Módulo 2:

Probabilidades
 ɛ

• Es un experimento que se puede repetir indefinidamente

(sin cambiar sus condiciones).

• Aunque los resultados de este no se pueden predecir con

exactitud se pueden describir sus resultados posibles.
 Ω
• Es el conjunto de todos los resultados posibles de un
experimento aleatorio. A veces se le denomina espacio
muestral asociado al experimento aleatorio.
Ejemplos:
€1 = Lanzar una moneda y observar la cara superior
Ω(€1) = { Cara, Sello}

€2 = Extraer un artículo de una línea de producción y

comprobar si es defectuoso o no
Ω(€2) = { Defectuoso, No Defectuoso}
Un evento es cualquier subconjunto de un espacio muestral y se
denotan por A, B,C,...

El espacio muestral (Ω) y el evento nulo, son considerados eventos.

• Al espacio muestral (Ω), se le denomina evento seguro, porque
siempre ocurre, es imposible que no pueda ocurrir.
• Al evento nulo (∅) se le llama evento imposible.

Se dice que un evento ocurre cuando al menos uno de los resultados

que lo conforman ocurre.
Sean A y B eventos de Ω, entonces:

A ⅽ B, si w ɛ A entonces w ɛ B. A = B, si A c B y B c A
Sean A y B eventos de Ω, entonces:

AUB={wɛΩ/wɛA owɛB } A n B = {w ɛ Ω / w ɛ A y w ɛ B }
Sean A y B eventos de Ω, entonces:

Eventos Mutuamente Excluyentes Eventos Colectivamente Exhaustivos

AnB=∅ Ai = Ω
1.- Se tiene el experimento aleatorio que consiste en lanzar tres
monedas. Obtenga el espacio muestral.

2.- Se tiene un experimento aleatorio que consiste en lanzar dos

monedas a la vez. Obtenga el espacio muestral.

3.- Se tiene el experimento aleatorio que consiste en lanzar una

moneda y un dado. Obtenga el espacio muestral
Si N(A) representa el número de elementos del evento A y N(Ω) el
número de elementos del espacio muestral, entonces la probabilidad
del evento A esta dada por:

Cálculo:
1er Axioma: La probabilidad de un evento A ɛ Ω, solo puede tomar
valores que cero y uno (0 < P(A) < 1).

2do Axioma: La probabilidad del espacio muestral es igual a la unidad.

Esto es, P(Ω) = 1.

3er Axioma: Para un número finito de k eventos mutuamente excluyentes,

A1, ..., Ak que pertenecen a un Ω, la probabilidad de la unión de estos
eventos está dada por:
1.- Si ∅ es el evento imposible o nulo, entonces P(∅) = 0

2.- Para cada evento

c
A ɛ Ω , se tiene:
P(A)
c
= 1– P(A ) ó
P(A ) = 1 – P(A)

3.- Si A y B ɛ Ω , tales que A ⊂ B, entonces P(A) ≤ P(B)

4.- Si A y B ɛ Ω , eventos cualquiera, entonces:

P(A ∪ B) = P(A) + P(B) – P(A ∩ B)… (Principio de adición)
 Marginal Unión Conjunta Condicional

La probabilidad La probabilidad La probabilidad La probabilidad

de que ocurra de que ocurra de que ocurra de que ocurra
X XoY XeY X sabiendo que
ha ocurrido Y
X X Y X Y
Y
A continuación, se muestra a 50 profesionales de una empresa
agrupados según especialidad por sexo.

La empresa desea seleccionar un profesional para ocupar un cargo directivo.

Calcule la probabilidad e que sea de la especialidad de Ingeniería Civil o
Ingeniería Industrial.
En muchas ocasiones se pide calcular la probabilidad de que ocurra un evento
sabiendo que otro evento ha ocurrido.
Definición: Para dos eventos cualquiera A y B con P(B)>0, la probabilidad
condicional de A dado que ocurrió B está definida por:

Cálculo:

Propiedades:
• Si 𝐴∩𝐵 = ∅, entonces, 𝑃(𝐴/𝐵) = 0
• Si 𝐴 ⊂ 𝐵, entonces, 𝑃(𝐴/𝐵) = 𝑃(𝐴) / 𝑃(𝐵)
• Si 𝐵 ⊂ 𝐴, entonces, 𝑃(𝐴/𝐵) = 𝑃(𝐵)/𝑃(𝐵) = 1
Un ingeniero ambiental de una empresa manufacturera realizó un estudio sobre la pureza del aire, para
esto seleccionó 300 muestras de aire que las clasificó de acuerdo con la presencia de dos moléculas raras.
Los resultados se muestran en la siguiente tabla:

Si se selecciona una muestra de aire al azar, calcule.

a) La probabilidad de que la muestra presente una molécula tipo 1.
b) La probabilidad de que la muestra no presente una molécula tipo 2.
c) La probabilidad de que la muestra presente una molécula tipo 1 dado que muestra una molécula tipo 2.
d) Si se verificó que había presencia de la molécula tipo 1, calcule la probabilidad de que se encuentre la
molécula tipo 2.
¿Cuál es la probabilidad de que una carta escogida al azar sea un as sabiendo que es roja?
Colo
Pal Rojr Negr Tot
o o o al 4
A 2 2
sNo- 2 2 4
As
Tot 4
2 42 85
al 6 6 restringido
Espacio 2

18
Para dos eventos A y B cualesquiera, se cumple:
Se dice que dos eventos A y B son independientes entre sí cuando la ocurrencia de uno de
los eventos no afecta en nada la probabilidad de ocurrencia del otro.

Si dos eventos A y B son independientes, se cumple:

𝑷 (𝑨/𝑩) = 𝑷 (𝑨), si 𝑷(𝑩) > 𝟎… (1)

Por otra parte, de la definición de probabilidad condicional, se tiene:

𝑷 (𝑨/𝑩) = 𝑷(𝑨∩𝑩) /𝑷(𝑩) …(𝟐)

Luego, si A y B son eventos independientes, se cumple: 𝑷(𝑨∩𝑩) = 𝑷(𝑨) ×𝑷(𝑩)

En otro caso se dice que los eventos A y B son dependientes

Similarmente, m sucesos A1...., Am se llaman
independientes
si:
P(A1 ∩ ... ∩ Am) = P(A1) ⋅... · P(Am)

y además para cada posible subconjunto de k sucesos:

P(Aj+1 ∩ ... ∩ Aj+k) = P(Aj+1) ⋅... · P(Aj+k)

donde j+k < m.
De modo que, p. ej. tres sucesos A, B y C son independientes
si:

P(A ∩ B) = P(A) ⋅ P(B)

P(B ∩ C) = P(B) ⋅ P(C)
P(A ∩ B) = P(A) ⋅ P(B)
P(A ∩ B ∩ C) = P(A) ⋅ P(B) ⋅ P(C)
En una empresa agroindustrial, un ingeniero realizó el control de calidad a un lote de
producción de espárragos, para ello tomó una muestra de 100 unidades. En la muestra
encontró que 40 espárragos cumplían con los estándares de calidad. Entre los que
cumplían con los estándares de calidad, 18 eran espárragos blancos; mientras que, entre
los que no cumplían los estándares de calidad, 45 eran morados.

¿Son los eventos “cumplen con los controles de calidad” y “tipo de esparrago morado”
independientes?
Se trata de una colección de sucesos A1, A2, A3, A4… tales que la unión de
todos ellos forman el espacio muestral, y sus intersecciones son disjuntas.

A2
A1 Divide y vencerás: Todo suceso B, puede ser
descompuesto en componentes de dicho sistema
B = (B ∩ A1) U (B ∩ A2 ) U ( B ∩ A3 ) U ( B ∩ A4 )

A3 A4
Si conocemos la probabilidad de B en cada uno de los componentes de
un sistema exhaustivo y excluyente de sucesos, entonces podemos
calcular la probabilidad de B como la suma:
A1 A2

B = (B ∩ A1) U (B ∩ A2 ) U ( B ∩ A3 ) U ( B ∩ A4 )
B
P(B) = P(B|A1)P(A1) + P(B|A2)P(A2) + P(B|A3)P(A3) + P(B|A4)P(A4)

A3 A4
Supongamos que A1, A2, ... , An son una partición de E, es decir que los
sucesos son mutuamente excluyentes entre sí ( ∩ ∅ para todo par) y su
unión es E entonces:
A1 A2

A3 A4
En este aula el 70% de los alumnos son hombres. De ellos el 10% son fumadores. El
20% de las mujeres son fumadoras.
¿Qué porcentaje de fumadores hay en total?

Podemos aplicar la ley de

la probabilidad total:
Mujeres
Hombres Hombres y mujeres forman
un sistema exhaustivo y
excluyente de sucesos.

Fumadores

27
 Fuma
0,1

Hom
0,7 bre
No P(F) = P(F∩H) + P(F∩M)
0,9 fuma = P(F|H) P(H) + P(F|M) P(M)
Estud
iante = 0.1 * 0.7 + 0.2 * 0.3 = 0.13
0,2
0,3 Fuma
Mujer

0,8
No
fuma

28
Thomas Bayes nació en Londres, Inglaterra.
Su padre fue ministro presbiteriano.
Posiblemente De Moivre fue su maestro
particular, pues se sabe que por ese entonces ejercía como
profesor en Londres.

Bayes fue ordenado ministro presbiteriano y muere en 1761.

Sus restos descansan en el cementerio londinense de Bunhill
Fields.
Su tumba fue restaurada en 1969 con donativos de
estadísticos de todo el mundo".
Si conocemos la probabilidad de B en cada uno de los n componentes de
un sistema exhaustivo y excluyente de sucesos, entonces…si ocurre B,
podemos calcular la probabilidad (a posteriori) de ocurrencia de cada Ai,
(i = 1, 2, ... , n):

donde P(B) se puede calcular usando el teorema de la probabilidad total:

 Fuma
0,1
En el problema anterior: Se elige a un individuo al azar
Hom y resulta fumador.
0,7 bre ¿Cuál es la probabilidad de que sea una mujer?
No
0,9 fuma
Estud
iante P(M) = 0.3
P(F) = 0.13
0,2
0,3 Fuma
Mujer P(M|F)
= P(F ∩ M)/P(F)
0,8
No
= P(F|M) P(M) / P(F)
fuma = 0.2 * 0.3 / 0,13
= 0.46
Las pruebas o test de diagnóstico se evalúan con anterioridad sobre
dos grupos de individuos: sanos y enfermos. De modo frecuentista
se estima:
• Sensibilidad (verdaderos +) = Tasa de acierto sobre enfermos.
• Especificidad (verdaderos -) = Tasa de acierto sobre sanos.

A partir de lo anterior y usando el teorema de Bayes, podemos calcular

las probabilidades a posteriori (en función de los resultados del test) de
los llamados índices predictivos:

• P(Enfermo | Test +) = Índice predictivo positivo

• P(Sano | Test -) = Índice predictivo negativo
32
La diabetes afecta al 20% de los
individuos que acuden a una 0,3 T+
consulta.
La presencia de glucosuria se usa 0,2 Enfer
como indicador de diabetes. mo
Su sensibilidad (la tasa de aciertos T-
Indivi 1 - 0,3 = 0,7
sobre enfermos) es de 0,3 y la
especificidad (tasa de aciertos sobre duo
sanos) de 0,99. 1 - 0,99 = 0,01
Calcular los índices predictivos: T+
1 - 0,2 = 0,8 Sano
• P(Enfermo | Test +) = Índice
predictivo positivo y
• P(Sano | Test -) = Índice 0,99 T-
predictivo negativo)

33
Los índices predictivos son: la probabilidad de que, sabiendo que
el test sea positivo, el paciente sea diabético y la probabilidad de
que, sabiendo que el test es negativo, el paciente está sano.

0,3 T+
Enfer
0,2 mo
0,7 T-
Indivi
duo
0,01
T+
0,8 Sano

T-
 0,3 T+
Enfer
0,2 mo
0,7 T-
Indivi
duo
0,01
T+
0,8 Sano

T-
 -¿Qué probabilidad tengo de
En el ejemplo anterior, al llegar un individuo a estar enfermo?
- En principio un 20%.
la consulta tenemos una idea a priori sobre Le haremos unas pruebas.
la probabilidad de que tenga una
enfermedad.
A continuación se le pasa una prueba
diagnóstica que nos aportará nueva
información: Presenta glucosuria o no.
En función del resultado tenemos una nueva
idea (a posteriori) sobre la probabilidad de - Presenta glucosuria.
que esté enfermo. - La probabilidad ahora es
del 88%.
Nuestra opinión a priori ha sido modificada
por el resultado de un experimento.
 Una Variable Aleatoria es una función que asigna un número a cada
elemento en el espacio muestral.

Una variable aleatoria es una función

X: Ω🡪Rx, Rx ≠ ∅, talque a cada elemento w Є Ω le asocia un número
real x Є Rx.
Sea el experimento: Lanzar una moneda dos veces y sea la variable aleatoria X =
Número de caras que se obtiene. Obtenga el espacio muestral y el recorrido de X.

El espacio muestral es: Ω= { cc, cs, sc, ss}

El recorrido de X está dado por: Rx = {0, 1, 2}
Sea X: Ω🡪Rx, una variable aleatoria que toma los valores x1, x2, ....
Entonces, P(xi) es la distribución de probabilidad de la variable
aleatoria X, si a cada valor xi le asigna su respectiva probabilidad de
ocurrencia; es decir:

P (xi) = P (X = xi) = P (w Є Ω / X (w) = xi)

La función de distribución de una variable aleatoria X, denotada
por F, es una función definida por:
F (a) = P (X ≤ a) = P (w Є Ω / X (w) ≤ a) , ∀ a Є R

Es decir, F (x) es la probabilidad de que la variable aleatoria

X tome valores menores o iguales que a. Además, F(x) esta definida
en todo R.

• La función de distribución es no decreciente.

• Toda función de distribución es continua por la derecha.
Una variable aleatoria X: Ω🡪Rx, es discreta si su recorrido Rx es un
conjuntocontable finito o infinito numerable de números reales.

Función de Probabilidad:
La función de probabilidad conocida también como función de
cuantía esta definida de la siguiente manera:

P(X = x), si x ∈ x
⎧
P(x) ⎨
= R0, si x ∉
⎩
Rx
Esta función satisface las siguientes condiciones:

1.- P (X) ≥ 0, ∀ x Є R

∑
2.-
p(x) = 1
x∈Rx

∑
3.- F (a) = P(x)
x≤a
Sea el experimento:
E1: Lanzar una moneda tres veces
Obtenga la distribución de probabilidad de la variable aleatoria: X = Número de
caras que se obtiene, considere que ambos resultados son igualmente probables.
P(X)
3/8

2/8

1/8

0 1 2 3 Número de caras
Suponga que una compañía de cosméticos planea elaborar un nuevo perfume. El
gerente de producto ha estimado las siguientes probabilidades subjetivas para las
ventas del primer año (en millones de botellas):

X 0 1 2 3 4 5 6 7 8
P(x) 0.05 0.15 0.20 0.20 0.15 0.10 0.05 0.05 0.05

Encuentre las siguientes probabilidades:

a) P ( X < 3)
b) P( X > 5)
c) P(2 ≤ X ≤ 4)
d ) P( X ≥ 1)
e) P( X > 1 / X ≤ 3)
 Sea X: Ω🡪Rx, una variable aleatoria discreta y p(x) su función de
cuantía. La esperanza matemática o valor esperado de X, denotado por:
E(X), esta definida de la siguiente manera:

E( X ) = xp(x)
∑
x∈Rx

Propiedades:
✔ Sila variable aleatoria X toma un valor constante k, entonces: E(X) = k.
✔ Si a y b son constantes y X una variable aleatoria cuya E(X) existe,
entonces: E(aX ± b) = aE(X) ± b
 Sea X: Ω🡪Rx, una variable aleatoria discreta y sea u = E(X).
La varianza de X, denotado por: V (X)=σ2, esta definida de la siguiente manera:
2 2
(x − u) p(x)
∑
σ =V(X)=
x∈Rx

Otra forma de obtener la varianza:

σ2 = V(X) = E(X2) – [E(X)]2
Propiedades
✔ Si la variable aleatoria X toma un valor constante, entonces:
V(X) = 0.
✔ Si a y b son constantes y X unavariable aleatoria cuya V(X) existe,
entonces:
2
Calcule la esperanza y la varianza de la v.a. del ejemplo anterior:

E( X ) = 0(1 / 8) + 1(3 / 8) + 2(3 / 8) + 3(1 / 8) = 1.5 caras

E( X 2 ) = 02 (1 / 8) + 12 (3 / 8) + 22 (3 / 8) + 32 (1 / 8) = 3
caras2

V ( X ) = E( X 2 ) − E( X ) 2
[ ]
= 3 −1.52 = 0.75 caras2
Suponga que una ferretería compra 3 galones de pintura a un precio de 24 soles
por galón y lo revende a 30 soles. Después de la fecha de vencimiento, los
galones que no se vendieron, se devuelven; por lo que, la ferretería recibe del
distribuidor una cantidad igual a 3/4 del precio de compra por cada galón que no se
vendió. Si la distribución de probabilidades de la variable aleatoria X (número de
galones que se vendieron) está dada por:

a) Halle la función de probabilidad de la ganancia neta.

b) Determine su valor esperado y su varianza.
Si el rango de una variable aleatoria X es un intervalo finito o infinito de números
reales, entonces X es una variable aleatoria continua.

La función 𝑓(𝑥) es una función de densidad de probabilidad de una variable aleatoria

continua X si satisface lo siguiente:
Si X es una variable aleatoria continua, entonces para todo número real 𝑎, se
cumple que:
𝑷(𝑿=𝒂) = 𝟎

Este resultado se deduce de inmediato del hecho que:

a
a 𝑓(𝑥) 𝑑𝑥 = 0

Si X es una variable aleatoria continua, entonces, para cualquier par de números,

𝑎 𝑦 𝑏, se cumple:
Suponga que el error en la temperatura de reacción, en °C, para un experimento
controlado de laboratorio es una variable aleatoria continua X, que tiene la
siguiente función de densidad de probabilidad:

a) Calcule el coeficiente 𝑎.
b) Calcule la probabilidad de queel error en la temperatura de reacción
se encuentre entre a lo más uno y por lo menos cero.
c) Calcule la probabilidad de queel error en la temperatura de
reacción sea a lo más 1.5.
d) Calcule la probabilidad de queel error en la temperatura de reacción
sea por lo menos 0.5.
Sea la variable:
X: Error en la temperatura de reacción, en °C
a) La integral sobre todo su dominio debe ser igual a uno; es decir:
𝑓(𝑥)𝑑𝑥 = 1
 𝑭𝒙
La función de distribución 𝐹(𝑥) de una variable aleatoria continua 𝑋 se define de
la siguiente manera:
Esperanza matemática:
Sea X una variable aleatoria continua con función de densidad de probabilidad 𝑓(𝑥) , la
esperanza o valor esperado de 𝑋, que se representa como 𝐸(𝑋) , se define de la
siguiente manera:

Varianza:
Sea X una variable aleatoria continua 𝑋, con función de densidad de probabilidad 𝑓(𝑥) y 𝐸
(𝑋) = 𝜇, la varianza de 𝑋, que se representa como 𝑉(𝑋) , se define de la siguiente manera:
Sea X una variable aleatoria con la siguiente función de densidad de probabilidad:

Calcule la esperanza y la varianza.

Distribución Binomial

Distribución Poisson

Distribución
Hipergeométrica
Es una de las distribuciones discretas más útiles. Su área de aplicación incluye, las
ventas, la inspección de calidad de productos, medicina, investigación de mercados,
etc.

A continuación, se presentan algunos experimentos que aceptan un modelo Binomial:

• Lanzar una moneda quince veces y observar el número de caras que aparecen.
• El número de artículos defectuosos producido por una máquina.
• Observar el número de partículas extrañas en diferentes muestras de aire.
• El experimento consiste de “n” ensayos idénticos e independientes.

• En cada ensayo, existen solo dos posibles resultados, a uno se le

denomina éxito (E) y al otros Fracaso (F).

• La probabilidad de éxito 𝑝 es la misma en cada ensayo.

Una variable aleatoria discreta X sigue una distribución Binomial con parámetros “𝑛” y
“𝑝”, se representa por 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) si su función de probabilidad es la siguiente:

donde: Medidas de resumen:

n = Número de ensayos
p = Probabilidad de éxito en cada ensayo • Esperanza matemática
𝑬(𝑿) = 𝒏*𝒑
• Varianza
𝑽(𝑿) = 𝒏 *𝒑*(𝟏 − 𝒑)
Función de densidad Función de distribución de
de probabilidad probabilidad
En una fábrica manufacturera, el jefe de control de calidad observó que el 12% de las
partículas en cada muestra de aire son extrañas.
Si usted selecciona una partícula de cada una de 20 muestras de aire, se pide:

a) Calcule la probabilidad que se encuentren a lo más dos partículas extrañas.

b) Calcule la probabilidad que se encuentren por lo menos tres partículas extrañas.
c) Calcule el valor esperado y la varianza de las partículas extrañas en el aire es:
Sea la variable:
𝑋= Número de partículas extrañas de un total de 20 Parámetros
𝑛 = 20 𝑝 = 0.12
a) La probabilidad que se encuentre a lo más dos partículas extrañas es:
b) La probabilidad que se encuentre por lo menos tres partículas extrañas es:

c)
Esta distribución se aplica cuando nos encontramos en situaciones en que interesa
determinar que un evento aislado ocurra un número específico de veces en un intervalo
de tiempo o espacio.
A continuación, se presentan algunos experimentos que aceptan un modelo Poisson:

• Número de autos que llegan a un taller automotriz en un lapso de tiempo específico.

• Número de impulsos electrónicos errados transmitidos durante espacio de tiempo
específico.
• Número de llamadas telefónicas que ingresan a un conmutador por minuto.
• Número de defectos de una tela por m2.
• Número de bacterias por cm2 de un cultivo.
Una variable aleatoria X sigue una distribución Poisson con parámetro 𝜆 si su función de
densidad de probabilidad esta dada por:

donde:
λ = Número promedio de ocurrencias del evento de interés

Esperanza matemática
𝑬(𝑿) = 𝝀
Varianza
𝑽(𝑿) = 𝝀
Función de densidad Función de distribución de
de probabilidad probabilidad
En el departamento de mantenimiento informático de una empresa se reciben en
promedio dos llamadas solicitando servicio por día. Se pide:

a) Calcule la probabilidad que se reciban exactamente tres llamadas en un día

cualquiera.

b) Calcule la probabilidad que se reciban a lo más dos llamadas en un día cualquiera.

c) Calcule la probabilidad que se reciban a lo más cinco llamadas si se sabe que se

recibirán por lo menos tres llamadas en un fin de semana (viernes, sábado y domingo).
Sea la variable:
𝑋 = Número de llamadas solicitando servicio de mantenimiento informático en un día.
Parámetro: 𝜆 = 2 → 1 𝑑𝑖𝑎
–
–
–

– λ

–
λ
–
λ
Distribución Exponencial
Distribución Weibull
Distribución Normal
Distribución Chi-Cuadrado
Distribución T-Student
 ~
Una variable aleatoria X es continua si puede tomar cualquier valor
dentro de un intervalo.

La representación gráfica de estas variables es una curva que es

conocida con el nombre de función de densidad de probabilidad.

Esta función nos permite obtener probabilidades que corresponden

a la variable.
 ~
Una variable aleatoria X tiene distribución normal con parámetros u y σ2
si su función de densidad esta dada por:
( x−u )2
1 −
f (x) e ; − ∞ < x < +∞
2σ2

= ο 2π
Además:

E(X ) = V(X)=σ
u 2
 ~
Función de densidad Función de distribución de
de probabilidad probabilidad
La función de densidad de una variable
aleatoria con distribución normal:
• Tiene forma acampanada.
• Esta determinada por dos parámetros:
la media y la varianza.
• Es simétrica con respecto a la media.
• Se hacen más planas a medida que la
varianza crece.
 ~
Una variable aleatoria X tiene distribución normal estándar, si sus
parámetros son u = 0 y σ2 = 1. Luego, su función de densidad esta dada por:

2
1 x
f (x) e 2 ; −∞<x<
= 2π +∞
Para calcular probabilidades asociadas a partir de la función de
densidad se requiere de matemáticas avanzadas; por lo que, el calculo
de estas, se hará en base a una tabla conocida como “Tabla de la
Distribución Normal Estándar”.

Para calcular probabilidades de variables aleatorias que siguen una

distribución normal tienen que estar en su forma estándar.
Si Z tiene una distribución norma estándar, calcule la probabilidad que Z sea menor a 2.52
Si Z tiene una distribución norma estándar, calcule la probabilidad que Z tome valores
entre -1.5 y 2.5.
Teorema
Si la variable aleatoria X tiene distribución N (u, σ2), entonces la variable aleatoria:

tiene distribución normal estándar; es decir: Z ~ N (0, 1).

En una panadería se sabe que el ingreso diario por la venta de pasteles sigue una distribución
normal con una media igual a 125 soles y una desviación estándar igual a 25 soles.

Para un día cualquiera:

a) Defina la variable de interés e identifique los parámetros que le corresponden.

b) Calcule la probabilidad de que el ingreso sea de a lo más 100 soles.

• Si el tamaño de la muestra es suficientemente grande, la distribución de
las medias muestrales seguirá aproximadamente una distribución normal.
El TCL considera una muestra como grande cuando el tamaño de la
misma es superior a 30

• Además, el TCL afirma que a medida que el tamaño de la muestra se

incrementa, la media muestral se acercará a la media de la población. Por
tanto, mediante el TCL podemos definir la distribución de la media
muestral de una determinada población con una varianza conocida
• La media poblacional y la media muestral serán iguales. Es decir, la media de la
distribución de todas las medias muestrales será igual a la media del total de la
población.

• La varianza de la distribución de las medias muestrales será σ²/n. Que es la varianza

de la población dividido entre el tamaño de la muestra.

• Que la distribución de las medias muestrales se parezca a una normal es

tremendamente útil. Porque la distribución normal es muy fácil de aplicar para realizar
contrastes de hipótesis y construcción de intervalos de confianza.
• Si se sabe que la dureza Rockwell de pernos de cierto tipo tiene un
valor medio de 50 y desviación estándar de 1,5.

a) Si la distribución es normal, ¿cuál es la probabilidad de que la

dureza muestral media para una muestra aleatoria de 9 pernos sea por
lo menos 52?
Tenemos que:
x = 50, σ = 1,5, x ≈ N(50; 1,5)

a) n = 9, x = 52, x ≈ N(50; 1,5.√9)

z = (x - μ)/(σ/√n)
La probabilidad de que la media muestral sea superior a 52 es:

𝑃(𝑋 ≥ 52) = 1 − 𝑃(𝑋 < 52)

= 1- 𝑃(Z < 52-50/ (1,5.√9))
= 1- P(Z<4)
= 1- 1
=0
Los clientes en un hotel, usan el agua en las duchas en un promedio
de 11.4 min cada día, con una variación típica de 2.6 min.

Asuma una distribución normal.

a) Cual es la probabilidad de que en promedio 84 huéspedes tomen

duchas mayores a 12 min.
¡Gracias!