3

Manual de estadística I
Universidad industrial de Santander

Profesor Gonzalo Díaz

2020
 4

Contenido

CLASES DE ESTADÍSTICA ...................................................... ¡Error! Marcador no definido.

Estadística descriptiva: ....................................................... ¡Error! Marcador no definido.
Estadística inferencial: ........................................................ ¡Error! Marcador no definido.
Estadística multivariable: .................................................... ¡Error! Marcador no definido.
CONCEPTOS BÁSICOS............................................................ ¡Error! Marcador no definido.
Población .............................................................................. ¡Error! Marcador no definido.
Muestra ................................................................................. ¡Error! Marcador no definido.
Muestra aleatoria ................................................................. ¡Error! Marcador no definido.
Muestra significativa ............................................................ ¡Error! Marcador no definido.
Estadístico ............................................................................ ¡Error! Marcador no definido.
Parámetros ........................................................................... ¡Error! Marcador no definido.
Variable ................................................................................. ¡Error! Marcador no definido.
Constante.............................................................................. ¡Error! Marcador no definido.
Datos ..................................................................................... ¡Error! Marcador no definido.
Representación de los datos. ............................................ ¡Error! Marcador no definido.
I. Datos no agrupados .................................................... ¡Error! Marcador no definido.
II. Datos agrupados ......................................................... ¡Error! Marcador no definido.
DATOS NO AGRUPADOS ........................................................ ¡Error! Marcador no definido.
MEDIDAS DE TENDENCIA CENTRAL. .......................... ¡Error! Marcador no definido.
MEDIDAS DE DISPERSIÓN ..................................................... ¡Error! Marcador no definido.
a) Varianza ........................................................................ ¡Error! Marcador no definido.
FORMA DE LOS DATOS ........................................................... ¡Error! Marcador no definido.
DATOS AGRUPADOS .............................................................. ¡Error! Marcador no definido.
Tablas de distribución de frecuencias .............................. ¡Error! Marcador no definido.
MEDIDAS DE TENDENCIA CENTRAL ................................... ¡Error! Marcador no definido.
a. La media aproximada ................................................. ¡Error! Marcador no definido.
b. La mediana aproximada ............................................. ¡Error! Marcador no definido.
c. Moda aproximada ........................................................ ¡Error! Marcador no definido.
d. Rango medio aproximado .......................................... ¡Error! Marcador no definido.
I. MEDIDAS DE DISPERSIÓN ............................................. ¡Error! Marcador no definido.
TEORIA PROBABILISTICA ...................................................................................................... 5
5
Conceptos Fundamentales: .............................................................................................. 5
3. Suceso o Evento......................................................................................................... 6
PROBABILIDAD CONDICIONAL .......................................................................................... 15
TEOREMA DE BAYES ....................................................... ¡Error! Marcador no definido.
TÉCNICAS DE CONTEO ................................................................................................ 20
DISTRIBUCION DE PROBABILIDAD ................................................................................... 31
DEFINICIÓN 1 .................................................................................................................. 31
DEFINICIÓN 2 .................................................................................................................. 31
DEFINICIÓN 3 .................................................................................................................. 31
Variables Discretas: ......................................................................................................... 32
 Distribución De Probabilidad Uniforme ................................................................. 32
 Distribución De Probabilidad Binomial .................................................................. 33
 Distribución De Probabilidad Hipergeometrica: ................................................... 35
 Distribución De Probabilidad Poisson ................................................................... 36
Variables Continuas: ........................................................................................................ 39
 Distribución De Probabilidad Normal: ................................................................... 39
Distribución Muestrales Para Proporciones: ................................................................ 42

TEORIA PROBABILISTICA

Conceptos Fundamentales:

1. Espacio Muestral: [E o S] Es el conjunto de todos los posibles resultados que

se dan cuando realizamos un experimento aleatorio.

2. Experimento Aleatorio: Es toda actividad en la que conocemos todos sus

posibles resultados pero que no podemos predecir con exactitud a Priori
antes de ejecutarla que va resultar.
2.1 Experimento A priori: Es aquel experimento en el cual no necesitamos
realizar ninguna actividad extra, ya que con solo una instrucción podemos
obtener su resultado (uso de fórmulas ya establecidas).
 2.2 Experimento a posteriori: Es aquel experimento que para poder llegar
6
a un resultado nos toca realizar la parte experimental paso a paso. Ej: si nos
pidieran la probabilidad de cuantos autos rojos con placas terminadas en 6
pasan en determinado mes del año de las horas 14:00 hasta las 18:00 por la
carrera 33 con calle 56 de la ciudad de Bucaramanga.

3. Suceso o Evento: Se representa con letras mayúsculas del alfabeto menos

las
4. E y S; se definen como todo subconjunto del espacio muestral. (Como
mínimo se pueden presentar 2 sucesos, el imposible y el seguro)

5. REPASO DE ALGUNOS CONCEPTOS DE LA TEORIA DE CONJUNTOS:

4.1 Conjunto: Agrupación de elementos que están bien definidos. {Los podemos
operar comparándolos}
4.2 Determinación de un Conjunto
a. Por Comprención: dando una característica o atributo que represente
a todo el conjunto Ej: A: {Días de la semana}
b. Por Extensión: Enumerando cada uno de sus elementos Ej: A: {
Domingo, Lunes, Martes, Miércoles, Jueves, Viernes, Sábado }
4.3 Relaciones que se dan Entre Conjuntos
a. Pertenencia (€): Se da solamente entre elementos y conjuntos Ej: U=(
alfabeto) ; a€U
b. Contenencia(C): Se da solo entre conjuntos Ej: A: {a, b, c, t, w}
B: {a, b}; BCA

4.4 Cardinal de un Conjunto

Representa al número de elementos de un conjunto. Ej: el cardinal del
conjunto días de la semana es igual a 7
4.5 Operaciones entre conjuntos
a. ∪: 𝑢𝑛𝑖ó𝑛 (𝐴𝑈𝐵) : es la misma suma entre sucesos; es decir: {x/x€A ó x/x€B}
(A+B) ó (AUB)=(AóB)=(AvB)=(AorB)

A B
 7
b. ∩: 𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 (𝐴Ո𝐵) : es la misma multiplicación entre sucesos; (𝐴Ո𝐵):
(x/x€ A y x/€B)
(A ∩B)= (AxB)=(AyB)=(AᴧB)=(A and B)

c. −∶ 𝑫𝒊𝒇𝒆𝒓𝒆𝒏𝒄𝒊𝒂 (𝑨 − 𝑩):es la misma resta sencilla entre sucesos; y se define

como lo que tiene un conjunto y no el otro conjunto.
(A-B)

d. 𝛁: 𝑫𝒊𝒇𝒆𝒓𝒆𝒏𝒄𝒊𝒂 𝑺𝒊𝒎𝒆𝒕𝒓𝒊𝒄𝒂 (𝑨𝛁𝐁):es la misma resta doble entre sucesos, y se

define como (A-B) +(B-A) ={x/x € (A+B) y x/x no pertenece a la (A∩ 𝐵)}

(A𝛁𝐁)
 8

e. 𝑨": 𝑪𝒐𝒎𝒑𝒍𝒆𝒎𝒆𝒏𝒕𝒐: es lo que le falta a un conjunto para llegar a ser igual a

su referente. Ej: U=(alfabeto); A=(vocales); A” =(consonantes) esta

operación da origen a lo que llamaremos sucesos contrarios o complementarios.

4.6 Determinar el Número de Subconjuntos

# (Subj A) = 2n---- > # elementos del conjunto
Ejemplo : sea A: {a, b, c}; n= 3 elementos
#Subj A = 23 = 8
Sub: {(a) (b) (c) (a, b) (a, c) (b, c) (a, b, c) ( )} suceso Imposible

Suceso Seguro

4.7 Teorema Fundamental de Conjuntos: Todo conjunto tiene como mínimo

dos subconjuntos el vacío y el propio conjunto.

6. DEFINICION FORMAL DE PROBABILIDAD: Sea A, B, C,… sucesos de un

espacio muestral S, definimos la probabilidad de A que representamos por
𝑃(𝐴) como el valor no real negativo ni mayor que 1( uno), obtenido del
cociente formado por los casos favorables de un experimento cuyo cardinal
representaremos con f y el número de casos posibles o totales cuyo
cardinal representaremos por la letra t; sujeto a los siguientes tres
axiomas.
Sea A, B, C…C S
𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠(𝑓)
𝑃(𝐴) =
𝑐𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑜 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 (𝑡)
Axiomas
 i) 0 ≤ 𝑃(𝐴) ≤ 1
9
ii) 𝑃(𝑆) = 1
iii) Si A c B ---- > 𝑃(𝐴) ≤ 𝑃(𝐵)

B
A

6. Suceso Imposible: Es aquel suceso cuya probabilidad de ocurrencia vale ∅

𝑃(𝐴) = ∅

7. Suceso Seguro: Es aquel suceso cuya probabilidad de ocurrencia es igual a 1

; 𝑃(𝐴) = 1

8. Suceso Total: Sea A, B, C… 𝐶 S

Si 𝑆 = 𝐴 𝑜 𝐵, es decir si 𝑆 = 𝐴 ∪ 𝐵 entonces la 𝑃(𝐴∪𝐵) se lee como:
La probabilidad que se presente A ó la probabilidad que se presente B ó
la probabilidad que se presenten ambos sucesos.

Se acostumbrara 𝑃((𝐴𝑈𝐵)) =

𝑃(𝐴𝑈𝐵): 𝑒𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑜 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑒

𝑃(𝐴∪𝐵)

A B
 10
9. Sucesos Compuestos: Sean A, B, C … C S.
Si 𝑆 = (𝐴 𝑦 𝐵) es decir 𝑆 = (𝐴 ∩ 𝐵)
Entonces la probabilidad 𝑃(𝐴 ∩ 𝐵) Se lee como: la probabilidad de que
ambos sucesos se presenten simultáneamente.
Es decir, si ocurre A debe ocurrir B también.

𝑃(𝐴∩𝐵)

10. Sucesos Mutuamente Excluyentes: Sean A, B,… C S.

Si 𝐴 ∩ 𝐵 = ∅ 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑃(𝐴 ∩ 𝐵) = 0
∴ 𝐴 𝑦 𝐵 𝑠𝑜𝑛 𝑚𝑢𝑡𝑢𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑥𝑐𝑙𝑢𝑦𝑒𝑛𝑡𝑒𝑠
Dos sucesos son mutuamente excluyentes cuando la probabilidad de uno
de ellos cualesquiera imposibilitan la probabilidad del otro suceso.
11. Sucesos Contrarios o Complementarios: Sea A = Suceso deseado
A’ = Suceso no deseado
Si S = A ∪ A’ = 1 𝑃(𝐴 ∪ 𝐴′) = 𝑃(𝑠) = 1
𝑃(𝐴 ∪ 𝐴′) = 𝑃(𝐴) + 𝑃(𝐴′) = 𝑃(𝑆) = 1; 𝑆𝑖 (𝐴 ∩ 𝐴′ ) = ∅

1. Colorario 𝑃(𝐴) = 1 − 𝑃(𝐴′)

2. Colorario 𝑃(𝐴′) = 1 − 𝑃(𝐴)

Ejemplo de donde se puede utilizar este concepto de sucesos contrarios o

complementarios: Suponga que lanzamos una moneda 1000 veces y nos piden
calcular la probabilidad de obtener por lo menos 2 caras?
Solucion: P(x≥2 caras)= p(x=2) +P(x=3) +p(x=4)+ …P(x=1000)
=[ 1- {p(x=0)+p(x=1)}]
12. sucesos colectivamente exhaustivos: son aquellos sucesos de un
11
experimento aleatorio que al sumar del espacio muestral todas sus
probabilidades estas deben dar exactamente igual a 1 (uno)

13.Teorema Fundamental de la Probabilidad Total: Sean A, B,… C S.

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴∩𝐵)

𝑃(𝐴∪𝐵∪𝐶) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) - 𝑃(𝐴 ∩ 𝐵) − 𝑃(𝐴 ∩ 𝐶) − 𝑃(𝐵 ∩ 𝐶) + 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)

A B

Ejemplos:
Lanzamos dos dados simultáneamente una sola vez. Calcular la probabilidad
de:
a. Obtener un resultado de 7 puntos.
b. Obtener un resultado de por lo menos 7 puntos.
c. Obtener un resultado par (suma de ambos dados).
d. Obtener un resultado de por los menos 7 puntos y par.
e. Obtener un resultado de por lo menos 7 puntos o par.
 f. Obtener un resultado de 4 puntos y 9 puntos.
12
g. Obtener un resultado de 4 puntos o 9 puntos.
h. Obtener un resultado de 14 puntos.
i. Obtener un resultado de por lo menos 2 puntos o 13 puntos.
Solución.
Definimos y pintamos nuestro espacio muestral:
1 2 3 4 5 6
1 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
2 (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
3 (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
4 (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
5 (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
6 (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)

a.
A= obtener un resultado de 7 puntos (por comprensión) =por
extensión seria: ( (6, 1),(5, 2), (4, 3), (1, 6),(2, 5),(3, 4))

𝑓 6 1
P(A) = 𝑃(𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 7 𝑝𝑢𝑛𝑡𝑜𝑠) = 𝑡 = 36 = 6

b. Dado 1 = {1, 2, 3, 4, 5, 6} Dado 2 = {1, 2, 3, 4, 5, 6}

𝐵=
{(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1), (6, 2), (2,6), (6, 3), (3,6), (6, 4), (4,6). (6, 5), (5,6), (6, 6) … }
por extensión
𝑓 21 7
𝑃(𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 ≥7 𝑃𝑢𝑛𝑡𝑜𝑠) = = =
𝑡 36 12

c. C= obtener un resultado par (por comprensión)

18 1
𝑃(𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑝𝑎𝑟) = =2
36
 d. D=obtener un resultado de por lo menos 7 puntos y par
13
D1=obtener un resultado de por lo menos 7 puntos
D2= resultado par
e. P(D) =P (D1∩ 𝐷2 ) =????
𝑃𝐷1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 ≥ 7 𝑝𝑢𝑛𝑡𝑜𝑠)

𝑃𝐷2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑃𝑎𝑟)

Como no sabemos todavía multiplicar sucesos entonces recurrimos solamente
a conjuntos … y eso si sabemos hacerlo.

P (D1∩ 𝐷2 )= f/t =9/36

Si supiéramos multiplicar sucesos la solución sería:

Entonces primero calculamos a:

21
𝑃𝐷1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 ≥ 7 𝑝𝑢𝑛𝑡𝑜𝑠) = y
36
18
𝑃𝐷2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑃𝑎𝑟) = 36

𝑃𝐷 = 𝑃𝐷1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 ≥ 7 𝑝𝑢𝑛𝑡𝑜𝑠) ∩ 𝑃𝐷2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑃𝑎𝑟)

9 18 9
𝑃𝐷 = 𝑃(𝐷1 ) ∗ 𝑃(𝐷2 ) = 18 ∗ 36 = 36
𝐷2

9 21 9
𝑃𝐷 = 𝑃(𝐷2 ) ∗ 𝑃(𝐷1 ) = 21 ∗ 36 = 36
𝐷1

f. P(E) =P( 𝑃𝐸1 𝑈 𝑃𝐸2 ) =?????

21
𝑃𝐸1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 ≥ 7 𝑝𝑢𝑛𝑡𝑜𝑠) = 36
18
𝑃𝐸2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑃𝑎𝑟) = 36

𝑃𝐸 = [𝑃𝐸1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 ≥ 7 𝑝𝑢𝑛𝑡𝑜𝑠) ∪ 𝑃𝐸2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑃𝑎𝑟) ]

21 18 9 5 30
𝑃(𝐸) = 𝑃𝐸1 + 𝑃𝐸2 − 𝑃(𝐸1 ∩ 𝐸2 ) = 36 + 36 − 36 = 6 =36
 g. P(F)=P( 𝑃𝐹1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 4 𝑝𝑢𝑛𝑡𝑜𝑠) y
14
𝑃𝐹2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 9 𝑝𝑢𝑛𝑡𝑜𝑠) )= 0 ( por ser sucesos mutuamente
excluyentes)

h. P(G)= P(G1UG2) =
Primero calculamos sus respectivas probabilidades:
𝑃𝐺1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 4 𝑝𝑢𝑛𝑡𝑜𝑠) ; 𝑃𝐺2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 9 𝑝𝑢𝑛𝑡𝑜𝑠)
G1 = {(1, 3), (3, 1), (2, 2)} G2 = {(6, 3), (4, 5), (3, 6),
(5, 4)}
𝑓 3 𝑓 4
𝑃(𝐺1 ) = = 36 𝑃(𝐺2 ) = = 36
𝑡 𝑡

𝑃𝐺 = [𝑃𝐺1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 4 𝑝𝑢𝑛𝑡𝑜𝑠) ∪ 𝑃𝐺2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 9 𝑝𝑢𝑛𝑡𝑜𝑠) ]

3 4 7
𝑃𝐺 = 𝑃𝐺1 + 𝑃𝐺2 − 𝑃(𝐺1 ∩ 𝐺2 ) = 36 + 36 − 0 = 36 (suceso mixto , que

se llama también suceso total, y que es mutuamente excluyente)

𝑓 0
i. 𝑃(𝐻) = = 36 = 0 ( 𝑆𝑢𝑐𝑒𝑠𝑜 𝐼𝑚𝑝𝑜𝑠𝑖𝑏𝑙𝑒)
𝑡

j. P(I)=P(I1UI2) =
36
𝑃𝐼1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 ≥ 2 𝑝𝑢𝑛𝑡𝑜𝑠) = 36

𝑃𝐼2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 13 𝑝𝑢𝑛𝑡𝑜𝑠) = 0

𝑃𝐼 = [𝑃𝐼1 (𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 ≥ 2 𝑝𝑢𝑛𝑡𝑜𝑠) ∪ 𝑃𝐼2(𝑂𝑏𝑡𝑛𝑒𝑟 𝑢𝑛 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 13 𝑝𝑢𝑛𝑡𝑜𝑠) ]
36
𝑃𝐼 = 𝑃𝐼1 + 𝑃𝐼2 − 𝑃(𝐼1 ∩ 𝐼2 ) = 36 + 0 − 0 = 1 [𝑆𝑢𝑐𝑒𝑠𝑜 𝑆𝑒𝑔𝑢𝑟𝑜] =

(Suceso mixto , que se llama también suceso total, que es

mutuamente excluyente y también suceso seguro= se llama suceso
colectivamente exhaustivo)

Sucesos Independientes: Dos sucesos A y B son independientes cuando la

probabilidad de uno de ellos cuales quiera no depende o se ve afectado por la
probabilidad del otro suceso.
Cuando realizamos experimentos con reposición el espacio muestral del
15
experimento permanece constante lo que indica que los sucesos involucrados
en dicho experimento son independientes.

Sucesos Dependientes: Dos sucesos A y B son dependientes cuando la

probabilidad de uno de ellos cuales quiera se ve directamente afectada por la
probabilidad del otro suceso.
Cuando realizamos experimentos sin reposición el espacio muestral cambia
continuamente lo que indica que los sucesos involucrados en dicho experimento
son sucesos dependientes.

PROBABILIDAD CONDICIONAL
Definición
Sean A, B, …C S.
𝐴
𝑃 (𝐵) Se lee como la 𝑃(𝐴) dado B; se lee también como la 𝑃(𝐴) dado que ya

ocurrió el suceso B. y …
Se define:
𝐴 𝑃(𝐴∩𝐵)
𝑃 (𝐵) = 𝑃(𝐵)

𝐵 𝑃(𝐵∩𝐴)
𝑃 (𝐴 ) = 𝑃(𝐴)

Axiomas de la probabilidad condicional:

𝐴
1. 0 ≤ 𝑃(𝐵) ≤ 1
𝑆
2. 𝑃 (𝐵) = 1; se puede demostrar aplicando la definición de probabilidad

condic.
𝑆 𝑃(𝑆∩𝐵) 𝑃(𝐵)
𝑃 (𝐵) = = 𝑃(𝐵) = 1
𝑃(𝐵)

3. 𝑃[(𝐴1 ∪ 𝐴2 /𝐵)] → 𝑃(𝐴1 /𝐵) + 𝑃(𝐴2 /𝐵)

Si y solo si 𝑃(𝐴1 ∩ 𝐴2 ) = 0 mutuamente excluyentes y 𝑆 = (𝐴1 ∪ 𝐴2 ) son
colectivamente exhaustivos.
Multiplicación de Sucesos Independientes : P(A∩ 𝑩)
16

𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨/𝑩) ∗ 𝑷(𝑩) y como 𝑃(𝐴/𝐵)= P(A), entonces tenemos

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵)

𝑷(𝑩 ∩ 𝑨) = 𝑷(𝑩/𝑨) ∗ 𝑷(𝑨) y como 𝑃(𝐵/𝐴) = 𝑃(𝐵) ; entonces tenemos

𝑃(𝐵 ∩ 𝐴) = 𝑃(𝐵) ∗ 𝑃(𝐴)
Lo que demuestra que la multiplicación de sucesos independientes es
conmutativa y además el producto de estos sucesos es solamente el producto
de sus probabilidades.

Multiplicación de Sucesos dependientes:

𝑷(𝑩 ∩ 𝑨) = 𝑷(𝑩/𝑨) ∗ 𝑷(𝑨) ó 𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨/𝑩) ∗ 𝑷(𝑩)
En esta multiplicación el suceso que ocurre primero le pone las condiciones al
suceso que ocurre después, es decir en las condiciones del primero debe ocurrir
la probabilidad del segundo suceso.

Ejemplo1: Una urna contiene 7 bolas rojas, 5 negras y 2 blancas. Si se extraen

dos bolas de la urna, una a una, sin reposición. Calcular la probabilidad de:
a. Probabilidad de negra dado blanca
b. Probabilidad de roja
c. Probabilidad de roja dado roja
d. Probabilidad de que ambas sean rojas
Solución.
17

2 5
𝑁𝑒𝑔𝑟𝑎 𝑃(𝑁∩𝐵) ∗ 5
13 14
a. 𝑃 (𝐵𝑙𝑎𝑛𝑐𝑎) = = 2 = 13
𝑃(𝐵)
14

7 1
b. 𝑃(𝑅𝑜𝑗𝑎) = =
14 2
6 7
𝑅𝑜𝑗𝑎 𝑃(𝑅∩𝑅) [ ∗ ] 6
13 14
c. 𝑃 (𝑅𝑜𝑗𝑎) = = 7 = 13
𝑃(𝑅)
14

𝑹𝒐𝒋𝒂
d. P (R∩ 𝑹) = 𝑷(𝑹𝒚 𝑹) = 𝑷 (𝑹𝒐𝒋𝒂) ∗ 𝑷(𝑹)= (6/13) *(7/14) = 42/182)

Ejemplo # 2: Dos tiradores A y B, aciertan el 80 y 90 % de sus disparos respectivamente. Si

ambos efectúan un disparo al mismo tiempo, calcular la probabilidad de :
a) Que ambos acierten?

b) que al menos uno de los dos acierte?

c)Que ninguno de los dos acierte?

d) Que acierte A pero no B

 18

Ejemplo # 3: Sea A el suceso de sacar un As, y sea E el suceso de sacar espadas de una baraja
de 52 cartas. Si se extrae una sola carta de la baraja, calcular la probabilidad de:

a) que la carta extraída sea el As de Espadas

b) que la carta extraída sea As o Espadas

c) que la carta extraída sea As pero no de espadas

d) que la carta extraída no sea As ni Espadas

Ejemplo # 4: Se lanzan simultáneamente un dado y una moneda una sola vez, calcular la
probabilidad de:

a) obtener cara y el número seis (6)

b) obtener cara o el número seis (6)

TEOREMA DE BAYES
Este Teorema nos permite calcular probabilidades desde el presente hacia el
19
pasado es decir cambia causas por efectos y efectos por causas.

Sean B1, B2,… Bk sucesos mutuamente excluyentes y colectivamente

exhaustivos es decir cuya unión( suma) de todas sus probabilidades sea igual
a 1; y sea A un suceso arbitrario. Tal que :

𝑃(𝐴/𝐵𝑖)𝑃(𝐵𝑖)
𝑃(Bi/𝐴) =
𝐴 𝐴 𝐴
𝑃 (𝐵1) ∗ 𝑃(𝐵1) … + 𝑝 (𝐵𝑖 ) ∗ 𝑃(𝐵𝑖) … + 𝑃 ( ) ∗ 𝑃(𝐵𝑘)
𝐵𝑘

Ejercicio de explicación directa: suponga que sea A el suceso de un accidente

automovilístico, y suponga que sean B1= el suceso de lluvia; sea B2= el suceso
de nieve; y sea B3= el suceso de niebla. Los tres sucesos son mutuamente
excluyentes y colectivamente exhaustivos.
En Bucaramanga salió hoy en vanguardia liberal que mañana sábado podría
haber lluvia en un 70%, nieve en un 10% y niebla en un 20%. También vamos a
suponer que pasado sábado y estamos ya en domingo y volvió a salir en
vanguardia liberal que había ocurrido un accidente automovilístico. Nos piden
calcular las probabilidades que tuvieron cada uno de los sucesos anteriormente
descriptos como lluvia, nieve y niebla.
Solución:

A
P( )∗P(B1)
B1
P(B1 /A) = A A A
P( )∗P(B1)+P( )∗P(B2)+P( )∗P(B3)
B1 B2 B3

A
P( )∗P(B2)
B2
P(B2 /A) = A A A
P( )∗P(B1)+P( )∗P(B2)+P( )∗P(B3)
B1 B2 B3

A
P( )∗P(B3)
B3
P(B3 /A) = A A A
P( )∗P(B1)+P( )∗P(B2)+P( )∗P(B3)
B1 B2 B3

EJERCICIO # 1: Un ejecutivo de publicidad está estudiando los hábitos de ver

televisión en hombres y mujeres casados, en horario estelar. En base a registros
de observación se ha determinado que los esposos (hombres) ven televisión el
60% del tiempo. También se ha determinado que cuando el esposo está viendo
20
televisión, el 40% del tiempo la esposa también lo está haciendo. Cuando el
esposo no está viendo televisión, el 30% del tiempo la esposa si lo está haciendo.
Encuentre la probabilidad de que:
a) que si la esposa está viendo televisión el esposo también lo esté haciendo.
b) que si el esposo está viendo televisión la esposa también lo esté haciendo.
c) qué % del tiempo la esposa está viendo televisión durante el horario estelar
d) que si la esposa está viendo televisión el esposo no lo esté haciendo.
e) que si el esposo no ve televisión la esposa si vea televisión
solución:

d) P(Esposo no ve tv/Esposa si ve tv)= ((0.3)*(0.4))/((0.3)*(0.4)+(0.4)*(0.6))=0.33

e) P(Esposas ven tv/ Esposos no ven tv)=0.3

Ejercicio # 2: La constructora Olive está considerando si debe presentar

licitación para la construcción de un nuevo centro comercial. En el pasado el
principal competidor de Olive, la constructora Básica, ha presentado licitaciones
el 70% de las veces. Si Básica no presenta licitación para un nuevo trabajo, la
21
probabilidad de que olive lo obtenga es el 50%; si Básica presenta licitación, la
probabilidad que olive lo obtenga es del 25%.
a) Si olive obtiene el trabajo, cual es la probabilidad de que básica no haya
presentado licitación?
b) Si olive no obtiene el trabajo cual es la probabilidad de que básica haya
presentado licitación?

Solución:

TÉCNICAS DE CONTEO

1. Permutación: [nPr] Es una función uno a uno y sobre (biyectiva) del conjunto
A sobre el conjunto de los N
 r: número de elementos a organizar
22
n: número total de elementos
𝐴 ⟹ 𝑁
𝑎1 ⟹ 1
𝑛!
𝑎2 ⟹ 2 𝑛𝑃𝑟 = (𝑛−𝑟)!

𝑎3 ⟹ 3
𝑎𝑛 ⟹ 𝑛
Una permutación es un Arreglo en el cual tenemos en cuanta el
orden.
Propiedades:
𝑛! 𝑛!
 Si 𝑟 = 0 𝑛𝑃𝑟 = (𝑛−0)! = 𝑛! = 1
𝑛! 𝑛(𝑛−1)!
 Si 𝑟 = 1 𝑛𝑃𝑟 = (𝑛−1)! = =𝑛
(𝑛−1)!
𝑛! 𝑛!
 Si 𝑟 = 𝑛 𝑛𝑃𝑟 = (𝑛−𝑛)! = = 𝑛!
0!

Ejercicio # 1: ¿De Cuantas formas diferentes se podrán sentar 20 personas en

20 sillas?
Solución: n = 20 sillas; r=20 personas
20!
20𝑃20 = (20−20)! = 20! = 2.43 ∗ (1018 ) = 2 …

Ejercicio # 2: ¿Cuantas placas para autos se podrán armar con nuestro alfabeto
de 27 letras y con los numeros dígitos, con la estructura de placas que tenemos
hoy en día y de solo un atributo (placas amarillas= vehículos particulares)?
a) repitiendo letras y números
b) sin repetir letras ni números

2. Combinación: [nCr] Es un arreglo en el cual no se tiene en cuenta el orden,

es decir, (a, b) = (b, a) como por ejemplo los subconjuntos de un conjunto son
combinaciones.

𝑛!
𝑛𝐶𝑟 =
(𝑛 − 𝑟)! 𝑟!
 23
Propiedades:
𝑛! 𝑛!
 Si 𝑟 = 0 𝑛𝐶𝑟 = (𝑛−0)!0! = 𝑛! = 1
𝑛∗(𝑛−1)!
 Si 𝑟 = 1 𝑛𝐶𝑟 = (𝑛−1)
=𝑛
𝑛!
 Si 𝑟 = 𝑛 𝑛𝐶𝑛 = (𝑛−𝑛)!𝑛! = 1


Ejercicio # 1: Suponga que tenemos un conjunto de tres elementos A =[a,b,c] ;
cuantos subconjuntos podremos tener: 23= 8 subconjuntos
# sujA = { (a),(b);(c),(a,b);(a,c);(b,c);(a,b,c);()}
a. si n= 3 y r=1 ¿cuantas combinaciones tendremos? Rta: 3={(a);(b);(c)}
Aplicando la formula tenemos:
3!
3𝐶1 = =3
(3 − 1)! 1!
b. si n= 3 y r= 2 ¿Cuántas combinaciones tendremos? Rta: 3={(a,b);(a,c);(b,c)}
aplicando la formula tendremos:

3!
3𝐶2 = =3
(3 − 2)! 2!

Ejercicio # 2: De un curso de 15 personas se quiere elegir tres comités de 6,5,4

personas respectivamente. ¿De cuantas formas se podrá realizar dicha elección
si no nos interesa literalmente el nombre de cada una de las personas en cada
comité?
Solución: ??

Comité # 1:
15!
15𝐶6 = (15−6)!6!=5005
Comité # 2 :
24
9!
9𝐶5 = = 126
(9 − 5)! 5!

Comité # 3:
4!
4𝐶4 = =1
(4 − 4)! 4!

Rta= [(Comité # 1)*( Comité # 2)*( Comité # 3)]= [(5005)*(126)*(1)]=630630

formas de elegir los tres comités.

Tarea para practicar:

1) Hay seis equipos en la división este de la liga nacional americana: Chicago,
Montreal, Nueva york, Filadelfia, los Ángeles y San Luis. ¿Cuántos posibles
arreglos existen de la forma en que terminaran ubicados los equipos dicha liga?
Nota: suponga que todos tienen la misma probabilidad de ganar.
2) Un estudiante tiene 8 libros que le gustaría colocar en un portafolios, pero solo
en este caben 8 libros. Sin tener en cuenta como los organice ¿Cuantas formas
hay de colocar los 8 libros en el portafolios?
3) Un famoso restaurante de comidas rápidas tiene un menú que consta de 10
platos diferentes, cuatro ensaladas, o bebidas y seis postres. ¿Cuántas comidas
diferentes (consistentes en un plato fuerte, una ensalada, una bebida y un postre)
se podrán solicitar en dicho restaurante?
4) Se lleva a cabo una lotería diaria en la cual se seleccionan dos números
ganadores de un total de 100 números. ¿Cuántos arreglos diferentes de números
ganadores serán posibles?

EJERCICIOS DE APLICACIÓN SOBRE PROBABILIDAD

1. Sea E el suceso de sacar espadas y sea A el sucedo de sacar un As de una baraja de

52 cartas. Si se extrae una sola carta de la baraja, calcular la probabilidad de:
 a) Que la carta extraída sea el AS de espadas
25
b)Que la carta extraída sea AS o E (espada)

Solución:

Espada 1 AS 13 Cartas

Bastos 1 AS 13 Cartas

52
Copas 1 AS 13 Cartas

Oro 1 AS 13 Cartas

1 13
a) 𝑃(𝐴𝑆 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎) = 𝑃(𝐴 ∩ 𝐸) = 𝑃(𝐴/𝐸) ∗ 𝑃(𝐸) = 13 ∗ 52
1
𝑃(𝐴𝑆 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎) = 52

b)𝑃(𝑆𝑎𝑐𝑎𝑟 𝑢𝑛 𝐴𝑆 ∪ 𝑆𝑎𝑐𝑎𝑟 𝐸𝑠𝑝𝑎𝑑𝑎𝑠) = 𝑃(𝐴) + 𝑃(𝐸) − 𝑃(𝐴 ∩ 𝐸)

4 13 1 4
𝑃(𝑆𝑎𝑐𝑎𝑟 𝑢𝑛 𝐴𝑆 ∪ 𝑆𝑎𝑐𝑎𝑟 𝐸𝑠𝑝𝑎𝑑𝑎𝑠) = 52 ∗ 52 − 52 = 13

2. Un inspector de Alaska Pipeline tiene la tarea de comparar la confiabilidad de dos

estaciones de bombeo. Cada estación es susceptible de dos tipos de fallas
descompostura en el bombeo y fugas. Cuando ocurre al menos una de los dos la
estación debe parar; los datos disponibles indican que prevalecen la siguientes
probabilidades:

Estación P (Falla en Bombeo) P (Fuga) P (Ambas)

1 0, 07 0, 10 0
2 0, 09 0, 12 0, 06
¿Qué estación tiene mayor probabilidad de parar?
26
Solución:
Estación 1
𝑃(𝐹𝑎𝑙𝑙𝑎 𝐵𝑜𝑚𝑏𝑒𝑜 ∪ 𝐹𝑢𝑔𝑎) = 𝑃(𝐹𝑎𝑙𝑙𝑎 𝐵𝑜𝑚𝑏𝑒𝑜) + 𝑃(𝐹𝑢𝑔𝑎) − 𝑃(𝐹𝑎𝑙𝑙𝑎 𝐵𝑜𝑚𝑏𝑒𝑜 ∩
𝐹𝑢𝑔𝑎)
𝑃(𝐹𝑎𝑙𝑙𝑎 𝐵𝑜𝑚𝑏𝑒𝑜 ∪ 𝐹𝑢𝑔𝑎) = 0, 07 + 0, 10 − 0 = 0, 17

Estación 2
𝑃(𝐹𝑎𝑙𝑙𝑎 𝐵𝑜𝑚𝑏𝑒𝑜 ∪ 𝐹𝑢𝑔𝑎) = 𝑃(𝐹𝑎𝑙𝑙𝑎 𝐵𝑜𝑚𝑏𝑒𝑜) + 𝑃(𝐹𝑢𝑔𝑎) − 𝑃(𝐹𝑎𝑙𝑙𝑎 𝐵𝑜𝑚𝑏𝑒𝑜 ∩
𝐹𝑢𝑔𝑎)

𝑃(𝐹𝑎𝑙𝑙𝑎 𝐵𝑜𝑚𝑏𝑒𝑜 ∪ 𝐹𝑢𝑔𝑎) = 0, 09 + 0, 12 − 0, 06 = 0, 15

La Estación 1 tiene una probabilidad de 0, 17, es decir tiene mayor probabilidad de parar.

3. Suponga que la probabilidad de una prueba de diagnóstico médico de un resultado

positivo si la enfermedad no está presente se reduce 0, 02 a 0, 01, y en los demás
resultados se mantienen con mucha confiabilidad. De acuerdo con esta información
se desea saber lo siguiente:
a) Si la prueba de diagnóstico médica da un resultado positivo (que indica la
presencia de la enfermedad) ¿Cuál es la probabilidad de que la enfermedad esté
presente en realidad?
b)Si la prueba de diagnóstico médica da un resultado negativo (que indica la
enfermedad no está presente) ¿Cuál es la probabilidad de que la enfermedad no
esté presente?
Solución:
100%

50%

0%

100%
0.01
%
50%

99%
 27

𝑃(𝐵∩𝐴)
a) 𝑃(𝐸𝑛𝑓𝑒𝑟𝑚𝑒𝑑𝑎𝑑 𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑒/𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜) = 𝑃(𝐴)
(0,5)(1)
𝑃(𝐸𝑛𝑓𝑒𝑟𝑚𝑒𝑑𝑎𝑑 𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑒/𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑜) = (0,5)∗(1)+(0.5)∗(0.01) =

0,99009

𝑃(𝐵∩𝐴)
b) 𝑃(𝐸𝑛𝑓𝑒𝑟𝑚𝑒𝑑𝑎𝑑 𝑁𝑜 𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑒/𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑜) = 𝑃(𝐴)
(0,5)∗(0,99)
𝑃(𝐸𝑛𝑓𝑒𝑟𝑚𝑒𝑑𝑎𝑑 𝑁𝑜 𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑒/𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑜) = (0,5)∗(0.99)+(0) = 1

4. La tienda Ley ha sido objeto de muchos robos durante el último mes, pero debido al
aumento de las medidas de seguridad se ha detenido a 250 ladrones. Se registró el
sexo de cada ladrón, también se anotó si se trataba de un primer delito o si era
reincidente. Los datos con los siguientes:
Sexo Primera Ofensa Reincidente
Hombre 60 70 130
Mujer 40 76 120
104 146 250

Suponga que se elige al azar a un ladrón detenido, calcule la probabilidad de:

a) Que sea hombre
b) Que sea la primera ofensa dado que es hombre
c) Que sea mujer dado que es reincidente
d) Que sea mujer y la primera vez
e) Que hombre y reincidente

Solución:
130 13
a) 𝑃(𝐻𝑜𝑚𝑏𝑟𝑒) = 250 = 25
 28
𝑃(𝑃𝑟𝑖𝑚𝑒𝑠𝑎 𝑂𝑓𝑒𝑛𝑠𝑎 ∩ 𝐻𝑜𝑚𝑏𝑟𝑒)
b) 𝑃(𝑃𝑟𝑖𝑚𝑒𝑟𝑎 𝑂𝑓𝑒𝑛𝑠𝑎/𝐻𝑜𝑚𝑏𝑟𝑒) = 𝑃(𝐻𝑜𝑚𝑏𝑟𝑒)

60
250 60 6
𝑃(𝑃𝑟𝑖𝑚𝑒𝑟𝑎 𝑂𝑓𝑒𝑛𝑠𝑎/𝐻𝑜𝑚𝑏𝑟𝑒) = 130 = 130 = 13
250

𝑃(𝑀𝑢𝑗𝑒𝑟 ∩𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒)
c) 𝑃(𝑀𝑢𝑗𝑒𝑟/𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 𝑃(𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒)

76
250 76
𝑃(𝑀𝑢𝑗𝑒𝑟/𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 146 = 146
250

d) 𝑃(𝑀𝑢𝑗𝑒𝑟 ∩ 𝑃𝑟𝑖𝑚𝑒𝑟𝑎 𝑉𝑒𝑧) = 𝑃(𝑀𝑢𝑗𝑒𝑟/𝑃𝑟𝑖𝑚𝑒𝑟𝑎 𝑉𝑒𝑧) ∗ 𝑃(𝑃𝑟𝑖𝑚𝑒𝑟𝑎 𝑉𝑒𝑧)

44 104 44
𝑃(𝑀𝑢𝑗𝑒𝑟 ∩ 𝑃𝑟𝑖𝑚𝑒𝑟𝑎 𝑉𝑒𝑧) = 104 ∗ 250 = 250
44
𝑃(𝑀𝑢𝑗𝑒𝑟 ∩ 𝑃𝑟𝑖𝑚𝑒𝑟𝑎 𝑉𝑒𝑧) = 250

e) 𝑃(𝐻𝑜𝑚𝑏𝑟𝑒 ∩ 𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 𝑃(𝐻𝑜𝑚𝑏𝑟𝑒/𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒) ∗ 𝑃(𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒)

70 146
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒 ∩ 𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 146 ∗ 250
70
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒 ∩ 𝑅𝑒𝑖𝑛𝑐𝑖𝑑𝑒𝑛𝑡𝑒) = 250

5. En los últimos años las compañías de tarjetas de crédito han hecho un gran esfuerzo
por lograr nuevas cuentas entre estudiantes universitarios. Suponga que una
muestra de 200 estudiantes de una universidad indicó la siguiente información
acercad de si el estudiante poseía una tarjeta de crédito bancaria y una tarjeta de
crédito para viaje y entretenimiento.
Tarjeta de Título Universitario
Crédito Total
SI NO
Bancaria
 Hombre
29
Si 60 60 120
No 15 65 80
75 125 200

a) Suponga que se sabe que el estudiante tiene una tarjeta d crédito bancaria ¿Cuál
es la probabilidad de que ella o él tenga una tarjeta de crédito para viaje o
entretenimiento?
b) Suponga que el estudiante no tiene una tarjeta de crédito para viaje ¿Cuál es la
probabilidad de que ella o él tenga una tarjeta de crédito bancaria?

Solución:
a) 𝑃(𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑑𝑒 𝐶𝑟é𝑑𝑖𝑡𝑜 𝐵𝑎𝑛𝑐𝑎𝑟𝑖𝑎 ∩
𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑝𝑎𝑟𝑎 𝑉𝑖𝑎𝑗𝑒 𝑦 𝐸𝑛𝑡𝑟𝑒𝑡𝑒𝑛𝑖𝑚𝑒𝑖𝑛𝑡𝑜) =
𝑃(𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑑𝑒 𝐶𝑟é𝑑𝑖𝑡𝑜 𝐵𝑎𝑛𝑐𝑎𝑟𝑖𝑎/
𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑝𝑎𝑟𝑎 𝑉𝑖𝑎𝑗𝑒 𝑦 𝐸𝑛𝑡𝑟𝑒𝑡𝑒𝑛𝑖𝑚𝑒𝑖𝑛𝑡𝑜) ∗
𝑃(𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑝𝑎𝑟𝑎 𝑉𝑖𝑎𝑗𝑒 𝑦 𝐸𝑛𝑡𝑟𝑒𝑡𝑒𝑛𝑖𝑚𝑒𝑖𝑛𝑡𝑜)
𝑃(𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑑𝑒 𝐶𝑟é𝑑𝑖𝑡𝑜 𝐵𝑎𝑛𝑐𝑎𝑟𝑖𝑎 ∩
120 60
𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑝𝑎𝑟𝑎 𝑉𝑖𝑎𝑗𝑒 𝑦 𝐸𝑛𝑡𝑟𝑒𝑡𝑒𝑛𝑖𝑚𝑒𝑖𝑛𝑡𝑜) = 200 ∗ 120

𝑃(𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑑𝑒 𝐶𝑟é𝑑𝑖𝑡𝑜 𝐵𝑎𝑛𝑐𝑎𝑟𝑖𝑎 ∩

3
𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑝𝑎𝑟𝑎 𝑉𝑖𝑎𝑗𝑒 𝑦 𝐸𝑛𝑡𝑟𝑒𝑡𝑒𝑛𝑖𝑚𝑒𝑖𝑛𝑡𝑜) = 10

b) P(Tiene Tarjeta de Crédito Bancaria/No Tiene Tarjeta de Crédito Bancaria

125 60 3
Viaje)= 200 ∗ 125 = 10

6. Un estudio reciente efectuado por NAPOLEÓN S. A el 20 de febrero de 1996 fue

enfocado hacía tecnologías en el hogar. La encuesta determino que el 39, 5% de las
personas tienen una computadora en su casa y que el 29,3% tienen computadora y
televisión por cable a la vez. De los que tienen una computadora en su casa el 64,
1% dijeron que la habían usado durante la semana previa.
 a) ¿Cuál es la probabilidad de que una persona tenga computadora en su casa y la
30
haya usado la última semana?
b) ¿Cuál es la probabilidad de que una persona posea televisión por cable dado que
tiene una computadora en su casa?
Solución:
a) 𝑃(𝑇𝑒𝑛𝑔𝑎 𝑐𝑜𝑚𝑝𝑢𝑡𝑎𝑑𝑜𝑟𝑎 ∩ 𝑈𝑠𝑎𝑑𝑜) = (0, 395) ∗ (0, 641) = 0, 2531
b) P(Televisión/Computadora)=?????
7. Un ejecutivo de publicidad está estudiando las posibilidades de ver Tv en hombres y
mujeres casados en base a registros de observación. Se ha determinado que los
esposos ven televisión el 60% de las veces, también se ha determinado que cuando
el esposo está viendo Tv el 40% de las esposas también lo están haciendo; cuando el
esposo no está viendo Tv el 30% del tiempo la esposa si lo está haciendo. Encuentre
la probabilidad de:
a) Que si la esposa está viendo Tv el esposo también lo está haciendo
b) Que si el esposo está viendo Tv la esposa también lo esté haciendo
c) Qué porcentaje la esposa está viendo Tv durante el horario estelar
d) Que el esposo vea Tv y que la esposa no vea
Solución:

0, 4

0, 6

0, 6

100%
0, 3

0, 4 (0,4)(0,6)
a) P(Esposo Ve Tv/Esposa Ve Tv)=(0,4)(0,6)+(0,3)(0,4) = 0. 66

b) P(Esposa Ve Tv/Esposo Ve Tv)== (0, 4)

0, 7
c) (0, 4) * (0, 6) + (0, 3) * (0, 4) = 0. 36 = 36%
d) 𝑃(𝐸𝑠𝑝𝑜𝑠𝑜 𝑉𝑒𝑎 𝑇𝑣 ∩ 𝐸𝑠𝑝𝑜𝑠𝑜 𝑁𝑜 𝑉𝑒𝑎 𝑇𝑣) = (0, 6) ∗ (0, 6) = 0, 36
 31

DISTRIBUCION DE PROBABILIDAD

DEFINICIÓN 1: Conjunto formado por cada uno de los elementos de un espacio

muestral junto con sus respectivas probabilidades.

Ejemplo: supongamos que lanzamos un dado una sola vez y nos piden calcular
todas las probabilidades de obtener cada uno de los posibles resultados al caer
el dado.

Solución: S= (1;2;3;4;5;6) ---------> t=6 Entonces:

x-------------------------P(x)

1------------------------ 1/6

2------------------------ 1/6

3------------------------ 1/6

4----------------------- 1/6

5----------------------- 1/6

6----------------------- 1/6 Entonces el conjunto formado por:

{(1;1/6) ;(2;1/6) ;(3;1/6) ;(4;1/6) ;(5;1/6) ;(6;1/6)} es una distribución de probabilidad

DEFINICIÓN 2: Indica toda la gama de valores que pueden representarse como

resultado de un experimento si este se llevase a cabo, es decir, describe la
probabilidad de que un evento se realice en el futuro, constituye una herramienta
fundamental para diseñar acontecimientos futuros.

DEFINICIÓN 3: Cualquier regla o mecanismo que sirva para determinar P( X  x)

, probabilidad de que la variable aleatoria X tome cada uno de los valores
posibles x , se denomina una distribución de probabilidad.

(Estadística con aplicaciones a las ciencias sociales y a la educación. Wayne W.

Daniel).

CLASIFICACION DE LAS DISTRIBUCIONES DE PROBABILIDAD

Su clasificación según su variable Aleatoria, pueden ser:

A. Variables Discretas:
32
Definimos variable discreta como una variable cuyos valores están separados
por una brecha entre cada uno de los valores de la variable e indican la acción
de contar… se representan por valores cuantitativos enteros.

Ejemplo: Los valores que obtenemos al contar el número de pacientes que

ingresan a un hospital, la variable puede tener solamente los valores 0, 1, 2, 3…

(Estadística con aplicaciones a las ciencias sociales y a la educación. Wayne W.

Daniel.)

Dentro de la distribución de probabilidad discreta rescatamos:

1) DISTRIBUCION DE PROBABILIDAD DISCRETA UNIFORME

2) DISTRIBUCION DE PROBABILIDAD DISCRETA BINOMIAL

3) DISTRIBUCION DE PROBABILIDAD DISCRETA HIPERGEOMETRICA

4) DISTRIBUCION DE PROBABILIDAD DISCRETA DE PÖISSON

1) DISTRIBUCIÓN DE PROBABILIDAD UNIFORME:

CARACTERISTICAS: Todos y cada uno de los elementos del espacio maestral

tienen la misma probabilidad de ocurrencia.

MODELO MATEMATICO:

1
P( X ) 
(b  a)  1

Donde:

a  Primera posición de un elemento s

b  Ultima posición de un elemento s

SEGÚN LAS MEDIDAS GENERALES DEL MODELO, TENEMOS:

-Esperanza:

ab
E ( x) 
2
-Varianza:
33

 b  a   1  1
2

Var ( x)  
12

-Desviación:

S  Var ( x)

2) DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL:

CARACTERÍSTICAS DEL MODELO:

- Población finita con reposición o población infinita sin reposición.

- Todo resultado del experimento se puede catalogar como un éxito o
fracaso.
- Tanto la probabilidad de éxito y de fracaso son constantes en el
experimento.
- Para cada ensayo del experimento tanto la probabilidad de éxito y fracaso
son independientes.

MODELO MATEMATICO:

P( x)  nCxP x (1  P)n  x

Donde:

C  Combinación

n  Tamaño de la muestra o número de veces que se repite un experimento.

P  Probabilidad de éxito, lo que va a suceder en el experimento mas no lo que

nos favorece o conviene.

(1 − 𝑝) = q= Probabilidad de fracaso.

x  Suceso deseado.

n  x  Suceso no deseado.

SEGÚN LAS MEDIDAS GENERALES DEL MODELO TENEMOS, TENEMOS:

-Esperanza:

E ( x)  n * p
-Varianza:
34
Var ( x)  n * P(1  P)

-Desviación:

S  Var ( x)

Ejemplo: Lanzamos una moneda 6 veces al aire. Nos piden calcular la

probabilidad de:

a) obtener exactamente dos caras

b) obtener ninguna cara

c) obtener 6 caras

d) obtener por lo menos 1 cara

e) obtener como máximo una cara

solución

1 2 1
a) 𝑃(𝑥 = 2) = 6𝐶2((2) )(1 − (2))6−2 = 0.2344

1 1
b) 𝑃(𝑥 = 0) = 6𝐶0((2)^0)(1 − (2))6−0 =0.01562

1 1
c) 𝑃(𝑥 = 6) = 6𝐶6((2)^6)(1 − (2))6−6 =0.01562

d) P(x≥1) = {1 - P(x=0)} =1 - 0.01562 = 0.9843 =P(X=1) +P(X=2) +P(X=3)

+P(X=4) +P(X=5) +P(X=6)

e) P(x≤1) = P(x=0)+P(x=1) = 0.01562 + 0.0937 = 0.02499

EXISTE LA TABLA BINOMIAL

 35

3) DISTRIBUCIÓN DE PROBABILIDAD HIPERGEOMETRICA:

CARACTERÍSTICAS DEL MODELO:

-Población finita sin reposición.

-Se conocen todos los resultados de éxito a nivel poblacional y se

representan por A .

-Todo resultado del experimente se ve afectado por los resultados previos.

MODELO MATEMATICO:

C x N  A Cn  x
P( x)  A

N Cn

Donde:

N  Tamaño poblacional.

n  Tamaño muestra.

x  Suceso deseado.

n  x  Suceso no deseado.

A  Numero de éxitos a nivel poblacional.

N  A  Numero de fracasos a nivel poblacional.

C  Combinación.

SEGÚN LAS MEDIDAS GENERALES DEL MODELO, TENEMOS:

-Esperanza:

E ( x)  n * p
 A
Donde: P  36
N

-Varianza:

Var ( x)  n * P(1  P)

-Desviación:

S  Var ( x)

Ejemplo: El decano de una escuela de ingeniería desea crear un comité

ejecutivo de 5 personas seleccionadas entre los 40 miembros de la facultad. La
selección debe ser aleatoria y se sabe que en la escuela hay 8 miembros de la
facultad de contaduría.

a) Cual es la probabilidad de que en el comité haya:

a1) Ninguno de contaduría

a2) Todos de contaduría

b) ¿Cuantos miembros de la facultad de contaduría se podría esperar que

participaran en dicho comité?

Solución: A= 8; N = 40; n=5; N-A= 32;

𝐴𝐶𝑥 𝑁−𝐴𝐶𝑛−𝑥
a1) 𝑃(𝑥 = 0) = =((8C0) (32C5)) /(40C5) = 0.3060
𝑁𝐶𝑛

𝐴𝐶𝑥 𝑁−𝐴𝐶𝑛−𝑥
a2) 𝑃(𝑥 = 5) = = ((8C5) (32C0)) /(40C5) = 0.0000851
𝑁𝐶𝑛

b) e(x) = n*p, donde p= (8/40) = 0.2 entonces tenemos:

e(x) = 5*0.2 = 1 se espera uno de contaduría.

4) DISTRIBUCIÓN DE PROBABILIDAD POISSON:

CARACTERISTICAS DEL MODELO:

Son sucesos discretos que ocurren dentro de sucesos continuos; como, por
37
ejemplo:

El número de aviones que aterriza en un aeropuerto por día, hora, minuto,

etc., o también puede ser el número de llamadas que entran a un
conmutador por hora, minuto, etc.

MODELO MATEMATICO:

𝑒 −𝜆 𝜆𝑥
𝑃(𝑥 = 𝑥/𝜆) =
𝑥!
Donde:

e  2.718281

  Valor promedio esperado de éxitos. Es decir que 𝜆=𝑛∗𝑝

x  Suceso deseado.

x /   Valor promedio esperado de éxitos por unidad.

Según las medidas generales, tenemos:

-Esperanza:

E ( x)  n * p  

-Varianza:

𝑽𝒂𝒓(𝒙) = 𝒏 ∗ 𝑷 = 𝝀

-Desviación:

S 

Ejemplo: Una compañía de exploración de gas natural tiene un promedio de 4

hallazgos por cada 100 pozos perforados. Si se van a perforar 20 pozos ¿Cuál
es la probabilidad de que haya?

a) Exactamente un hallazgo

b) Todos sean hallazgos

c) Ningún hallazgo
38
Solución: ¿????

Calculamos primero el nuevo 𝝀 a través de una regla de tres:

100 pozos-------4 hallazgos

20 pozos -------- 𝝀

𝝀 = 𝟎. 𝟖 𝒉𝒂𝒍𝒍𝒂𝒛𝒈𝒐𝒔 /𝟐𝟎𝒑𝒐𝒛𝒐𝒔

1 ℎ𝑎𝑙𝑙𝑎𝑧𝑔𝑜 𝑒 −0.8 (0.8)^1

a) 𝑃(𝑥 = )= = 0.3594
20 𝑝𝑜𝑧𝑜𝑠 1!

20 ℎ𝑎𝑙𝑙𝑎𝑧𝑔𝑜𝑠 𝑒 −0.8 (0.8)^20

b) 𝑃(𝑥 = )= = 2.12 x 10^ (-21) =
20 𝑝𝑜𝑧𝑜𝑠 20!
0.000000000000000000212
0 ℎ𝑎𝑙𝑙𝑎𝑧𝑔𝑜𝑠 𝑒 −0.8 (0.8)0
c) 𝑃 (𝑥 = )= = 0.4493
20 𝑝𝑜𝑧𝑜𝑠 0!

TABLA DE POISSON:

Ejercicios de practica:
1) El numero promedio de automóviles que se detienen por minuto a tomar
39
gasolina en cierta gasolinera a lo largo de una autopista en la ciudad de Nueva
york es igual a 1.2. ¿Cuál es la probabilidad de que:

a) En un determinado minuto se detengan exactamente dos automóviles? Rta:

0.2169

b) En un determinado minuto se detenga ningún automóvil a tomar gasolina?

Rta: 0.3012

c) En un determinado minuto se detengan como máximo 1 automóviles? RtA:

0.6626

d) En un determinado minuto se detengan como mínimo 1 automóvil? Rta:

0.6988

e) que se detengan exactamente 3 automóviles cada 5 minutos a tomar

gasolina? Rta: 0.08923

2) En base a antecedentes, el promedio de accidentes en el que pueden estar

involucrados en el área de una estación de policía en la ciudad de Nueva York
es de 3.4 por día. ¿Cuál es la probabilidad de que se produzcan:

a) Exactamente 3 accidentes? Rta: 0.2186

b) No más de 2 accidentes? Rta: 0.3398

c) Como máximo 2 accidentes? RTa: .3398

d) Por lo menos 2 pero no más de 6 accidentes? Rta : 0.7953

B. Variables Continuas:
Toma valores a lo largo de un continuo (segmento de recta), esto es, en todo un
intervalo de valores. Longitudes y pesos son ejemplos de variables continuas, la
estatura de una persona; la edad, la temperatura etc.

Dentro de la distribución de probabilidad continua rescatamos:

DISTRIBUCIÓN DE PROBABILIDAD NORMAL:

CARACTERÍSTICAS DEL MODELO NORMAL: N(U(X), 𝝈𝒙)

- Todas las medidas de tendencia central son iguales, ( x  mediana =

moda = …).
- x  mediana, produce un gráfico simétrico, con sesgo= cero. Surge la
famosa campana del señor Gauss.
- Su grafica es asintótica.
 - Su Dominio son todos los Reales
40
- La probabilidad sobre un punto de una función de densidad como la
normal siempre es igual a cero.

MODELO MATEMATICO: f(x) es una función de densidad

1 𝑥 −𝑢(𝑥)
1 − [ 𝑖 ]²
𝑓(𝑥) = 𝑒 2 𝜎𝑥 sí graficamos esta función tenemos:
√2𝜋 𝜎𝑥

Ahora si integramos esta función de densidad tenemos el Área bajo la curva

𝑏
∫𝑎 𝑓(𝑥)𝑑𝑥 = 𝑃(𝑎 ≤ 𝑥𝑖 ≤ 𝑏) =Área bajo la curva; que no es otra cosa que la
probabilidad de P(a≤x≤b)

ESTANDARIZACION EN UNIDADES:

xi  u ( x)
z = xxxx entonces vamos a la tabla normal y buscamos el F(Z) =
x
AREA BAJO LA CURVA NORMAL = probabilidad de P(a≤x≤b)
 TABLA NORMAL ESTANDARIZADA 41

Ejercicio de aplicación: Suponga que la variable edad sigue una distribución

normal con U(X)= 20 años y desviación estandar población de 𝜎𝑥 = 2 años. Suponga
también que dicha variable se toma en la universidad. Calcular la probabilidad de:

a) Que al tomar un estudiante de la universidad su edad este entre 18 y 22 años?

b) Que porcentaje de estudiantes de la universidad tienen como máximo 21 años?

c) Que porcentaje de estudiantes de la universidad tienen como mínimo 17 años?

d) La probabilidad que al tomar un estudiante de la universidad su edad este entre 21

y 23 años?

e) Cual es la edad mínima del 5% de los mas viejitos de la universidad?

f) si la universidad tiene 10000 estudiantes, cual es el número aproximado de

estudiantes que tienen exactamente 20 años?

Solución: N(U(x) = 20; 𝜎𝑥 = 2)

1 𝑥𝑖 −20
22 1
𝑒 −2 [ ]²
a) por integral: P(18≤x≤22) = ∫18 𝜎𝑥 𝑑𝑥 = 0.6826
√2𝜋 2
por tabla: P(18≤x≤22) = 0.6826
42
22−20
𝑍1 = = 2/2= 1.00 vamos a la tabla y buscamos f(z)=
2
0.3413

18−20
−𝑍1 = = -1.00 Vamos a la tabla normal y buscamos el
2
f(-Z1) = 0.3413

b) ¿??
c) ¿??
d) ¿??
e) ¿??
f)¿??

DISTRIBUCIONES MUESTRALES
DISTRIBUCION MUESTRAL PARA LA MEDIA:

DISTRIBUCIÓN MUESTRALES PARA PROPORCIONES:

P  Proporción poblacional

x
Ps 
n

Donde:

x  Numero de éxitos a nivel muestral.

n  Tamaño de Muestra.
Según la distribución muestral:
43
Psi  P Ps  P
z  i
P(1  P)  Ps
n

Error muestral para la proporción:

P(1  P)
 Ps 
n

EJERCICIOS SOBRE TODOS LOS MODELOS DE DISTRIBUCION DE VARIABLE

ALEATORIA DISCRETA Y CONTINUA.

1. Un auditor de hacienda selecciona una muestra aleatoria de seis

declaraciones de impuestos de personas de determinada profesión para
una probable auditoria. Si dos o más de estas declaraciones señalan
deducciones incorrectas, se hará una auditoria a toda la población de 100
declaraciones.
Cuál es la probabilidad de que se haga una auditoria a todo el grupo, si el
porcentaje de declaraciones incorrecta es:
a. 25% b. 45% c. 65%

SOLUCION:

C x N  A Cn  x
P( x)  A

N Cn

P( x)  1   P( x  0)  P( X  1) 
N  100
n6

x  2 ó más
A  Las opciones que da el ejercicio

C0 * 100 25 C60
 P( x  0)  25

100 C6

C1 * 100 25 C61
 P( x  1)  25

100 C6
  C * C C* C  44
P( x  2)  1   25 0 100 25 60  25 1 100 25 61 
a.  100 C6 100 C6 
P( x  2)  0.46911
 C * C C* C 
P( x  2)  1   45 0 100 45 60  45 1 100 45 61 
b.  100 C6 100 C6 
P( x  2)  0.8443
 C * C C1 * 100 65 C6 1 
P( x  2)  1   65 0 10065 60  65

 100 C6 100 C6 
c. P( x  2)  0.9809

2. La probabilidad de que un paciente no se recupere de una operación en

particular es 1 de 10.
a. Cuál es la probabilidad que exactamente se recupere 1 paciente de 8
pacientes que sufren esta operación?
b. Cuál es la probabilidad que ninguno se recupere?
c. Cuál es la probabilidad que todos se recuperen?
d. Que por lo menos no se recupere la mitad?

SOLUCION:

1
P Probabilidad de que NO se recupere
10

9
P Probabilidad de que SI se recuperen
10

a. P( x)  nCxP x (1  P)n  x

1
9 9
P( x  1)  8C1  (1  )81
 10  10
P( x  1)  7.2*107

b. P( x)  nCxP x (1  P)n  x

8
1 1
P( x  8)  8C 8   (1  )88
 10  10
3 8
P( x  4)  5.02441*10 P( x  8)  1*10

c. P( x)  nCxP x (1  P)n  x
 0
1 1
P( x  0)  8C 0   (1  )80 45
 10  10
P( x  0)  0.4304

d. P( x  4)  P( x  4)  P( x  5)  P( x  6)  P( x  7)  P( x  8)

P( x  4)  5.02441*103

4
1 1
P( x  4)  8C 4   (1  )8 4
 10  10
P( x  4)  4.5927 *103

5
1 1
P( x  5)  8C 5   (1  )85
 10  10
4
P( x  5)  4.0824*10

6
1 1
P( x  6)  8C 6   (1  )86
 10  10
5
P( x  6)  2.268*10

7
1 1
P( x  7)  8C 7   (1  )87
 10  10
7
P( x  7)  7.2*10

8
1 1
P( x  8)  8C 8   (1  )88
 10  10
8
P( x  8)  1*10

3. El decano de una escuela de administración desea crear un comité

ejecutivo de 5 personas tomadas aleatoriamente entre los 40 miembros
de la facultad. La selección debe ser aleatoria y se sabe que en la escuela
hay 8 miembros de la facultad de contaduría.
a. Cual es la probabilidad de qyue el comité haya:

a.1 Ninguno de ellos.

a.2 Al menos uno de ellos.

a.3 No mas de uno de ellos.
46
a.4 A lo sumo uno de ellos. ( Como máximo)

a.5 Como máximo dos de ellos.

b. Cuantos miembros de la facultad de contaduría se podría esperar que

participaran de dicho comité.

c. Cuantos miembros de la facultad de administración se podría esperar

que participaran.

SOLUCION:

C x N  A Cn  x
P( x)  A

N Cn

a.1

P( x  3)  P( x  0)  P( x  1)  P ( x  2)  P ( x  3)
e 0.008 (0.008)1 e 0.008 (0.008) 2 e 0.008 (0.008)3
P( x  3)  P( x  0)   
1! 2! 3! N  40
P( x  3)  1 n5
e 0.008
(0.008) 20
A8
P( x  20) 
20!
P( x  20)  4.7011*1061

C0 408 C50
P( x  0)  8

40 C5

P( x  0)  0.3060

a.2

P( x  1)  1   P( x) 
 C C 
P( x  1)  1   8 0 408 50 
 40 C5 
P( x  1)  0.6939

a.3

P( x  1)  P( x  0)  P( x  1)
C C C C
P( x  1)  8 0 408 50  8 1 408 51
40 C5 40 C5

P( x  1)  0.7432
 a.4
47
P( x  1)  P( x  0)  P( x  1)
C C C C
P( x  1)  8 0 408 50  8 1 408 51
40 C5 40 C5

P( x  1)  0.7432

a.5

P( x  2)  P( x  0)  P( x  1)  P( X  2)
C C C C C C
P( x  2)  8 0 408 50  8 1 408 51  8 2 408 52
40 C5 40 C5 40 C5

P( x  2)  0.9542

b.

E ( x)  n * p
A
E ( x)  n *
N
8
E ( x)  5*
40
E ( x)  1

c.

E ( x)  n * p
A
E ( x)  n *
N
40  8
E ( x)  5*
40
E ( x)  4

4. El número de autos que se detienen por minuto a tomar gasolina en cierta

gasolinera es de 1.2 autos.
Cuál es la probabilidad de que en un minuto determinado se detengan:
a. Menos de dos autos.
b. A lo sumo dos autos.
c. Mas de tres autos, pero menos de cinco autos.
d. Dos o tres autos.
e. Exactamente 2autos entre las 2:00 pm y 2:05 pm.

SOLUCION:
 Valor promedio es de 1.2 de autos
48
a.

e   x
P( x  x /  ) 
x!

P ( x  2)  P ( x  0)  P ( x  1)
e 1.2 (1.2)0 e 1.2 (1.2)1
P ( x  2)  
0! 1!
P ( x  2)  0.6626

b.

P( x  2)  P ( x  0)  P ( x  1)  P( x  2)
e 1.2 (1.2)0 e 1.2 (1.2)1 e 1.2 (1.2) 2
P( x  2)   
0! 1! 2!
P( x  2)  0.879

c.

P (3  x  5)  P ( x  4)
e 1.2 (1.2) 4
P (3  x  5) 
4!
P (3  x  5)  0.0260

d.

P( x  2)  0.6626
P( x  3)  0.0867

e.

1min  1.2
5 min  
e6 (6) 2
P( x  2) 
2!
P( x  2)  0.0446

5. Una compañía de exploración de gas, tiene un promedio de 4 hallazgos

por cada 100 pozos perforados, si la compañía va a perforar 20 pozos,
cuál sería la probabilidad de que haya:
a. Exactamente 1 hallazgo.
b. Por lo menos un hallazgo.
c. Como máximo tres hallazgos.
d. Ningún hallazgo.
49
e. Todos los hallazgos.

SOLUCION:

4
Pr omedio 
100
N  100
n  20

  0.04

Para 100 pozos

0.04  100
  20
  0.008

a.

e 0.008 (0.008)1
P( x  1) 
1!
P( x  1)  0.00793

b.

P( x  1)  1   P( x  0) 
 e 0.008 (0.008)0 
P( x  1)  1   
 0! 
P( x  1)  0.00796

c.

P( x  3)  P( x  0)  P( x  1)  P( x  2)  P( x  3)
e 0.008 (0.008)0 e 0.008 (0.008)1 e 0.008 (0.008) 2 e 0.008 (0.008) 3
P( x  3)    
0! 1! 2! 3!
P( x  3)  1

d.
 e0.008 (0.008)0
P( x  0)  50
0!
P( x  0)  0.9920

e.

e 0.008 (0.008)20
P( x  20) 
20!
P( x  20)  4.7011*1061