante la ecuación:
𝑥
𝑝=
𝑛
Donde:
x= cantidad de elementos con la característica de interés
n= tamaño de la muestra
Además, podemos calcular el error estándar para la proporción:

𝜋(1 − 𝜋)
𝜎𝑝 = √
𝑛
𝜋 = proporción poblacional.
5
2.2 Estimación puntual e intervalos de confianza de la

media poblacional
La estimación puntual da a conocer la elección de un estadístico; esto es, un

determinado número que fue calculado a partir de datos muéstrales y en ocasiones otro
tipo de información, por medio del cual guarda cierta seguridad de permanecer cerca
del parámetro estimado; pero no es una labor sencilla estar razonablemente cercano
debido a que el valor del parámetro es totalmente desconocido y también el valor del
estadístico es desconocido hasta luego de obtener la muestra, por aquello lo único
posible a realizar es preguntar si en el muestreo repetido dicha distribución tiene
propiedades que se ajustan con la cercanía. Siendo un estimador el que ayuda a
encontrar el valor aproximado.
Para resumir:
“La media de la población se puede estimar puntualmente mediante la media de la

muestra: 𝑥̅ = 𝜇.
La proporción de la población se puede estimar puntualmente mediante la proporción

de la muestra: 𝑝̂ = 𝑝
La desviación típica de la población se puede estimar puntualmente mediante la

desviación típica de la muestra: 𝛿 = 𝜎.” (Johnson, 2012)
Intervalos de confianza de la media poblacional.

El intervalo de confianza se elabora de forma que la probabilidad del parámetro de la

población se encuentre en un sitio determinado dentro del intervalo conocido. Es
importante recordar que la media de la muestra pertenece a una estimación puntual de
la media poblacional, pero también esta puede variar de una muestra a otra debido a
que depende de los elementos que se han seleccionado en la muestra. El nivel de
confianza es 1- 𝛼 (0 < 𝛼 < 1). (Johnson, 2012). Se pueden realizar mediante:
6
a. Estimación del intervalo de confianza para la media (σ conocida)

Cuando σ es conocida, la curva normal puede ser usada como un modelo de la
distribución muestral de 𝑥̅ , de tal manera que de
𝜎
𝑥̅ ± 𝑧𝛼⁄2
√𝑛
Evento probabilístico n>30:

𝜎 𝜎
𝑥̅ − 𝑧𝛼⁄2 ≤ 𝜇 ≤ 𝑥̅ + 𝑧𝛼⁄2
√𝑛 √𝑛
Dada una población normal N (μ, σ) se procede a verificar:
𝜎 𝑥̅ −𝜇
𝑥̅ ~𝑁 (𝜇, ) ; tipificando 𝜎 ~𝑁(0,1)
√𝑛
√𝑛
b. Estimación del intervalo de confianza para la media (σ desconocida)
Antes de entrar a este tema primero debemos conocer qué es una distribución t
Student. Esta es una distribución usada para muestras menores a 30, también conocida
como la distribución t que se encarga de calcular valores críticos denotados mediante
𝑡∝⁄2 , este valor lo podemos encontrar en la tabla de tal manera que primero debemos
conocer los grados de libertad (𝛼 = 𝑛 − 1) en la columna izquierda, luego siguiendo ese

reglón hasta encontrar el número correspondiente o aproximado abajo del área

adecuada en la parte superior. Para encontrar la distribución t de una probabilidad se
utiliza la ecuación:
𝑥̅ − 𝜇
𝑡= 𝜎
√𝑛
7
Tabla de la distribución t
http://cms.dm.uba.ar/academico/materias/1ercuat2015/probabilidades_y_estadistica
_C/tabla_tstudent.pdf
Ahora bien, para una estimación del intervalo de confianza para la media con σ
desconocida se realiza la prueba de t de una media. Mediante la ecuación:
𝜎
𝑥̅ ± 𝑡𝛼⁄2
√𝑛
Evento probabilístico n<30:
𝜎 𝜎
𝑥̅ − 𝑡𝛼⁄2 ≤ 𝜇 ≤ 𝑥̅ + 𝑡𝛼⁄2
√𝑛 √𝑛
8
2.3 Estimación por intervalos de confianza para la

diferencia de medias poblacionales
Se hace la selección de dos muestras aleatorias escogidas independientemente de dos

poblaciones normales (x1, …, xn e Y1, …, Ym), además se anhela realizar intervalos de
confianza para la diferencia de medias 𝜇𝑥 − 𝜇𝑦 .
» Con varianzas conocidas: debido que X e Y son independientes de tal manera que
(𝑋̅ − 𝑌̅) − (𝜇𝑋 − 𝜇𝑌 )

𝑇= ∽ 𝑁(0, 1)
2 2
√𝜎𝑋 + 𝜎𝑌
𝑛 𝑚
En un intervalo de confianza:
𝜎𝑋2 𝜎𝑌2 𝜎𝑋2 𝜎𝑌2

(𝑥̅ − 𝑦̅) − 𝑧∝⁄ √ + , (𝑥̅ − 𝑦̅) + 𝑧∝⁄2 √ +
2 𝑛 𝑚 𝑛 𝑚
» Con varianzas desconocidas pero iguales
Supongamos que las varianzas 𝜎𝑋2 𝑦 𝜎𝑌2 son desconocidas pero iguales:
(𝑋̅ − 𝑌̅) − (𝜇𝑋 −𝜇𝑌 )

𝑇= ∽ 𝑁(0, 1)
1 1
𝜎+√ +
𝑛 𝑚
En un intervalo de confianza:
1 1 1 1
(𝑥̅ − 𝑦̅) − 𝑡𝑛+𝑚−2,∝⁄ 𝑆̂√ + , (𝑥̅ − 𝑦̅) + 𝑡𝑛+𝑚−2,∝⁄ 𝑆̂√ +
2 𝑛 𝑚 2 𝑛 𝑚
Ejemplos:
1. El ascensor de un edificio limita el peso de sus 5 ocupantes a 400kg. Se entrega

un listado donde comprueba que el peso de uno de los individuos sigue la
9
distribución N (75, 9), determinar la probabilidad de que el peso de las 5

personas supere los 350 kg.
Resolvemos:
Si se toma en cuenta que cada individuo sigue una distribución N (75, 9) y
seleccionamos una muestra de 5 individuos
Datos
𝜇 = 75
𝜎=9
𝑥𝑖
𝑃(𝑥̅ > 400) = 𝑃 (𝑥̅ > )
𝑛
𝑥𝑖
𝑃(𝑥̅ > 400) = 𝑃 (𝑥̅ > )
𝑛
∑𝑛𝑖=1 𝑥𝑖 350
𝜇 = 𝑥̅ = = = 70
𝑛 5
400
𝑃(𝑥̅ > 400) = 𝑃 (𝑥̅ > )
5
𝑃(𝑥̅ > 400) = 𝑃(𝑥̅ > 80)
Mediante tipificación
𝑥̅ − 𝜇
𝑃(𝑥̅ > 400) = 𝑃 ( )
𝜎𝑥̅
𝜎 9
𝜎𝑥̅ = = = 4,025
√𝑛 √5
𝑥̅ − 𝜇 75 − 71
𝑃 (𝑍 > ) = 𝑃 (𝑍 > ) = 𝑃(𝑍 > 1,24)
𝜎𝑥̅ 4.025
𝑃(𝑥̅ > 400) = 1 − 𝑃(𝑍 > 1,24)
𝑃(𝑥̅ > 400) = 1 − 0.1075
𝑃(𝑥̅ > 400) = 𝟎. 𝟖𝟗𝟐𝟓
10
2. Dadas las estaturas de varias personas de las cuales con anterioridad se sabe
que tienen una varianza de 65 cm. Se pide calcular
a) Con un margen de error del 6%, estime la altura media partiendo de un
grupo de 100 personas, sabiendo que su promedio dio 165 cm.
Resolvemos:
Calculamos el intervalo de confianza
a) 𝑥̅ = 165
b) 𝜎 2 = 65; 𝜎 = √65 = 8,06
c) 𝛼 = 0,06
𝛼 0,06
d) = = 0,03
2 2
𝛼
Para calcular 𝑧𝛼⁄2 , con el valor de procedemos a buscar en la tabla de t-
2
student
𝛼 2 = 0,03
𝛼 2 = 0,03
-1,88 1,88
𝜎
𝑥̅ ± 𝑧𝛼⁄2
√𝑛
𝜎 𝜎
𝑥̅ − 𝑧𝛼⁄2 ≤ 𝜇 ≤ 𝑥̅ + 𝑧𝛼⁄2
√𝑛 √𝑛
8,06 8,06
165 + 1,88 ≤ 𝜇 ≤ 165 + 1,88
√100 √100
𝟏𝟔𝟑, 𝟒𝟖 ; 𝟏𝟔𝟔, 𝟓𝟏
11
3. Bibliografía

Riobamba: EDG-FIE.
Johnson, R. A. (2012). Probabilidad y estadística para ingenieros. México: Pearson Educación.

12
Distribución Normal
Como parte de su programa de control de calidad, la
compañía autolite battery realiza pruebas acerca de la vida
útil de las baterías. La vida media de una batería de celda
alcalina D es de 19 horas. La vida útil de la batería se rige
por una distribución normal con una desviación estándar de
1,2 horas. Responda las siguientes preguntas.
1. ¿Entre que par de valores se localiza el 68% de la baterías?
3. ¿Entre que par de valores se localiza prácticamente la totalidad de las
baterías.?
Como parte de su programa de control de calidad, la
compañía autolite battery realiza pruebas acerca de la vida
útil de las baterías. La vida media de una batería de celda
alcalina D es de 19 horas. La vida útil de la batería se rige
por una distribución normal con una desviación estándar de
1,2 horas. Responda las siguientes preguntas.
3. ¿Entre que par de valores se localiza prácticamente la totalidad de las
baterías.?
DISTRIBUCIÓN DE
PROBABILIDAD NORMAL
φ[z]
Tabla de valores de probabilidad acumulada (φ) para la Distribución Normal Estándar
z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3 0.0013 0.0010 0.0007 0.0005 0.0003 0.0002 0.0002 0.0001 0.0001 0.0000 0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014 0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019 0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026 0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036 0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048 0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064 0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084 0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110 0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143 0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
-2 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183 1 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233 1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294 1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367 1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455 1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559 1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681 1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823 1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985 1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170 1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
-1 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379 2 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611 2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867 2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148 2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451 2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776 2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121 2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483 2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859 2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247 2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641 3 0.9987 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000
1. Si una variable normal X no es estándar, entonces sus valores deben ser estandarizados mediante la transformación: Z=(X-µ )/σ es decir,
P(X<x)=φ[x(-µ )/σ ]
2. Para valores de z>4, φ[z]=1, a una precisión de cuatro decimales; para valores de z<-4, φ[z]=0, con cuatro decimales sigificativos.
3. Aquellos valores al lado del valor de 3 corresponden a las probabilidades acumuladas de z igual a 3.0, 3.1, 3.2, etc.
Teorema de Bayes-Ejercicio 1
El 0,1 % de una población esta infectado con una bacteria y la
prueba para detectar la presencia de la enfermedad da positivo
en una persona enferma el 99% de la veces y en una persona
sana el 2% de la veces.
Si una persona dio positivo en la prueba.
¿Cuál es la probabilidad de que este infectada?
P
I
N
P
I̅
N
El 0,1 % de una población esta infectado con una bacteria y la prueba para
detectar la presencia de la enfermedad da positivo en una persona enferma el
99% de la veces y en una persona sana el 2% de la veces.
Si una persona dio positivo en la prueba.
¿Cuál es la probabilidad de que este infectada?
P P(I∩P)=0,001*0,99=0,00099
I
N
P ̅
P(I∩P)=0,999*0,02=0,01998
I̅
N
P(P/I).P(I) 0,00099
P(I/P)= = =0,04721 =4,72%
P(P) 0,00099+0,01998
Teorema de Bayes-Ejercicio 2
Una fabrica dispone de 2 máquinas que elaboran el 40% y 60%
de los balones que produce el porcentaje de balones
defectuosos que elabora cada máquina es del 2% y 3%
respectivamente. Si se selecciona al azar un balón de la
producción y este fue defectuoso.
¿Cuál es la probabilidad de que haya sido fabricado por la
máquina 1?.
D
1
B
D
2
B
Una fabrica dispone de 2 máquinas que elaboran el 40% y 60% de los
balones que produce el porcentaje de balones defectuosos que elabora
cada máquina es del 2% y 3% respectivamente. Si se selecciona al azar un
balón de la producción y este fue defectuoso.
¿Cuál es la probabilidad de que haya sido fabricado por la máquina 1?.
D P(D∩1)=0,04*0,02=0,008
1
B
D P(D∩2)=0,6*0,03=0,018
2
B
P(1/D)=
P(D/1).P(1)
= 0,008 =0,3076 =30,76%
P(D) 0,008+0,018
Teorema de Bayes-Ejercicio 2.1
Una fabrica dispone de 2 máquinas que elaboran el 40% y 60%
de los balones que produce el porcentaje de balones
defectuosos que elabora cada máquina es del 2% y 3%
respectivamente. Si se selecciona al azar un balón de la
producción y este está en buen estado.
¿Cuál es la probabilidad de que haya sido fabricado por la
máquina 2?.
D
1
B
D
2
B
Ejercicio 2,1.-Una fabrica dispone de 2 máquinas que elaboran el 40% y 60% de
los balones que produce el porcentaje de balones defectuosos que elabora
cada máquina es del 2% y 3% respectivamente. Si se selecciona al azar un
balón de la producción y este está en buen estado.
¿Cuál es la probabilidad de que haya sido fabricado por la máquina 2?.
D P(D∩1)=0,04*0,02=0,008
1
B P(B∩1)=0,04*0,98=0,392
D P(D∩2)=0,6*0,03=0,018
2
B P(B∩2)=0,6*0,97=0,582
P(B/2).P(2) 0,97*0,6
P(2/B)= = =0,5975 =59,75%
P(B) 0,392+0,582
EXPERIMENTO ALEATORIO
Son aquellos experimentos en lo que no se puede predecir su resultado.
Lanzar una moneda

Lanzar un dado.
Seleccionar una carta de una baraja.
Extraer una bola de cierto color.
Ing. David Dáger López

ESPACIO MUESTRAL.
Es el conjunto de todos los resultados posibles de un experimento aleatorio.
La simbología más usada es: S o Ω
Lanzar una moneda, S={cara, sello}; S={c,s}

Lanzar un dado. S={1,2,3,4,5,6}
Seleccionar una carta de una baraja. S={1c,2c,3c, ..rc,1t,2t…,1d,2d,3d…}
Extraer una bola de cierto color. S={b,b,a,a,a,r,r,r,r}
EVENTO O SUCESO
Uno o varios de los posibles resultados.
Lanzar una moneda, S={cara, sello}; S={c,s}

Lanzar un dado. S={1,2,3,4,5,6}
Seleccionar una carta de una baraja. S={1c,2c,3c, ..rc,1t,2t…,1d,2d,3d…}
Extraer una bola de cierto color. S={b,b,a,a,a,r,r,r,r}
Lanzar una moneda, A= que caiga cara A={c}

Lanzar un dado. B= que caiga múltiplo de dos B={2,4,6}
Seleccionar una carta de una baraja. C= que caiga una carta de corazones C={1c,2c,3c, ..13c}
Extraer una bola de cierto color. D=que se escoja una bola roja.
S={r,r,r,r}
EJERCICIO.
Lanzar 2 monedas Experimento
S={cc,ss,cs,sc} Espacio Muestral
A= La primera sea cara Evento o suceso
A= {cc,cs} Elementos de la
respuesta
EJERCICIO.
Lanzar una moneda y un dado Experimento
S={c1, c2, c3, c4, c5, c6, s1, s2, s3, s4, s5, s6,} Espacio Muestral
A= {La moneda caiga en cara} Evento o suceso
A= {cc,cs} Elementos de la
respuesta
TEOREMA DE LAPLACE
# 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓

𝑃𝑃 𝐴𝐴 =
# 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃
AL CALCULAR LA PROBABILIDAD, HAY QUE TENER EN CUENTA DOS
REGLAS PARA DETERMINAR SI DOS EVENTOS SON INDEPENDIENTES
O DEPENDIENTES Y SI SON MUTUAMENTE EXCLUYENTES O NO.
AL CALCULAR LA PROBABILIDAD, HAY QUE TENER EN CUENTA DOS
REGLAS PARA DETERMINAR SI DOS EVENTOS SON INDEPENDIENTES
O DEPENDIENTES Y SI SON MUTUAMENTE EXCLUYENTES O NO.
Ing. David Dáger López, Mgs
Permutación Variación
Combinación Escoge todos los elementos No Escoge todos los elementos
Sin Repeticiones o Sin Repeticiones o
Con Repeticiones Con Repeticiones
Algunos Elementos Algunos Elementos
Lineal
Si Importa 𝑃𝐿𝑛 = 𝑛! 𝑛! 𝑛!
𝑃𝑅 = 𝑉𝑛𝑟 = 𝑉𝑅𝑛𝑟 = 𝑛𝑟
el Orden Circular 𝑚1 ! 𝑚2 ! 𝑚3 ! (𝑛 − 𝑟)!
𝑃𝐶𝑛 = (𝑛 − 1)!
No importa 𝑛!
𝑛𝐶𝑟 =
el Orden 𝑟! (𝑛 − 𝑟)!
ESTADISTICA BASICA
Unidad 3
TEORÍA DE PROBABILIDADES Y DISRIBUCIÓN
Tema 1
PRINCIPIO DE PROBALIDADES
Ing. David Dáger López, Mgs.

Subtemas
Subtema 1: Permutación y combinación

Objetivo
Conocer las teorías de probabilidades y

su relación con las diferentes
distribuciones de probabilidad utilizando
teoremas para la toma de decisiones
ACTIVIDAD DE INICIO
LLUVIA DE IDEAS
PRINCIPIOS DE PROBABILIDAD TÉCNICAS DE
CONTEO
Las técnicas de conteo son aquellas que son usadas para enumerar
eventos difíciles de cuantificar.
▶Se les denomina técnicas de conteo a las:
▶combinaciones,
▶permutaciones
• Las bases para entender el uso de las técnicas de conteo son

el principio multiplicativo y el aditivo.
PRINCIPIOS DE PROBABILIDAD PRINCIPIO
ADITIVO
Si se desea llevar a efecto una actividad, la cuál
tiene formas alternativas para ser realizada, donde
la primera de esas alternativas puede ser realizada
de M maneras, la segunda alternativa puede
realizarse de N maneras..... y la última de las
alternativas puede ser realizada de W maneras,
entonces esa actividad puede ser llevada a cabo de
:
M + N + .........+ W maneras
PRINCIPIO ADITIVO
• EJEMPLO: “Se desea comprar una lavadora de ropa, para lo
cuál ha pensado que puede seleccionar de entre las marcas
Whirpool, LG y Mademsa, cuando acude a hacer la compra se
encuentra que la lavadora de la marca W se presenta en dos
tipos de carga ( 8 u 11 kg.), en cuatro colores diferentes y
puede ser automática o semiautomática, mientras que la
lavadora de la marca LG, se presenta en tres tipos de carga (8,
11 o 15 kg.), en dos colores diferentes y puede ser automática
o semiautomática y la lavadora de la marca M, se presenta en
solo un tipo de carga, que es de 11 kg., dos colores diferentes y
solo hay semiautomática. ¿Cuántas maneras existen de
comprar una lavadora?”
PRINCIPIO
ADITIVO
M = Número de maneras de seleccionar una lavadora Whirpool
▶ N = Número de maneras de seleccionar una lavadora de la marca LG
▶ W = Número de maneras de seleccionar una lavadora de la marca
Mademsa
▶ M = 2 x 4 x 2 = 16 maneras
▶ N = 3 x 2 x 2 = 12 maneras
▶ W = 1 x 2 x 1 = 2 maneras
▶ M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una
lavadora
EJERCICIO DE PRINCIPIO ADITIVO
Rafael Luna desea ir a las Vegas o a Disneylandia en las
próximas vacaciones de verano, para ir a las Vegas él
tiene tres medios de transporte para ir de Chihuahua al Paso
Texas y dos medios de transporte para ir del Paso Texas a las
Vegas, mientras que para ir del paso Texas a Disneylandia él
tiene cuatro diferentes medios de transporte, a) ¿Cuántas
maneras diferentes tiene Rafael de ir a las Vegas o a
Disneylandia?
PRINCIPIOS DE PROBABILIDAD PRINCIPIO
MULTIPLICATIVO
Si se desea realizar una actividad que consta de r pasos, en
donde el primer paso de la actividad a realizar puede ser
llevado a cabo de N1 maneras, el segundo paso de N2 maneras
y el r-ésimo paso de Nr maneras, entonces esta actividad
puede ser llevada a efecto de:
N1 x N2 x ..........x Nr maneras
▶ El principio multiplicativo implica que cada uno de los
pasos
de la actividad deben ser llevados a efecto, uno tras otro.
Número total de arreglos = (m)(n)
PRINCIPIO
MULTIPLICATIVO
Un vendedor de automóviles desea anunciar que por $29,999 (dólares) usted puede
comprar un auto convertible, un sedan de dos puertas, o un modelo de cuatro
puertas, y además puede elegir si desea que los rines sean sólidos o deportivos.
¿cuántos arreglos diferentes de modelos y rines puede ofrecer el comerciante?
Utilizando la formula de la multiplicación para verificar el total de arreglo posible
tenemos.
Total de arreglos posibles = (m)(n) donde:

m= es el número de modelos = 3
n= es el tipo de rin = 2
Total de arreglos posibles = (3)(2) = 6

PRINCIPIO MULTIPLICATIVO
La empresa Stiffin Lamp desarrolló cinco bases para
lámparas de mesa y cuatro pantallas intercambiables.
¿Cuántos arreglos diferentes de base y pantalla
se pueden ofrecer?.
Total de arreglos posibles = (m)(n) donde: m= bases

para lámparas de mesa = 5
n= pantallas intercambiables = 4
Total de arreglos posibles = (5)(4) = 20
PRINCIPIO MULTIPLICATIVO
La compañía Pioneer fabrica tres modelos de receptores de radio
estereofónicos, dos reproductores de cinta, cuatro bocinas y tres
reproductores de disco compacto. Cuando los cuatro tipos de
componentes compatibles se venden juntos forman un “sistema”.
¿Cuántos sistemas distintos puede ofrecer esta empresa?
Total de arreglos posibles = (m)(n)(o)(p)

Donde :
m= modelo de receptores de radio estereofónicos = 3
n= reproductores de cinta = 2
o= bocinas = 4
p= reproductores de disco compacto = 3
Total de arreglos posibles = (3)(2)(4)(3) =

72
Cuándo Aplicar el principio multiplicativo y el aditivo
• Cuando se trata de una sola actividad, la

cual requiere para ser llevada a efecto de
una serie de pasos, entonces haremos uso
del principio multiplicativo y si la actividad a
desarrollar o a ser efectuada tiene
alternativas para ser llevada a cabo,
haremos uso del principio aditivo.
TÉCNICAS DE CONTEO
PERMUTACIONES Y
COMBINACION
• COMBINACIÓN:
– Es todo arreglo de elementos en donde no nos interesa el
lugar o posición que ocupa cada uno de los elementos que
constituyen dicho arreglo.
•
• PERMUTACIÓN:
– Es todo arreglo de elementos en donde nos interesa el lugar
o posición que ocupa cada uno de los elementos que
constituyen dicho arreglo.
PERMUTACIONES Y
COMBINACION
Para ver de una manera objetiva la diferencia entre una
combinación y una permutación, plantearemos cierta
situación.
▶ Suponga que un curso está constituido por 35 alumnos.
a) El profesor desea que tres de los alumnos lo ayuden en actividades
rutinarias tales como mantener la sala limpia o entregar material a
los alumnos cuando así sea necesario.
b) El profesor desea que se nombre a los representantes del curso
(Presidente, Secretario y Tesorero).
▶ Para a) ¿Es importante el orden como se selecciona a los
elementos que forma el grupo de tres personas?
▶ Este ejemplo es una combinación, quiere decir esto que las
combinaciones nos permiten formar grupos o muestras de
elementos en donde lo único que nos interesa es el
contenido de los mismos
PERMUTACIONES Y
COMBINACION
• Para b) ¿Importa el orden de los

selección? elementos en la
• Definitivamente sí, por lo tanto las representaciones antes

definidas son diferentes ya que el orden o la forma en que
se asignan las funciones sí importa, por lo tanto es este
caso estamos tratando con permutaciones.
FORMULA DE LA
PERMUTACIÓN
Donde:
n = número total de objetos
r = número de objetos seleccionados

EJERCICIOS DE
• PERMUTACIÓN
La empresa Betts Machine Shop, tiene ocho tornos pero
sólo hay disponibles tres espacios en la zona de
producción. ¿De cuántas formas diferentes se pueden
colocar los ocho tornos en los tres espacios disponibles?
Donde:
n=8
r=3
EJERCICIOS DE
PERMUTACIÓN
Se van a utilizar los 10 números dl 0 al 9, para crear
un código de cuatro dígitos e identificar un artículo de
ropa. El 1083 podría identificar una blusa azul, talla
mediana. El 2031, unos pantalones, talla 18; y así
sucesivamente. No se permiten repeticiones de los
números. Es decir el mismo número no puede ser
utilizado dos veces o más en una secuencia. Por
ejemplo 2256, 2562 o 5559. ¿Cuántos códigos
diferentes se pueden establecer?
20
EJERCICIOS DE
PERMUTACIÓN
¿De cuántas formas distintas pueden sentarse ocho
personas en una fila de butacas?
EJERCICIOS DE PERMUTACIÓN DE
M ELEMENTOS
¿De cuántas formas distintas pueden sentarse ocho
personas en una fila de butacas?
Sí entran todos los elementos.

Sí importa el orden.
No se repiten los elementos.
EJERCICIOS DE
PERMUTACIÓN
¿De cuántas formas distintas ocho
pueden sentarse
personas alrededor de una mesa redonda?
EJERCICIOS DE PERMUTACIÓN
CIRCULAR
¿De cuántas formas distintas pueden
sentarse ocho
personas alrededor de una mesa redonda?
EJERCICIOS DE
PERMUTACIÓN
En el palo de señales de un barco se pueden izar tres
banderas rojas, dos azules y cuatro verdes. ¿Cuántas
señales distintas pueden indicarse con la colocación de
las nueve banderas?
25
EJERCICIOS DE PERMUTACIÓN CON
REPETICIÓN DE M ELEMENTOS
En el palo de señales de un barco se pueden izar tres
banderas rojas, dos azules y cuatro verdes. ¿Cuántas
señales distintas pueden indicarse con la colocación de
las nueve banderas?
Sí entran todos los elementos.

Sí importa el orden.
Sí se repiten los elementos.
m= a+b+c+… = n
EJERCICIOS DE PERMUTACIÓN CON
REPETICIÓN DE M ELEMENTOS
¿De cuántas maneras se pueden colocar en fila 5 vasos
sabiendo que dos de ellos están llenos de refresco de
naranja y tres de refresco de limón? (Los vasos del
mismo sabor no se distinguen entre sí).
FORMULA DE LA
COMBINACIÓN
Donde: No entran todos los elementos.

No importa el orden.
n = número total de objetos No se repiten los elementos.
r = número de objetos
seleccionados
EJERCICIOS DE
COMBINACIÓN
En una clase de 35 alumnos se quiere elegir un comité
formado por tres alumnos. ¿Cuántos comités diferentes se
pueden formar?
EJERCICIOS DE
COMBINACIÓN
En un torneo de tenis en el que participan 12 jugadores se
pueden clasificar 3 jugadores para la final. ¿Cuántos grupos
distintos de finalistas se pueden formar?
EJERCICIOS DE COMBINACIÓN
A una reunión asisten 15 personas y se intercambian saludos
entre todos. ¿Cuántos saludos se intercambian?
EJERCICIOS DE
COMBINACIÓN
Se está organizando el comité de salud ocupacional de una
organización el que está conformado por 9 personas; se
cuenta con 6 personas de la parte administrativa, 8 de la
parte operativa y 5 de la parte técnica. Si el comité debe
estas integrado por 4 de la parte administrativa, 3 de la parte
operativa y 2 de la parte técnica. ¿Cuántos comités pueden
salir?
32
EJERCICIOS DE
COMBINACIÓN
Una persona que sale de vacaciones desea llevarse 4 libros
para leer: dispone de 4 novelas policiales y 6 libros de
cuentos cortos ¿ De cuántas formas puede hacer la elección
si quiere llevar al menos una novela?
Nombre de la Asignatura
Unidad 3
Tema 1
PRINCIPIO DE PROBALIDADES

Subtemas
Subtema 2: Experimento, resueltos, eventos

Subtema 3:Reglas de probabilidad
Subtema 4: Teorema de Bayer
DEFINICIONES PREVIAS
•Probabilidad: Valor que va desde cero hasta uno.

Describe la posibilidad relativa de que ocurra un
evento.
En el estudio de la probabilidad
se utilizan tres palabras clave:
experimento, evento y el resultado.
• FENÓMENO (EXPERIMENTO): Es todo aquel acto o acción que se
realiza con el fin de observar sus resultados y cuantificarlos.
Los fenómenos pueden clasificarse de acuerdo al tipo
de resultados en:
• Determinístico
Es aquel cuyos resultados se pueden predecir de
antemano.
• Probabilístico (aleatorio)
Es aquel en el que para las limitaciones actuales del conocimiento científico,
no se puede predecir con certeza el resultado.
ESPACIO DE EVENTOS
• Al conjunto de todos los posibles resultados de un experimento aleatorio se
le denomina ESPACIO DE EVENTOS (S).
• A cada posible resultado del espacio le llamaremos ELEMENTO.
• Un EVENTO en general es un conjunto de eventos simples (o posibles
resultados del experimento).
• Si el evento está compuesto por un único elemento le llamaremos EVENTO
SIMPLE.
• Si el evento no tiene ningún resultado posible se le denomina EVENTO VACÍO.
• El resultado es un suceso particular proveniente de un experimento.
El espacio de eventos puede ser FINITO o INFINITO y a su vez DISCRETO O
CONTINUO
EJEMPLO: ESPACIO DE EVENTOS
Experimento: Arrojar dos dados y observar la
suma de los puntos de las caras que quedan hacia arriba.
Nota: debe observarse, en

Sean: este caso, que el resultado
Y1 = los puntos del primer dado x=4 puede presentarse si
Y2 = los puntos del segundo dado Y1=2 y Y2=2,
X = Y1+Y2 o bien si Y1=1 y
Y2=3.
¿Cuál es el espacio de eventos de Lo mismo ocurre con otros
valores.
X?
S = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }
S = { x| 2 ≤ x ≤ 12, x ∈ℵ}
EJEMPLO: ESPACIO DE EVENTOS
S = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }
Algunos eventos de este espacio son: Nota: debe
observarse, en este
caso, que el
A = { 2, 4, 6, 8, 10, 12 } resultado x=4 puede
presentarse si
B = { 7, 10, 11 } Y1=2 y Y2=2,

o si
C = { 3, 5, 7, 9, 11 Y1=1 y Y2=3.
Lo mismo ocurre con
} D={9} otros valores.
ALGUNAS OPERACIONES CON ESTOS

EVENTOS:
A∪C=S A∩C=∅
C∩D=D A ∩ B = { 10 }
B ∪ C = { 3, 5, 7, 9, 10, 11 } B ∩ C = { 7, 11 }
EJEMPLO
Se ha determinado un nuevo juego de video. 80 jugadores
veteranos de este tipo de atracciones van a probar su
potencial de mercado.
a) ¿Cuál es el experimento?
b) ¿Cuál es un resultado posible?
c) Suponga que 65 jugadores probaron el nuevo juego y
afirmaron que les gustó. ¿Es 65 una probabilidad?
d) La probabilidad de que el nuevo juego de video sea un
éxito se calcula que es -1. ¿Qué le indica esto?
e) Especifique un evento posible.
EJEMPLO
a) ¿Cuál es el experimento?
Probar el nuevo juego de computadora
b) ¿Cuál es un resultado posible?
A 73 jugadores les gustó el juego.
c)Suponga que 65 jugadores probaron el nuevo juego y afirmaron que
les gustó. ¿Es 65 una probabilidad?
No. La probabilidad no puede ser mayor que 1. la probabilidad es igual
a 65/80= 0,8125
d) La probabilidad de que el nuevo juego de video sea un éxito se
calcula que es -1. ¿Qué le indica esto?
No puede ser menor que 0 la probabilidad.
a) Especifique un evento posible.
A más de la mitad de las personas que prueban dicho juego les agradó.
ENFOQUES DE LA PROBABILIDAD
• Probabilidad objetiva: Se subdivide
posibles.
en probabilidad
• Probabilidad Empírica.- Se basa en
lasy probabilidad
clásica frecuencias empírica.
los resultados de un experimento son
• Probabilidad Clásica.- Se basa en la consideración de que
igualmente
relativas. La probabilidad de que un
determina observando
evento ocurra se en qué fracción
sucedieron
de eventos
tiemposemejantes en el pasado.
• Probabilidad subjetiva: Es la posibilidad de que suceda
un evento específico, que es asignada por una persona
basándose en cualquier información que esté disponible.
INTERPRETACIÓN CLASICA DE LA
PROBABILIDAD
Sea n(S) es el número de elementos, igualmente posibles y
mutuamente excluyentes, del espacio muestral S de un
experimento aleatorio, y sea n(A) el número de elementos de un
evento cualquiera A de ese espacio muestral.
La probabilidad de que ocurra el evento A, al realizar el

experimento, es la proporción de n(A) con respecto a n(S).
P( A) = n(
A) n(S)
• Eventos mutuamente excluyentes:
– Si se tienen dos o más eventos que pertenecen a S y al realizar el
experimento solo puede ocurrir uno u otro, pero no simultáneamente.
Por ejemplo: A ∩ B = ∅
•Eventos colectivamente exhaustivos:
• Si la unión de los eventos es igual al espacio de eventos.
Por ejemplo: A ∪ B = S
•Eventos mutuamente excluyentes y colectivamente
exhaustivos:
• Si se cumplen las dos condiciones anteriores
Por ejemplo: A ∩ B = ∅ y además A∪B=S
EJERCICIO
Considere el experimento de lanzar un dado
común. ¿Cuál es la probabilidad del evento “cae un
número par”?
EJERCICIO
Se va a seleccionar al azar una carta de una baraja
americana de 52 naipes. ¿Cuál es la probabilidad
de que la carta elegida sea una reina?
Probabilidad Empírica
Número de que ocurrió
Probabilidad de veces el
que un evento en el pasado
evento suce
da Número total de observaciones
EJERCICIO
Se efectuó un estudio con 751 egresados de la carrera de ingeniería
comercial, en la Universidad Estatal de Milagro. Este experimento
reveló que 383 de los 751 egresados no estaban empleados de acuerdo
con su principal área de estudio. Por ejemplo, un egresado
especializado en contaduría, ahora es gerente de mercadotecnia en una
empresa empacadora de tomates. ¿Cuál es la probabilidad de que un
egresado de ingeniería comercial labore en un área distinta a la de sus
estudios universitarios?
EJERCICIO
Se efectuó un estudio con 751 egresados de la carrera de ingeniería
comercial, en la Universidad Estatal de Milagro. Este experimento
reveló que 383 de los 751 egresados no estaban empleados de acuerdo
con su principal área de estudio. Por ejemplo, un egresado
especializado en contaduría, ahora es gerente de mercadotecnia en una
empresa empacadora de tomates. ¿Cuál es la probabilidad de que un
egresado de ingeniería comercial labore en un área distinta a la de sus
estudios universitarios?
P (A)= 383/751 = 0,51
EJERCICIO
El centro Nacional de Estadísticas de salud de
Estados Unidos, informó que de cada 883 decesos,
24 se debieron a accidentes automovilísticos, 182
al cáncer, y 333 a enfermedades del corazón. ¿Cuál
es la probabilidad de que una muerte específica se
deba a un accidente automovilístico?
INTERPRETACIÓN
SUBJETIVA DE LA
PROBABILIDAD
De acuerdo con esta interpretación, la probabilidad de un
evento es el grado de certidumbre que tiene una persona, o
grupo de personas, acerca de la ocurrencia de un evento.
puede ser que se base en la experiencia o en cierta

información que se tenga.
Una probabilidad igual a cero indica una certeza absoluta

de que el evento no ocurrirá y una probabilidad igual a 1
(100%) indica una certeza absoluta de que el evento
ocurrirá.
EJEMPLOS DE INTERPRETACIONES
DE LA PROBABILIDAD
SUBJETIVA:
• Está nublado, hay un 70% de probabilidad de lluvia.
• Emelec o Delfín están en los primeros lugares del campeonato,
hay un 80% de probabilidad de que uno de los dos gane la
primera etapa.
• Tengo una probabilidad del 80% de aprobar la asignatura de
estadística inferencial.
EJEMPLOS DE INTERPRETACIONES
DE LA PROBABILIDAD
1. Una jugadora de basquetbol realiza 30
canastas (o encestes) en 50 tiros por faltas. La
probabilidad de que efectúe bien el siguiente tiro es 0,6.
2. Se formó un comité de alumnos integrado por siete

miembros para estudiar asuntos ambientales. Cuál es la
probabilidad de que uno de ellos sea elegido como el
vocero?.
2. La probabilidad de que ocurra un sismo en la ciudad de

Manta en los próximos 2 años, es 0,8.
REGLAS DE PROBABILIDAD
REGLA DE LA ADICIÓN: Para aplicar la regla de la
adición los eventos deben ser mutuamente excluyente.
P (A Ս B) = P(A) + P (B)
REGLA DEL COMPLEMENTO: Los eventos A y Ac son

mutuamente excluyentes y colectivamente exhaustivos.
P (Ac) = 1 - P(A)
EVENTO
A
Ac
En el experimento de extraer una carta al azar
de un mazo normal de 52 cartas, los eventos:
A: obtener un 5
B: obtener un AS,
¿Cuál es la probabilidad de que salga un 5 o
un AS?
¿Cuál es la probabilidad de no obtener un AS?

EJEMPLO DE LA REGLA DE LA ADICIÓN
Una máquina automática llena fundas de plástico con una

mezcla de tomate, cebolla y pimiento. La mayor parte de las
fundas contiene el peso correcto, pero debido a ligeras
variaciones en el tamaño de los pimientos, un paquete puede
tener un peso ligeramente menor o mayor. Una verificación de
4000 paquetes que se llenaron el mes pasado reveló lo
siguiente:
PESO EVENTO NUMERO DE PROBABILIDAD
PAQUETES
MENOR A 100 0,025
SATISFACTORIO B 3600 0,900
MAYOR C 300 0,075

PROBABILIDAD CONJUNTA:
Es la medida de probabilidad que evalúa la posibilidad de que dos o más

eventos ocurran de forma simultánea.
Regla general de Adición

P (A Ս B) = P(A) + P(B) – P(A Ո B)
REGLA DE LA MULTIPLICACIÓN: Si A y B son eventos independientes,

es decir, la ocurrencia de A no influye en la ocurrencia de B, entonces:
P (A Ո B) = P(A) * P (B)
•En el experimento del lanzamiento de un dado

•eventos:
•A: Obtener un número par
•B: Obtener un número primo
•La probabilidad del evento A o B es.
•Si lanzamos un dado dos veces, los eventos:
•A: Obtener un número par en el primer lanzamiento y
•B: Obtener 1 en el segundo lanzamiento
•La probabilidad de obtener un número par en el primer

•lanzamiento y 1 en el segundo es:
Ejemplo de Regla de Adición para Probabilidad Conjunta
Como parte de un programa de servicio de salud para los empleados de la empresa

Vepamil (100 empleados), se efectúan anualmente exámenes físicos de rutina. Se
descubrió que 8% de los empleados necesitaban zapatos correctivos; 15%, un
trabajo dental importante y 3% requerían tanto zapatos correctivos como un trabajo
dental importante.
¿Cuál es la probabilidad de que un empleado seleccionado al azar necesite calzado
correctivo o un trabajo dental importante.
P (A Ս B) = P(A) + P(B) – P(A Ո B)

PROBABILIDAD CONDICIONAL:
Es la probabilidad de que ocurra un evento determinado dado que otro evento ya

ha sucedido.
REGLA DE LA MULTIPLICACIÓN: Si A y B son eventos dependientes, es decir la

ocurrencia de A influye en la ocurrencia de B entonces:
P (A Ո B) = P(A) * P (B/A)
P (B/A) = P (A Ո B)/ P(A)
En cierto curso, 25% de los estudiantes reprobaron
estadística, 15% reprobaron matemáticas, y 10%
reprobaron ambas materias. Se selecciona un
estudiante al azar:
a) Si reprobó matemáticas, ¿cuál es la probabilidad
de que reprobó estadística?
b) Si reprobó estadística, ¿cuál es la probabilidad de
que reprobó matemáticas?
c) Cuál es la probabilidad de que reprobó estadística
o matemáticas?
a) Si reprobó matemáticas,¿cuál es
la probabilidad
de que reprobó estadística?
E= estudiantes que reprobaron estadística
M= estudiantes que reprobaron matemáticas
P(E/M)= P(E Ո M)/ P(M)= 0,10/0,15= 0,67= 67%
a) Si reprobó estadística, ¿cuál es la probabilidad
de
que reprobó matemáticas?
P(M/E)= P(M Ո E)/ P(E)= 0,10/0,25= 0,40= 40%
a) Cuál es la probabilidad de que reprobó
estadística
o matemáticas?
P (E Ս M) = P(E) + P(M) – P(E Ո M)= 0,25+0,15-0,10
Suponga que hay 10 rollos de película fotográfica en
una caja y que se sabe que 3 están defectuosos. Se
van a seleccionar dos, uno después del otro.
Cuál es la probabilidad de escoger un rollo con defecto
seguido de otro también defectuoso?
Una encuesta a ejecutivos se enfocó a su lealtad a la empresa.
Una de las preguntas planteadas fue: ¿Si otra compañía le hiciera
una oferta igual o ligeramente mejor que la de su puesto actual,
permanecería con la empresa o tomaría el otro empleo?. La
información de las respuestas de los 200 ejecutivos de la
encuesta se detalla en la tabla siguiente:
Lealtad Menos 1a5 6 a 10 Más de Total
de 1 años años 10 años
año
Sí 10 30 5 75 120
permanecería
No 25 15 10 30 80
permanecería
35 45 15 105 200
Cuál es la probabilidad de que un ejecutivo sea leal a la empresa

y que tenga más de 10 años de servicio?
PROBABILIDAD CONDICIONAL
Supónganse dos conjuntos A y B que pertenecen al espacio muestral
S
A B
B
A∩B A∩B
Si se sabe que ya ocurrió el evento B, la probabilidad de que también

haya ocurrido A se escribe: P(A|B) y se lee “la probabilidad de A dado
B”. P(A|B) equivale a calcular la probabilidad de A cuando el espacio
muestral se reduce a B. P( A | B) = n( A ∩
B) n(B)
Pero también, si dividimos numerador y denominador entre n(s) tenemos:
n( A ∩ B)
P( A ∩ B)
P( A | B) = n(S) =
n(B) P(B)
n(S )
P( A | B) = P( A ∩ y análogamente: P(B | A) = P( A ∩ B)
B) P(B) P(
A)
PROBABILIDAD CONJUNTA
Supónganse dos eventos A y B que pertenecen al espacio muestral
S
A B
A∩B A∩B
La probabilidad conjunta de A y B, es la probabilidad de

que ocurran el evento A y el evento B de manera
simultánea.
Despejando de la expresión dada antes para probabilidad condicional se

tiene:
P( A ∩ B) = P( A | o bien: P( A ∩ B) = P(B | A)P(

B)P(B) A)
EVENTOS INDEPENDIENTES
Supónganse dos eventos A y B que pertenecen al espacio muestral
S
Se dice que A es independiente de B si resulta que P(A|B)=P(A),

lo que significa que el evento B no influye en absoluto para la
Si es éste el caso, y puesto que P( A | B) = P( A ∩
realización o no del evento A.
tenemos que: P( A) =
P( A ∩
B) P(B)
y por lo tanto, los eventos A y B son independientes si, y solo

si:
P( A ∩ B) = P( A)P(B)
B Teorema: si A y B son
A independientes,
entonces: A y B’ son independientes.
A’ y son independientes.
B’ A’ son independientes.
yB
PROBABILIDAD CONDICIONAL Y CONJUNTA
Ejemplo:
En un curso de verano de regularización los alumnos inscritos se
distribuyen como se muestra en la tabla. A cierto profesor se le
asignará aleatoriamente a un alumno.
PRIMER SEGUNDO TERCER
Sumas
GRADO GRADO GRADO
FÍSICA 46 35 30 111
QUÍMICA 45 40 42 127
MATEMÁTEMÁTICAS 52 38 22 112
Sumas 143 113 94 350
La probabilidad de que le asignen un alumno de primer grado de

física es de 46/350. Probabilidad conjunta.
Si le asignaron un alumno de química, la probabilidad de que éste sea
de tercer grado es 42/127. Probabilidad condicional.
Nombre de la Asignatura
Unidad 3
Tema 2
Distribución de Probabilidad

SUBTEMAS
1.-Distribución normal
2.- Distribución Bernoulli
3.- Distribución binomial

OBJETIVO
Conocer las teorías de probabilities y su relación
con las diferentes distribuciones de probabilidad
utilizando teoremas para la toma de decisiones
distribuciones
ACTIVIDAD DE INICIO
LLUVIA DE IDEAS
Distribuciones de probabilidad
• Variable aleatoria: es cualquier
regla que relaciona un número
con cada resultado en el espacio
muestral SS.
0 ≤ F (x) ≤ 1
1. 0 ≤ P( y) ≤ 1 Limx→∞ F (x) = 1
∑ Limx→−∞ F (x) = 0
2. P( y).
toda y
• =1
FX (x) = P(X ≤ x) μX = E( X ) =
∑ xf X (x) =
∑ xP( X =
f X ( x) = P( X = x)
x)
x x
σ X 2 = E[( X − μ X 2 ∑) ] = X ) 2 P( X = x)
(x − μ x
38
Distribución hipergeométrica
• Se aplica cuando n > 0.1N
• El muestreo se hace sin reemplazo
• P(x,N,n,D) es la probabilidad de exactamente x

éxitos en una muestra de n elementos tomados
de una población de tamaño N que contiene D
éxitos. La función de densidad de distribución
hipergeométrica:
C DC Nx − D
C =
P(x)= n− x N n
n!
Cn x
x!(n − x)! 39
• La media y la varianza de la distribución
hipergeométrica
son:
μ = nD σ 2 =⎜⎛ nD ⎞⎛1 −⎟⎜
D
N
⎞⎛ ⎝ ⎞ − n−1
⎠⎝ ⎟ N N
N ⎠⎝ ⎠
N
⎟⎜
40
Distribución
hipergeométrica
Ejemplo: De un grupo de 20
productos, 10 se seleccionan al
azar para prueba. ¿Cuál es la
probabilidad de que 10 productos
seleccionados contengan 5
productos buenos? Los productos
defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) = 15, x

=5
⎛ 5! ⎞⎛ 15!
P(x=5) = 0.0183 = 1.83% P(5) = ⎝
⎞ 5!0!⎠⎝ 5!10!⎠ =
⎜ 20! ⎟⎜
0.0183 ⎟
10!1
0! 41
Distribución binomial
• Se aplica para poblaciones grandes
N>50 y n<0.1N con p >= 0.1.
• El muestreo binomial es
con reemplazo
• La binomial es una aproximación

de la hipergeométrica
• La distribución normal se
aproxima
a la binomial cuando np > 5 42
La variable aleatoria X tiene una distribución binomial
⎛ n
f (x) = P( X =⎞
x) = ⎜ x=
n− x
x
⎟
p (1− p) ⎝ 0,1,...,n
x
Tiene media y varianza. ⎠
E( X ) = = np
μ
V X( X ) = 2 = np(1− p)
X
σ
Distribución de Poisson
• Se utiliza para modelar datos

discretos
• Se aproxima a la binomial cuando

p es igual o menor a 0.1, y el
tamaño de muestra es grande (n
> 16) por tanto np > 1.6
44
Una Variable aleatoria X tiene distribución Poisson

si
toma probabilidades con.
e−λλx
f (x) = x=
x!
0,1,...
μ = np
σ =
45
Distribución
Exponencial
• Modela artículos con una tasa de
falla constante y está relacionada
con Poisson.
• Modela el tiempo medio entre
llegadas
• Si x se distribuye
exponencialmente, y=1/x sigue una
− x
=
distribución de Poisson 1 −λx
f (x)= e λe
• La función de densidad de θ θ
probabilidad exponencial es: Para x
>= 0
46
Distribución Exponencial
• Donde Lambda es la tasa de falla y
theta es la media
• La función de densidad de la
distribución exponencial
47
El modelo exponencial, con un solo parámetro, es el más
simple de todo los modelos de distribución del tiempo
de vida.
CDF : F(t ) = 1− e−λt
CONFIABILIDAD : R(t ) = e
Función de Densidad de Probabilidad Exponencial
−λt
0,0035
0,0030 λ = 0.003, MEDIA = 333

0,0025
λ = 0.002, MEDIA = 500
TASA DE FALLA : h(t ) =

0,0020
λ = 0.001, MEDIA = 1,000
f(t
)
0,0015
λ 0,0010
0,0005
0,0000
La distribución Normal estándar
• Tiene media 0 y desviación estándar de 1.
• El área bajo la curva de infinito a más infinito vale 1.
• Es simétrica, cada mitad de curva tiene un área de 0.5.
• La escala horizontal se mide en desviaciones estándar,

Z.
• Para cada valor Z se asigna una probabilidad en Tabla

normal
49
CARACTERISTICAS DE UNA DISTRIBUCION NORMAL
La Normal is simétrica -
-
Cola
Cola
Teóricamente, la
Teóricamente, la Media, mediana, y curva se extiende a
curva se extiende a moda son iguales + infinito
- infinito
La Distribución Normal Estándar
La desviación
estándar sigma
representa la
distancia de la
media al punto de
inflexión de la
curva normal
X
x-3σ x-2σ x-σ x x+σ x+2σ x+σ3
z
-3 -2 -1 0 1 2 3
51
ESTADÍSTICA BÁSICA
Unidad 3
Teoría de probabilidades y distribución
Tema 1
Principio de Probabilidades
Subtema 2
Reglas de probabilidades

EDADES
Veces que salen a comer E5 E6 E7

fuera durante una semana Menores de 30 30 a 50 Mayores de 50 TOTAL
Walter López Moreno, MBA, cDBA

E1 e1 e2 e3 400
200 100 100
10 o mas veces Módulo Instruccional Preparado para el
E2 e4 e5 e6 1900
Centro de Competencias de la Comunicación
600 900 400
3 a 9 veces Universidad de Puerto Rico en Humacao
E3 e7 e8 e9 1500
400 600 500
1 a 2 veces
©Todos los derechos son reservados
E4 e10 e11 e12 1200 2006-07

700 500 0
Menos de una vez
TOTAL 1900 2100 1000 5000

Introducción
El concepto de Probabilidad tuvo su origen en los juegos de dados,
cartas y el tiro de la moneda. Luego se implementó en problemas
sociales y económicos.
Las probabilidades son muy útiles para tomar decisiones de posibles
resultados futuros. Para utilizarlas es necesario seguir ciertas reglas
generales.
En este módulo se describen las reglas de probabilidad utilizando
ejemplos, ejercicios y enlaces que incluyen video y audio. El mismo va
dirigido a todos los estudiantes de Administración de Empresas.
OBJETIVO
Objetivo General
Esperamos que cuando termines esta presentación puedas utilizar
las reglas de probabilidad para resolver problemas con el método clásico, de
frecuencia relativa o distribuciones de frecuencias Normal, Binomial o de
Poisson.
Objetivos Específicos
Además esperamos que puedas:
Aplicar las reglas de suma, condicional y las de multiplicación.
Interpretar los eventos dependientes, independientes y los mutuamente
excluyentes.
Identificar probabilidades conjuntas y marginales aplicando las reglas aprendidas
en este módulo.
Instrucciones de cómo usar la presentación
La presentación inicia con la descripción de cada regla.
Se recomienda que tengas acceso a Internet mientras trabajas la presentación
Siempre que se presente la siguiente figura:

puedes presionarla para navegar adecuadamente
a través de toda la presentación.
Luego de leer el material que sirve de introducción, podrás establecer enlaces que demuestran los
conceptos teóricos.
Glosario de Términos
• Experimento - Proceso que produce algún resultado.

• Experimento aleatorio – Experimento que se puede repetir.
• Evento o Suceso – Es el resultado conocido o desconocido de un experimento.
• Evento Elemental – Es un resultado particular el cual no se puede subdividir como por
ejemplo la selección de una moneda.
• Evento Compuesto – Hay mas de un resultado. Por ejemplo que en la selección de la
moneda se vea cara o cruz.
• Espacio Muestral – Es la colección de todos los posibles eventos que pueden surgir de un
experimento. Por ejemplo el espacio muestral de E es (e1, e2, e3).
(El glosario de términos continúa en la próxima lámina)

Glosario de Términos
• Eventos Mutuamente Excluyentes – Son eventos que no pueden ocurrir al mismo tiempo.
Si sale 2 en un dado no puede salir 5 en el mismo tiro.
• Evento Independiente – La ocurrencia de un evento no tiene influencia en la ocurrencia
de otro evento. Si sale 2 en un dado no afecta el número que salga en el próximo tiro.
• Evento Dependiente – La ocurrencia de un evento influye en la ocurrencia de otro
evento. Si un proyecto se empieza tarde otro proyecto que dependa del mismo requerirá
tiempo adicional.
• Con Reemplazo - Que se incluye nuevamente en la muestra o grupo de origen.
Vea otros ejemplos

relacionados a las definiciones.
Las Reglas de Probabilidad
El cálculo de probabilidades tuvo

un notable desarrollo con el trabajo
del suizo Jacob Bernoulli (1654-1705)
El francés Abraham de Moivre

(1667-1754) abundó en las reglas
de probabilidad.
Utilidad
Las reglas que se presentan en este
módulo se utilizan para:
• facilitar el cómputo de probabilidades asociadas a sucesos y fenómenos que siguen un
modelo probabilístico.
• definir el máximo y mínimo de una probabilidad.
• permitir la sumar, restar, dividición y multiplicación de la probabilidad de un evento o

suceso.
• relacionar la probabilidad de un evento dependiente o independiente.
• obtener la probabilidad condicional de un segundo evento.

Descripción de las Reglas
• La reglas 1 y 2 definen los límites de las probabilidades.
• De la 3 a la 5 se conocen como las reglas de suma.
• Las reglas 6 y 7 se aplican a probabilidad condicional.
• La 8 y 9 se conocen como las reglas de multiplicación.
A continuación se dará una descripción de las 9 reglas de probabilidad

incluyendo un colorario de las primeras dos. Los enlaces contienen ejemplos y
gráficos que ayudan al entendimiento de las reglas presentadas.
Regla #1
Regla del Rango de la Probabilidad

0 < P(E) < 1
Para cualquier evento E, la probabilidad de que ocurra ese evento esta

entre 0 y 1. Si estamos seguros de que algo puede ocurrir, podemos
asignar al evento la probabilidad de 0.0 ó 1.0
Regla # 2
Regla del 1
∑ P(e) = 1
La probabilidad de todos los eventos elementales suman 1.
Ejemplo: la probabilidad de que salga cara en una moneda es

de 0.50 mas la probabilidad de que salga cruz es de 0.50. El
total es 1.
Vea ejemplos y conceptos

relacionados a las reglas 1 y 2
Colorario de las Reglas
#1 y #2
Regla del Suceso Contrario

P(Ë) = 1 – P(E)
La probabilidad del complemento de un evento E, es 1 menos la

probabilidad de ese evento.
Ejemplo: La probabilidad de que salga 2 o 3 en un dado es 2 de

6 (2/6). La probabilidad de que no salga 2 o 3 será 1 – 2/6 =
4/6 = 2/3
Regla # 3
Regla de Suma Para Eventos Elementales (e)
Si E=(e1,e2,e3)
entonces
P(E)=P(e1)+P(e2)+P(e3)
La probabilidad de un evento compuesto E es igual a la suma

de las probabilidades de los eventos elementales que lo forman
(su espacio muestral).
Regla # 4
Regla de Suma Para Eventos
Mutuamente No Excluyentes
P(E1 ó E2) = P(E1 U E2) = P(E1) + P(E2) – P(E1 y E2)
La probabilidad de que ocurran los eventos no excluyentes P(E1 ó E2)

que es lo mismo que
P(E1 U E2) es la suma de sus probabilidades individuales P(E1) mas P(E2)
menos la probabilidad conjunta de ambos eventos P(E1 y E2) que también
se escribe como P(E1 ∩ E2).
Regla # 5
Regla de Suma Para Eventos Mutuamente Excluyentes
P(E1 U E2) = P(E1) + P(E2)
La probabilidad de que ocurran los eventos Mutuamente Excluyentes E1 y

E2 es la suma de sus probabilidades individuales P(E1) y P(E2)
Precione para ver una

explicación gráfica sobre
uniones e intersecciones de
eventos o sucesos
Regla # 6
Regla de Probabilidad Condicional para dos

Eventos Dependientes E1 y E2
P(E1/E2) = P(E1 ∩ E2)/P(E2) en donde P(E2) es mayor que cero
P(E1/E2) se lee como probabilidad de E1 dado que ha ocurrido E2.

***No es una división de la probabilidad de E1 entre E2***
La probabilidad de que ocurra el evento E1 dado que ha ocurrido el

evento E2, es la probabilidad conjunta de ambos eventos E1 y E2,
dividido por la de E2 donde esta última debe ser mayor de cero.
Regla # 7
Regla de Probabilidad Condicional para dos Eventos Independientes E1 y E2

P(E1/E2) = P(E1)
La probabilidad de que ocurra el evento E1 dado que ha ocurrido el evento

E2, es la probabilidad de que ocurra el evento E1.
Regla # 8
Regla de Multiplicación para dos Eventos Dependientes E1 y E2
P(E1 y E2) = P(E1∩E2) = P(E1) P(E2/E1)
Es útil cuando necesitamos encontrar la probabilidad conjunta pero no tenemos las

frecuencias relativas. La probabilidad conjunta de dos eventos E1 ∩ E2, es el producto de la
probabilidad individual de E1 por la probabilidad condicional de E2 dado que ha ocurrido E1.
¿Cuál será la probabilidad de escoger dos Ases corridas (sin reemplazo) de un paquete de 52
cartas?
P(E1) es la probabilidad de escoger el primer As = 4/52
P(E2) es la probabilidad de escoger el segundo As = 3/51
El resultado será 4/52 * 3/51 = 12/2652 = 0.0045
Regla # 9
Regla de Multiplicación para dos Eventos Independientes E1 y E2
P(E1 ∩ E2) = P(E1) P(E2)
La probabilidad conjunta de dos eventos E1 y E2 es el producto de la probabilidad de E1

por la probabilidad de E2.
¿Cuál será la probabilidad de escoger dos Ases corridas (con reemplazo) de un paquete
de 52 cartas?
P(E1) es la probabilidad de escoger el primer As = 4/52
P(E2) es la probabilidad de escoger el segundo As = 4/52
El resultado seria 4/52 * 4/52 = 16/2704 = 0.006
Precione para mayor información de

probabilidad condicionada incluyendo el
Teorema de Bayes
Reglas de Probabilidad
Tabla de Ejemplo
En la siguiente tabla tenemos un resumen de tres grupos divididos
por edades y las veces que comen fuera de la casa por semana.
EDADES
Veces que salen a E5 E6 E7

comer fuera por Menores de 30 a 50 Mayores de TOTAL
semana 30 50
E1 e1 e2 E3 400
10 o mas veces 200 100 100

E2 e4 E5 e6 1900
3 a 9 veces 600 900 400

E3 e7 E8 E9 1500
1 a 2 veces 400 600 500

E4 e10 e11 e12 1200
Menos de una vez 700 500 0

TOTAL 1900 2100 1000 5000
Probabilidad Marginal
Probabilidad Marginal – Representada en letra mayuscula al margen de la tabla
EDADES

comer por Menores de 30 a 50 Mayores de TOTAL
semana 30 50
E1 e1 e2 e3 400
10 o mas veces 200 100 100

E2 e4 e5 e6 1900
Marginal
3 a 9 veces 600 900 400
E3 e7 e8 e9 1500
1 a 2 veces 400 600 500

E4 e10 e11 e12 1200

TOTAL 1900 2100 1000 5000
Probabilidad Conjunta
EDADES

comer fuera por Menores de 30 a 50 Mayores de TOTAL
semana 30 50
E1 e1 e2 e3 400
10 o mas veces 200 100 100

E2 e4 e5 e6 1900
3 a 9 veces 600 900 400

E3 e7 e8 e9 1500 Conjunta
1 a 2 veces 400 600 500
E4 e10 e11 e12 1200

TOTAL 1900 2100 1000 5000
Probabilidad Conjunta representada en letra minuscula dentro de la tabla.

Cómputo de la Probabilidad
Probabilidad
de E2 = 0.38
Probabilidad
de e1 = 0.04
Todo se
divide entre el
total de 5000
Ejercicios
Los siguientes ejercicios le permitirán repasar los

conceptos y reglas estudiadas en este módulo. Cada
ejercicio incluye la idea de cómo hacer el cómputo.
Para contestarlos utilice la tabla de ejemplo presentada
en las laminas anteriores.
Ejercicios
Use la Tabla de Ejemplo
1 - Compruebe las reglas 1 y 2 sumando todos los eventos elementales.

La suma de todas las probabilidades conjuntas designada como “e”, debe ser igual a uno.
2 - Utilice la regla 3 para determinar la probabilidad de que las personas menores de 30 años salgan
a comer fuera. Sume las probabilidades P(e1) + P(e4) + P(e7) + P(e10). Debe ser igual
P(E5)=0.38.
3 - Con la regla del suceso contrario determine la probabilidad de que las personas menores de 30
años no salgan a comer fuera. Debes restar uno menos la probabilidad del ejercicio anterior. Esto
es 1-P(E5).
4 – Utilice la regla 4 para conseguir la probabilidad de personas que coman fuera 3 a 9 veces por
semana o que sean mayores de 50 años. Haga el siguiente computo: P(E2) + P(E7) – P(E2 ∩E7)
En este caso P(E2 ∩E7) es igual a P(e6) que es 0.08.
(Los ejercicios continúan en la próxima lámina)

Ejercicios
5 – Utilice la regla 5 para conseguir la probabilidad de personas que

coman fuera de 1 a 2 veces o de 3 a 9 veces por semana. El
resultado lo obtendrá con la suma P(E2) + P(E3).
6 – Con la regla 6 determine la probabilidad encontrar personas que

coman fuera menos de una vez dado de que son menores de 30
años. Esto es P(E4/E5) = P(E4 ∩ E5)/P(E5)
7 – Con la regla 7 demuestre la probabilidad de encontrar personas

menores de 30 dado de que hay personas mayores de 50. Esto es
P(E5/E7) debe ser igual a P(E5).
Ejercicios de Redacción
1 - Mencione cuales de los eventos en la tabla son independientes y cuales son

dependientes. Mencione si hay eventos mutuamente excluyentes. Explique su
razonamiento de acuerdo a las definiciones presentadas en este módulo.
2 - De ejemplos de eventos elementales y compuestos.
3 - Escriba sobre cuál es el espacio muestral de los eventos E2, E4, E5 y E7.
Referencias
Anderson, Sweeney, Estadísticas para administración y economía, 8tva edición, Thomson, México 2006
Newbold P., Statistics for Business And Economics, Prentice Hall, 5ta edición,New Jersey, 2003.
Bluman, Allan G. Statistics,6ta edición, Mc Graw Hil,New York, 2007.
Curso Interactivo de Probabilidad de la Universidad de Costa Rica

http://www.cidse.itcr.ac.cr/cursos-linea/Probabilidad/index.html
Video de Repaso Universidad de Málaga España

http://campusvirtual.uma.es/est_fisio/apuntes/tema4/index.html
Prueba virtual de la moneda

http://descartes.cnice.mecd.es/Estadistica/Azar_y_Probabilidad/comenzando.htm
Ejercicios de probabilidad
http://www.uam.es/personal_pdi/ciencias/ggarrigo/ccaa/hoja1.pdf
Ejercicios de probabilidad
http://www.math-online.cl/paa/probabilidades.pdf
Referencias
Referencia de L. Paula (2001) Introducción al Calculo de Probabilidades Mediante Casos Reales España
http://optimierung.mathematik.uni-
kl.de/mamaeusch/veroeffentlichungen/ver_texte/prob_spanish.pdf
videos gratis de estadísticas

http://sofia.fhda.edu/gallery/statistics/resources.html
Referencia
http://www.ing.unp.edu.ar/estadisitio/index.html
http://descartes.cnice.mecd.es/index.html
ESTADÍSTICA BÁSICA
Unidad 3
Teoría de probabilidades y distribución
Tema 2
DISTRIBUCION DE PROBABILIDAD

FÓRMULAS
• Z=(x-μ)/σ
• Probabilidad (cuando z es menor que a) por tabla
• Probabilidad (cuando z es mayor que a)= 1-pz>a
• P(a<z<b=p(z<b-(z<a)
• P(-a<z<b=p(z<b-((1-p(z<a))
ESTADISTICA BASICA
Unidad 3
TEORÍA DE PROBABILIDADES Y DISTRIBUCIÓN
Tema 2
DISTRIBUCIÓN DE PROBABILIDAD

VI. FASE DE MEDICIÓN -
PROBABILIDAD
1. Conclusiones estadísticas válidas
2. Teorema del límite central
3. Conceptos de probabilidad
4. Distribuciones de probabilidad
5. Distribuciones de probabilidad discretas
6. Distribuciones de probabilidad continuas
7. Distribuciones de prob. para decisión

2
1. Conclusiones estadísticas válidas
Estudios enumerativos :
• Los datos enumerativos son los que pueden ser contados.
• Para Deming:
• En un Estudio enumerativo la acción se toma en el universo.
• En un estudio analítico la acción será tomada en un proceso para mejorar su
desempeño
3
Obteniendo conclusiones válidas
• El objetivo de la estadística inferencial es

obtener conclusiones válidas acerca de las
características de la población (parámetros σ, μ,
π) con base en la información obtenida de
muestras (estadísticos X, s, r)
• Los pasos de la estadística inferencial son:

• La inferencia
• La evaluación de su validez
4
http://www.hrc.es/bioest/Introducion.html
• Las medias muestrales son normales
http://serc.carleton.edu/introgeo/teachingwdata/Statcentr 5
al.html
• Las medias muestrales son normales
6
3. Probabilidad
7
8
3. Probabilidad
http://www.math.gatech.edu/~bourba 9
ki/math1711/html/bayes.html
4. Distribuciones de probabilidad
• Variable aleatoria: es cualquier regla que relaciona un número con cada
resultado en el espacio muestral SS.
• =1
10
5. Distribuciones de
probabilidad discretas
1. Distribución hipergeométrica
2. Distribución Binomial
3. Distribución de Poisson
11
• Se aplica cuando n > 0.1N
• El muestreo se hace sin reemplazo
• P(x,N,n,D) es la probabilidad de exactamente x

éxitos en una muestra de n elementos tomados de
una población de tamaño N que contiene D éxitos.
La función de densidad de distribución
hipergeométrica:
12
• La media y la varianza de la distribución

hipergeométrica son:
13
Ejemplo: De un grupo de 20 productos, 10 se seleccionan al azar para prueba.

¿Cuál es la probabilidad de que 10 productos seleccionados contengan 5
productos buenos? Los productos defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) = 15, x = 5
P(x=5) = 0.0183 = 1.83%
14
Distribución binomial
• Se aplica para poblaciones grandes N>50 y n<0.1N con p >= 0.1.
• El muestreo binomial es con reemplazo
• La binomial es una aproximación de la hipergeométrica
• La distribución normal se aproxima a la binomial cuando np > 5
15
La variable aleatoria X tiene una distribución binomial
Tiene media y varianza.
16
• Se utiliza para modelar datos discretos
• Se aproxima a la binomial cuando p es igual o menor a 0.1, y el

tamaño de muestra es grande (n > 16) por tanto np > 1.6
17
Una Variable aleatoria X tiene distribución Poisson si toma

probabilidades con.
18
probabilidad continuas
1. Distribución exponencial
2. Distribución normal
19
• Modela artículos con una tasa de falla constante y está relacionada
con Poisson.
• Modela el tiempo medio entre llegadas
• Si x se distribuye exponencialmente, y=1/x sigue una distribución de

Poisson
• La función de densidad de probabilidad exponencial es: Para x >= 0
20
• Donde Lambda es la tasa de falla y theta es la media
• La función de densidad de la distribución exponencial
21
El modelo exponencial, con un solo parámetro, es el más
simple de todo los modelos de distribución del tiempo de
vida.
= −
CDF : F (t ) 1 e
− λt
CONFIABILIDAD : R(t ) = e
− λt
λ = 0.003, MEDIA = 333

λ = 0.002, MEDIA = 500
TASA DE FALL : h (t ) = λ
λ = 0.001, MEDIA = 1,000
A
La distribución Normal estándar
• Tiene media 0 y desviación estándar de 1.
• El área bajo la curva de infinito a más infinito vale 1.
• Es simétrica, cada mitad de curva tiene un área de 0.5.
• La escala horizontal se mide en desviaciones estándar, Z.
• Para cada valor Z se asigna una probabilidad en Tabla normal
23
CARACTERISTICAS DE UNA DISTRIBUCION NORMAL
La Normal is simétrica -
-
Cola
Cola
Teóricamente, la curva
Teóricamente, la curva Media, mediana, y se extiende a
se extiende a moda son iguales + infinito
- infinito
La Distribución Normal Estándar
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3σ x-2σ x-σ x x+σ x+2σ x+σ3
z
-3 -2 -1 0 1 2 3
25
Normales con Medias y
Desviaciones estándar diferentes
μ = 5, σ = 3
μ = 9, σ = 6
μ = 14, σ =
10
Entre:
1. 68.26%
2. 95.44%
3. 99.97%
μ+3σ μ−2σ μ−1σ μ μ+1 μ+2 μ+3

σ σ σ
P(0 < z < 0.8) =
0.2881.
0.8
probabilidad para decisión
1. Distribución Chi Cuadrada
2. Distribución t de Student
3. Distribución F de Fisher
29
Distribución Chi Cuadrada
• Prueba un varianza e igualdad de proporciones
30
Distribución t de Student
• Prueba igualdad de medias.
31
Distribución F
• Prueba igualdad de varianzas
32

Unidad 3 Unificada

Cargado por

Copyright:

Formatos disponibles

Unidad 3 Unificada

Cargado por

Información del documento

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

Unidad 3 Unificada

Cargado por

Copyright:

Formatos disponibles

ÍNDICE

1. Información de la unidad / Tema de la semana 3

2. Información de los subtemas 4

2.3. Sucesos, Eventos, Espacio Muestral 7

2.4. Función de Densidad de Probabilidad 9

2.5. Probabilidad Condicional 11

2.6. Teorema de Bayes 12

» Duración de horas semanales:

2. Informacion de los subtemas

Según Levine (2006) La terminología permutar significa variar la distribución u orden en

a) Permutaciones sin repetición

b) Permutaciones con repetición

número de veces indicado y que la diferencia se presente solo en el orden de colocación.

Estas permutaciones se aplican a conjuntos que ordenaremos de manera circular, ya

1. Combinaciones sin repetición

2. Combinaciones con repetición

Los n elementos tomados de r en r, son de distintos grupos constituidos por n elementos

2.3 Sucesos, Eventos, Espacio muestral

Espacio muestral (Ѕ)

Es el resultado o un grupo de resultados posibles al realizar un experimento,

Es una aseveración relacionada al producto de un evento aleatorio, se lo puede entender

Luego de haber realizado el experimento de un suceso si este ocurre se procede a

» Elementales: Consta de un solo resultado

imposible al que no contiene ningún elemento del espacio muestral Ø, esto da a

» “Unión de sucesos (𝑨 ∪ 𝑩): Es el producto del experimento que se encuentran

2.4 Función de Densidad de Probabilidad

En teoría de probabilidad esta función sirve de apoyo para reconocer regiones de

Figure 1. Curva de frecuencia en función de densidad de probabilidad

Según (2006) Gráficamente la curva representa la función de densidad f(x) podríamos

del intervalo (a; b) correspondería gráficamente al área bajo la curva de la función de

 𝑓(𝑥) ≥ 0 para todos los valores de la variable aleatoria “x”.

Debido a que no es un curso calcularemos probabilidades a base de combinaciones y

2.5 Probabilidad Condicional

Al utilizar la simbología P(A) para la probabilidad de un evento A, es significativo

Con Pr(B) > 0, es un evento dependiente.

La Probabilidad Condicional también se la puede trabajar mediante diagramas de Venn.

2.6 Teorema de Bayes

Es importante mencionar que las reglas de multiplicación sirven de gran utilidad en la

“La regla o teorema de Bayes es importante en el esquema general de la estadística,

𝑃(𝐴𝑗 ∩ 𝐵) 𝑃(𝐴𝑗 )𝑃(𝐵/𝐴𝑗 )

𝑃(𝐵) ∑𝑖=1 𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )

Para demostrar este resultado nos basamos para el numerador el concepto de

1. Suponga que 5 personas parquean su motocicleta en el mismo estacionamiento

2. Se lanza un dado obteniendo el espacio muestral; Ѕ = {1, 2, 3, 4, 5, 6}. Sean los

a) 𝑨 ∩ 𝑩 = ∅ . no existen valores semejantes en A y B.

𝑃(𝐵̅) Porque 4 de 6 no pertenecen al conjunto B

3. Un estudiante decide presentar 3 de 5 tareas que tiene pendiente en su colegio.

4. Para tres autos A, B, C. se fabrican piezas del mismo material. El porcentaje de

5. En campeonato consta de 6 equipos de mujeres y 12 de hombres. Se desea

a) Seleccionar 3 jóvenes de los equipos de hombre

Eh= jóvenes equipo hombre

Em= jóvenes equipo mujeres

0.1617 + 0.1617 + 0.1617 = 0.4851

David M. Levine, T. C. (2006). Estadística para la administración. México: Pearson

Johnson, R. A. (2012). Probabilidad y estadística para ingenieros. México: Pearson

1. Información de la unidad / Tema de la semana 3

2. Información de los subtemas 4

2.1. Distribución Bernoulli 4

2.2. Distribución Binomial 5

2.3. Ejercicios de Aplicación 6