ESTADISTICA II

__________________________________________________________________
_______

Pamplona
Facultad de Estudios a Distancia

Programas de Estudio a Distancia

ESTADISTICA
II

Para una Sociedad Inteligente e

Interconectada

María Eugenia Velasco Espitia

Decana Facultad de Estudios a Distancia

Jaime Luis Salinas Saurith

Director regional

Héctor José Oñate Araujo

Tutor
__________________________________________________________________
_______
UNIVERSIDAD DE PAMPLONA-.Facultad de Estudios a Distancia
ESTADISTICA II

Tabla de contenido

Presentación...................................................................................................................... 4
Introducción...................................................................................................................... 5

UNIDAD 1: Introducción a la probabilidad........................................6

Núcleos Temáticos y Problemáticos............................................................................6
1. Experimentos, reglas de conteo y asignación de probabilidades.........................7
1.1. Experimentos......................................................................................................7
1.2. Reglas de conteo, combinaciones y permutaciones.......................................8
1.2.1. Experimentos de pasos múltiples..............................................................8
1.2.1.1. Regla de conteo para experimentos de pasos múltiples......................8
1.2.1.2. Diagrama de árbol....................................................................................8
1.2.2. Combinaciones............................................................................................9
1.1.3. Permutaciones...........................................................................................10
1.3.1. Método clásico...........................................................................................11
1.3.2. Método de la frecuencia relativa...............................................................11
1.3.3. Método subjetivo.......................................................................................12
2. Eventos y sus probabilidades.................................................................................13
3. Relaciones básicas de probabilidad.......................................................................15
3.1. Complemento de un evento..........................................................................15
3.2. Ley de la adicción.............................................................................................16
3.2.1. Unión de dos eventos................................................................................16
3.2.2. Intersección de dos eventos.....................................................................16
3.2.3. Eventos mutuamente excluyentes...........................................................17
4. Probabilidad condicional.........................................................................................17
4.2. ley de la multiplicación.....................................................................................19
Proceso de comprensión y análisis...............................................................................20

UNIDAD 2: distribuciones de probabilidad discreta.......................26

Núcleos Temáticos y Problemáticos..........................................................................26
1. Variables aleatorias..................................................................................................26
1.1. Variables aleatorias discretas..........................................................................26
1.2. Variables aleatorias continuas.........................................................................26

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

2. Distribuciones de probabilidades discretas..........................................................26

3. Valor esperado, varianza y desviación estándar...................................................28
3.1. Valor esperado E(x)..........................................................................................28
3.2. Varianza σ 2........................................................................................................28
3.3. Desviación estándar σ......................................................................................28
4. Distribución de probabilidad binomial...................................................................29
4.1. Valor esperado y varianza en la distribución binomial..................................33
5. Distribución de probabilidad de Poisson...............................................................33
Proceso de comprensión y análisis...............................................................................34

UNIDAD 3: distribuciones de probabilidad continua.....................41

Núcleos Temáticos y Problemáticos..........................................................................41
1. Distribución de probabilidad uniforme...................................................................41
1.1. Valor esperado, Varianza, Desviación estándar.............................................43
2. Distribución de probabilidad normal......................................................................44
2.1. Curva normal.....................................................................................................44
2.2. Distribución de probabilidad normal estándar...............................................46
2.3. Cálculo de probabilidades en cualquier distribución .......................................
de probabilidad normal.....................................................................................49
3. Aproximación normal de las probabilidades binomiales......................................50
4. Distribución de probabilidad exponencial.............................................................52
Proceso de comprensión y análisis...............................................................................53

BIBLIOGRAFÍA GENERAL....................................................................................57

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Presentación
La educación superior se ha convertido hoy día en prioridad para el gobierno Nacional y
para las universidades públicas, brindando oportunidades de superación y desarrollo
personal y social, sin que la población tenga que abandonar su región para merecer de
este servicio educativo; prueba de ello es el espíritu de las actuales políticas educativas
que se refleja en el proyecto de decreto Estándares de Calidad en Programas
Académicos de Educación Superior a Distancia de la Presidencia de la República, el cual
define: “Que la Educación Superior a Distancia es aquella que se caracteriza por diseñar
ambientes de aprendizaje en los cuales se hace uso de mediaciones pedagógicas que
permiten crear una ruptura espacio temporal en las relaciones inmediatas entre la
institución de Educación Superior y el estudiante, el profesor y el estudiante, y los
estudiantes entre sí”.

La Educación Superior a Distancia ofrece esta cobertura y oportunidad educativa ya que

su modelo está pensado para satisfacer las necesidades de toda nuestra población, en
especial de los sectores menos favorecidos y para quienes las oportunidades se ven
disminuidas por su situación económica y social, con actividades flexibles acordes a las
posibilidades de los estudiantes.

La Universidad de Pamplona gestora de la educación y promotora de llevar servicios con

calidad a las diferentes regiones, y el Centro de Educación Virtual y a Distancia de la
Universidad de Pamplona, presentan los siguientes materiales de apoyo con los
contenidos esperados para cada programa y les saluda como parte integral de nuestra
comunidad universitaria e invita a su participación activa para trabajar en equipo en pro
del aseguramiento de la calidad de la educación superior y el fortalecimiento permanente
de nuestra Universidad, para contribuir colectivamente a la construcción del país que
queremos; apuntando siempre hacia el cumplimiento de nuestra visión y misión como
reza en el nuevo Estatuto Orgánico:

Misión: Formar profesionales integrales que sean agentes generadores de cambios,

promotores de la paz, la dignidad humana y el desarrollo nacional.

Visión: La Universidad de Pamplona al finalizar la primera década del siglo XXI, deberá
ser el primer centro de Educación Superior del Oriente Colombiano.

Maria Eugenia Velasco Espitia – Directora CEDUP

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Introducción
LA EMPRESA ROHM AND HASS*
Filadelfia, Pensilvania

Rohm and Hass es el principal productor de materiales especiales, entre los que se
encuentran materiales electrónicos, polímeros para pinturas y artículos para el cuidado
personal. Los productos de esta empresa permiten la creación de bienes de consumo de
vanguardia en mercados como el farmacéutico, el de alimentos, el de suministros para la
construcción, equipos de comunicación y productos para el hogar. La fuerza de trabajo de
la empresa es de más de 17 000 personas y sus ventas anuales son de $8 mil millones.
Una red de más de 100 puntos de fabricación, investigación Técnica y servicio al cliente
proporciona los productos y servicios de Rohm and Hass en 27 países.

En el área de productos químicos especiales, la empresa ofrece diversos productos

químicos destinados a satisfacer las especificaciones únicas de sus clientes. Para un
cliente determinado, la empresa produce un catalizador caro que el cliente emplea en sus
procesos químicos. Algunos, pero no todos los lotes que produce la empresa satisfacen
las especificaciones del producto. El contrato estipula que el cliente debe probar cada lote
después de recibirlo y determinar si el catalizador podrá realizar la función esperada. Los
lotes que no pasen la prueba del cliente serán regresados. Con el tiempo, la experiencia
ha mostrado que el cliente acepta 60% de los lotes y regresa 40%. Ni el cliente ni la
empresa estaban satisfechos con este servicio.

La empresa examinó la posibilidad de, antes de enviar el lote, replicar la prueba que hacía
el cliente. Sin embargo, los elevados costos del equipo especial que se necesitaba para la
prueba hicieron que esta posibilidad no fuera factible. Los químicos de la empresa
encargados del problema propusieron una prueba diferente de costo bajo que se podía
practicar antes de enviar el lote al cliente. La empresa creyó que la nueva prueba podría
indicar si el catalizador pasaría la compleja prueba que practicaba el cliente.

La pregunta era: ¿cuál es la probabilidad de que el catalizador pase la prueba del cliente
dado que pasó la nueva prueba antes de enviar el lote?

La empresa produjo una muestra del catalizador y la sometió a la nueva prueba. Entonces
sólo los lotes de catalizador que pasaban la prueba se enviaban al cliente. Mediante el
análisis de probabilidad de los datos se supo que si el catalizador pasaba la nueva prueba
antes de ser enviado al cliente, la probabilidad de que el catalizador pasara la prueba del
cliente era 0.909. O que si el catalizador pasaba la prueba de la empresa, la probabilidad
de que no pasara la prueba del cliente y fuera rechazado era 0.091. El análisis de
probabilidad aportó evidencias para poner en uso el procedimiento de la prueba antes de
enviar el lote. Esta nueva prueba tuvo una mejora inmediata en el servicio al cliente y
redujo tanto los costos como los gastos de envío y el manejo de los lotes regresados.

A la probabilidad de que un lote sea aceptado por el cliente, dado que pasó la nueva
prueba, se le llama probabilidad condicional. En este capítulo aprenderá cómo calcular la
probabilidad condicional y otras probabilidades útiles en la toma de decisiones.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

UNIDAD 1: Introducción a la probabilidad

Núcleos Temáticos y Problemáticos
 Experimentos, reglas de conteo y asignación de probabilidades.
 Eventos y sus probabilidades.
 Relaciones básicas de probabilidad.
 Probabilidad condicional.
 Teorema de Bayes.
 Proceso de comprensión y análisis.

Proceso de Información
Los administradores sustentan sus decisiones en un análisis de incertidumbres como las
siguientes:

1. ¿Qué posibilidades hay de que disminuyan las ventas si aumentamos los precios?
2. ¿Qué posibilidad hay de que un método nuevo de ensamblado aumente la
productividad?
3. ¿Cuáles son las posibilidades de que el producto se tenga listo a tiempo?
4. ¿Qué oportunidad existe de que una nueva invención sea rentable?

La probabilidad es una medida numérica de la posibilidad de que ocurra un evento. Por

tanto, las probabilidades son una medida del grado de incertidumbre asociado con cada
uno de los eventos previamente enunciados. Si cuenta con las probabilidades, tiene la
capacidad de determinar la posibilidad de ocurrencia que tiene cada evento.

Los valores de probabilidad se encuentran en una escala de 0 a 1. Los valores cercanos a

0 indican que las posibilidades de que ocurra un evento son muy pocas. Los cercanos a 1
indican que es casi seguro que ocurra un evento. Otras probabilidades entre cero y uno
representan distintos grados de posibilidad de que ocurra un evento. Por ejemplo, si
considera el evento “que llueva mañana”, se entiende que si el pronóstico del tiempo dice
“la probabilidad de que llueva es cercana a cero”, implica que casi no hay posibilidades de
que llueva. En cambio, si informan que la probabilidad de que llueva es 0.90, sabe que es
muy posible que llueva. La probabilidad de 0.50 indica que es igual de posible que llueva
como que no llueva. En la figura 1.1 se presenta la probabilidad como una medida
numérica de la posibilidad de que ocurra un evento.

Figura 1.1

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

1. Experimentos, reglas de conteo y asignación

de probabilidades
1.1. Experimentos
En el contexto de la probabilidad, un experimento es definido como un proceso que
genera resultados definidos. Y en cada una de las repeticiones del experimento, habrá
uno y sólo uno de los posibles resultados experimentales. A continuación se dan varios
ejemplos de experimentos con sus correspondientes resultados.

Experimento Resultado experimental

Lanzar una moneda Cara, Cruz
Tomar una pieza para inspeccionarla Con defecto, Sin defecto
Realizar una llamada de ventas Hay compra, No hay compra
Lanzar un dado 1,2,3,4,5,6
Juagar un partido de futbol Ganar, Perder, Empatar

Al especificar todos los resultados experimentales posibles, está definiendo el espacio

muestral de un experimento.

El Espacio muestral de un experimento es el conjunto de todos los resultados

experimentales.

A un resultado experimental también se le llama punto muestral para identificarlo como

un elemento del espacio muestral.

Considere el primer experimento presentado en la tabla anterior, lanzar una moneda. La

cara de la moneda que caiga hacia arriba (cara o cruz) determina el resultado
experimental (puntos muestrales). Si denota con S el espacio muestral, puede emplear la
notación siguiente para describir el espacio muestral.

S= { Cara, Cruz }

En el segundo experimento de la tabla, Tomar una pieza para inspeccionarla, puede

describirse el espacio muestral como sigue:

S= { Condefecto , sin defecto }

Los dos experimentos descritos tienen dos resultados experimentales (puntos

muestrales). Pero, observe ahora el cuarto experimento enumerado en la tabla, lanzar un
dado. Los resultados experimentales, definidos por el número de puntos del dado en la
cara que cae hacia arriba, son los seis puntos del espacio muestral de este experimento.

S= { 1, 2 ,3 , 4 , 5 ,6 }

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

1.2. Reglas de conteo, combinaciones y permutaciones

Al asignar probabilidades es necesario saber identificar y contar los resultados
experimentales. A continuación tres reglas de conteo que son muy utilizadas.

1.2.1. Experimentos de pasos múltiples

La primera regla de conteo sirve para experimentos de pasos múltiples. Considere un

experimento que consiste en lanzar dos monedas. Defina los resultados experimentales
en términos de las caras y cruces que se observan en las dos monedas. ¿Cuántos
resultados experimentales tiene este experimento? El experimento de lanzar dos
monedas es un experimento de dos pasos:

 Paso 1 es lanzar la primera moneda.

 Paso 2 es lanzar la segunda moneda.

Si se emplea H para denotar cara y T para denotar cruz, (H, H) será el resultado
experimental en el que se tiene cara en la primera moneda y cara en la segunda moneda.
Si continúa con esta notación, el espacio muestral (S) en este experimento del
lanzamiento de monedas será el siguiente:

S= { ( H , H ) , ( H , T ) , ( T , H ) ,(T , T ) }

Por tanto, hay cuatro resultados experimentales. En este caso es fácil enumerar todos los
resultados experimentales.

La regla de conteo para experimentos de pasos múltiples permite determinar el número

de resultados experimentales sin tener que enumerarlos.

1.2.1.1. Regla de conteo para experimentos de pasos múltiples

Un experimento se describe como una sucesión de k pasos en los que hay n1resultados
posibles en el primer paso, n2 resultados posibles en el segundo paso y así en lo sucesivo,
entonces el número total de resultados experimentales es (n1) (n2 ) . . . (n k).

Si considera el experimento del lanzamiento de dos monedas como la sucesión de lanzar

primero una moneda (n1= 2) y después lanzar la otra ( n2 =2), siguiendo la regla de conteo
(2)(2) = 4, entonces hay cuatro resultados distintos. Como ya se mostró, estos resultados
son S= { ( H , H ) , ( H , T ) , ( T , H ) ,(T , T ) } . El número de resultados experimentales de seis
monedas es (2)(2)(2)(2)(2)(2) = 64.

1.2.1.2. Diagrama de árbol

Es una representación gráfica que permite visualizar un experimento de pasos múltiples.

En la figura 1.2 aparece un diagrama de árbol para el experimento del lanzamiento de dos
monedas. La secuencia de los pasos en el diagrama va de izquierda a derecha. El paso 1

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

corresponde al lanzamiento de la primera moneda, el paso 2 al de la segunda moneda.

En cada paso, los dos resultados posibles son cruz o cara. Observe que a cada uno de
los resultados posibles en el paso 1 pertenecen dos ramas por los dos posibles resultados
en el paso 2. Cada uno de los puntos en el extremo derecho del árbol representa un
resultado experimental. Cada trayectoria a través del árbol, desde el nodo más a la
izquierda hasta uno de los nodos en el extremo derecho del árbol, muestra una secuencia
única de resultados.

Figura 1.2. Diagrama de árbol para el lanzamiento de dos monedas

1.2.2. Combinaciones

La segunda regla de conteo útil le permite contar el número de resultados experimentales

cuando el experimento consiste en seleccionar n objetos de un conjunto (usualmente
mayor) de N objetos. Ésta es la regla de conteo para combinaciones. El número de
combinaciones de N objetos tomados de n en n es:

N!
C Nn = N =
( )
n n ! ( N −n ) !
Ecuación 1.1

Dónde:
N! = N(N - 1)(N - 2) … (2)(1)
n! = n(n - 1)(n – 2) … (2)(1) y por definición, 0! = 1

La notación ! significa factorial; por ejemplo, 5 factorial es 5! = (5)(4)(3)(2)(1) = 120.

Ejemplo 1: Un procedimiento de control de calidad en el que un inspector selecciona al

azar dos de cinco piezas para probar que no tengan defectos. En un conjunto de cinco
partes, ¿cuántas combinaciones de dos partes pueden seleccionarse?

De acuerdo con la regla de conteo de la ecuación 1.1 es claro que con N = 5 y n = 2 se

tiene:

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

5! 5∗4∗3∗2∗1 120
C 52= N =
( ) = =
n 2 ! ( 5−2 ) ! 2∗1 ( 3∗2∗1 ) 12
=10

De manera que hay 10 resultados posibles en este experimento de la selección aleatoria

de dos partes de un conjunto de cinco. Si etiqueta dichas partes como A, B, C, D y E, las
10 combinaciones o resultados experimentales serán AB, AC, AD, AE, BC, BD, BE, CD,
CE y DE.

1.
1.1.3. Permutaciones

La tercera regla de conteo que suele ser útil, es para permutaciones. Dicha regla permite
calcular el número de resultados experimentales cuando se seleccionan n objetos de un
conjunto de N objetos y el orden de selección es relevante. Los mismos n objetos
seleccionados en orden diferente se consideran un resultado experimental diferente. El
número de permutaciones de N objetos tomados de n en n está dado por:

N!
PnN =n! N =
( )
n ( N −n ) !
Ecuación 1.2

La regla de conteo para permutaciones tiene relación estrecha con la de combinaciones;

sin embargo, con el mismo número de objetos, el número de permutaciones que se
obtiene en un experimento es mayor que el número de combinaciones, ya que cada
selección de n objetos se ordena de n! maneras diferentes.

Ejemplo 2: En el proceso de control de calidad en el que un inspector selecciona dos de

cinco piezas para probar que no tienen defectos. ¿Cuántas permutaciones puede
seleccionar?

La ecuación 1.2 indica que si N = 5 y n = 2, se tiene:

5! 5 ! 5∗4∗3∗2∗1 120
P52= = = = =20
( 5−2 ) ! 3 ! 3∗2∗1 6

De manera que el experimento de seleccionar aleatoriamente dos piezas de un conjunto

de cinco piezas, teniendo en cuenta el orden en que se seleccionen, tiene 20 resultados.
Si las piezas se etiquetan A, B, C, D y E, las 20 permutaciones son AB, BA, AC, CA, AD,
DA, AE, EA, BC, CB, BD, DB, BE, EB, CD, DC, CE, EC, DE y ED.

1.3. Asignación de probabilidades

Ahora verá cómo asignar probabilidades a los resultados experimentales. Los tres
métodos comúnmente usados son el método clásico, el método de la frecuencia relativa y
el método subjetivo. Sin importar el método que se use, es necesario satisfacer los
requerimientos básicos para la asignación de probabilidades.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

REQUERIMIENTOS BÁSICOS PARA LA ASIGNACIÓN DE PROBABILIDADES

1. La probabilidad asignada a cada resultado experimental debe estar entre 0 y 1,

inclusive. Si denota con Ei el i -ésimo resultado experimental y con P( Ei ) su
probabilidad, entonces exprese este requerimiento como:

0 ≤ P( Ei ) ≤ 1 para toda i . Ecuación 1.3

2. La suma de las probabilidades de los resultados experimentales debe ser igual a 1.0.
Para resultados experimentales n escriba este requerimiento como:

P( E1) + P( E2) + … + P( En ) = 1 Ecuación 1.4

1.3.1. Método clásico

El método clásico de asignación de probabilidades es apropiado cuando todos los

resultados experimentales tienen la misma posibilidad. Si existen n resultados
experimentales, la probabilidad asignada a cada resultado experimental es 1/n. Cuando
emplee este método, satisfará en automático los dos requerimientos básicos de la
asignación de probabilidades.

Ejemplo 3: Considere el experimento de lanzar un dado.

Es razonable pensar que los seis resultados que pueden presentarse son igualmente
posibles y, por tanto, la probabilidad asignada a cada resultado es 1/6. Si P(1) denota la
probabilidad de que la cara del dado que caiga hacia arriba sea la que tiene un punto,
entonces P(1) = 1/6 = 0.1666 o 16.666%.
De manera similar se tendría:

P(2) = 1/6 P(4) = 1/6 P(6) = 1/6

P(3) = 1/6 P(5) = 1/6

Observe que dichas probabilidades satisfacen los dos requerimientos básicos de las
ecuaciones 1.3 y 1.4, porque cada una es mayor o igual que cero y juntas suman 1.0.

1.3.2. Método de la frecuencia relativa

Para la asignación de probabilidades es el más conveniente cuando existen datos para

estimar la proporción de veces que se presentarán los resultados si el experimento se
repite muchas veces.

Ejemplo 4: Un estudio sobre los tiempos de espera en el departamento de rayos X de un

hospital pequeño, durante 20 días sucesivos un empleado registra el número de personas
que están esperando el servicio a las 9:00 a.m.; los resultados son los siguientes.

Número de personas esperando Número de días

0 2
1 5

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

2 6
3 4
4 3
Total 20

En estos datos aparece que 2 de los 20 días, había cero pacientes esperando el servicio,
5 días había un paciente en espera y así sucesivamente. Con el método de la frecuencia
relativa, la probabilidad que se le asignará al resultado experimental de pacientes
esperando el servicio, será:

P(0) = 2/20 = 0.10 P(2) = 6/20 = 0.30 P(4) = 3/20 = 0.15

P(1) = 5/20 = 0.25 P(3) = 4/20 = 0.20

Como sucede con el método clásico, al usar el método de frecuencia relativa se

satisfacen en automático los dos requerimientos básicos correspondientes a las
ecuaciones 1.3 y 1.4.

1.3.3. Método subjetivo

Es el más indicado cuando no es factible suponer que todos los resultados de un

experimento sean igualmente posibles y, además, cuenta con pocos datos relevantes. El
método subjetivo de asignación de probabilidades a los resultados de un experimento,
usa toda la información disponible, Por ejemplo, la propia experiencia o la intuición.
Después de considerar dicha información se asigna un valor de probabilidad que expresa
el grado de confianza (en una escala de 0 a 1) que tiene acerca de que un resultado
experimental ocurra. Como la probabilidad subjetiva expresa el grado de confianza que
tiene un individuo, es personal. Cuando se usa el método de probabilidad subjetiva, es de
esperarse que personas distintas asignen probabilidades diferentes a los mismos
resultados de un experimento.

En el método subjetivo hay que tener cuidado de que se satisfagan los dos requerimientos
básicos expresados en las ecuaciones 1.3 y 1.4. Sea cual sea el grado de confianza que
tenga la persona, el valor de probabilidad asignado a cada resultado experimental debe
estar entre 0 y 1, inclusive, y la suma de las probabilidades de todos los resultados
experimentales debe ser 1.0.

Ejemplo 5: Considere el caso en el que A y B hacen una oferta para la compra de una
casa. Hay dos resultados posibles:

E1=La oferta es aceptada

E2= Laoferta no es aceptada

A cree que la probabilidad de que su oferta sea aceptada es 0.8; por tanto, A establece
que:

P( E1) = 0.8 y P( E2) = 0.2

B por su parte, cree que la probabilidad de que su oferta sea aceptada es 0.6; por tanto:

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

P( E1) = 0.6 y P( E2) = 0.4

Observe que la estimación de probabilidad de E1que hace B refleja bastante pesimismo

de que su oferta sea aceptada. Tanto A como B asignaron probabilidades que satisfacen
los dos requerimientos básicos. El hecho de que sus probabilidades sean diferentes
subraya la naturaleza personal del método subjetivo.

Incluso en situaciones de negocios en que es posible emplear el método clásico o el de

las probabilidades relativas, los administradores suelen proporcionar estimaciones
subjetivas de una probabilidad. En tales casos, la mejor estimación de una probabilidad
suele obtenerse combinando las estimaciones del método clásico o del método de las
frecuencias relativas con las estimaciones subjetivas de una probabilidad.

2. Eventos y sus probabilidades

En la introducción de este capítulo el término EVENTO fue aplicado tal como se usa en el
lenguaje cotidiano. Después, en la sección 1.1 se presentó el concepto de experimento y
de los correspondientes resultados experimentales o puntos muéstrales. Puntos
muéstrales y eventos son la base para el estudio de la probabilidad. Por tanto, ahora se le
presenta la definición formal de evento como se emplea en relación con los puntos
muéstrales. Con esto se tiene la base para poder dar probabilidades de eventos.

Evento es una colección de puntos muéstrales.

Ejemplo 6: Al encargado de un proyecto le interesa conocer la probabilidad de terminar el

proyecto en 10 meses o menos. En la siguiente tabla aparecen los puntos muéstrales (2,
6), (2, 7), (2, 8), (3, 6), (3, 7), (4, 6) correspondientes a una duración del proyecto de
aproximadamente 10 meses o menos. C denota el evento de que el proyecto dura
aproximadamente10 meses o menos:

Punto Tiempo de Número de proyectos

Etapa 1 Etapa 2
muestra terminación del que tuvieron esta
Diseño Construcción
l proyecto duración
2 6 (2, 6) 8 meses 6
2 7 (2, 7) 9 meses 6
2 8 (2, 8) 10 meses 2
3 6 (3, 6) 9 meses 4
3 7 (3, 7) 10 meses 8
3 8 (3, 8) 11 meses 2
4 6 (4, 6) 10 meses 2
4 7 (4, 7) 11 meses 4
4 8 (4, 8) 12 meses 6
Total 40

C={ (2 ,6),(2 , 7),(2, 8) ,(3 , 6),( 3 ,7),(4 , 6) }

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Si cualquiera de estos puntos muéstrales es el resultado experimental, entonces ocurre el

evento C. Otros eventos de posible interés para el administrador del proyecto son los
siguientes:

L = El evento de que el proyecto esté acabado en menos de 10 meses.

M = El evento de que el proyecto esté acabado en más de 10 meses

De acuerdo con la tabla anterior dichos eventos consisten de los siguientes puntos
muéstrales:

L= {(2 , 6),(2 , 7) ,(3 , 6)}

M = {(3 , 8),(4 , 7),(4 , 8) }

Probabilidad de un evento: Es igual a la suma de probabilidades de los puntos

muéstrales que forman el evento.

De acuerdo con esta definición, Ahora es posible calcular la probabilidad de que el

proyecto dure 10 meses o menos. Como este evento está dado por
C={ (2 ,6),(2 , 7),(2, 8) ,(3 , 6),( 3 ,7),(4 , 6) }, la probabilidad del evento C denotada por
P(C) está dada por:

P ( C ) =P ( 2 , 6 ) + P ( 2, 7 )+ P ( 2 , 8 ) + P (3 , 6 )+ P ( 3 , 7 ) + P( 4 , 6)

6 6 2 4 8 2
P (C)= + + + + +
40 40 40 40 40 40

P ( C ) =0.15+0.15+0.05+ 0.10+ 0.20+0.05=0.70

Así, como el evento de que el proyecto dure menos de 10 meses está dado por
L= {(2 , 6),(2 , 7) ,(3 , 6)}, la probabilidad de este evento será:

P ( L )=P ( 2, 6 ) + P ( 2 ,7 ) + P(3 , 6)

6 6 4
P ( L )= + + =0.40
40 40 40

Por último, el evento de que el proyecto dure más de 10 meses está dado por
M = {(3 , 8),(4 , 7),(4 , 8) }, la probabilidad de este evento será:

P ( M )=P (3 , 8 )+ P ( 4 ,7 ) + P(4 , 8)

2 4 6
P ( M )= + + =0.30
40 40 40

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Con estas probabilidades, ahora puede informarle al administrador del proyecto las
probabilidades siguientes: que el proyecto dure 10 meses o menos es 0.70 o 70%; que
dure menos de 10 meses es 0.40 o 40% y que dure más de 10 meses es 0.30 o 30%.

3. Relaciones básicas de probabilidad

3.1. Complemento de un evento

Dado un evento A, el complemento de A se define como el evento que consta de todos

los puntos muéstrales que no están en A. El complemento de A se denota AC . Al
diagrama de la figura 1.3 se le llama diagrama de Venn e ilustra el concepto del
complemento.

Figura 1.3

El área rectangular representa el espacio muestral del experimento y, por tanto, contiene
todos los puntos muéstrales. El círculo representa el evento A y encierra sólo los puntos
muéstrales que pertenecen a A. La región del rectángulo que aparece sombreada incluye
todos los puntos muéstrales que no están en el evento A y es, por definición, el
complemento de A. En cualquier aplicación de la probabilidad ocurre un evento A o su
complemento AC . Por tanto:

P ( A ) + P ( A C )=1 Ecuación 1.5

Si despejamos P(A), se obtiene el siguiente resultado.

P ( A )=1−P (A C ) Ecuación 1.6

La ecuación anterior indica que la probabilidad de un evento A se puede calcular si se

conoce la probabilidad de su complemento, P( AC ).

Ejemplo 7: Un administrador de ventas, después de revisar los informes de ventas,

encuentra que 80% de los contactos con clientes nuevos no producen ninguna venta.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Si: A denota el evento hubo venta y AC el evento no hubo venta, el administrador tiene que
P( AC ) = 0.80. Mediante la ecuación 1.6 se ve que:

P ( A )=1−P ( A C )
P ( A )=1−0.8=0.20

La conclusión es que la probabilidad de una venta en el contacto con un cliente nuevo es

0.20 o 20%.

3.2. Ley de la adicción

La ley de la adición sirve para determinar la probabilidad de que ocurra por lo menos uno
de dos eventos. Es decir, si A y B son eventos, nos interesa hallar la probabilidad de que
ocurra el evento A o B o ambos. Antes de presentar la ley de la adición es necesario ver
dos conceptos relacionados con la combinación de eventos: la unión y la intersección de
eventos.

3.2.1. Unión de dos eventos

La unión de A y B es el evento que contiene todos los puntos muestrales que pertenecen
a A o B o a ambos. La unión se denota AB, en la figura 1.4 se puede observar el diagrama
de Venn que lo representa.

Figura 1.4

3.2.2. Intersección de dos eventos

La intersección de A y B es el evento que contiene los puntos muéstrales que pertenecen

tanta a A como a B. La intersección se denota A∩B, en la figura 1.5 se puede observar el
diagrama de Venn que lo representa.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Figura 1.5

La ley de la adicción: Esta ley proporciona una manera de calcular la probabilidad de

qie acurra el evento A o B o ambos. Es decir que se emplea para calcular la probabilidad
de la unión de los dos eventos, exprsandose de la siguiente manera:

P ( A ᴜ B ) =P ( A )+ P ( B )−P ( A ∩ B ) Ecuación 1.7

Ejemplo 8: Una pequeña empresa de ensamble en la que hay 50 empleados. Se espera

que todos los trabajadores terminen su trabajo a tiempo y que pase la inspección final. A
veces, alguno de los empleados no satisface el estándar de desempeño, ya sea porque
no termina a tiempo su trabajo o porque no ensambla bien una pieza. Al final del periodo
de evaluación del desempeño, el jefe de producción encuentra que 5 de los 50
trabajadores no terminaron su trabajo a tiempo, 6 de los 50 trabajadores ensamblaron mal
una pieza y 2 de los 50 trabajadores no terminaron su trabajo a tiempo y armaron mal una
pieza. ¿Cuál es la probabilidad de que el jefe de producción dé a un trabajador una
calificación baja de desempeño?

L=El evento no se terminoel trabajo a tiempo

D=El evento se armo mal la pieza

P ( Lᴜ D ) =P ( AL )+ P ( BD )−P ( L ∩ D )

5
P ( L )= =0.10
50
6
P ( D )= =0.12
50

2
P ( L∩ D ) = =0.04
50

r producenninguna venta. e paga con tarjeta de credito . evento B , es decir :n comun. mbos . P ( L ᴜ D )=0.10+0.1

Estos cálculos indican que la probabilidad de que un empleado elegido al azar obtenga
una calificación baja por su desempeño es 0.18 o 18%.

3.2.3. Eventos mutuamente excluyentes

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Se dice que dos eventos A y B son mutuamente excluyentes si no tienen puntos

muéstrales en común. Es decir cuando un evento A ocurre el evento B no puede ocurrir.
Por lo tanto para que esto acurra se requiere que su intersección no contenga ningún
punto muestral. En este caso P(A ∩ B) = 0 y se expresa de la siguiente manera.

P ( A ᴜ B ) =P ( A )+ P ( B ) Ecuación 1.8

4. Probabilidad condicional
Con frecuencia, en la probabilidad de un evento influye el hecho de que un evento
relacionado con él ya haya ocurrido. Suponga que tiene un evento A cuya probabilidad es
P(A). Si obtiene información nueva y sabe que un evento relacionado con él, denotado por
B, ya ha ocurrido, deseará aprovechar esta información y volver a calcular la probabilidad
del evento A. A esta nueva probabilidad del evento A se le conoce como probabilidad
condicional y se expresa P(A I B). La notación | indica que se está considerando la
probabilidad del evento A dada la condición de que el evento B ha ocurrido. Por tanto, la
notación P(A | B) se lee “la probabilidad de A dado B”.

P( A ∩ B)
P( A∨B)= Ecuación 1.9
P(B)

P( A ∩ B)
P( B∨ A)= Ecuación 2.0
P( A)

Ejemplo 10: La fuerza policiaca de una determinada ciudad consta de 1200 agentes, 960
hombres y 240 mujeres. De éstos, en los últimos dos años, fueron promovidos o
ascendidos 340. En la siguiente tabla se muestra cómo quedaron repartidos estos
ascensos entre los hombres y mujeres.

Hombre Mujer Total

Ascendidos 288 36 324
No ascendidos 672 204 876
Total 960 240 1200

Después de analizar el registro de los ascensos, un comité femenil protestó, ya que

habían sido ascendido 288 agentes hombres, frente a sólo 36 mujeres. Los directivos de
la fuerza policiaca argumentaron que el número de mujeres ascendidas no se debía a una
discriminación, sino a que el número de mujeres que son agentes de policía es una
cantidad pequeña. ¿Cuál es la probabilidad de que un agente ascendido sea hombre y
Cuál es la probabilidad de que un agente ascendido sea mujer?

Sean:

M = El evento que un agente de la policía sea hombre.

W = El evento que un agente de la policía sea mujer.
A = El evento que un agente de la policía sea ascendido.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

AC = El evento que un agente de la policía no sea ascendido.

960 672
P ( M )= =0.8 o 80 % P ( M ∩ A C )= =0.56 o 56 %
1200 1200

240 36
P ( W )= =0.2 o 20 % P ( W ∩ A )= =0.03 o 3 %
1200 1200

288 204
P ( M ∩ A )= =0.24 o 24 % P (W ∩ A C )= =0.17 o 17 %
1200 1200

Realizamos ahora la tabla de probabilidades conjuntas

Hombre Mujer Total

Ascendidos 0.24 0.03 0.27
No ascendidos 0.56 0.17 0.73
Total 0.80 0.20 1.00

En las probabilidades marginales se observa que 80% de la fuerza policiaca está formada
por hombres y 20% por mujeres, que 27% de los agentes de policía fueron ascendidos y
73% no fueron ascendidos.

P( A ∩ M ) P(A ∩W )
P( A∨M )= P( A∨W )=
P (M ) P(W )

288 36
1200 0.24 1200 0.03
P( A∨M )= = =0.30 P( A∨W )= = =0.15
960 0.80 240 0.2
1200 1200

¿Qué conclusión obtiene? La probabilidad de que un agente de policía sea ascendido

dado que es hombre es 0.30 o 30%, el doble de 0.15 o 15%, que es la probabilidad de
que un agente de policía sea ascendido dado que es mujer.

4.1. Eventos independientes

Dos eventos A y B son independientes si, el evento A no cambia por la existencia del
evento B, es decir:

P(A │B) = P(A) o P(B │A) = P(B) Ecuación 2.1

4.2. ley de la multiplicación

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Mientras que la ley de las suma de probabilidades sirve para calcular la probabilidad de la
unión de dos eventos, la ley de la multiplicación es útil para calcular la probabilidad de la
intersección de dos eventos. La ley de la multiplicación se basa en la definición de
probabilidad condicional. Es decir:

P(A ∩ B) = P(B)P(A │B) o P(A ∩ B) = P(A)P(B │A) Ecuación 2.2

Ejemplo 11: Considere el caso del departamento de circulación de un periódico al que

84% de los hogares de cierta región están suscritos a la edición diaria del periódico. Si D
denota el evento un hogar suscrito a la edición diaria, P(D) = 0.84. Además, sabe que la
probabilidad de que un hogar ya suscrito a la edición diaria se suscriba también a la
edición dominical (evento S) es 0.75; esto es, P(S │D) = 0.75. ¿Cuál es la probabilidad de
que un hogar se subscriba a ambas, a la edición diaria y a la dominical?

P(S ∩ D) = P(D)P(S │D)

P(S ∩ D) = 0.84*0.75 = 0.63

Se sabe entonces que 63% de los hogares se suscriben a ambas ediciones, a la diaria y a
la dominical.
Ley de la multiplicación para eventos independientes

P(A ∩ B) = P(A)P(B) Ecuación 2.3

Ejemplo 12: El jefe de una gasolinería que por experiencia sabe que 80% de los clientes
usan tarjeta de crédito al pagar la gasolina. ¿Cuál es la probabilidad de que los dos
siguientes clientes paguen la gasolina con tarjeta de crédito?

Sean: A = El evento el primer cliente paga con tarjeta de crédito.

B = El evento el segundo cliente paga con tarjeta de crédito.

P(A) = 0.80 y P(B) = 0.80

P(A ∩ B) = P(A)P(B)
P(A ∩ B) = 0.80 * 0.80 = 0.64

Proceso de comprensión y análisis

1. ¿De cuántas maneras es posible seleccionar tres objetos de un conjunto de seis
objetos? Use las letras A, B, C, D, E y F para identificar a los objetos y enumere todas
las combinaciones diferentes de tres objetos.

2. Considere el experimento de lanzar una moneda tres veces.

A. Elabore un diagrama de árbol de este experimento.
B. Enumere los resultados del experimento.
C. ¿Cuál es la probabilidad que le corresponde a cada uno de los resultados?

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

3. Un experimento que tiene tres resultados es repetido 50 veces y se ve que E2aparece

20 veces, E213 veces y E217 veces. Asigne probabilidades a los resultados. ¿Qué
método empleó?

4. En una ciudad las solicitudes de cambio de uso de suelo pasan por un proceso de dos
pasos: una revisión por la comisión de planeación y la decisión final tomada por el
consejo de la ciudad. En el paso 1 la comisión de planeación revisa la solicitud de
cambio de uso de suelo y hace una recomendación positiva o negativa respecto al
cambio. En el paso 2 el consejo de la ciudad revisa la recomendación hecha por la
comisión de planeación y vota para aprobar o desaprobar el cambio de suelo.
Suponga que una empresa dedicada a la construcción de complejos departamentales
presenta una solicitud de cambio de uso de suelo. Considere el proceso de la solicitud
como un experimento. ¿Cuántos puntos muéstrales tiene este experimento?
Enumérelos. Construya el diagrama de árbol del experimento.

5. El muestreo aleatorio simple usa una muestra de tamaño n tomada de una población
de tamaño N para obtener datos para hacer inferencias acerca de las características
de la población. Suponga que, de una población de 50 cuentas bancarias, desea
tomar una muestra de cuatro cuentas con objeto de tener información acerca de la
población. ¿Cuantas muestras diferentes de cuatro cuentas pueden obtener?

6. El capital de riesgo es una fuerte ayuda para los fondos disponibles de las empresas.
De acuerdo con fuente de una revista económica de 2374 desembolsos en capital de
riesgo, 1434 son de empresas en Bogotá, 390 de empresas en Cali, 217 de empresas
en Medellín y 112 de empresas en Barranquilla. Veintidós por ciento de las empresas
que reciben fondos se encuentran en las etapas iniciales de desarrollo y 55% en la
etapa de expansión. Suponga que desea tomar en forma aleatoria una de estas
empresas para saber cómo son usados los fondos de capital de riesgo.
A. ¿Cuál es la probabilidad de que la empresa que seleccione sea de Bogotá?
B. ¿De que la empresa no sea de ninguna de las ciudades citadas?
C. ¿De que la empresa elegida no se encuentre en las etapas iniciales de desarrollo?
D. Si admite que las empresas en las etapas iniciales de desarrollo tuvieran una
distribución homogénea en todo el país, ¿cuántas empresas de Cali que reciben
fondos de capital de riesgo se encuentran en las etapas iniciales de desarrollo?
E. La cantidad total de fondos invertidos es $32.4 mil millones. Estime la cantidad
destinada a Barranquilla.

7. En Estados Unidos hay una lotería que se juega dos veces por semana en 28
estados, en las Islas Vírgenes y en el Distrito de Columbia. Para jugar, debe comprar
un billete y seleccionar cinco números del 1 al 55 y un número del 1 al 42. Para
determinar al ganador se sacan 5 bolas blancas entre 55 bolas blancas y una bola roja
entre 42 bolas rojas. Quien atine a los cinco números de bolas blancas y al número de
la bola roja es el ganador. Ocho trabajadores de una empresa tienen el récord del
mayor premio, ganaron $365 millones al atinarle a los números 15 – 17 – 43 – 44 - 49
de las bolas blancas y al 29 de las bolas rojas. En cada juego hay también otros
premios. Por ejemplo, quien atina a los cinco números de las bolas blancas se lleva un
premio de $200 000.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

A. ¿De cuántas maneras se pueden seleccionar los primeros cinco números?

B. ¿Cuál es la probabilidad de ganar los $200 000 atinándole a los cinco números de
bolas blancas?
C. ¿Cuál es la probabilidad de atinarle a todos los números y ganar el premio mayor?

8. Para un experimento hay cuatro resultados que son igualmente posibles:

E1 , E2 , E3 y E4
A. ¿Cuál es la probabilidad de que ocurra E2?
B. ¿De que ocurra cualquiera de dos resultados, por ejemplo E1 o E2?
C. ¿De que ocurran tres de estos resultados E1 o E2 o E3?

9. Considere el experimento de seleccionar un naipe de una baraja con 52 naipes. Cada

naipe es un punto muestral y su probabilidad es 1/52.
A. Enumere los puntos muéstrales del evento si selecciona un AS.
B. Enumere los puntos muéstrales del evento si selecciona un trébol.
C. Enumere los puntos muéstrales del evento si selecciona una figura (sota, rey o
reina).
D. Halle la probabilidad correspondiente a cada uno de los eventos de los incisos A,
B y C.

10. Consulte las tabla anterior del ejemplo 6 que muestran los puntos muéstrales del
proyecto.
A. La etapa del diseño (etapa 1) saldrá del presupuesto si su duración es mayor o
igual a 4 meses. Liste los puntos muéstrales del evento si la etapa del diseño sale
del presupuesto.
B. ¿Cuál es la probabilidad de que la etapa del diseño salga del presupuesto?
C. La etapa de la construcción (etapa 2) saldrá del presupuesto si su duración es
mayor o igual a 8 meses. Enumere los puntos muéstrales del evento si la etapa de
construcción sale del presupuesto.
D. ¿Cuál es la probabilidad de que la etapa de construcción salga del presupuesto?
E. ¿Cuál es la probabilidad de que las dos etapas salgan del presupuesto?

11. Suponga que el administrador de un complejo grande de departamentos proporciona

la siguiente estimación de probabilidades subjetivas acerca del número de
departamentos libres que habrá el mes próximo.

Departamentos
Probabilidades
libres
0 0.05
1 0.15
2 0.35
3 0.25
4 0.10
5 0.10

Dé la probabilidad de cada uno de los eventos siguientes.

A. No haya departamentos libres.
B. Haya por lo menos 4 departamentos libres.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

C. Haya 2 o menos departamentos libres.

12. La revista Fortune publica anualmente una lista de las 500 empresas más grandes de
Estados Unidos. A continuación se presentan los cinco estados en los que hay más de
estas 500 empresas de Fortune.

Estado Número de empresas

NY 54
California 52
Texas 48
Illinois 33
Ohio 30

Suponga que se elige una de las 500 empresas de Fortuner. ¿Cuál es la probabilidad de
cada uno de los eventos siguientes?
A. Sea N el evento: la empresa se encuentra en NY. Halle P(N).
B. Sea T el evento: la empresa se encuentra en Texas. Halle P(T).
C. Sea B el evento: la empresa se encuentra en uno de estos cinco estados. Halle
P(B).

13. Suponga que tiene un espacio muestral con cinco resultados experimentales que son
igualmente posibles: E1 , E2 , E3 , E4 y E5 Sean:

A={ E1 , E 2 } B= { E 3 , E 4 } C={ E2 , E3 , E 5 }

A. Halle P(A), P(B),P(C).

B. Calcule P(AᴜB). ¿A y B son mutuamente excluyentes?.
C. Estime AC , CC , P ( A C ) y P(C C ) .
D. Halle Aᴜ BC y P(Aᴜ BC ).
E. Halle P(BᴜC).

14. La dirección de la Universidad de Pamplona realizaron un sondeo entre sus alumnos

para conocer su opinión acerca de su universidad. Una pregunta fue si la universidad
no satisface sus expectativas, si las satisface o si supera sus expectativas.
Encontraron que 4% de los interrogados no dieron una respuesta, 26% respondieron
que la universidad no llenaba sus expectativas y 56% indicó que la universidad
superaba sus expectativas.
A. Si toma un alumno al azar, ¿cuál es la probabilidad de que diga que la universidad
supera sus expectativas?
B. Si toma un alumno al azar, ¿cuál es la probabilidad de que diga que la universidad
satisface o supera sus expectativas?

15. Datos sobre las 30 principales acciones y fondos balanceados proporcionan los
rendimientos porcentuales anuales y a 5 años para el periodo que termina el 31 de
marzo de 2000. Suponga que considera altos un rendimiento anual arriba de 50% y un
rendimiento a cinco años arriba de 300%. Nueve de los fondos tienen un rendimiento
anual arriba de 50%, siete de los fondos a cinco años lo tienen arriba de 300% y cinco

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

de los fondos tienen tanto un rendimiento anual arriba de 50% como un rendimiento a
cinco años arriba de 300%.
A. ¿Cuál es la probabilidad de un rendimiento anual alto y cuál es la probabilidad de
un rendimiento a cinco años alto?
B. ¿Cuál es la probabilidad de ambos, un rendimiento anual alto y un rendimiento a
cinco años alto?
C. ¿Cuál es la probabilidad de que no haya un rendimiento anual alto ni un
rendimiento a cinco años alto?

16. En una encuesta aplicada a los suscriptores de una revista se encontró que en los
últimos 12 meses 45.8% habían rentado un automóvil por razones de trabajo, 54% por
razones personales y 30% por razones de trabajo y personales.
A. ¿Cuál es la probabilidad de que un suscriptor haya rentado un automóvil en los
últimos 12 meses por razones de trabajo o por razones personales?
B. ¿Cuál es la probabilidad de que un suscriptor no haya rentado un automóvil en los
últimos 12 meses ni por razones de trabajo ni por razones personales?

17. Suponga dos eventos, A y B y que P(A) = 0.50, P(B) = 0,60 y P(A∩B) = 0.40.
A. Halle P(A│B).
B. Halle P(B│A).
C. ¿ A y B son independientes? ¿Por qué sí o por qué no?

18. Debido al aumento de los costos de los seguros, en Estados Unidos 43 millones de
personas no cuentan con un seguro médico. En la tabla siguiente se muestran datos
muéstrales representativos de la cantidad de personas que cuentan con seguro
médico.

Seguro medico
Edades
Si No
18 a 34 750 170
35 o
950 130
mayor

A. Con estos datos elabore una tabla de probabilidad conjunta y úsela para
responder las preguntas restantes.
B. ¿Qué indican las probabilidades marginales acerca de la edad de la población de
Estados Unidos?
C. ¿Cuál es la probabilidad de que una persona tomada en forma aleatoria no tenga
seguro médico?
D. Si la persona tiene entre 18 y 34 años, ¿cuál es la probabilidad de que no tenga
seguro médico?
E. Si la persona tiene 34 años o más ¿cuál es la probabilidad de que no tenga seguro
médico?
F. Si la persona no tiene seguro médico, ¿cuál es la probabilidad de que tenga entre
18 y 34 años?
G. ¿Qué indica esta información acerca del seguro médico en Estados Unidos?

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

19. Una muestra de estudiantes de la maestría en administración de negocios, arrojó la

siguiente información sobre la principal razón que tuvieron los estudiantes para elegir
la escuela en donde hacen sus estudios.

Razones de la elección
Tipo de
Calidad de la
estudiantes Costo de la escuela Otras Total
escuela
Tiempo completo 421 393 76 890
Medio tiempo 400 593 46 1039
Total 821 986 122 1929

A. Con estos datos elabore una tabla de probabilidad conjunta.

B. Use las probabilidades marginales: calidad de la escuela, costo de la escuela y
otras para comentar cuál es la principal razón por la que eligen una escuela.
C. Si es un estudiante de tiempo completo, ¿cuál es la probabilidad de que la
principal razón para su elección de la escuela haya sido la calidad de la escuela?
D. Si es un estudiante de medio tiempo, ¿cuál es la probabilidad de que la principal
razón para su elección de la escuela haya sido la calidad de la escuela?
E. Si A denota el evento es estudiante de tiempo completo y B denota el evento la
calidad de la escuela fue la primera razón para su elección, ¿son independientes
los eventos A y B? Justifique su respuesta.

20. En un estudio de Morgan Stanley Consumer Research se muestrearon hombres y

mujeres y se les preguntó qué preferían tomar: agua de botella o una bebida deportiva
como Gatorade o Propel Fitness Suponga que en el estudio hayan participado 200
hombres y 200 mujeres y que de todos 280 hayan preferido el agua de botella. En el
grupo de los que preferían bebidas deportivas, 80 eran hombres y 40 eran mujeres.

Sea

M = El evento el consumidor es hombre.

W= El evento el consumidor es mujer.
B= El evento el consumidor prefiere agua de botella.
S= El evento el consumidor prefiere una bebida deportiva.

A. ¿Cuál es la probabilidad de que en este estudio una persona prefiera agua de

botella?
B. ¿De que en este estudio una persona prefiera una bebida deportiva?
C. ¿Cuáles son las probabilidades condicionales P(M │S) y P(W│S)?
D. ¿Cuáles son las probabilidades conjuntas P(M∩S) y P(WᴜS)?
E. Dado que un consumidor es hombre, ¿cuál es la probabilidad de que prefiera una
bebida deportiva?
F. Ya que un consumidor es mujer, ¿cuál es la probabilidad de que prefiera una
bebida deportiva?
G. ¿Depende la preferencia por una bebida deportiva de que el consumidor sea
hombre o mujer? Explique usando la información sobre las probabilidades.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

UNIDAD 2: distribuciones de probabilidad

discreta
Núcleos Temáticos y Problemáticos
 Variables aleatorias.
 Distribución de probabilidad discreta.
 Valor esperado y varianzas.
 Distribución de probabilidad binomial.
 Distribución de probabilidad de Poisson.

1. Variables aleatorias
Una variable aleatoria proporciona un medio para describir los resultados experimentales
empleando métodos numéricos. Las variables aleatorias deben tomar valores numéricos,
estas variables pueden ser discretas o continuas.

1.1. Variables aleatorias discretas

A una variable aleatoria que asuma ya sea un numero finito de valores o una sucesión
infinita de valores tales como 0,1,2,…, se le llama variable aleatorio discreta. Los
resultados experimentales basados en escales tales como el sexo, número de hijos,
número de vehículos, número de clientes, etc., pueden ser descritos por variables
aleatorias discretas.

1.2. Variables aleatorias continuas

A una variable que puede tomar cualquier valor numérico de un intervalo o colección de
intervalos tales como 0, 0.5, 1.2, 2.4, …, se le llama variable aleatoria continua. Los
resultados experimentales basados en escala de meducion tales como tiempo, peso,
temperatura, distancia pueden ser descritos por variables aleatorias continuas.

2. Distribuciones de probabilidades discretas

La distribución de probabilidad de una variable aleatoria describe como se distribuyen las
probabilidades entre los valores de una variable aleatoria. En el caso de una variable
aleatoria discreta x, la distribución de probabilidad está definida por una función de
probabilidad, denotada por f ( x ) . La función de probabilidad da la probabilidad de cada
valor de una variable aleatoria.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Al elaborar una función de probabilidad para una variable aleatoria discreta, deben
satisfacerse las dos condiciones siguientes:
f ( x ) ≥0 Ecuación 2.4

∑ f ( x )=1 Ecuación 2.5

Además de las tablas y gráficas para describir las funciones de probabilidad se suele usar
una fórmula que da el valor de la función de probabilidad, f ( x ) , para cada valor de x.

1
f ( x )= Ecuación 2.6
n
Donde n = número de valores que puede tomar la variable aleatoria.

Ejemplo 1: considere las ventas de automóviles de un concesionario en Valledupar,

durante los últimos 300 días de operación, de los cuales, se muestra que hubo 54 días en
los que no se vendió ningún automóvil, 117 días en los que se vendió 1 automóvil, 72 días
en los que se vendieron 2 automóviles, 42 días en los que se vendieron 3 automóviles, 12
días en los que se vendieron 4 automóviles y 3 días en los que se vendieron 5
automóviles. Suponga que se considera el experimento de seleccionar un día de
operación del concesionario.

El primer paso es definir la variable aleatoria luego se realiza la notación de funciones de

probabilidad:

x = número de automóviles vendidos en un día.

x = 0, 1, 2, 3, 4 o 5.

f ( 0 ) , da la probabilidad de vender 0 automóviles

f ( 1 ) , da la probabilidad de vender 1 automóviles
f ( 2 ) , da la probabilidad de vender 2 automóviles
f ( 3 ) , da la probabilidad de vender 3 automóviles
f ( 4 ) , da la probabilidad de vender 4 automóviles
f ( 5 ) , da la probabilidad de vender 5 automóviles

54 72 12
f ( 0 )= =0.19 f ( 2) = =0.24 f ( 4)= =0.04
300 300 300

117 42 3
f ( 1) = =0.39 f ( 3 )= =0.14 f ( 5 )= =0.01
300 300 300

Es decir, que la probabilidad de que se vendan 0 automóviles en un día es de 0.19 o 19%.

Es decir, que la probabilidad de que se vendan 1 automóviles en un día es de 0.39 o 39%.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

En la siguiente tabla se muestra la distribución de probabilidad para el número de

automóviles vendidos en un día en el concesionario, así como la representación gráfica,
en la cual el eje horizontal aparecen los valores de la variable aleatoria x y en el eje
vertical las probabilidades correspondientes a esos valores.

x f (x)
0 0.18
1 0.39
2 0.24
3 0.14
4 0.04
5 0.01
Total 1

3. Valor esperado, varianza y desviación estándar

3.1. Valor esperado E(x)
El valor esperado o media, de una variable aleatoria es una medida de localización central
de la variable aleatoria. A continuación se da la fórmula para obtener el valor esperado de
una variable aleatoria x.

E ( x )=μ ; E ( x ) =∑ x∗f ( x) Ecuación 2.7

3.2. Varianza σ 2
Aunque el valor esperado proporciona el valor medio de una variable aleatoria, también
suele ser necesaria una medida de la variabilidad o dispersión. A continuación se da la
fórmula para calcular la varianza de una variable aleatoria.

Var ( x ) =σ 2 ; Var ( x)=∑ (x−μ)2∗f (x) Ecuación 2.8

3.3. Desviación estándar σ

Se define como la raíz cuadrada positiva de varianza.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

σ =√ σ 2

Ejemplo 2: calcular el valor esperado, la varianza y la desviación estándar del número de

automóviles vendidos en un día del ejemplo 1.

x f (x)
0 0.18
1 0.39
2 0.24
3 0.14
4 0.04
5 0.01
Total 1

x* x-µ ( x−µ)2 ( x−µ)2∗f (x)

x f (x)
f(x)
0 0.18 0 -1.50 2.25 0.4050
1 0.39 0.39 -0.50 0.25 0.0975
2 0.24 0.48 0.50 0.25 0.060
3 0.14 0.42 1.50 2.25 0.3150
4 0.04 0.16 2.50 6,25 0.250
5 0.01 0.05 3.50 12.25 0.1225
Total 1 1.5 1.250

µ = 1.5

σ 2=1.250

σ =√ 1.250; σ=1.1180

4. Distribución de probabilidad binomial

La distribución de probabilidad binomial es una distribución de probabilidad que tiene
muchas aplicaciones. Está relacionada con un experimento de pasos múltiples al que se
le llama experimento binomial. Un experimento binomial tiene las cuatro propiedades
siguientes:

1. El experimento consiste en una serie de n ensayos idénticos.

2. En cada ensayo hay dos resultados posibles. A uno de los resultados se le llama
éxito y al otro fracaso.
3. La probabilidad de éxito, que se denota p, no cambia de un ensayo a otro. Por
ende, la probabilidad de fracaso, que se denota 1− p , tampoco cambia de un
ensayo a otro.
4. Los ensayos son idénticos.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Si se presentan las propiedades 2, 3 y 4, se dice que los ensayos son generados por un
proceso de Bernoulli. Si además, se presenta la propiedad 1, se trata de un experimento
binomial.

En un experimento binomial lo que interesa es el número de éxitos en n ensayos. Si x

denota el número de éxitos en n ensayos, es claro que x tomara valores 0, 1, 2, 3,…, n.
dado que en número de estos valores es finito, x es una variable aleatoria discreta. A la
distribución de probabilidad correspondiente a esta variable aleatoria se le llama
distribución de probabilidad binomial.
Ejemplo 3: Considere en experimento que consiste en lanzar una moneda cinco veces y
observe si la cara de la moneda que cae hacia arriba es cara o cruz. Suponga que se
desea contar el número de caras que aparecen en los cinco lanzamientos. ¿Presenta este
experimento las propiedades de un experimento binomial? ¿Cuál es la variable aleatoria
que interesa?

Al aplicar y razonar con las cuatros propiedades anteriores se tiene que:

1. El experimento consiste en cinco ensayos idénticos: Lanzar una moneda.
2. En cada ensayo hay dos resultados posibles: Cara y cruz, y de acuerdo al
enunciado se toma cara como éxito y cruz como fracaso.
3. La probabilidad de éxito y de fracaso son iguales en todos los ensayos: p=0.5 y
1− p=0.5.
4. Los lanzamientos son independientes: El resultado de un lanzamiento no afecta a
lo que pase en los otros lanzamientos.

De lo anterior se puede concluir que el experimento satisface las propiedades de un

experimento Binomial.

x=numero de caras que aparece en los cinco ensayos.

x tomara valores 0 , 1 , 2, 3 , 4 o 5

Ejemplo 4: Un vendedor de seguros vista a 10 familias elegidas en forma aleatoria. El

resultado de visitar a cada familia se considera como éxito si la familia compra un seguro
y de fracaso si la familia no compra ningún seguro. Por experiencia el vendedor sabe que
la probabilidad de que una familia compre un seguro es de 0.10.

Al aplicar y razonar con las cuatros propiedades anteriores se tiene que:

1. El experimento consiste en 10 ensayos idénticos: Visitar a una familia.
2. En cada ensayo hay dos resultados posibles: comprar el seguro o no comprar el
seguro, y de acuerdo al enunciado se toma compra del seguro como éxito y la no
compra del seguro como fracaso.
3. Las probabilidades de que haya o no hay compra se supone que son iguales en
todas las visitas: p=0.1 y 1− p=0.9.
4. Los ensayos son independientes porque las familias se eligen en forma aleatoria.

De lo anterior se puede concluir que el experimento satisface las propiedades de un

experimento Binomial.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

x=numero de ventas al vistar 10 familias .

x tomara valores 0 , 1 , 2, 3 , 4 ,5 , 6 , 7 , 8 , 9 y 10

En las aplicaciones de experimentos binomiales se emplea una fórmula matemática

llamada función de probabilidad binomial que sirve para calcular la probabilidad de x
éxitos en n ensayos:

 Para el cálculo de los resultados experimentales en los que hay exactamente x

éxito en n ensayos, se tiene:

n!
( nx)= x !(n−x )!
Ecuación
2.9

 Para determinar la probabilidad de una determinada serie de resultados de

ensayos, se tiene:

p= p x ( 1−p )(n− x ) Ecuación 3.0

 Como la ecuación 2.9 da el número de resultados de un experimento binomial en

el que hay x éxitos, y la ecuación 3.0 da la probabilidad de cada serie en la que
hay x éxitos, de la combinación de estas dos ecuación se obtiene la función de la
probabilidad binomial, la cual es la siguiente.

f ( x )= n p x (1−p)n− x
() x
Ecuación 3.1

Dónde:

f ( x )= probabilidad de x exitos en n ensayos .

n=número de ensayos.
n= n!
()
x x !( n−x )!
p= probabilidad de un exito en cualquiera de losensayos .

1− p= probabilidad de un fracaso en cualquiera de los ensayos.

Ejemplo 5: De acuerdo con la experiencia del gerente de una tienda de ropas, la

probabilidad de que un cliente realice una compra es del 0.30. ¿Cuál es la probabilidad
que dos de los próximos tres clientes realice una compra?

Al aplicar y razonar con las cuatros propiedades anteriores se tiene que:

1. Es posible describir el experimento como una serie de tres ensayos idénticos, un
ensayo por cada cliente.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

2. Cada experimento tiene dos posibles resultados: el cliente compra (Éxito) o el

cliente no compra (Fracaso).
3. La probabilidad de que el cliente haga una compra es de 0.30 y que no haga la
compra de 0.70, suponiendo la misma probabilidad para todos los clientes.
4. La decisión de comprar de cada cliente es independiente de la decisión de
comprar de otros clientes.

Entonces con esto se verifica que se satisfacen las propiedades de un experimento

binomial.

x=se realice una compra .

x tomara valores 0 , 1 , 2, o 3

Al aplicarse la ecuación 2.9, se podrá determinar el número de resultados experimentales

en los que hay dos compras, siendo x=2 éxitos y n=3 ensayos.

n! 3! 3! 3∗2∗1 6
( nx)= x !( n−x )!
3
; ( )= = = = =3
2 2 !(3−2)! 2 !(1)! (2∗1)(1) 2

Esto indique en que en tres de los resultados del experimento hay dos éxitos, esto se
pude comprobar si se realiza el diagrama de árbol correspondiente, del cual se obtiene
(C, NC, C), (C, C, NC), (NC, C, C).

Luego la probabilidad de que los dos primeros clientes compren y el tercero no, están
dados por la siguiente ecuación.

p= p∗p∗ (1− p ) ; p=( 0.30∗0.30∗0.70 ) ; p=0.063

Este mismo resultado se obtendrá para los otros dos experimentos:

Si se aplica la fórmula 3.0 se obtendrá el mismo resultado:

( n− x ) ( 3−2) (1 )
p= p x ( 1−p ) ; p=( 0.302 ) ( 1−0.30 ) ; p=( 0.302 ) ( 0,70 ) ;

p= ( 0.09 )∗( 0.70 ) ; p=0.063

Esto nos indica que la probabilidad de cualquier resultado experimental con dos éxitos es
de 0,063.

Se calculara ahora la probabilidad que exactamente dos de los próximos tres clientes
realicen una compra, esto se obtiene si se aplica la fórmula 3.1, de la siguiente manera:

3!
f ( x )= n p x (1−p)n− x ; f (2 )= ∗0.302∗ (1−0.30 )3−2 ; f ( x )=0.189
() x 2 !∗(3−2)!

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Entonces la probabilidad de dos de los 3 clientes que entren a la tiende de ropas y

realicen una compra es del 0.189 o 18.90%.

‘existen tablas que dan la probabilidad de x éxitos en n ensayos de un experimento

binomial, estas tablas son fáciles de usar y los resultados se obtienen más rápidamente
que con la ecuación 3.1, ver archivo Como usar las tablas y Tabla probabilidad binomial
para comprobar los resultados obtenidos en el ejercicio anterior’

4.1. Valor esperado y varianza en la distribución binomial

Para el cálculo del valor esperado y varianza cuando se tiene una distribución binomial
para el cual se conocen el número de ensayos n y la probabilidad de éxito p, las formulas
son las siguientes:

 Valor esperado:
E ( x )=μ=n∗p Ecuación 3.2

 Varianza:
Var ( x ) =σ 2=n∗p∗(1−p) Ecuación 3.3

Ejemplo 6: Para el ejemplo 5 calcule el número esperado y la varianza de clientes que

harán una compra.

E ( x )=n∗p ; E ( x )=3∗0.3 ; E ( x )=0,9

σ 2=n∗p∗( 1− p ) ; σ 2=3∗0.3∗( 1−0.3 ) ; σ 2=3∗0.3∗0.7 ; σ 2=0.63

5. Distribución de probabilidad de Poisson

Esta aleatoria discreta suele usarse para estimar el número de veces que sucede un
hecho determinado (ocurrencias), en un intervalo de tiempo o de espacio. Por ejemplo , la
variable de interés va desde el número de automóviles que llagan a un lavadero en una
hora o el número de reparaciones necesarias en 10000 Km hasta el número de fugas en
100Km de tuberías. Si se satisfacen las dos condiciones siguientes, se estar hablando
entonces de una distribución de probabilidad de Poisson.

1. La probabilidad de ocurrencia es la misma para cualesquiera dos intervalos de la

misma magnitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro intervalo.

La función de la probabilidad de Poisson se define mediante la ecuación siguiente:

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

μ x e− μ
f x=
( ) Ecuación 3.4
x!

Dónde:

f ( x )= probabilidad de x ocureencias en un intervalo

μ=valor esperado o numero medio de ocurrencias en un intervalo
e=2.71828

μ=σ 2 Ecuación 3.5

σ =√ σ 2 Ecuación 3.6

Ejemplo 7: Se desea saber cuál es la probabilidad de que en un autolavado lleguen

exactamente 5 automóviles en 15 minutos, si se sabe que en un análisis de datos
pasados se encontró que en un lapso de tiempo llegaban 10 vehículos.

Si, x=5 y μ=10 , la probabilidad de que lleguen exactamente 5 automóviles en 15min,

será:

μ x e− μ 5 −10
f ( x )= ; f ( 5 )= 10 e ; f ( 5 )=0.0378
x! 5!

Lo que indica que la probabilidad de que al autolavo lleguen exactamente 5 autos en un

lapso de 15min es de 3.78%.

Proceso de comprensión y análisis

1. Considere el experimento que consiste en lanzar una moneda dos veces:
a) Enumere los resultados experimentales.
b) Defina una variable aleatoria que represente el número de caras en los dos
lanzamientos.
c) Dé el valor que la variable aleatoria tomara en cada uno de los resultados
experimentales.
d) Es una variable aleatoria discreta o continua.

2. Tres estudiantes agenda entrevistas para un empleo en un almacén para fin de

año. En cada caso el resultado de la entrevista será contratado o no contratado.
Los resultados experimentales se definen en términos de los resultados de las tres
entrevistas.
a) Enumere los resultados experimentales.
b) Defina una variable aleatoria que represente el número de ofertas de trabajo. ¿Es
una variable aleatoria continua?

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

c) Dé el valor de la variable aleatoria que corresponde a cada uno de los resultados

experimentales.

3. A continuación se da una serie de experimentos y su variable aleatoria

correspondiente. En cada caso determine qué valores toma la variable aleatoria y
diga si se trata de una variable aleatoria discreta o continua.

Experimento Variable aleatoria (x)

Número de preguntas contestadas
a. Hacer un examen con 20 preguntas.
correctamente.
Número de automóviles que llegan a la
b. Observar los automóviles que llegan. caseta de peaje a una caseta de peaje en 1
hora.
Número de declaraciones que tienen algún
c. Revisar 50 declaraciones de impuestos.
error.
Número de horas no productivas en una
d. Observar trabajar a un empleado.
jornada de 8 horas.
e. Pesar un envío. Número de libras.

4. A continuación se presenta la distribución de probabilidad de una variable

aleatoria x.

x f (x)
20 0.20
25 0.15
30 0.25
35 0.40
Total

a) Es valida esta distribución de probabilidad.

b) Cuál es la probabilidad de que x = 30.
c) Cuál es la probabilidad de que x sea menor o igual que 25.
d) Cuál es la probabilidad que x sea mayor que 30.

5. Los datos siguientes se obtuvieron contando el número de salas de operaciones

de un hospital que fueron usadas en un periodo de 20 días. Tres de estos 20 días
sólo se usó una sala de operaciones, cinco de estos 20 días se usaron dos, ocho
de estos 20 días se usaron tres salas de operaciones y cuatro de estos 20 días se
usaron las cuatro salas de operaciones del hospital.

a) Use el método de las frecuencias relativas para elaborar una distribución de

probabilidad para el número de salas de operaciones usadas en un día.
b) Elabore una gráfica a partir de la distribución de probabilidad.
c) Muestre que la distribución de probabilidad elaborada satisface las condiciones
requeridas para una distribución de probabilidad.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

6. En la siguiente tabla se muestra la distribución de frecuencias porcentuales para

las puntuaciones dadas a la satisfacción con el trabajo por una muestra de
directivos en sistemas de información de nivel alto y de nivel medio. Las
puntuaciones van de 1 (muy insatisfecho) a 5 (muy satisfecho).

Puntuación de la
Directivos de alto nivel Directivos de nivel medio
satisfacción con el trabajo
1 5 4
2 9 10
3 3 12
4 42 46
5 41 28

a) Elabore una distribución de probabilidad con las puntuaciones dadas a la

satisfacción con el trabajo por los directivos de nivel alto.
b) Elabore una distribución de probabilidad con las puntuaciones dadas a la
satisfacción con el trabajo por los directivos de nivel medio.
c) ¿Cuál es la probabilidad de que un ejecutivo de nivel alto dé una puntuación de 4
o 5 a su satisfacción con el trabajo?
d) ¿Cuál es la probabilidad de que un ejecutivo de nivel medio esté muy satisfecho?
e) Haga una comparación entre la satisfacción con el trabajo de los ejecutivos de
nivel alto y la que tienen los ejecutivos de nivel medio.

7. El jefe del departamento de admisión de una universidad calcula subjetivamente

una distribución de probabilidad para x, el número de estudiantes que ingresarán
en la universidad. A continuación se presenta esta distribución de probabilidad.

x f (x)
100
0.15
0
110 ¿Es válida esta distribución de probabilidad? Explique.
0.20 ¿Cuál es la probabilidad de que ingresen 1200 o menos estudiantes?
0
120 Explique.
0.30
0
130
0.25 8. La tabla siguiente es una distribución parcial de probabilidades para
0
140 las ganancias proyectadas de MRA Company (x ganancias en miles
0.10 de dólares) durante el primer año de operación (los valores
0
negativos indican pérdida).
Total
x f (x)
-100 0.10
0 0.20
50 0.30
100 0.25
150 0.10
200

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Total

a) Cuál es el valor adecuado para f(200)? ¿Qué interpretación le da a este valor?

b) ¿Cuál es la probabilidad de que la empresa sea rentable?
c) ¿Cuál es la probabilidad de que la empresa gane por lo menos $100 000?

9. La tabla siguiente muestra la distribución de probabilidad de una variable

aleatoria y.

y f ( y)
2 0.20
4 0.30
7 0.40
8 0.10
Total 1

a) Calcule E(y).
b) Calcule Var(y) y σ.

10. Los datos siguientes son el número de recámaras en casas rentadas y en casas
propias en algunas ciudades de Colombia.

Número de casas (en miles)

Recamaras Rentadas Propias
0 547 23
1 2012 541
2 6100 3832
3 2644 8690
4 o mas 557 3783

a) Defina una variable aleatoria x = número de recámaras en casas rentadas y

elabore una distribución de probabilidad para esta variable. (x = 4 representará 4
recámaras o más.)
b) Calcule el valor esperado y la varianza del número de recámaras en casas
rentadas.
c) Defina una variable aleatoria y = número de recámaras en casas propias y elabore
una distribución de probabilidad para esta variable. (y = 4 representará 4
recámaras o más.).
d) Calcule el valor esperado y la varianza del número de recámaras en casas
propias.
e) ¿Qué observaciones resultan al comparar el número de recámaras en casas
rentadas y en casas propias?

11. A continuación se presenta la distribución de probabilidad para los daños pagados

por una empresa de seguros para automóviles, en seguros contra choques.

Pago Probabilidad
0 0.85

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

500 0.04
1000 0.04
3000 0.03
5000 0.02
8000 0.01
10000 0.01
Total 1

a) Use el pago esperado para determinar la prima en el seguro de choques que le

permitirá a la empresa cubrir los gastos.
b) La empresa de seguros cobra una tasa anual de $520 por la cobertura de
choques. ¿Cuál es el valor esperado de un seguro de choques para un
asegurado? (Indicación: son los pagos esperados de la empresa menos el costo
de cobertura.) ¿Por qué compran los asegurados un seguro de choques con este
valor esperado?

12. La demanda de un producto de una empresa varía enormemente de mes a mes.

La distribución de probabilidad que se presenta en la tabla siguiente, basada en
los datos de los dos últimos años, muestra la demanda mensual de la empresa.

Demanda unitaria Probabilidad

300 0.20
400 0.30
500 0.35
600 0.15
Total 1

a) Si la empresa basa las órdenes mensuales en el valor esperado de la demanda

mensual, ¿cuál será la cantidad ordenada mensualmente por la empresa para este
producto?
b) Suponga que cada unidad demandada genera $70 de ganancia y que cada unidad
ordenada cuesta $50. ¿Cuánto ganará o perderá la empresa en un mes si coloca
una orden con base en su respuesta al inciso a y la demanda real de este artículo
es de 300 unidades?

13. ASUS está considerando hacer una expansión a la fábrica para empezar a
producir una nueva computadora. El presidente de la empresa debe determinar si
hacer un proyecto de expansión a mediana gran escala. La demanda del producto
nuevo es incierta, la cual, para los fines de planeación puede ser demanda
pequeña, mediana o grande. Las probabilidades estimadas para la demanda son
0.20, 0.50 y 0.30, respectivamente. Con x y y representando ganancia anual en
miles de dólares, los encargados de planeación en la empresa elaboraron el
siguiente pronóstico de ganancias para los proyectos de expansión a mediana y
gran escala.

Ganancia con la expansión Ganancia con la expansión

a media escala a gran escala
x f(x) y f(y)

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Baja 50 0.20 0 0.20

Demanda Media 150 0.50 100 0.50
Alta 200 0.30 300 0.30

a) Calcule el valor esperado de las ganancias correspondientes a las dos alternativas

de expansión. Cuál de las decisiones se prefiere para el objetivo de maximizar la
ganancia esperada?
b) Calcule la varianza de las ganancias correspondientes a las dos alternativas de
expansión. ¿Cuál de las decisiones se prefiere para el objetivo de minimizar el
riesgo o la incertidumbre?

14. Considere un experimento binomial con dos ensayos y p = 0.4.

a) Dibuje un diagrama de árbol para este experimento.
b) Calcule la probabilidad de un éxito, f ( y 1 )
c) Calcule f ( 0 )
d) Calcule f ( 2 )
e) Calcule la probabilidad de por lo menos un éxito.
f) Calcule el valor esperado, la varianza y la desviación estándar.

15. Considere un experimento binomial con n = 10 y p = 0.10, calcule:

a) f ( 0 )
b) f ( 2 )
c) P ( x ≤ 2 )
d) P ( x ≥ 1 )
e) E ( x )
f) Var ( x ) y σ

16. En una encuesta realizada por unja cadena hotelera preguntó a sus viajeros:
“Cuando viaja al extranjero, ¿suele aventurarse usted solo para conocer la cultura
o prefiere permanecer con el grupo de su tour y apegarse al itinerario?” Se
encontró que 23% prefiere permanecer con el grupo de su tour.
a) ¿Cuál es la probabilidad de que en una muestra de seis viajeros, dos prefieran
permanecer con su grupo?
b) ¿De que en una muestra de seis viajeros, por lo menos dos prefieran permanecer
con su grupo?
c) ¿De que en una muestra de 10 viajeros, ninguno prefiera permanecer con su
grupo?

17. Cuando una máquina nueva funciona adecuadamente, sólo 3% de los artículos
producidos presentan algún defecto. Suponga que selecciona aleatoriamente dos
piezas producidas con la nueva máquina y que busca el número de piezas
defectuosas.
a) Describa las condiciones en las que éste será un experimento binomial.
b) Elabore un diagrama de árbol en el que se muestre este problema como un
experimento de dos ensayos.
c) ¿En cuántos resultados experimentales hay exactamente una pieza defectuosa?

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

d) Calcule las probabilidades de hallar ninguna pieza defectuosa, exactamente una

pieza defectuosa y dos piezas defectuosas.

18. Los radares militares y los sistemas para detección de misiles tienen por objeto
advertir a un país de un ataque enemigo. Una cuestión de confiabilidad es si el
sistema de detección será capaz de detectar un ataque y emitir un aviso. Suponga
que la probabilidad de que un determinado sistema de detección detecte un
ataque con misiles es 0.90. Use la distribución de probabilidad binomial para
responder las preguntas siguientes.
a) ¿Cuál es la probabilidad de que un solo sistema de detección detecte un ataque?
b) Si se instalan dos sistemas de detección en una misma área y los dos operan
independientemente, ¿cuál es la probabilidad de que por lo menos uno de los
sistemas detecte el ataque?
c) Si se instalan tres sistemas, ¿cuál es la probabilidad de que por lo menos uno de
los sistemas detecte el ataque?
d) ¿Recomendaría que se usaran varios sistemas de detección? Explique.

19. En una encuesta realizada por la Oficina de Censos se encontró que 25% de las
personas de 25 años o más habían estudiado cuatro años en la universidad. Dada
una muestra de 15 individuos de 25 años o más, conteste las preguntas
siguientes.
a) ¿Cuál es la probabilidad de que cuatro hayan estudiado cuatro años en la
universidad?
b) ¿De qué tres o más hayan estudiado cuatro años en la universidad?

20. Considere una distribución de Poisson con μ=3.

a) De la adecuada función de probabilidad de Poisson.
b) Calcule: f ( 2 ) , f ( 1 ) y p(x ≥2)

21. Considere una distribución de Poisson en que la media es de dos ocurrencias por
un periodo de tiempo.
a) Dé la adecuada función de probabilidad de Poisson.
b) ¿Cuál es el número esperado de ocurrencias en tres periodos de tiempo?
c) Dé la adecuada función de probabilidad de Poisson para determinar la
probabilidad de x ocurrencias en tres lapsos.
d) Calcule la probabilidad de dos ocurrencias en un periodo de tiempo.
e) Calcule la probabilidad de seis ocurrencias en tres periodos de tiempo.
f) Calcule la probabilidad de cinco ocurrencias en dos periodos de tiempo.

22. A la oficina de reservaciones de una aerolínea regional llegan 48 llamadas por

hora.
a) Calcule la probabilidad de recibir cinco llamadas en un lapso de 5 minutos.
b) Estime la probabilidad de recibir exactamente 10 llamadas en un lapso de 15
minutos.
c) Suponga que no hay ninguna llamada en espera. Si el agente de viajes necesitará
5 minutos para la llamada que está atendiendo, ¿cuántas llamadas habrá en
espera para cuando él termine? ¿Cuál es la probabilidad de que no haya ninguna
llamada en espera?

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

d) Si en este momento no hay ninguna llamada, ¿cuál es la probabilidad de que el

agente de viajes pueda tomar 3 minutos de descanso sin ser interrumpido por una
llamada?

23. Cada año ocurren en promedio 15 accidentes aéreos.

a) Calcule el número medio de accidentes aéreos por mes.
b) Calcule la probabilidad de que no haya ningún accidente en un mes.
c) De que haya exactamente un accidente en un mes.
d) De que haya más de un accidente en un mes.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

UNIDAD 3: distribuciones de probabilidad

continua
Núcleos Temáticos y Problemáticos
 Distribución de probabilidad uniforme.
 Distribución de probabilidad normal.
 Aproximación normal de las probabilidades binomiales.

Una diferencia fundamental entre las variables aleatorias discretas y las variables
aleatorias continuas es cómo se calculan las probabilidades. En las variables aleatorias
discretas la función de probabilidad f (x) da la probabilidad de que la variable aleatoria
tome un valor determinado. En las variables aleatorias continuas, la contraparte de la
función de probabilidad es la función de densidad de probabilidad, que también se denota
f (x). La diferencia está en que la función de densidad de probabilidad no da
probabilidades directamente. Si no que el área bajo la curva de f (x) que corresponde a
un intervalo determinado proporciona la probabilidad de que la variable aleatoria tome uno
de los valores de ese intervalo. De manera que cuando se calculan probabilidades de
variables aleatorias continuas se calcula la probabilidad de que la variable aleatoria tome
alguno de los valores dentro de un intervalo.

Como cualquier punto determinado el área bajo la gráfica de f (x) es cero, una de las
consecuencias de la definición de la probabilidad de una variable aleatoria continua es
que la probabilidad de cualquier valor determinado de la variable aleatoria es cero.

1. Distribución de probabilidad uniforme

1
{
f ( x )= b−a
para a ≤∧x ≤b
¿ 0 en cualquier caso
Ecuación 3.7

Considere una variable aleatoria x que representa el tiempo de vuelo de un avión que
viaja de Bogotá a Barranquilla. Suponga que el tiempo de vuelo es cualquier valor en el
intervalo de 120 minutos a 140 minutos. Dado que la variable aleatoria x toma cualquier
valor en este intervalo, x es una variable aleatoria continua y no una variable aleatoria
discreta. Admita que cuenta con datos suficientes como para concluir que la probabilidad
de que el tiempo de vuelo esté en cualquier intervalo de 1 minuto es el mismo que la
probabilidad de que el tiempo de vuelo esté en cualquier otro intervalo de 1 minuto dentro
del intervalo que va de 120 a 140 minutos. Como cualquier intervalo de 1 minuto es igual
de probable, se dice que la variable aleatoria x tiene una distribución de probabilidad
uniforme. La función de densidad de probabilidad que define la distribución uniforme de la
variable aleatoria tiempo de vuelo, es

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

1 1
{ ; para 120 ≤∧x ≤140
f ( x )= 140−120 20
0 en cualquier caso

En la siguiente grafica se muestra la función de densidad de probabilidad,

Ejemplo 1: Para el caso anterior del tiempo de vuelo, cual es la probabilidad de que el
tiempo de vuelo se encuentre entre 120 y 130 minutos?

Como el tiempo de vuelo debe estar entre 120 y 140 minutos y la probabilidad es uniforme
en el intervalo de P (120 ≤ x ≤ 130), se tiene entonces que, para calcular el área bajo la
curva que es lo que interesa, solo es necesario hallar el área de un rectángulo como se
puede observar en la gráfica anterior:

Área de un rectángulo = base * altura;

Base = 130 - 120; Base = 10

1
Altura = valor de la función de densidad de probabilidad; Altura = f ( x )=
20

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

10∗1
Área = Base * altura; Área= ; Área = 0.50
20

P (120 ≤ x ≤ 130) = 0.50 o P (120 ≤ x ≤ 130) = 50%

La probabilidad de que el tiempo de vuelo se encuentre entre 120 y 130 minutos es del
50%.

Ejemplo 2: Cuál es la probabilidad de un vuelo entre 128 y 136 minutos?

Base = 136 - 128; Base = 8

1
Altura = valor de la función de densidad de probabilidad; Altura = f ( x )=
20

8∗1
Área = Base * altura; Área= ; Área = 0.40
20

P (128 ≤ x ≤ 136) = 0.40 o P (128 ≤ x ≤ 136) = 40%

La probabilidad de que el tiempo de vuelo se encuentre entre 128 y 136 minutos es del
40%.

1.1. Valor esperado, Varianza, Desviación estándar

El cálculo del valor esperado y de la varianza de una variable aleatoria continua es
análogo al de una variable aleatoria discreta. Las fórmulas para el valor esperado y para
la varianza son:

a+b
E ( x )=
2
Ecuación 3.8

(b−a)2
Var ( x ) = Ecuación 3.9
12

En estas fórmulas a es el menor valor y b es el mayor valor que toma la variable aleatoria.

Ejemplo 3: Determinar el valor esperado, la varianza y la desviación estándar de los

tiempos de vuelo de Bogotá a Barranquilla.

a+b 120+140 260

E ( x )= ; E ( x) = ; E ( x) = ; E ( x ) =130
2 2 2

( b−a )2 ( 140−120 )2 ( 20 )2 400

Var ( x ) = ; Var ( x )= ; Var ( x )= ; Var ( x ) = ;
12 12 12 12

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Var ( x ) =33.333

σ =√ Var (x) ; σ= √33.333 ; σ =5.7735

2. Distribución de probabilidad normal

La distribución normal tiene gran cantidad de aplicaciones prácticas, en las cuales la
variable aleatoria puede ser el peso o la estatura de las personas, puntuaciones de
exámenes, resultados de mediciones científicas, precipitación pluvial u otras cantidades
similares. La distribución normal también tiene una importante aplicación en inferencia
estadística. En estas aplicaciones, la distribución normal describe qué tan probables son
los resultados obtenidos de un muestreo.

2.1. Curva normal

La siguiente grafica muestra la forma de la distribución normal, una curva normal en forma
de campana.

La función de densidad de probabilidad que define la curva en forma de campana de la

distribución normal, es:
2
−(x− μ)
1 2σ
2
Ecuación 4.0
f ( x )= e
σ √2 π

Dónde:

μ=media
σ =desviación estándar
π=3.14159
e=2.71828

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Las siguientes son observaciones importantes acerca de las características de las

distribuciones normales.

1. Toda la familia de distribuciones normales se diferencia por medio de dos parámetros:

la media μ y la desviación estándar σ.
2. El punto más alto de una curva normal se encuentra sobre la media, la cual coincide
con la mediana y la moda.
3. La media de una distribución normal puede tener cualquier valor: negativo, positivo o
cero. A continuación se muestran tres distribuciones normales que tienen la misma
desviación estándar, pero diferentes medias. (-10, 0 y 20).

4. La distribución normal es simétrica, siendo la forma de la curva normal al lado

izquierdo de la media, la imagen especular de la forma al lado derecho de la media.
Las colas de la curva normal se extienden al infinito en ambas direcciones y en teoría
jamás tocan el eje horizontal. Dado que es simétrica, la distribución normal no es
sesgada; su sesgo es cero.
5. La desviación estándar determina qué tan plana y ancha es la curva normal.
Desviaciones estándar grandes corresponden a curvas más planas y más anchas, lo
cual indica mayor variabilidad en los datos. A continuación se muestran dos curvas
normales que tienen la misma media pero distintas desviaciones estándar.

6. Las probabilidades correspondientes a la variable aleatoria normal se dan mediante

áreas bajo la curva normal. Toda el área bajo la curva de una distribución normal es 1.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Como esta distribución es simétrica, el área bajo la curva y a la izquierda de la media

es 0.50 y el área bajo la curva y a la derecha de la media es 0.50.
7. Los porcentajes de los valores que se encuentran en algunos intervalos comúnmente
usados son:
A. 68.3% de los valores de una variable aleatoria normal se encuentran más o menos
una desviación estándar de la media.
B. 95.4% de los valores de una variable aleatoria normal se encuentran más o menos
dos desviaciones estándar de la media.
C. 99.7% de los valores de una variable aleatoria normal se encuentran más o menos
tres desviaciones estándar de la media.

2.2. Distribución de probabilidad normal estándar

Una variable aleatoria que tiene una distribución normal con una media cero y desviación
estándar de uno tiene una distribución normal estándar. Para designar esta variable
aleatoria normal se suele usar la letra z. la siguiente grafica es la gráfica de la distribución
normal estándar. Esta distribución tiene el mismo aspecto general que cualquier otra
distribución normal, pero tiene las propiedades especiales, μ = 0 y σ = 1.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Dado que μ = 0 y σ = 1, la fórmula de la función de densidad de probabilidad normal

estándar es una versión más simple de la ecuación 4.0, la cual queda de la siguiente
manera:
2
−z
1 2
Ecuación 3.8
f (z)= e
√2 π
Los tres tipos de probabilidades que se necesitan calcular son:
1. La probabilidad de que la variable aleatoria normal estándar z sea menor o igual
que un valor dado.
2. La probabilidad de que z esté entre dos valores dados.
3. La probabilidad de que z sea mayor o igual que un valor dado.

Ejemplo 4: calcular la probabilidad de que z sea menor o igual a 1.0.

P( z ≤1.0), para el cálculo de z menor o igual a 1.0, se consultara en la tabla de

distribución de probabilidad norma estándar acumulada, se ubicara del lado izquierdo de
la tabla 1.0 en la columna z y 0,00 en la parte superior de la tabla, donde se crucen 1.0 y
0.00 estará el valor solicitado es decir 0.8413.

P ( z ≤ 1.0 )=0,8413 o 84,13 %

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Ejemplo 5: Calcular la probabilidad de que z sea menor o igual que -0.50 y 1.25.

P(−0.50 ≤ z ≤ 1.25), para el cálculo de esta probabilidad primero se calculara el área bajo
la curva normal a la izquierda de z = 1.25, luego se calculara el área bajo la curva normal
a la izquierda de z = - 0.50 y por último se restaran estos dos resultados para así
encontrar P(−0.50 ≤ z ≤ 1.25).

De tabla se tienen los siguientes resultados:

P( z ≤−0.50) = 0,3085
P( z ≤1.25) = 0,8944

P (−0.50 ≤ z ≤1.25 ) =P ( z ≤1.25 )−P ( z ≤−0.50 )=0.8944−0.3085 ; 0.5859

P (−0.50 ≤ z ≤1.25 ) =0.5859 o 58.59 %

Ejemplo 6: calcular la probabilidad de que z sea mayor o igual a 1.58.

P( z ≥1.58), De tabla se tienen los siguientes resultados:

P ( z ≥ 1.58 )=0.9429 , pero como toda el área bajo la curva es 1, entonces:

P ( z ≥ 1.58 )=1−0.9429=0.0571 o 5.71 %

P ( z ≥ 1.58 )=0.0571 o 5.71 %

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

Ejemplo 7: Se desea saber el valor de z tal que la probabilidad de obtener un valor sea
mayor o igual a 0.10.

Para este caso restamos 1 a la probabilidad dada por el problema:

1−0.10=0.90

El valor obtenido se busca dentro de la tabla de distribución normal acumulada, si el valor

no coincide exactamente con el que se tiene se aproxima a la probabilidad acumulada
más cercana, al leer el valor de z en la columna del lado izquierdo y la parte superior de la
tabla, se obtendrá el valor de z.

z=1.28

Se pude hacer si lo prefiere una interpolación entre los dos datos más cercanos 1.28 y
1.29, para así tener un dato más preciso.

2.3. Cálculo de probabilidades en cualquier distribución de

probabilidad normal

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

La razón por la cual la distribución normal estándar se ha visto de manera tan amplia es
que todas las distribuciones normales son calculadas mediante la distribución normal
estándar. Esto es, cuando distribución normal con una media μ cualquiera y una
desviación estándar σ cualquiera, las preguntas sobre las probabilidades en esta
distribución se responden pasando primero a la distribución normal estándar. Use las
tablas de probabilidad normal estándar y los valores apropiados de z para hallar las
probabilidades deseadas. A continuación se da la fórmula que se emplea para convertir
cualquier variable aleatoria x con media μ y desviación estándar σ en la variable aleatoria
normal estándar z.

x−μ
z= Ecuación 4.1
σ

Ejemplo 8: se tiene una distribución en la que μ=10 y σ =2. Cuál es la probabilidad que la
variable aleatoria x este entre 10 y 14?

Si x=10

x−μ 10−10 0
z= ; z= ; z= ; z=0
σ 2 2

Si x=14

x−μ 14−10 4
z= ; z= ; z= ; z=2
σ 2 2
P(0 ≤ z ≤ 2)

Usando la tabla de probabilidad normal acumulada se tiene:

P ( z ≤ 0 )=0,50

P ( z ≤ 2 )=0,9772

P ( 0 ≤ z ≤2 ) =P ( z ≤2 ) −P ( z ≤0 ) ; P ( 0 ≤ z ≤2 ) =0,9772−0,50 ; P ( 0 ≤ z ≤2 ) =0,4772

P ( 0 ≤ z ≤2 ) =0,4772 o 47,72 %

La probabilidad de x se encuentre entre 10 y 14 es del 47,72%.

3. Aproximación normal de las probabilidades

binomiales
Recuerde que un experimento binomial consiste en una serie de n ensayos idénticos e
independientes, habiendo para cada ensayo dos resultados posibles, éxito o fracaso. La
probabilidad de éxito en un ensayo es la misma que en cualquier otro de los ensayos y se

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

denota p. La variable aleatoria binomial es el número de éxitos en n ensayos y lo que se

quiere saber es la probabilidad de x éxitos en n ensayos.

La evaluación de una función de probabilidad binomial, a mano o con una calculadora, se

dificulta cuando el número de ensayos es muy grande. En los casos en que np ≥ 5y
n(1− p)≥ 5, la distribución normal proporciona una aproximación a las probabilidades
binomiales que es fácil de usar. Cuando se usa la aproximación normal a la binomial, en
la definición de la curva normal:

μ=np Ecuación 4.2

σ =√ np(1−p) Ecuación 4.3

Ejemplo 9: suponga que una empresa sabe por experiencia que 10% de sus facturas
tienen algún error. Toma una muestra de 100 facturas y desea calcular la probabilidad de
que 12 de estas facturas contengan algún error.

Si se aplican las ecuaciones 4.2 y 4.3 para la aproximación norma se tiene:

μ=np ; μ=( 100∗0.1 ) ; μ=10

σ =√ np(1−p) ; σ =√100∗0.1∗(1−0.1); σ =√ 100∗0.1∗0.9 ; σ= √ 9 ; σ =3

Para aproximar la probabilidad binomial de 12 éxitos se calcula el área correspondiente

bajo la curva normal entre 11.5 y 12.5, es decir se le suma y se le resta 0.5 al 12. Así,
P( x=12), de una distribución discreta se aproxima mediante P(11.5 ≤ x ≤ 12.5) en la
distribución continua.
Si x = 12.5, entonces:

x−μ 12.5−10 2.5

z= ; z= ; z= ; z=0.8333
σ 3 3

Si x = 11.5, entonces:

x−μ 11.5−10 1.5

z= ; z= ; z= ; z=0.5
σ 3 3

Usando la tabla de probabilidad normal acumulada se tiene:

P ( z ≤ 0.8333 )=0,7967

P ( z ≤ 0.5 )=0,6915

P ( 0.5 ≤ z ≤0.8333 ) =P ( z ≤ 0.5 )−P ( z ≤ 0.8333 ) ; P ( 0 ≤ z ≤ 2 )=0.6915−0.7967 ;

P ( 0 ≤ z ≤2 ) =0,1052 o10.52 %

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

La probabilidad de que en una muestra de 100 facturas se tengan 12 facturas con erro es
del 10.52%.

4. Distribución de probabilidad exponencial

La distribución de probabilidad exponencial se aplica a variables como las llegadas de
automóviles a un lavado de coches, los tiempos requeridos para cargar un camión, las
distancias entre dos averías en una carretera, etc. A continuación se da la función de
densidad de probabilidad exponencial y la fórmula para calcular la probabilidad de una
distribución acumulada.
−x
1 μ
f ( x )= e para x ≥ 0 , μ >0 Ecuación 4.4
μ
− x0

P( x ≤ x 0 )=1−e μ Ecuación 4.5

Ejemplo 10: el tiempo medio o promedio que se requiere para cargar un camión en el área
de carga de un almacén es de 15 minutos, cual es la probabilidad de cargar un camión
necesite 6 minutos o menos, 18 minutos o menos, el cargue este entre 6 y 18 minutos.

Para poder determinar las probabilidades anteriores se usara la ecuación 4.5, de la

siguiente manera:

Si X0 = 6, entonces:
−x 0 −6
μ 15
P ( x ≤ x 0 )=1−e ; P ( x ≤ 6 ) =1−e ; P ( x ≤6 )=1−e−0.4 ;

P ( x ≤ 6 )=1−0.6703 ; P ( x ≤6 )=0.3296 o 32.96 %

La probabilidad para que un camión sea cargado en 6 minutos o menos en la zona de

carga es de 32.96%.

Si X0 = 18, entonces:
−x 0 −18
μ 15
P ( x ≤ x 0 )=1−e ; P ( x ≤ 18 )=1−e ; P ( x ≤ 18 )=1−e−1.2 ;

P ( x ≤ 18 )=1−0.3011 ; P ( x ≤ 18 ) =0.6988 o 69.88

La probabilidad para que un camión sea cargado en 18 minutos o menos en el área de

carga es de 69.88%.

Cargue entre 6 y 18 minutos:

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

P ( 6 ≤ x ≤18 ) =P ( x ≤18 )−P ( x ≤ 6 ) ; P ( 6 ≤ x ≤ 18 )=0.6988−0.3269 ;

P ( 6 ≤ x ≤18 ) =0.3719 o 37.19

La probabilidad para que un camión sea cargado entre 6 y 18 en la zona de carga es de

37.19%.

Proceso de comprensión y análisis

1. La variable aleatoria x está distribuida uniforme entre 1.0 y 1.5.
A. De la gráfica de la función de densidad de probabilidad.
B. Calcule P(x=1.25)
C. Calcule P(1.0 ≤ x ≤ 1.25)
D. Calcule P(1.20< x <1.25)

2. La variable aleatoria x está distribuida uniforme entre 10 y 20.

A. De la gráfica de la función de densidad de probabilidad.
B. Calcule P(x <1.25)
C. Calcule P(12 ≤ x ≤18)
D. Calcule E( x )
E. Calcule Var ( x )

3. La mayoría de los lenguajes de computadora tienen una función para generar

números aleatorios. En Excel, la función ALEATORIO se usa para generar
números aleatorios entre 0 y 1. Si x denota un número aleatorio generado
mediante ALEATORIO, entonces x es una variable aleatoria continua, cuya
función de densidad de probabilidad es la siguiente:

f ( x )= 1 para 0≤∧x ≤ 1
{
0 en cualquier caso

NOTAS Y COMENTARIOS
A. Haga la gráfica de la función de densidad de probabilidad.
B. ¿Cuál es la probabilidad de generar un número aleatorio entre 0.25 y 0.75?
C. ¿De generar un número aleatorio menor o igual que 0.30?
D. ¿De generar un número aleatorio mayor o igual que 0.60?
E. Genere 50 números aleatorios ingresando = ALEATORIO() en 50 celdas de una
hoja de cálculo de Excel.
F. Calcule la media y la desviación estándar de los números del inciso anterior.

4. En las botellas de un detergente líquido se indica que el contenido es de 12 onzas

por botella. En la operación de producción se llenan las botellas uniformemente de
acuerdo con la siguiente función de densidad de probabilidad.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

f ( x )= 8 para 11.975 ≤∧x ≤12.100

{ 0 en cualquier caso

A. ¿Cuál es la probabilidad de que el contenido de una botella esté entre 12 y 12.05

onzas?
B. ¿De que el contenido de una botella sea 12.02 onzas o más?
C. En el control de calidad se acepta que una botella sea llenada con más o menos
0.02 onzas de lo indicado en la etiqueta. ¿Cuál es la probabilidad de que una de
las botellas de detergente no satisfaga estos estándares?

5. Dibuje la gráfica de la distribución normal estándar. Etiquete el eje horizontal con

los valores -3, -2, -1, 0, 1, 2 y 3. Use la tabla de probabilidades de la distribución
normal estándar para calcular las probabilidades siguientes:
A. P( z ≤1.5)
B. P( z ≤1)
C. P ( 1≤ z ≤ 1.5 )
D. P(0< z<2.5)

6. Dado que z es la variable normal estándar, calcule las probabilidades siguientes:

A. P(0 ≤ z ≤ 0.83)
B. P (−1.57 ≤ z ≤0 )
C. P( z >0.44)
D. P( z ≥−0.23)
E. P ( z<1.20 )
F. P( z ≤−0.71)

7. Dado que z es la variable normal estándar, calcule las probabilidades siguientes:

A. P (−1.98 ≤ z ≤0.49 )
B. P(0.52 ≤ z ≤1.22)
C. P (−1.75≤ z ≤−1.04 )

8. Dado que z es la variable normal estándar, encuentre z en cada una de las

situaciones siguientes:
A. El área a la izquierda de z es 0.9750.
B. El área entre 0 y z es 0.4750.
C. El área a la izquierda de z es 0.7291.
D. El área a la derecha de z es 0.1314.
E. El área a la izquierda de z es 0.6700.
F. El área a la derecha de z es 0.3300.

9. Dado que z es la variable normal estándar, halle z en cada una de las situaciones
siguientes:
A. El área a la izquierda de z es 0.2119
B. El área entre -z y z es 0.9030.
C. El área entre -z y z es 0.2052.
D. El área a la izquierda de z es 0.9948.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

10. Dado que z es la variable normal estándar, encuentre z en cada una de las
situaciones siguientes:
A. El área a la derecha de z es 0.01.
B. El área a la derecha de z es 0.025.
C. El área a la derecha de z es 0.05.
D. El área a la derecha de z es 0.10.

11. El precio promedio de las acciones que pertenecen a S&P500 es de $30 y la

desviación estándar es $8.20. Suponga que los precios de las acciones están
distribuidos normalmente.
A. ¿Cuál es la probabilidad de que el precio de las acciones de una empresa sea por
lo menos de $40?
B. ¿De que el precio de las acciones de una empresa no sea mayor a $20?
C. ¿De cuánto deben ser los precios de las acciones de una empresa para que esté
entre las 10% mejores?

12. En enero de 2003 un empleado pasaba, en promedio, 77 horas conectado a

Internet durante las horas de trabajo. Suponga que la media poblacional es 77
horas, tiempos que están distribuidos normalmente y que la desviación estándar
es 20 horas.
A. ¿Cuál es la probabilidad de que en enero de 2003 un empleado seleccionado
aleatoriamente haya pasado menos de 50 horas conectado a Internet?
B. ¿Qué porcentaje de los empleados pasó en enero de 2003 más de 100 horas
conectado a Internet?
C. Un usuario es clasificado como intensivo si se encuentra en el 20% superior de
uso. ¿Cuántas horas tiene un empleado que haber estado conectado a Internet en
enero de 2003 para que se le considerara un usuario intensivo?

13. La tasa de remuneración media por hora para administrativos financieros en una
determinada región es $32.62 y la desviación estándar es $2.32. Suponga que
estas tasas de remuneración están distribuidas normalmente.
A. ¿Cuál es la probabilidad de que un directivo financiero tenga una remuneración
entre $30 y $35 por hora?
B. ¿Qué tan alta debe ser la remuneración por hora para que un directivo financiero
tenga un pago 10% superior?
C. ¿Cuál es la probabilidad de que la remuneración por hora de un directivo
financiero sea menos de $28 por hora?

14. El volumen de negociaciones en la Bolsa de Nueva York es más intenso en la

primera media hora (en la mañana temprano) y la última media hora (al final de la
tarde) de un día de trabajo. A continuación se presentan los volúmenes (en
millones de acciones) de 13 días de enero y febrero.

214; 163; 265; 194; 180; 202; 198; 212; 201; 174; 171; 211; 211.

La distribución de probabilidad de los volúmenes de negociaciones es aproximadamente

normal.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

A. Calcule la media y la desviación estándar a usar como estimaciones de la media y

de la desviación estándar de la población.
B. ¿Cuál es la probabilidad de que, en un día elegido al azar, el volumen de
negociaciones en la mañana temprano sea superior a 180 millones de acciones?
C. ¿Cuál es la probabilidad de que, en un día elegido al azar, el volumen de
negociaciones en la mañana temprano sea superior a 230 millones de acciones?
D. ¿Cuántas acciones deberán ser negociadas para que el volumen de
negociaciones en la mañana temprano de un día determinado pertenezca al 5%
de los días de mayor movimiento?

15. En una distribución de probabilidad binomial con p=0.20 y n=100.

A. ¿Cuál es la media y la desviación estándar?
B. ¿En esta situación las probabilidades binomiales pueden ser aproximadas por la
distribución de probabilidad normal? Explique.
C. ¿Cuál es la probabilidad de exactamente 24 éxitos?
D. ¿Cuál es la probabilidad de 18 a 22 éxitos?
E. ¿Cuál es la probabilidad de 15 o menos éxitos?

16. El presidente propuso eliminar los impuestos sobre los dividendos que pagan los
accionistas debido a que esto resulta en un doble pago de impuestos. Las
ganancias que se usan para pagar los dividendos ya han sido grabadas. En un
sondeo sobre este tema se encontró que 47% de los ciudadanos estaban a favor
de esta propuesta. La posición de los partidos políticos era 64% de los rojos y 29%
de los azules a favor de la propuesta. Suponga que 250 ciudadanos se reúnen
para una conferencia acerca de la propuesta.
A. ¿Cuál es la probabilidad de que por lo menos la mitad del grupo esté a favor de la
propuesta?
B. Más tarde se entera de que en el grupo hay 150 rojos y 100 azules. Ahora, ¿cuál
es su estimación del número esperado a favor de la propuesta?
C. Ahora que conoce la composición del grupo, ¿cree que un conferencista a favor de
la propuesta sea mejor recibido que uno que este encontrar de la propuesta?

17. Cuando usted firma un contrato para una tarjeta de crédito, ¿lee cuidadosamente
el contrato? En un sondeo se le preguntó a las personas “¿Qué tan
cuidadosamente lee usted un contrato para una tarjeta de crédito?” Los hallazgos
fueron que 44% leen cada palabra, 33% leen lo suficiente para entender el
contrato, 11% sólo le echa una mirada y 4% no lo leen en absoluto.
A. En una muestra de 500 personas ¿cuántas esperaría usted que responda que
leen cada palabra de un contrato para una tarjeta de crédito?
B. En una muestra de 500 personas ¿cuál es la probabilidad de que 200 o menos
digan que leen cada palabra de un contrato para una tarjeta de crédito?
C. En una muestra de 500 personas ¿cuál es la probabilidad de que por lo menos 15
digan que no leen en absoluto un contrato para una tarjeta de crédito?

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia

ESTADISTICA II

BIBLIOGRAFÍA GENERAL

 BERNAL V. Miguel. Estadística Descriptiva: J. Elaboración y Presentación de

Datos Universidad de Pamplona, 1987.
 GALLARDO, Yolanda. Estadística: Programa de Sicología Universidad de
Pamplona. 1997.
 Anderson Davis R, Dennis J, William Thomas. Estadística para administración y
economía 10ª edición, 2008.
 MARTÍNEZ BENCARDINO, Ciro. Estadística Comercial. Bogotá: Norma, 1981.
 MORENO GARZÓN, Adonay. Serie aprender a investigar: Recolección de la
información. Cali: ICFES, 1995.
 PARZEN, Emmanuel. Teoría Moderna de Probabilidades y sus Aplicaciones
México: LIMUSA, 1991.
 PEÑA SÁNCHEZ, Damel. Estadística Modelos y Métodos I. Fundamentos.
Madrid: Alianza editorial, 1986.
 PORTUS GOVINDEN. Lincoyán. Curso Práctico de Estadística. Bogotá:
McGRAW - Hill, 1986.
 SPIEGEL Murria R. Estadística. Madrid: McGraw Hill, 1993.

UNIVERSIDAD DE PAMPLONA –Facultad de Estudios a Distancia