UNIDAD N 1: TECNICAS DE CONTEO...........................................

3
A)

CONCEPTO DE CONTEO........................................................................3

B) PRINCIPIO MULTIPLICATIVO......................................................................4
C) PRINCIPIO ADITIVO.................................................................................4
M = 2 x 4 x 2 = 16 maneras......................................................................................... 5
D) PERMUTACIONES...................................................................................5
COMBINACIN Y PERMUTACION....................................................................5
CAMBIOS................................................................................................. 6
E) PERMUTACIONES CON REPETICION............................................................9
G) COMBINACIONES..................................................................................12
H) PARTICIONES ORDENADAS.....................................................................14
I. DIAGRAMA DE ARBOL.............................................................................15

UNIDAD N 2: PROBABILIDAD...................................................16
A)CONCEPTO..........................................................................................16
B) AXIOMAS Y TEOREMAS..........................................................................19
C) ESPACIOS FINITOS DE PROBABILIDAD.......................................................20
D) ESPACIOS FINITOS EQUIPROBABLES........................................................21
E) PROBABILIDAD CONDICIONAL.................................................................22
F) TEOREMA DE LA MULTIPLICACIN PARA PROBABILIDAD CONDICIONAL............25
G) PROCESOS ESTOCASTICOS....................................................................26
H) TEOREMA DE BAYES.............................................................................27
I) INDEPENDENCIA...................................................................................29

UNIDAD N 3: ESTADSTICA DESCRIPTIVA...................................31

a)

CONCEPTO.......................................................................................31

b) TRATAMIENTO PARA DATOS NO AGRUPADOS.............................................31

C) TRATAMIENTO PARA DATOS AGRUPADOS.................................................38

D) DISTRIBUCIONES DE PROBABILIDAD.......................................................43
DISTRIBUCIN DE PROBABILIDAD CONTINUA.................................................44
CALCULO DE MEDIA Y DESVIACIN ESTANDAR PARA UNA DISTRIBUCIN DISCRETA45

UNIDAD N 4 DISTRIBUCIONES DE PROBABILIDAD DISCRETAS.........49

1. DISTRIBUCIN BINOMIAL.......................................................................50
2. DISTRIBUCIN MULTINOMIAL..................................................................52
3) DISTRIBUCIN HIPERGEOMTRICA.........................................................55
4)

DISTRIBUCIN HIPERGEOMETRICA GENERALIZADA..................................57

5) DISTRIBUCIN DE POISSON..................................................................58
6. APROXIMACIN DE POISSON A LA BINOMIAL............................................59
7. DISTRIBUCIN GEOMTRICA..................................................................61
DISTRIBUCIN BINOMIAL NEGATIVA.............................................................62

UNIDAD N 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS........64

DISTRIBUCIN NORMAL.............................................................................64
APROXIMACIN DE LA NORMAL A LA BINOMIAL.........................................66
1.

DISTRIBUCIN EXPONENCIAL...............................................................69

Unidad N 1: TECNICAS DE CONTEO

A)

CONCEPTO DE CONTEO

Suponga que se encuentra al final de una lnea de ensamble final de un producto y que un supervisor le
ordena contar los elementos de un lote que se ha manufacturado hace unas horas y del que se
desconoce el nmero de productos que lo constituyen, de inmediato usted empezar a contar un
producto tras otro y al final informar al supervisor que son, 48, 54 u otro nmero cualquiera. Ahora
suponga que ese mismo supervisor le plantea la siguiente pregunta cuntas muestras o grupos ser
posible formar con los productos del lote, si las muestras o grupos a formar son de ocho elementos cada
una de ellas?.
En el primer caso el cuantificar los elementos del lote no presenta dificultad alguna para la persona
encargada de hacerlo, pero cuando se le hace el segundo planteamiento, al tratar de formar las
muestras o grupos de ocho elementos la persona encargada empezar a tener dificultad para hacerlo,
en casos como este es necesario hacer uso de las tcnicas de conteo para cuantificar los elementos del
evento en cuestin (el nmero de muestras posibles a formar de ocho elementos)
Las tcnicas de conteo son aquellas que son usadas para enumerar eventos difciles de
cuantificar.
Ejemplos en los que definitivamente haremos uso de las tcnicas de conteo seran:
-Cuntas comisiones pro limpieza del instituto se pueden formar si hay 150 alumnos que desean
ayudar en esta tarea y se desea formar comisiones de ocho alumnos?
-Cuntas representaciones de alumnos pueden ser formadas a) si se desea que estas consten solo de
alumnos de Ingeniera Qumica?, b) se desea que el presidente sea un qumico?, c) se desea que el
presidente y tesorero sean qumicos? Para todos los casos, se desea que las representaciones consten
de once alumnos.
Se les denomina tcnicas de conteo a: las combinaciones, permutaciones y diagrama de rbol, las
que nos proporcionan la informacin de todas las maneras posibles en que ocurre un evento
determinado.
Las bases para entender el uso de las tcnicas de conteo son el principio multiplicativo y el aditivo, los
que a continuacin se definen y se hace uso de ellos.

B) PRINCIPIO MULTIPLICATIVO.

Si se desea realizar una actividad que consta de r pasos, en donde el primer paso de la actividad a
realizar puede ser llevado a cabo de N1 maneras o formas, el segundo paso de N 2 maneras o formas y
el r-simo paso de Nr maneras o formas, entonces esta actividad puede ser llevada a efecto de;

N1 x N2 x ..........x Nr maneras o formas

El principio multiplicativo implica que cada uno de los pasos de la actividad deben ser llevados a
efecto, uno tras otro.
Ejemplos:
1)

Una persona desea construir su casa, para lo cul considera que puede construir los cimientos
de su casa de cualquiera de dos maneras (concreto o block de cemento), mientras que las
paredes las puede hacer de adobe, adobn o ladrillo, el techo puede ser de concreto o lmina
galvanizada y por ltimo los acabados los puede realizar de una sola manera cuntas maneras
tiene esta persona de construir su casa?

Solucin:
Considerando que r = 4 pasos
N1= maneras de hacer cimientos = 2

N2= maneras de construir paredes = 3

N3= maneras de hacer techos = 2
N4= maneras de hacer acabados = 1
N1 x N2 x N3 x N4 = 2 x 3 x 2 x 1 = 12 maneras de construir la casa
El principio multiplicativo, el aditivo y las tcnicas de conteo que posteriormente se tratarn nos
proporcionan todas las maneras o formas posibles de como se puede llevar a cabo una
actividad cualquiera.
C) PRINCIPIO ADITIVO.
Si se desea llevar a efecto una actividad, la cul tiene formas alternativas para ser realizada, donde la
primera de esas alternativas puede ser realizada de M maneras o formas, la segunda alternativa puede
realizarse de N maneras o formas y la ltima de las alternativas puede ser realizada de W maneras o
formas, entonces esa actividad puede ser llevada a cabo de,
M + N + .........+ W maneras o formas
Ejemplos:
1)
Una persona desea comprar una lavadora de ropa, para lo cul ha pensado que puede
seleccionar de entre las marcas Whirpool, Easy y General Electric, cuando acude a hacer la
compra se encuentra que la lavadora de la marca W se presenta en dos tipos de carga ( 8 u 11
kilogramos), en cuatro colores diferentes y puede ser automtica o semiautomtica, mientras
que la lavadora de la marca E, se presenta en tres tipos de carga (8, 11 o 15 kilogramos), en dos
colores diferentes y puede ser automtica o semiautomtica y la lavadora de la marca GE, se
presenta en solo un tipo de carga, que es de 11 kilogramos, dos colores diferentes y solo hay
semiautomtica. Cuntas maneras tiene esta persona de comprar una lavadora?
Solucin:
M = Nmero de maneras de seleccionar una lavadora Whirpool
N = Nmero de maneras de seleccionar una lavadora de la marca Easy
W = Nmero de maneras de seleccionar una lavadora de la marca General Electric
M = 2 x 4 x 2 = 16 maneras
N = 3 x 2 x 2 = 12 maneras
W = 1 x 2 x 1 = 2 maneras
M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora
Cmo podemos distinguir cuando hacer uso del principio multiplicativo y cuando del aditivo?
Es muy simple, cuando se trata de una sola actividad, la cual requiere para ser llevada a efecto de una
serie de pasos, entonces haremos uso del principio multiplicativo y si la actividad a desarrollar o a ser
efectuada tiene alternativas para ser llevada a cabo, haremos uso del principio aditivo.

D) PERMUTACIONES.

Para entender lo que son las permutaciones es necesario definir lo que es una combinacin y lo que es
una permutacin para establecer su diferencia y de esta manera entender claramente cuando es posible
utilizar una combinacin y cuando utilizar una permutacin al momento de querer cuantificar los
elementos de algn evento.

COMBINACIN Y PERMUTACION.
COMBINACIN:
Es todo arreglo de elementos en donde no nos interesa el lugar o posicin que ocupa cada uno de los
elementos que constituyen dicho arreglo.

PERMUTACIN:
Es todo arreglo de elementos en donde nos interesa el lugar o posicin que ocupa cada uno de los
elementos que constituyen dicho arreglo. Para ver de una manera objetiva la diferencia entre una
combinacin y una permutacin, plantearemos cierta situacin.
Suponga que un saln de clase est constituido por 35 alumnos. a) El maestro desea que tres de los
alumnos lo ayuden en actividades tales como mantener el aula limpia o entregar material a los alumnos
cuando as sea necesario. b) El maestro desea que se nombre a los representantes del saln
(Presidente, Secretario y Tesorero).
Solucin:
a)
Suponga que por unanimidad se ha elegido a Daniel, Arturo y a Rafael para limpiar el aula o
entregar material, (aunque pudieron haberse seleccionado a Rafael, Daniel y a Enrique, o pudo haberse
formado cualquier grupo de tres personas para realizar las actividades mencionadas anteriormente).Es
importante el orden como se selecciona a los elementos que forma el grupo de tres personas?
Reflexionando al respecto nos damos cuenta de que el orden en este caso no tiene importancia, ya que
lo nico que nos interesara es el contenido de cada grupo, dicho de otra forma, quines estn en el
grupo? Por tanto, este ejemplo es una combinacin, quiere decir esto que las combinaciones nos
permiten formar grupos o muestras de elementos en donde lo nico que nos interesa es el contenido de
los mismos.
b)
Suponga que se han nombrado como representantes del saln a Daniel como Presidente, a Arturo
como secretario y a Rafael como tesorero, pero resulta que a alguien se le ocurre hacer algunos
cambios, los que se muestran a continuacin:
CAMBIOS
Rafael

PRESIDENTE:

Daniel

Arturo

Daniel

SECRETARIO:

Arturo

Daniel

Daniel

Rafael

TESORERO:

Rafael

Rafael

Arturo

Arturo

Ahora tenemos cuatro arreglos, se trata de la misma representacin?

Creo que la respuesta sera no, ya que el cambio de funcin que se hace a los integrantes de la
representacin original hace que definitivamente cada una de las representaciones trabaje de manera
diferente, importa el orden de los elementos en los arreglos?. La respuesta definitivamente sera s,
luego entonces las representaciones antes definidas son diferentes ya que el orden o la forma en que se
asignan las funciones s importa, por lo tanto es este caso estamos tratando con permutaciones.
A continuacin obtendremos las frmulas de permutaciones y de combinaciones, pero antes hay que
definir lo que es n! (ene factorial), ya que est involucrado en las frmulas que se obtendrn y usarn
para la resolucin de problemas.
n!= al producto desde la unidad hasta el valor que ostenta n.
n!= 1 x 2 x 3 x 4 x...........x n
Ejemplo.

10!=1 x 2 x 3 x 4 x.........x 10=3,628,800

8!= 1 x 2 x 3 x 4 x.........x 8=40,320
6!=1 x 2 x 3 x 4 x..........x 6=720, etc., etc.
Obtencin de frmula de permutaciones.
Para hacer esto, partiremos de un ejemplo.
Cuntas maneras hay de asignar los cuatro primeros lugares de un concurso de creatividad que se
verifica en las instalaciones de nuestro instituto, si hay 14 participantes?

Solucin:
Haciendo uso del principio multiplicativo,
14x13x12x11 = 24,024 maneras de asignar los primeros tres lugares del concurso
Esta solucin se debe, a que al momento de asignar el primer lugar tenemos a 14 posibles
candidatos, una vez asignado ese lugar nos quedan 13 posibles candidatos para el segundo lugar,
luego tendramos 12 candidatos posibles para el tercer lugar y por ltimo tendramos 11 candidatos
posibles para el cuarto lugar.
Luego si n es el total de participantes en el concurso y r es el nmero de participantes que van a ser
premiados, y partiendo de la expresin anterior, entonces.
14x13x12x11= n x (n - 1) x (n - 2) x .......... x (n r + 1)
si la expresin anterior es multiplicada por (n r)! / (n r)!, entonces
= n x (n 1 ) x (n 2) x ......... x (n r + 1) (n r)! / (n r)!= n!/ (n r)!
Por tanto, la frmula de permutaciones de r objetos tomados de entre n objetos es:

Esta frmula nos permitir obtener todos aquellos arreglos en donde el orden es importante y solo se
usen parte (r) de los n objetos con que se cuenta, adems hay que hacer notar que no se pueden repetir
objetos dentro del arreglo, esto es, los n objetos son todos diferentes.
Entonces, qu frmula hay que usar para arreglos en donde se utilicen los n objetos con que se
cuenta?
Si en la frmula anterior se sustituye n en lugar de r, entonces.
nPn= n!/ (n n)! = n! / 0! = n! / 1 = n!

Como 0! = 1 de acuerdo a demostracin matemtica, entonces

nPn= n!
Ejemplos:
1)

Cuantas representaciones diferentes sern posibles formar, si se desea que consten de

Presidente, Secretario, Tesorero, Primer Vocal y Segundo Vocal?, s esta representacin puede
ser formada de entre 25 miembros del sindicato de una pequea empresa.

Solucin:
Por principio multiplicativo:

25 x 24 x 23 x 22 x 21 = 6,375,600 maneras de formar una representacin de ese sindicato que conste

de presidente, secretario, etc., etc.
Por Frmula:
n = 25,
25

r=5

P5 = 25!/ (25 5)! = 25! / 20! = (25 x 24 x 23 x 22 x 21 x....x 1) / (20 x 19 x 18 x ... x 1)=
= 6,375,600 maneras de formar la representacin

2) a. Cuntas maneras diferentes hay de asignar las posiciones de salida de 8 autos que participan en
una carrera de frmula uno? (Considere que las posiciones de salida de los autos participantes en la
carrera son dadas totalmente al azar) b. Cuntas maneras diferentes hay de asignar los primeros tres
premios de esta carrera de frmula uno?
Solucin:
a. Por principio multiplicativo:
8 x 7 x 6 x 5 x 4 x 3 x 2 x 1= 40,320 maneras de asignar las posiciones de salida de los autos
participantes en la carrera
Por Frmula:

n = 8, r = 8

P8= 8! = 8 x 7 x 6 x 5 x 4 x......x 1= 40,320 maneras de asignar las posiciones de salida ......etc., etc.

b. Por principio multiplicativo:

8 x 7 x 6 = 336 maneras de asignar los tres primeros lugares de la carrera
Por frmula:
n =8, r = 3
P3 = 8! / (8 3)! = 8! / 5! = (8 x 7 x 6 x 5 x ........x1)/ (5 x 4 x 3 x......x1) = 336 maneras de asignar los tres
primeros lugares de la carrera
8

3)
Cuntos puntos de tres coordenadas ( x, y, z ), ser posible generar con los dgitos 0, 1, 2, 4, 6
y 9?, Si, a. No es posible repetir dgitos, b. Es posible repetir dgitos.
Solucin:
a. Por frmula
n = 6,
6

r=3

P3 = 6! / (6 3)! = 6! / 3! = 6 x 5 x 4 x 3! / 3! = 6 x 5 x 4 = 120 puntos posibles

Nota: este inciso tambin puede ser resuelto por el principio multiplicativo
b. Por el principio multiplicativo
6 x 6 x 6 = 216 puntos posibles
Cul es la razn por la cul no se utiliza en este caso la frmula?. No es utilizada debido a que la
frmula de permutaciones slo se usa cuando los objetos no se repiten, esto quiere decir que en el inciso
a. Los puntos generados siempre van a tener coordenadas cuyos valores son diferentes ejem. (1, 2, 4),
(2, 4, 6), (0, 4, 9), etc. etc., mientras que los puntos generados en el inciso b. Las coordenadas de los

puntos pueden tener valores diferentes o repeticiones de algunos valores o pueden tener todas las
coordenadas un mismo valor ejem. (1, 2, 4), (1, 2, 2), (1, 1, 1), etc., etc.
E) PERMUTACIONES CON REPETICION.
En los casos anteriores se han obtenido permutaciones en donde todos los elementos utilizados
para hacer los arreglos son diferentes. A continuacin se obtendr una frmula que nos permite obtener
las permutaciones de n objetos, cuando entre esos objetos hay algunos que son iguales.
Ejemplo:
Obtenga todas las permutaciones posibles a obtener con las letras de la palabra OSO.
Solucin:
Para obtener la frmula, es necesario primero suponer que todas las letras de la palabra
OSO son diferentes y para diferenciarlas pondremos subndices a las letras O, por lo que
quedara, O1SO2, y las permutaciones a obtener seran:
3

P3 = 3! = 6

definiendo las permutaciones tenemos que estas seran,

O1SO2, O2SO1, SO1O2, SO2O1, O1O2S, O2O1S
Pero realmente podemos hacer diferentes a las letras O?, eso no es posible, luego entonces
cuntos arreglos reales se tienen?

Como:
Arreglos reales
O1SO2 = O2SO1

OSO

SO1O2 = SO2O1

SOO

O1O2S= O2O1S

OOS

Entonces se observa que en realidad slo es posible obtener tres permutaciones con las letras de la
palabra OSO debido a que las letras O son idnticas, pero qu es lo que nos hizo pensar en seis
arreglos en lugar de tres?, el cambio que hicimos entre las letras O cuando las consideramos diferentes,
cuando en realidad son iguales.
Para obtener los arreglos reales es necesario partir de la siguiente expresin:
El nmero de arreglos reales = No. de permutaciones considerando a todos los objetos como diferentes
Los cambios entre objetos iguales
El nmero de arreglos reales = 3! / 2! = 3 x 2! / 2! = 3
Por tanto la frmula a utilizar sera;

Donde:
nPx1,x2,......, xk = Nmero total de permutaciones que es posible obtener con n objetos, entre los que hay
una cantidad x1 de objetos de cierto tipo, una cantidad x2 de objetos de un segundo tipo,...... y una
cantidad xk de objetos del tipo k.
n = x1 + x2 + ...... + xk
Ejemplos:
1) Obtenga todas las seales posibles que se pueden disear con seis banderines, dos de los cuales
son rojos, tres son verdes y uno morado.
Solucin:

n = 6 banderines
x1 = 2 banderines rojos
x2 = 3 banderines verdes
x3 = 1 bandern morado
6

P2,3,1 = 6! / 2!3!1! = 60 seales diferentes

2)
a.Cuntas claves de acceso a una computadora ser posible disear con los nmeros
1,1,1,2,3,3,3,3?, b.cuntas de las claves anteriores empiezan por un nmero uno seguido de un dos?,
c. cuntas de las claves del inciso a empiezan por el nmero dos y terminan por el nmero tres?
Solucin:
a.) n = 8 nmeros
x1 = 3 nmeros uno
x2 = 1 nmero dos
x3 = 4 nmeros cuatro
8

P3,1,4 = 8! / 3!1!4! = 280 claves de acceso

b.) n = 6 (se excluye un nmero uno y un dos)

x1 = 2 nmeros uno
x2 = 4 nmeros tres
1 x 1 x 6P2,4 = 1 x 1 x 6! / 2!4! = 15 claves de acceso
El primer nmero uno nos indica el nmero de maneras como es posible colocar en la primera posicin
de la clave de acceso un nmero uno, debido a que todos los nmeros uno son iguales, entonces
tenemos una sola manera de seleccionar un nmero uno para la primera posicin, el siguiente nmero
uno nos indica el nmero de maneras como se colocara en la segunda posicin el nmero dos y la
expresin siguiente nos indica todos los arreglos posibles que es posible disear con los nmeros
restantes.

c. n = 6 (se excluye un nmero dos y un tres)

x1 = 3 nmeros uno
x2 = 3 nmeros tres
1 x 6P3,3 x1 = 1 x 6! / 3!3! = 20 claves de acceso
El nmero uno inicial nos indica que existe una sola manera de seleccionar el nmero dos que va en la
primera posicin del arreglo, mientras que el nmero uno final nos indica que hay una sola manera de
seleccionar el nmero tres que va al final del arreglo an y cuando haya cuatro nmeros tres, como estos
son iguales al disear una permutacin es indistinto cul nmero tres se ponga, ya que siempre se
tendr el mismo arreglo y la expresin intermedia nos indica todos los arreglos posibles a realizar con los
nmeros restantes.
3)
De cuntas maneras es posible plantar en una lnea divisoria de un terreno dos nogales, cuatro
manzanos y tres ciruelos?
Solucin:

n = 9 rboles
x1 = 2 nogales
x2 = 4 manzanos
x3 = 3 ciruelos

P2,4,3 = 9! / 2!4!3! = 1260 maneras de plantar los rboles

F) PRUEBAS ORDENADAS.

Se le llama prueba ordenada al hecho de seleccionar r objetos de entre n objetos contenidos en una
urna uno tras otro. Una prueba ordenada puede ser llevada a efecto de dos maneras:

1)

Con sustitucin (con reemplazo).- En este caso se procede a seleccionar el primer objeto de
entre los n que hay, se observa de qu tipo es y se procede a regresarlo a la urna, luego
se selecciona el siguiente objeto, lo anterior se repite hasta que se han extrado los r objetos de
la prueba, por tanto el nmero de pruebas ordenadas de con sustitucin se obtiene:

Nmero total de pruebas ordenadas con sustitucin = n x n x n x .........x n = n r

Hay n maneras de seleccionar el primer objeto, luego al seleccionar el segundo objeto, dado que se
ha regresado a la urna el primer objeto, tambin se tendrn n objetos y as sucesivamente.

2)

Sin sustitucin (sin reemplazo).- En este caso se procede a seleccionar el primer objeto, el cual
no es regresado a la urna, luego se selecciona el segundo objeto, lo anterior se repite hasta
completar los r objetos de la prueba, por lo que el nmero total de pruebas ordenadas
sin sustitucin se obtiene:

Nmero total de pruebas ordenadas sin sustitucin = n(n-1)(n-2).........(n-r +1) = nPr

Hay n maneras de seleccionar el primer objeto, luego al seleccionar el segundo objeto, hay n
1 maneras, dado que el primer objeto no se regresa a la urna, luego cuando se extrae el r-simo
objeto, hay (n r +1) de que sea seleccionado.

Ejemplos:

1)

Cuntas maneras hay de que se asignen tres premios de un sorteo en donde el primer
premio es una departamento, el segundo premio es un auto y el tercer premio es un centro de
cmputo, si los participantes en este sorteo son 120 personas, a.s la asignacin se puede hacer
con sustitucin, b.s la asignacin se puede hacer sin sustitucin.

Solucin:

a. Por principio multiplicativo:

120 x 120 x 120 = 1,728,000 maneras de asignar los premios

Por frmula: n =120,

r = 120

nr = 1203 = 1,728,000 maneras de asignar los tres premios

Hay que considerar que en este caso, al regresar cada boleto que es extrado de la urna, las
personas que participan en el sorteo tienen la posibilidad de no ganar uno solo de los premios, de
ganar un premio, dos de los premios o los tres premios. Cosa que generalmente no ocurre.

b. Por principio multiplicativo:

120 x 119 x 118 = 1,685,040 maneras de asignar los premios

Por frmula:

n = 120,

r=3

P3 = 120! / (120 3)! = 120! / 117! = 120 x 119 x 118 = 1,685,040 maneras de asignar los premios

120

Hay que hacer notar que en este caso, como los boletos que son seleccionados ya no regresan a la
urna de donde fueron extrados, los participantes solo pueden recibir un premio en caso de que
fueran de los afortunados. Esta es la forma en que generalmente se efecta un sorteo.

G) COMBINACIONES.

Como ya se mencion anteriormente, una combinacin, es un arreglo de elementos en donde no nos

interesa el lugar o posicin que ocupan los mismos dentro del arreglo. En una combinacin nos interesa
formar grupos y el contenido de los mismos.

La frmula para determinar el nmero de combinaciones es:

Cr = Combinaciones de r objetos tomados de entre n objetos

Donde se observa que,

La expresin anterior nos explica como las combinaciones de r objetos tomados de entre n objetos
pueden ser obtenidas a partir de las permutaciones de r objetos tomados de entre n objetos, esto se
debe a que como en las combinaciones no nos importa el orden de los objetos, entonces si tenemos las
permutaciones de esos objetos al dividirlas entre r!, les estamos quitando el orden y por tanto
transformndolas en combinaciones, de otra forma, tambin si deseamos calcular permutaciones y
tenemos las combinaciones, simplemente con multiplicar estas por el r! obtendremos las permutaciones
requeridas.

Pr = nCr r!

Y si deseamos r = n entonces;

Cn = n! / (n n)!n! = n! / 0!n! = 1

Qu nos indica lo anterior?

Que cuando se desea formar grupos con la misma cantidad de elementos con que se cuenta solo es
posible formar un grupo.

Ejemplos:
1)

a. Si se cuenta con 14 alumnos que desean colaborar en una campaa pro limpieza del Tec,
cuantos grupos de limpieza podrn formarse si se desea que consten de 5 alumnos cada uno de
ellos, b.si entre los 14 alumnos hay 8 mujeres, cuantos de los grupos de limpieza tendrn a 3
mujeres?, c.cuntos de los grupos de limpieza contarn con 4 hombres por lo menos?

Solucin:

a. n = 14, r = 5

14

C5 = 14! / (14 5 )!5! = 14! / 9!5!

= 14 x 13 x 12 x 11 x 10 x 9!/ 9!5!
= 2002 grupos

Entre los 2002 grupos de limpieza hay grupos que contienen solo hombres, grupos que contienen solo
mujeres y grupos mixtos, con hombres y mujeres.

b. n = 14 (8 mujeres y 6 hombres),

r=5

En este caso nos interesan aquellos grupos que contengan 3 mujeres y 2 hombres

C3*6C2 = (8! / (8 3)!3!)*(6! / (6 2)!2!)

= (8! / 5!3!)*(6! / 4!2!)
= 8 x7 x 6 x 5 /2!
= 840 grupos con 3 mujeres y 2 hombres, puesto que cada grupo debe

constar de 5 personas

c. En este caso nos interesan grupos en donde haya 4 hombres o ms

Los grupos de inters son = grupos con 4 hombres + grupos con 5 hombres
= 6C4*8C1

C5*8C0 = 15 x 8 + 6 x 1 = 120 + 6 = 126

H) PARTICIONES ORDENADAS.
Se le llama particin ordenada al hecho de repartir n objetos en clulas de una cantidad
de x1 objetos, x2 objetos,......y xk objetos.
Para deducir la frmula de particiones ordenadas partiremos de un ejemplo.

Cuntas maneras hay de repartir 10 libros diferentes entre tres alumnos, si al primero le daremos 2, al
segundo 3 y el resto al tercer alumno?
Ejemplos de esta particin seran las siguientes si se numeran los libros del 1 al 10;

Solucin:
Lo primero que debemos hacer es seleccionar 2 libros de los 10 que se tienen para el primer alumno,
esto es;
10

C2 = 10! / (10 2)!2! = 10! / 8!2! = 45 maneras de seleccionar los libros

Luego se seleccionan 3 libros de los 8 que quedan para el segundo alumno;

8

C3 = 8! / (8 3)!3! = 8! / 5!3! = 56 maneras

Y por ltimo se proceder a seleccionar cinco libros de los cinco que quedan para el tercer alumno, lo
que se muestra a continuacin;
5

C5 = 5! / (5 5)!5! = 5! / 0!5! = 1 manera

Por tanto el nmero total de particiones ordenadas en clulas de 2, 3 y 5 elementos se determina:

10

C2*8C3*5C5 = (10! / (10 2)!2!)*(8! / (8 3)!3!)*(5! / (5 5)!5!) = 10! /2!3!5!

La expresin anterior nos recuerda a la frmula utilizada para encontrar las permutaciones de n objetos,
entre los cuales hay algunos objetos que son iguales, por lo que usaremos la misma frmula para
encontrar las particiones ordenadas.
Por tanto la frmula para las particiones ordenadas sera:

Esta frmula slo puede ser utilizada cuando se reparten todos los objetos, no parte de ellos, en ese
caso se usarn combinaciones.
Donde:
nPx1,x2,.....,xk = Total de particiones ordenadas o reparticiones que es posible hacer cuando los n objetos
son repartidos en grupos de x1 objetos, x2objetos ...... y xk objetos.
n = x1 + x2 + ......+ xk
Ejemplos:

1)

Cuntas maneras hay de repartir 9 juguetes entre tres nios, si se desea que al
primer nio le toquen 4 juguetes, al segundo 2 y al tercero 3 juguetes?

Solucin:
Por combinaciones,
9

C4*5C2*3C3 = 126*10*1= 1260 maneras de repartir los juguetes

Por frmula,
n=9
x1 = 4
x2 = 2
x3 =3
9

P4,2,3 = 9! / 4!2!3! = 1,260 maneras de repartir los juguetes

2)

Cuntas maneras hay de repartir los mismos 9 juguetes entre tres nios, si se desea
darle 3 al primer nio, 2 al segundo nio y 2 al tercer nio?

Solucin:
En este caso nicamente se puede dar solucin por combinaciones, ya que no es posible
usar la frmula debido a que se reparten solo parte de los juguetes.
C3*6C2*4C2 = 84*15*6 = 7,560 maneras de repartir los juguetes (solo se reparten 7 y quedan
dos juguetes)
9

I. DIAGRAMA DE ARBOL.

Un diagrama de rbol es una representacin grfica de un experimento que consta de r pasos, donde
cada uno de los pasos tiene un nmero finito de maneras de ser llevado a cabo.

Ejemplos:
1.Un mdico general clasifica a sus pacientes de acuerdo a: su sexo (masculino o femenino), tipo de
sangre (A, B, AB u O) y en cuanto a la presin sangunea (Normal, Alta o Baja). Mediante un diagrama
de rbol diga en cuantas clasificaciones pueden
estar los pacientes de este mdico?

Si contamos todas las ramas terminales, nos damos cuenta que el nmero de clasificaciones son 2
x 4 x 3 = 24 mismas que podemos enumerar;
MAN, MAA, MAB, MBN, MBA, MBB, etc, etc.

Unidad N 2: PROBABILIDAD
A)CONCEPTO.
La probabilidad se encarga de evaluar todas aquellas actividades en donde se tiene incertidumbre
acerca de los resultados que se pueden esperar, esto quiere decir que la probabilidad est presente en
casi en todas las actividades que se pretenda realizar, ejemplos:
-Cualquier proyecto de Ingeniera o de otras reas
-Competencias deportivas
-Juegos de azar, etc., etc.
Cmo podemos calcular probabilidades?
1. Haciendo uso de las estadsticas.
En este caso, se hace uso de la informacin que se ha acumulado acerca del evento que nos interesa, y
despus de esto se procede a calcular las probabilidades requeridas.
Ejemplo. Determine la probabilidad de que en cierta lnea de produccin se manufacture un producto
defectuoso, si se toma como referencia que la produccin de la ltima semana en esta lnea fue de 1,500
productos, entre los que se encontraron 8 productos defectuosos.
p(producto defectuoso) = No de productos defectuoso /Total de productos producidos en la semana
= 18 / 1500 = 0.012
Lo anterior nos indica que es muy probable que 1.2 productos de cada 100 que se manufacturen en esa
lnea sern defectuosos.

Porqu se utiliz para calcular las probabilidades la informacin de la semana inmediata anterior?.
Debido a que esta refleja la situacin que guarda actualmente la produccin de la lnea mencionada.
2. Basndose en la experimentacin. Hay casos en los que despus de repetir un nmero muy grande
de veces un experimento, es posible determinar las probabilidades de ocurrencia de algunos eventos,
tales como: La probabilidad de que aparezca guila al lanzar una moneda equilibrada, la probabilidad de
que aparezca el nmero 3 en un dado, etc., etc.
Ejemplos:
p(guila) =1/2 = 0.5
p(aparezca el nmero 3)= 1 / 6 = 0.1666
3. Asignando probabilidades. En este caso se hace uso de las probabilidades obtenidas mediante
estadsticas y la experimentacin y se asignan a los eventos previamente descritos y a partir de ellas se
determinan probabilidades de otros eventos.
A continuacin se definen algunas cuestiones implcitas en el clculo de probabilidades.
a) Espacio muestral (d).- Es el conjunto de todos los resultados posibles de un experimento. Es nuestro
Universo.
Ejemplos:
1. Se lanza al aire un dado normal (perfectamente equilibrado), enumere los posibles resultados de este
experimento.
d= {1, 2, 3, 4, 5, 6 }
2. Se lanza al aire dos veces una moneda normal, defina su espacio muestral.
d = {AA, AS, SA, SS}
b) Evento A.- El evento A es un subconjunto del espacio muestral.
Ejemplos:
1. Sea A el evento de que aparezca un nmero par en el lanzamiento de un dado, entonces;
A = {2,4,6}
2. Sea B el evento de que aparezcan dos guilas en tres lanzamientos de una moneda normal, entonces;
Como d = {AAA, AAS, SAA, ASA, ASS, SAS, SSA, SSS}
Luego B = {AAS, SAA, ASA}
a)

Sea f un evento que carece de elementos.

f={

Como se observa los experimentos y eventos probabilsticos se pueden expresar con la notacin de
conjuntos y a continuacin se enumeran algunas operaciones que es posible realizar con los eventos.
1) AuB Es el evento que ocurre si y solo s A ocurre o B ocurre o ambos ocurren.

2) AnB Es el evento que ocurre s y solo s A y B ocurren a un mismo tiempo.

3) Ac Es el complemento de A. Es el evento que ocurre s y solo s A no ocurre.

1)

Se dice que A y B son eventos mutuamente excluyentes o exclusivos si AnB = f

Ejemplo:
En un saln de clase hay 15 alumnos, 7 de los cules son de tercer semestre, 5 son de cuarto
semestre y 3 son de quinto semestre de la carrera de Ingeniera Qumica, de los cuales 4, 2 y 1
respectivamente dominan el Ingls, si se selecciona un alumno al azar de este grupo, a. cul es la
probabilidad de que el alumno seleccionado sea de quinto semestre?, b. cul es la probabilidad de
que sea de tercero o cuarto semestre?, c. cul es la probabilidad de que el alumno seleccionado
sea de tercer semestre y domine el ingls?, d. cul es la probabilidad de que el alumno
seleccionado no domine el ingls?, e. Diga si los eventos T y Q son mutuamente excluyentes, diga si
los eventos Q e I son mutuamente excluyentes?
Solucin:

Empezaremos por definir algunos eventos;

T = evento de que un alumno sea de tercer semestre
Cu = evento de que un alumno sea de cuarto semestre
Q = evento de que un alumno sea de quinto semestre
I = evento de que un alumno domine el ingls
a.
p(alumno seleccionado sea de quinto semestre) = p(Q) = 3/15 = 0.2
b.
p(alumno seleccionado sea de tercero o cuarto semestre)= p(T Cu) == p( T) + p(Cu) = 7/15 + 5/15
= 12/15 = 0.8
c.

p(alumno sea de tercer semestre y domine el ingls) = p(T I) = 4/15 = 0.26667

d.
p(alumno seleccionado no domine el ingls) = p(Ic ) = 8/15 = 0.53333
e.
Los eventos T y Q son mutuamente excluyentes dado que TQ = f
Los eventos Q e I no son eventos mutuamente excluyentes, ya que QI= {1}
Ya que hay un alumno que cumple con ambos eventos, es de quinto semestre y domina el ingls.
B) AXIOMAS Y TEOREMAS.
Para el clculo de probabilidades hay que tomar en cuenta los Axiomas y Teoremas que a continuacin
se enumeran.
1)La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno.
0 p(A) 1
2)La probabilidad de que ocurra el espacio muestral d debe de ser 1.
p(d) = 1
3)Si A y B son eventos mutuamente excluyentes, entonces la p(AB) = p(A) + p(B)
Generalizando:
Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,.....An, entonces;
p(A1A2.........An) = p(A1) + p(A2) + .......+ p(An)
TEOREMAS
TEOREMA 1. Si f es un evento nulo o vaco, entonces la probabilidad de que ocurra f debe ser cero.

DEMOSTRACIN:
Si sumamos a f un evento A cualquiera, como f y A son dos eventos mutuamente excluyentes, entonces
p(Afu)=p(A) +p(f)=p(A). LQQD
TEOREMA 2. La probabilidad del complemento de A, Ac debe ser, p(Ac)= 1 p(A)

DEMOSTRACIN:
Si el espacio muestral d, se divide en dos eventos mutuamente exclusivos, A y Ac luego d=AuAc, por
tanto p(d)=p(A) + p(Ac) y como en el axioma dos se afirma que p(d)=1, por tanto, p(A c)= 1 - p(A) .LQQD
TEOREMA 3. Si un evento A B, entonces la p(A) p(B).

DEMOSTRACIN:
Si separamos el evento B en dos eventos mutuamente excluyentes, A y B \ A (B menos A), por tanto,
B=Au(B \ A) y p(B)=p(A) +p(B \ A), luego entonces si p(B \ A)0 entonces se cumple que p(A)p(B).
LQQD
TEOREMA 4. La p( A \ B )= p(A) p(AnB)

DEMOSTRACIN: Si A y B son dos eventos cualquiera, entonces el evento A se puede separar en dos
eventos mutuamente excluyentes, (A \ B) y AnB, por tanto, A=(A \ B)u(AB), luego p(A)=p(A \ B) +
p(AB), entonces, p(A \ B) = p(A) p(AnB). LQQD
TEOREMA 5. Para dos eventos A y B, p(AuB)=p(A) + p(B) p(AnB).

DEMOSTRACIN:
Si AuB = (A \ B) u B, donde (A \ B) y B son eventos mutuamente excluyentes, por lo que p(A u B) = p(A \
B) + p(B) y del teorema anterior tomamos que p(A \ B) = p(A) p(AnB), por tanto, p(AuB) = p(A) + p(B)
p(AnB). LQQD
COROLARIO:

C) ESPACIOS FINITOS DE PROBABILIDAD.

Sea d el espacio muestral, que contiene n elementos {a1, a2, a3,.....,an}, si a cada uno de los elementos
de d le asignamos una probabilidad pi 0, entonces estamos transformando este espacio muestral en un
espacio finito de probabilidad; el que debe cumplir con las siguientes caractersticas:
1)

Las probabilidades asociadas a cada uno de los elementos de d deben ser

mayores o iguales a cero, pi0.
2) La sumatoria de las probabilidades asociadas a cada uno de los elementos
de d debe de ser igual a 1.
Spi = 1
En caso de que no se cumpla con las caractersticas antes mencionadas, entonces no se trata de un
espacio finito de probabilidad.
Ejemplos:
1.Se lanza al aire un dado normal, si la probabilidad de que aparezca una de sus caras es proporcional
al nmero que ostenta, a) cul es la probabilidad de que aparezca un nmero par?, b) cul es la
probabilidad de que aparezca un nmero primo?
Solucin:
d = {1, 2, 3, 4, 5, 6}
En este caso asignaremos las probabilidades como sigue;
p(aparezca el nmero 1) = p, p(aparezca el nmero 2) = 2p, .....,
p(aparezca el nmero 5) = 5p, p(aparezca el nmero 6) = 6p
Y por ser d un espacio finito de probabilidad, entonces,
p(d) = p + 2p + 3p + 4p + 5p + 6p =1
Por tanto, 21p = 1, luego, p = 1/21

a.

Luego;

A = evento de que aparezca un nmero par = {2, 4, 6}

p(A)=p(2)+p(4) + p(6) = 2p + 4p + 6p = 12p = 12(1/21) = 12/21= 0.5714
b.

B = es el evento de que aparezca un nmero primo = {1, 2, 3, 5}

p(B)=p(1) + p(2) + p(3) + p(5) = p + 2p + 3p + 5p = 11p = 11(1/21) = 11/21 = 0.5238

D) ESPACIOS FINITOS EQUIPROBABLES.

Sea d un espacio muestral que contiene n elementos, d = {a1, a2, a3,....,an}, si a cada uno de los
elementos de d le asignamos una probabilidad igual de ocurrencia, pi = 1/n por tener n elementos d,
entonces estamos transformando este espacio muestral en un espacio finito equiprobable, el que debe
cumplir con las siguientes condiciones:
1. Las probabilidades asociadas a cada uno de los elementos del espacio muestral deben ser
mayores o iguales a cero, pi 0.
2. La sumatoria de las probabilidades asociadas a cada elemento del espacio muestral debe de ser
igual a 1.
Spi = 1
En caso de que no se cumpla con las condiciones anteriores, entonces no se trata de un espacio finito
equiprobable.
Solo en el caso de espacios finitos equiprobables, si deseamos determinar la probabilidad de que ocurra
un evento A cualquiera, entonces;
p(A) = r*1/n = r/n
p(A) = maneras de ocurrir el evento A/ Nmero de elementos del espacio muestral
r = maneras de que ocurra el evento A
1/n = probabilidad asociada a cada uno de los elementos del espacio muestral
n = nmero de elementos del espacio muestral
Ejemplos:
1. Se lanza al aire una moneda normal (una moneda perfectamente equilibrada) tres veces,
determine la probabilidad de que: a. Aparezcan puros sellos, b. Aparezcan dos guilas, c.
Aparezcan por lo menos dos guilas.
Solucin:
Para calcular las probabilidades de este problema, hay que definir el espacio muestral en cuestin; si
representamos los tres lanzamientos de la moneda mediante un diagrama de rbol, encontraremos
que el espacio muestral o el conjunto de todos los resultados posibles es:
d = {AAA, ASS, SAS, SSA, AAS, SAA, ASA, SSS}
a. A = evento de que aparezcan puros sellos = {SSS}
p(A) = p(aparezcan puros sellos) = p(SSS) = 1/8 = 0.125
Porqu un octavo?, s el espacio muestral consta de 8 elementos como se ha observado, entonces
la probabilidad asociada a cada uno de los elementos del espacio muestral es de 1/8, por ser un

espacio finito equiprobable ya que cada uno de los elementos mostrados tiene la misma probabilidad
de ocurrencia.
b. B = evento de que aparezcan dos guilas = {AAS, SAA, ASA}
p(B) = p(aparezcan dos guilas) = p(AAS, SAA, ASA) = 1/8 + 1/8 + 1/8 = 3/8 = 0.375
c.

C = evento de que aparezcan por lo menos dos guilas = {AAS, SAA, ASA, AAA}

p(C) = p(AAS, SAA, ASA, AAA)=p(aparezcan dos guilas) + p(aparezcan tres guilas)
p(C) = 4/8 = 1/2 = 0.5
E) PROBABILIDAD CONDICIONAL
Sea d un espacio muestral en donde se ha definido un evento E, donde p(E)>0, si deseamos
determinar la probabilidad de que ocurra un evento A (el que tambin es definido en el mismo
espacio muestral), dado que E ya ocurri, entonces deseamos determinar una probabilidad de tipo
condicional, la que se determina como se muestra;

Donde:
p(A|E) = probabilidad de que ocurra A dado que E ya ocurri
p(AnE) = probabilidad de que ocurra A y E a un mismo tiempo
p(E) = probabilidad de que ocurra E
Luego;

Por tanto:

Donde:
|AnE|= nmero de elementos comunes a los eventos A y E
|E|= nmero de elementos del evento E
Luego entonces podemos usar cualquiera de las dos frmulas para calcular la probabilidad
condicional de A dado que E ya ocurri.
Ejemplos:
1. Se lanza al aire dos dados normales, si la suma de los nmeros que aparecen es de por lo menos
siete, a. determine la probabilidad de que en el segundo dado aparezca el nmero cuatro, b.
Determine la probabilidad de que ambos nmeros sean pares, c. Determine la probabilidad de que
en el primer dado aparezca el numero dos.

Solucin:
El espacio muestral es el mismo que cuando se lanza un dado dos veces y se muestra a
continuacin;
(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
d = (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
a.

Para calcular una probabilidad condicional es necesario definir los eventos A y E, siendo estos,

A = evento de que en el segundo dado aparezca el nmero cuatro,

E = evento de que la suma de los nmeros que aparecen sea de por lo menos siete, (que es que es
el evento que est condicionando)
E = {21 elementos, los que suman siete o ms}
(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
A = {6 elementos, los que en el segundo dado aparece el cuatro}
A = {(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)}
Luego,
AnE = {(3,4) (4,4) (5,4) (6,4)}, |AnE|= 4 elementos
Por tanto;
p(A|E) = |AnE|/ |E|= 4/21 = 0.19048
b.

E = evento de que la suma de los nmeros que aparecen sea de por lo menos siete

(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
A = evento de que ambos nmeros sean pares
(2,2) (4,2) (6,2)
A = (2,4) (4,4) (6,4)
(2,6) (4,6) (6,6)

(6,2)
AnE = (4,4) (6,4)
(2,6) (4,6) (6,6)

|AnE|= 6 elementos

p(A|E) = |AE|/ |E|

= 6/ 21
= 0.28571
c.
E = evento de que la suma de los nmeros que aparecen sea de por lo menos
siete
(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
A = evento de que en el primer dado aparezca el nmero dos
(2,1)
(2,2)
A = (2,3)
(2,4)
(2,5)
(2,6)
AnE = {(2,5)},

|AnE|= 1 elemento

P(A|E) = |AnE|/|E|
= 1/21
= 0.04762
F) TEOREMA DE LA MULTIPLICACIN PARA PROBABILIDAD CONDICIONAL.
Tomando como referencia la frmula de probabilidad condicional,

despejando,
p(AnE) = p(E)p(A|E) Teorema de la multiplicacin para probabilidad condicional
donde:
p(AnE) = probabilidad de que ocurran A y E
p(E) = probabilidad de que ocurra E
p(A|E) = probabilidad de que ocurra el evento A dado que el evento E ya ocurri
Ejemplos:
1. En un lote de produccin hay 25 productos, 5 de los cuales tienen defectos menores y 9 tienen
defectos mayores, si se toman de este lote tres productos uno tras otro, determine la probabilidad de
que: a. El primer producto no tenga defectos y que el segundo y tercero tengan defectos mayores, b. El
primer producto tenga defectos menores, el segundo tenga defectos mayores y que el tercero no tenga
defectos, c. El primer producto y el tercero no tengan defectos.

Solucin:
a.

Definiremos algunos eventos;

B1 = evento de que el primer producto seleccionado no tenga defectos
DM2 = evento de que el segundo producto seleccionado tenga defectos mayores
DM3 = evento de que el tercer producto seleccionado tenga defectos mayores
p(B1DM2DM3) = p(B1)p(DM2B1)p(DM3B1DM2)
=(11/25)*(9/24)*(8/23)
= 0.44*0.375*0.347826
= 0.05739

b.

Dm1= evento de que el primer producto seleccionado tenga defectos menores

DM2 = evento de que el segundo producto seleccionado tenga defectos mayores

B3 = evento de que el tercer producto seleccionado no tenga defectos
P(Dm1DM2B3) = p(Dm1)p(DM2Dm1)p(B3Dm1DM2)
= (5/25)*(9/24)*(11/23)=
= 0.2*0.375*0.4782608= 0.03587
c.

B1 = evento de que el primer producto seleccionado no tenga defectos

B2 = evento de que el segundo producto seleccionado no tenga defectos

Dm2 = evento de que el segundo producto seleccionado tenga defectos menores
DM2 = evento de que el segundo producto seleccionado tenga defectos mayores
B3 = evento de que el tercer producto seleccionado no tenga defectos
En este caso como no se especifica de que tipo debe ser el segundo producto, se considera que
este puede ser no defectuoso, con defectos menores o con defectos mayores; por lo tanto;
p(B1B2B3) + p(B1Dm2B3) + p(B1DM2B3)
= p(B1)p(B2B1)p(B3B1B2) + P(B1)p(Dm2B1)p(B3B1Dm2) +
p(B1)p(DM2B1)p(B3B1DM2)
=(11/25)*(10/24)*(9/23) + (11/25)*(5/24)*(10/23) + (11/25)*(9/24)*(10/23)
=(0.44)(0.41666)(0.39130) + (0.44)(0.20833)(0.43478) + (0.44)(0.375)(0.43478)
= 0.07173 + 0.03985 + 0.07174
= 0.18332

G) PROCESOS ESTOCASTICOS.

Un proceso estocstico es aquel en el que se representan todos y cada uno de los pasos necesarios
para realizar una actividad, adems de las formas o maneras en que cada uno de los pasos puede
ser llevado a efecto y sus respectivas probabilidades, dicho de otra manera, cualquier proceso en el
que se involucren probabilidades es un proceso estocstico.
Ejemplos:
1.
En un lote de autos usados, el 25% son de la marca Ford, el 45% son Chevrolet y el 30% son
Chrysler, de los cuales, 2 de cada 8 autos Ford son estndar, 1 de cada 10 autos Chevrolet son estndar
y 2 de cada 10 autos Chrysler son tambin estndar, un cliente compra un auto de este lote, a. cul es
la probabilidad de que el auto seleccionado por el cliente sea estndar?, b. cul es la probabilidad de
que haya seleccionado un auto Chevrolet estndar?, c. cul es la probabilidad de que el auto
seleccionado sea Ford o Chrysler automtico?
Solucin:
a.
Haciendo uso de un diagrama de rbol como se muestra, se facilita hacer el clculo de
probabilidades

P(seleccionar un auto estndar) = p(seleccionar un Chevrolet o Chrysler o Ford estndar) = p(ChnS) +

p(ChrnS) + p(FnS)
= p(Ch)p(S|Ch) + p(Chr)p(S|Chr) + p(F)p(S|F)
= 0.45*1/10 + 0.30*2/10 + 0.25*2/8
= 0.045 + 0.06 + 0.0625
= 0.1675
b.

p(seleccionar un Chevrolet estndar) = 0.45*1/10 = 0.045

c.

p(seleccionar un Ford o Chrysler automtico) = p(FnA) + p(ChrnA)

= p(F)p(AF) + p(Chr)p(A|Chr)
= 0.25*6/8 + 0.30*8/10
= 0.1875 + 0.24 = =0.4275

H) TEOREMA DE BAYES
Sea d un espacio muestral que est formado por los eventos A1, A2, A3,.....,An mutuamente excluyentes,
luego,
d = A1A2A3.....An

Luego si ocurre un evento B definido en d, observamos que;

B = dnB = (A1uA2uA3.....uAn)nB = (A1nB)u(A2nB)u(A3nB)u.....(AnnB)
Donde cada uno de los eventos AinB son eventos mutuamente excluyentes, por lo que
p(B) = p(A1nB) + p(A2nB) + p(A3nB) +......+ p(AnnB)
y como la p(AinB) = p(Ai)p(B|Ai) , o sea que la probabilidad de que ocurra el evento Ai y el evento B es
igual al teorema de la multiplicacin para probabilidad condicional, luego;
p(B) = p(A1)p(B|A1) + p(A2)p(B|A2) + p(A3)p(B|A3) + p(An)p(B|An)
Si deseamos calcular la probabilidad de que ocurra un evento Ai dado que B ya ocurri, entonces;

La expresin anterior es el teorema de Bayes, que como se observa es una simple probabilidad
condicional.
Ejemplos:
1.

Tres mquinas denominadas A, B y C, producen un 43%, 26% y 31% de la produccin total de

una empresa respectivamente, se ha detectado que un 8%, 2% y 1.6% del producto
manufacturado por estas mquinas es defectuoso, a. Se selecciona un producto al azar y se
encuentra que es defectuoso, cul es la probabilidad de que el producto haya sido fabricado
en la mquina B?, b. Si el producto seleccionado resulta que no es defectuoso, cul es la
probabilidad de que haya sido fabricado en la mquina C?

Solucin:
Para resolver este problema nos ayudaremos con un diagrama de rbol;

a.

Definiremos los eventos;

D = evento de que el producto seleccionado sea defectuoso (evento que condiciona)
A = evento de que el producto sea fabricado en la mquina A
B = evento de que el producto sea fabricado por la mquina B
C = evento de que el producto sea fabricado por la mquina C

P(B|D) = p(BnD)/p(D) = p(B)p(D|B)/p(A)p(D|A) + p(B)p(D|B) + p(C)p(D|C)

P(B|D) = (0.26*0.02)/(0.43*0.08 + 0.26*0.02 + 0.31*0.016)
= 0.0052/0.04456
=0.116697

b.

ND = evento de que el producto seleccionado no sea defectuoso (evento que condiciona)

A = evento de que el producto sea fabricado en la mquina A
B = evento de que el producto sea fabricado por la mquina B
C = evento de que el producto sea fabricado por la mquina C

P(C|ND)=p(CnND)/p(ND)=p(C)p(ND|C)/p(A)p(ND|A) + p(B)p(ND|B) + p(C)p(ND|C)

= 0.31*0.984/(0.43*0.92 + 0.26*0.98 + 0.31*0.984)
= 0.30504/0.95544
=0.31927

I) INDEPENDENCIA
Se dice que un evento B es independiente de un evento A, si p(BA) = p(B), esto quiere decir que la
probabilidad de que ocurra B no es afectada por la ocurrencia del evento A, la expresin anterior se
puede sustituir en el teorema de la multiplicacin para probabilidad condicional,
p(AnB) = p(A)p(B|A) = p(A)p(B)
Luego,

p(AnB) = p(A)p(B)

Concepto de independencia

Si la expresin anterior se cumple, podemos decir que los eventos A y B son independientes.
Ejemplos:
Pruebas repetidas e independientes.
Sea d el espacio muestral del lanzamiento de una moneda tres veces,
d = {AAA, AAS, ASA, ASS, SAS, SAA, SSA, SSS}
Donde cada uno de los elementos de este espacio muestral est formado por tres pruebas repetidas
e independientes que son los tres lanzamientos de la moneda, si deseamos determinar la
probabilidad de cada uno de los elementos, nos encontraremos con lo siguiente;
p(AAA)=p(A1A2A3)=p(A1)p(A2A1)p(A3A1A2)=p(A)p(A)p(A) =1/2*1/2*1/2=1/8
p(AAS) = p(A)p(A)p(S) =1/2*1/2*1/2 =1/8
p(ASA) = p(A)p(S)p(A) = 1/2*1/2*1/2 = 1/8
etc, etc.
Con lo anterior se comprueba que efectivamente la probabilidad de cada uno de los elementos del
espacio muestral descrito anteriormente es de 1/8 como se consideraba cuando se calculaban
probabilidades para un espacio finito equiprobable.
Ejemplos: 1.
Un equipo de ftbol soccer tiene una probabilidad de ganar de 0.6, una
probabilidad de empatar de 0.3 y una probabilidad de perder de 0.1, si este equipo participa en dos
juegos la semana prxima, determine la probabilidad de que; a. Gane el segundo juego, b. Gane
ambos juegos, c. Gane uno de los juegos, d. Gane el primer juego y empate el segundo.

El espacio muestral sera:

d = {GG, GE, GP, EG, EE, EP, PG, PE, PP}
Por lo que:
a.

p(gane el segundo juego) = p(GG, EG, PG) = (0.6)(0.6) + (0.3)(0.6) + (0.1)(0.6) =

= 0.36 + 0.18 + 0.06 = 0.6

b.

c.

p(gane ambos juegos) = p(GG) = (0.6)(0.6) = 0.36

p(gane uno de los juegos) = p(GE, GP, EG, PG) = (0.6)(0.3) + (0.6)(0.1) + (0.3)(0.6) + (0.1)
(0.6)

= 0.18 + 0.06 + 0.18 + 0.06 = 0.48

d.

p(gane el primero y empate el segundo) = p(GE) = (0.6)(0.3) = 0.18

Unidad N 3: ESTADSTICA DESCRIPTIVA

a)

CONCEPTO.

Qu es la estadstica descriptiva o para qu nos sirve?

Cuando necesitamos analizar un proceso cualquiera, es necesario tomar una muestra de datos del
proceso en cuestin y a partir de los mismos obtener sus caractersticas tales como la media, la
mediana, la moda, la desviacin estndar, el rango, etc., tambin es necesario saber el tipo de
distribucin de probabilidad que tiene, as como tambin es necesario visualizar de forma objetiva el
comportamiento de los datos al ser graficados de diversas formas, todo lo anterior es posible gracias a la
estadstica descriptiva.
Qu es una muestra? Es una parte de los datos del proceso que se desea analizar, la cul debe de ser
representativa del proceso en cuanto al nmero de elementos que contiene y en cuanto a lo que est
ocurriendo en el proceso, esto ltimo se logra tomando cada uno de los elementos de la muestra de
forma aleatoria o totalmente al azar; para determinar el nmero de elementos idneo en la muestra se

hace uso de la inferencia estadstica, por el momento no nos ocuparemos de ello debido a que esto se
ve con detalle en cursos ms avanzados de estadstica.
b) TRATAMIENTO PARA DATOS NO AGRUPADOS.
A qu se refiere esto? Cuando la muestra que se ha tomado de la poblacin o proceso que se desea
analizar, es decir, tenemos menos de 20 elementos en la muestra, entonces estos datos son analizados
sin necesidad de formar clases con ellos y a esto es a lo que se le llama tratamiento de datos no
agrupados.
b1. Medidas de tendencia central. Se les llama medidas de tendencia central a la media aritmtica, la
mediana, la media geomtrica, la moda, etc. debido a que al observar la distribucin de los datos, estas
tienden a estar localizadas generalmente en su parte central. A continuacin definiremos algunas
medidas de tendencia central y la forma de calcular su valor.
1)
Media aritmtica (`x ). Tambin se le conoce como promedio ya que es el promedio de las
lecturas o mediciones individuales que se tienen en la muestra, se determina con la frmula siguiente:

donde:
`x = media aritmtica
xi = dato i
n = nmero de datos en la muestra
Ejemplos:
1. Se han tomado como muestra las medidas de seis cables usados en un arns para lavadora, las
cuales son; 15.2 cm, 15.0, 15.1, 15.2, 15.1 y 15.0, determine su media aritmtica.
Solucin:

2)

Media geomtrica (G). Es la raz en ensima del producto de los valores de los elementos
de la muestra, es usada cuando los valores de los datos de la muestra no son lineales, es decir
que su valor depende de varios factores a la vez, se determina de la siguiente forma:

Donde:
G = media geomtrica
xi = dato i
n = nmero de datos en la muestra
Ejemplos:
1.

Las siguientes temperaturas han sido tomadas de un proceso qumico, 13.4 oC, 12.8, 11.9, 13.6,
determine la temperatura promedio de este proceso.

Solucin:
= 12.9077 oC

G=

3) Media aritmtica ponderada ( xw ). Esta media se usa cuando el peso que tiene cada uno de los
datos de la muestra es diferente, se calcula de la siguiente manera:

donde:
xw = media aritmtica ponderada
xi = dato i
wi = peso del dato i
Ejemplo:
A continuacin se mencionan las materias que Luis Prez llev en el primer semestre de Ingeniera
Qumica, el nmero de crditos y la calificacin obtenida;
MATERIA

NUMERO CREDITOS

CALIFICACIN

Metodologa de la investigacin

90.5

Matemticas I

10

100.0

Programacin

81.0

Qumica

10

78.0

Dibujo

100.0

Economa

84.0

Determine la calificacin promedio que obtuvo Luis Prez en su primer semestre.

Solucin:

Nota: S comparamos este promedio con el que se obtiene usando simplemente la media aritmtica,
que es un 88.91, nos damos cuenta de que este ltimo es mayor, por no tomar en cuenta el peso o
nmero de crditos que aporta cada materia a la carrera que se estudia, el promedio de esta

persona es menor al de la media aritmtica debido a que obtiene una calificacin baja es Qumica
que es una de las materias que aporta ms crditos.
4)

Media armnica (H). La media armnica se define como el recproco del promedio de los
recprocos de cada uno de los datos que se tienen en la muestra, y se determina de la siguiente
manera:

Ejemplo: Determine la media armnica de los siguientes datos, 3.1, 2.8, 2.84, 3.05, 3.09
Solucin:

5)

Mediana (xmed). La mediana es aquel valor que se encuentra en la parte central de los datos
que se tienen en la muestra una vez que estos han sido ordenados segn su valor o magnitud.
Para calcular la mediana se presentan dos casos:

a.
Cuando el nmero de datos en la muestra es impar.- En este caso despus de ordenar los
datos de la muestra en cuanto a su magnitud, es decir de mayor a menor valor o de menor a mayor
valor, se procede a localizar aquel dato que se encuentra justo en el centro de los datos o en la
parte central de los mismos, el valor de este dato ser el que d valor a la mediana.
Ejemplo:
Los siguientes datos son las mediciones obtenidas de un circuito utilizado en un arns de lavadora; se
toman como muestra siete circuitos y sus mediciones son: 11.3, 11.2, 11.5, 11.2, 11.2, 11.4, 11.5 cm.
Solucin:
Ordenando los datos de menor a mayor valor;
11.2, 11.2, 11.2, 11.3, 11.4, 11.5, 11.5
Se observa que el dato 11.3 es el que queda en la parte central, por lo que este es el que dar valor a la
mediana; entonces,

xmed = 11.3 cm.

b.
Cuando el nmero de datos en la muestra es par.- En este caso despus de ordenar los datos
en cuanto a su magnitud, observamos que en la parte central de los datos no se encuentra dato alguno,
en este caso, la mediana tomar el valor del promedio de dos datos; el que se encuentra antes de la
parte central y el que se encuentra despus de la parte central
Ejemplo:

Los siguientes datos son las mediciones obtenidas de un circuito utilizado en un arns de lavadora; se
toman como muestra ocho circuitos y sus mediciones son: 11.3, 11.2, 11.5, 11.2, 11.2, 11.4, 11.5, 11.4
cm.
Solucin: Ordenando los datos de mayor a menor valor,
11.5, 11.4, 11.4, 11.3, 11.2, 11.2, 11.2, 11,1 cm.
Se observa que en la parte central de los datos no hay dato alguno por lo que la mediana se
determina con el promedio de los datos subrayados, entonces,

Nota: Es imprescindible para calcular el valor de la mediana el que primero se ordenen los datos en
cuanto a su magnitud, ya que de no hacerlo, se incurrira en un grave error.
5)

Moda (xmod). La moda se define como aquel valor o valores que ms se repiten o que tienen

mayor frecuencia entre los datos que se han obtenido en una muestra, la muestra de una
poblacin nos genera la distribucin de los datos una vez que estos se han graficado y en esta
grfica es posible observar la moda o modas de la misma, es por esto que una distribucin de datos
puede ser amodal (carece de moda), unimodal (tiene una sola moda), bimodal (tiene dos modas) o
polimodal (tiene ms de dos modas).
Ejemplos:
1.

Determine la moda de los datos que se muestran a continuacin, se refieren a la estatura de un

grupo de jvenes; 1.60m, 1.65, 1.70, 1.71, 1.70, 1.70, 1.70, 1.71, 1.70, 1.93, 1.87, 1.85
Solucin:

Estatura
1.60
1.65
1.70
1.71
1.85
1.87
1.93

Frecuencia
1
1
5*
2
1
1
1

La tabla muestra la distribucin de frecuencias de los datos o el nmero de veces que estos se repiten, la
mayor frecuencia que es 5 corresponde a una estatura de 1.70m, por lo que esta sera la moda.
Luego, xmod = 1.70m
b2. Medidas de Dispersin. Cuando se tiene una muestra de datos obtenida de una poblacin
cualquiera, es importante determinar sus medidas de tendencia central as como tambin es bsico el
determinar que tan dispersos estn los datos en la muestra, por lo que se hace necesario determinar su
rango, la varianza, la desviacin estndar, etc., ya que una excesiva variabilidad o dispersin en los
datos indica la inestabilidad del proceso en anlisis en la mayora de los casos.

1)
Rango o recorrido. El rango es la diferencia entre el valor mayor y el valor menor encontrados en
la muestra, tambin se le denomina recorrido ya que nos dice entre que valores hace su recorrido la
variable de inters; y se determina de la siguiente manera:
R = VM Vm
Donde:
R = rango o recorrido
VM = valor mayor en la muestra
Vm = valor menor en la muestra
Ejemplo:
1. Se han tomado como muestras las mediciones de la resistencia a la tensin de la soldadura usada
para unir dos cables, estas son: 78.5kg, 82.4, 87.3, 78.0, 90.0, 86.5, 77.9, 92.4, 75.9, determine su rango
o recorrido.
Solucin:
VM = 92.4 kg
Vm = 75.9 kg
R = VM Vm = 92.4 75.9 = 16.5 kg
2)
Desviacin absoluta media ( ). Esta medida de dispersin nos representa la diferencia absoluta
promedio que existe entre cada dato que se encuentra en la muestra y la media de los datos y se
determina de la siguiente manera:

Donde:
xi = dato i
= media aritmtica de la muestra
n = nmero de datos en la muestra

Ejemplo:
1. Determine la desviacin absoluta media de los siguientes datos que son las concentraciones de
plomo de algunas muestras, las que a continuacin se enumeran: 18gr, 12, 21, 19, 16, 20, 22
Solucin:
Para determinar la desviacin absoluta media o promedio, lo primero que hay que hacer es calcular la
media aritmtica de los datos de la muestra, la que es 128/7 =18.286, luego se procede a calcular el
promedio de las diferencias absolutas entre cada dato y la media calculada.

La interpretacin de este resultado sera que el grado de alejamiento absoluto promedio de los datos
con respecto a su media es de 2.5305 gramos.
Por qu sacar el valor absoluto de las diferencias entre cada dato y la media aritmtica? Si solo se
hicieran diferencias entre cada dato y la media aritmtica, estas tendran signos positivos y negativos
ya que algunos datos son menores que la media y otros son mayores que la media, luego al sumar
las diferencias, con sus signos correspondientes, stas se iran anulando unas con otras y no sera
posible medir leal grado de alejamiento promedio de los datos en la muestra.
3)

Varianza o variancia (s2). Es el promedio de las diferencias elevadas al cuadrado entre cada

valor que se tiene en la muestra (xi) y la media aritmtica ( ) de los datos y se determina de la
siguiente manera:

Donde n es el nmero de datos en la muestra.

Ejemplo:
Los siguientes datos es la cantidad de glucosa en miligramos encontrada en muestras de sangre de
algunos pacientes, 14.2, 12.1, 15.6, 18.1, 14.3, determine su varianza.
Solucin:
Lo primero que hay que calcular es la media aritmtica de la muestra como ya se ha hecho
anteriormente.

Nota: Dentro de la inferencia estadstica se plantea la deferencia entre una variancia muestral s 2 y una
poblacional, representada por s2.
4)
Desviacin estndar (s). Es la desviacin o diferencia promedio que existe entre cada dato de la
muestra y la media aritmtica de la muestra. Y se obtiene a partir de la varianza, sacndole raz
cuadrada.

donde:
s2= varianza o variancia
Por tanto la desviacin estndar de la muestra anterior sera;

s=
La interpretacin de este resultado sera, que la cantidad de glucosa encontrada en la muestra es en
promedio de 14.86 miligramos y que la cantidad de glucosa en la muestra se aleja o dispersa en
promedio 1.9704 mg alrededor de la media.
En este caso solo nos interesa conocer el significado de la desviacin estndar, aunque es necesario
decir que s es la desviacin de la muestra y que s es la desviacin de la poblacin, as como s2 es la
varianza de la muestra y s2 es la varianza de la poblacin.
C) TRATAMIENTO PARA DATOS AGRUPADOS.
Cuando la muestra consta de 30 o ms datos, lo aconsejable es agrupar los datos en clases y a partir de
estas determinar las caractersticas de la muestra y por consiguiente las de la poblacin de donde fue
tomada. Antes de pasar a definir cul es la manera de determinar las caractersticas de inters (media,
mediana, moda, etc.) cuando se han agrupado en clases los datos de la muestra, es necesario que
sepamos como se agrupan los datos.
Pasos para agrupar datos.
a. Determinar el rango o recorrido de los datos.
Rango = Valor mayor Valor menor
b. Establecer el nmero de clases (k)en que se van a agrupar los datos tomando como base para
esto la siguiente tabla.

Tamao de muestra o No. De

datos

Nmero de
clases

Menos de 50

5a7

50 a 99

6 a 10

100 a 250

7 a 12

250 en adelante

10 a 20

El uso de esta tabla es uno de los criterios que se puede tomar en cuenta para establecer el nmero de
clases en las que se van a agrupar los datos, existen otros para hacerlo.
c.

d.

Determinar la amplitud de clase para agrupar (C).

Formar clases y agrupar datos.

Para formar la primera clase, se pone como lmite inferior de la primera clase un valor un poco menor
que el dato menor encontrado en la muestra y posteriormente se suma a este valor C, obteniendo de
esta manera el lmite superior de la primera clase, luego se procede a obtener los lmites de la clase
siguiente y as sucesivamente.

Ejemplo:
Los siguientes datos se refieren al dimetro en pulgadas de un engrane.
6.75

7.00

7.00

6.75

6.50

6.50

7.15

7.00

6.50

6.50

6.50

6.25

6.25

6.50

6.65

7.00

7.25

6.70

6.00

6.75

6.00

6.75

6.75

7.10

7.00

6.70

6.50

6.75

6.25

6.65

6.75

7.10

7.25

6.75

6.25

6.25

7.00

6.75

7.00

7.15

a) Agrupe datos, considere k=6.

b) Obtenga: Histograma, polgono de frecuencias, ojiva y distribucin de probabilidad.
c)

Obtenga: media, mediana, moda y desviacin estndar.

Solucin:
a)

Agrupando datos;
1.
2.

R= VM - Vm = 7.25 6.00 = 1.25

k=6

3.
4.Formando clases. Para formar la primera clase se toma un valor un poco menor que el valor
menor encontrado en la muestra; luego,
LI

LS

Frecuencia

Marca de
clase

Lmite real
inferior

Lmite real
superior

Frecuencia
relativa

Frecuencia
Relativa
acumulada

5.97 6.18

6.075

5.965

6.185

2/40 = 0.05

0.05

6.19 6.40

6.295

6.185

6.405

5/40=0.125

0.175

6.41 6.62

6.515

6.405

6.625

0.175

0.350

6.63 6.84

13

6.735

6.625

6.845

0.325

0.675

6.85 7.06

6.955

6.845

7.065

0.175

0.850

7.07 7.28

7.175

7.065

7.285

0.15

1.000

Total

40

1.000

b)
G
r
fic
a
s:

a)

Media ( ).

=
Donde:
k = nmero de clases
xi = marca de clase i
fi = frecuencia de la clase i

n=
b)

nmero de datos en la muestra

Mediana (Xmed).

Donde:
Li = lmite real inferior de la clase que contiene a la mediana
Fme-1 = sumatoria de las frecuencias anteriores a la clase en donde se encuentra la mediana
fme = frecuencia de la clase en donde se encuentra la mediana
A = amplitud real de la clase en donde se encuentra la mediana
A = LRS-LRI
LRS = lmite real superior de la clase que contiene a la mediana

LRI = lmite real inferior de la clase que contiene a la mediana

N = nmero de datos en la muestra
f) Moda (Xmod).

Donde:
Li = lmite real inferior de la clase que contiene a la moda
d1 =

d2 =

fmo = frecuencia de la clase que contiene a la moda

fmo-1= frecuencia de la clase anterior a la que contiene a la moda
fmo+1= frecuencia de la clase posterior a la que contiene a la moda
A = amplitud real de la clase que contiene a la moda
A = LRS LRI
LRS = lmite real superior de la clase que contiene a la moda
LRI = lmite real inferior de la clase que contiene a la mo

g) Desviacin estndar (S).

Donde:
xi = marca de clase i
= media aritmtica

fi = frecuencia de la clase i

= nmero total de datos en la muestra

D) DISTRIBUCIONES DE PROBABILIDAD.
Toda distribucin de probabilidad es generada por una variable aleatoria x, la que puede ser de dos tipos:
1.
Variable aleatoria discreta (x). Se le denomina variable porque puede tomar diferentes valores,
aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo puede tomar valores
enteros y un nmero finito de ellos.
Ejemplos:
xVariable que nos define el nmero de burbujas por envase de vidrio que son generadas en un
proceso dado.
x0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
xVariable que nos define el nmero de productos defectuosos en un lote de 25 productos.
x0, 1, 2, 3,....,25 productos defectuosos en el lote
xVariable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un
grupo de 40 alumnos.
x0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variable x
siempre sern enteros, nunca fraccionarios.
2.
Variable aleatoria continua (x). Se le denomina variable porque puede tomar diferentes valores,
aleatoria, porque los valores que toma son totalmente al azar y continua porque puede tomar tanto
valores enteros como fraccionarios y un nmero infinito de ellos.
Ejemplos:
xVariable que nos define el dimetro de un engrane en pulgadas
x5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96
xVariable que nos define la longitud de un cable o circuito utilizado en un arns de auto
x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
xVariable que nos define la concentracin en gramos de plata de algunas muestras de mineral
x14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8
Como se observa en los ejemplos anteriores, una variable continua puede tomar cualquier valor, entero o
fraccionario, una forma de distinguir cuando se trata de una variable continua es que esta variable nos
permite medirla o evaluarla, mientras que una variable discreta no es medible, es una variable de tipo
atributo, cuando se inspecciona un producto este puede ser defectuoso o no, blanco o negro, cumple con
las especificaciones o no cumple, etc, etc.
Las variables descritas anteriormente nos generan una distribucin de probabilidad, las que pueden ser.
1)

Distribucin de probabilidad discreta.

2)

Distribucin de probabilidad continua.

Las caractersticas de cada una de las distribuciones anteriores se mencionarn a continuacin:

DISTRIBUCIN DE PROBABILIDAD DISCRETA.
Caractersticas:
1. Es generada por una variable discreta (x).
xVariable que solo toma valores enteros
x0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.

2. p(xi)0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o
iguales a cero.

3.Sp(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1.
DISTRIBUCIN DE PROBABILIDAD CONTINUA.
Caractersticas:
1. Es generada por una variable continua (x).
x Es una variable que puede tomar tanto valores enteros como fraccionarios.
x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,
2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores
o iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar solo
valores mayores o iguales a cero. La funcin de densidad de probabilidad slo puede estar
definida en los cuadrantes I y II.

3. La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser
igual a 1. El rea definida bajo la funcin de densidad de probabilidad deber ser de 1.
CALCULO DE MEDIA Y DESVIACIN ESTANDAR PARA UNA DISTRIBUCIN DISCRETA
1.

Media o valor esperado de x.- Para determinar la media de la distribucin discreta se utiliza la
siguiente frmula:

Donde:
m = media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x

2. Desviacin estndar. Para determinar la desviacin estndar de la distribucin discreta se

utiliza la siguiente frmula:

Donde:
s = desviacin estndar
m = media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x
Ejemplos:
1. Segn estadsticas la probabilidad de que el motor de un auto nuevo, de cierto modelo, y marca
sufra de algn desperfecto en los primeros 12 meses de uso es de 0.02, si se prueban tres
automviles de esta marca y modelo, encuentre el nmero esperado de autos que no sufren de
algn desperfecto en los primeros doce meses de uso y su desviacin estndar.
Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes, se obtiene el espacio
muestral d como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso

x = variable que nos define el nmero de autos que no sufre de algn desperfecto en el motor
durante los primeros 12 meses de uso
x = 0, 1, 2 o 3 autos que no sufren algn desperfecto en el motor en los primeros 12 meses de uso
p(x=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008
p(x=1)=p(NSS, SNS, SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)(0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98)(0.98)==0.057624
p(NNN) = (0.98)(0.98)(0.98) =0.941192

Por tanto la media o valor esperado se determina de la siguiente manera:

m =E(x) = (0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)(0.941192)=
=0.0+0.001176+0.115248+2.823576=2.94@ 3 autos que no sufren algn desperfecto en el motor en los
primeros 12 meses de uso
La interpretacin de la media o valor esperado es; se espera que los 3 autos probados no sufran de
algn desperfecto en el motor en los primeros 12 meses de uso.

s=
=
=
0.2497@0.0 autos que no sufren
algn desperfecto en su motor en los primeros 12 meses de uso.
Interpretacin:
En este experimento se espera que los 3 autos probados no sufran de algn desperfecto en su motor en
los primeros 12 meses de uso y la variabilidad de este experimento es de cero.
Nota:
La media y la desviacin estndar se redondean a un valor entero ya que son la media y desviacin de
una distribucin de probabilidad discreta.
CALCULO DE MEDIA Y DESVIACIN ESTNDAR PARA UNA DISTRIBUCIN CONTINUA
1.Media o valor esperado de x.- Para calcular la media de una distribucin de probabilidad continua
se utiliza la siguiente frmula:

Donde:
m = E(x) = media o valor esperado de la distribucin
x = variable aleatoria continua
f(x) = funcin de densidad de la distribucin de probabilidad
2.Desviacin estndar.- La frmula para determinar la desviacin estndar de una distribucin
continua es;

luego:

Ejemplos:
1. Para la siguiente funcin,
cuando 0 x 3 ,
a)
b)

f(x) = 0 para cualquier otro valor

Diga si esta funcin nos define una distribucin de probabilidad.

Si la funcin define una distribucin de probabilidad, entonces, determine su media y
desviacin estndar.

c)
Determine la probabilidad de que 1 x < 2.
Solucin: a)
Para verificar que la funcin nos define una distribucin de probabilidad, es necesario
que cumpla con las caractersticas que se haban mencionado.
1.
x s es una variable continua porque puede tomar cualquier valor entre 0 y 3
2.
f(x) 0, lo que se comprueba si damos diferentes valores a x para ver que valores toma f(x),
dndonos cuenta de que efectivamente f(x) solo toma valores mayores o iguales a cero.
x
f(x)
0
0.0
0.5 0.02778
1.0 0.11111
1.4 0.21778
2.1 0.49
2.7 0.81
3.0 1.0
3.
Para comprobar que la sumatoria de las probabilidades que toma cada
integra la funcin de 0 a 3 como se muestra a continuacin:

valor de x es de 1, se

A= rea bajo la funcin. Con las operaciones anteriores comprobamos que la funcin
una distribucin de probabilidad continua.
b)

Clculo de media y desviacin estndar.

s nos define

Las barras

nos indican la evaluacin de la integral entre 0 y 3.

c)

La barra nos indica la evaluacin de la integral de 1 a 2.

Con las operaciones anteriores nos damos cuenta que para evaluar probabilidades para variables de tipo
continuo, es necesario evaluar la funcin de densidad de probabilidad en el rango de valores que se
desea; que vendra siendo el rea que se encuentra entre f(x) y el eje de las x y entre el rango de valores
definidos por la variable x.
2. Suponga que el error en la temperatura de reaccin, en oC, para un experimento controlado de
laboratorio es una variable aleatoria continua x, que tiene la funcin de densidad de probabilidad:

, para -1< x < 2

f(x) = 0 en cualquier otro caso

a)

Verifique la tercera condicin de la definicin de una distribucin de probabilidad

continua.
b)
Determine la media o valor esperado de la distribucin de probabilidad.
c)
Encuentre la probabilidad de que 0< x 1.
Solucin:
a)

Como la tercera condicin es que la sumatoria de las probabilidades asociadas a cada

uno de los valores que toma x debe de ser 1, esto se comprueba de la siguiente manera:

b)

c)

Unidad N 4 DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Entre las distribuciones discretas a tratar en este caso estn:

1.
2.
3.
4.
5.
6.
7.
8.

Binomial
Multinomial
Hipergeomtrica
Hipergeomtrica generalizada
Poisson
Aproximacin de Poisson a la Binomial
Geomtrica
Binomial Negativa

1. DISTRIBUCIN BINOMIAL
Las caractersticas de esta distribucin son:
a)
En los experimentos que tienen este tipo de distribucin, siempre se esperan dos tipos de
resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc, etc., denominados
arbitrariamente xito (que es lo que se espera que ocurra) o fracaso (lo contrario del xito).
b)
Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no
cambian.
c)
Cada uno de los ensayos o repeticiones del experimento son independientes entre s.
d)
El nmero de ensayos o repeticiones del experimento (n) es constante.
A partir de un ejemplo. Desarrollaremos una frmula que nos permita cualquier problema que tenga
este tipo de distribucin.
Ejemplo:
Se lanza al aire una moneda normal 3 veces, determine la probabilidad de que aparezcan 2 guilas.
Solucin:
Antes de empezar a resolver este problema, lo primero que hay que hacer es identificarlo como un
problema que tiene una distribucin binomial, y podemos decir que efectivamente as es, ya que se
trata de un experimento en donde solo se pueden esperar dos tipos de resultados al lanzar la
moneda, guila o sello, cutas probabilidades de ocurrencia son constantes, cada uno de los
lanzamientos es independiente de los dems y el nmero de ensayos o repeticiones del experimento
son constantes, n = 3.
Para dar solucin a este problema, lo primero que hay que hacer es un diagrama de rbol, en donde
representaremos los tres lanzamientos, de ah se obtendr el espacio muestral y posteriormente la
probabilidad pedida, usando la frmula correspondiente.
A = guila, S = sello

d={AAA, AAS, ASA, ASS, SAA, SAS, SSA, SSS}

Para obtener la frmula, definiremos lo siguiente:
n = nmero de lanzamientos de moneda
x = nmero de xitos requeridos = nmero de guilas = 2
p = probabilidad de xito= p(aparezca guila) =1/2

q = probabilidad de fracaso= p(aparezca sello) =1/2

Entonces podemos partir de la siguiente expresin para desarrollar la frmula;
P(aparezcan 2 guilas)=(No. De ramas del rbol en donde ap. 2 guilas)(probabilidad asociada a cada
rama)
Entonces el nmero de ramas en donde aparecen dos guilas se puede obtener;
Enumerando las ramas de inters, estas seran: AAS, ASA, SAA, QU TIPO DE ARREGLOS SON
ESTOS ELEMENTOS DEL ESPACIO MUESTRAL?, Son permutaciones en donde algunos objetos son
iguales, entonces, el nmero de ramas se puede obtener con la frmula correspondiente,

donde n = x1+x2+...+xk
sustituyendo en esta frmula, tenemos lo siguiente;

esta frmula puede ser sustituida por la de combinaciones, solo en el caso de dos tipos de objetos, si
hay ms de dos tipos de objetos, definitivamente solo se usa la frmula original, como se observar en el
caso de la distribucin multinomial, pero porqu vamos a cambiar de frmula?, simplemente porque en
todos los libros de texto que te encuentres vas a encontrar la frmula de combinaciones en lugar de la de
permutaciones, que es la siguiente,

y sustituyendo valores, nos damos cuenta de que efectivamente son 3 las ramas de inters, que son
donde aparecen dos guilas, donde n = 3, x = 2.

Y la probabilidad asociada a cada rama?

Probabilidad asociada a cada rama = p(guila)*p(guila)*p(sello)= p*p*q = p 2q=
=
Luego la frmula de la distribucin Binomial sera:

donde:
p(x, n, p) = probabilidad de obtener en n ensayos x xitos, cuando la probabilidad de xito es p
Dando solucin al problema de ejemplo tenemos lo siguiente:
n = 3, x = 2, p =

Para calcular la media y la desviacin estndar de un experimento que tenga una distribucin Binomial
usaremos las siguientes frmulas:
Media o valor esperado.
Donde:
n = nmero de ensayos o repeticiones del experimento
P = probabilidad de xito o la probabilidad referente al evento del cual se desea calcular la media que se
refiere la media
Q = complemento de P
Desviacin estndar.

Ejemplos:
1. Se dice que el 75% de los accidentes de una planta se atribuyen a errores humanos. Si en un
perodo de tiempo dado, se suscitan 5 accidentes, determine la probabilidad de que; a) dos de
los accidentes se atribuyan a errores humanos, b) como mximo 1 de los accidentes se atribuya
a errores de tipo humano, c) tres de los accidentes no se atribuyan a errores humanos.
Solucin:
a) n = 5
x = variable que nos define el nmero de accidentes debidos a errores humanos
x = 0, 1, 2,...,5 accidentes debidos a errores de tipo humano
p = p(xito) = p(un accidente se deba a errores humanos) = 0.75
q = p(fracaso) = p(un accidente no se deba a errores humanos) = 1-p = 0.25

b)

c) En este caso cambiaremos el valor de p;

n =5
x = variable que nos define el nmero de accidentes que no se deben a errores de tipo
humano
x = 0, 1, 2,...,5 accidentes debidos a errores humanos
p = p(probabilidad de que un accidente no se deba a errores humanos) = 0.25
q = p(probabilidad de que un accidente se deba a errores humanos) = 1-p = 0.75

2. DISTRIBUCIN MULTINOMIAL.
Caractersticas:
a)

Al llevar a cabo un experimento con esta distribucin se esperan ms de dos tipos de

resultados.

b)

Las probabilidades asociadas a cada uno de los resultados son constantes.

c)

Cada uno de los ensayos o repeticiones del experimento son independientes.

d)

El nmero de repeticiones del experimento, n es constante.

Al igual que hicimos con la distribucin binomial, en este caso partiremos de un ejemplo para obtener
la frmula general para resolver problemas que tengan este tipo de distribucin.
Ejemplo:
Se lanza al aire un dado normal, 5 veces, determine la probabilidad de que aparezca dos nmeros
uno, dos nmeros tres y un nmero cinco.
Solucin:
Si pensamos en la forma que se han resuelto otros problemas, lo primero que se me ocurre es trazar
un diagrama de rbol que nos muestre los 5 lanzamientos del dado; esto sera muy laborioso, y se
muestra parte del mismo a continuacin; (era enorme, no lo puse)
Del diagrama de rbol se obtendra el espacio muestral y enseguida se determinaran las
probabilidades requeridas. En lugar de lo anterior, obtendremos una frmula a partir de la siguiente
expresin:
p(aparezcan dos unos, dos tres y un cinco)=(nmero de ramas en donde haya dos unos, dos tres y un
cinco)(probabilidad asociada a cada una de las ramas)
Para esto definiremos lo siguiente:
n = nmero de lanzamientos del dado
x1 = nmero de veces que aparece el nmero 1 = 2
x2 = nmero de veces que aparece el nmero 2 = 0
x3 = nmero de veces que aparece el nmero 3 = 2
x4 = nmero de veces que aparece el nmero 4 = 0
x5 = nmero de veces que aparece el nmero 5 = 1
p1 = probabilidad de que aparezca el nmero 1 = 1/6
p2 = probabilidad de que aparezca el nmero 2 = 1/6
p3 = probabilidad de que aparezca el nmero 3 = 1/6
p4 = probabilidad de que aparezca el nmero 4 = 1/6
p5 = probabilidad de que aparezca el nmero 5 = 1/6
p6 = probabilidad de que aparezca el nmero 6 = 1/6
Luego, cmo obtendremos el nmero de ramas donde aparecen dos nmeros 1, dos nmeros 3 y un
nmero 5?
Enunciando algunas de las ramas, tenemos lo siguiente;
(1, 1, 5, 3, 3), (5, 1, 1, 3, 3), (1, 3, 3, 1, 5), ... etc, etc.
Qu tipo de arreglos son estos, combinaciones, permutaciones o que?
SON PERMUTACIONES EN DONDE HAY OBJETOS IGUALES.
Por tanto el nmero de ramas se puede obtener de la siguiente manera:

El nmero de ramas =
Y en forma general,

Luego la probabilidad asociada a cada una de las ramas, sera;

p(asociada a cada una de las ramas) = p(#1)p(#1)p(#3)p(#3)p(#5)=p 1*p1*p3*p3*p5=
=p12*p32*p5
Por tanto la frmula general ser:

donde:
p(x1, x2,....,xk, n) = probabilidad de que en n ensayos aparezcan x1 objetos del primer tipo, x2 objetos del
segundo tipo.......y xk objetos del ltimo tipo.
n = x1+x2+....xk
Resolviendo el ejemplo;
n=5
x1 = nmero de veces que aparece el nmero 1 = 2
x2 = nmero de veces que aparece el nmero 3 = 2
x3 = nmero de veces que aparece el nmero 5 = 1
p1= probabilidad de que aparezca el nmero 1 = 1/6
p2 = probabilidad de que aparezca el nmero 2 = 1/6
p3 = probabilidad de que aparezca el nmero 3 = 1/6

Ejemplos:
1. Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un delegado llegue por
aire a una cierta convencin, llegue en autobs, en automvil o en tren. Cul es la probabilidad de que
entre 9 delegados seleccionados aleatoriamente en esta convencin a) 3 hayan llegado por aire, 3 en
autobs, 1 en auto y 2 en tren?, b) 4 hayan llegado por aire, 1 en autobs y 2 en auto?, c) 5 hayan
llegado en auto?
Solucin:
a) n = 9
x1= # de delegados que llegan por aire = 3
x2= # de delegados que llegan en autobs = 3
x3= # de delegados que llegan en auto = 1
x4= # de delegados que llegan en tren = 2
p1 = probabilidad de que un delegado llegue por aire = 0.40
p2 = probabilidad de que un delegado llegue en autobs = 0.20
p3 = probabilidad de que un delegado llegue en auto = 0.30
p4 = probabilidad de que un delegado llegue en tren = 0.10

b) n=9
x1 = 4 por aire;
x2 = 1 en autobs;
x3 = 2 en auto;
x4 = 2 en tren;

p1 = 0.40
p2 = 0.20
p3 = 0.30
p4 = 0.10

c)
n=9
x1= 5 lleguen en auto;

p1 = 0.30

x2 = 4 (lleguen por aire o autobs o tren); p2 = 0.40+0.20+0.10 = 0.70

3) DISTRIBUCIN HIPERGEOMTRICA
Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas:
a)

Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de

resultados.
b)
Las probabilidades asociadas a cada uno de los resultados no son constantes.
c)
Cada ensayo o repeticin del experimento no es independiente de los dems.
d)
El nmero de repeticiones del experimento (n) es constante.

Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de
objetos que son defectuosos, si se seleccionan de esta urna nobjetos al azar, y sin
reemplazo, cul es la probabilidad de obtener x objetos defectuosos?
Solucin:
Luego;

donde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados
muestras de n objetos en donde hay x que son defectuosos y n-x buenos
todas las muestras posibles de seleccionar de n objetos tomadas de
entre N objetos en total = espacio muestral
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si
de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos?
Solucin:
N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra

donde:

probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo

que se demuestra que las probabilidades no son constantes

formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados =

muestras de 4 objetos entre los que 2 son defectuosos
Como se observa en el desarrollo de la solucin del problema, la pretensin es demostrar que las
probabilidades asociadas a cada uno de los resultados no son constantes. Luego la probabilidad de
obtener 2 objetos defectuosos entre los 4 seleccionados al azar sera:

Ejemplos:
1. Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en
una botella que contiene 9 pldoras de vitamina que son similares en apariencia. Si el oficial de la
aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de que
el viajero sea arrestado por posesin de narcticos?, b) Cul es la probabilidad de que no sea
arrestado por posesin de narcticos?.
Solucin:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narctico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de narctico que
se puede encontrar al seleccionar las 3 tabletas
p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas seleccionadas
haya 1 o ms tabletas de narctico)

otra forma de resolver;

p(el viajero sea arrestado por posesin de narcticos) = 1 p(de que entre las
tabletas seleccionadas no haya una sola de narctico)

b)

4)

p(no sea arrestado por posesin de narcticos)

DISTRIBUCIN HIPERGEOMETRICA GENERALIZADA.

Caractersticas:
a)
Al realizar un experimento con este tipo de distribucin, se esperan ms de dos tipos
de resultados.
b)
Las probabilidades asociadas a cada uno de estos resultados no son constantes.
c)
Los ensayos o repeticiones del experimento no son independientes entre s.
d)
El nmero de repeticiones del experimento n, es constante.
Entonces en este caso se tienen ms de dos tipos de objetos, por lo que la frmula a utilizar
sera:

donde:
N = x + y + z = total de objetos
a = total de objetos del primer tipo
b = total de objetos del segundo tipo
c = N-a-b = total de objetos del tercer tipo
n = objetos seleccionados en la muestra
x = objetos del primer tipo en la muestra
y = objetos del segundo tipo en la muestra
z = n-x-y = objetos del tercer tipo en la muestra
Ejemplos:
1.En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos
mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los
productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos
seleccionados no tengan defectos y 1 tenga defectos menores.
Solucin:
a)N= 20+3+2 =25 total de artculos
a=20 productos sin defectos
b= 3 productos con defectos menores
N-a-b= 2 productos con defectos mayores
n= 5 productos seleccionados en la muestra
x = 3 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la
muestra
y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con
defectos menores en la muestra
z = n-x-y = 5-3-1 = 1 producto con defectos mayores en la muestra = variable que nos define el # de
productos con defectos mayores en la muestra

b)N= 25

a=20 productos sin defectos

b= 3 productos con defectos menores
N-a-b= 2 productos con defectos mayores
n= 5 productos seleccionados en la muestra
x = 4 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la
muestra
y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con
defectos menores en la muestra
z = n-x-y = 5-4-1 = 0 productos con defectos mayores en la muestra = variable que nos define el # de
productos con defectos mayores en la muestra

5) DISTRIBUCIN DE POISSON.
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc,
etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la
frmula a utilizar sera:

donde:
p(x, l) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es l
l = media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo,
rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo
dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro
producto dado
Ejemplos:

1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de
que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera
de dos das consecutivos?
Solucin:
a)

x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un
da cualquiera = 0, 1, 2, 3, ....., etc, etc.

l = 6 cheques sin fondo por da

e = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das
consecutivos = 0, 1, 2, 3, ......, etc., etc. l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al
banco en dos das consecutivos
Nota: l siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo
que x.

6. APROXIMACIN DE POISSON A LA BINOMIAL.

En este caso se determinarn probabilidades de experimentos Binomiales, pero que dadas sus
caractersticas, es posible aproximarlas con la distribucin de Poisson, estas caractersticas son,
n ( n es muy grande) y p0 (p es muy pequea), por lo que:

La expresin anterior solo se cumple cuando n y p0, solo en este caso, si esto no se cumple,
la aproximacin no se puede llevar a efecto, por lo que la frmula a utilizar en este caso sera:

Donde:
l =m= np = nmero esperado de xitos = tasa promedio de xitos
n = nmero de repeticiones del experimento
p = probabilidad de xito = p(xito)
Una regla general aceptable es emplear esta aproximacin si n20 y p0.05: s n100, la
aproximacin es generalmente excelente siempre y cuando np10.
Ejemplos:
1.

Se sabe que el 5% de los libros encuadernados en cierto taller tienen encuadernaciones

defectuosas. Determine la probabilidad de que 2 de 100 libros encuadernados en ese taller,
tengan encuadernaciones defectuosas, usando, a) la frmula de la distribucin Binomial, b) la
aproximacin de Poisson a la distribucin Binomial.

Solucin:

a) n = 100
p = 0.05 = p(encuadernacin defectuosa) = p(xito)
q = 0.95 = p(encuadernacin no defectuosa) = p(fracaso)
x = variable que nos define el nmero de encuadernaciones defectuosas en la muestra = = 0, 1, 2,
3,....,100 encuadernaciones defectuosas

b)n = 100 encuadernaciones

p = 0.05
l = np = (100)(0.05)= 5
x = variable que nos define el nmero de encuadernaciones defectuosas en la muestra = = 0, 1, 2,
3,....,100 encuadernaciones defectuosas

Al comparar los resultados de las probabilidades con una y otra distribucin, nos damos cuenta de que
la diferencia entre un clculo y otro es de tan solo 0.0031, por lo que la aproximacin de Poisson es una
buena opcin para calcular probabilidades Binomiales.
7. DISTRIBUCIN GEOMTRICA.
Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un xito por primera y
nica vez en el ltimo ensayo que se realiza del experimento, para obtener la frmula de esta
distribucin, haremos uso de un ejemplo.
Ejemplo:
Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca
guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine la
probabilidad de que en el ltimo lanzamiento aparezca una guila.
Solucin:
Si nosotros trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda,
observaremos que la nica rama de ese rbol que nos interesa es aquella en donde aparecen 7
sellos seguidos y por ltimo una guila; como se muestra a continuacin:
SSSSSSSA
S denotamos;
x = el nmero de repeticiones del experimento necesarias para que ocurra un xito por primera y
nica vez = 8 lanzamientos
p = probabilidad de que aparezca una guila = p( xito) = 2/3
q = probabilidad de que aparezca un sello = p(fracaso) = 1/3
Entonces la probabilidad buscada sera;
P(aparezca una guila en el ltimo lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A)
=q*q*q*q*q*q*q*p =

Luego, la frmula a utilizar cuando se desee calcular probabilidades con esta distribucin sera;

Donde:
p(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez
p = probabilidad de xito
q = probabilidad de fracaso
Resolviendo el problema de ejemplo;
x = 8 lanzamientos necesarios para que aparezca por primera vez una guila
p = 2/3 probabilidad de que aparezca una guila
q = 1/3 probabilidad de que aparezca un sello
p(x=8) =
Ejemplos:
1. S la probabilidad de que un cierto dispositivo de medicin muestre una desviacin excesiva es
de 0.05, cul es la probabilidad de que; a) el sexto de estos dispositivos de medicin
sometidos a prueba sea el primero en mostrar una desviacin excesiva?, b) el sptimo de estos
dispositivos de medicin sometidos a prueba, sea el primero que no muestre una desviacin
excesiva?.
Solucin:
a)

x = 6 que el sexto dispositivo de medicin probado sea el primero que muestre una
variacin excesiva

p = 0.05 =probabilidad de que un dispositivo de medicin muestre una variacin excesiva

q = 0.95 =probabilidad de que un dispositivo de medicin no muestre una variacin excesiva
p(x = 6) =
b)
x = 5 que el quinto dispositivo de medicin probado, sea el primero que no muestre
una desviacin excesiva
p = 0.95 = probabilidad de que un dispositivo de medicin no muestre una variacin excesiva
q = 0.05 = probabilidad de que un dispositivo de medicin muestre una variacin excesiva
p(x = 5) =
DISTRIBUCIN BINOMIAL NEGATIVA.
Esta tambin es un caso especial de la distribucin Binomial, ya que en este caso se trata de que al
llevar a efecto varias veces un experimento binomial, se desea determinar la probabilidad de que
ocurran r xitos, solo que el ltimo de ellos debe ocurrir en el k-simo ensayo o repeticin del
experimento que es el ltimo.
Para encontrar una frmula que nos permita calcular probabilidades con esta distribucin,
partiremos de un ejemplo.

Ejemplo:Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que
aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine
la probabilidad de que aparezcan tres guilas, y la ltima que aparezca sea en el ltimo lanzamiento.
Solucin:S trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda,
encontraremos que las ramas que nos interesan son aquellas en donde aparecen 3 guilas y la
ltima de ellas aparece en el ltimo lanzamiento; ejemplos de una rama que nos interesa sera;
SAASSSSA, SSASSSAA, ASSASSSA, etc., etc.
Entonces la probabilidad se puede determinar de la siguiente forma:
(Probabilidad de que aparezcan Tres guilas, donde la ltima de ellas aparece en el ltimo
lanzamiento de la moneda)=(# de ramas del rbol en donde la tercera guila que aparece est en el
octavo lanzamiento)(probabilidad asociada a cada rama)
Luego, definiendo algunos trminos a utilizar;
Y = k = nmero de lanzamientos necesarios para que se obtenga una guila por r-sima vez = 8
lanzamientos
r = nmero de veces que aparece un xito = 3 guilas
p = probabilidad de xito = p(aparezca guila) = 2/3
q = probabilidad de fracaso = p(aparezca sello) = 1/3
Luego, el nmero de ramas que nos interesan del rbol se podra determinar de la siguiente forma:
# de ramas =
Cual es la razn de que se tomen k-1 ensayos y r-1 xitos al momento de calcular el nmero de
ramas que nos interesan? Lo anterior se debe a que en el ltimo ensayo siempre va a haber un
xito, por lo que como ste no se va a mover como lo hacen los xitos anteriores, entonces no se
toma en cuenta para el clculo de las ramas que nos interesan.
Y la probabilidad asociada a cada rama sera;
Probabilidad asociada a cada rama = p(S)*p(A)*p(A)*p(S)*p(S)*p(S)*p(S)*p(A)=
= q*p*p*q*q*q*q*p =
Por lo tanto, la frmula a utilizar sera:
Donde:
P(Y=k) = probabilidad de que ocurran r xitos en k ensayos y que el ltimo de ellos que es el rsimo, ocurra en el k-simo ensayo que es el ltimo.
r = nmero de xitos
k = nmero de ensayos para obtener r xitos
p = p(xito) = p(aparezca guila)
q = p(fracaso) = p(aparezca sello) = 1-p
Ejemplos:
1. S la probabilidad de que un cierto dispositivo de medicin muestre una desviacin excesiva es de
0.05, cul es la probabilidad de que; a) el sexto de estos dispositivos de medicin sometidos a

prueba sea el tercero en mostrar una desviacin excesiva?, b) el sptimo de estos dispositivos de
medicin sometidos a prueba, sea el cuarto que no muestre una desviacin excesiva?.
Solucin:
a)

k = 6 dispositivos de medicin

r = 3 dispositivos que muestran desviacin excesiva

p = p(dispositivo muestre una desviacin excesiva) = 0.05
q = p(dispositivo no muestre una desviacin excesiva) = 0.95
p(Y = 6) =
b)

k = 7 dispositivos de medicin

r = 4 dispositivos que no muestran una desviacin excesiva

p = p(dispositivo no muestre una desviacin excesiva) = 0.95
q = p(dispositivo muestre una desviacin excesiva) = 0.05
p(Y = 7) =

unidad N 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

Entre las distribuciones a tratar en esta unidad seran:
1. Distribucin Normal
2. Aproximacin de la Normal a la Binomial
3. Exponencial
DISTRIBUCIN NORMAL.
Caractersticas:
a)
b)

Es generada por una variable de tipo continuo, denominada x;

-< x <
La funcin que nos define esta distribucin es:

-< x <
Al dar a la funcin los valores de m , s2 y valores a x, obtendremos la
distribucin en cuestin, la que
tiene forma de campana, por lo que tambin se le conoce como campana de Gauss. Hay un nmero
infinito de funciones de densidad Normal, una para cada combinacin de m y s. La media m mide la
ubicacin de la distribucin y la desviacin estndar s mide su dispersin.
c) Es simtrica con respecto a su eje vertical.
d) Es asinttica con respecto a su eje horizontal; esto quiere decir que jams va a tocar el eje de las
equis.
e) El rea total bajo la curva es 1.
f) S sumamos a m s, se observar que aproximadamente el 68.26% de los
datos se encuentran
bajo la curva, si sumamos a m 2s, el 95.44% de los datos estar entre esos lmites y si sumamos
a m 3s, entonces el 99.74% de los datos caer dentro de esos lmites. Esta caracterstica es a la vez
una forma emprica y rpida de demostrar si los datos que se analizan tienen una distribucin Normal; ya
que para trabajar los datos con esta distribucin, debe verificarse que efectivamente as se distribuyen,
ya que de no hacerlo, las decisiones que en un momento dado se tomarn de un anlisis de los datos
con la distribucin Normal, seran errneas.
Cmo se determinan probabilidades con la distribucin Normal?

De acuerdo a como se trataron las distribuciones de probabilidad continuas en la unidad III, lo ms lgico
es que la funcin f(x, m, s2), se integre entre los lmites de la variable x; esto es,

La integral anterior nos dara el rea bajo la curva de la funcin, desde a hasta b, que corresponde o es
igual a la probabilidad buscada.
Debido a la dificultad que se presenta para integrar esta funcin cada vez que sea necesario, lo que se
hace es tipificar el valor de la variable x, esto es, x se transforma en un valor de z, de la siguiente
manera:

Este valor de z es buscado en una tabla donde vienen reas asociadas a este valor, y haciendo uso de
los valores tabulados, se determina la probabilidad requerida. La tabla que es usada para calcular las
probabilidades es la que nos d el rea que se muestra a continuacin:

Ejemplos:
1.
El acero que se utiliza para tuberas de agua a menudo se recubre internamente con un mortero de
cemento para evitar la corrosin. En un estudio de los recubrimientos de mortero de una tubera
empleada en un proyecto de transmisin de agua en California (Transportation Engineering Journal,
Noviembre de 1979) se especific un espesor de 7/16 pulgadas para el mortero. Un gran nmero de
mediciones de espesor dieron una media de 0.635 pulgadas y una desviacin estndar de 0.082
pulgadas. S las mediciones de espesor, tenan una distribucin Normal, qu porcentaje
aproximado fue inferior a 7/16 de pulgada?
Solucin:
x = variable que nos define el espesor del mortero en pulgadas
m = 0.635 pulgadas

s = 0.082 pulgadas

p(z = -2.41) = 0.492

p(x < 7/16 pulgadas) = 0.5- p(z = -2.41) = 0.5-0.492 = 0.008
Por tanto, 0.008 x 100% = 0.8% de los recubrimientos de mortero tienen un espesor menor
de 7/16 pulgadas
APROXIMACIN DE LA NORMAL A LA BINOMIAL.
En este caso se estarn calculando probabilidades de experimentos Binomiales de una forma muy
aproximada con la distribucin Normal, esto puede llevarse a cabo si ny p = p(xito) no es muy
cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto es,

Donde:
x = variable de tipo discreto; solo toma valores enteros
m = np = media de la distribucin Binomial
s=

= desviacin estndar de la distribucin Binomial

Cuando ocurren las condiciones anteriores, la grfica de la distribucin Binomial, es muy parecida a
la distribucin Normal, por lo que es adecuado calcular probabilidades con la Normal en lugar de con
la Binomial y de una forma ms rpida.
En resumen, se utiliza la aproximacin Normal para evaluar probabilidades Binomiales siempre
que p no est cercano a 0 o 1. La aproximacin es excelente cuando n es grande y bastante buena
para valores pequeos de n si p est razonablemente cercana a . Una posible gua para
determinar cuando puede utilizarse la aproximacin Normal es tener en cuenta el clculo de np y nq.
S ambos, np y nq son mayores o iguales a 5, la aproximacin ser buena.
Antes de empezar a resolver problemas con la aproximacin Normal, es bueno aclarar que se estn
evaluando probabilidades asociadas a una variable discreta x, con una distribucin que evala
variables de tipo continuo como es la Normal,
Por lo que z sufre un pequeo cambio como se muestra a continuacin:

Porqu vamos a sumar o a restar a x?

Este es un factor de correccin debido a que se est evaluando una variable discreta con una
distribucin continua, por lo que hay que delimitar claramente desde que punto se va a evaluar la
variable, dicho de otra forma, en que lmite de la barra (inferior o superior) nos debemos posicionar
para determinar la probabilidad requerida, cada barra de probabilidad a evaluar tiene como base la
unidad, ese es el porqu del .

Ejemplos:
1.
La probabilidad de que un paciente se recupere de una rara enfermedad de la sangre es de
0.4. Si se sabe que 100 personas han contrado esta enfermedad, Cul es la probabilidad de
que: a) al menos 30 sobrevivan?, b) ms de 46 sobrevivan?, c) menos de 50 no sobrevivan?
Solucin:
a)
n = 100
p = p(paciente se recupere) = 0.40
q = p(paciente no se recupere) = 1 p = 1 0.40 = 0.60
m = np = (100)(0.40) = 40 pacientes se recuperen
s=
=
pacientes que se recuperan
x = variable que nos define el nmero de pacientes que se recuperan
x = 0, 1, 2,....,100 pacientes que se recuperan

X = 29.5

m = 40

p( z = -2.14) =0.4838
p(x 30 ) = p(z = -2.14) +0.5 = 0.4838 + 0.5 = 0.9838

a)

p(z = 1.33) = 0.4082

p(x > 46) = 0.5 p(z = 1.33) = 0.5 0.4082 = 0.0918
b)
n = 100
p = p(paciente no sobreviva) = 0.60
q = p(paciente sobreviva) = 1 p = 0.40
pacientes que no se recuperan
pacientes que no se recuperan
x = variable que nos define el nmero de pacientes que no sobreviven
x = 0, 1, 2, ....,100

p( z = -2.14) = 0.4838
p(x < 50) = 0.5 p(z = -2.14) = 0.5 0.4838 = 0.0162
1. DISTRIBUCIN EXPONENCIAL.
A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en ingeniera
y ciencias, existen an numerosas situaciones que requieren diferentes tipos de funciones de
densidad, tales como la exponencial y la gamma y algunas otras como la weibull, etc., etc., de
momento solo trataremos sobre el uso de la exponencial.
Resulta que la exponencial es un caso especial de la distribucin gamma, ambas tienen un gran
nmero de aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante tanto
en teora de colas como en problemas de confiabilidad. El tiempo entre las llegadas en las
instalaciones de servicio y el tiempo de falla de los componentes y sistemas elctricos,
frecuentemente involucran la distribucin exponencial. La relacin entre la gamma y la exponencial
permite que la distribucin gamma se utilice en tipos similares de problemas.
La variable aleatoria x tiene una distribucin exponencial, con parmetro b, si su funcin de
densidad es:

,x>0

; f(x) = 0 en cualquier otro caso

donde b > 0
La media y la variancia de la distribucin exponencial son:

m=b

s2 = b2

Relacin con el proceso de Poisson.

Las aplicaciones ms importantes de la distribucin exponencial son aquellas situaciones en donde
se aplica el proceso de Poisson , es necesario recordar que un proceso de Poisson permite el uso de
la distribucin de Poisson. Recurdese tambin que la distribucin de Poisson se utiliza para
calcular la probabilidad de nmeros especficos de eventos durante un perodo o espacio particular.

En muchas aplicaciones, el perodo o la cantidad de espacio es la variable aleatoria. Por ejemplo un

ingeniero industrial puede interesarse en el tiempo T entre llegadas en una interseccin
congestionada durante la hora de salida de trabajo en una gran ciudad. Una llegada representa el
evento de Poisson.
La relacin entre la distribucin exponencial (con frecuencia llamada exponencial negativa) y el
proceso llamado de Poisson es bastante simple. La distribucin de Poisson se desarroll como una
distribucin de un solo parmetro l, donde l puede interpretarse como el nmero promedio de
eventos por unidad de tiempo . Considrese ahora la variable aleatoria descrita por el tiempo que
se requiere para que ocurra el primer evento. Mediante la distribucin de Poisson, se encuentra que
la probabilidad de que no ocurran en el espacio hasta el tiempo t est dada por:

;
Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de Poisson. La
probabilidad de que el perodo hasta que ocurre el primer evento de Poisson exceda x es la misma
que la probabilidad de que no ocurra un evento de Poisson en x. Esto ltimo por supuesto est dado
por

. Como resultado,
P(X x) =

Entonces, la funcin de distribucin acumulada para x es: P(0 X x) = 1 Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial, puede derivarse la
distribucin acumulada anterior para obtener la funcin de densidad:
f(x) =

La cual es la funcin de densidad de la distribucin exponencial con

Ntese que la media de la distribucin exponencial es el parmetro

, el recproco del parmetro en
la distribucin de Poisson. El lector debe recordar que con frecuencia se dice que la distribucin de
Poisson no tiene memoria, lo cul implica que las ocurrencias en perodos de tiempo sucesivos son
independientes. Aqu el parmetro importante

es el tiempo promedio entre eventos. En teora de

la confiabilidad, donde la falla de un equipo concuerda con el proceso de Poisson,

recibe el
nombre de tiempo promedio entre fallas. Muchas descomposturas de equipo siguen el proceso de
Poisson, y entonces la distribucin exponencial es aplicable.
En el siguiente ejemplo se muestra una aplicacin simple de la distribucin exponencial en un
problema de confiabilidad. La distribucin binomial tambin juega un papel importante en la solucin.
Ejemplos:
1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en aos est
dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio de
falla
. S 5 de estos componentes se instalan en diferentes sistemas, cul es la
probabilidad de que al menos 2 continen funcionando despus de 8 aos?
Solucin:
La probabilidad de que un determinado componente est funcionando an despus de 8 aos es:

la | nos indica que la integral se va a evaluar desde 8 hasta. Sea x el nmero de

componentes funcionando despus de 8 aos. Entonces mediante la distribucin Binomial,
n=5
p = 0.20 = probabilidad de que un componente est funcionando despus de 8 aos
q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8 aos
P(x 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)

TEORIA DE PEQUEAS MUESTRAS O TEORIA EXACTA DEL MUESTREO

En las unidades anteriores se manej el uso de la distribucin z, la cual se poda utilizar siempre y
cuando los tamaos de las muestras fueran mayores o iguales a 30 en muestras ms pequeas si la
distribucin o las distribuciones de donde proviene la muestra o las muestras son normales.
En esta unidad se podrn utilizar muestras pequeas siempre y cuando la distribucin de donde proviene
la muestra tenga un comportamiento normal. Esta es una condicin para utilizar las tres distribuciones
que se manejarn en esta unidad; t de student, X 2 ji-cuadrada y Fisher.
A la teora de pequeas muestras tambin se le llama teora exacta del muestreo, ya que tambin la
podemos utilizar con muestras aleatorias de tamao grande.
En esta unidad se ver un nuevo concepto necesario para poder utilizar a las tres distribuciones
mencionadas. Este concepto es "grados de libertad".
Para definir grados de libertad se har referencia a la varianza muestral:

Esta frmula est basada en n-1 grados de libertad (degrees of freedom). Esta terminologa resulta del
hecho de que si bien s2 est basada en n cantidades
...,
stas suman cero,
as que especificar los valores de cualquier n-1 de las cantidades determina el valor restante. Por
ejemplo, sin=4 y
;

tres de los cuatro valores de

, entonces automticamente tenemos

, as que slo

estn libremen te determinamos 3 grados de libertad.

Entonces, en esta unidad la frmula de grados de libertad ser n-1 y su simbologa

DISTRIBUCION "t DE STUDENT"

Supngase que se toma una muestra de una poblacin normal con media
y varianza
el promedio de las n observaciones que contiene la muestra aleatoria, entonces la

distribucin

. Si

es

es una distribucin normal estndar. Supngase que la varianza de la

2
poblacin
es desconocida. Qu sucede con la distribucin de esta estadstica si se reemplaza
por s? La distribucin t proporciona la respuesta a esta pregunta.

La media y la varianza de la distribucin t son

=0y

para

>2, respectivamente.

La siguiente figura presenta la grfica de varias distribuciones t. La apariencia general de la

distribucin t es similar a la de la distribucin normal estndar: ambas son simtricas y unimodales, y el
valor mximo de la ordenada se alcanza en la media
= 0. Sin embargo, la distribucin t tiene colas
ms amplias que la normal; esto es, la probabilidad de las colas es mayor que en la distribucin normal.
A medida que el nmero de grados de libertad tiende a infinito, la forma lmite de la distribucin t es la
distribucin normal estndar.

Propiedades de las distribuciones t

1. Cada curva t tiene forma de campana con centro en 0.
2. Cada curva t, est ms dispersa que la curva normal estndar z.
3. A medida que

aumenta, la dispersin de la curva t correspondiente disminuye.

4. A medida que
, la secuencia de curvas t se aproxima a la curva normal estndar, por
lo que la curva z recibe a veces el nombre de curva t con gl =
La distribucin de la variable aleatoria t est dada por:

Esta se conoce como la distribucin t con

grados de libertad.

Sean X1, X2, . . . , Xn variables aleatorias independientes que son todas normales con media

desviacin estndar
grados de libertad.

. Entonces la variable aleatoria

tiene una distribucin t con

= n-1

La distribucin de probabilidad de t se public por primera vez en 1908 en un artculo de W. S. Gosset.

En esa poca, Gosset era empleado de una cervecera irlandesa que desaprobaba la publicacin de
investigaciones de sus empleados. Para evadir esta prohibicin, public su trabajo en secreto bajo el
nombre de "Student". En consecuencia, la distribucin t normalmente se llama distribucin t de Student,
o simplemente distribucin t. Para derivar la ecuacin de esta distribucin, Gosset supone que las
muestras se seleccionan de una poblacin normal. Aunque esto parecera una suposicin muy
restrictiva, se puede mostrar que las poblaciones no normales que poseen distribuciones en forma casi
de campana an proporcionan valores de t que se aproximan muy de cerca a la distribucin t.
La distribucin t difiere de la de Z en que la varianza de t depende del tamao de la muestra y siempre
es mayor a uno. Unicamente cuando el tamao de la muestra tiende a infinito las dos distribuciones
sern las mismas.

Se acostumbra representar con

el valor t por arriba del cual se encuentra un rea igual a

Como la distribucin t es simtrica alrededor de una media de cero, tenemos

.
; es

decir, el valor t que deja un rea de

a la derecha y por tanto un rea de
a la izquierda, es
igual al valor t negativo que deja un rea de
en la cola derecha de la distribucin. Esto es, t0.95 =
-t0.05, t0.99=-t0.01, etc.
Para encontrar los valores de t se utilizar la tabla de valores crticos de la distribucin t del libro
Probabilidad y Estadstica para Ingenieros de los autores Walpole, Myers y Myers.
Ejemplo:
El valor t con
= 14 grados de libertad que deja un rea de 0.025 a la izquierda, y por tanto un rea de
0.975 a la derecha, es
t0.975=-t0.025 = -2.145

Si se observa la tabla, el rea sombreada de la curva es de la cola derecha, es por esto que se tiene que
hacer la resta de
. La manera de encontrar el valor de t es buscar el valor de
en el primer
rengln de la tabla y luego buscar los grados de libertad en la primer columna y donde se
intercepten

se obtendr el valor de t.

Ejemplo:
Encuentre la probabilidad de t0.025 < t < t0.05.
Solucin:

Como t0.05 deja un rea de 0.05 a la derecha, y t0.025 deja un rea de 0.025 a la izquierda, encontramos
un rea total de 1-0.05-0.025 = 0.925.
P( t0.025 < t < t0.05) = 0.925
Ejemplo:
Encuentre k tal que P(k < t < -1.761) = 0.045, para una muestra aleatoria de tamao 15 que se
selecciona de una distribucin normal.
Solucin:

Si se busca en la tabla el valor de t =1.761 con 14 grados de libertad nos damos cuenta que a este valor
le corresponde un rea de 0.05 a la izquierda, por ser negativo el valor. Entonces si se resta 0.05 y 0.045
se tiene un valor de 0.005, que equivale a
. Luego se busca el valor de 0.005 en el primer rengln
con 14 grados de libertad y se obtiene un valor de t = 2.977, pero como el valor de
extremo izquierdo de la curva entonces la respuesta es t = -2.977 por lo tanto:

est en el

P(-2.977 < t < -1.761) = 0.045

Ejemplo:
Un ingeniero qumico afirma que el rendimiento medio de la poblacin de cierto proceso en lotes es 500
gramos por milmetro de materia prima. Para verificar esta afirmacin toma una muestra de 25 lotes cada
mes. Si el valor de t calculado cae entre t0.05 y t0.05, queda satisfecho con su afirmacin. Qu conclusin

extraera de una muestra que tiene una media de 518 gramos por milmetro y una desviacin estndar
de 40 gramos? Suponga que la distribucin de rendimientos es aproximadamente normal.
Solucin:
De la tabla encontramos que t0.05 para 24 grados de libertad es de 1.711. Por tanto, el fabricante queda
satisfecho con esta afirmacin si una muestra de 25 lotes rinde un valor t entre 1.711 y 1.711.
Se procede a calcular el valor de t:

Este es un valor muy por arriba de 1.711. Si se desea obtener la probabilidad de obtener un valor de t
con 24 grados de libertad igual o mayor a 2.25 se busca en la tabla y es aproximadamente de 0.02. De
aqu que es probable que el fabricante concluya que el proceso produce un mejor producto del que
piensa.
INTERVALO DE CONFIANZA PARA
Si

; CON

DESCONOCIDA

y s son la media y la desviacin estndar de una muestra aleatoria de una poblacin normal con

varianza
(

donde

, desconocida, un intervalo de confianza de

)100% para

/2

es:

es el valor t con

= n-1 grados de libertad, que deja un rea de

/2 a la derecha.

Se hace una distincin entre los casos de

conocida y
desconocida al calcular las estimaciones
del intervalo de confianza. Se debe enfatizar que para el primer caso se utiliza el teorema del lmite
central, mientras que para
desconocida se hace uso de la distribucin muestral de la variable
aleatoria t. Sin embargo, el uso de la distribucin t se basa en la premisa de que el muestreo se realiza
de una distribucin normal. En tanto que la distribucin tenga forma aproximada de campana, los
intervalos de confianza se pueden calcular cuando la varianza se desconoce mediante el uso de la
distribucin t y se puede esperar buenos resultados.
Con mucha frecuencia los estadsticos recomiendan que aun cuando la normalidad no se pueda
suponer, con
confianza:

desconocida y n 30, s puede reemplazar a

y se puede utilizar el intervalo de

Por lo general ste se denomina como un intervalo de confianza de muestra grande. La justificacin yace
slo en la presuncin de que con una muestra grande como 30, s estar muy cerca de la
real y de
esta manera el teorema del lmite central sigue valiendo. Se debe hacer nfasis en que esto es solo una
aproximacin y que la calidad de este enfoque mejora a medida que el tamao de la muestra crece ms.

Ejemplos:
1. El contenido de siete contenedores similares de cido sulfrico son 9.8, 10.2, 10.4, 9.8, 10.0,
10.2, y 9.6 litros. Encuentre un intervalo de confianza del 95% para la media de todos los
contenedores si se supone una distribucin aproximadamente normal.
Solucin:
La media muestral y la desviacin estndar para los datos dados son:
10 y s= 0.283
En la tabla se encuentra que t0.025=2.447 con 6 grados de libertad, de aqu, el intervalo de
confianza de 95% para

es:

Con un nivel de confianza del 95% se sabe que el promedio del contenido de los contenedores
est entre 9.47 y 10.26 litros.
2. Un artculo publicado en el Journal of Testing and Evaluation presenta las siguientes 20
mediciones del tiempo de combustin residual en segundos de especmenes tratados de ropa de
dormir para nios:
9.85 9.93 9.75 9.77 9.67
9.87 9.67 9.94 9.85 9.75
9.83 9.92 9.74 9.99 9.88
9.95 9.95 9.93 9.92 9.89
Se desea encontrar un nivel de confianza del 95% para el tiempo de combustin residual
promedio. Supngase que el tiempo de combustin residual sigue una distribucin normal.
Solucin:
La media muestral y la desviacin estndar para los datos dados son:
9.8525 y s= 0.0965
En la tabla se encuentra que t0.025=2.093 con 19 grados de libertad, de aqu, el intervalo de confianza de
95% para

es:

Por lo tanto, se tiene una confianza del 95% de que el tiempo de combustin residual promedio se
encuentra entre 9.8073 y 9.8977 segundos.
PRUEBA DE HIPOTESIS SOBRE LA MEDIA DE UNA DISTRIBUCION NORMAL, VARIANZA
DESCONOCIDA

Ciertamente sospechamos que las pruebas sobre una media poblacional

con
desconocida,
debe incluir el uso de la distribucin t de Student. La estructura de la prueba es idntica a la del caso
de
conocida, con la excepcin de que el valor
en la estadstica de prueba se reemplaza por la
estimacin de s calculada y la distribucin normal estndar se reemplaza con una distribucin t.
Ejemplos:
1. El Instituto Elctrico Edison publica cifras del nmero anual de Kilowatt-hora que gastan varios
aparatos elctrodomsticos. Se afirma que una aspiradora gasta un promedio de 46 kilowatthora al ao. Si una muestra aleatoria de 12 hogares que se incluye en un estudio planeado
indica que las aspiradoras gastan un promedio de 42 kilowatt-hora al ao con una desviacin
estndar de11.9 kilowatt-hora, esto sugiere con un nivel de significancia de 0.05 que las
aspiradoras gastan, en promedio, menos de 46 kilowatt-hora anualmente? Suponga que la
poblacin de kilowatt-hora es normal.
Solucin:
1. Datos:
= 46 kilowatt-hora
s= 11.9 kilowatt-hora
= 42 kilowatt-hora
n = 12
= 0.05
3. Ensayo de hiptesis
Ho;

= 46 kilowatt-hora

H1;

< 46 kilowatt-hora

4. Regla de decisin:
Si tR

-1.796 No se rechaza Ho

Si tR < -1.796 Se rechaza Ho

5. Clculos:

6. Justificacin y decisin:
Como 1.16 > -1.796, por lo tanto no se rechaza H o y se concluye con un nivel de significancia
del 0.05 que el nmero promedio de kilowwatt-hora que gastan al ao las aspiradoras no es
significativamente menor que 46.
Solucin por el otro mtodo:

Regla de decisin:
Si
Si

39.83 No se Rechaza Ho
< 39.83 Se rechaza Ho

Como la

= 42 y este valor no es menor que 39.83 por lo tanto no se rechaza H o.

Se puede aprovechar este ejemplo para calcular el valor de P , como el valor de t calculada es de 1.16,
se busca en la tabla y se ve que el area a la izquierda de este valor es de 0.135 con 11 grados de
libertad, por lo tanto no se rechaza Ho., ya que sera un valor alto para un nivel de significancia.

1. Un artculo publicado en la revista Materials Engineering describe los resultados de pruebas de

resistencia a la adhesin de 22 especmenes de aleacin U-700. La carga para la que cada
especmen falla es la siguiente en MPa:

19.8

18.5

17.6

16.7

15.8

15.4

14.1

13.6

11.9

11.4

11.4

8.8

7.5

15.4

15.4

19.5

14.9

12.7

11.9

11.4

10.1

7.9

Sugieren los datos que la carga promedio de falla es mayor que 10Mpa? Supngase que la
carga donde se presenta la falla tiene una distribucin normal, y utilicese
valor de P.
Solucin:
1. Datos:
= 10
s = 3.55
= 13.71

= 0.05. Calcule el

n = 22
= 0.05
3. Ensayo de hiptesis
Ho;

= 10

H1;

> 10

4. Regla de decisin:
Si tR

1.721 no se rechaza Ho.

Si tR> 1.721 se rechaza Ho.

5. Clculos:

6. Justificacin y decisin.
Como 4.90 >1.721 se rechaza Ho y se concluye con un nivel de significancia del 0.05 que la
carga de falla promedio es mayor que 10Mpa.
Existe otra manera de resolver este ejercicio, tomando la decisin en base al estadstico real, en este
caso la media de la muestra. De la frmula de la distribucin muestral de medias se despeja la media de
la muestra:

Regla de decisin:
Si
Si

11.30 No se rechaza Ho

> 11.30 Se rechaza Ho

Como la media de la muestral es de 13.71 MPa y es mayor al valor de la media muestral lmite de 11.30
por lo tanto se rechaza Ho y se llega a la misma conclusin.
Para calcular el valor de P se va a la tabla y se busca en 21 grados de libertad el valor de t = 4.90. Se
obseva que el valor mayor de t que se encuentra en la tabla con 21 grados de libertad es de 3.819 el
cual le corresponde un rea a la derecha de 0.0005, por lo que para el valor de 4.90 el valor de P es
practicamente cero, y esto apoya la decisin de rechazar Ho.
3. Los pesos en libras de una muestra aleatoria de bebs de seis meses son: 14.6, 12.5, 15.3,
16.1, 14.4, 12.9, 13.7 y 14.9. Haga una prueba con nivel de 5% de significancia para determinar
si el peso promedio de todos los bebs de seis meses es distinto a 14 libras, suponga que sus
pesos se distribuyen normalmente y calcule el valor de P.
Solucin:
1. Datos:
= 14 libras
s = 1.21 libras
= 14.3 libras
n=8
= 0.05
2. Ensayo de hiptesis
Ho;

= 14 libras

H1;

14 libras

3. Regla de Decisin:
Si 2.365

tR

2.365 No se rechaza Ho

Si tR < -2.365 si tR > 2.365 Se rechaza Ho

4. Clculos:

5. Justificacin y decisin:
Como 2.365 0.7012 2.365 por lo tanto, no se rechaza Ho y se concluye con un nivel de
significancia del 0.05 que el peso promedio de todos los bebs de seis meses es de 14 libras.
Solucin por el otro mtodo:

12.98 y 15.01

Regla de decisin:
Si 12.98
Si

15.01 No se rechaza Ho

< 12.98

Como la

> 15.01 se rechaza Ho

= 14.3 libras, entonces no se rechaza Ho .

Para calcular el valor de P se busca en la tabla el valor de 0.7012 con 7 grados de libertad. Se obseva
que este valor no se encuentra pero se puede interpolar entre los valores de 0.549 y 0.896 con reas de
0.30 y 0.20 respectivamente. Interpolando linealmente se obtiene el valor de 0.2561.

Error tipo II
El error tipo II se calcula de la misma forma en la que se calcul con la distribucin z. Se realizarn
algunos ejercicios en los cuales se determinar la probabilidad de cometer el error tipo II, utilizando la
tabla de la distribucin.
Existen curvas caractersticas de operacin en los libros con diferentes grados de libertad para
determinar los tamaos de muestra correspondientes segn el grado de error que se quiera, recordando
que entre mayor sea el tamao de muestra menor ser el error.
1. Se sabe que los voltajes de una marca de pilas tamao C se distribuyen normalmente, se prob
una muestra aleatoria de 15 y se encontr que la media es de 1.4 volts con una desviacin
estndar de 0.21 volts. En el nivel de significancia de 0.01:
a. Indica esto que la media de los voltajes es menor que 1.5 volts?
b. Calcular la probabilidad de cometer el error tipo II si el voltaje promedio real de las pilas es de
1.3 volts.
Solucin:
1. Datos:
= 1.5 volts.
s= 0.21 volts
= 1.4 volts.
n = 15
= 0.01
2. Ensayo de hiptesis
Ho;

= 1.5 volts

H1;

< 1.5 volts

3. Regla de decisin:
Si tR

-2.624 No se rechaza Ho

Si tR < -2.624 Se rechaza Ho

5. Clculos:

6. Justificacin y decisin:
Como 1.84 > -2.624, por lo tanto no se rechaza H o y se concluye con un nivel de significancia
del 0.01 que los voltajes de las pilas tamao C no son menores a 1.5.
Para calcular el error tipo II se tiene que obtener el valor de

de la siguiente forma:

Para encontrar el valor de

se busca en la tabla de la distribucin t el valor de 1.05 con 14 grados de
libertad. Como este valor no se encuentra en la tabla se interpola entre 0.868 y 1.076 con un rea de
0.20 y 0.15 respectivamente. Al interpolar se obtiene un rea de 0.15612 y esta es la probabilidad de
cometer el error tipoII cuando la media verdadera es de 1.3 volts y un tamao de muestra de 15.
2. Para el ejercicio del peso de los bebs de 6 meses, calcular el error tipo II, si los pesos
verdaderos hubieran sido de 11 y 14.5 libras.
Solucin:
Primero se calculan los valores de

En este ltimo clculo para

se tendr que analizar las reas de los dos extremos, pues estas no
estn dentro de la regin de aceptacin, por lo tanto no se deben de tomar en cuenta para el error tipo II.
Se busca en la tabla el valor de 3.55 con 7 grados de libertad, y al interpolar nos da un rea de 0.00475.
El rea correspondiente a 1.19 con 7 grados de libertad es de 0.1479. Por lo que
(0.00475+0.1479)= 0.8473

=1-

3. Para el ejercicio en donde se dan los resultados de pruebas de resistencia a la adhesin de 22

especmenes de aleacin U-700., encontrar la probabilidad de cometer el error tipo II si la carga
promedio de falla es igual a 11.
Solucin:
Primero se obtendr el valor del estadstico lmite: