Nueva Esta Di Stica

Notas de PROBABILIDAD y ESTADISTICA
Humberto Barrios
Docente UPC
Introducci
on
DESCRIPCIONES DE UN CONJUNTO DE
MEDICIONES
DISTRIBUCIONES DE FRECUENCIAS
METODO
GRAFICO
MEDIDAS NUMERICAS
DESCRIPTIVAS
MEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE DISPERSION
OTRAS MEDIDAS DESCRIPTIVAS
EJERCICIOS
1. Estadstica Descriptiva
1.1
Introducci
on
Estamos en una epoca en la que nos agobian acontecimientos y n
umeros, las llamadas, estadsticas, acerca de cualquier tema comprensible. Se escuchan o se leen indagaciones de los medios de comunicaciones del n
umero de personas desplazadas por la
violencia a las que ayuda el gobierno, el n
umero de hectareas sembradas de coca radicadas diariamente por el actual gobierno y cronicas deportivas sobre el n
umero promedios
de goles en los partidos de f
utbol en una semana determinada. En este sentido para
mucha gente, el termino estadstica significa descripcion numerica. En un sentido mas
amplio, se puede establecer que el objetivo de la estadstica es hacer inferencias con
respecto a una poblaci
on a partir de la informacion contenida en una muestra y proporcionar una medida (probabilidad) correspondiente para la bondad de la inferencia. Es
decir, la estadstica trata del dise
no de experimento o encuestas (investigacion) mediante muestras para obtener una cantidad determinada de informacion a un costo mnimo
y del uso
optimo de esta informacion para sacar conclusiones (inferencias inductivas)
con respecto a una poblaci
on.
En estadstica la inferencia es inductiva porque se proyecta de lo especifico (la muestra)
hacia lo general (poblaci
on). En un procedimiento de esta naturaleza siempre existe la
posibilidad de error. Nunca se tendra el cien por ciento de seguridad sobre una proporcion en la que se basa la inferencia estadstica. Sin embargo, lo que hace de la estadstica
una ciencia (separ
andola del arte de adivinar la suerte) es que, unida cualquiera proposicion o afirmaci
on, existe una medida de la confiabilidad de esta. En estadstica se mide
la confiabilidad en terminos de probabilidad (un tema que se estudiara mas adelante).
En otras palabras, para cada inferencia estadstica se identifica la probabilidad de que
la inferencia sea correcta. Los problemas estadsticos se caracterizan por los siguientes
cuatro elementos:
1. La poblaci
on de interes y el procedimiento cientfico que se emplea para seleccionar
la muestra.
2. La muestra y el an
alisis matematico de la informacion.
3. Las inferencias estadsticas que resulten del analisis de la muestra.
4. La probabilidad o confiabilidad de que las inferencias sean correctas.
Captulo 1. Estadstica Descriptiva
Para comprender la naturaleza de la estadstica inferencial, es necesario precisar algunos

conceptos.
Definici
on 1.1.1 Una poblaci
on es el conjunto de todas las mediciones de interes
para determinado problema. En estadstica, poblacion es un concepto mucho mas

general del que tiene el concepto com
un de esta palabra.
En este sentido, una poblaci
on es cualquier coleccion ya sea de un n
umero finito de
mediciones o una colecci
on grande, virtualmente infinita, de datos acerca de algo de
interes.
Definici
on 1.1.2 Una muestra es un subconjunto de la poblaci
on que contiene las
mediciones obtenidas mediante un experimento. De esta forma, una buena muestra

es aquella que refleja las caractersticas esenciales de la poblacion de la cual se obtuvo.
En estadstica, el objetivo de las tecnicas de muestreo es asegurar que cada observacion
en la poblaci
on tiene una oportunidad igual e independiente de ser incluida en la muestra. Tales procesos de muestreo conducen a una muestra aleatoria. Las observaciones
de la muestra aleatoria se usan para calcular ciertas caractersticas de la muestra llamadas estadsticas. Las estadsticas se usan como base para hacer inferencias de ciertas
caractersticas de la poblaci
on, que reciben el nombre de parametros.
En cada uno de los siguientes casos se describe la poblacion correspondiente, el objetivo
inferencial y que es lo que se hara para obtener una buena muestra.
Ejemplo 1.1 La Facultad de Ciencias de la Salud de la UPC quiere hacer un estudio acerca de los niveles de resistencia fsica de estudiantes varones que recientemente
ingresaron a la universidad.
Poblaci
on: Son todos los estudiantes varones de primer semestre de la UPC.
Objetivo inferencial: Estimar la distribucion de frecuencias, por edades, la resistencia
fsica de estudiantes varones que recientemente ingresaron a la universidad.
Muestra: Seleccionar una muestras de estudiantes varones que ingresaron a la UPC,
en el primer semestre.
Ejemplo 1.2 Un ingeniero desea estimar el consumo semanal promedio de agua por
familias en Valledupar.
Poblaci
on: Todas las familias que viven en Valledupar.
Objetivo inferencial: Estimar el consumo semanal promedio de agua por familias.
Muestra: Tomar un subconjunto de todas las familias de Valledupar, de tal manera
que estas familias sean representativas.
Ejemplo 1.3 Un ingeniero electr

onico desea determinar si la duracion promedio de
cierto tipo de transistores supera las 500 horas.
Humberto Barrios - hbarrios@unicesar.edu.co
1.2 DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES
Poblaci
on: En este caso, la poblacion puede estar constituida por todos los transistores
producidos por una f
abrica durante una semana o tambien se puede considerar los que
se pueden fabricar en el futuro. En este caso, la poblacion es virtualmente infinita.
Objetivo inferencial: Estimar si la duracion promedio de cierto tipo de transistores
supera las 500 horas.
Muestra: Seleccionar una muestra aleatoria de la produccion de un lote de varios das.
1.2
1.2.1
DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES

DISTRIBUCIONES DE FRECUENCIAS
En el sentido m
as amplio, hacer inferencias implica la descripcion parcial o total de
un fenomeno u objeto fsico. Por consiguiente, un preludio necesario a la explicacion de
como hacer inferencias, es la elaboracion de un metodo para describir un conjunto de
n
umeros. La descripci
on debe ser tal, que el conocimiento de las medidas descriptivas
nos permita tener una apreciaci
on clara del conjunto de datos. Ademas es de esperarse
que la descripci
on posea un sentido pragmatica, para que el conocimiento de las medidas
descriptivas de una poblaci
on nos ayude a resolver un problema practico no estadstico,
por ejemplo, en la toma de decisiones.
Ejemplo 1.4 Si se seleccionaron aleatoriamente en un proceso de fabricaci

on de una
semana, 100 bateras para hallar alg

un tipo de regularidad en el proceso de fabricacion.
En el cuadro 1.1 se dan los datos que representan el tiempo de duracion en das de cada
uno de las bateras:
178
221
164
205
200
206
199
226
122
218
Cuadro 1.1:
221 157
153 177
234 151
181 155
134 174
139 176
174 165
191 195
224 187
236 176
Tiempo de duracion de
153 107 188 220
173 182 185 111
169 174 229 192
176 146 187 168
200 191 165 187
160 226 188 155
168 124 149 203
182 160 193 140
104 173 194 181
150 158 199 144
100 bateras
157 184
151 178
109 118
188 222
175 169
185 187
159 164
167 218
151 198
202 208
173
167
135
156
162
184
166
183
172
178
Si quisieramos buscar alg

un tipo de regularidad en este conjunto de datos sera imposible encontrarla a simple vista. Una manera sencilla para organizar datos es preparar
un arreglo ordenado. Un arreglo ordenado es una lista de valores de una poblacion o
muestra en orden de magnitud de menor a mayor valor. Un arreglo ordenado permite
determinar con rapidez los valores de las mediciones mas peque
nos, de los mas grandes.
A continuaci
on se muestra la construccion de un arreglo ordenado con los datos que se
muestran en el cuadro 1.1.
Facilmente es posible identificar r
apidamente la batera que duro menos das (104) y la
que duro m
as das (236).
Cuadro 1.2: Tiempo de duraci

on
104 107 109 111
140 144 146 149
155 155 156 157
164 164 165 165
169 172 173 173
176 176 177 178
183 184 184 185
188 188 191 191
199 200 200 202
220 221 221 222
de 100 bateras ordenadas de

118 122 124 134 135
150 151 151 151 153
157 158 159 160 160
166 167 167 168 168
173 174 174 174 175
178 178 181 181 182
185 187 187 187 187
192 193 194 195 198
203 205 206 208 218
224 226 226 229 234
menor a mayor
139
153
162
169
176
182
188
199
218
236
Pero para identificar los patrones en un conjunto de datos es necesario agrupar las
observaciones en un n
umero relativamente peque
no de clases que no se intercepten
entre s, de tal manera que no exista ninguna ambig
uedad con respecto a la clase que
pertenece una observaci
on en particular. El n
umero de observaciones que caen en una
clase recibe el nombre de frecuencia de clase (fi ), mientras que el cociente de una
frecuencia de clase con respecto al n
umero de observaciones (n) en la muestra se conoce
como frecuencia relativa (fi /n) de la clase. Los lmites de las clases se denominan
fronteras de clases, y el promedio aritmetico entre los lmites superior (Li ) e inferior
(Ls ) recibe el nombre de marca de clase o punto medio de clase (xi ).
El n
umero de clase que se emplean para clasificar a un conjunto de datos depende del
n
umero total de observaciones. Si el n
umero de observaciones es relativamente peque
no,
el n
umero a emplear sera cinco o mas. Si existe un n
umero sustancial de datos, el
n
umero de clases debe ser de quince clases o menos. Es decir, el n
umero de clases que se
deben tomar no debe ser mayor a quince ni menor de cinco. Un n
umero muy peque
no
de clases puede ocultar la distribucion real del conjunto de datos, mientras que una
muy numerosa puede dejar sin observaciones a algunas clases, limitando de esta forma
su uso.
Para determinar el n
umero aproximado de clases, tambien se puede hacer uso de la
Regla de Sturges:
k = 1 + 3.3 log n
donde
K es el n
umero de clases
n es el n
umero total de observaciones de la muestra
log es el logaritmo com
un base 10.
Se debe dejar en claro que la Regla de Sturges es una aproximacion del n
umero de clases,
siempre es posible tomar una m
as o una menos de lo que la formula nos da.
Una buena pr
actica es la creaci
on de clases que tengan longitudes iguales. Esto puede
lograrse tomando la diferencia entre los valores extremos del conjunto de los datos, lo
que se conoce como rango (R), y dividiendolo sobre el n
umero de clases, el resultado
sera aproximadamente la longitud para cada clase. Sin embargo, existen casos donde
esta regla no se puede aplicar o no debe aplicarse. Como ilustracion, tomemos los datos
de la tabla 1, para establecer un esquema de agrupamiento para este conjunto de datos
y determinar las frecuencias de clases, frecuencias relativas de clases, marcas de clases
y fronteras de clases. Agrupar los datos en clases de igual longitud.
El rango = valor mayor - valor menor = 236 104 = 132
Por ejemplo, si aplicamos la Regla de Sturges el n
umero de clases que debemos tomar
sera de 8.
Por lo tanto, la Longitud de clase = 132/8 ' 17.
Para establecer las fronteras de cada clase, es necesario considerar la unidad mas cercana
con respecto a la cual se mide las observaciones. As, las ocho clases a considerar son:
(103, 120], (120, 137], (137, 154], (154, 171], (171, 188], (188, 205], (205, 222], (222, 239]
Por lo tanto, una manera de representar a un conjunto de datos es como se muestra
en el siguiente cuadro, distribuci
on de frecuencias correspondiente a la duracion de 100
bateras, seleccionadas de manera aleatoria, de la produccion de una fabrica en una
semana.
Cuadro 1.3: Distribucion de frecuencias
Li
Ls
xi
fi fi % Fi
Fi %
103 120 111.5 5
5%
5
5%
120 137 128.5 4
4%
9
9%
137 154 145.5 11 11 % 20
20 %
154 171 162.5 21 21 % 41
41 %
171 188 179.5 31 31 % 72
72 %
188 205 196.5 14 14 % 89
86 %
205 222 213.5 8
8%
94
94 %
222 239 230.5 6
6 % 100 100 %
Donde
Li limite inferior de la clase i-esima.
Ls limite superior de la clase i-esima.
xi marca de clase de la clase i-esima.
fi frecuencia absoluta de la clase i-esima.
fi % frecuencia porcentual de la clase i-esima.
Fi frecuencia acumulada absoluta de la clase i-esima.
Fi % frecuencia acumulada porcentual de la clase i-esima.
El cuadro 1.3 de frecuencias proporciona mucha mas informacion a simple vista que
los datos originales, cuadro 1.1. En un estudio de la vida de las bateras, hay muchas
preguntas que pueden ahora responderse. Por ejemplo, Que fraccion o porcentaje de
las bateras puede esperarse de la poblacion en estudio tengan una duracion entre 171
a 188 das?
Es claro, que si la muestra es el reflejo de la poblacion, o como dicen mis compa

neros
de la UPC es representativa, entonces la respuesta es 0.31, es decir, el 31 %. Muchas
preguntas m
as se pueden responder con la tabla anterior, como por ejemplo, Cuantas
bateras fallaran antes de 205 horas? La respuesta a esta pregunta sera sumar todas
las frecuencias que ocurren antes de 205, esto es, sumar las frecuencias: 5 %, 4 %, 11 %,
21 %, 31 %, y 14 % lo que suma 84 %. La suma de las frecuencias (fi ) de las observaciones cuyos valores son menores o iguales al lmite superior de una clase dada se
denomina frecuencia acumulada (Fi ). De la misma manera se definen la frecuencia
acumulada relativa (Fi /n).
1.2.2
METODO
GRAFICO
Otra manera u
til de representar los datos de una muestra es a traves de graficos.
El principal objetivo de la representacion grafica de las frecuencias de clases como las
frecuencias acumuladas es mostrar el perfil de distribucion de los datos. El conocimiento
de este perfil es u
til en varias formas, para los analisis apropiados para las inferencias
estadsticas o con el fin de comparar los perfiles de dos o mas conjunto de datos.
Histograma de frecuencias. Un histograma es una representacion grafica de los datos que muestra la frecuencias de los casos (valores de los datos) en categoras. Las
frecuencias se representan para examinar la forma de la distribucion de las respuestas.
El histograma de frecuencias se construye levantando rectangulos con centros en las
marca de clases, con base de longitud igual a la longitud real del intervalo de clase
(L = LS LI ) y altura igual a la frecuencia de la respectiva clase, en un eje de coordenadas. Para la distribuci
on de frecuencias del cuadro 1.3, el histograma de frecuencias
figura 2.1:
Figura 1.1: Histograma de frecuencias
f
30
25
20
15
10
5
103
120
137
154
171
188
205
222
239 x
Polgono de frecuencias. Los polgonos de frecuencias son otra forma de representar

graficamente distribuciones de clases (o distribuciones relativas de clases). Para construir
un polgono de frecuencias se
nalamos en el eje horizontal las marcas de clases, en el
eje vertical las frecuencias correspondientes y en los extremos se a

naden dos clases
con frecuencia cero, en un sistema de coordenadas, y conectamos con segmentos los
puntos sobre el plano. Para la distribucion de frecuencias del cuadro 1.3, el polgono de
frecuencias es la figura 2.2:
Figura 1.2: Polgono de frecuencias
f
30
25
20
15
10
5
103
239
111.5 128.5 145.5 162.5 179.5 196.5 213.5 220.5 x
Los histogramas y los polgonos de frecuencias son parecidos. Como se puede observar
en los gr
aficos anteriores. Pero se pueden se
nalar las ventajas de los histogramas, las
que se pueden resumir as: los rectangulos muestran cada clase de la distribucion por
separado y el
area de cada rect
angulo, en relacion con el resto, muestra la proporcion
del n
umero total de observaciones que se encuentra en cada clase.
Los polgonos, sin embargo, tambien poseen ciertas ventajas, de las cuales se pueden
resaltar: el polgono de frecuencias es mas sencillo que el histograma, traza con mas
claridad el perfil de patr
on de los datos y por u
ltimo, el polgono se vuelve mas liso y
parecido a una curva conforme aumenta el n
umero de clases y el n
umero de observaciones. Un polgono como el que acabamos de describir, alisado mediante el aumento de
clases y de puntos de datos, se conoce como curva de frecuencias.
Diagrama de tallo y hojas. Una variante del histograma es el diagrama de tallo y hoja
que tiene la misma similitud y prop
osito pero que tambien proporciona una enumeracion
completa de los valores de los datos reales. Para construirlo basta separar en cada dato
el u
ltimo dgito de la derecha (que constituye la hoja) del bloque de cifras restantes (que
formara el tallo). El siguiente ejemplo ilustra la construccion del diagrama de tallo y
hojas.
Ejemplo 1.5 Utilice los datos de los tiempo de duraci
on del cuadro 1.1 para construir
diagrama de tallo y hojas.

Soluci
on Puesto que todas las mediciones son n
umeros de tres dgitos, se tiene tallos
10
de dos dgitos y hojas de un solo dgito. Por ejemplo, la medicion 175 tiene un tallo 17
y una hoja de 5. La siguiente tabla 1.4 muestra el diagrama de tallo y hojas para los
datos.
Cuadro 1.4: Diagrama de tallo y hojas para el
tiempo duracion de 100 bateras
10 47918
12 24459
14 04690111335567789
16 00244556778899233344456667888
18 1122344557777888112345899
20 002356888
22 0112466946
Ojiva. Para graficar la distribuci

on de frecuencias acumulada (o relativa acumulada),
sobre un eje de coordenadas, se ubican los limites reales de las clases sobre el eje horizontal contra las frecuencias acumuladas (o relativas acumuladas) en el eje vertical y se
unen todos los puntos consecutivos. Para la distribucion de frecuencias acumulada del
cuadro 1.3 , la ojiva de las frecuencias acumuladas (o relativas acumuladas) es la figura
2.3:
Figura 1.3: Distribucion frecuencias acumulada
F
100
80
60
40
20
x
En este contexto el principal uso de la distribucion acumulada (o acumulada relativa) es

lo que com
unmente se denomina como cuantiles. Con respecto a una distribucion relativa
acumulada, se define un cuantil como el valor bajo el cual se encuentra una determinada
proporci
on de los valores de la distribucion. En la proxima seccion se dara una formula
para calcular los cantiles correspondiente a una distribucion de frecuencia acumulada.
1.3
MEDIDAS NUMERICAS
DESCRIPTIVAS
Las descripciones gr
aficas de los datos presentadas en la seccion anterior proporcionan una informaci
on u
til respecto al conjunto de mediciones, pero no es adecuado

1.3 MEDIDAS NUMERICAS
DESCRIPTIVAS
11
para hacer inferencias, sobre todo porque ninguna de las representaciones (tablas y
graficas) no est
an bien definidas. Por ejemplo, se podran elaborar muchos histogramas
similares a partir del mismo conjunto de mediciones. Para poder hacer inferencias con
respecto a una poblaci
on, basada en la informacion contenida en una muestra y medir
la confiabilidad de la inferencia, en terminos de probabilidades, se requieren cantidades obtenidas de expresiones rigurosamente definidas para analizar la informacion de
la muestra. Es posible obtener, mediante las matematicas, ciertas propiedades de esas
cantidades muestrales y establecer conclusiones probabilsticas con respecto a la validez
de las inferencias.
Las cantidades que se pretenden definir son medidas numericas descriptivas de un conjunto de datos. Se buscan n
umeros que describan la distribucion de frecuencias para
cualquier conjunto de mediciones.
Existen dos medidas de interes para cualquier conjunto de datos: la localizacion de su
centro y su variabilidad.
1.3.1
MEDIDAS DE TENDENCIA CENTRAL

Las medidas de tendencia central de un conjunto de datos es la disposicion de estos
para agruparse ya sea alrededor del centro o de ciertos valores numericos. Existen principalmente tres medidas de tendencia central: la media, la mediana y la moda.
Definici
on 1.3.1 Sean x1 , x2 , x3 , . . ., xk marcas de clases con frecuencias de clases f1 ,
f2 , f3 , . . . fk , respectivamente, en una distribucion de frecuencias. Entonces la media

es
k
x
=
1X
xi fi
n
(1.1)
i=1
Donde n = f1 + f2 + f3 + . . . + fk . En el caso, f1 = f2 = f3 = . . . = fk = 1
entonces los datos se dicen no agrupados. As, la formula para la media se convierte
en
n
1X
x
=
xi
n
(1.2)
i=1
La media es una medida apropiada de tendencia central para muchos conjuntos de datos.
Sin embargo, dado que todas las mediciones se emplean para su calculo, el valor de la
media puede afectarse por la existencia de algunos valores extremos.
Definici
on 1.3.2 La mediana en un conjunto de datos no agrupados, ordenados de
menor a mayor, es el valor medio si el n

umero de datos es impar o el promedio de los
dos valores centrales cuando el n
umero de datos es par. Se notara la mediana por x
.
Para el caso de datos agrupados o para una distribucion de frecuencias, se procede
como sigue:
1. Se identifica la clase mediana, la cual sera la que contiene el elemento para el
12
cual la mitad de todas las observaciones es menor y la otra mitad es mayor.

2. Lm = limite real inferior de la clase mediana
3. fm = frecuencia de la clase mediana
4. Fm1 = frecuencia acumulada anterior a la clase mediana
5. c = ancho real de la clase mediana
6. n = n
umero de observaciones en la muestra o tama
no de muestra.
Por consiguiente, la ecuaci
on para la mediana con datos agrupados sera:
x
= Lm +
n
2
Fm1
c
fm
(1.3)
Puesto que la mediana es un valor que se basa en la secuencia ordenada de las n

mediciones, es necesario saber que la existencia de valores extremos y agregado muy
alto de observaciones, no afecta su valor, en este sentido la mediana es mejor que la
media. Generalmente los conjuntos de datos que describen informacion de ingresos caen
en esta categora.
Definici
on 1.3.3 La moda para un conjunto de datos no agrupados es el valor de las
observaciones que ocurre con mayor frecuencia. La cual notaremos por: Mo .

Cuando los datos se encuentran agrupados en una distribucion de frecuencias, se
puede suponer que la moda est
a localizada en la clase de mayor frecuencia. Para
determinar un solo valor para la moda a partir de esta clase modal, identifica:
1. LMo = limite real inferior de la clase modal
2. 1 = frecuencia de la clase modal menos la frecuencia que se encuentra inmediatamente por encima de ella
3. 2 = frecuencia de la clase modal menos la frecuencia que se encuentra inmediatamente por debajo de ella
4. c = ancho real de la clase modal
Entonces se utiliza la siguiente ecuacion:

Mo = LMo +
1
1 + 2

c
(1.4)
En muchas ocasiones en una serie de datos, puede ocurrir mas de una observacion con la
misma frecuencia. En este caso, se dice que la distribucion de frecuencias es multimodal.
Como en todos los aspectos de la vida, el azar puede desempe
nar un papel importante
en la organizaci
on en un conjunto de mediciones. En ocasiones, el azar hace que un
solo elemento no representativo se repita lo suficiente para ser el valor mas frecuente
del conjunto de mediciones. Es por esta razon que rara vez se utilice la moda de un
conjunto de datos no agrupados como medida de tendencia central.
Se explicar
an el c
alculo de la media, mediana y moda con los ejemplos siguientes:
Ejemplo 1.6 (Para datos no agrupados). El tiempo de reparaci
on, medido en horas,
de un instrumento electr
onico tiene un comportamiento aleatorio. Los tiempos de reparacion de 16 de tales instrumentos, elegidos a traves de un mecanismo aleatorio, son los
siguientes:

DESCRIPTIVAS
13
5 6 3 6 11 7 9 10 2 4 10 6 2 8 1 5
Calcular la media, mediana y moda de este conjunto de datos.
Para calcular la media se utiliza la formula (1.2), es decir,

n
1X
1
x
=
xi = (5 + 6 + 3 + 6 + 11 + 7 + 9 + 10 + 2 + 4 + 10 + 6 + 2 + 8 + 1 + 5) = 5.94
n
16
i=1
Para el caso de la mediana se ordenan los datos de menor a mayor, como en este caso
el n
umero de elementos es par, la mediana sera el promedio de los dos valores centrales.
1 2 2 3 4 5 5 6 6 6 7 8 9 10 10 11
Es decir,
x
=
6+6
=6
2
La moda en una serie de datos es el valor con mayor frecuencia, en este caso el valor
con mayor frecuencia es el 6. Entonces
Mo = 6
Ejemplo 1.7 (Para datos agrupados). Con la distribuci
on de frecuencias del cuadro ??.
Calcular la media, mediana y moda.

Soluci
on
De la distribuci
on de frecuencias correspondiente a la duracion de 100 bateras, para
calcular la media multiplicamos las marcas de clases por las respectivas frecuencias de
clase y dividimos por las suma de las frecuencias. Es decir,
x
=
1X
xi fi
n
i=1
1
=
[111.5(5) + 128.5(4) + 145.5(11) + 162.5(21)
100
+ 179.5(31) + 196.5(14) + 213.5(8) + 230.5(6)] = 174.9
Otra manera para calcular la media es utilizando el cuadro 1.3, construyendo otra
columna resultado de multiplicar las marcas de clases por sus respectivas frecuencias, y
dividir la suma de esta por la suma de las frecuencias.
Para calcular la mediana de la distribucion de frecuencias del cuadro 1.3.
14
1. Se identifica la clase mediana, la cual sera la que contiene el elemento para el cual
la mitad de todas las observaciones es menor y la otra mitad es mayor. Por lo
tanto la clase mediana es: 171-188.
2. Lm = limite real inferior de la clase mediana = 171
3. fm = frecuencia de la clase mediana = 31
4. Fm1 = frecuencia acumulada anterior a la clase mediana=21
5. c = ancho real de la clase mediana =14
6. n = n
no de muestra = 100.
Por consiguiente, la ecuaci
on para la mediana con datos agrupados sera:
n

50 41
2 Fm1
x
= Lm +
c = 171 +
(17) = 175.9
fm
31
Para determinar el valor para la moda, identificamos la clase modal es: 171-188.
1. LMo = lmite real inferior de la clase modal= 171
2. 1 = frecuencia de la clase modal menos la frecuencia que se encuentra inmediatamente por encima de ella = 31-21 = 10
3. 2 = frecuencia de la clase modal menos la frecuencia que se encuentra inmediatamente por debajo de ella = 31 -14=17
4. c = ancho real de la clase modal = 17
Entonces se utiliza la siguiente ecuacion:

1
10
Mo = LMo +
c = 171 +
(17) = 177.3
1 + 2
10 + 17
Cuando se trabaja un problema en estadstica, se debe decidir cual de las medidas de
tendencia central se va ha utilizar. Por ejemplo, si la distribucion es simetrica, es claro
que en este caso solo tienen una moda. Por lo tanto el mismo valor para la media,
la mediana y la moda. En tales casos, no es necesario escoger la medida de tendencia
central, pues ya esta hecha la seleccion, cualquiera de ellas es una buena opcion.
En una distribuci
on sesgada positiva. Es decir, sesgada hacia la derecha, la moda se
encuentra en el punto m
as alto de la distribucion, la mediana esta a la derecha de la
moda y la media se encuentra todava mas a la derecha de la moda y la mediana. Es
decir, se tiene la siguiente relaci
on:
Mo < x
<x
En una distribuci
on sesgada negativa. Es decir, sesgada hacia la izquierda, la moda se
encuentra en el punto m
as alto de la distribucion, la mediana esta hacia la izquierda de
la moda y la media se encuentra todava mas a la izquierda de la moda y la mediana.
Es decir, se tiene la siguiente relacion:
Mo > x
>x
Cuando la poblaci
on est
a sesgada negativamente o positivamente, con frecuencia la
mediana resulta ser la mejor medida de posicion, debido a que siempre esta entre la
moda y la media. La mediana no se ve influida por la frecuencia de aparicion de un solo
valor como es el caso de la moda, ni se distorsion con la presencia de valores extremos
como la media.

DESCRIPTIVAS
15
En cualquier otro caso, no existen reglas universales para la aplicacion de la media, la

mediana o la moda como medidas de tendencia central para diferentes poblaciones. Cada
caso deber
a considerarse de manera independiente, de acuerdo con las lneas generales
que se ha analizado.
1.3.2
MEDIDAS DE DISPERSION
Las medidas de tendencia central de un conjunto de mediciones solamente localizan
el centro de la distribuci
on de los datos. Por si mismo, no ofrecen una descripcion
adecuada de los datos. Por ejemplo, dos conjuntos de mediciones podran tener sus
distribuciones de frecuencias muy diferentes pero con la misma media. La diferencias
entre dos distribuciones, puede estar en variacion o dispersion a ambos lados de la
media. Una descripci
on adecuada de los datos requiere de la definicion de una medida de
variabilidad de los datos. La medida mas com
un de variabilidad usada en la estadstica
es la varianza, que es una funci
on de las desviaciones (o distancia) de las mediciones
con respecto a su media.
Definici
on 1.3.4 Sean x1 , x2 , x3 , . . ., xk marcas de clases con frecuencias de clases
f1 , f2 , f3 , . . . fk , respectivamente, en una distribucion de frecuencias. Entonces la

varianza es
k
s2 =
1 X
(xi x
)2 fi
n1
(1.5)
i=1
Donde n = f1 + f2 + f3 + . . . + fk . En el caso, f1 = f2 = f3 = . . . = fk = 1 entonces

los datos se dicen no agrupados. As, la formula para la varianza se convierte en
n
1 X
(xi x
)2
s =
n1
2
(1.6)
i=1
La varianza es u
til en la comparacion de la variacion relativa de dos conjuntos de
mediciones, pero s
olo aporta informacion con respecto a la variacion en un solo conjunto
cuando se interpreta en terminos de la desviacion estandar. La desviacion estandar de
un conjunto de medidas es la raz cuadrada positiva de la varianza, es decir,
s=
s2
(1.7)
La varianza y la desviaci
on est
andar no son medidas de variabilidad distintas, debido
a que la u
ltima no puede determinarse a menos que se conozca la primera. A menudo
se prefiere la desviaci
on est
andar en relacion con la varianza, porque se expresa en las
mismas unidades fsicas de las observaciones.
Otra medida u
til de la variabilidad tiene base en el valor absoluto de las diferencias
entres el conjunto de mediciones y la media o la mediana, dependiendo de cual de las
dos se emplee como medida de tendencia central.
16
Definici
on 1.3.5 Sean x1 , x2 , x3 , . . ., xk marcas de clases con frecuencias de clases
f1 , f2 , f3 , . . . fk , respectivamente, en una distribucion de frecuencias. Entonces la

desviaci
on media est
a dada por
k
DM =
1X
|xi x
|fi
n
(1.8)
i=1
Donde n = f1 + f2 + f3 + . . . + fk . En el caso, f1 = f2 = f3 = . . . = fk = 1 entonces

los datos se dicen no agrupados. As, la formula para la desviacion media esta se
convierte en
n
1X
DM =
|xi x
|
n
(1.9)
i=1
Cuando se sustituye la media por la mediana en (1.8) y (1.9) se obtiene la desviacion

mediana, la que se notara por DM d.
La desviaci
on media es una medida de la variacion de un conjunto de mediciones, especialmente en el contexto de la evidencia emprica, debido a que en muchas ocasiones
el interes se centra en las desviaciones y no en los signos de estas. Sin embargo, desde
un punto de vista te
orico, el empleo de desviacion media como medida de dispersion
esta en desventaja dado que, matematicamente, es difcil de obtener. De cualquiera manera, la desviaci
on media es menos sensible a los efectos inducidos por las observaciones
extremas del conjunto de datos que la varianza o la desviacion estandar. Sin importar
la presencia de pocos valores extremos, la desviacion media puede proporcionar una
medida de dispersi
on mucho m
as real que la obtenida por la desviacion estandar.
Cuando la mediana se utiliza como medida de tendencia central con el proposito de
amortiguar los efectos de la existencia de algunos valores extremos en el conjunto de
mediciones, debe preferirse a la desviacion mediana como una medida de dispersion por
la misma raz
on, es decir, con la intencion amortiguar los efectos de la existencia de
valores extremos en el conjunto de mediciones.
A continuaci
on se ilustran los pasos que se deben seguir para los calculos de la varianza,
desviaci
on est
andar, desviaci
on media y desviacion mediana, para los datos no agrupados
del ejemplo 1 y para los datos agrupados de la tabla 2.
Ejemplo 1.8 El tiempo de reparaci

on, medio en horas, de un instrumento electronico
tiene un comportamiento aleatorio. Los tiempos de reparacion de 16 de tales instrumentos, elegidos a traves de un mecanismo aleatorio, son los siguientes:
5 6 3 6 11 7 9 10 2 4 10 6 2 8 1 5
Calcular la varianza, desviaci
on estandar, desviacion media y desviacion mediana de
este conjunto de datos.

Soluci
on
Para la varianza se tiene

DESCRIPTIVAS
17
s2 =
1 X
(xi x
)2
n1
i=1
1
=
[(5 5.94)2 + (6 5.94)2
16 1
+ (3 5.94)2 + (6 5.94)2 + (2 5.94)2
+ (4 5.94)2 + (11 5.94)2 + (7 5.94)2
+ (9 5.94)2 + (10 5.94)2 + (10 5.94)2
+ (6 5.94)2 + (2 5.94)2 + (8 5.94)2
+ (1 5.94)2 + (5 5.94)2 ]
= 9.53
La desviaci
on est
andar es
s=
9.5333 = 3.0876
Para la desviaci
on media se tiene
n
DM =
1X
|xi x
|
n
i=1
1
= [|5 5.94| + |6 5.94| + |3 5.94| + |6 5.94|
16
+ |2 5.94| + |4 5.94| + |11 5.94| + |7 5.94|
+ |9 5.94| + |10 5.94| + |10 5.94| + |6 5.94|
+ |2 5.94| + |8 5.94| + |1 5.94| + |5 5.94|
= 2.445
Para la desviaci
on mediana se tiene
n
DM d =
1X
|xi x
|
n
i=1
1
= [|5 6| + |6 6| + |3 6| + |6 6|
16
+ |2 6| + |4 6| + |11 6| + |7 6| + |9 6|
+ |10 5.94| + |10 6| + |6 6| + |2 6|
+ |8 6| + |1 6| + |5 6|
= 2.4375
Ejemplo 1.9 Con la distribuci

on de frecuencias de la tabla 2. Calcular la varianza,
desviaci
on est
andar, desviaci
on media y desviacion mediana.
Soluci
on
18

Cuadro 1.5: Medidas descritivas en una distribucion
xi
fi
xi fi (xi x
)2 fi |xi x
|fi |xi x
|fi
111.5
5
557.5
20104.1
317.0
322.0
128.5
4
514.0
8615.6
185.6
189.6
145.5 11
1600.5
9514.4
323.5
334.4
162.5 21
3412.5
3234.2
260.6
281.4
179.5 31
5564.5
653.1
142.3
111.6
196.5 14
2751.0
6525.8
302.3
288.4
213.5
8
1708.0
11913.5
308.7
300.8
230.5
6
1383.0
18541.5
333.5
327.6
Total 100 17491.0
79102.0
2174.0
2156.0
Utilicemos el cuadro 1.5, para la varianza, desviacion estandar, desviacion media y

desviaci
on mediana. Por lo tanto la
varianza es: s2 = 799.0
Desviaci
on est
andar es: s = 28.26
Desviaci
on media es: D.M. = 21.74
Desviaci
on mediana es: D.M d. = 21.56.
1.3.3
OTRAS MEDIDAS DESCRIPTIVAS

El principal uso de la distribuci
on acumulada es lo que com
unmente se conoce como
cuantiles. Con respecto a una distribucion de frecuencias relativa acumulada, se define
un cuantil como el valor bajo el cual se encuentra una determinada proporcion de los
valores de la distribuci
on. Para identifica la clase cuantil, la cual sera la que contiene
el elemento para el cual la proporcion 100q % de todas las observaciones es menor y la
otra proporci
on 100(1 q) % es mayor en una distribucion de frecuencias.
Definici
on 1.3.6 Para calcular el cuantil q se utiliza la siguiente f
ormula
x
q = Lq +
nq Fq1
c
fq
(1.10)
1. Se identifica la clase cuantil, la cual sera la que contiene el elemento para el

cual la q % de todas las observaciones es menor y la otra (100 q) % es mayor.
2. Lq = limite real inferior de la clase cuantil
3. fq = frecuencia de la clase cuantil
4. Fq1 = frecuencia acumulada anterior a la clase cuantil
5. c = ancho real de la clase cuantil
6. n = n
no de muestra.
Definici
on 1.3.7 Una medida que compara la dispersi
on relativa de dos distribuciones
de frecuencias es el coeficiente de variacion, que esta definido por:

cv =
s
100 %
x
(1.11)

DESCRIPTIVAS
19
Los cantiles com

unmente m
as utilizados son los percentiles, deciles y cuartiles. Los
percentiles son los puntos que dividen a la distribucion de frecuencias en 100 pares
iguales, cada uno con una frecuencia relativa q = 0.01; los deciles y cuartiles son los
puntos que dividen a la distribuci
on de frecuencias en 10 y 4 partes iguales, cada uno
con frecuencia relativa q = 0.1 y q = 0.01, respectivamente. Notese que la mediana es
el cincuentavo percentil, el quinto decil y el segundo cuartil.
Definici
on 1.3.8 La diferencia entre los percentiles 90 avo y 10 avo recibe el nombre
de recorrido interdecil.
Definici
on 1.3.9 La diferencia entre los percentiles 75avo y 25avo recibe el nombre de
recorrido intercuartil.
En este contexto el recorrido interdecil es una medida de la dispersion del 80 % de la

distribuci
on de frecuencia, en tanto que el recorrido intercuartil refleja la variacion del
50 % de la distribuci
on de frecuencia. En ambos casos, al excluir los efectos de los valores
extremos de la distribuci
on de frecuencia, se tiene la capacidad de medir la variabilidad
del conjunto de mediciones de la mitad de una distribucion de frecuencia.
Los recorridos interdecil e intercuartil, son dos medidas de dispersion que se emplean en
disciplinas como educaci
on, economa, finazas e ingeniera. El recorrido interdecil se emplea muchas veces en pruebas educacionales para medir la variabilidad en el desempe
no
sin importar los valores por arriba o por debajo de un 10 % de un valor predeterminado.
El recorrido intercuartil se emplea en muchas ocasiones, en economa y finanzas, para
medir la variabilidad de un conjunto de mediciones de una proporcion de su distribucion
de frecuencia.
El coeficiente de variaci
on expresa la magnitud de la dispersion de un conjunto de
mediciones con respecto a la media, es una medida estandarizada de la variacion con
respecto a la media, especialmente u
til para comparar dos distribuciones de frecuencias
cuando la escala de medici
on difiere de manera apreciable entre estas. Es decir, como el
coeficiente de variaciones la raz
on de dos promedios, es independiente de las unidades
de medidas usadas, por ejemplo, da igual que se usen libras o gramos para medir el
peso.
Ejemplo 1.10 . Para la distribuci
on de frecuencia de la Tabla 2. Calcular los recorrido
interdecil, recorrido intercuartil y el coeficiente de variacion.
Soluci
on Las clases percentiles 10ava y 90ava son respectivamente (137, 154] y (205, 222],
entonces para calcular a x0.1 se tiene:
1. Se identifica la clase cuantil, la cual sera la que contiene el elemento para el cual
la q % de todas las observaciones es menor y la otra (100 q) % es mayor.
2. Lq = limite real inferior de la clase 10ava = 137
3. fq = frecuencia de la clase 10ava = 11
4. Fq1 = frecuencia acumulada anterior a la clase cuantil =9
5. c = ancho real de la clase cuantil =17
6. n = n
no de muestra =100.
20
Se utiliza la siguiente f
ormula:
x
q = Lq +
nq Fq1
0.1(100) 9
c = 137 +
(17) = 138.5
fq
11
De la misma manera se calcula x0.9 ,

x
q = Lq +
nq Fq1
0.9(100) 86
c = 205 +
(17) = 213.5
fq
8
As, el recorrido interdecil es = 213.5-138.5 = 75.

De igual forma se realizan los c
alculos para el recorrido intercuartil.
El coeficiente de variaci
on es:
cv =
s
28.26
100 =
(100) = 16 %
x
174.91
Observese 1.5 que los valores de las medidas de tendencias central se encuentran muy
cerca entre si, tambien se puede afirmar lo mismo de las desviaciones estandar, media
y mediana. Sin embargo, no es de esperar que todas las distribuciones de frecuencia
tengan este comportamiento.
Estas comparaciones aclaran lo que las medidas numericas y las distribuciones de frecuencia pueden hacer para descubrir la naturaleza inherente de un conjunto de mediciones. En consecuencias, el usuario debe tener cuidado tanto en la eleccion como en la
interpretaci
on de estas medidas. A pesar que la media y la desviacion estandar se han
empleado de manera extensa como medidas de tendencia central y dispersion respectivamente, aunque tiene propiedades matematicas muy interesantes existen problemas
para los cuales no puede ser las medidas mas deseables. Para conjuntos de mediciones
fsicas como lecturas de instrumentos, especificaciones de partes, pesos, etc., la media
y la desviaci
on est
andar o desviacion media, son medidas anheladas. Para conjunto de
mediciones afines con ingresos y otras informaciones de tipo economico y financieros,
la mejor elecci
on para la medida de tendencia central y dispersion son la media y la
desviaci
on de la mediana respectivamente.
En muchas investigaciones de tipo economico y social proporcionan informacion en
tablas de frecuencia que no solo contienen clases de diferentes amplitudes sino tambien
clases abiertas como mayores que o menor que con el proposito de tener mayor cobertura
de los datos. Estas clases se presentan en los extremos de la distribucion de frecuencia
y no se especifica los lmites de las clases. Como resultado, no se encuentra definido
el punto medio de la clase abierta y en consecuencias no se puede calcular la media,
varianza, desviaci
on est
andar y desviacion media, a menos que se conozca un valor
particular de la clase o que sea conocido su promedio aritmetico.
1.4
EJERCICIOS
1. Los siguientes datos son los tiempos, en minutos, correspondiente a una muestra
aleatoria de 50 personas que estuvieron cobrando un cheque, un fin de mes en un
banco de la cuidad
1.4 EJERCICIOS
21
17 16 39 30 23 38 32 20 43 32
44 41 23 17 29 26 21 34 44 24
21 27 36 21 17 28 29 34 24 28
25 29 45 23 16 34 20 30 23 35
35 27 19 31 45 40 14 29 23 19
a) Construir una distribucion de frecuencias, de clases, relativa, acumulada y
relativa acumulada.
b) Construir histograma, polgono y ojiva con los resultados obtenidos en a.
c) Con los datos agrupados calcula: la media, mediana, moda, desviacion estandar,
desviaci
on media, desviacion mediana, y los recorridos intercuartil e interdecil.
2. Con los siguiente tres conjuntos de datos:
1
2 3 4 5
1 1 6 6
13 2 3 4 5 20
Calcular la media y la varianza para cada conjunto de datos. Que se puede
concluir?
3. Con los datos del ejercicio 1, sea xi el tiempo que gasta el i-esimo cliente en cobrar
un cheque para i = 1, 2, . . . , 50. Transformar los datos por medio de la relacion
zi = (xi 28.2)/8.928
Con los datos transformados
a) Construir una distribucion de frecuencias, de clases, relativa, acumulada y
relativa acumulada.
c) Con los datos agrupados calcula: la media, mediana, moda, desviacion estandar,
desviaci
on media, desviacion mediana, y los recorridos intercuartil e interdecil.
d ) Ha ocurrido alg
un cambio en la naturaleza de la distribucion de frecuencia
cuando esta se compara con los del ejercicio 1?
4. Los datos que tienen una distribucion acampanada tienen caractersticas bien definidas con respecto a la variacion, que se puede expresar en el siguiente enunciado:
Regla emprica. Para una distribucion de mediciones que es aproximadamente
acampanada (forma normal), el intervalo
( , + ) Contiene aproximadamente el 68 % de las mediciones
( 2, + 2) Contiene aproximadamente el 95 % de las mediciones
( 3, + 3) Contiene casi todas las mediciones
Donde y son la media poblacional y desviacion estandar poblacional respectivamente.
Calcular el intervalo (
x k, x
+ k) para k =1, 2, y 3, del ejercicio 1, cuenta
el n
umero de mediciones que se ubican dentro de cada intervalo y compara estos
resultados con el n
umero que podra esperarse de acuerdo a la regla emprica.
22
5. Los siguientes datos agrupados representan las ventas ($1000) de 50 tiendas, seleccionadas aleatoriamente del municipio de Valledupar, de un da cualquiera de
la semana.
Clases
110-186
187-263
264-340
341-417
418-494
495-571
572-648
649-727
Frecuencias
4
14
11
9
7
1
2
2
a) Construir una distribucion de frecuencia acumulada y relativa acumulada.

c) Calcular la media, mediana, moda, desviacion estandar, desviacion media,
desviaci
on mediana, y los recorridos intercuartil e interdecil.
La regla emprica se
nala que se puede aproximar la desviacion estandar de un
conjunto de mediciones por una cuarta parte del rango. Calcule esta aproximacion
para la desviaci
on est
andar en los conjunto de datos de la tabla 1 y del ejercicio
1.
6. Las siguiente tres propiedades son importante cuando se emplea el smbolo de la
sumatoria.
n
P
a)
c = nc
b)
i=1
n
P
c)
i=1
n
P
cxi = c
n
P
i=1
(xi + yi ) =
i=1
xi
n
P
i=1
xi +
n
P
yi
i=1
1. Demostrar las siguientes identidades algebraicas:

n
P
a)
(xi x
) = 0
i=1

k
P 2
1
2
2
b) s = n1
xi fi n
x
i=1
2. Demuestre que la funci

on
h(y) =
n
X
(xi y)2
i=1
Tiene un mnimo en x
. Utilice sus conocimientos de Calculo Diferencial.
7. Sea k 1. Demuestre que para cualquier conjunto de n mediciones, la fraccion
que queda incluida en el intervalo (
x ks, x
+ ks) es por lo menos (1 k12 ). Este
resultado se conoce con el nombre de teorema de Tchbysheff.
8. Supongamos que tenemos las siguientes medias: x
1 = 37, x
2 = 41 y x
3 = 28,
basadas en 50, 20 y 10 observaciones respectivamente. Si hay que escoger una
sola media, Cu
al sera su eleccion? Por que? Cuales son los totales de las
muestras originales? C
omo se usara estos totales para hallar la media de las 80
observaciones?
1.4 EJERCICIOS
23
9. Sea x1 , x2 , . . . , xn una muestra aleatoria de una poblacion. Demuestre que

max |xi x
| <
1in
(n 1)s
a menos que todas las n observaciones sean iguales o exactamente n 1 de las xi

son iguales.
10. Sean x1 , x2 , . . . , xk marcas de clases diferentes con frecuencias f1 , f2 , . . . , fk respectivamente. Si yi = axi + c, son las marcas de clases de una nueva variable
aleatoria yi . Demuestre que:
a) y = a
x+c
2
b) sy = a2 s2 .
11. Los siguientes datos corresponden a una muestra aleatoria simple de tama
no
n = 100 seleccionadas de los N = 365 das de las ventas (en millones) de un
supermercado de la ciudad, los datos se muestra en la tabla siguiente:
78
100
107
108
108
126
129
137
139
142
113
116
117
121
124
131
136
143
144
146
94
102
109
126
128
129
130
132
146
149
Cuadro 1.6: Datos

101 87
88
75
105 89 104 111
117 100 104 127
127 124 106 127
135 131 114 128
138 139 121 129
140 140 124 130
141 143 133 137
153 146 135 142
175 155 135 167
87
93
112
120
122
128
141
143
151
151
110
114
120
121
129
129
130
138
142
147
92
95
117
118
119
126
135
140
147
152
a) Encuentre las clases para el conjunto de datos anteriores, si se sabe que la

primera clase tiene como limite inferior 75 y la longitud de cada clase es
c = 10.
b) Hallar las frecuencias absolutas y acumuladas para cada clase.
c) Que interpretaci
on se le da a las frecuencias absolutas y acumuladas en cada
clase.
d ) Hallar los limites reales para cada clase y sus marcas de clases e interprete.
e) Que porcentajes de das al a
no tienen ventas superiores a $140.000.000 (ciento
cuarenta millones de pesos).
f ) Que porcentajes das tiene ventas superiores o iguales a $173.000.000 y superiores o iguales $108.000.000.
g) Construir el histograma de frecuencias, polgono de frecuencias y ojiva e
indicar cu
al debe ser el perfil de la poblacion.
h) Calcular la media, mediana y moda e interprete su significados en terminos
poblacionales.
i ) Calcular el rango, varianza, desviacion estandar, desviacion media y desviaci
on mediana e interprete su significados.
j ) Calcular todos los deciles y cuartiles de la distribucion de frecuencias.
k ) Calcular el recorrido interdecil y el recorrido intercuartil e interprete.

INTRODUCCION
PROPIEDADES BASICAS
DIFERENTES MANERAS DE ASIGNAR
PROBABILIDADES
PROBABILIDAD CONDICIONAL
EVENTOS INDEPENDIENTES
EJERCICIOS
2. PROBABILIDAD
2.1
INTRODUCCION
La teora de probabilidad comenzo en siglo XVII con dos grandes matematicos
franceses, Blaise Pascal (1961-1668) y Pierre de Fermat (1623-1662), aunque algunos
matematicos anteriores, como Gerolamo Cardano (1501-1576) en el siglo XVI, haban
hecho importantes contribuciones a su desarrollo. La probabilidad, como una rama de
la matem
atica, comenz
o como un intento de responder a varias preguntas que surgan
en los juegos de azar, convirtiendose en una herramienta poderosa en las mas variadas
ramas del conocimiento. Es as, que encuentra aplicaciones en cada una de las area de
la actividad humana desde la m
usica a la fsica, y en experiencia diarias como es la de
pronosticar el tiempo a la predicci
on de los riesgos de nuevos tratamientos medicos.
El objetivo principal de este captulo es proporcionar al estudiante una formacion
solida y sistem
atica en los principios, metodos, resultados y aplicaciones de la teora de
la probabilidad, as como la habilidad de razonar bajo estos modelos. El primer paso de
esta captulo es describir la estructura generica del concepto de probabilidad a traves
de un conjunto de axiomas, y sus propiedades basicas. Para esto, se empezara con una
revision corta de la teora de conjuntos.
2.2
PROPIEDADES BASICAS
La teora de la probabilidad fue establecida sobre una base axiomatica idonea por
el matem
atico ruso Andrei Nikol
ayevich Kolmogorov (1903-1987) en la decada de los
a
nos treinta. Por supuesto, los axiomas y teoremas de Kolmogorov son mas rigurosos
que la versi
on simplificada que presentaremos a continuacion, para ilustrar el enfoque
axiomatico comenzaremos con la siguiente definicion.
Definici
on 2.2.1 Un experimento aleatorio es el proceso por medio del cual se obtiene
una observaci
on.
Por ejemplo, el lanzamiento de un dado, el n
umero de carros que llegan a la universidad
en una hora determinada, se les puede considerar un experimento. En el contexto de las
ciencias sociales, la mayor parte de los procedimientos de recogida de datos se pueden
26
Captulo 2. PROBABILIDAD
considerar como experimentos aleatorios. Cuando se efect

ua un experimento se pueden
tener uno o m
as resultados posibles, los cuales se denominan eventos.
Definici
on 2.2.2 Un espacio muestral asociado a un experimento es el conjunto de
todo los resultados posibles de un experimento.

Por ejemplo, para el lanzamiento del dado el espacio muestral puede ser
= {1, 2, 3, 4, 5, 6}
o tambien
= {pares, impares}.
Para el n
umero de carros que llegan a la universidad en una hora determinada, el espacio
muestral es
= {x| x un n
umero entero mayor o igual a cero}.
Donde x es el n
umero de carros que llegan en una hora determinada.
Si w es un elemento de lo notaremos w , y diremos que w pertenece a . La
definicion de un espacio muestral en un problema concreto depende de cuales son los
aspectos que se desean analizar.
Definici
on 2.2.3 Un evento es cualquier subconjunto A del espacio muestral , y lo
notaremos A .
Para el espacio muestral asociado con el lanzamiento de un dado, se tiene que cualquier
subconjunto de
= {1, 2, 3, 4, 5, 6}
es un evento de .
Al conjunto formado por todos los subconjuntos de , el cual notaremos P(), lo
denominaremos el conjunto de partes . Por ejemplo, si = {a, b, c} conjunto de
partes de es:
P() = {, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, }.
Definici
on 2.2.4 Sean A y B eventos cualesquiera del espacio muestral . Entonces
1. La intersecci
on de los eventos A y B es otro evento, lo cual escribimos A B,
cuyo elementos son los elementos comunes a A y B.
x A B si y solo si x A y x B
2. La uni
on de los eventos A y B es otro evento, lo cual escribimos A B, cuyos
elementos son todos los elementos de A o B.
x A B si y solo si x A o x B
3. Los eventos A y B se dicen disjuntos o mutuamente excluyentes si su
intersecci
on es el conjunto vaco:

2.2 PROPIEDADES BASICAS
27
AB =
4. El complemento de A es otro evento, lo escribimos Ac , cuyos elementos son

todos los del espacio muestral Omega excepto los que estan en A:
x Ac si y solo si x no esta en A
En lo sucesivo, cualquier evento de un espacio muestral se puede representar mediante los diagramas de Veen. Por ejemplo, la interseccion, la union, la disyuncion y el
complemento entre conjuntos se representan como se muestran en las figuras siguientes
respectivamente
AB
AB
AB
AB =
Ac
Ejemplo 2.1 Sea = {1, 2, 3, 4, 5, 6} el espacio muestral asociado al experimento

el lanzamiento de un dado, y sean los eventos A = {2, 4, 6} y B = {3, 6}. Entonces
A B = {6}
A B = {2, 3, 4, 6}
Ac = {2, 3, 4, 6}
Definici
on 2.2.5 Sea un espacio muestral asociado a un experimento. Una proba-
bilidad es una funci

on P de valor real que asigna a cada evento A de un n
umero
real de tal manera que sean validos los siguientes axiomas:
28
P1. Para todo evento A de P (A) 0. Es decir, la probabilidad de cualquier evento

A de es un n
umero real no negativo.
P2. P () = 1
P3. Si A1 , A2 , A3 , . . . es una sucesion de eventos de mutuamente excluyentes, es
decir, Ai Aj = para todo i 6= j , entonces
P(
An ) =
n=1
P (An ).
n=1
La pareja (, P ) se llama un espacio de probabilidad. Un espacio de probabilidad es una

descripci
on del experimento que informa de cual es el conjunto de posibles resultados del
experimento, de los sucesos cuya realizacion interesa, los eventos A de , los cuales
permiten cuantificar la incertidumbre de que produzcan los sucesos que interesan.
Teorema 2.2.1 P () = 0.
Demostraci
on. Sea A1 = y Ai = para i = 2, 3, . . . , es claro que Ai Aj = para
todo i 6= j.
Por el axioma (P3) de la definici
on (2.2.5) tenemos que
P(
An ) =
n=1
P (An )
(2.1)
n=1
como
=
An
(2.2)
n=1
De (2.1) y (2.2.2) se infiere que

P () = P () +
P (An )
n=2
y puesto que P (Ai ) 0 para todo i = 1, 2, 3, . . .. Entonces P (Ai ) 0 para todo

i = 2, 3, . . .. En consecuencia
P () = 0.

Teorema 2.2.2 Sean A y B eventos de si A B = . Entonces
P (A B) = P (A) + P (B).
Demostraci
on. Considerese A1 = A, A2 = B, Ai = , aplicando el axioma ?? se deduce
P(
An ) =
n=1
P (An ) = P (A1 ) + P (A2 ) +
n=1
P (An )
n=3
puesto que P () = 0 se concluye

P(
n=1
An ) =
P (An ) = P (A1 ) + P (A2 )
(2.3)
n=1

2.2 PROPIEDADES BASICAS
29
pero
AB =
An
(2.4)
n=1
De (2.3) y (2.4) se obtiene

P (A B) = P (A) + P (B).

Teorema 2.2.3 Sea A evento de . Entonces
P (Ac ) = 1 P (A).
Demostraci
on. Como se puede ver en la figura 2.1, = A Ac y A Ac = .
Figura 2.1: Ac
Ac
A
Aplicando el axioma P2 y el teorema 2, se tiene

P () = P (A Ac ) = P (A) + P (Ac ) = 1
En consecuencia
P (Ac ) = 1 P (A).

Teorema 2.2.4 Sean A y B eventos de , tales que A B. Entonces
P (A) P (B).
Demostraci
on. N
otese que el evento B se puede escribir como
B = A (Ac B)
donde los eventos A y (Ac B) son mutuamente excluyentes. En consecuencia, por
teorema 2 se tiene
P (B) = P (A) + P (Ac B)
30
Figura 2.2: A B
B
A
Ac B
como
P (Ac B) 0
se sigue
P (A) P (B).

Teorema 2.2.5 Sean A y B eventos de . Entonces
P (A B) = P (A) + P (B) P (A B)
Demostraci
on. Es f
acil comprobar, mediante la figura 2.3, que
Figura 2.3: A B
AB
A AB B
A B = A (Ac B) y A (Ac B) =
(2.5)
B = (A B) (Ac B) y A B) (Ac B) =
(2.6)
tambien
de (2.5) y teorema 2, se infiere

P (A B) = P (A) + P (Ac B)
(2.7)
por (2.6) y teorema 2, se obtiene

P (B) = P (A B) + P (Ac B)
(2.8)
De (2.7) y (2.8) se establece

2.3 DIFERENTES MANERAS DE ASIGNAR PROBABILIDADES
31
P (A B) = P (A) + P (B) P (A B).

Observemos que la definici
on de probabilidad solamente expresa cuales son las propiedades que tiene una funci
on de probabilidad, pero no expresa como asignar las probabilidades especficas de los eventos.

-
2.3
DIFERENTES MANERAS DE ASIGNAR PROBABILIDADES

En un experimento aleatorio no es posible determinar con absoluta precision cual
sera el resultado. Sin embargo, unos resultados suelen ser mas verosmiles que otros.
Intuitivamente, la probabilidad indica el grado de confianza en que ocurra cada suceso. Existen diferentes interpretaciones del concepto de probabilidad que pretenden dar
sentido a esta idea. Algunas de ellas son las siguientes:
Definici
on 2.3.1 Probabilidad cl
asica. Se define la probabilidad como el cociente
entre el n
umero de casos favorables y el n
umero total de casos posibles, siempre que
no exista raz
on alguna para creer que un resultado ocurra mas que otro. Es decir, si
A es un evento del espacio muestral entonces la probabilidad del evento A es:
P (A) =
n
umero de casos favorables de A
#(A)
=
n
umero de casos posibles
#()
Por ejemplo, si se lanza un dado, la probabilidad de cada cara es 61 . Esta definicion

no implica que se realice verdaderamente el experimento. La probabilidad se define
independientemente de que el experimento se lleve a cabo o no, y depende u
nicamente
de la geometra o las propiedades fsicas del objeto en cuestion.
Definici
on 2.3.2 Probabilidad frecuentista. Supongamos que se lanza un dado N
veces en las mismas condiciones y sale la cara un n

umero n de veces. La definicion
frecuentista de la probabilidad de obtener n veces caras en el resultado es:
n
n N
P (c) = lm
Al igual que en el caso anterior, esta definicion es una forma conceptual de entender lo
que es un experimento aleatorio (por ejemplo, lanzar un dado), y no significa que en la
practica haya que repetirlo un n
umero ilimitado de veces para calcular la probabilidad.
Esto se debe a dos razones: en la practica es imposible repetir un mismo experimento
en identicas condiciones; el dado se deteriorara cuantas mas veces se lance, la velocidad
del aire cambiar
a, etc. Adem
as, si se pudiera repetir el fenomeno en identicas condiciones el resultado sera el mismo en todos los lanzamientos, por lo que el concepto de
probabilidad perder
a su sentido.
Ejemplo 2.2 Consid

erese el experimento de lanzamiento de un dado.
1. Hallar el espacio muestral

2. Asigne probabilidades a cada resultado posible
32
3. Hallar la probabilidad de obtener un n

umero par.
Soluci
on.
1. El espacio muestral asociado al experimento, del lanzamiento de un dado es:
= {1, 2, 3, 4, 5, 6}
2. El axioma P2 dice que la suma de todas las probabilidades de los elementos de
debe ser igual a uno. Por lo tanto una forma de asignar probabilidades es suponer
a priori que el dado es perfecto, y en consecuencia cada una de las caras tiene la
misma posibilidad de salir, en este caso,
1
P ({i}) = ; i=1, 2, 3, 4, 5, 6.
6
Esta forma de asignar probabilidad se denomina clasica.
3. El evento obtener un n
umero par es el subconjunto
A = {2, 4, 6}
P (A) =
n
umero de casos favorables
3
1
= = .
n
umero de caso posibles
6
2
Ejemplo 2.3 Un fabricante tiene cinco terminales de computador aparentemente id

enti-
cos listos para ser enviados a su destino. El no sabe que dos son defectuosos. Recibe
un pedido especial de dos terminales y lo surte seleccionado al azar dos de los cinco
disponibles.
1. Encuentren el espacio muestral para este experimento
2. Sea A el evento en que el pedido se surte con dos terminales no defectuosos. Liste
los puntos muestrales de A
3. Asigne probabilidades a cada resultado posible
4. Calcular la probabilidad del evento A.
Soluci
on. Sean d1 , d2 los dos terminales defectuoso y b1 , b2 , b3 los terminales buenos.
1. Los eventos simples pueden representarse como sigue:
e1 = {d1 , d2 }
e6 = {d2 , b2 }
e2 = {d1 , b1 }
e7 = {d2 , b3 }
e3 = {d1 , b2 }
e8 = {b1 , b2 }
e4 = {d1 , b3 }
e9 = {b2 , b3 }
e5 = {d2 , b1 }
e10 = {b3 , b3 }.
Por lo tanto el espacio muestral es:

= {e1 , e2 , e3 , e4 , e5 , e6 , e7 , e8 , e9 , e10 }.
2. El evento A = {e8 , e9 , e10 }
3. Como las terminales son identicos se puede asumir que tiene la misma posibilidad
de ser seleccionado cualquiera de los elementos del espacio muestral, luego
P ({ei } =
1
;
10
i=1, 2, 3, 4, 5, 6, 7, 8, 9, 10.
2.3 DIFERENTES MANERAS DE ASIGNAR PROBABILIDADES
33
4. Puesto que el evento A = {e8 , e9 , e10 } = {e8 } {e9 } {e10 } , aplicando el teorema
2, se obtiene
P (A) = P ({e8 }) + P ({e9 }) + P ({e10 }) =
3
.
10
Ejemplo 2.4 Una empresa dedicada a la b

usqueda de petroleo o gas natural encuentra
en 10 % de sus perforaciones. Si la compa
na perfora dos pozos, los cuatro eventos simples
posibles y tres de sus probabilidades asociadas son:
EVENTOS
e1
e2
e3
e4
RESULTADOS
1 perforacion 2 perforacion Probabilidad
Exito
Exito
0.01
Exito
Fracaso
Fracaso
Exito
0.09
Fracaso
fracaso
0.81
1. Obtenga la probabilidad de que la compa

na encuentre petroleo o gas en la primera
perforaci
on y falle en la segunda
2. Obtenga la probabilidad de que la compa
na encuentre petroleo o gas en al menos
una de las dos perforaciones.
Soluci
on. El experimento consiste en la perforacion de pozos en busca de petroleo o
gas. El espacio muestral es:
= {e1 , e2 , e3 , e4 }
donde, por ejemplo, e3 significa fracaso en la primera perforacion y exito en la segunda.
1. El evento de encontrar petr
oleo o gas en la primera perforacion y fracaso en la
segunda perforaci
on es:
A = {e2 }.
Por otro lado, se tiene por axioma P2, que
P () = P ({e1 }) + P ({e2 }) + P ({e3 }) + P ({e4 }) = 1
entonces
P ({e2 }) = 1 (P ({e1 }) + P ({e3 }) + P ({e4 })) = 1 (0.01 + 0.09 + 0.81) = 0.09.
2. El evento de que encuentre petroleo o gas en al menos en una de las dos perforaciones es
B = {e1 , e2 , e3 }
por lo tanto
P (B) = P ({e1 }) + P ({e2 }) + P ({e3 }) = 0.01 + 0.09 + 0.09 = 0.19
Otra forma de calcular la probabilidad de P (B) es:
P (B) = 1 P ({e4 }) = 1 0.81 = 0.19.
34
Ejemplo 2.5 Una agencia comercial compra papelera a uno de los tres vendedores v1 ,
v2 y v3 . Se ordena el pedido en dos das consecutivos, un pedido por da, tal que (v1 , v2 )
significa que el vendedor v1 recibe el pedido el primer da y el vendedor v2 lo recibe el
segundo da.
1. Determine los puntos muestrales de este experimento
2. Supongamos que se seleccionan los vendedores al azar cada da, asigne una probabilidad a cada punto muestral
3. Sean A el evento de que el mismo vendedor recibe los dos pedidos y el evento B
de que el vendedor v2 consigue por lo menos un pedido. Calcular: P (A), P (B),
P (A B) y P (A B).
Soluci
on. El experimento consiste en la solicitud de papelera que hace una agencia
comercial en dos das consecutivos. Como (vi , vj ) representa que el vendedor i recibio el
primer pedido y j el segundo pedido. Entonces
1. el espacio muestral es:
= {(v1 , v1 ), (v1 , v2 ), (v1 , v3 ), (v2 , v1 ), (v2 , v2 ), (v2 , v3 ), (v3 , v1 ), (v3 , v2 ), (v3 , v3 )}
2. Como la selecci
on se hace de manera aleatoria cada da, es natural suponer que
todos los vendedores tienen la misma posibilidad de ser seleccionados por lo tanto
1
P ({(vi , vj )}) = ;
9
i,j=1, 2, 3.
3. Los eventos
A = {(v1 , v1 ), (v2 , v2 ), (v3 , v3 )}
B = {(v1 , v2 ), (v2 , v1 ), (v2 , v2 ), (v2 , v3 ), (v3 , v2 )}
A B = {(v2 , v2 )}
se tiene
P (A) = P ({(v1 , v1 ), (v2 , v2 ), (v3 , v3 )}) =
1
3
P (B) = P ({(v1 , v2 ), (v2 , v1 ), (v2 , v2 ), (v2 , v3 ), (v3 , v2 )}) =
5
9
1
P (A B) = P ({(v2 , v2 )}) = .
9
Por lo tanto
P (A B) = P (A) + P (B) P (A B) =
1 51
7
+
= .
3 99
7
2.4
PROBABILIDAD CONDICIONAL
La probabilidad condicional nos permite ajustar un evento si se sabe que ha ocurrido
un evento relacionado con el primero.
2.4 PROBABILIDAD CONDICIONAL
35
Definici
on 2.4.1 . Sea B un evento del espacio muestral tal que P (B) > 0. Entonces
la probabilidad condicional del evento A, dado que el evento B ocurrio, se define como
la razon
P (A|B) =
P (A B
.
P (B)
P (B|A) =
P (A B
.
P (A)
De la misma manera se define
Tambien de la definici
on de probabilidad condicional se obtiene lo que se conoce como
teorema de multiplicaci
on
P (A B) = P (A|B)P (B) = P (B|A)P (A).
Ejemplo 2.6 Supongamos que en una oficina hay 100 m
aquinas calculadoras. Algunas
de esas m
aquinas son electricas (E), mientras otras son manuales (M). Ademas, algunas
son nuevas (N), mientras otras son usadas (U). La siguiente tabla da el n
umero de
maquinas de cada categora.
N
U
Total
E
40
20
60
M
30
10
40
Total
70
30
100
Una persona entra a la oficina, escoge una maquina al azar y descubre que es nueva.
Cual es la probabilidad de que sea electrica?
Soluci
on. Se sabe que la persona escogio una maquina nueva de la 70 y se tienen 40,
por lo tanto
4
P (E|N ) = .
7
Otra forma es calcular la probabilidad que se nueva y electrica,
P (E N ) = 0.40
P (N ) = 0.70.
Entonces
P (E|N ) =
P (E N )
0.40
4
=
= .
P (N )
0.70
7
Ejemplo 2.7 Consid

erese las familias que tienen dos hijos y supongamos que varones
y mujeres son igualmente probables. Si se escoge una familia al azar y en la familia hay
un hijo var
on cu
al es la probabilidad de que el otro sea varon?
Soluci
on. En este caso el espacio muestral es
= {(v, v), (v, m), (m, v), (m, m)}.

Donde v es var
on, m es mujer y el orden del par es el orden de los nacimientos. Cada
uno de los puntos tiene la probabilidad 41 . Sean los eventos A: uno de los hijos es varon
y B: ambos son varones, entonces
36
A = {(v, v), (v, m), (m, v)}

y
B = {(v, v)}
como B A entonces B = A B. Por lo tanto
P (A|B) =
P (A B)
1
= .
P (B)
3
Definici
on 2.4.2 Se dice que los eventos B1 , B2 , B3 , B4 , . . . Bn representa una partici
on
del espacio muestral si:

1. Bi Bj = para todo i 6= j.
n
S
Bi =
2.
i=1
3. P (Bi ) > 0 para todo i = 1, 2, 3, . . . , n.

Teorema 2.4.1 Teorema de la Probabilidad Total. Sea B1 , B2 , B3 , . . . , Bn una parti-
cion del espacio muestral y A un evento de . Entonces

P (A) =
n
X
P (A|Bi )P (Bi ).
i=1
Demostraci
on. Es f
acil observar en la figura 2.4 que A es la union disjunta de elementos
de , como se muestra en la siguiente grafica.
Figura 2.4: Particion de
Bn
B1
B3
B2
Esto es:
A = (A B1 ) (A B2 ) (A B3 ) . . . (A Bn )
donde
(A B1 ) (A B2 = ;
para todo i 6= j
entonces
P (A) =
n
X
P (A Bi )
(2.9)
i=1
37
pero tenemos que para i = 1, 2, . . . , n

P (A Bi ) = P (A|Bi )P (Bi )
(2.10)
sustituyendo (2.10) en (2.9), se obtiene

P (A) =
n
X
P (A|Bi )P (Bi ).
i=1

Ejemplo 2.8 Cierto artculo se hace en una de tres f
abricas, digamos 1,2 y 3. Se sabe
que la primera produce el doble de artculos que la segunda. Tambien se sabe que la
segunda y la tercera producen el mismo n
umero de artculo(durante un periodo de
producci
on especfico). Se conoce tambien que el 2 % de los artculos producidos por
cada una de las dos primeras son defectuosos; mientras que 4 % de los manufacturados
por la tercera son defectuosos. Todos los artculos se colocan en una fila y se escoge uno
al azar.
1. Cu
al es la probabilidad de que este artculo sea defectuoso?
2. Si las tres f
abricas producen 10000 artculos Cual es el n
umero de artculos defectuosos que produce cada f
abrica?
3. Si se sabe que el artculo es defectuoso Cual es la probabilidad de que este articulo
proceda de la f
abrica dos?
Soluci
on. Definamos
1. los siguientes eventos:
A = {el artculo es defectuoso}

B1 = {el artculo proviene de la fabrica 1}
B2 = {el artculo proviene de la fabrica 2}
B3 = {el artculo proviene de la fabrica 3}.
Entonces para i = 1, 2, 3
(A B1 ) = {el articulo es defectuoso y proviene de la fabrica i}
Luego
A = (A B1 ) (A B2 ) (A B3 )
por otra parte se tiene que
P (A|B1 ) = 0.02
P (A|B2 ) = 0.02
P (A|B3 ) = 0.04
P (B1 ) = 0.5
P (B2 ) = 0.25
P (B3 ) = 0.25.
38
Figura 2.5:
6
18
63
P (B
B
2|
= 9 P (B1 B2 ) = P (B2 |B1 )P (B1 ) =

1)
P (O
P (B1 O2 ) = P (O2 |B1 )P (B1 ) =
9
63
= 9 P (O1 O2 ) = P (O2 |O1 )P (O1 ) =

1)
16
63
(B
1)
2 |B
1)
3
9
P
4
)=
1
(O
P (O
2|
P (B
2 |O
1)
5
9
P (B2 O1 ) = P (B2 |O1 )P (O1 ) =
20
63
Reemplazando los valores anteriores en

P (A) = P (A|B1 )P (B1 ) + P (A|B2 )P (B2 ) + P (A|B3 )(B3 )
se obtiene
P (A) = (0.02)(0.5) + (0.02)(0.25) + (0.04)(0.25) = 0.025.
Por lo tanto la probabilidad que un artculo sea defectuoso es 0.025.
Los puntos 2. y 3. se dejan al lector.

Ejemplo 2.9 Sup

ongase que tenemos una urna con cuatro monedas de oro y tres de
bronce, y una segunda urna contiene tres de oro y cinco de bronce. Las monedas en las
dos urnas son todas identicas. Se selecciona una moneda de la primera urna y se coloca
sin verla en la segunda urna. Cu
al es la probabilidad de que ahora se seleccione una
moneda de bronce de la segunda?
Soluci
on. Sean B1 y B2 , la seleccion de una moneda de bronce de la urna 1 y una
moneda de bronce de la segunda urna respectivamente, y O1 una moneda de oro de la
urna 1. Debemos calcular la probabilidad de la union de los eventos B1 B2 y O1 B2 .
Las diferentes posibilidades que se pueden dar se muestran el diagrama de arbol, figura
2.5. Entonces
Por lo tanto, la probabilidad se seleccionar una moneda de bronce de la segunda
urna es:
P (B2 ) = P ((B1 B2 ) (O1 B2 ))
= P (B1 B2 ) + P (O1 B2 )
= P (B2 |B1 )P (B1 ) + P (B2 |O1 )P (O1 )
38
18 20
+
= .
=
63 63
63
39
Teorema 2.4.2 Teorema de Bayes. Sea B1 , B2 , B3 , . . . , Bn una partici

on del espacio
muestral . Para cualquier evento A de , done P (A) > 0 y cualquier j, 1 j n.

Entonces
P (Bj |A) =
P (A|Bj )P (Bj )
.
n
P
P (A|Bi )P (Bi )
i=1
Demostraci
on. Por la definici
on de probabilidad condicional se tiene
P (Bj |A) =
P (A Bj )
P (A)
(2.11)
Por otra parte se tiene que

P (Bj A) = P (A | Bj )P (Bj )
(2.12)
por teorema de la probabilidad total

P (A) =
n
X
P (A | Bi )P (Bi )
(2.13)
i=1
reemplazando (2.12) y (2.13) en (2.11) se obtiene

P (Bj |A) =
P (A | Bj )P (Bj )
.
n
P
P (A|Bi )P (Bi )
i=1

Ejemplo 2.10 Supongamos que varias cajas son de dos tipos B1 y B2 . El tipo B1
contiene 70 % de caramelos dulces y 30 % de caramelos acidos, mientras que el tipo B2
dicho porcentaje esta invertido. Supongamos ademas que el 60 % de todas las cajas son
del tipo B1 , mientras que el resto son del tipo B2 . Si se escoge un caramelo dulce al
azar de una caja desconocida. Decidir de que tipo proviene.
Soluci
on. Se tienen dos tipos de cajas B1 y B2 con probabilidades de seleccion
P (B1 ) = 0.60
y
P (B2 ) = 0.40.
Sea los eventos
D = conjunto de caramelos dulces

A = conjunto de caramelos acidos
por otra parte se tiene que

40
P (D|B1 ) = 0.70
P (D|B2 ) = 0.30
P (A|B1 ) = 0.30
P (A|B2 ) = 0.70.
As
P (B1 |D) =
P (D|B1 )P (B1 )
(0.7)(0.6)
7
=
=
P (D|B1 )P (B1 ) + P (D|B2 )P (B2 )
(0.7)(0.6) + (0.3)(0.4)
9
P (B2 |D) =
P (D|B2 )P (B2 )
(0.3)(0.4)
2
=
=
P (D|B1 )P (B1 ) + P (D|B2 )P (B2 )
(0.7)(0.6) + (0.3)(0.4)
9
Por lo tanto se decide a favor de los caramelos que provienen de las cajas B1 .
2.5
EVENTOS INDEPENDIENTES
Definici
on 2.5.1 Los eventos A1 , A2 , A3 , . . . , An de se dicen independientes si para
todo conjunto de ndices i1 , i2 , i3 , . . . , ik entre 1 y n se tiene que

P (Ai1 Ai2 Ai3 . . . Aik ) = P (Ai1 )P (Ai2 )P (Ai3 ) . . . P (Aik ).
En particular, los eventos A y B son eventos independientes en , si
P (A B) = P (A)P (B).
Es facil verificar que los eventos y son independientes.
Ejemplo 2.11 Un lote de diez objetos contiene cuatro defectuosas y seis en buen estado.
Se extraen dos objetos sucesivamente y sin reemplazo. Sea
D1 = {el primer objeto es defectuoso}

D2 = {el segundo objeto es defectuoso}
1. Son independientes estos eventos?

2. Que sucede si los objetos se extraen con reemplazo?
Soluci
on. Si D1 , el primer objeto es defectuoso, entonces
2
5
y la probabilidad del evento D2 el segundo objeto es defectuoso, es
P (D1 ) =
2.5 EVENTOS INDEPENDIENTES
41
P (D2 ) = P (D2 |D1 )P (D1 ) + P (D2 |D1c )P (D1c ) =
12 43
2
+
= .
35 95
5
Por otra parte, la probabilidad de D2 dado que ocurrio D1 es:

P (D2 |D1 ) =
3
9
de lo cual se tiene que

P (D2 |D1 ) 6= P (D2 )
En el segundo caso se tiene
P (D1 ) = P (D2 ) =
2
5
y
P (D1 D2 ) = P (D1 )P (D2 ) =
4
.
25
Por lo tanto, si la selecci

on se realiza con reemplazo los eventos son independientes.
Si A1 , A2 , A3 , . . . , An son eventos tales que Ai1 , Ai2 , Ai3 , . . . , Aik son independientes
para todos los indices distintos i1 , i2 , . . . , ik , k = 1, 2, . . . , n 1, de esto no se sigue que
A1 , A2 , A3 , . . . , An
son independientes. Por ejemplo, se el lanzamiento de una moneda dos veces, y
signemos una probabilidad de 1/4 a cada resultado de = {cc, cs, sc, ss}. Sean los
eventos
A = {cc, cs}
B = {cc, sc}
C = {cc, ss}
Entonces se tiene
P (A B) = P ({cc}) =
P (A C) = P ({cc}) =
P (B C) = P ({cc}) =
1
4
1
4
1
4
= P (A)P (B) =
= P (A)P (C) =
= P (B)P (C) =
11
22
11
22
11
22
pero
P (A B C) = P ({cc}) =
1
1
111
6= = P (A)P (B)P (C) =
.
4
8
222
Entonces A y B, A y C, B y C son independientes pero A, B y C no lo son.

Inversamente, si P (A1 A2 . . . An ) = P (A1 )P (A2 ) . . . P (An ), esto no implica que
P (Ai1 Ai2 . . . Aik ) = P (Ai1 )P (Ai2 ) . . . P (Ain )
42
cuando k < n. Por ejemplo, supongamos el lanzamiento de dos dados. Es claro, que el
espacio muestral es conjunto formado por todas las parejas (i, j), i, j = 1, 2, 3, 4, 5, 6
con probabilidad 1/36. Sean los siguientes eventos
A = {el segundo dado muestra 1, 2, o 5}

B = {el segundo dado muestra 4, 5 , o 6}
B = {la suma de las dos caras sea nueve}
En este caso, es f
acil ver que
P (A B) 6= P (A)P (B)
P (A C) 6= P (A)P (C)
P (B C) 6= P (B)P (C)
pero
P (A B C) = P (A)P (B)P C).
Por lo tanto los eventos A, B y C no son independientes.

Ejemplo 2.12 El siguiente circuito (figura 2.6) funciona si y s
olo si hay un camino
en el cual todos los dispositivos funcionan de izquierda a derecha. Suponga que los
dispositivos funcionen de forma independiente y que la probabilidad de que funcione un
dispositivo es como se muestra en la grafica.
1. Cu
al es la probabilidad de que el circuito funcione?
2. Cu
al es la probabilidad de que el no circuito funcione?
Figura 2.6:
A1
A2
A4
0.90
0.90
0.98
A3
A5
0.97
0.98
A6
0.99
Soluci
on. Para solucionar este problema procedemos como sigue:
1. La trayectoria de A1 a A2 funciona si y solo si los dispositivos A1 y A2 funcionan
simult
aneamente. Por lo tanto, la probabilidad de que funciona, dado que los
dispositivos funcionan de manera independiente, es:
P (A1 A2 ) = P (A1 )P (A2 ) = (0.90)(0.90) = 0.81
2.6 EJERCICIOS
43
Figura 2.7:
A1
A4
0.81
0.98
A3
A5
0.97
0.98
A6
0.99
As, se tiene el siguiente circuito equivalente al dado en la figura 2.6

Por otra parte, la trayectoria del rectangulo en el circuito de la 2.7 funciona si los
dispositivos A1 o A3 funciones, es decir, no funciona si y solo si los dispositivos
A1 y A3 no funcionan simult
aneamente. En consecuencia, la probabilidad que no
funcione es:
P (Ac1 Ac3 ) = P (Ac1 )P (Ac3 ) = (1P (Ac1 ))(1P (Ac3 )) = (10.81)(10.97) = 0.0057
Luego la probabilidad que funcione la trayectoria del rectangulo es:
P (A1 A3 ) = 1 P ((A1 A3 )c ) = 1 P (Ac1 Ac3 ) = 1 0.0057 = 0.9943
De manera similar se resuelve para el caso de la trayectoria compuesta por el
cuadrado
P (A4 A5 ) = 1 (1 P (Ac4 ))(1 P (Ac5 )) = 0.9996
Resumiendo lo anterior se llega al circuito
Figura 2.8:
A1
A2
A3
0.994
0.999
0.990
Para que el circuito de la figura 2.8 funcione es necesario que los tres dispositivos
funciones simult
aneamente, y por ser independientes, la probabilidad que funcione
el circuito es:
P (A1 A2 A3 ) = P (A1 )P (A2 )P (A3 ) = 0.983.
2. La probabilidad que no funcione el circuito de la figura 2.6 es: 0.017.
2.6
EJERCICIOS
1. Supongamos que se lanzan tres monedas perfectas y se observa el resultado de las
caras que quedan hacia arriba.
44
2.
3.
4.
5.
6.
7.
8.
9.
a) Establezca los puntos muestrales de este experimento.

b) Asigne una probabilidad razonable a cada punto.
c) Sea A el evento de observar exactamente una cara y B el evento de observar
al menos una cara. Obtenga los puntos muestrales de los eventos A y B.
d ) De la respuesta de (c), calcular P (A), P (B), P (AB), P (AB) y P (Ac B).
Cuatro administradores de empresa solicitan dos puestos en una compa
na. Uno
y solamente uno de los aspirantes es miembro de una etnica de la Sierra Nevada
de Santa Marta. Los puestos se otorgan seleccionado aleatoriamente dos de los
aspirantes.
b) Asigne las probabilidades a los resultados del espacio muestral.
c) Encuentre la probabilidad de que el aspirante de la etnica de la Sierra Nevada
de Santa Marta se seleccionado para un puesto.
Un equipo de comunicaci
on contiene seis sistemas electronicos complejos. Se seleccionan aleatoriamente dos de los seis para someterlos a pruebas rigurosas y
clasificarlos como defectuosos y no defectuosos.
a) Si dos de los seis sistemas son realmente defectuosos, encuentre la probabilidad que al menos uno de los dos sistemas probados sean defectuosos.
Encuentre la probabilidad que los dos sean defectuosos.
b) Encuentre la probabilidad indicada en (a) para el caso en que cuatro de los
seis sistemas sean realmente defectuosos.
Un supermercado vende solamente dos tipos de lamparas electricas y la experiencia
muestra que tienen igual demanda. Cuatro clientes entran uno tras otro para
comprar una l
ampara. El vendedor se interesa por la preferencia de sus clientes.
c) Sea A el evento de que los cuatro clientes prefieren el mismo tipo de lampara.
Calcular P (A).
Dos equipos de f
utbol, I Y II, tienen la misma capacidad y juegan uno contra el
otro una serie de cuatro juegos. Se registra el resultado de cada juego.
a) Establezca los puntos del espacio muestral de este experimento.
c) Sea A el evento de que el equipo I gana exactamente tres veces. Calcular
P (A).
Los enfermos no hospitalizados que acuden a una clnico pueden elegir una de
tres secciones para ser atendidos. Suponga que los medicos son asignados aleatoriamente a tales secciones y que por esto los pacientes no presentan preferencia
alguna con respecto a una seccion. Tres pacientes acuden a la clnico y se observan
la secci
on que eligen.
a) Establezca los puntos del espacio muestral de este experimento.
c) Sea A el evento de que cada seccion recibe un paciente. Establezca los puntos
muestrales de A. Calcular P (A).
Se tienen 3 libros: uno de aritmetica (A), uno de biologa (B) y otro de calculo(C).
De cu
antas maneras se pueden ordenar en un estante?
Se tienen 7 libros y solo 3 espacios en una biblioteca, suponiendo que no existan
razones para preferir alguno. De cuantas maneras se pueden colocar 3 libros
elegidos; entre los siete dados?
Cu
antas permutaciones pueden formarse con las letras de la palabra BONDAD?
2.6 EJERCICIOS
45
10. Cuantos grupos de 5 alumnos pueden formarse con los treinta alumnos de una
clase. (Un grupo es distinto de otro si se diferencia de otro por lo menos en un
alumno).
11. Una aerolnea tiene seis vuelos diarios Barranquilla a Medelln y siete vuelos de
Medelln a Cali. Si los vuelos se hacen en das separados. Cuantos arreglos diferentes de vuelos puede ofrecer la aerolnea de Barranquilla a Cali?
12. Una operaci
on de montaje en una fabrica manufacturara requiere tres pasos que
pueden realizarse en cualquier orden. De cuantas maneras se puede hacer el
montaje?
13. Cierta marca de autom
ovil tiene cinco modelos diferentes, con cuatro tipo de
motores, con dos tipos de transmision, y en ocho colores.
a) Cu
antos autom
oviles tendra que adquirir un distribuidor si quiere incluir
un carro por combinaci
on modelo-motor-trasmision?
b) Cu
antos autom
oviles tendra que tener en existencia un centro de distribuci
on si almacenara los carros de todos los colores disponibles para cada
combinaci
on en (a.)?
14. Un investigador quiere determinar el efecto de tres variables, presion, temperatura y el tipo de catalizador, en el proceso de refinacion. Si el investigador tiene
la intenci
on de utilizar tres temperaturas, tres presiones y dos tipos de catalizador. Cu
antos experimentos habra que hacer si quiere incluir todas las posibles
combinaciones de temperaturas, de presiones y tipos de catalizador?
15. Cinco empresas F 1, F 2, F 3, F 4 y F 5, hacen propuestas con respecto a tres contratos separados, C1, C2 y C3. Una empresa solo puede obtener a lo mas un contrato.
Los contratos son bastante diferentes, de tal manera que la asignacion de C1 a F 1
se debe diferenciar de la asignacion de C2 a F 2.
a) Cu
antos puntos muestrales tiene este experimento que trata de la asignacion
de los contratos a las empresas?
b) Encuentre la probabilidad de que se conceda un contrato a la empresa F 3,
bajo el supuesto de que los puntos muestrales son equiprobable.
16. Dado los siguientes eventos A y B, tales que P (A) = 0.5, P (B) = 0.3, y P (AB) =
0.1, encontrar lo siguiente:
a) P (A|B)
b) P (B|A)
c) P (A|A B)
d ) P (A|A B)
e) P (A B|A B)
17. Un armador de ventiladores electricos usa motores de dos proveedores. La compa
na A le suministra el 70 % y la compa
na B el otro 30 % de los motores. Supongamos que sabe que el 5 % de los motores que suministra la compa
na A son
defectuosos que el 3 % de los que suministra B tambien lo son. Se selecciona un
ventilador ya armado.
a) Cual es la probabilidad que tenga un motor defectuoso?
b) Si tiene un motor defectuoso cual es la probabilidad que ese motor haya sido
suministrado por la compa
na A?
c) Si tiene un motor defectuoso cual es la probabilidad que ese motor haya sido
suministrado por la compa
na B?
18. Los empleados de un supermercado se encuentra clasificado en tres categoras:
administradores, supervisores y vendedores. La siguiente tabla indica el n
umero
de empleados en cada divisi
on clasificados por sexo:
46
Administradores (A)
Supervisores (S)
Vendedores (V)
Total
19.
20.
21.
22.
23.
24.
25.
Mujeres (M)
20
50
100
170
Hombres (H)
30
20
80
130
Total
50
70
180
300
a) Si elige aleatoriamente un empleado:

1) Cu
al es la probabilidad que sea mujer?
2) Cu
al es la probabilidad que sea un vendedor?
3) Cu
al es la probabilidad que sea mujer y trabaje en la seccion de administraci
on?
4) Cu
al es la probabilidad que sea mujer si trabaja en la division de supervisor?
b) Son los eventos V y H estadsticamente independientes?
c) Son los eventos A y M estadsticamente independientes?
d ) Determine las siguientes probabilidades:
1) P (A M )
2) P (A M c )
3) P (S M )
4) P (M |A)
Sean A y B dos eventos cualesquiera de un espacio muestral . Si A y B son
mutuamente excluyentes, muestrese que no pueden ser independientes. Ded
uzcase
que dos eventos independientes son, tambien, mutuamente.
Se lanza una moneda diez veces y en todos los lanzamientos el resultado es cara.
a) Cu
al es la probabilidad de este evento?
b) Cu
al es la probabilidad de que en el decimoprimero lanzamiento el resultado
sea cara?
Una agencia de autom
oviles recibe un embarque de 20 automoviles nuevos. Entre estos, dos tienen defectos. La agencia decide seleccionar, aleatoriamente, dos
autom
oviles entre los 20 y aceptar el embarque si ninguno de los dos vehculos
seleccionados tienen defectos. Cual es la probabilidad de aceptar el embarque?
Se lanza una moneda con una probabilidad de 23 que el resultado sea cara. Si
aparece una cara, se extrae una pelota, aleatoriamente, de una urna que contiene
dos pelotas rojas y tres verdes. Si el resultado es sello se extrae una pelota, de otra
urna, que contiene dos rojas y dos verdes. Cual es la probabilidad de extraer una
pelota roja?
De entre 20 tanques de combustible fabricados para el trasbordador espacial, tres
se encuentran defectuosos. Si se seleccionan aleatoriamente cuatro tanques:
a) Cu
al es la probabilidad que ninguno de los tanques se encuentre defectuoso?
b) Cu
al es la probabilidad de que uno de los tanques tenga defectos?
La probabilidad de que cierto componente electrico funcione es de 0.9. un aparato
contiene dos de estos componentes. El aparato funciona mientras lo haga, por lo
menos, uno de los componentes.
a) Sin importar cu
al de los dos componente funcione o no. Cuales son los
posibles resultados y sus respectivas probabilidades?. Suponga independencia
en la operaci
on entre los componentes.
b) Cu
al es la probabilidad que el aparato funcione?
Con base en varios estudios una compa
na ha clasificado, de acuerdo con la posibilidad de descubrir petr
oleo, las formaciones geologicas en tres tipos. La compa
na
pretende perforar un pozo en determinado sitio, al que le asigna las probabilidades
2.6 EJERCICIOS
26.
27.
28.
29.
30.
31.
47
0.35, 0.40 y 0.25 para los tres tipos de formaciones respectivas. De acuerdo con
la experiencia, se sabe que el petroleo se encuentra en un 40 % de formaciones de
tipo I, en un 20 % de formaciones de tipo II y en un 30 % de formaciones de tipo
III. Si la compa
na no descubre petroleo en ese lugar, determnese la probabilidad
de que exista una formaci
on de tipo II.
Se debe examinar un grupo grande de personas respecto a dos sntomas comunes
de cierta enfermedad. Se considera que el 20 % de las personas presentan solamente
el sntoma A, el 30 % tienen solamente el sntoma B, 10 % tienen ambos sntomas,
y el resto no tiene sntoma alguno. Para una persona escogida aleatoriamente de
este grupo, encuentre las probabilidades de los eventos siguientes:
a) Que la persona presente al menos un sntoma?
b) Que la persona no presente sntoma alguno?
c) Que la persona presente ambos sntoma, dado que presenta el sntoma B?
Una planta ensambladora recibe circuitos proveniente de tres fabricas distintas
B1 , B2 y B3 . El 50 % del total se compran a B1 mientras que a B2 y B3 se les
compra un 25 % a cada una. El porcentaje de circuitos defectuosos para B1 , B2 y
B3 es 5, 10 y 12 % respectivamente. Si los circuitos se almacenan en la planta sin
importar quien fue el proveedor:
a) Determinar la probabilidad de que una unidad armada en la planta contenga
un circuito defectuoso
b) Si un circuito no es defectuoso. Cual es la probabilidad de que haya sido
vendido por el proveedor B2 ?
Supongamos que hay nueve lugares disponibles en un estacionamiento, uno junto
al otro. Un acomodador tiene que estacionar nueve carros. Tres son carros deportivos, tres son carros grandes nacionales, y tres son carros compactos importados.
Cu
al es la probabilidad de que los tres carros deportivos se encuentren juntos,
suponiendo que el acomodador estaciona los carros de manera aleatoria?
Se clasifican ocho marcas de llantas de 1 a 8 (de la mejor a la peor) seg
un el
kilometraje que aguanten. Si un comprador escoge cuatro llantas aleatoriamente,
encuentre la probabilidad de que la mejor llanta entre las seleccionadas por el
comprador se encuentre realmente en el tercer lugar entre las ocho llantas originales.
Una maquinaria para producir un nuevo tubo electronico experimental genera
tubos defectuosos de vez en cuando, de una manera aleatoria. El ingeniero supervisor de una m
aquina en particular, ha notado que los tubos defectuosos parecen
agruparse (y, por tanto, aparecen de manera no aleatoria) y esto sugiere el mal
funcionamiento de alguna de la maquina. Una prueba para detectar la no aleatoriedad de un evento, se basa en el n
umero de corridas de artculos defectuosos
y buenos (una corrida es una sucesion no interrumpida de artculos defectuosos
o buenos). Mientras m
as peque
na sea el n
umero de corridas, mas grande es la
evidencia que indica la no aleatoriedad. De 12 tubos producidos por la maquina,
los 10 primeros eran buenos y los dos u
ltimos defectuosos (BBBBBBBBBBDD).
Suponga la aleatoriedad.
a) Cu
al es la probabilidad de observar la secuencia antes mencionada (resultante de dos corridas) dado que los 10 tubos de 12 son buenos?
b) Cu
al es la probabilidad de observar dos corridas?
c) Cu
al es la probabilidad de que el n
umero de corridas R sea R=3?
Suponga que la probabilidad de exposicion a la gripe durante una epidemia es 0.6.
La experiencia ha mostrado que una vacuna tiene 80 % de efectividad en proteger
48
a una persona sobre la gripe, si esta expuesta a la epidemia. Una persona tiene una
probabilidad de 0.90 de ser afectada por la gripe al ser expuesta. Dos personas, una
vacunada y la otra no, realizan una tarea altamente especializada en un negocio.
Suponga que no se ubican en la misma localizacion, que no entra en contacto con
la misma persona, y no se expone la una a la otra. Cual es la probabilidad de
que al menos una sea afectada por la gripe?
32. Si A y B son eventos tales que A B. Demuestrese que P (A) P (B).
33. Sean A, B y C eventos mutuamente excluyentes. Entonces
P (A B C) = P (A) + P (B) + P (C)
34. Sean A y B eventos cualesquiera. Entonces
P (A B) P (A) + P (B) 1
35. Sean A, B y C eventos cualesquiera. Entonces
P (ABC) = P (A)+P (B)+P (C)P (AB)P (AC)P (BC)+P (ABC)
36. Sea (, P ) un espacio de probabilidad. Dada la funcion PH : () 7 <, definida
por
PH (A) =
P (A H)
P (H)
donde A y H son subconjuntos de y P (H) > 0.

Demuestrese que
a) PH es un funci
on de probabilidad
b) PH () = 0
c) PH (A B) = PH (A) + PH (B), si A B =
d ) PH (Ac ) = 1 P (A)
e) PH (A B) = PH (A) + PH (B) PH (A B), para A y B eventos cualesquiera.
37. Sean A1 , A2 , . . . , An eventos definidos en el espacio muestral y Ai Aj = ,
i 6= j. Demostrar que
n
n
[
X
P ( Ai ) =
P (Ai )
i=1
i=1
38. Sea A evento tal que A . Demuestrese que P (A) 1.

39. Sea A1 , A2 , . . . , An una particion del espacio muestral y B un evento de .
Entonces
n
X
P (B) =
P (Ai B)
i=1
40. Sean A1 , A2 , . . . , An eventos del espacio muestral . Entonces

P(
n
[
i=1
Ai )
n
X
P (Ai )
i=1
41. Sean A1 , A2 , . . . , An eventos del espacio muestral . Entonces

P(
n
[
i=1
Ai ) =
n
X
i=1
n
n
X
X
P (Ai )
P (Ai Aj )+
P (Ai Aj Ak ). . .+(1)n+1 P (A1 A2 . . .An
i<j
i<j<k
2.6 EJERCICIOS
49
42. Sean A y B eventos cualesquiera del espacio muestral , tales que P (A) = 0.2,
P (B) = 0.3 y P (A B) = 0.4. Calcular:
a) P (A B)
b) P (Ac B)
c) P (Ac B c )
d ) P (Ac B c )
43. Sean A y B eventos independientes del espacio muestral tales que P (A) = 0.5
y P (B) = 0.4. Calcular:
a) P (A B)
b) P (Ac B)
c) P (Ac B c )
d ) P (Ac B c )
44. Sean A y B eventos cualesquiera del espacio muestral . Demuestrese:
a) Si A B = = P (A|B) = 0
b) Si A B = P (B|A) = 1
45. Se lanzan dos dados hasta que la suma de los dos puntos sea 7 u 8. si sale 7, gana
el jugador A, y si sale 8 gana el jugador B. Cual es la probabilidad que gane B?
46. En el control preventivo de una poblacion donde la proporcion de enfermos es, se
usa el examen radiol
ogico para detectar posibles enfermos. Se sabe que la probabilidad de que, aplicando el examen a un enfermo, la muestra como tal, es 0.90; y
que la probabilidad de que el examen aplicado a una persona sana la se
nale como
enfermo es 0.01. calcular la probabilidad de que una persona dada este realmente
enferma, si el examen radiol
ogico lo mostro como tal. Considerese el experimento
de elegir una persona de la poblacion de manera aleatoria.
47. Supongamos que tenemos tres escritorios identicos, A, B y C, cada uno con dos
cajones. En A, cada caj
on contiene una moneda de oro; en B, un cajon contiene
una moneda de oro y el otro una de plata, y en C, cada cajon contiene una de
plata. Se elige un escritorio al azar, se abre uno de los cajones y encontramos una
moneda de oro. Cu
al es la probabilidad de que el escritorio elegido sea el B?
48. Sean A y B dos eventos independientes tales que con probabilidad 16 ocurren simult
aneamente, y con probabilidad 13 ninguno ocurre. Halle P (A) y P (B). Estan
determinadas en forma u
nica estas probabilidades?
49. Sean A y B dos eventos independientes tales que con probabilidad 16 ocurren simult
aneamente, y con probabilidad 31 ocurre A y B no ocurre. Halle P (A) y P (B).
Est
an determinadas en forma u
nica estas probabilidades?
50. Cu
al es el menor valor de n para el cual la probabilidad de obtener al menos un
6 en una serie de n lanzamientos de un dado es mayor que 43 ?
51. Los A1 , A2 , . . . son independientes y P (Ai ) = p, i = 1, 2, . . . . Hallar el menor n
n
S
para el cual P ( Ai ) p0 , donde p0 es un n
umero fijo.
i=1
52. Sean A y B dos eventos cualesquiera. Cual de las siguientes afirmaciones es falsa?
a) P (A|B) + P (Ac |B c ) = 1
b) P (A|B) + P (A|B c ) = 1
c) P (A|B) + P (Ac |B) = 1
53. Sean A y B dos eventos cualesquiera tales que P (A|B) = P (B|A), P (A B) = 1
y P (A | B) > 0. Demostrar que P (A) > 1/2.
54. Sean A1 , A2 , . . . , An eventos independientes en el espacio muestral si 0 < P (Aj ) <
1 para todo j. Demostrar que tiene por lo 2n puntos.
55. Demuestre que si P (A|C) P (B|C) y P (A|C c ) P (B|C c ), entonces P (A)
50
P (B).
56.
57.
58.
59.
60.
61.
62.
63.
Sean A y B dos eventos cualesquiera del espacio muestral . Diremos que el

evento A atrae al evento B si P (B|A) > P (B) y rechaza a B si P (B|A) < P (B).
Probar que A atrae a B si y solo si B atrae a A. Luego diremos que A y B son
mutuamente atractivos si A atrae B.
Probar que A no atrae ni rechaza a B si y solo si A y son B independientes.
Probar que A y B son mutuamente atractivos si y solo si P (B|A) > P (B|Ac ).
Probar que A atrae a B, entonces A rechaza a B c .
Probar que si A atrae B y C, y A rechaza a B C, entonces A atrae B C. Hallar
un ejemplo en el cual A atrae a B y C y rechace a B C?
Probar que si B1 , B2 , . . . , Bn es una coleccion mutuamente disjunta y si A atrae
alg
un Bi , entonces A rechaza alg
un Bj .
Muestre que para A y B eventos en un espacio de probabilidad:
a) P ((A B c ) (B Ac )) = P (A) + P (B) 2P (A B)
b) P (A B) P (A) P (A B) P (A) + P (B)
c) Si P (A) = y P (B) = entonces P (A B) + 1.
Un suero de la verdad tiene la propiedad de que el 90 % de los sospechosos culpables
se juzgan de forma adecuada; mientras que, por supuesto, 10 % de lo sospechosos
err
oneamente se consideran inocentes. Por otro lado, a los sospechosos inocentes
se les juzga de manera err
onea 1 % de las veces. Si el sospechoso se selecciona de un
grupo de sospechosos, de los cuales solo el 5 % alguna vez han cometido un delito,
y el suero indica que es culpable, cual es la probabilidad de que sea inocente?
Introducci
on
Variables Aleatorias Discretas
Valor Esperado y Varianza
Distribuci
on Binomial
Distribuci
on Poisson
Distribuci
on Geom
etrica
Distribuci
on Binomial Negativa
Distribuci
on Hipergeom
etrica
Ejercicios
3. Variables Aleatorias Discretas
3.1
Introducci
on
En el captulo anterior se estudio los conceptos basicos de probabilidad con respecto
a los resultados posibles de un experimento aleatorio. Se considero al espacio muestral
, como el conjunto de todos los resultados posibles de un experimento aleatorio. Estos resultados pueden ser cualitativos o cuantitativos. Por ejemplo, en un proceso de
fabricaci
on se puede estar interesado en el hecho si el producto es defectuoso o no defectuoso o una persona puede estar interesada en el consumo de agua diarias de una
familia en Valledupar. Con frecuencia puede ser u
til la cuantificacion de los resultados
de un espacio muestral y, mediante la asignacion de un n
umero real a cada elemento de
, estudiar su comportamiento aleatorio. El concepto de variable aleatoria facilita un
medio para relacionar un resultado de un espacio muestral con un n
umero real. Es decir,
utilizaremos el concepto de variable aleatoria para referirnos a experimentos donde cada
resultado posible queda caracterizado por un valor numerico.
Algunos modelos de funciones de probabilidad ocurren con muchas frecuencias en el

contexto de la estadstica te
orica como aplicada, esto nos motiva al estudio en detalle
de algunos modelos de probabilidad, los cuales han demostrados ser u
til en el campo de
las aplicaciones. A pesar de ello tales funciones de probabilidad presentan un caracter
teorico en el sentido en que son modelos que se deducen matematicamente con base
en ciertos supuestos que se atribuyen ciertos para los fenomenos aleatorios. La eleccion
de un modelo de distribuci
on de probabilidad para representar un fenomeno de interes
practico debe estar motivada tanto por la compresion de la naturaleza del fenomeno en
s, como por la posible verificaci
on de la distribucion seleccionada a traves de la evidencia emprica. En todo momento antes de aplicar un modelo de funcion de frecuencia de
probabilidad debe realizarse un an
alisis crtico del problema de investigacion.
En este capitulo se examina, m
as con la intuicion que con cierto rigor matematico,
algunos modelos de frecuencia de probabilidad discretas, destacando ciertas aplicaciones
de ellas.
52
3.2
Captulo 3. Variables Aleatorias Discretas
Variables Aleatorias Discretas

Hasta ahora, estamos familiarizados con una funcion cuyo dominio y recorrido son subconjuntos de los n
umeros reales. Una funcion que tiene como dominio un espacio muestral y su recorrido es un subconjunto de los n
umeros reales se llama variable aleatoria.
Definici
on 3.2.1 Sea (, P ) un espacio de probabilidad y R el conjunto de los n
umeros
reales. Una funci

on
X:R
se llama una variable aleatoria real.
Ejemplo 3.1 Consid

erese el experimento del lanzamiento de tres monedas una sola vez.
El espacio muestral es:

= {ccc, css, scs, ssc, ccs, csc, scc, sss}
Sea la variable aleatoria X =n
umero de sellos en el lanzamiento de las dos monedas,
entonces los posibles valores de esta variable aleatoria son: X(ccc) = 1, X(css) =
X(scs) = X(ssc) = 1, X(ccs) = X(csc) = X(scc) = 2 y X(sss) = 3, es costumbre
representar una variable aleatoria s
olo por los valores que toma. As, la variable aleatorio
del ejemplo, quedara representada por X = 0, 1, 2, 3.

Ejemplo 3.2 Sup
ongase que se lanza un dado corriente dos veces consecutivas. Entonces
en este caso el espacio muestral es:
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
(2,
1)
(2,
2)
(2,
3)
(2,
4)
(2,
5)
(2,
6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)

=
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5,
1)
(5,
2)
(5,
3)
(5,
4)
(5,
5)
(5,
6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
y definamos la variable aleatoria X =suma de las dos caras, entonces los posibles
valores de est
a variable aleatoria son: X = 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12.

Es decir, una funci
on X que asigna a cada uno de los elementos w , un n
umero real
X(w), se llama una variable aleatoria.
Definici
on 3.2.2 Sea X una variable aleatoria definida sobre el espacio muestral .
Si el n
umero de valores posibles de X es a lo mas numerable, diremos que X es
una variable aleatoria discreta. Es decir, si se pueden anotar los valores posibles de
X como x1 , x2 , . . . , xn , . . .. En el caso finito, la lista termina y en el caso infinito
numerable, la lista contin
ua indefinidamente.
Las variables aleatorias definidas en los ejemplos anteriores, son claramente variables
aleatorias discretas.
Definici
on 3.2.3 Sea X una variable aleatoria discreta definida sobre el espacio de
probabilidad (, P ). Entonces definimos:

1. La funci
on de probabilidad de densidad (abreviada fpd) de X, como la funcion
3.2 Variables Aleatorias Discretas
53
PX (x) tal que para cualquier n

umero real x R,
PX (x) = PX (X = x) = P ({w |X(w) = x})
(3.1)
2. la funci
on de distribuci
on acumulada de X (abreviada fda), la cual se notara
por F (x), por
F (x) = PX (X x) = P ({w | X(w) x}
(3.2)
La funci
on de probabilidad de densidad PX (x) como la funcion de distribucion acumulada F (x) para una variable aleatoria discreta X se pueden representa por una formula,
una tabla o una gr
afica.
Observese que PX (x) es la probabilidad de que la variable aleatoria X tome exactamente

el valor x y F (x) es la probabilidad que la variable aleatoria X tome todos aquellos valores
menores o iguales a x.
Ejemplo 3.3 Hallar la funci

on de probabilidad de densidad PX (x), la funcion de distribucion acumulada F (x) y gr
aficas de PX (x) y F (x) para la variable aleatoria del
ejemplo 3.1.
Soluci
on En la tabla siguiente se muestra, en la primera columna todos los resultados
posibles, es decir, el espacio muestral del experimento: lanzamiento de tres moneda
una sola vez, en la segunda columna los valores que toma la variable aleatoria X n
umero
de sellos en el lanzamiento de tres moneda una sola vez y en las columnas tres y cuatro
la funcion de probabilidad de densidad PX (x) y la funcion de distribucion acumulada
F (x) para la variable aleatoria X respectivamente.
ccc
css, scs, ssc
ccs, csc, scc
ccc
x
0
1
2
3
PX (x)
F (x)
1
8
3
8
3
8
1
8
1
8
4
8
7
8
Por lo tanto la probabilidad PX (0) = 18 es la probabilidad de que en un lanzamiento de

tres monedas no salga ninguna cara, PX (2) = 18 es la probabilidad de obtener exactamente dos cara en el lanzamiento de tres moneda una sola vez y F (3) = PX (X 3) = 78
es la probabilidad de obtener a los mas dos cara en el lanzamiento de tres moneda una
sola vez.
Igualmente se puede graficar la funcion de probabilidad de la variable aleatoria X, como
se muestra a continuaci
on:
54

PX (x)
1
4
1
8
1
2
3
Gr
afica de PX
Es facil ver que la funci

on de distribucion acumulada F (x) de una variable aleatoria
cualesquiera esta definida en todo el conjunto de los reales R. Por lo tanto, la funcion de
distribuci
on acumulada de la variable aleatoria X n
umero de sellos en el lanzamiento
de tres monedas una sola vez se puede representar mediante la siguiente formula:
0, si x < 0
8 , si 0 x < 1
F (x) = 14 , si 1 x < 2
4 , si 2 x < 3
1, si x 3
Por consiguiente, F (x) se puede representar como se muestra en la siguiente grafica
F (x)
1
7
8
4
8
1
8
1
2
3
Gr
afica de F (x)
En la gr
afica se puede establecer que la probabilidad F (2.5) = 48 , haciendo la interpolacion como se puede ver en la gr
afica.
Ejemplo 3.4 Hallar la funci

on de probabilidad de densidad PX (x), la funcion de distribucion acumulada F (x) y gr
aficas de PX (x) y F (x) para la variable aleatoria del
ejemplo 3.2.
Soluci
on En la tabla siguiente se muestra, en la primera columna todos los resultados
posibles, es decir, el espacio muestral del experimento: lanzamiento de un dado corriente dos veces en forma consecutiva, en la segunda columna los valores que toma la
3.2 Variables Aleatorias Discretas
55
variable aleatoria X suma de las dos caras en el lanzamiento de un dado corriente dos
veces y en las columnas tres y cuatro la funcion de probabilidad de densidad PX (x) y la
funcion de distribuci
on acumulada F (x) para la variable aleatoria X respectivamente.
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,6)
(3,6)
(4,6)
(5,6)
(6,6)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,6)
(4,6)
(5,6)
(3,1)
(3,2)
(3,3)
(3,4)
(4,4)
(4,5)
(6,4)
(4,1)
(4,2)
(4,3)
(5,3)
(6,3)
(5,1)
(5,2)
(6,2)
(6,1)
x
2
3
4
5
6
7
8
9
10
11
12
PX (x)
F (x)
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
1
36
3
36
6
36
10
36
15
36
21
36
27
36
30
36
33
36
35
36
Por lo tanto la probabilidad de observar que la suma de las dos caras se exactamente
6
5
7 es PX (7) = 36
, PX (8) = 36
es la probabilidad de obtener exactamente 8 en la suma
6
de las dos cara en el lanzamiento de un dado corriente y F (4) = PX (X 4) = 36
es la
probabilidad de obtener a los m
as 4 como suma de las dos cara.
Igualmente se puede graficar la funcion de probabilidad y la funcion de distribucion

acumulada de la variable aleatoria X, como se muestra a continuacion:
PX (x)
Gr
afica de PX
6
36
5
36
4
36
3
36
2
36
1
36
10
11
12
Como en el caso anterior del ejemplo 3.1 la grafica de la distribucion acumulada nos
permite responder preguntas referentes a la probabilidades de aquellos valores que no
toma la variable aleatoria X, pero que si estan en el dominio de la funcion de distribucion
acumulada F , puesto que F est
a definida en todo el conjunto de los n
umeros reales.
56

F (x)
Gr
afica de F (x)
1
30
36
24
36
18
36
12
36
6
36
10
11
12
x
3.3
Valor Esperado y Varianza

Se ha observado que la funci
on de probabilidad para una variable aleatoria es un
modelo te
orico para la frecuencia relativa de datos asociados a una poblacion real. Si
el modelo es una representaci
on exacta de la realidad, la funcion de probabilidad y
las frecuencias relativas son equivalentes. Por lo tanto es natural, como en estadstica
descriptiva, que se intente definir la media y la varianza de una variable aleatoria y
as de esa manera obtener medidas descriptivas para una funcion de probabilidad de
una variable aleatoria discreta.
Definici
on 3.3.1 Sea X una variable aleatoria discreta con funci
on de distribucion de
probabilidad PX (x). Definimos

1. El valor esperado de X el cual se denotara por E(X) o y es definido por:
= E(X) =
xi PX (xi )
i=1
2. La varianza de X se define y notaremos por:

2
= V (X) =
(xi )2 PX (xi )
i=1
A la raz cuadrada de la varianza se le llama desviacion estandar de la variable

aleatoria X.
En la anterior definici
on se asume que la suma como la integral es absolutamente convergente, es decir,
|xi |PX (xi ) <
i=1
si esto no es as se dice que no tiene valor esperado.

Ejemplo 3.5 Sea una variable aleatoria X que representa el n

umero de clientes que
llegan una bomba de gasolina en Valledupar en un intervalo de tiempo de una hora (por
3.4 Distribuci
on Binomial
57
ejemplo, entre las 5:00 PM y 6:00 PM). En la siguiente tabla se muestra la funcion de
probabilidad de la variable aleatoria X
X=x
PX (x)
0
0.05
1
0.10
2
0.10
3
0.10
4
0.20
5
0.25
6
0.10
7
0.05
8
0.05
Encontremos el valor esperado, la varianza y la desviacion estandar de la variable aleatoria X.

Con base en la definici
on de valor esperado y la tabla anterior, tenemos:
X=x
PX (x)
xPX (x)
(x )2 )PX (x)
0
0.05
0
0.90
1
0.10
0.10
1.06
2
0.10
0.20
0.51
3
0.10
0.30
0.16
4
0.20
0.80
0.01
5
0.25
1.50
0.14
6
0.10
0.60
0.31
7
0.05
0.35
0.38
8
0.05
0.40
0.70
As, el valor esperado de X es

= E(X) =
xi PX (xi ) =
i=1
9
X
xi PX (xi ) = 4.25
i=0
.
la varianza de X
2 = V (X) =
9
X
(xi )2 PX (xi ) = 4.17
i=1
Por lo tanto, la desviaci

on est
andar es = 2.04.
Teorema 3.3.1 Sea X una variable aleatoria discreta y a, c R y sea la variable
aleatoria Y = aX + c. Entonces
E(Y ) = aE(X) + c
V (Y ) = a2 V (X)
Demostraci
on. La demostraci
on se deja como un ejercicio.
En las siguientes secciones examinamos algunos de los modelos de distribuciones de

probabilidades discretos m
as utilizados.
3.4
Distribuci
on Binomial
Definici
on 3.4.1 Sea X una variable aleatoria que representa el n
umero de exitos en
n ensayos independiente, donde la probabilidad de un exito es p y de un fracaso es

q = 1 p, cada vez que el experimento se lleva acabo. Se dice entonces que X tiene
distribuci
on Binomial con funci
on de probabilidad dada por:

n px q nx , donde x = 0, 1, 2, n y q = 1 p
x
PX (X = x) =
0,
en otro caso
58
Si una variable aleatoria X que tiene una distribucion binomial con parametros n y p,
notaremos X B[n, p].
La probabilidad que una variable aleatoria X sea menor o igual a un valor determinado
x0 , se especifica por la funci
on de distribucion acumulada,
X n
px q nx
F (x0 ) = PX (X x0 ) =
x
xx0
Ejemplo 3.6 Sup

ongase que el 20 % de los artculos producidos por una fabrica son
defectuosos. Si se selecciona una muestra aleatoria simple con reemplazo de tama
no 10.
1. Determine la funci
on de probabilidad y la funcion de distribucion acumulada de
la variable aleatoria, n
umero de artculos defectuosos en la muestra.
2. Cu
al es la probabilidad de que exactamente tres artculos son defectuosos entre
los 10 seleccionados?
3. Cu
al es la probabilidad de que 4 o mas artculos son defectuosos entre los 10
seleccionados?
4. Cu
al es la probabilidad de rechazar el lote de 10 artculos si se tienen tres o mas
artculos son defectuosos?
Soluci
on Sea X la variable aleatoria que representa el n
umero de artculos defectuosos
en la muestra seleccionada.
1. Para n = 10 y p = 0.2, entonces la funcion de probabilidad de esta dada por:

10
PX (X = x) =
0.2x 0.810x , donde x = 0, 1, 2, n y q = 1 p
x
y la funci
on de distribuci
on acumulada
F (x0 ) = PX (X x0 ) =
10
X
10
x=0
0.2x 0.810x
Las cuales tambien se puede representar mediante la siguiente tabla.

X=x
0
1
2
3
4
5
6
7
8
9
PX (X = x)
0.1074
0.2684
0.3020
0.2013
0.0881
0.0264
0.0055
0.0008
0.0001
0.0000
F (x0 )
0.1074
0.3758
0.6778
0.8791
0.9672
0.9936
0.9998
0.9999
1
1
2. La probabilidad de que exactamente tres artculos son defectuosos entre los 10

seleccionados es:
PX (X = 4) = 0.2013.
3.4 Distribuci
on Binomial
59
3. La probabilidad de que 4 o m
as artculos son defectuosos entre los 10 seleccionados
es:
PX (X 4) = 1 F (3)
= 1 0.8791 = 0.1209.
4. La probabilidad de rechazar el lote de 10 artculos si se tienen tres o mas artculos

son defectuosos es
PX (X 3) = 1 PX (X 2)
= 1 0.6778 = 0.3222.
Teorema 3.4.1 Sea una variable aleatoria X que tiene una distribuci
on binomial con
parametros n y p. Entonces
n
X
n
x=0
px q nx = 1
(3.3)
E(X) = np
(3.4)
V (X) = npq
(3.5)
t
MX (t) = (pe + q)
Demostraci
on.
(3.6)
1. Debemos demostrar que
PX (x) = 1
x=0
Por definici
on y el teorema del Binomio de Netown, entonces
X
x=0
PX (x) =
n
X
n
x=0
px q nx
= (p + q)n = 1
2. Por la definici
on de valor esperado para una variable aleatoria discreta,
60
E(X) =
=
=
=
X
x=0
n
X
x=0
n
X
x=0
n
X
x=1
n1
X
y=0
n1
X
y=0
= np
xPX (x)

n x nx
x
p q
x
xn!
px q nx
(n x)!x!
xn!
px q nx
(n x)!(x 1)!
n(n 1)!
py+1 q n(y+1)
(n (y + 1))!y!
n(n 1)!
py+1 q (n1)y
(n 1) y)!y!
n1
X
y=0
(n 1)!
py q (n1)y
(n 1) y)!y!
= np(p + q)n1 = np
3. Para calcular la varianza de la variable aleatoria X, hallemos el segundo momento,
es decir:
E(X 2 ) =
x2 PX (x)
x=0
n
X
x=0
n
X
x=0
n
X
x=1
n1
X
y=0
= np

n x nx
x
p q
x
2
x2 n!
px q nx
(n x)!x!
xn!
px q nx
(n x)!(x 1)!
n(n 1)(y + 1)! y+1 n(y+1)
p q
(n (y + 1))!y!
n1
X
y=0
= np
(n 1)!(y + 1) y (n1)y
p q
(n 1) y)!y!
n1
X
y=0
n1
X
y=0
y(n 1)!
py q (n1)y
(n 1) y)!y!
(n 1)!
py q (n1)y
(n 1) y)!y!
3.5 Distribuci
on Poisson
61
Por lo tanto
E(X 2 ) = np[np + q] = n2 p2 + npq
Puesto que V (X) = E(X 2 ) [E(X)]2 ), se tiene que
V (X) = E(X 2 ) [E(X)]2 ) = n2 p2 + npq n2 p2 = npq
4. En el capitulo anterior se encontro la funcion generatriz de una variable aleatoria
binomial.

En el ejemplo anterior, el n
umero de artculos defectuosos que esperamos esten en el
lote de 10 es: E(X) = np = 10(0.20) = 2.
3.5
Distribuci
on Poisson
Definici
umero de eventos
independientes sobre el tiempo o el espacio. Se dice entonces que tiene distribucion

Poisson con funci
( x
e
donde x = 0, 1, 2,
x!
PX (X = x) =
0,
en otro caso
Donde es el n
umero promedio de resultados posibles por unidad de tiempo o espacio
y e = 2.71828 . . ..
Si una variable aleatoria X que tiene una distribucion Poisson con parametro , notaremos X P [].
La probabilidad que una variable aleatoria sea menor o igual a un valor determinado
F (x0 ) = PX (X x0 ) =
x0
X
x e
x=0
x!
Ejemplo 3.7 El n
umero de componentes que fallan antes de cumplir 100 horas de
operacion es un variable aleatoria de Poisson. Si el n
umero promedio de esta es ocho:
1. Hallar la funci
on de probabilidad y distribucion acumulada para los primeros 6
valores de la variable aleatoria X que falle un componentes en 25 horas.
2. Cu
al es la probabilidad de que falle un componentes en 25 horas?
3. Cu
al es la probabilidad de que fallen no mas de dos componentes en 50 horas?
4. Cu
al es la probabilidad de que fallen por lo menos diez componentes en 125 horas?
Soluci
on Sea X la variable aleatoria que representa el n
umero componentes que fallan
antes de cumplir 100 horas en la muestra seleccionada. Si el n
umero promedio en la 100
horas es = 8. Entonces
1. Para 25 horas esperamos = 2, entonces la funcion de probabilidad de X esta dada
por:
PX (X = x) =
2x e2
; donde x = 0, 1, 2,
x!
62
Por lo tanto en la siguiente tabla se muestra la funcion de probabilidad y distribuci

on acumulada para los primero 6 valores de la variable aleatoria X
X=x
0
1
2
3
4
5
PX (X = x)
0.1353
0.2707
0.2707
0.1804
0.0902
0.0361
F (x)
0.1353
0.4060
0.6767
0.8571
0.9473
0.9834
2. La probabilidad de que falle un componentes en 25 horas es:

2x e2
= 0.2707
x!
3. Para 50 horas esperamos = 4, entonces la funcion de probabilidad de X esta dada
por:
4x e4
PX (X = x) =
; donde x = 0, 1, 2,
x!
PX (X = 1) =
En consecuencias, la probabilidad de que fallen no mas de dos componentes en 50

horas es:
PX (X 2) = 0.0183 + 0.0733 + 0.1465
= 0.2381.
4. Para 125 horas esperamos = 10, entonces la funcion de probabilidad de X
est
a dada por:
10x e10
; donde x = 0, 1, 2,
x!
Por lo tanto en la siguiente tabla se muestra la funcion de probabilidad y la funcion
de distribuci
on acumulada para los primeros 10 valores de X
PX (X = x) =
X=x
0
1
2
3
4
5
6
7
8
9
PX (X = x)
0
0.0005
0.0023
0.0076
0.0189
0.0378
0.0631
0.0901
0.1126
0.1251
F (x)
0.0000
0.0005
0.0028
0.0103
0.0293
0.0671
0.1301
0.2202
0.3328
0.4579
En consecuencias, la probabilidad de que fallen por lo menos 10 componentes en

125 horas es:
PX (X 10) = 1 PX (X 9) = F (10)
= 1 0.4579 = 0.5421.
3.5 Distribuci
on Poisson
63
on Poisson con
parametro . Entonces
X
x e
x=0
=1
x!
E(X) =
(3.8)
V (X) =
MX (t) = e
(3.7)
(3.9)
(et 1)
(3.10)
Demostraci
on. Para demostrar el teorema es suficiente considerar el desarrollo en serie
de Taylor de e , es decir,
e =
X
x
x=0
x!
Los detalles debe elaborarlo el estudiante como un ejercicio.

La distribuci
on de Poisson tambien es una forma limite de la distribucion binomial
cuando n y p 0 . Este resultado se demuestra en el siguiente teorema.
Teorema 3.5.2 Sea una variable aleatoria que tiene una distribuci
on binomial, con
parametros n y p. Entonces

n x nx x e
PX (X = x) = lm
p q
=
n x
x!
Donde = np.
Demostraci
on. Comencemos escribiendo la funcion de densidad de la probabilidad binomial en terminos de :

x

n x nx
n
nx
lm
p q
= lm
1
n x
n x
n
n

n!
1
x
n
x
= lm
1
1
n (n x)!x!
nx
n
n
(3.11)
Pero sabemos que

n
lm 1
= e
n
n
Por otro lado n
otese,
(3.12)
64

n!
n(n 1)(n 2) (n x + 1)
=
x
(n x)(n )
(n )(n )(n ) (n )
As, dividiendo por n y tomado limite a la anterior expresion,
lm
n!
1
1 1/n
(1 2/n)
= lm
lm
lm
(n x)(n )x n (1 /n) n (1 /n) n (1 /n)
(1 (x 1)/n)
lm
=1
n
(1 /n)
Reemplazando 3.13 y 3.12 en 3.11 se obtiene lo que se desea demostrar.
(3.13)
En la tabla siguiente se comparan las probabilidades binomial y de Poisson

X=x
0
1
2
3
4
5
6
7
8
9
10
100
x
(0.01)x (0.99)100x
0.366032
0.369730
0.184865
0.060999
0.014941
0.002897
0.000463
0.000062
0.000007
0.000000
0.000000
1x e1
x!
0.367879
0.367879
0.183940
0.061313
0.015328
0.003065
0.000510
0.000072
0.000009
0.000001
0.000000
Un buena aproximaci
on de la distribucion binomial a la de Poisson se obtiene cuando
p < 0.1 y n .
3.6
Distribuci
on Geom
etrica
Definici
umero de pruebas
necesarias hasta obtener el primer exito, donde cada prueba es independiente y la
probabilidad de un exito es p y de un fracaso es 1 p, cada vez que el experimento
se lleva acabo. Se dice entonces que X tiene distribucion Geometrica con funcion de
probabilidad dada por:
(
pq x1 , donde x = 1, 2, 3, y q = 1 p
PX (X = x) =
0,
en otro caso
Si una variable aleatoria X que tiene una distribucion geometrica con parametro p,
notaremos X G[p].
La probabilidad que una variable aleatoria X sea menor o igual a un valor determinado
3.6 Distribuci
on Geometrica
65
F (x0 ) = PX (X x0 ) =
x0
X
pq x1
x=1
on Poisson con
parametro p. Entonces
pq x1 = 1
(3.14)
x=1
1
p
1p
V (X) =
p2
E(X) =
MX (t) =
(3.15)
(3.16)
pet
1 (1 p)et
(3.17)
Demostraci
on. Las pruebas de (a), (b) y (d) las dejaremos como ejercicios.
Demostremos (c) teniendo en cuenta la siguiente igualdad:
E(X 2 ) = E(X(X 1)) + E(X)
Por definici
on,
E(X(X 1)) =
x(x 1)PX (x)
x=1
As que
E(X(X 1)) =
x(x 1)pq x1 = pq
x=1
x(x 1)pq x2
x=2
si y = x 1, entonces
X
E(X(X 1)) =pq
(y + 1)yq y
=pq
y=1
(y + 1)yq

d2 X y+1
q
= pq 2
dq
y=1

y1
y=1
X
d2
2
=pq 2 q
q y1
dq
y=1
pero la serie
66
X
y=0
qy =
1
1q
esto conduce a la ecuaci

on
E(X(X 1)) = pq
d2
dq 2
q2
1q
derivando dos veces a E(X(X 1)) con respecto a q, tenemos

E(X(X 1)) =
2q
p2
Puesto que E(X 2 ) = E(X(X 1)) + E(X) entonces

E(X 2 ) =
As,
V (X) =
2q 1
2q + p
+ =
2
p
p
p2
1
1p
2q + p
2 =
p2
p
p2
Ejemplo 3.8 Sup

ongase que el 10 % de los motores fabricados en determinada lnea
de montaje son defectuosos. Si se seleccionan aleatoriamente los motores, uno a la vez,

para su prueba. Calcular las siguientes probabilidades:
1. El primer motor defectuoso se encuentre en el segundo intento.
2. El primer motor defectuoso se encuentre en el quinto intento.
3. El primer motor defectuoso se encuentre en o antes del quinto intento.
4. Calcular el promedio y la varianza del n
umero de la inspeccion en la cual se
encuentre en el primer motor defectuoso.
Soluci
on Sea X la variable aleatoria n
umero intentos hasta tener el primer motor
defectuoso, es claro que esta es una variable aleatoria con distribucion Geometrica con
parametro p = 0.10. Por lo tanto, la funcion de probabilidad es
PX (X = x) = (0.1)(0.9)x1 ,
donde x = 1, 2, 3, y q = 1 p
En la siguiente tabla se muestra la funcion de probabilidad y funcion de distribucion

acumulada para los primeros 10 valores de la variable aleatoria X
X=x
1
2
3
4
5
6
7
8
9
10
PX (X = x)
0.1000
0.0900
0.0810
0.0729
0.0656
0.0590
0.0531
0.0478
0.0430
0.0387
F (x)
0.1000
0.1900
0.2710
0.3439
0.4095
0.4686
0.5217
0.5695
0.6126
0.6513
3.7 Distribuci
67
Por lo tanto
1. La probabilidad que el primer motor no defectuoso se encuentre en el segundo
intento,
PX (X = 2) = (0.1)(0.9)21 = 0.0810
2. La probabilidad que el primer motor no defectuoso se encuentre en el quinto
intento,
PX (X = 5) = (0.1)(0.9)51 = 0.0590
3. La probabilidad que el primer motor no defectuoso se encuentre en o antes del
quinto intento,
F (5) = PX (X 5) =
5
X
(0.1)(0.9)x1 = 0.4686
x=1
4. El promedio y la varianza del n

umero de la inspeccion en la cual se encuentre en
el primer motor no defectuoso son:
E(X) =
1
1
=
= 10
p
0.1
y
V (X) =
0.9
1p
=
= 90
2
p
(0.1)2
respectivamente.
3.7
Distribuci
Definici
on 3.7.1 Sea X una variable aleatoria Binomial con probabilidad de
exito p
y donde X, es el n
umero de pruebas necesarias hasta obtener exactamente r exitos.
En este caso, se dice que la variable aleatoria X tiene distribucion Binomial Negativa
con funci

x 1 pr q x r,
r1
PX (X = x) =
0,
x = r, r + 1, r + 2,
donde r = 1, 2, 3,
0p1 y q =1p
en otro caso
Si una variable aleatoria X que tiene una distribucion binomial negativa con parametros
r y p, en donde r no se requiere que sea un entero positivo, notaremos X BN [r, p].
La probabilidad que una variable aleatoria X sea menor o igual a un valor determinado x0 , se especifica por la funcion de distribucion acumulada,
X x 1
F (x0 ) = PX (X x0 ) =
pr q x
r1
xx0
68
on binomial ne-
gativa con par

ametros r y p. Entonces

X
x1
pr q x = 1
r1
x=0
r
E(X) =
p
r(1 p)
V (X) =
p2
h pet ir
MX (t) =
1 qet
(3.18)
(3.19)
(3.20)
(3.21)
Teorema 3.7.2 Sea X una variable aleatoria que tiene una distribuci
on Binomial Ne-
gativa con par

ametros r y p. Entonces
FBN (x) = PX (X x) = 1 FB (y) = PY (Y y)
en donde Y es una variable aleatoria Binomial con parametros n = r + x y p.
Ejemplo 3.9 Una empresa de reclutamiento encuentra que el 30 % de los aspirantes
para determinado puesto en la industria tiene conocimiento avanzado de programacion.
Supongase que se tienen tres puestos en los que se necesitan conocimientos avanzados
de programaci
on.
1. Encontrar la funci
on de probabilidad de la variable aleatoria, n
umero de aspirantes
hasta obtener tres que tengan conocimiento avanzado en programacion.
2. Se entrevistan uno a uno los solicitantes, calcular la probabilidad de encontrar un
aspirante en la quinta entrevista.
Soluci
on Sup
ongase que las entrevistas son independientes, y que la probabilidad de
encontrar un candidato con conocimiento avanzado de programacion es 0.3, la cual
permanece constante de prueba en prueba. Sea X, n
umero de aspirantes hasta obtener
tres que tengan conocimiento avanzado en programacion. Entonces se puede inferir
que X, n
umero de aspirantes hasta obtener tres que tengan conocimiento avanzado en
programaci
on.
1. Entonces se puede concluir que X tiene una distribucion binomial negativa, as que
la funci
on de probabilidad es:
PX (X = x) =

x1
(0.3)3 (0.7)x1 ,
2
r = 3, 4, 5, , 12
En la siguiente tabla se muestra la funcion de probabilidad y funcion de distribucion acumulada para los primeros 10 valores de la variable aleatoria X
3.8 Distribuci
on Hipergeometrica
69
X=x
3
4
5
6
7
8
9
10
11
12
PX (X = x)
0.027
0.057
0.079
0.093
0.097
0.095
0.089
0.080
0.070
0.060
F (x)
0.027
0.084
0.163
0.256
0.353
0.448
0.537
0.617
0.687
0.747
2. De la tabla anterior observamos que

4
PX (X = 5) =
(0.3)3 (0.7)4 = 0.079
2
3.8
Distribuci
on Hipergeom
etrica
Definici
on 3.8.1 Sea N el n
umero total de objetos en una poblacion finita, de manera
tal que R de estos son de tipo A y N R - de tipo B. Si se selecciona una muestra
aleatoria simple sin reemplazo n objetos de la poblacion. La probabilidad que exactamente X sean de tipo A, est
a dado por la funcion de probabilidad hipergeometrica.
R N R
( x )( nx ) , si x = 0, 1, 2, , n.
(Nn )
PX (X = x) =
0,
en otro caso
y donde x R yn x N R.
Los parametros de la distribuci
on hipergeometrica son N , n y R.
La probabilidad que una variable aleatoria Hipergeometrica X sea menor o igual a un
valor determinado x0 ,se especifica por la funcion de distribucion acumulada,
x0 R N R
X
x
nx
F (x0 ) = PX (X x0 ) =

N
x=0
on Hipergeometri-
ca con par
ametros N , n y R. Entonces
70
n
X
R
x
x=0
N R
nx

N
n

=1
(3.22)
R
N
R N n
R
)
V (X) = n (1 )(
N
N N 1
MX (t) = (pet + q)n
E(X) = n
(3.23)
(3.24)
(3.25)
Ejemplo 3.10 Sup

ongase que se tienen 50 representantes de cierta region del pas, a una
convenci
on poltica nacional, de los cuales 20 apoyan al candidato A y 30 al candidato
B. Si se seleccionan aleatoriamente 10 representantes. Cual es la probabilidad que entre
estos 10:
1. Exactamente 5 apoyen al candidato A
2. Por lo menos apoyen al candidato A
3. Entre dos y cinco inclusive apoyen al candidato A
4. Cuantos representantes esperamos apoyen al candidato A
5. Con que variabilidad se espera que los representantes apoyen al candidato A.
Soluci
on Sea X una variable aleatoria que representa el n
umero de representantes que
apoyen al candidato A; con par
ametros N = 50, n = 10 y R = 20. Entonces la funcion
de probabilidad para la variable aleatoria X es
20
30
PX (X = x) =
10x

N
n
si x = 0, 1, 2, , 10.
Por lo tanto en la siguiente tabla se muestra la funcion de probabilidad y distribucion

acumulada para valores de la variable aleatoria X
X=x
0
1
2
3
4
5
6
7
8
9
10
PX (X = x)
0.0029
0.0279
0.1083
0.2259
0.2801
0.2151
0.1034
0.0306
0.0053
0.0005
0.0000
F (x)
0.0029
0.0308
0.1390
0.3650
0.6450
0.8601
0.9635
0.9942
0.9995
1.0000
1.0000
Las respuestas para las preguntas:

1. Exactamente 5 apoyen al candidato A:
PX (X = 5) = 0.2801
2. Por lo menos dos apoyen al candidato A:
PX (X 2) = 1 F (1) = 1 0.0308 = 0.9692
3.8 Distribuci
on Hipergeometrica
71
3. Entre dos y cinco inclusive apoyen al candidato A:

PX (2 X 5) = (0.1083 + 0.2259 + 0.2259 + 0.2801) = 0.8402
4. Cuantos representantes esperamos apoyen al candidato A:
E(X) = 10(30/50) = 6
5. Con que variabilidad se espera que los representantes apoyen al candidato A:

20
50 10
20
1
= 1.6271
V (X) = 10
50
50
50 1
.
La distribuci
on de binomial tambien es una forma limite de la distribucion hipergeometrica. Este resultado se demuestra en el siguiente teorema.
Teorema 3.8.2 Sea X una variable aleatoria que tiene una distribuci
on hipergeometri-
ca con par
ametros N , n y R . Entonces

R N R
lm
nx

N
n

n x nx
=
p q
x
Donde p = R/N.
Demostraci
on. La prueba se deja como un ejercicio
La funci
on de distribuci
on Binomial aproxima de manera adecuada a la funcion de
probabilidad Hipergeometrica si n < 0.1N.
En la siguiente tabla se comparan los valores de probabilidad de una Binomial como
limite de una funci
on de probabilidad Hipergeometrica, con N = 1000, n = 10 y R = 50.
X=x
0
1
2
3
4
5
6
7
8
9
10
Hipergeometrica
0.0009
0.0095
0.0434
0.1168
0.2057
0.2473
0.2057
0.1168
0.0434
0.0095
0.0009
Binomial
0.0010
0.0098
0.0439
0.1172
0.2051
0.2461
0.2051
0.1172
0.0439
0.0098
0.0010
72
3.9
Ejercicios
1. Demuestre
las siguientes

igualdades:

n+r1
n+r1
a)
=
n
r1
n+r1
r
b)
= (1)n
n
n
2. En la Universidad Popular del Cesar
se ha observado que el 60 % de los estudiantes que se matriculan lo hacen
en una carrera de Ciencias, mientras
que el otro 40 % lo hacen en carreras
de Humanidades. Si un determinado
da se realizan 20 matrculas, calcular
la probabilidad de que:
a) el n
umero de matrculas en
Ciencias y en Humanidades es
igual
b) el n
umero de matrculas en
Ciencias sea menor que en Humanidades
c) al menos 8 estudiantes matrculas en Ciencias
d ) no se matriculen m
as de 12 estudiantes en Ciencias
e) Si las cinco primeras matrculas
son de Humanidades, calcular la
probabilidad de que el n
umero
total de matrculas en Ciencias
y en Humanidades es igual.
3. Un examen consta de 10 preguntas
a las que hay que responder s o no.
Suponiendo que a los estudiantes que
se le aplica no saben responder a ninguna de las preguntas y, en consecuencia, responden de manera aleatoria.
a) Hallar la funci
on de probabilidad y la funci
on de distribucion
acumulada.
b) Cu
al es la probabilidad de pasar el examen si cada punto vale
0.5?
c) Cu
al es la probabilidad de obtener una calificaci
on mayor o
igual a 4?
d ) Cu
al es la probabilidad de obtener una calificaci
on mayor o
igual a 3.5 e inferior a 4.8?

e) Cuantas preguntas esperamos
responda correctamente?
f ) Hallar la varianza y la desviacion estandar?
4. La probabilidad de que un enfermo se
recupere de un padecimiento gastrico es 0.8. Supongase que 20 personas
han contrado tal afeccion.
a) Cual es la probabilidad de que
sobrevivan exactamente 14?
b) Cual es la probabilidad de que
al menos 10 sobrevivan?
c) Cual es la probabilidad de que
al menos 14, pero no mas de 18
sobrevivan?
d ) Cual es la probabilidad de que
al lo mas 16 sobrevivan?
e) Si 100 personas han contraigo la
afeccion gastrica. Cuantos esperamos que sobrevivan?
5. En pruebas realizadas a un amortiguador para automovil se encontro que el 20 % presentaban fuga
de aceite. Si se instalan 20 de estos
amortiguadores, hallar la probabilidad de que:
a) 4 salgan defectuosos,
b) mas de 5 tengan fuga de aceite.
c) de 3 a 6 amortiguadores salgan
defectuosos.
d ) Determine el promedio y la desviacion estandar de amortiguadores con defectos.
6. Un ingeniero que labora en el departamento de control de calidad de una
empresa electrica, inspecciona una
muestra al azar de 10 alternadores de
un lotes. Si el 15 % de los alternadores del lote estan defectuosos. Cual es
la probabilidad de que en la muestra,
a) ninguno este defectuoso,
b) uno salga defectuoso,
c) al menos dos salgan defectuosos
d ) mas de tres esten con defectos
7. Un sistema de proteccion contra
3.9 Ejercicios
73
cohetes est
a construido con n unidades de radar que funcionan independientemente, cada una con probabilidad de 0.9 de detectar un cohete que
ingrese en la zona que cubren todas
las unidades.
a) Si n = 5 y un cohete entra en
la zona. Cu
al es la probabilidad de que exactamente cuatro
unidades detecten el cohete?
b) Si n = 5 y un cohete entra en la
zona. Cu
al es la probabilidad
de que al menos una unidades
detecten el cohete?
c) Cu
al debe ser el valor de n para
que la probabilidad de detectar
el cohete al entrar a la zona, sea
de 0.999?
8. Un fabricante de cera para pisos
desarrolla dos productos nuevos, A y
B, que desea someter a la evolucion
de amas de casa para determinar cual
es la mejor. Las dos ceras, A y B, se
aplica en los pisos de 15 casas. Se supone que en realidad no hay diferencia en calidad entre las dos marcas.
a) Cu
al es la probabilidad de que
10 o m
as amas de casa vayan a
preferir la marca A?
b) Cu
10 o m
as amas de casa vayan a
preferir la marca A o B?
9. En un almacen en particular los
clientes llegan al mostrador de caja,
conforme una distribuci
on de Poisson
con un promedio de siete por hora.
En una hora dada.
a) Cu
no lleguen m
as de tres clientes?
b) Cu
lleguen al menos dos clientes?
c) Cu
lleguen exactamente cinco clientes?
10. El n
umero de componentes que fallan
antes de cumplir 100 horas de opera-
cion es una variable aleatoria de Poisson. Si el n

umero promedio de estas
es ocho:
falle una componente en 25 horas?
fallen no mas de dos componentes en 50 horas?
falle por lo menos diez componentes en 125 horas?
11. Mediante estudios reciente se ha determinado que la probabilidad de
morir por causa de cierta vacuna para la gripe es de 0.00002. Si se administra la vacuna a 100.000 personas y si suponemos que esta constituyen un conjunto de ensayos independientes: (Sugerencia: haga = np =
(100.000)(0.00002) = 20 y aplique la
distribuci
on de Poisson).
mueran no mas de dos personas
a causa de la vacuna?
mueran exactamente cinco de
las personas a causa de la vacuna?
mueran ninguna de las personas
a causa de la vacuna?
d ) Cuantas personas esperamos
se mueran, de las 100.000, a causa de la vacuna?
12. Sea X una variable aleatoria binomial. Para n = 20, calcular las probabilidades puntuales binomiales y
compararlas con las correspondientes probabilidades de Poisson para
p =0.5, 0.3, 0.1 y 0.01. (Sugerencia:
haga = np)
13. Un lote de televisores esta formado
por 5 TV a color (3 de la marca A
y 2 de la marca B) y 6 TV blanco
y negro (4 de la marca A y 2 de la
74
marca B). Si se seleccionan sin reemplazo un grupo de 3 TV. Hallar la
probabilidad de:
a) Seleccionar 2 TV de la marca B.
b) Seleccionar 2 TV de la marca A
o 2 TV a color.
14. La probabilidad de un lanzamiento
exitoso es igual a 0.8. Supongamos
que se hacen ensayos de lanzamientos
hasta que han ocurrido 3 lanzamientos exitosos.
a) Cu
sean necesarios 6 ensayos?
b) Suponga que se hacen los ensayos de lanzamientos hasta que
ocurren 3 lanzamientos exitosos
consecutivos. Responda la pregunta (a) en este caso.
c) Suponga que cada uno de los
ensayos de lanzamiento cuesta
$5000. Adem
as, un lanzamientos que fracase produce un costo adicional de $500. Calcule el
costo esperado para obtener los
3 lanzamientos exitosos.
15. Para un experimento medico se requieren cinco mujeres que hayan tenido seis o m
as partos. La proporcion de mujeres adultas con esa caracterstica es 0.25. Suponga que se
toma una muestra de mujeres adultas
y sea N el n
umero de mujeres adultas que es necesario entrevistar para
encontrar las cinco buscadas.
a) cu
al es el modelo apropiado para la distribuci
on de N ?
b) cu
en diez o menos intentos se encuentren las cinco mujeres?
16. El 20 % de los peces de un lago son
de la especie A y el resto de otras especies. Un investigador decide realizar el siguiente experimento: Extraer
peces del lago hasta obtener 3 de la
especie A (asuma que el metodo de
captura utilizado por el investigador

es igualmente efectivo para con todas
las especies).
el investigador realice solamente
10 extracciones?
b) Para la v.a. definida en la parte
(a), calcule el valor esperado e
interpretarlo.
c) Suponga que en el lago solo hay
50 peces, 10 de los cuales son de
la especie A.
d ) Cual es la probabilidad de que
en 10 extracciones se obtengan
3 de la especie A?
e) Bajo los supuestos de la pregunta (c), cual es la probabilidad
de que sean necesarias 10 extracciones para obtener 3 de la
especie A?
17. Supongase que el n
umero de accidentes en una fabrica se puede representar por un proceso de Poisson con un
promedio de 2 accidentes por semana.
a) Encuentre la distribucion de
probabilidades de la variable
aleatoria tiempo hasta que ocurra un nuevo accidente.
el tiempo entre un accidente y el
siguiente sea mayor de 3 das?
c) Cual es la probabilidad de que el
tiempo hasta que ocurran cinco
accidentes sea mayor a 2 semanas?
d ) Si ocurrio un accidente en el
tiempo 0, y un da despues a
un
no ocurre otro, cual es la probabilidad de que pasen dos das
mas y a
un no halla ocurrido el
siguiente accidente?
18. Las lneas telefonicas que entran a
una oficina de reservaciones de aerolneas estan ocupadas un 60 % del
tiempo.
a) Si usted habla en esa oficina,
cual es la probabilidad que le
3.9 Ejercicios
75
respondan en la primera llamada? En la segunda? En la tercera?

b) Si usted y un amigo deben hacer
llamadas separadas a esta oficina, cu
al es la probabilidad de
que deban hacer un total de cuatro intentos para lograr las dos
llamadas?
19. Un electrodomestico se vende en dos
colores, blanco y cafe, y tiene igual
demanda. Un vendedor tiene tres
electrodomesticos de cada color en
existencia, aunque esto no lo saben
los clientes. Dichos clientes llegan y
piden en forma independiente estos
electrodomesticos. Calcular la probabilidad de que
a) el quinto cliente pida el tercer
blanco
b) el quinto cliente se lleve el tercer
cafe
c) se piden todos los blancos antes
del primer cafe
d ) se pidan todos los blancos antes
que se agoten los cafe.
20. Se definen los requisitos peor de los
casos como objetivos de dise
no de
una marca de terminales de computadora. Una prueba preliminar rapida indica que 4 de 10 terminales no
pasan la prueba del peor de los casos. Se seleccionan 5 de los 10, en
forma aleatoria, para pruebas posteriores. Sea X la variable aleatoria el
numero, entre las 5 terminales, que
no pasan la prueba preliminar. Calcular:
a) la funci
on de probabilidad y de
distribuci
on acumulada e inter-
prete
b) el valor esperado y la desviacion
estandar e interprete.
21. Los procedimientos de muestreo para
aceptar lotes en una empresa manufaturera electronica requiere el muestreo de n artculos de un lote de N
artculos, y aceptar el lote si X c,
donde X es el n
umero de artculos defectuosos en la muestra. Para un lote
de 20 cubiertas de impresoras, se debe mostrar 5. Calcular de aceptar el
lote si c = 1, y si el n
umero real de
cubiertas defectuosas en el lote es:
a) X = 0, 1, 2, 3, 4
b) Responder la anterior pregunta
se c = 2.
22. De cada 2.000 tornillos fabricados
por una determinada maquina hay 2
defectuosos. Para realizar el control
de calidad se observan 150 tornillos
y se rechaza el lote si el n
umero de
defectuosos es mayor que 1. Calcular
la probabilidad de que el lote sea rechazado.
23. En pruebas realizadas a un amortiguador para automovil se encontro que el 20 % presentaban fuga
de aceite. Si se instalan 20 de estos
amortiguadores, hallar la probabilidad de que:
a) 4 salgan defectuosos,
b) mas de 5 tengan fuga de aceite.
c) de 3 a 6 amortiguadores salgan
defectuosos.
d ) Determine el y la desviacion
estandar de amortiguadores con
defectos.

Nueva Esta Di Stica

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Nueva Esta Di Stica

Caricato da

Copyright:

Formati disponibili

Notas de PROBABILIDAD y ESTADISTICA

Captulo 1. Estadstica Descriptiva

Para comprender la naturaleza de la estadstica inferencial, es necesario precisar algunos

para determinado problema. En estadstica, poblacion es un concepto mucho mas

mediciones obtenidas mediante un experimento. De esta forma, una buena muestra

Ejemplo 1.3 Un ingeniero electr

cierto tipo de transistores supera las 500 horas.

Humberto Barrios - hbarrios@unicesar.edu.co

1.2 DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES

DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES

Ejemplo 1.4 Si se seleccionaron aleatoriamente en un proceso de fabricaci

semana, 100 bateras para hallar alg

Si quisieramos buscar alg

Captulo 1. Estadstica Descriptiva

Cuadro 1.2: Tiempo de duraci

de 100 bateras ordenadas de

1.2 DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES

Humberto Barrios - hbarrios@unicesar.edu.co

Captulo 1. Estadstica Descriptiva

Es claro, que si la muestra es el reflejo de la poblacion, o como dicen mis compa

Polgono de frecuencias. Los polgonos de frecuencias son otra forma de representar

1.2 DESCRIPCIONES DE UN CONJUNTO DE MEDICIONES

eje vertical las frecuencias correspondientes y en los extremos se a

Captulo 1. Estadstica Descriptiva

Ojiva. Para graficar la distribuci

En este contexto el principal uso de la distribucion acumulada (o acumulada relativa) es

MEDIDAS DE TENDENCIA CENTRAL

f2 , f3 , . . . fk , respectivamente, en una distribucion de frecuencias. Entonces la media

menor a mayor, es el valor medio si el n

Humberto Barrios - hbarrios@unicesar.edu.co

Captulo 1. Estadstica Descriptiva

cual la mitad de todas las observaciones es menor y la otra mitad es mayor.

Puesto que la mediana es un valor que se basa en la secuencia ordenada de las n

observaciones que ocurre con mayor frecuencia. La cual notaremos por: Mo .

Humberto Barrios - hbarrios@unicesar.edu.co

Para calcular la media se utiliza la formula (1.2), es decir,

Captulo 1. Estadstica Descriptiva

En cualquier otro caso, no existen reglas universales para la aplicacion de la media, la

f1 , f2 , f3 , . . . fk , respectivamente, en una distribucion de frecuencias. Entonces la

Donde n = f1 + f2 + f3 + . . . + fk . En el caso, f1 = f2 = f3 = . . . = fk = 1 entonces

Humberto Barrios - hbarrios@unicesar.edu.co

Captulo 1. Estadstica Descriptiva

f1 , f2 , f3 , . . . fk , respectivamente, en una distribucion de frecuencias. Entonces la

Donde n = f1 + f2 + f3 + . . . + fk . En el caso, f1 = f2 = f3 = . . . = fk = 1 entonces

Cuando se sustituye la media por la mediana en (1.8) y (1.9) se obtiene la desviacion

Ejemplo 1.8 El tiempo de reparaci

Ejemplo 1.9 Con la distribuci

Humberto Barrios - hbarrios@unicesar.edu.co

Captulo 1. Estadstica Descriptiva

Utilicemos el cuadro 1.5, para la varianza, desviacion estandar, desviacion media y

OTRAS MEDIDAS DESCRIPTIVAS

1. Se identifica la clase cuantil, la cual sera la que contiene el elemento para el

de frecuencias es el coeficiente de variacion, que esta definido por:

Humberto Barrios - hbarrios@unicesar.edu.co

Los cantiles com

En este contexto el recorrido interdecil es una medida de la dispersion del 80 % de la

Humberto Barrios - hbarrios@unicesar.edu.co

Captulo 1. Estadstica Descriptiva

De la misma manera se calcula x0.9 ,

As, el recorrido interdecil es = 213.5-138.5 = 75.

Captulo 1. Estadstica Descriptiva

a) Construir una distribucion de frecuencia acumulada y relativa acumulada.

1. Demostrar las siguientes identidades algebraicas:

2. Demuestre que la funci