“Año del Fortalecimiento de la Soberanía

Nacional”

UNIVERSIDAD NACIONAL “SANTIAGO ANTÚNEZ

DE MAYOLO”
FACULTAD DE CIENCIAS
ESCUELA DE ESTADÍSTICA E INFORMÁTICA

Asignatura: Cálculo de probabilidades

Docente: Arce Zuñiga Fernando Raúl

Tema: Monografía Cálculo de probabilidades

Autor: Hidalgo Nolasco Tedy Alejandro

2022
 INDICE
RESUMEN………………………………………………………………6
ABSTRACT………………………………………………………………7
INTRODUCCIÓN ………………………………………………………8
Capítulo I
1. Probabilidad de un evento...............................................................................................
1.1. Experimento aleatorio, espacio muestral, eventos, algebra de
eventos y técnicas de conteo..................................................................................................
1.1.2. ESPACIO MUESTRAL................................................................................................9
1.1.3. EVENTOS...................................................................................................................10
1.1.4. ALGEBRA DE EVENTOS.........................................................................................10
1.1.5. TÉCNICAS DE CONTEO...........................................................................................13
1.2. Probabilidad de un evento (definición, axiomas y teoremas) y la
probabilidad de espacio muestral infinito............................................................................
1.2.1. PROBABILIDAD DE UN EVENTO..........................................................................18
1.2.2. PROBABILIDAD DE ESPACIO MUESTRAL..........................................................22
1.3. Probabilidad condicional. Teorema de la probabilidad Total.
Teorema de Bayes................................................................................................................
1.3.1. PROBABILIDAD CONDICIONAL...........................................................................23
1.3.2. TEOREMA DE LA PROBABILIDAD TOTAL.........................................................25
1.3.3. TEOREMA DE BAYES..............................................................................................26
1.4. INDEPENDENCIA DE EVENTOS.........................................................................
Capítulo II
2. Variables aleatorias........................................................................................................
2.1. Variables aleatorias discretas, función de cuantía y de distribución.........................
2.1.1. VARIABLES ALEATORIAS DISCRETAS...............................................................29
2.1.2. FUNCIÓN DE CUANTÍA...........................................................................................30
2.1.3. FUNCIÓN DE DISTRIBUCIÓN.................................................................................31
2.2. Variables aleatorias continuas, función de densidad y de
distribución...........................................................................................................................
2.2.1. VARIABLES ALEATORIAS CONTINUAS..............................................................32
2.2.2. FUNCION DE DENSIDAD........................................................................................33
2.2.3. FUNCION DE DISTRIBUCIÓN.................................................................................34
2.3. Esperanza, varianza y coeficiente de variación de variables
aleatorias discretas y continuas............................................................................................
2.3.1. ESPERANZA..............................................................................................................35
2.3.2. VARIANZA................................................................................................................37
2.3.3. COEFICIENTE DE VARIACIÓN DE VARIABLES ALEATORIAS DISCRETAS Y
CONTINUAS..............................................................................................................................39
Capítulo III
3. Distribuciones de probabilidad......................................................................................
3.1. Variables aleatorias Bidimensionales, funciones marginales,
coeficiente de correlación, Momentos. Función Generatriz de momentos..........................
3.1.1. VARIABLES ALEATORIAS BIDIMENSIONALES................................................................41
3.1.2. FUNCIONES MARGINALES....................................................................................45
3.1.3. COEFICIENTE DE CORRELACIÓN.........................................................................46
3.1.4. MOMENTOS..............................................................................................................47
3.1.5. FUNCIÓN GENERATRÍZ DE MOMENTOS............................................................47
3.2. Distribución de probabilidad discretas......................................................................
3.2.1. DISTRIBUCIÓN UNIFORME....................................................................................48
3.2.2. DISTRIBUCIÓN BERNOULLI..................................................................................49
3.2.3. DISTRIBUCIÓN BINOMIAL.....................................................................................50
3.2.4. DISTRIBUCION GEOMÉTRICA...............................................................................51
3.2.5. DISTRIBUCIÓN BINOMIAL NEGATIVA...............................................................52
3.2.6. DISTRIBUCIÓN HIPERGEOMÉTRICA...................................................................53
3.2.7. DISTRIBUCIÓN DE POISSION................................................................................54
3.2.8. DISTRIBUCIÓN MULTINOMIAL............................................................................55
3.3. Distribuciones de probabilidad continuas.................................................................
3.3.1. DISTRIBUCIÓN UNIFORME....................................................................................56
3.3.2. DISTRIBUCIÓN EXPONENCIAL.............................................................................57
3.3.3. DISTRIBUCIÓN NORMAL.......................................................................................58
Capítulo IV
4. Distribuciones muestrales y de muestras pequeñas.....................................................
4.1. Desigualdad de chebyshev. Ley de los grandes números,
Propiedad Reproductiva de la Distribución Normal, Aproximaciones con
la Distribución Normal. Teorema del Limite Central..........................................................
4.1.1. DESIGUALDAD DE CHEBYSHEV..........................................................................61
4.1.2. LEY DE LOS GRANDES NÚMEROS.......................................................................62
4.1.3. PROPIEDAD REPRODUCTIVA DE LA DISTRIBUCIÓN NORMAL....................62
4.1.4. APROXIMACIONES CON LA DISTRIBUCIÓN NORMAL....................................63
4.1.5. TEOREMA DEL LIMITE CENTRAL........................................................................65
4.2. Distribuciones Muestrales.........................................................................................
4.2.1. DISTRIBUCIÓN DE LA MEDIO MUESTRAL.........................................................66
4.2.2. DISTRIBUCIÓN DE LA PROPORCIÓN MUESTRAL.............................................67
4.3. Distribuciones de Muestras Pequeñas.......................................................................
4.3.1. CHI CUADRADO.......................................................................................................68
 4.3.2. T DE STUDENT.........................................................................................................70
4.4. [Link] DE TABLAS.......................................................................................................72
5. DISCUSIÓN....................................................................................................................
5.1. Solución de Problemas Capitulo 1.........................................................................
5.1.1. Probabilidad de un evento............................................................................................77
5.1.2. Probabilidad total.........................................................................................................78
5.1.3. Teorema de Bayes........................................................................................................79
5.1.4. Independencia de eventos...........................................................................................80
5.2. Solución de Problemas Capitulo 2.........................................................................
5.2.1. Variables aleatorias discretas.......................................................................................81
5.2.2. Variables aleatorias continuas......................................................................................82
5.2.3. Coeficiente de variación de variables aleatorias Discretas y Continuas.......................83
5.3. Solución de Problemas Capitulo 3.........................................................................
5.3.1. Variables aleatorias bidimensionales discretas.............................................................84
5.3.2. Variables aleatorias bidimensionales continuas...........................................................86
5.3.3. Distribución Binomial..................................................................................................87
5.3.4. Distribución Geométrica..............................................................................................88
5.3.5. Distribución Binomial Negativa...................................................................................88
5.3.6. Distribución Hipergeométrica......................................................................................89
5.3.7. Distribución de Poisson...............................................................................................90
5.3.8. Distribución Multinomial.............................................................................................90
5.3.9. Distribución Exponencial.............................................................................................91
5.3.10. Distribución Normal....................................................................................................91
5.4. Solución de Problemas Capitulo 4.........................................................................
5.4.1. Aproximaciones con la distribución Normal “Binomial”.............................................93
5.4.2. Aproximaciones con la distribución Normal “Poisson”...............................................94
5.4.3. Aproximaciones con la distribución Normal “Hipergeométrica”.................................95
5.4.4. Distribución medio muestral........................................................................................95
5.4.5. Chi Cuadrado...............................................................................................................96
5.4.6. T de Student.................................................................................................................98
6. CONCLUSIONES..........................................................................................................
6.1. Problemas Propuestos Capítulo 1..........................................................................
6.1.1. Probabilidad de un evento............................................................................................99
6.1.2. Probabilidad total.......................................................................................................100
6.1.3. Teorema de Bayes......................................................................................................100
6.1.4. Independencia de eventos..........................................................................................101
 6.2. Problemas Propuestos Capítulo 2........................................................................
6.2.1. Variables aleatorias discretas.....................................................................................102
6.2.2. Variables aleatorias continuas....................................................................................103
6.2.3. Coeficiente de variación de variables aleatorias Discretas y Continuas.....................104
6.3. Problemas Propuestos Capítulo 3........................................................................
6.3.1. Variables aleatorias bidimensionales discretas...........................................................104
6.3.2. Variables aleatorias bidimensionales continuas......................................................
6.3.3. Distribución Binomial................................................................................................106
6.3.4. Distribución Geométrica............................................................................................106
6.3.5. Distribución Binomial Negativa.................................................................................107
6.3.6. Distribución Hipergeométrica....................................................................................107
6.3.7. Distribución de Poisson.............................................................................................107
6.3.8. Distribución Multinomial...........................................................................................108
6.3.9. Distribución Exponencial...........................................................................................108
6.3.10. Distribución Normal..................................................................................................109
6.4. Propuestos Capítulo 4...........................................................................................
6.4.1. Aproximaciones con la distribución Normal “Binomial”...........................................109
6.4.2. Aproximaciones con la distribución Normal “Poisson”.............................................110
6.4.3. Aproximaciones con la distribución Normal “Hipergeométrica”...............................110
6.4.4. Distribución medio muestral......................................................................................111
6.4.5. Chi Cuadrado.............................................................................................................111
6.4.6. T de Student...............................................................................................................112
7. BIBLIOGRAFIA……………………………………………………113
RESUMEN
La probabilidad es muy importante para algún suceso o evento aleatorio que ocurra y
entender su concepto te dará una mejor versión de cómo puede tener un suceso que puede ser
imposible o un evento que sea más seguro, teniendo en cuenta que no solo se puede dar a
través de un solo evento sino de varios, obteniendo conjuntos con diversos elementos que
pueden ser un gran aporte para ello, porque se puede unir, tener su intersección, su diferencia
simétrica y tener el complemento de alguna probabilidad que tengamos, o tener algunas
variables aleatorias que pueden ser hecho al azar o mejor dicho con suerte, dividiéndose en
dos partes que son las discretas y continuas, sirviendo ambos para diferentes hechos teniendo
también algún valor esperado que quisiéramos y su coeficiente de variación que nos ayudara
a determinar si el hecho es el correcto para tomarlo o no, o las variables bidimensionales
donde se da a un individuo que estará definido con dos caracteres que tienen relación entre sí,
pudiendo ser estos independientes y otras dependientes, sobre todo en las distribuciones que
son la parte más importante de la estadística ya sea de forma discreta o continua que se puede
aplicar de mejor manera en nuestra vida cotidiana, teniendo diversas aproximaciones gracias
a la distribución normal que es el más importante de todas las distribuciones ya que te dará lo
necesario para entender cómo se dan las aproximaciones de espacios que pueden ser extensos
siendo muestrales o poblacionales, sabiendo utilizar las tablas de cada distribución, para ver
cómo se puede facilitar el trabajo tan extenso que pudiéramos tener.

6
ABSTRACT
Probability is very important for some event or random events that occurs. Understanding its
concept will allow you a better version of how you can have an event that may be impossible
or an event that is safer, taking into account that it cannot only be given to through a single
event if not several events, obtaining sets with various elements that can be a great
contribution to this, because it can be joined, have its intersection, its symmetric difference
and have the complement of some probability that we have, or have some random variables
that can be done at random or better said with luck, dividing into two parts that are the
discrete and continuous, serving both for different events also having some expected value
that we would like and its coefficient of variation that will help us determine if the event is
the correct to take it or not, or the two-dimensional variables where an individual is given that
will be defined with two characters that are related to each other. These can be independent
and other dependent, especially in the distributions that are the most important part of the
statistic, either in a discrete or continuous way that can be applied in a better way in our daily
lives, having different approximations thanks to the normal distribution. The which is the
most important of all the distributions since it will give you what you need to understand how
the approximations of spaces are given that can be extensive, being sample or population.
Knowing how to use the tables of each distribution, to see how you can facilitate the work so
extensive that we could have.

7
INTRODUCCION
Muchas veces no sabemos lo importante que puede ser el tener la probabilidad de un
acontecimiento ya que todo puede suceder al azar, mayormente se puede ver cuando hacemos
apuestas y le damos todo a nuestra suerte para poder ganar, imagínate el saber cómo podrías
ganar o tener altos porcentajes de hacerlo con tomar solo una decisión, y es que las
probabilidades pueden hacer que eso ocurra, ya que vivimos en un mundo donde todo ocurre
es al azar donde no sabes lo que puede y no puede suceder, sepamos a tomar medidas o
buenas decisiones dependiendo del porcentaje que tengamos y dado esto por las
probabilidades, dándonos esa seguridad ya sea en un juego de cartas o en el momento de
decidir qué hacer con tu empresa o cómo va el rendimiento, siempre hay que tomar lo
necesario para nuestra vida porque muchos no le toman importancia a lo que tienen
alrededor y solo lo ven como suerte o mala suerte sin saber que se puede cambiar eso, y es
que todo está dado por una probabilidad y es justo por ello que se requiere darnos
conocimiento acerca de los temas tan variados que tiene, saber cómo poder utilizarlo en
diversas ramas que hay y de una forma adecuada para prosperar, y determinar de manera
analítica las cosas que nos traen dificultades o no sepamos qué hacer en el momento, por
ende se presentara el siguiente trabajo que dará a conocer datos importantes sobre las
probabilidades, ya sea de un evento, de manera aleatoria, o de forma bidimensional, sacando
nuestras propias conclusiones y poder aplicar cada formula en nuestra vida cotidiana según lo
que vayas a requerir.

8
 Capítulo 1

1. Probabilidad de un evento

1.1. Experimento aleatorio, espacio muestral, eventos, algebra de

eventos y técnicas de conteo.
1.1.1. EXPERIMENTO ALEATORIO
Es aquel que produce resultados diferentes de un fenómeno aleatorio los cuales tienen que ser
posibles, analizándolo y dando conclusiones sobre su comportamiento, siendo así que trataría
del estudio de diversas situaciones que son dominadas por las leyes del azar.

Ejemplos

 Extraer un artículo de un lote que contiene artículos defectuosos (A) y no defectuosos

(B).
 Designar un delegado de un grupo de 30 estudiantes.
 De una urna que contiene bolas blancas y negras se escoge una y se anota su color.
 Contar el número de vehículos que llegan a una estación de servicio en un día.
 Extraer un caramelo de una bolsa de caramelos de fresa y menta

1.1.2. ESPACIO MUESTRAL

Al conjunto de los resultados posibles de un experimento aleatorio E se le denomina espacio
muestral, siendo representada como símbolo con la letra griega omega  o latina S.
Además, podemos tomar en cuenta que a cada resultado se le llama elemento o miembro del
espacio muestral.
Ejemplos
 Al lanzar una pelota a una canasta se sabe que la pelota puede entrar (A) y que la
pelota no entre (B)
= {A, B} 
 Cuando se lanza una moneda puede salir cara (C) o sello (S)
= {C, S} 
 Girar una rueda de la fortuna con números del uno al 10
= {1; 2; 3; 4; 5; 6; 7; 8; 9; 10} 
 Elegir de un grupo de 2 niños (A) y 2 niñas (B) a dos de ellos
= {AB, AA, BB, BA}

9
1.1.3. EVENTOS
Se le llama evento a cualquier subconjunto del espacio muestral, en el que el subconjunto
representa la totalidad de los elementos para los que el evento es cierto, también es denotado
por A, B, C, D, E, etc. Teniendo así que si A es un evento entonces A   y se le llamara
suceso a todo elemento de un espacio muestral; para ello podremos decir que si tomamos al
evento A como el resultado de que al lanzar un dado salga un número primo saldría como A=
1; 3; 5, y el espacio muestral seria  = 1; 2; 3; 4; 5; 6.
Además, hay que tener en cuenta que w es un evento elemental y que es diferente al suceso
w eso dicho por la teoría de los conjuntos, mostrando que  y  también son considerados
eventos.
Ejemplos
 Se lanza al aire dos veces una moneda considerando su espacio muestral que es 
A=CC, CS, SC, SS.
 Al lanzar un dado se dé un número par
A=2; 4; 6 .
 Extraer un caramelo de una bolsa de caramelos de fresa y menta, y este sea de fresa
A=F
1.1.4. ALGEBRA DE EVENTOS
En los eventos del espacio muestral se le puede añadir que para poder identificar al conjunto
vacío como  el cual es un evento imposible, puede ser, por ejemplo, al querer obtener la
suma de dos dados y este salga 21 el cual sería un evento imposible. También podríamos
tener en cuenta que al espacio muestral se le llama evento seguro. Pero se puede hacer
operaciones con la teoría de conjuntos en el lenguaje de eventos.
OPERACIONES CON EVENTOS
1.- Sub eventos: Al tener dos eventos A y B se dice que A está contenido en B y esta
denotado por A  B si todo suceso que es favorable de A, es favorable a B.
Ejemplo
Al lanzar una moneda hasta que ocurra cara y contar el número de lanzamientos de la moneda
se define los eventos como:
A: Se necesita por lo menos 15 lanzamientos. B: Se necesita más de 5 lanzamientos.
 = 1; 2; 3; 4; 5; ….
A= 15; 16; 17; ….
B= 6; 7; 8; … es así que A  B

10
2.- Unión de eventos: Si tomamos A y B dos eventos que son de un mismo espacio muestral
 se le denominara (A U B) al evento formado por los sucesos que pertenecen A o B o a
ambos, mejor dicho, si ocurre el evento A o B o ambos expresado por:
AB = w  / w  A, o w  B
Ejemplo
Si A = 2; 4; 6; 8 y B= 1; 3; 5; 7 la
unión de los dos conjuntos seria:
AB = 1; 2; 3; 4; 5; 6; 7;
8
3.- Intersección de eventos: Si tenemos dos eventos A y B que pertenecen ambos al mismo
espacio muestral , se le llamara intersección de A y B y se denota como AB o AB al
evento formado por los sucesos favorables en A y B. Quiere decir que ambos eventos ocurren
al mismo tiempo, siendo expresado
como:
AB =  w  / w  A y w  B 

Ejemplo
Si A=2; 4; 6; 8 y B= 2; 4; 5; 7 la intersección de los dos conjuntos seria:
AB = 2; 4
4.-Diferencia de eventos: Si tenemos dos eventos A y B que son del mismo espacio muestral
, se le llamará diferencia de A menos B, y será denotado por A-B, al evento formado por
los sucesos favorables de A que no son favorables en B, siendo expresado como:
A-B = w  / w  A, w  B
B-A = w  / w  A, w  B

A-B B-A
Ejemplo
Al lanzar una moneda hasta que ocurra cara y contar con el número de lanzamiento de la
moneda se tiene los siguientes eventos:
A: Se tiene por lo menos 10 lanzamientos.

11
B: Se tiene más de 5 lanzamientos
A= 15; 16; 17; ….
B= 6; 7; 8; …
A-B= 15; 16; 17; …
B-A= 6; 7; 8; …
5.- Diferencia simétrica: Si tenemos dos eventos A y B del mismo espacio muestral , se le
llamara diferencia simétrica de A y B, al que se denotara por A  B, al evento formado por
los sucesos favorables de la unión de los eventos A y B, menos los sucesos favorables de la
intersección de ambos eventos, siendo expresado como:
B = w  / w  (AB), w  AB

AB AB
Ejemplo
Sea A=1; 4; 9; 16; 25; 26…  como el conjunto de cuadrados perfectos
Sea B=1; 3; 5; 7; 9; 11... como el conjunto de los números impares
A  B =3; 4; 5; 7...
Leyes de operaciones de conjuntos
1.- Ley de idempotencia:
A A = A, A A = A
2.- Ley asociativa
(AB) C = A(B C) (AB) C = A(B C)
3.- Ley conmutativa
(AB = (BA) (AB) = (BA)
4.- Ley distributiva
A(BC) = (AB) (AC) A (BC) = (AB)(AC)
5.- Ley de identidad
A = A A  = 
A =  A  = A

12
6.- Leyes del complemento
A Ac =  A Ac = 
( Ac ¿c = A ❑=,
c
❑=
c

7.- Leyes de Morgan

(AB¿c = Ac  Bc (AB¿c = Ac  B
8.- Producto cartesiano
Dado los conjuntos A y B, se le llama producto cartesiano de A con B, denotado A x B, al
conjunto de pares ordenados en lo que sus primeros elementos pertenecen a A y los segundos
elementos pertenecen a B, dado por la expresión:
A x B = (w 1, w 2) w 1 A y w 2 B) 
1.1.5. TÉCNICAS DE CONTEO
Cuando estamos interesados en conocer solo el número de elementos que tiene algún espacio
muestral o de algún evento en particular, se usara las técnicas de conteo, para no tener que
expresarlo de forma muy extensiva el espacio muestral o los eventos.
Principio de la Multiplicación
Si un experimento aleatorio A ocurre de n formas y si para cada una de estas esta designado
un experimento B que ocurre de m formas, entonces los dos experimentos ocurren (n x m)
maneras y tomando en cuenta que para que se aplique el principio de la multiplicación se
deben realizar ambos experimentos uno seguido del otro simultáneamente.
Ejemplo
Al querer saber el espacio muestral del experimento aleatorio de lanzar una moneda y un
dado simultáneamente. La moneda estaría ocurriendo de 2 formas, n=2 y el dado estaría
ocurriendo de 6 maneras, m=6. Por lo tanto, ambos ocurren de manera simultánea y se daría
como n x m el cual seria 2 x 6 = 12 formas diferentes, siendo este el espacio muestral
Principio de la Adición
Si tenemos un experimento designado como A que se pueda realizar de n maneras y un
segundo experimento designado como B que se puede realizar de m maneras, en el cual, si
ambos no se pueden realizar juntos tanto A y B, entonces las maneras posibles que se puede
realizar son de A o B ósea de (n + m) maneras.

13
Ejemplo
Si consideramos lanzar un dado o una moneda tendríamos que al lanzar una moneda estaría
ocurriendo de 2 maneras, n=2 y con el dado estaría ocurriendo de 6 maneras, m = 6. Entonces
al lanzar una moneda o un dado ocurre de n + m que va hacer igual a 2 + 6 = 8 formas.
Viendo así que tienen un sentido de exclusión sin depender uno del otro.
Variaciones
Son las diferentes ordenes que se pueden dar con los elementos de un espacio muestral.
Variaciones sin repetición
Si tenemos un conjunto de n elementos distintos, se le denominara variación sin repetición de
r elementos que sean escogidos de un conjunto de los n elementos, tomando de r en , en todo
el orden de la disposición, teniendo en cuenta que los r elementos no hay ningún repetido. El
número de variaciones sin repetición esta expresado por:
n n!
V r=
( n−r ) !

Ejemplo
Al escribir un código de dos números que se puedan obtener de un conjunto de cuatro
números que son: 1; 2; 3; 4
4! 4!
V 42 = = =12
( 4−2 ) ! 2 !
12; 21; 13; 31; 14; 41; 23; 32; 24; 42; 34; 43
Variaciones con repetición
Si tenemos un conjunto de n elementos que son distintos, se le llamaría variación con
repetición de r elementos que son escogidos de un conjunto de n elementos, siendo tomados
de r en r, siendo ordenada con una repetición de r elementos del conjunto dado. El número de
variaciones con repetición se expresa de la siguiente manera:
n r
v r =n
Ejemplo
Al escribir un código de dos números que se puedan obtener de un conjunto de cuatro
números que son: 1; 2; 3; 4
4 2
V 2 =4 =16
12; 21; 13; 31; 14; 41; 23; 32; 24; 42; 34; 43; 11; 22; 33; 44

14
Permutaciones
Es un arreglo de todo o parte de un conjunto de objetos, o mejor dicho de todo contra todos
los elementos.
Permutaciones sin repetición
De un conjunto de n elementos que serán distintos, tendrá disposición ordenada de la
totalidad de los que son los n elementos, sin que ninguno de ellos se llegue a repetir, variando
el orden de su presentación. Es una variación sin repetición de todos los elementos expresado
como:
Pn=n!
Ejemplo
Un lector puede dar diversos nombres, digamos A, B, C, D. Entonces, se quiere darle un
orden a cada uno de ellos
P4 =4 !=24
ABCD, ABDC, ACBD, ACDB, ADBC, ADCB, BACD, BADC, BCAD, BCDA, BDAC,
BDCA, CABD, CADB, CBAD, CBDA, CDAB, CDBA, DABC, DACB, DBAC, DBCA,
DCAB, DCBA

Permutaciones con repetición

De conjunto de n elementos que están formados por r grupos que sus elementos son
idénticos; teniendo en cuenta que sería como n a de la clase a, n bde la clase b, nr de la clase r,
de tal manera que se dé como n a+ nb +… nr =n ; teniendo así una disposición ordenada de
todos los elementos. El número de permutaciones con repetición se expresa como:
n!
Pn=
n a !+ nb !+… nr !
Ejemplo
Encontrar el número total de enteros positivos que formen los dígitos 1,2,3,4 ordenándolos
4!
P4 = =6
2!2!
1234; 1243; 1342; 1324; 1432; 1423
Permutaciones Circulares
Es la forma de órdenes que se puede hacer en n elementos que son diferentes, pero de forma
circular, en el cual no habrá ni un primero ni último elemento, ya que al ser de forma circular

15
cualquiera puede ser primero. El número de permutaciones circulares diferentes que se puede
formar esta expresado como:
PCn=( n−1 ) !
Combinaciones
Al querer seleccionar r elementos de un conjunto de n elementos sin importan el orden. Se le
llamara a estas selecciones combinaciones.
Combinaciones sin repetición
Al tener una selección de r elementos de un conjunto que tiene n elementos sin importar el
orden de su elección, se le llama combinación sin repetición sin repetir algún elemento. El
número de maneras se puede representar de la siguiente forma:

()
C nr = n =
n!
r r ! ( n−r ) !
Ejemplo
Al tener un conjunto de 4 estudiantes universitarios de los cuales se selecciona a dos para
salir a representar a la universidad, ¿Cuántas formas de seleccionar se tiene?

C 2=
5
( 42)= 2 ! ( 4−2
4!
)!
=6

Combinaciones con repetición

Al tener una selección de r elementos de un conjunto de n elementos, que, sin importar el
orden de su selección, se le llama combinación con repetición a cada elemento que puede ser
repetido. El número de maneras se puede representar de la siguiente forma:
n
Cr= ( n+rr−1)= (n+r −1) !
r ! ( n−1 ) !
Ejemplo
Al tener un conjunto de 5 estudiantes, de los cuales se selecciona a dos alumnos para que
puedan exponer su tema un tema a cada uno, pero en este caso uno de ellos tendrá que
exponer 2 temas ¿Cuántas formas de seleccionar se tiene?

(
C 52= 5+2−1 =
2 )(5+2−1)! 6
()
= =15
2 ! ( 5−1 ) ! 2

16
Algebra de eventos
Ley del Complemento
c c c
 Ω c =∅ ; ϕ =Ω; ( A ) = A; A ꓴ Ac = Ω ; A ꓵ Ac = ∅

Ley Distributiva

 A ꓴ(B ꓵ C) = (A ꓴ B) ꓵ(A ꓴ C)
 A ꓵ(B ꓴ C) = (A ꓵ B) ꓴ(B ꓵ C)
 A ꓵ ( B Δ C ) =( A ꓵ B ) Δ ( A ꓵC ) ; A ꓴ ( B ΔC ) =( A ꓴ B ) Δ ( A ꓴ C )

Ley de Morgan

 ( A ꓴ B)c = Ac ꓵ B c
 ( A ꓵ B)c = Ac ꓴ B c

Ley de la Diferencia

 A – B = (A ꓵ Bc ); A – Ω = ∅ ; Ω – A = Ac ; A - ∅ = A; ∅ - A = ∅

Ley de la Inclusión

 A ⊆ A; A ⊆ Ω ; ∅ ⊆ A; ∅ ⊆ Ω
 Si A ⊆ B y B ⊆ A → A = B
 Si A ⊆ B y B ⊆ C → A ⊆ C

Ley de la identidad

 A ꓴ Φ = A; A ꓵ Ω = A; A ꓴ(A ꓵ B) = A; A ꓵ(A ꓴ B) = A; (A ꓵ Bc
)ꓴ(A ꓵ B) = A

Ley de la dominación

 A ꓴ Ω = Ω; A ꓵ Φ = Φ

Ley de la idempotencia

 A ꓴ A = A; A ꓵ A = A

Ley conmutativa

 A ꓴ B = B ꓴ A; A ꓵ B = B ꓵ A; AΔB = BΔA;

Ley asociativa

17
  A ꓴ(B ꓴ C) = (A ꓴ B) ꓴ C; A ꓵ(B ꓵ C) = (A ꓵ B) ꓵ C
 A Δ (B Δ C) = (A Δ B) Δ C

1.2. Probabilidad de un evento (definición, axiomas y teoremas) y la

probabilidad de espacio muestral infinito

1.2.1. PROBABILIDAD DE UN EVENTO

Definición
Hay varias definiciones que se dispone para la probabilidad son tres en realidad, pero en
realidad cada una llega a complementarse y va a depender del problema en específico que
queramos resolver o tratar para usar una de estas definiciones, pero la que se verá es la
definición clásica o de a priori.
Definición clásica o a priori
La probabilidad de un evento es la razón que se da entra el número de sucesos favorables y el
número de casos posibles, siempre y cuando alguno de estos casos le de preferencia a alguno
de los demás, ya que tienen que ser todos igualmente posibles.
Teniendo en cuenta ello se puede dar como, n(Ω) = n siendo este el número de elementos del
espacio muestral y n(A) = nA, el número de elementos del evento A; también podemos
denotar la probabilidad de este evento A como P(A) siendo la razón de n(A) a N(Ω) siendo
expresado mejor de la siguiente manera:
n( A) A n número de casos favorables al evento A
P ( A )= = =
n(Ω) n número de casos posibles
Ejemplo
Si se lanza una moneda tres veces. Calcular la probabilidad que ocurran:
a) Dos caras
b) Al menos dos caras
El espacio muestral seria:
Ω = {CCC , CCS, CSC, SCC, CSS, SCS, SSC, SSS } siendo n(Ω) = 8
a) Tenemos los casos favorables que son:
A= {CCS, CSC, SCC} siendo n(A) = 3
3
P(A) =
8
b) Tenemos los casos favorables que son:
B= {CCS, CSC, SCC, CCC} Teniendo así n(B) = 4
4 1
P(B) = =
8 2

18
Axiomas
Aquellos axiomas que tiene la teoría de la probabilidad son las siguientes:
Axioma 1: La probabilidad de un evento existe, pero está restringido a la amplitud del 0 esto
se da como: 0  P(A)  1. Por lo que se puede decir que la probabilidad de un evento es un
número positivo, teniendo como límite inferior el 0 y el superior al uno.
Axioma 2: La probabilidad del espacio muestral es uno mostrándose así P () = 1
Axioma 3: Si se dan dos eventos que son mutuamente excluyentes como A y B en su espacio
muestral , entonces:
P(AB) = P(A) + P(B)
En una teoría que es más avanzada de la probabilidad se puede tener al tercer axioma como:
Si A1 , A 2 , A3 , …
Es una secuencia numerable de eventos que son mutuamente excluyentes se define a su
espacio muestral como:
P ( A1 U A 2 U … ) = P ( A1 ) + P ( A2 ) + … ó
∞

∑ P( A i)
i=1

Debido a que la probabilidad cumple los tres axiomas, se da una definición de probabilidad
conocida como probabilidad axiomática o abstracta.
Si el espacio muestral está asociada a un experimento. La probabilidad P, se le da la función
que asigna a cada evento A, un número P(A), llamado la probabilidad del evento A,
cumpliendo los tres axiomas. En teoría más avanzada se considera una clase de subconjuntos
de  que van a cumplir ciertos axiomas, llamados - álgebra
Sea (, A) un espacio medible y sea P: A  R, tal que:
1.- P(A)  0,  A  A.
2.- si  Ai / i  N, es una sucesión de eventos mutuamente excluyentes, tal que Ai  A,  i 
N, entonces:

P (U Ai ) = ∑ P ( Ai )
iN

3.- P () = 1

19
Sea (, A) un espacio medible y sea P una función de probabilidad definida en A, a la terna
(, A, P) se le llama Espacio de Probabilidad.

Teoremas
1.- Teorema de la probabilidad imposible: Si  es el evento imposible, entonces P () = 0
 y  son mutuamente excluyentes, por lo tanto
P ()=P () + P () Por Axioma 3
1 = 1 + P () Por Axioma 2
P () = 0
2.- Teorema del complemento: Para un evento A, se cumple lo siguiente
P ( Ac ) = 1 – P(A)
Al saber que Ac U A = , además sus eventos sean incompatibles se puede decir que A Ac = 
, entonces:
P (A Ac ) = P ()
P(A) + P ( Ac ) = P () Por el Axioma 3
P(A) + P ( Ac ) = 1 Por el Axioma 2
P ( Ac ) = 1 – P(A)
Teorema de la probabilidad de sub eventos: Si A y B son eventos tales que A  B,
entonces P(A)  P(B)
Se nota que B = A U (B A ¿ y A(B A) son mutuamente excluyentes.
P(B) = P(A) +P (B A ¿ por Axioma 3
P (B A ¿0
P(A)  P(B)

B
Teorema de la probabilidad de unión de eventos: El evento A U B puede representarse
como una unión de eventos A y A B, siendo mutuamente excluyentes

20
A U B = A U (A B)
P (A U B) = P(A) + P(A B) por Axioma 3
Para el evento B se puede escribir la unión de eventos mutuamente excluyentes de la
siguiente manera:
B = (A B) U (AB)
P(AB) = P(B) – P(A B) por Axioma 3
Sustituyendo en 1 se tiene
P(AUB) = P(A) + P(B) – P(A B)

La unión es un evento que puede ser expresado como la unión infinita de eventos; por ello se
tiene que si A, B y C son tres eventos cualesquiera en , entonces
P(ABC) = P(A) + P(B) + P(C) – P(AB) – P(AC) – P(BC) + P(ABC)
Por ende, también se puede obtener la unión de más de tres eventos, pero seran iguales a la
suma de las probabilidades individuales, menos las intersecciones de las probabilidades
dobles y así de manera sucesiva.
Teorema de la probabilidad de la diferencia de eventos: Si A y B son dos eventos
asociados al espacio muestral , entonces:
P(A-B) = P(A) – P (A B)
Cualquier evento A se puede descomponer en dos eventos que son mutuamente excluyentes.
A = (A-B)  (AB)
P(A) = P(A-B)  (AB)
P(A) = P(A-B) + P(AB) por Axioma 3
P(A-B) = P(A) - P(AB)

21
1.2.2. PROBABILIDAD DE ESPACIO MUESTRAL
Los tipos de espacio muestral son:
1.-Finito
Si se tiene a  que sea un espacio muestral finito, se diría que  = w 1, w 2,w 3,…, w n. Un
espacio finito de probabilidad se puede dar al asignar a cada punto w i   a un número que
es Pi, llamado probabilidad de w i, teniendo en cuenta que tenga las siguientes probabilidades.
a) Cada Pi es no negativo, Pi  0
b) La suma de los Pi , P1 + P2 + P3 +………+ Pn = 1
Si existen n sucesos elementales y todos igualmente probables entonces, P (w i) = p = 1/n.
Ejemplo
Se lanza al aire un dado normal, si la probabilidad de que aparezca una de sus caras es
proporcional al número que ostenta,
¿cuál es la probabilidad de que aparezca un número par y la probabilidad de un número
primo?
={1, 2, 3, 4, 5, 6}
P ()= p + 2p + 3p + 4p + 5p + 6p =1
A= {2, 4, 6} Eventos pares
p(A)=p (2) +p (4) + p (6) = 2p + 4p + 6p = 12p = 12(1/21) = 12/21= 0.5714
B= {1, 2, 3, 5} Eventos primos
p(B)=p (1) + p (2) + p (3) + p (5) = p + 2p + 3p + 5p = 11p = 11(1/21) = 11/21 = 0.5238
2.-Infinito numerable

22
Si tenemos a  que es un espacio muestral infinito pero que sea numerable, mejor dicho, si
 = w 1, w 2,w 3,…, w n, se obtiene un espacio de probabilidad asignando a cada w i   un
número real Pi, llamado su probabilidad, tal que cumpla las siguientes probabilidades:
a) Pi 0,
∞
b) P1 + P2 + P3+… =∑ Pi =1
i=1

Ejemplo
Dos personas A y B, juegan lanzando un dado hasta obtener un dos o un cuatro, gana el
primero que lo obtiene, calcule la probabilidad de ganar de A si él juega primero.
P: 1/3, (2/3)2 (1/3), (2/3)4 (1/3), (2/3)6 (1/3), (2/3)8 (1/3)…
P(A) = 1/3 + (2/3)2 (1/3) + (2/3)4 (1/3) + (2/3)6 (1/3) + (2/3)8 (1/3) +…
= (1/3) (4/9) o + (4/9) + (4/9)2 + (4/9)3 + (4/9)3 +…
1
= (1/3)  = 3/5
1−4 /9
1.3. Probabilidad condicional. Teorema de la probabilidad Total.
Teorema de Bayes

1.3.1. PROBABILIDAD CONDICIONAL

Cuando la probabilidad de que ocurra un evento B cuando se sabe que ocurrió en el evento A
se le llama probabilidad condicional denotándose como P(B/A). Este símbolo se le puede leer
como “la probabilidad de que ocurra B, dado que ocurrió A”, o también como “la
probabilidad de B, dado en A”. Siendo este usado para en cada caso para evaluar la
ocurrencia del evento en un espacio más reducido que la del espacio muestral completo,
siendo así que de un evento dado otro evento ya sucedió como antes dicho, teniendo en
cuenta que la información que se tendrá de este grupo más reducido es mayor que la que se
tiene de todo el grupo, y a la probabilidad de un evento conociendo algún evento particular
que ya ocurrió.
Por ende, la probabilidad del evento A dado que ha ocurrido el evento denotado por P(A/B),
igual a la razón del área AB al área B siendo expresado de la siguiente manera esta
probabilidad:
P ( A B)
P(A/B) = , si P(B)  0
P (B)
Así también

23
 P ( A B)
P(B/A) = , si P(A)  0
P( A)
Así
P (A )
P(A/)= = P(A)
P()
De otra forma se tiene lo siguiente:
P ¿/B) = 1 – P(A/B)

Ejemplo
1) Al considerar lanzar un dado y observar el número que resulta en la cara superior se sabe
los siguientes eventos:
A: Se observe un número impar
B: Se observe un número mayor que 3
Teniendo su espacio muestral
= {1,2,3,4,5,6}
A= {1,3,5}
B= {4,5,6}
Se puede observar que solo tienen un número en común que es el 5 entonces la probabilidad
de la intersección se daría de la siguiente manera:
1
P(AB) =
6
3
P(B) =
6
Tendremos en cuenta la fórmula que es:

24
 P ( A B)
P(A/B) =
P (B)
Por lo tanto, para tener la probabilidad de que el evento A ocurra, dado el evento B es
1
P(A/B) =
3
2) El lanzamiento de un par de dados, y sabiendo que nos informa el obtener una suma que
sea mayor que 6. ¿Cuál es la probabilidad de que se pueda obtener en el lanzamiento de los
dos dados una suma que sea 7?
A: Obtener la suma 7
B: Se obtuvo la suma mayor que 6
Siendo así que los números que forman el número 7 serian
C= {(1,6) ;(2,5); (3,4) ;(4,3); (5,2); (6,1)}
El cual se formaría de la siguiente manera:
P(AB) = 6
P(B) = 21
Para obtener ahora el evento A dado el evento B se tiene la fórmula:
P ( A B)
P(A/B) =
P (B)
El cual al reemplazar se daría como
6
P(A/B) =
21
1.3.2. TEOREMA DE LA PROBABILIDAD TOTAL
La probabilidad total se da cuando se suma todas las probabilidades condicionales, teniendo
en cuenta que para que se pueda cumplir uno de los sucesos tiene que formar un sistema
completo es así que la suma de las probabilidades debe ser el 100%

Es así que el espacio muestral tiene una partición pues:

a) Ai  A j =   i  j

25
b) Ai    i
c) ¿ i=1 ¿ r A i= 
Mostrándose así que los eventos de Ai deben de ser eventos mutuamente excluyentes y
diferentes del vacío.
Su expresión de la probabilidad total es de la siguiente manera:
r
P(X) = ∑ P ( Ai ) P(X / Ai)
i=1

Ejemplo
En un saco hay papeletas de tres colores con las siguientes probabilidades, que el amarillo
tiene el 50% de ser escogida, el verde el 30% y la roja el 20%. Según el color de la papeleta
elegida, se puede participar en diferentes sorteos. Es así que para la papeleta amarilla se
participa en el primer sorteo con la probabilidad de ganar de un 40%, la verde en un segundo
sorteo con la probabilidad de ganar del 60% y la roja del tercer sorteo con una probabilidad
de ganar del 80%. ¿Qué probabilidad tienes de ganar en el sorteo en el que participes?
Amarilla Ganar
P(A)=0,50 P(D)=0,40
P(B)=0,30 P(E)= 0,60
P(C)=0,20 P(F)= 0,80
P(G)= (0,50 * 0,40) + (0,30 * 0,60) + (0,20 * 0,80) = 0,54
La probabilidad de ganar el sorteo es del 54%.

1.3.3. TEOREMA DE BAYES

Si se tiene los eventos B1 , B2 , B3 , …, A n constituyendo una partición del espacio muestral
donde P ( Ai ¿ ≠ 0 para i = 1,2, …, n, entonces para cualquier evento de A en el espacio
muestral se tiene lo siguiente:
P ( A i ) P( X / A i )
P ¿/X) =
P (X )
Permitiendo comparar el teorema de Bayes una probabilidad de a priori (P Ai ) con una
probabilidad a posteriori P( Ai /X).
Ejemplo
Una empresa de manufactura emplea tres planos analíticos para el diseño y desarrollo de un
producto específico. Por razones de costos los tres se utilizan en momentos diferentes. De
hecho, los planos 1, 2 y 3 se utilizan para 30%, 20% y 50% de los productos,

26
respectivamente. La tasa de defectos diferentes en los tres procedimientos de la siguiente
manera,
P (A/ P1 ¿= 0,01
P (A/ P2 ¿= 0,03
P (A/ P3 ¿= 0,02
La probabilidad de que los planes sea más utilizado se da como:
P ( P1)= 0,30
P ( P2)= 0,20
P ( P3)= 0,50
Con el teorema de Bayes podríamos obtener lo siguiente:
( 0,30 ) ( 0,01 )
P ( P1 / A ¿=
( 0,3 ) ( 0,01 )+ ( 0,20 )( 0,03 )+(0,50)(0,02)
0,003
P ( P1 / A ¿=
0,019
P ( P1 / A ¿=0,158
De igual manera con los siguientes:
(0,03)(0,20)
P ( P 2 / A ¿=
0,019
P ( P2 / A ¿= 0,316
(0,02)(0,50)
P ( P 3 / A ¿=
0,019
P ( P3 / A ¿=0,526

1.4. INDEPENDENCIA DE EVENTOS

Al tener dos eventos A y B que sean mutuamente excluyentes, se va a decir que son
independientes si cumplen lo siguiente:
P(AB) = P(A)P(B)
Si no se cumple esa condición será dependientes.
Teniendo en cuenta así que van hacer independientes si la ocurrencia de uno, no afecta a la
ocurrencia del otro. Además, si tenemos lo siguiente:
P(A/B)  P(A) El evento B favorece al evento A
P(A/B)  P(A), El evento B es desfavorable del evento A

27
P(A/B) = P(A) El evento B no influye en la ocurrencia del evento A
Si tanto el evento A y el evento B tienen la probabilidad de cero o uno también son
considerados eventos independientes
P(A) = 0
P(B) = 0
P(A)P(B) = 0
También se tiene que si los eventos son independientes entonces:
P ( A B)
P(A/B) = =0
P (B)
P ( A B)
P(B/A) = =0
P( A)
P ( A B) P (B)
P(A/B) = = =1
P (B) P (B)
Cualquier evento es independiente de sí mismo, si:
P(A) = 0, pues P(AA) = P(A) = P(A)P(A)  P(A) = 0
Si A y B  A son independientes entonces
P(A/B) = P(A)
P(B/A) = P(B)

Ejemplo
1) El experimento de lanzar una moneda dos veces y observar la secuencia de caras y sellos.
¿Los eventos son independientes?
Entonces el espacio muestral estará definido como:
 = {CC, CS, SC, SS}
Considerando los siguientes eventos:
A: El primer resultado una cara

28
B: El segundo lanzamiento resulta una cara
1
P(A) =
2
1
P(B) =
2
Si ha ocurrido el evento B, entonces:
P(A) P(B) = P (A B ¿
1
P (A B ¿=
4
P ( A B) 1
P(A/B) = = =P ( A )
P (B) 2
Siendo así que el evento B no afecta la posibilidad de la ocurrencia de A, así ambos eventos
son independientes.
2) En un estudio de una enfermedad al pulmón se examinan 10000 personas mayores de 60
años. Se halla que 4,000 personas de este grupo son fumadores. Entre los fumadores 1800
padecen de desórdenes pulmonares. Entre los - que no fuman 1500 tienen desórdenes
pulmonares. ¿Son los eventos fumadores y desórdenes pulmonares independientes?
4000
P(A) = =0,4
10000
3300
P(B) = =0,33
10000
P(A) P(B) = P (A B ¿
P (A B ¿=1800
P ( A B) 1800
P(A/B) = = =055  P(A)
P (B) 3300
Tanto A y B no son independientes

CAPITULO 2

2. Variables aleatorias

Es una función que asigna un número real a cada resultado del espacio
muestral de un experimento aleatorio. Siendo denotado como X, haciendo

29
referencia al conjunto de números de una variable aleatoria X como el
rango de X. Cuando se lleva a cabo el valor medido de la variable aleatoria
se denota con letra minúscula x.
Es así que X estará definida en el espacio muestral si X  x  A  x  R.
Teniendo como dominio al espacio muestral y rango los números reales.
2.1. Variables aleatorias discretas, función de cuantía y de
distribución
2.1.1. VARIABLES ALEATORIAS DISCRETAS
Es una variable aleatoria con un rango finito o contablemente infinito, siendo así que su rango
estará definido como:
Rx={x 1; x 2; x 3;… , Así se denomina que en el caso que sea finito su secuencia terminara y en
el caso que sea infinito continuara indefinidamente. A cada resultado que se asocie a P(
x i)= P (X = x i),  i = 1, 2, 3, … se les llamara probabilidades puntuales de x i.
Además, a cada intervalo finito deberá tener un número finito de valores posibles de X;
sabiendo que si uno de esos intervalos no contiene a ninguno de los valores posibles se le
asignara la probabilidad de cero.
Ejemplo
En una empresa hay un total de 15 trabajadores de los cuales hay 10 mujeres y 5 varones, en
el cual se escogerá a 4 que asciendan de puesto, sea X el número de mujeres que subirá de
puesto. Se tiene su variable aleatoria igual a:
X= 0, 1, 2, 3, 4
Las probabilidades serán:
1
P(X=0) =
273
20
P(X=1) =
273
90
P(X=2) =
273
120
P(X=3) =
273
42
P(X=4) =
273

30
2.1.2. FUNCIÓN DE CUANTÍA
Es llamada también función de probabilidad de la variable aleatoria X, que será expresado
como P(X), teniendo en cuenta que la función de cuantía de la variable aleatoria discreta X,
se dará para cada resultado x posible si:
1.- P(X)  0,  x  R x

2.- ∑ P ( X )=1
x

Si A  R x, entonces

P(A) = ∑
x
P ( X =x )

Ejemplo
1.-Al lanzar una moneda se tendría lo siguiente:
P (0) = P(X=0)
1
P ({SS}) =
4
P (1) = P(X=1)
1
P ({CS}) + P({SC}) =
2
P (2) = P(X=2)
1
P ({CC}) =
4
P (X=x) = 0  x  {0,1,2}
2.- Un embarque de 20 computadoras portátiles similares para una tienda minorista contiene
3 que están defectuosas. Si una escuela compra al azar 2 de estas computadoras, calcule la
distribución de probabilidad para el número de computadoras defectuosas.
Sea X una variable aleatoria cuyos valores x son los números posibles de computadoras
defectuosas compradas por la escuela. Entonces x sólo puede asumir los números 0, 1 y 2.
Así

f ( 0 )=P ( X=0 )=
( 0)( 2 ) 68
3 17
=
( 2 ) 95
20

f ( 1 ) =P ( X=1 )=
( 1)( 1 ) 51
3 17
=
( 2 ) 190
20

31
f ( 2 ) =P ( X=2 )=
( 2)( 0 ) 3
3 17
=
( 2 ) 190
20

En el ej em plo correspondiente al
lanzam ient o de la m oneda:
1
0 0
4
( ) ( )
( { , } ) P P X
P s s = =
= =
1
1 1
2

32
() ( ) ({ , })
({ , })P P X
P c s P s
c = = =
+ =
1
2 2
4
( ) ( )
( { , } ) P P X
P c c = =
= =
0 01
2( ) , ,
P X x x =

33
2.1.3. FUNCIÓN DE DISTRIBUCIÓN
El conjunto de pares ordenados (x, f(x)) es una función de probabilidad, una función de masa
de probabilidad o también llamada distribución de probabilidad de la variable aleatoria
discreta X si:
F x ( x )=P ( X ≤ x )= ∑ P( x i )
xi ≤ x

También se le puede dar las siguientes propiedades:

lim F ( X )=0
1.- x→−∞

lim F ( X ) =1
x→+∞

2.- P (a< x ≤ b) = F(b) – F(a)

3.- P ( X i ¿=F ( X i ) −F( X i+1 )
Ejemplo
1.- Si una agencia automotriz vende 50% de su inventario de cierto vehículo extranjero
equipado con bolsas de aire laterales, calcule una fórmula para la distribución de probabilidad
del número de automóviles con bolsas de aire laterales entre los siguientes 4 vehículos que
venda la agencia. Calcular la función de distribución acumulativa de la variable aleatoria X.
1
F ( 0 )=f ( 0 )=
16
5
F ( 1 )=f ( 0 ) + f (1)=
16
11
F ( 2 )=f ( 0 ) + f (1 ) + f (2)=
16
15
F ( 3 ) =f ( 0 ) + f ( 1 )+ f ( 2 ) +f ( 3)=
16
F ( 4 ) =f ( 0 ) + f (1 ) + f ( 2 )+ f ( 3 ) + f ( 4 ) =1

{
0 , para x<0
1
, para 0 ≤ x<1
16
5
, para 1 ≤ x <2
F ( x )= 16
11
, para 2 ≤ x <3
16
15
, para 3≤ x <4
16
1 , para x ≥ 4

34
2.2. Variables aleatorias continuas, función de densidad y de
distribución
2.2.1. VARIABLES ALEATORIAS CONTINUAS
Una variable aleatoria continua tiene una probabilidad 0 de adoptar cualquiera de sus valores
que estén dentro de la recta de los números reales. Además, si su Función de Distribución no
tiene alguna discontinuidad, entonces su conjunto de valores con probabilidad no nula es
infinito.
Para el cálculo de varios intervalos de variables continuas como:
P(a <X <b)
Se observa que cuando X es continua:
P ( a< X ≤ b ) =P ( a< X <b )+ P ( X=b )=P(a< X <b)
Es decir, que no importa si incluimos o no un extremo del intervalo, pero esto no es cierto
cuando X es discreta.
Ejemplo
1.-Si se realiza un experimento de ir a una granja y se estudia las características de las vacas,
se puede definir la variable aleatoria X:
X = peso de una vaca en la granja (en kilogramos)
Aquí se puede obtener un peso de 425,1862 kg; otro puede pesar 612,5673 kg; otro puede
pesar 545,5342 kg y así sucesivamente se puede tener diversos valores.
Entonces se conoce que el peso del más pequeño es de 30 kg, y la vaca más grande tiene un
peso de 1000 kg.
Rx=30 ≤ X ≤ 1000
Siendo este el rango de esta variable que puede tomar cualquier valor dentro del intervalo.
2.-En una agencia de banco se registra los datos de atención a los clientes, se puede definir la
variable aleatoria X:
X= tiempo de atención a los clientes del banco en segundos.
Un cliente puede ser atendido en 24,123 s; otro cliente en 72,32142 s; otro en 51,123123 s. Si
seguimos tomando más clientes, tendríamos más valores.
Se conoce además que el tiempo mínimo de atención en ventanilla es de 1 s y el tiempo
máximo es de 240 s.
R x =1≤ X ≤ 240
El rango de esta variable puede ser cualquier valor que este dentro del intervalo que va desde
1s hasta 240s.

35
2.2.2. FUNCION DE DENSIDAD
Sea X una variable aleatoria continua con rango R x. La función de densidad de la
probabilidad este asociado a la variable aleatoria, siendo una función f(x) integrable que va a
satisfacer las siguientes condiciones:
1.- f ( x ) ≥0 , para todo x ϵ R
.

2.- ∫ f ( x ) dx=1 o
Rx

+∞

∫ f ( x ) dx=1
−∞

Teniendo así una función real f que está definida sobre R x.

Además, podemos tener en cuenta lo siguiente:
La probabilidad de un punto cualquiera X o  R x es cero entonces:
Xo

P ( X o ) =∫ f ( x ) dx=0 Siendo este la probabilidad de un evento imposible

Xo

Y que P (a < x < b) = P (a < x  b) = P (a  x < b) = P (a  x  b)

Ejemplo
Sea X una variable aleatoria con función de densidad.
f ( x )=¿
Hallar el coeficiente de k
Al ver que la variable aleatoria x se halla comprendida en el intervalo de [0,3]. Siendo así que
R x =[0,3].
Entonces con su definición de la función de densidad, sobre todo su segunda condición se
obtiene lo siguiente:
3

∫ k (3 x−x 2) dx
0

[ ]
3
3 2 1 3
k x− x
2 3 0

k ( 272 −9)=1
Donde
2
K=
9

36
2.2.3. FUNCION DE DISTRIBUCIÓN
Si X es una variable aleatoria continua, se define que F(X) va a ser su Función de
Distribución acumulada, siendo expresado de la siguiente manera:
x
F ( x )=P ( X ≤ x ) =∫ f ( x ) dx
−∝

Se tiene las siguientes propiedades:

1.- F(X) ≥ 0, la función será no negativa, F: R → R que está definida por:
F(a)=P (X≤ a ¿ está es llamada función acumulada y se puede denotar como:
a
P ( x ≤ a )= ∫ f ( x ) dx
−∝

lim F ( x )=0
2.- x→−∞ lim F ( x )=1
x→+∞

3.- P (a < x  b) = F(b) – F(a)

d
4.- f ( x )= F (X )
dx
Además, hay tres propiedades que son del caso discreto los cuales son:
1.- 0  F(X)  1
2.- P ((-, x) = F(X)
P ((x,)) = 1 – F(X)
3.- P ((a, b ) = F(b) – F(a)
Ejemplo
Definida una función F(X) como:

{
−x
F ( x )= 1−k e 2 ,∧x ≥ 0
0 ,∧x< 0
Para que valor de k, F(x) es una función de distribución de una variable aleatoria X
El rango de la variable aleatoria es:
0 x <¿ entonces se obtiene:
F () – F (0) = 1
1-0-(1-ke 0)= 1
Donde
k=1

37
Por lo tanto, F(x) estará definida como:

{
−x
F ( x )= 1−e 2 ,∧x ≥ 0
0 ,∧x< 0

2.3. Esperanza, varianza y coeficiente de variación de variables

aleatorias discretas y continuas
2.3.1. ESPERANZA
Sea X una variable aleatoria con rango R x y función de probabilidad p(x) si es discreta o
función de densidad f(x) si es continua.
El valor esperado o esperanza matemática de X, se denota por E(X)
E ( x )= ∑ x p ( x ) , Si x es una variable aleatoria discreta
xϵ Rx

. +∞
E ( x )=∫ x f ( x ) dx= ∫ x f ( x ) dx , si x es una variable aleatoria continua.
Rx −∞

La esperanza matemática de x, se llama también, media de la variable aleatoria y es denotado

como:
¿ E(x )
Ejemplo:
El experimento de lanzar 3 mones 20 veces y sea x el número de caras que ocurre por
lanzamiento entonces, x toma los siguientes valores, 0,1,2,3 esto quiere decir que R x=
{0,1,2,3}
Supongamos que los 20 lanzamientos de las tres monedas se pueda obtener 0 caras, 1 cara, 2
caras y 3 caras, un total de 4,6,7, y 3 veces respectivamente. El promedio del número de caras
por lanzamiento de las 3 monedas es entonces:
0 ( 4 )+ 1 ( 6 )+ 2 ( 7 )+3 ( 3 )
20

¿0 ( 204 )+ 1( 206 )+2( 207 )+3( 203 )

=1.45
Siendo un valor promedio y no necesariamente un posible resultado del experimento.
Propiedades de la esperanza matemática
Hay algunas leyes que son útiles para simplificar el cálculo de la esperanza matemática. Estas
leyes nos permitirán calcular esperanzas en términos de otras mucho más conocidas.
1.- E(K) = K donde K es una constante.
2.- E ( K x) = KE(x)

38
3.- E (x + K) = E(x) + K
4.- E (x + y) = E(x) + E(y)
. .

5.- E (x. y) = E(x) E(y) ∫ ∫ x . y f ( x , y ) dxdy

x y

6.- Ex – E(x) = 0

Ejemplo
Sea X una variable aleatoria cuya distribución de probabilidad está dada por:
x 0 1 2 3
P(x) 1/8 3/8 3/8 1/8

Calcular:
a) E(2x+1)
b) E(4x-2)
c) E ¿ + 3)
d) E( 4 x 2+ x+3)

e) E(3 x 2 +4 x −5)

f) E x3
a.- Calcular la E(X). Mediante la fórmula se obtiene
1 3 3 1 12 3
E(X) = 0 x x +2 x +3 x = =
8 8 8 8 8 2
3
E(2x+1) = 2E(x)+1 = 2 x +1=4
2
b.-
3
E(4x-2) = 4E(x)-2 = 4 x −2=4
2
c.-Primero se calculará E( x 2 )
1 3 3 1 24
E( x ¿¿ 2)=02 x +12 x +22 x +3 2 x = =3¿
8 8 8 8 8
2 E(x 2+ 3) = 2 E( x 2 )+ 3=2 x 3+3=9
d.-
2 3
E( 4 x ¿¿ 2+ x+3) ¿ = 4 E( x )+ E ( x ) +3=4 x 3+ +3=16.5
2

39
 e.-
2 3
E(3 x +4 x −5) = 3 E( x )+ 4 E ( x )−5=3 x 3+ 4 x −5=10
2
2
f.-
3 1 3 3 3 3 3 1 54 27
E( x ¿¿ 3)=0 x +1 x +2 x +3 x = = ¿
8 8 8 8 8 4

2.3.2. VARIANZA
La varianza de una variable aleatoria x, es considerada una medida de dispersión y viene a ser
el valor esperado de las diferentes cuadráticas de cada uno de los valores de la variable
aleatoria x con respecto a su esperanza, se puede denotar como ❑2 = V(X)y su valor puede
ser expresado como:
V ( x )=E ¿
2
E( x )- E ¿ Esto en caso discreto.
.

∫¿¿
x

E( x 2 )- E ¿ Esto en caso continuo.

Ejemplo

{
0 ,∧x <0
1/8 ,∧0 ≤ x <1
F ( x )= 1/21 ≤ x< 2
5/8 2≤ x <3
1 x ≥3
Teniendo lo siguiente:
X 0 1 2 3 Total
P(x) 1/8 3/8 1/8 3/8 1
X p(x) 0 3/8 2/8 9/8 14/8

7
E(x) =
4
La varianza de la variable aleatoria x es
V ( X ) =∑ ¿ ¿
x

40
V(X)= ¿
49 27 1 75
V(X) = + + +
16 x 8 16 x 8 16 x 8 16 x 8
19
V(X)=
16

Propiedades:
1.- V(K) = 0
2.- V ( Kx )=K 2 V ( x )
3.- V ( x+ K )=V ( x )
4.-V ¿
Ejemplo
Sea X una variable aleatoria con función de densidad.

{
3
f ( x )= k x ,∧0< x< 1
0 ,∧en otro caso
a) Calcular la función de distribución
b) Calcular la esperanza matemática y la varianza.
a.-

{
0 , x <0
F ( x )= x ,∧0< x<1
4

0 ,∧x >1
b.-
1
E ( x )=∫ x ( 4 x ) dx
3

1
E ( x )=∫ 4 x 4 dx
0

5
4x 1
E( x )= ¿0
5
4
E ( x )=
5
1
E ( x )=∫ x ( 4 x ) dx
2 2 3

41
 6
4x 1
E ( x )=
2
¿0
6
2
E ( x )=
2
3
V(X) = E ( x 2 )- E ¿
2 16
V ( X )= −
3 25
2
V(X)=
75

2.3.3. COEFICIENTE DE VARIACIÓN DE VARIABLES

ALEATORIAS DISCRETAS Y CONTINUAS
Se definirá como algunos números que miden como, están relacionados los valores posibles
de X con los valores posibles de Y; ya que estos números dependen de la función de la
probabilidad conjunto de X e Y.
Teniendo X e Y dos variables aleatorias, en la cual su covarianza de ambos será denotada por
Cov (X , Y ).
Si X y Y son discreta se toma lo siguiente:
Cov ( X , Y )=∑ ∑ ( x−μ x ) ( y −μ y ) f ( x , y)
x y

Si X y Y son continuas se toma lo siguiente:

+∞ +∞
Cov ( X , Y )= ∫ ∫ ( x−μ x ) ( y −μ y ) f ( x , y ) dx dy
−∞ −∞

En si se puede tomar los datos respecto a su valor esperado con una fórmula de:
CV (x)=Sx / E(x )x 100
La covarianza entre dos variables aleatorias es una medida de la naturaleza de la asociación
entre ambas. Si tiene X grandes valores a menudo los resultados de Y también son grandes y
si X tiene valores pequeños también Y tendrá valores pequeños. En consiguiente si X da
valores grandes, pero Y valores pequeños tenderá a ser negativo.
Además, cuando X y Y son estadísticamente independientes, se puede demostrar que la
covarianza va hacer igual a cero. Lo opuesto en si no es cierto, ya que, aunque las dos
variables tengan la covarianza cero no necesariamente pueden ser independientes.
Propiedades del coeficiente de correlación
a.- −1 ≤ p ≤1

42
b.-V ( X , Y )=V (Y , X )
c.- Si X e Y son independientes, entonces V ( X , Y )=0
d.-Si V ( X , Y )=1 entonces entre X e Y existe una dependencia funcional lineal.
e.-Y =aX +b ,donde a y b son constantes.
V ( X , Y )=1
V ( X , Y )=−1
f.- Si a, b, c, d son constantes entonces
p ( aX +c , bY +d )=V ( X ,Y )

Ejemplo
La función de probabilidad conjunta de (X, Y) está dado en la tabla.
y x 0 1 P(Y=y)
0 1/8 1/8 2/8
1 2/8 1/8 3/8
2 2/8 1/8 3/8
P(X=x) 5/8 3/8 1

a) Calcular la Cov ( X , Y )

E ( X ) =0 ( 58 )+1( 38 )
3
E ( X )=
8

E ( x 2 )=0 ( 58 )+1( 38 )
3
E ( x 2 )=
8

E(Y)=0 ( 28 )+1( 38 )+2( 38 )

9
E(Y)=
8

E(Y 2)=0 ( 28 )+1( 38 )+ 4( 38 )

2 15
E(Y )=
8

43
E( XY )=0 ( 1 2 2 1
+ + + +1
8 8 8 8
1
8) () ()
+2
1
8
3
E( XY )=
8
Cov ( X , Y )=E ( XY )−μ x μ y
3 9 3
Cov ( X , Y )= − x
8 8 8
−3
Cov ( X , Y )=
64

CAPÍTULO 3

3. Distribuciones de probabilidad
De una variable aleatoria es una función que asigna a cada suceso definido sobre alguna
variable que da la probabilidad de que dicho suceso llegue a ocurrir, puede ser una variable
aleatoria discreta o de variable aleatoria continua.
3.1. Variables aleatorias Bidimensionales, funciones marginales,
coeficiente de correlación d. Momentos. Función Generatriz de
momentos
3.1.1. VARIABLES ALEATORIAS BIDIMENSIONALES
Si tenemos que  es el espacio muestral que es asociado a un experimento aleatorio ∈, X e
Y dos funciones, que se les asignaran a un número real x = X( ω) , y= Y(ω) a cada uno de sus
elementos que serán w  , en el par (X,Y) al cual se le denominara variable aleatoria
bidimensional o vector bidimensional, el cual representara a un punto del plano euclidiano,
pudiéndose expresar mejor en la siguiente gráfica:

La extensión que se da en una variable aleatoria bidimensional a n-dimensional es directa, en

el cual se debe seguir los usos habituales del cálculo. Teniendo así el rango de esta variable

44
bidimensional (X, Y) siendo este el conjunto de todos los valores posibles del vector aleatorio
(x, y) que estará denotado como:
R XY =(x , y)/ x R X , y RY
Siendo este el producto cartesiano de los rangos de las variables aleatorias X e Y, la cual es el
subconjunto del plano Euclidiano.
Ejemplo:
Una urna contiene 3 bolas numeradas 1,2,3 respectivamente. De la urna se extraen 2 bolas al
azar una a una con reposición. Sea X el número de la primera bola que se extrae, e Y el
número de la segunda bola que se extrae se tiene que el par (X, Y) es una variable aleatoria
bidimensional con rango:
R XY =(x , y)/ x , y (1,2,3)}
R X =RY =1,2,3 }
DISTRIBUCIÓN BIDIMENSIONAL DISCRETA
Sea (X, Y) una variable aleatoria bidimensional discreta que tiene un rango de R XY . A cada
resultado posible de (x, y) de (X, Y), teniendo en cuenta que los valores son finitos o infinitos
numerables.
Expresándose de la siguiente manera ( x ¿ ¿ i, y j ) ¿
donde
i =1;2; 3; …; n,
j=1;2; 3;…;m
Función de Cuantía Conjunta
Si tenemos (X, Y) que son una variable aleatoria discreta bidimensional, en el que asociamos
a un número p ( x , y )=P( X=x ,Y = y ) llamado función de probabilidad conjunta se debe
cumplir las siguientes condiciones:
1.- P( x ; y) 0

2.-∑ ∑ P ( x ; y )=1
x y

Los valores de [ ( x , y ) , p ( x , y ) ]para todo (x, y) R XY se le llama distribución de probabilidad

conjunta.
La distribución de probabilidad conjunta de (X, Y) es inducida por la probabilidad de los
sucesos del espacio muestral original.
Si la variable aleatoria bidimensional es finita, la distribución de probabilidad conjunta se
representa en una tabla con dos entradas como se puede mostrar:

45
 Y x x1 x2 . . . x n−1 xn

y1 p( x ¿ ¿ 1 , y 1 )¿p( x ¿ ¿ 2 , y 1 )¿ . . . . p(x ¿ ¿ n , y 1) ¿

y2 p( x ¿ ¿ 1 , y 2 )¿p( x ¿ ¿ 2 , y 2 )¿ . . . . p(x ¿ ¿ n , y 2) ¿

. . . . . . . .

. . . . . . . .

ym p( x ¿ ¿ 1 , y m ) p¿ ( x ¿ ¿ 2 , y m )¿ . . . . p(x ¿ ¿ n , y m) ¿

Ejemplo
1.- Sea (X, Y) la variable aleatoria bidimensional, en el que se sane que la distribución de
probabilidad conjunta de X e Y este dado por la siguiente tabla:
Y x 0 1 2
0 1 1 1
16 16 18
1 1 1 1
8 8 4
2 1 1 1
8 16 16

a) ¿Cuál es la probabilidad que cada vendedor vende a lo más 1 televisor?

b) ¿Cuál es la probabilidad que B venda más televisores que A?
P [ X ≤ 1 , Y ≤ 1 ] =F ( 1,1 )
¿ P [ X=0 , Y =0 ] + P [ X =0 , Y =1 ] + P [ X=1 ,Y =0 ] + P [ X=1 , Y =1 ]
1 1 1 1 3
¿ + + + =
16 8 16 8 8
b.-
P [ X <Y ] =P [ X=0 ,Y =1,2 ] + P [ X =1, Y =2 ]
¿ P [ X=0 , Y =1 ] + P [ X=0 ,Y =2 ] + P [ X =1 ,Y =2 ]
1 1 1 5
¿ + + =
8 16 8 16

46
2.- Una urna contiene 3 bolas numeradas 1,2,3 respectivamente. De la urna se extraen 2 bolas
al azar una a una con reposición. Sea X el número de la primera bola que se extrae, e Y el
número de la segunda bola que se extrae se tiene que el par (X, Y) es una variable aleatoria
bidimensional con rango:
R XY =(x , y)/ x , y (1,2,3)}
R XY =( 1; 1 ) , ( 1; 2 ) , ( 1; 3 ) , ( 2 ;1 ) , ( 2 ; 2 ) , ( 2 ; 3 ) , ( 3 ;1 ) , (3 ; 2 ) ;(3 ;3) }
1
P ( 1,1 )=P [ X=1 , Y =1 ] =
9
1
P ( 1,2 )=P [ X=1 , Y =2 ] =
9
1
P ( 1,3 )=P [ X=1 , Y =3 ] =
9
1
P ( x , y )=
9
x=1,2,3 ; y=1,2,3
DISTRIBUCIÓN BIDIMENSIONAL CONTINUA
Si (X, Y) es una variable bidimensional continua. Si el par (X, Y) toma cualquier valor del
conjunto no numerable que sea del plano euclidiano.
Función de Densidad Conjunta
La función de densidad de probabilidad conjunta, es una función integrable f (x, y) que
cumple las siguientes propiedades:
a) f ( x , y )> 0
∞ ∞
b) ∫ ∫ f ( x , y ) dxdy =1
−∞ −∞

Muy aparte se puede tomar en cuenta lo siguiente:

b d

1.- P ( a< x <b , c < y <d )=∫ ∫ f ( x , y ) dxdy

a c

2
d F (x, y)
2.- f ( x , y )= aquí el F (x, y) es la Función de distribución Conjunta
dxdy
Ejemplo
Sea (X, Y) una variable bidimensional, con función de densidad conjunta

{
1
f ( x )= 500 ,∧0 ≤ x ≤2.5 , 0 ≤ y ≤ 200
0 ,∧en otros casos
a) Calcular P [ 1.0 ≤ X ≤ 2.0,100≤ Y ≤200 ]

47
 b) Hallar la función de densidad marginal de X e Y
a.-
P [ 1.0 ≤ X ≤ 2.0,100≤ Y ≤200 ]
200 2.0
1
¿∫ ∫ dxdy
100 1.0 500
1
¿
5
b.-
200
1 2
f ( x )= ∫ dy = , 0≤ x <2.5
0 500 5

{
2
f ( x )= ,∧0 ≤ x ≤ 2.5
5
0 ,∧en otros casos

{
1
,∧0 ≤ y ≤ 200
f ( y ) = 200
0 ,∧en otro caso

3.1.2. FUNCIONES MARGINALES

La función de probabilidad que sea de forma individual para X e Y se llaman distribuciones
de probabilidad marginal o también funciones de probabilidad marginal.
Se tiene la Distribución Marginal para X, que está dado por:
P x ( x )=P [ X=x ] = ∑ P [ X =x ,Y = y ] = ∑ P( x , y)
yϵ R y yϵ R y

yϵ R y es el Rango de valores para Y, dado que X=x. Siendo este el rango donde puede darse
los valores diferentes de x.
La Distribución Marginal para Y, está dado por:
PY ( y ) =P [ Y = y ] = ∑ P( x , y)
xϵ Rx

El nombre que tiene llamado marginal se debe a que sus valores de estas distribuciones están
dadas por la suma total de los márgenes de las filas y columnas de la representación al tabular
p(x, y).
Ejemplo:
La función de probabilidad conjunta de la variable aleatoria (X, Y) está definido por:
x+ y
p ( x , y )= , x=1,2; y =1,2,3,4
32
Hallar la distribución de probabilidad marginal de X y de Y

48
 a)
4
x+ y
P x ( x )=P [ X=x ] = ∑ P( x , y )=∑
yϵ R y y=1 32
x +1 x +2 x +3 x + 4
¿ + + +
32 32 32 32
2 x +5
P x ( x )=P [ X=x ] = , x=1,2
16
Es la probabilidad marginal para X.
b)
2
x+ y
PY ( y ) =P [ Y = y ] = ∑ P ( x , y )=∑
xϵ RX x=1 32
1+ y 2+ y
¿ +
32 32
2 y +3
PY ( y ) =P [ Y = y ] = , y =1,2,3,4
32

3.1.3. COEFICIENTE DE CORRELACIÓN

Si se tiene a X e Y variables aleatorias con desviación estándar σ x y σ y respectivamente. El
coeficiente de correlación esta denotado como p(X,Y )
Cov ( X , Y )
r=
σx σ y
Propiedades:
a) −1 ≤r ≤ 1
b) p ( X ,Y )= p(Y , X )
c) Si X e Y son independientes, entonces r = 0
d) Si r = 1 y -1 entonces entre X e Y existe una dependencia funcional lineal.
Si las variables aleatorias llegan a ser independientes entonces el coeficiente de correlación es
igual a 0, pero esto es diferente a que a correlación sea 0 ya que no necesariamente sus
variables en ese caso son independientes.
Ejemplo
La función de probabilidad conjunta de (X, Y) está dado en la tabla:
Y x 0 1 P(Y=y)
0 1 1 2
8 8 8

49
 1 2 1 3
8 8 8
2 2 1 3
8 8 8
P(X=x) 5 3 1
8 8
Calcular el Coeficiente de correlación

E ( X ) =0( 58 )+1( 38 )= 38
E ( Y )=0 ( ) +1 ( )+2 ( )=
2 3 3 9
8 8 8 8

E ( XY )=0 ( + + + )+1 ( )+2 ( ) =

1 2 2 1 1 1 3
8 8 8 8 8 8 8
3 9 3 −3
Cov ( X , Y )= − x =
8 8 8 64
−3
64 −1
r= =
√ 15 x 69 √ 65
64
3.1.4. MOMENTOS
Sea X una variable aleatoria se define su k-esimo momento con respecto al origen como
μk =E [ X ] siempre que se de en el caso discreta como:
k

∑ ¿ x ¿k f (x )dx< ∞
x

En el caso continuo es:

∞

∫ ¿ x ¿k f ( x )dx< ∞
−∞

Ejemplo si X es una variable aleatoria con una función de densidad de Cauchy entonces
probar que E(X) no existe.
1
f ( x )= ,−∞−¿ x <∞
π (1+ x 2)
∞
x 1 2 ∞
E ( X ) =∫ dx = ln (1+ x ) =∞−∞
−∞
2
π (1+ x ) 2 π −∞
Es de forma indeterminada entonces E(X) no existe
3.1.5. FUNCIÓN GENERATRÍZ DE MOMENTOS
Se llama función generatriz de momentos (f.g.m), a la expresión:
tx
M x ( t ) =E(e )

50
cuando este valor esperado existe para −b< t<b ; donde b es un número real positivo.
Para el caso de las variables que son discretas se tiene:
M x ( t ) =E ( e )=∑ e f (x )
tx tx

Y para variables continuas:

∞
M x ( t ) =E ( e )= ∫ e f ( x ) dx
tx tx

−∞

Ejemplo
Si X es una variable Poisson con parámetro ℷ, hallar su función generatriz de momentos
−ℷ x
tx e ℷ
M x t =E e =∑ e
( )
tx
( )
x!
M x ( t ) =e−ℷ e e ´ℷ
−ℷ+e ´ℷ
M x ( t ) =e

3.2. Distribución de probabilidad discretas

3.2.1. DISTRIBUCIÓN UNIFORME
Una variable aleatoria X es una variable aleatoria discreta uniforme si cada uno de los n
valores de su rango, por ejemplo, puede ser como: x 1 , x 2 , x 3 ,… , x n tiene la misma
probabilidad entonces:
1
P ( x ) = ∀ X : 1;2 ; 3 ; ..;n
n
Donde
n+1
E ( x )=
2
n2−1
V ( x )=
12
Ejemplo
Sea que la variable aleatoria Y denote la proporción de las 48 líneas de voz que están en uso
en un tiempo dado. Sea que X denote el número de líneas que están en uso en un tiempo que
este dado
Entonces:
X
Y=
48
Por lo tanto:

51
 E( X)
E ( Y )=
48
48+0
E ( X )=
2
E( X)=24
E ( Y )=0.5
V (X)
V ( Y )=
482
V ( Y )=0.087

3.2.2. DISTRIBUCIÓN BERNOULLI

Hay diversos experimentos que tienen sólo dos resultados que son posibles que son éxito E y
fracaso F. Teniendo como espacio muestral: Ω={ E , F }
La variable aleatoria X toma sólo dos valores X: 0, 1 el cero representa al fracaso y uno al
éxito. Teniendo en cuenta de ello que el éxito será el que nos interesa en el problema que
queramos resolver.
Una variable aleatoria que tiene distribución de Bernoulli su probabilidad está dada por la
siguiente expresión:
P ( X )= p x q1−x ∀ X : 0,1, donde q = 1 – p
P ( X )= p ∀ X=1 Éxito
P ( 1−x )=q ∀ X =0 Fracaso
E ( x )= p
V ( x )= pq
t
M x ( t ) =p e + q

{
0 ,∧x< 0
F ( x )= q ,∧0 ≤ x <1
1 , x ≥1
Ejemplo

52
Se lanza una moneda en una superficie se quiere definir su probabilidad de su función
X=1 cara
X= 0 sello
1
P (C)=
2
1
P ( S )=
2
P ( X )=¿
1
P ( X )= ∀ X :0,1
2
1
E ( X )=
2
1
V ( X )=
4

3.2.3. DISTRIBUCIÓN BINOMIAL

Si tenemos al experimento tupo Bernoulli que se repite de 2 o más veces, vamos a querer
saber el número total de éxitos E obtenidos en un proceso que es de n ensayos, al margen del
orden en el que se llegue a presentar teniendo una sucesión de E y F como:
Ω=EEFFEF … EFE . .
Definiéndolo en un variable aleatoria X de la siguiente forma, X ( ω )=¿ número de éxitos
obtenidos en los n ensayos de Bernoulli, es así que esta variable se llama variable aleatoria
binomial siendo denotado como P [ X=x∨B ; n , p ] teniendo en cuenta lo siguiente
a) La probabilidad que en los n ensayos no ocurre ningún éxito es q n. Es decir, se da
como:
P [ X=0 ] =P [ F F … F ] =q n
b) La probabilidad de que en los n ensayos ocurra el éxito es

P [ X=1 ] =P [ F F … FE , … ] = p
n−1,1 n −1
q p

()
P ( X )= n p x q n−x ∀ X :0,1,2,3 , … , n
x
E ( x )=np
V ( x )=npq
M X ( t )=¿

53
 1
Si p= , la distribución binomial será simétrica; si p→1 la distribución tiene asimetría
2
negativa y si p→0 la distribución tiene asimetría positiva.
Ejemplo
Elegir al azar un día de la semana. Donde la semana se divide, en los días trabajados por Juan
y en los trabajados por Carlos. Se tiene así:
3 2
P(J)= , P(C)=
5 5
Del cual se extrae una muestra de 4 documentos que estuvieron archivados, teniendo en
cuenta que los archivos pueden ser hecho por Juan y Carlos:
X= Número de documentos mal archivados por Juan, en la muestra de 4.
Y= Número de documentos mal archivados por Carlos, en la muestra de 4.

P [ X=x ] = (4x) ¿
P [ Y = y ] =( 4 ) ¿
y
3 4!
¿
5 2! 2 !
3.2.4. DISTRIBUCION GEOMÉTRICA
La distribución geométrica está relacionada con el Bernoulli solo que el número de ensayos
ya no es fijo. Ya que se debe considerar una sucesión de ensayos que son definidos por la
variable aleatoria X de la siguiente manera:
X = número de ensayos requeridos hasta obtener el primer éxito.
Y su espacio muestral como:
Ω={ E , FE , FFE , FFFE , … }
Teniendo su forma general como:
p ( x ) =P [ X =x ] =P [ FF … FE ] = p q x−1
P ( X )= p q x−1
1
E ( X )=
p
q
V ( X )= 2
p
p et
M X ( t )=
1−q e t
Propiedades

54
1.-La distribución geométrica es decreciente
p ( x ) < p ( x−1 ) , para x= 2, 3, …
2.- Una interesante y útil propiedad es que no tiene memoria
P [ X > x+ π ∨X > π ]
Siendo la única distribución discreta que tiene esta propiedad.
Ejemplo
Se dispone de un aparato que fabrica objetos de plástico. Este aparato se utiliza hasta que
aparece el primer objeto defectuoso. Se sabe que; La probabilidad que el objeto sea no
defectuoso es 8/9, la probabilidad de que el objeto sea defectuoso es 1/9. Sea X la variable
aleatoria que da el número de objetos que produce el aparato hasta antes de darle de baja.
Determine la distribución de probabilidad de X.
X: Número de objetos que produce el aparato hasta antes de darle de baja.
8
q=
9
1
p=
9
P( X =x)=¿ =

3.2.5. DISTRIBUCIÓN BINOMIAL NEGATIVA

Es una extensión de la distribución geométrica. Ya que la variable aleatoria X está definida
como:
X = Número de veces que se repite el ensayo hasta obtener n éxitos
Esta variable aleatoria X estará definida como variable aleatoria binomial negativa o también
de Pascal.
Su espacio muestral esta dado como:
Ω={ EEE … E , EE … EFE , EE … EFFE … }
Su número de pruebas está definido por la siguiente expresión:

P ( K−1 )= ( x−1
k−1 )
p
k−1
q
x−k
∀ x :k , k +1 , k +2 …

Donde k indica el número de éxitos requeridos en la x-ésima prueba.

Cada prueba es independiente del otro, asimismo la probabilidad del éxito es p y la del
fracaso es q.
k
E ( x )=
p

55
 kq
V ( x )= 2
p
Mx ( t ) =¿
Ejemplo
Suponga que cada vez que una persona maneja un automóvil tiene 0.001 de probabilidad de
recibir una infracción de tránsito por manejar con exceso de velocidad, y suponga también
que se pierde la licencia de manejo al sumar tres infracciones. Sea X el número de veces que
se maneja el automóvil hasta recibir la tercera infracción. Obtener la función de probabilidad
para X (suponer que cada vez que se maneja el auto se tiene la misma probabilidad de 0.001
de recibir una infracción y que las veces que ocurren esas boletas son independientes).
La variable aleatoria X está definida por:
X: Número de veces que maneja hasta perder la licencia (tercera infracción)
p = 0.001
q = 0.999

( x −1
p ( x ) =P [ X =x ] =
2 )
¿

3.2.6. DISTRIBUCIÓN HIPERGEOMÉTRICA

Si se considera una población que es finita con N elementos, divididos en do clases. Una con
A elementos y la otra con N-A elementos. Llamaremos éxito a la primera clase y fracaso a la
segunda. Es decir, que la población se constituye por A éxitos y N-A fracasos. El resultado de
una observación es afectado por los resultados de las observaciones previas, es decir que los
resultados que tengamos de los ensayos no son independientes y la probabilidad del éxito no
es constante de ensayo a ensayo. El experimento, así definido se le llama experimento
hipergeométrico. Que esta denotado con (x; N; n; A) siendo estos enteros positivos el cual
será dado por:

P ( x) =
( x )( n−x )
A N −A

( Nn )
En muchos casos n es mayor que A, por lo que X no podrá variar hasta n sino sólo hasta lo
que es A.
nA
E ( x )=
N

56
 nA(N −A )(N−n)
V ( x )=
N 2 (N−1)
Ejemplo
Una urna contiene 5 bolas blancas y 6 rojas. Se extrae 4 bolas de la urna sin reposición.
Hallar la distribución de probabilidad del número de bolas rojas extraídas. ¿Cuál es la
probabilidad de extraer exactamente 3 bolas rojas? ¿Cuál es el número esperado de bolas
rojas extraídas?
Sea X la variable aleatoria definida por:
X: Número de bolas rojas extraídas de la urna
R X ={ 0,1,2,3,4 }
N = 11, A = 6, n=4
Se cumple las condiciones que tiene un experimento hipergeométrico, cuya distribución de
probabilidad seria.

P ( x) =
( x )( 4−x )
6 5

(114 )
P ( x=3 )=
( 3 )( 1 ) 24
6 5
=
( 4 ) 11
11

3.2.7. DISTRIBUCIÓN DE POISSION

Dado un intervalo de números reales, suponga que ocurren conteos al azar a lo largo del
intervalo. Si puede hacerse la partición del intervalo en subintervalos con una longitud que
sea suficientemente pequeña, teniendo en cuenta que el número de éxitos en el intervalo es de
tiempo o espacio, siendo continuos e independientes este número de éxitos estará
representado por λ .
Es así que la variable aleatoria así definida se llama variable aleatoria de Poisson y la
distribución de probabilidad de X se llama distribución de Poisson, muy aparte de ello
podemos tomar en cuenta lo siguiente:
λ=np
Donde está multiplicado por el valor total y el número de éxitos.
Su función de cuantía se da de la siguiente expresión:

57
 −λ x
e λ
P ( X )= ∀ x :0,1,2,3 …
x!
E( X ) =λ
V ( X )= λ
t
λ(e −1)
Mx ( t ) =e
Donde λ es el número promedio de ocurrencias por unidad de tiempo o espacio. Además,
debemos tomar en cuenta que la aproximación de una variable aleatoria binomial de Poisson
es de n ≥ 30 y p ≤ 0,05
Ejemplo
Se ha observado que las cajas de cerveza pilsen se toman de los estantes de cierto
supermercado a razón de 10 cajas por hora durante el período de mayor venta. ¿Cuál es la
probabilidad que se saque al menos una caja durante los primeros 6 minutos de un período de
mayor venta? ¿Cuál es la probabilidad que se tome del estante al menos una caja durante cada
uno de 3 intervalos consecutivos de 6 minutos?
X: Número de cajas tomadas en períodos de 6 minutos
e−1
P [ X=x ] =
x!
P [ X ≥ 1 ] =0.632
P [ X 1 ≥ 1 , X 2 ≥ 1 , X 3 ≥ 1 , ]=P( X ¿¿ 1≥ 1) P( X 2 ≥ 1) P(X 3 ≥1) ¿
¿¿

3.2.8. DISTRIBUCIÓN MULTINOMIAL

Si tenemos a las variables aleatorias X 1 , X 2 , X 3 ,… X k quienes se distribuyen en forma
multinomial si llegan a tener una función de cuantía dada como:
n! x x x x
P( X 1 =x1 , X 2=x 2 , X 3=x 3 ,… , X k =x k = p p p … pk
1 2 3 k

X1 ! X2! X3! … Xk ! 1 2 3
Donde:
X 1 + X 2+ X 3 +…+ X k =n
P1 + P2+ P3+ …+ Pk =1
Teniendo en cuenta así que tiene k posible resultados los cuales son mutuamente excluyentes
y que si se llega a conocer el valor de las k-1 variables, se conoce el valor de la variable
faltante.

58
E ( X i ) =n Pi ∀ i=1,2,3 … k
V ( X i ) =n Pi Qi ∀ i =1,2,3 … k
Ejemplo
Las probabilidades que una declaración de impuestos sea llenada correctamente es 60 %, que
contenga un error que favorezca al declarante 20%, que lleve un error que favorezca al fisco
10% y que contenga ambos tipos de errores 10%. Se escoge al azar 10 de tales declaraciones
de impuestos una auditoria.
¿Cuál es la probabilidad que 5 estén correctas, 3 tengan un error que favorezca al declarante,
una lleve un error que favorezca al fisco y una contenga ambos tipos de errores?
X 1 :una declaración de impuestos llenada correctamente
X 2 : una declaración que tenga un error que favorezca al declarante.
X 3 : una declaración que tenga un error que favorezca al fisco.
X 4: una declaración que contenga ambos tipos de errores.
Como el experimento se repite 10 veces tenemos:
n = 10
X 1 =5,
X 2 =3,
X 3 =1,
X 4=1
10 !
P ¿, X 2 =3, X 3 =1, X 4=1 ¿= ¿
5 ! 3 ! 1! 1 !
P ¿, X 2 =3, X 3 =1, X 4=1 ¿=0.0314

3.3. Distribuciones de probabilidad continuas

3.3.1. DISTRIBUCIÓN UNIFORME
Sea X una variable aleatoria continua, que toma todos los valores de un intervalo [ α , β ]
teniendo en cuenta que si su función este dado de la siguiente manera:

{
1
,∧∀ α ≤ x ≤ β
f ( x )= β−α
0 ,∧en otro caso

59
 1
β−α

α β

Se dice que X se distribuye uniformemente en el intervalo [ c , d ] teniendo en cuenta ello sus

valores pueden ser tomado si es igual a:
d −c
P ( c ≤ x ≤ d )=
β−α
Su función de Distribución se da como:

{
0 , Si x <α
F ( x )= x−α
,∧si α ≤ x ≤ β
β −α
1 ,∧si x ≥ β
α+β
E ( x )=
2
V ( x )=¿ ¿
e tβ −etα
Mx ( t ) = ∀ t≠0
t (β−α )
Ejemplo
Un trabajador de empresa recibe su sueldo mensualmente el cual está distribuido en forma
uniforme entre (80-100) soles. Obtener la probabilidad de la empresa le pueda pagar entre
100 y 110 soles por un buen trabajo que realizo.

{
1
,∧∀ 80 ≤ x ≤ 110
f ( x )= 30
0 ,∧en otro caso
110
1 x 110 1
P ( 100≤ x ≤ 110 )= ∫ dx = ∨ =
100 30 30 100 3

3.3.2. DISTRIBUCIÓN EXPONENCIAL

Sea X una variable aleatoria continua. Se dice que X tiene una distribución que es
exponencial con parámetro real λ , si su función de densidad está dada por:

{
−βx
f ( x )= β e ,∧∀ β> 0 , x ≥0
0 ,∧en otro caso

60
Donde se puede tomar al parámetro real β como una constante positiva, se puede ver su
gráfica como:

Donde:
1
E ( x )=
β
1
V ( x )=
β2
Mx ( t ) =¿
1
En caso β= , la función de densidad estará dada como:
α

{
−x
1 α
f ( x )= α e ,∧∀ α > 0 , x ≥ 0
0 ,∧en otro caso
E ( x )=α
2
V ( x )=α
Mx ( t ) =¿
Ejemplo
Suponga que la vida de cierto tipo de tubos electrónicos tiene una distribución exponencial
con vida media de 5 meses. Si x representa la vida de un tubo. Hallar la probabilidad que se
queme uno de estos tubos pasando el promedio.
∞ −x
1
P ( x>5 )=∫ e 5
dx
5 5

−x
5 5 −1
P ( x>5 )=−e ¿0 =e =0.368

3.3.3. DISTRIBUCIÓN NORMAL

Es considerada la distribución más importante en la estadística, la distribución normal, debido
a que se puede dar en la práctica de muchos fenómenos, industriales, científicos, o de la vida
diaria que pueden describirse por esta distribución.

61
Si tenemos una variable aleatoria continua X, se dice que es una distribución normal, si su
función de densidad está dad por:
1
f ( x )= exp ¿
σ √2 π
Donde
−∞< μ< ∞ y σ <0
Además, se puede tomar en cuenta sus siguientes características:
a) El área que este formada por la curva que va de f(x) y el eje horizontal x tiene una
magnitud que será igual a 1.
b) La media, la esperanza, mediana y moda coinciden ya que sus magnitudes son
iguales, sabiendo así que la distribución será simétrica y unimodal.
c) La curva que corresponde a f(x) es asintótica a la recta real X esto quiere decir que:
lim f ( x ) =0 lim f ( x )=0
x→−∞ x→+∞

d) f ( x + μ )=f ( x−μ)
1
e) f ( μ )=
σ √2 π
f) Es cóncava hacia abajo en el intervalo μ−σ < x < μ+σ
g) La media y la varianza de esta distribución se da como μ y σ 2como se da
respectivamente y siendo estos los parámetros de la distribución.
h) Las áreas comprendidas bajo la curva normal son las siguientes
μ ± σ que corresponde al 68,26% del área total.
μ ±2 σ que corresponde al 95,44% del área total.
μ ±3 σ que corresponde al 99,74% del área total.
i) A cualquier variable aleatoria que tiene esta distribución se le representa por
2
N (μ,σ )
2 2
σ t
(tμ+ )
j) mx ( t )=e 2

Su gráfica puede darse como:

62
DISTRIBUCIÓN NORMAL ESTANDARIZADA
Si Z es una variable aleatoria que tiene una distribución normal, con media μ=0 y
varianza σ 2=1, entonces se llama a Z una variable aleatoria normal estándar, con función
de densidad:
x−E( X)
z=
√V ( x )
x−μ
z=
σ
Por lo tanto, como se dijo se tendrá lo siguiente:

E ( z )=E ( x−μ
σ )
=0

V ( z )=v (
σ )
x−μ
=1

Por consiguiente, se tendrá:

f ( z )=
1
√2 π [ ]
exp
−1 2
2
z ∀−∞ < z< ∞

63
Ejemplo
La fábrica de neumáticos produce un tipo de neumáticos que tiene una vida útil de 80000 km
y una desviación estándar de 8000 km. Suponiendo que esta vida útil está distribuida
normalmente:
a) ¿Cuál es la probabilidad que un neumático dure más de 96000 km?
b) El 50% de los neumáticos duran entre x 1 y x 2 kilómetros. Hallar los valores de estos y
si son simétricos con respecto a la media.
c) El fabricante garantiza que reemplazará gratis cualquier neumático cuya duración sea
inferior a x. Determinar el valor de x de modo que tenga que reemplazar solo 1 % de
los neumáticos
a.- P ( x> 96000 )=1− p ( x ≤ 96000 )

P ( x> 96000 )=1−P ( x−μ

σ
≤
96000−80000
8000 )
P ( x> 96000 )=1−09772
P ( x> 96000 )=0.0228
b.- P ( X < x 1 )=0.25 y P ( X ≤ x 2 )=0.75

P( x−μ x1−μ
σ
≤
σ )
=0.25

Φ(
σ )
x −μ
1
=0.25

x1−80000
=−0.67
8000
x 1=74640 km

P( x−μ x2 −μ
σ
≤
σ )=0.75

Φ(
σ )
x −μ
2
=0.75

x2 −80000
=0.67
8000
x 2=85360 km

c.- P ( X < x )=P ( x−μ

σ
<
σ )
x −μ
=0.01

64
Φ ( )
x−μ
σ
=0.01

X−80000
=−2.33
8000
x=61360

CAPÍTULO 4

4. Distribuciones muestrales y de muestras pequeñas

4.1. Desigualdad de chebyshev. Ley de los grandes números,

Propiedad Reproductiva de la Distribución Normal,
Aproximaciones con la Distribución Normal. Teorema del Limite
Central
4.1.1. DESIGUALDAD DE CHEBYSHEV
Si X es una variable aleatoria con E(x) = μ y varianza igual a σ 2< ∞ se tendrá en cuenta lo
siguiente:
V (X) 1
P (|x−μ|< k ) >1− 2
→ P (|x−μ|< kσ ) >1− 2
k k
V (X) 1
P (|x−μ|≥ k ) ≤ 2
→ P (|x−μ|≥ kσ ) ≤ 1− 2
k k
Si x es la media muestral, entonces la desigualdad se da como:

P (|x−μ|< k ) >1−
V (x)
k 2 (
→ P |x−μ|<
kσ
√n) 1
>1− 2
k
Ejemplo
Si somos gestores de un fondo de inversión. La cartera que estamos gestionando tiene
rentabilidad media del 8,14% y una desviación típica del 5,12%. Se quiere saber el porcentaje
de nuestros retornos se encuentran al menos a 3 desviaciones típicas de nuestra rentabilidad
media simplemente aplicaríamos la formula dada:
k = 1,96

1−
( ) 1
1,96
2
=0,739=73,9 %

Esto quiere decir que hay un 73,9 % de los resultados que están en el intervalo de confianza
situado en 1,96 desviaciones típicas de la media.
Si tomamos distintos valores de k se podría tomar lo siguiente:
k =2,46
k =3

65
1−
( ) 1
2,46
2
=0,835=83,5 %

1−
( 3 )=0,889=88,9 %
1
2

Hay un 83,5 % de los datos que están a una distancia de 2,46 desviaciones típicas de la media
y un 88,9% que están a 3 desviaciones típicas de la media.

4.1.2. LEY DE LOS GRANDES NÚMEROS

Esta ley considera que si existe la esperanza de una variable aleatoria X y para ello tan solo es
suficiente una m.a. que es consistente en una sucesión de variable aleatoria independiente
entre sí como x 1, x 2, x 3 ,… , x n considerando al promedio x n y este se estabiliza con una
constante que se da en E(x) siendo denominado a esta ley de los grandes números.
Para poder entenderlo mejor se puede tener el siguiente teorema:
Si se tiene x 1, x 2, x 3 ,… , x n que son variables aleatorias independientes como ya se mencionó
con la misma distribución, con E ( x )=μ y varianza V ( x )=σ 2 entonces se da lo siguiente:
Y n=x 1, x 2, x 3 ,… , x n
Y n=¿ ¿, x 2, x 3 ,… , x n ¿ /n llamado, así como media muestral.
lim P (|Y n−μ|<ε ) =1
n→∞

Con la desigualdad de Chevishev se puede dar como:

2
σ
P (|Y n −μ|<ε )=1− aplicando ese límite se llega a obtener la misma expresión del
nε 2
teorema.
lim P (|Y n−μ|≥ ε )=0
n→∞

Aplicando el límite se tendrá:

σ2
P (|Y n −μ|<ε )=1−
nε 2
4.1.3. PROPIEDAD REPRODUCTIVA DE LA DISTRIBUCIÓN
NORMAL
Habrá distribuciones que tienen una propiedad para poder extenderse, teniendo en cuenta así
que la suma de dos o más variables teniendo el mismo tipo de suma se le denomina propiedad
reproductiva, el cual se estructura por la distribución normal como puede darse:
Teniendo x 1, x 2, x 3 ,… , x n ,n que son variables aleatorias independientes donde cada
2
X i → N (μ ¿¿ i, σ i )¿

66
∀ i=1,2,3 , … , n ,si Y n= X 1+ X 2 + X 3 + …+, X n entonces este se distribuye normalmente con la
media:
n
μYn =∑ μi ,
i=1

Varianza
n
V Yn =∑ σ ,
2

i=1

Esto quiere decir:

Y n=N ¿
Ejemplo
El indicador de una carretilla elevadora dice que tiene un máximo de 1200 kg. Un repartidor
de mercancía introduce 10 cajas grandes, cuyo peso se distribuye según una distribución
normal de media 140 kg y desviación típica de 10 kg. ¿Cuál es la probabilidad de que meta
10 cajas en la carretilla y esta se quede bloqueada?
La variable Y = Peso de las 10 cajas que corresponde a la suma de las 10 variables normales
X i ϵN (140,10)
Y = X 1 +…+ X 10
Se tiene en cuenta, por lo tanto:
Y ∈ N ( 140.10 , √ 10. 102 ) =N (1400,31.623)
P ( Y >1200 )

(
¿ P Z>
1200−1400
31.623 )
=P ( Z>−6.32 )=1

4.1.4. APROXIMACIONES CON LA DISTRIBUCIÓN NORMAL

[Link]. Binomial
Cuando se tiene que n es grande, darle un uso a esta distribución es más complicada por lo
que se toma la distribución normal haciendo un cambio de variable aleatoria discreta a una
variable aleatoria continua usaron el ± 5 tomando en cuenta la siguiente formula:
x ± 0,5−μ
Z= → N (0,1) siendo una normal estandarizada.
σ
Ejemplo

67
El 45 % de todos los empleados de una dependencia pública poseen título que los acredita
para el puesto. ¿Cuál es la probabilidad de que de los 160 empleados elegidos al azar 75
posean título para el puesto?
μ=160.0,45=72
σ =√ 160.0,45.0,55=6.29

z 1=
( )
x+
1
2
−μ
=0.56
Área= 0,21226
σ

z=
( x + )−μ
1
2
=0.40
Área = 0,15542
2
σ
P¿
[Link]. Poisson
X ± 0,5−λ
Z=
√λ
Ejemplo
Suponga que el número de partículas de asbesto en una muestra de un centímetro cuadrado de
polvo es una variable aleatoria de Poisson con media 1000 ¿Cuál es la probabilidad de que en
10 centímetros cuadrados de polvo haya más de 10000 partículas de asbesto?
λ=10000
P( X > 10000)
x−λ
z=
√λ
10000−10000
z=
√100
z=0
P ( Z >0 )=P ( Z >0 )=0.5

[Link]. Hipergeométrica
x ± 0.5−nA / N
Z=

√ nA (N− A)(N −N)

N . N .( N −1)
Ejemplo
En un hospital se distribuirá 2000 vacunas a niños, de los cuales 400 lo necesitan de forma
urgente, pero para poder dar estas vacunas se escoge a 50 niños para realizar pruebas en ellos.

68
¿Cuál es la probabilidad de que haya a lo más 15 niños que requieran de manera urgente esta
vacuna?
50 ( 400 )
μ= =10
200
50 ( 400 )( 1600 )( 1950 )
V ( x )= =7,8039
2000 ( 2000 ) ( 1999 )
σ =2,7935
P ( x ≤ 15 )=P ( z ≤ z 0 )
15+0,5−10
z 0= =1,97
2.7935
P ( z ≤ 1,97 )=0,9756

4.1.5. TEOREMA DEL LIMITE CENTRAL

El teorema más importante de la estadística y realza la importancia de la distribución normal,
pues se puede aproximar cualquier conjunto de datos a la distribución que sea normal.
Teniendo X 1 , X 2 , X 3 ,… , X n ; tienen la misma distribución con la misma media μ y varianza
2
σ , y se podrá ver de la siguiente manera:
E( x ¿¿ i)=μ ¿
2
V (x ¿¿ i)=σ ∀ i=1,2,3 , … , n ¿
Si se tiene en cuenta que estas variables aleatorias son independientes la suma será la
siguiente:
Y n= X 1 , X 2 , X 3 , … , X n
Teniendo
Media:
E(Y ¿ ¿ n)=nμ ¿
Varianza
2
V (Y ¿¿ n)=n σ ¿
n n

∑ x i −∑ μ i
i=1 i
Z n=

√∑
n
σ 2i
i=1

Siendo la distribución aproximada normal estandarizada

lim F n ( z )=F (z)
n→∞

69
Y si X 1 , X 2 , X 3 ,… , X n son variables aleatorias independientes se daría como:
Y n−nμ
Z n=
σ √n
n

∑ xi Y
−¿ i=1 = n ¿
n n
X ¿
−¿ μ
− X¿
Z n= → N (0,1)¿ ¿
σ / √n
Ejemplo
Una empresa de mensajería que opera en la ciudad tarda una media de 35 minutos en llevar
un paquete, con una desviación típica de 8 minutos. Supongamos que hoy se han repartido
200 paquetes. ¿Probabilidad de que la media de entrega este entre 30 y 35 minutos?
P¿

P ( 30−35
0,566
≤Z ≤
0,566 )
35−35
=P (−8,83 ≤ Z ≤ 0 )=P ( Z ≤ 0 )−P ( Z ≤−8,83 )

= 0,5 – 0 = 0,5
4.2. Distribuciones Muestrales
4.2.1. DISTRIBUCIÓN DE LA MEDIO MUESTRAL
Sea X una población con distribución de probabilidad f(x), media μ y varianza σ 2 . Sea
−¿¿ n
1
x 1 , x 2 , … , x n una muestra aleatoria de tamaño n de X. La media muestral es ¿ ∑x
n i=1
X

Entonces se tendrá en cuenta lo siguiente:

a) μ X =μ
2
2 σ
σ =
X
n
b) Para n suficientemente grande, por el teorema central del límite de la variable

σ2
aleatoria X se distribuye por una normal con media μ y varianza
n
Teniendo así la variable aleatoria:
X−μ ( X−μ) √ n
Z= =
σ /√n σ
Tiene aproximadamente una distribución normal estándar.
N −n N−n n n
= =1− → lim (1− )→1
N−1 N N N→∞ N
Ejemplo

70
 La población, X = número de horas de duración de una pila; tiene una distribución normal
con μ=100 horas y σ =20 horas.
Se extraen muestras aleatorias de 16 pilas, X 1 , X 2 , … , X 16 de esta población. Entonces
cada x i (i=1,2 , … ,16) tiene distribución normal con μ=100y σ =20.
16
1
X= ∑x
16 i=1 i
Tiene una distribución normal con
μ X =100
20 20
σ X= = =5
√ n √16
( X −μ ) √ n ( 125−100 ) √ 16
a) P ( 100< X <125 ) =P(100−100 ¿ √ 16¿¿ 20< < )
σ 20
¿ P¿
b) P ( X <a )=0,95

P ( σ
<
20 )
( X −μ ) √n ( a−100 ) √ 16
=0,95

a=100+5 ( 1.645 )=108.225

4.2.2. DISTRIBUCIÓN DE LA PROPORCIÓN MUESTRAL
Sea X una variable aleatoria Binomial que va a estar definida por el número de éxitos con n
ensayos que tenga donde (x/n) viene a ser la proporción de estos éxitos están denotado por p
o ^p, teniendo una distribución Binomial como:
u ^p =P
2 PQ
σ ^p=
n
^p −P
z= → N ( 0,1 )

√ PQ
n
Ejemplo
Históricamente, el 10 % de un embarque grande de piezas para maquinaria es defectuosa.
Suponga que el embarque consta de 5000 piezas de máquina. Si se seleccionan muestras sin
reemplazo de 400 piezas, ¿Qué proporción de las muestras tendrá
a) Entre 9% y 10% de piezas defectuosas?
b) Menos de 8% de piezas defectuosas?
c) ¿Por arriba de qué valor en porcentaje caerá el 95% de los porcentajes de la muestra?
a)

71
 0.09−0.1 ^p − p 0.1−0.1
P ( 0.09< ^p <0.1 )= p ( < < )

√ √
0.0144 pq N −n 0.0144
n N −1
¿ P (−0.69< Z< 0 )=∅ ( 0.0 )−∅ (−0.69)
¿ 0.5−0.2451=0.2549
b)
P(^
P<0.08 ) =P ¿
¿ P ( Z ←1.39 )
¿ 0.0823
c)Sea a el valor que debemos encontrar, entonces:

^ > a )=P ( ^p − p a−0.1

0.95=P ( P > )

√ √
pq N −n 0.0144
n N −1

(
P Z>
a−0,1
0,0144)=0,05

4.3. Distribuciones de Muestras Pequeñas

4.3.1. CHI CUADRADO
Sean x 1 , x 2 , … , x n variables aleatorias independientes distribuidas normalmente, cada una con
media 0 y varianza 1, la variable aleatoria seria:
n
x =∑ x i
2 2

i=1

Tiene una distribución Chi-cuadrado con n grados de libertad y con una función de densidad:

{
1
X
( 2)
n
−1
−x
e 2 ,∧x ≥ 0
n
f ( x )= 2 2 r n
2 ()
0 ,∧x< 0

Tiene un caso particular de la distribución gamma cuando los parámetros de la función

gamma tienen valores concretos:
2
X n=¿
Con un grado de libertad
n
X n= ∑ ¿ ¿
2

i=1

Ahora tendríamos lo siguiente:

72
 n

∑ ¿¿
i=1

2
(n−1) S
¿
σ2

Entre sus propiedades tenemos:

1. La variable aleatoria Chi-Cuadrado es positiva, puesto que sus sumas son al cuadrado.
2. La distribución que sea de tipo continuo, da la forma y posición que depende de los
grados de libertad.
3. E ( X n )=n
2

4. V ( X n )=2 n
2

Esta distribución será muy importante porque será usado en usos prácticos de la inferencia
estadística y sobre todo en las hipótesis, ya que se encuentra en las tablas respectivas
Ejemplo
Si tenemos una muestra aleatoria de tamaño 10 de una variable aleatoria con una distribución
de x 219.
Hallar la probabilidad de que exactamente dos de los diez valores muestrales llegue a exceder
a los 30.14
Si X es una variable aleatoria con una distribución x 219
Se debe calcular
P ( X >30.14 )=1−P( X ≤ 30.14)
2
¿ 1−P( x ≤ x 0.95 )

73
¿ 1−095
¿ 0.05
Sea la variable aleatoria y definida por
Número de valores que son mayores de 30.14 en la muestra que se dio de los 10. Tenemos
ahora:

( )
P ( Y =2 )= 10 ¿
2
Si se utiliza la tabla se tiene:
P ( Y =2 )=0.0746

Si queremos calcular P ( X < x ∝ )

2

Tendremos que X tiene una distribución que es x 2r con r >30 , de manera que no se puede
obtener directamente de la tabla de distribución de chi-cuadrado, se aplicara la aproximación
normal en el que se utiliza una de las propiedades donde chi-cuadrado con r grados de
libertad, tiene r suficientemente grande, para la variable aleatoria, teniendo una distribución
que se da como:
N ( √ 2 r−1 , 1)
4.3.2. T DE STUDENT
Sea Z una variable aleatoria normal con media 0 y varianza 1.
Sea Y una variable aleatoria que tiene una distribución chi-cuadrado con r grados de libertad,
y si Z e Y son independientes, entonces la variable aleatoria
Z Z √n
T= =
√Y /n √ Y
Se dice que tiene una distribución t – de student con n grados de libertad, y su función de
densidad está dado por:

f (t)=
( r
2 )
n+1
¿
√ nπ r ( )
n
2
Se tendría la siguiente variable aleatoria:
(x−μ) √ n
√ n−1 ( x−μ) n
T=
Z
=
Z √n
=
σ
=
√

√
√Y /n √ Y (n−1)S 2 S
σ2
Algunas propiedades que tienen son:

74
a) La variable aleatoria toma valores positivos y negativos.
b) La distribución t, es continua y simétrica alrededor del valor central cero.
c) La distribución t tiene un solo parámetro que es n; siendo asociadas la variable
aleatoria chi- cuadrado con el denominador de su expresión.
d) E ( x )=0 ∀ n>1
n
e) V ( x )= ∀ n> 2
n−2

Así, la distribución t no tiene media cuando r = 1 y la varianza no existe cuando r = 1 o 2.

La distribución t es muy similar a la distribución normal estándar, ya que ambas varían
desde el menos infinito al infinito, siendo estos simétricos y centradas alrededor de t = 0,
es decir su media es cero, pero la distribución t tiene mayor dispersión que la distribución
2 n
normal estándar, esto se observa de la varianza σ =
n−2
La varianza de la distribución t, es mayor que 1, la varianza de la distribución t, varia para
diferentes grados de libertad, diferentes a cada grado de libertad. Siendo así que la
varianza se aproxima a 1 cuando el grado de libertad es grande. Por lo tanto, la
distribución t, se aproxima a la distribución normal estándar cuando el grado de libertad
es suficientemente grande. En la práctica se trata a la distribución t como N (0,1) cuando
se da que n>30.
Debido a su importancia la distribución t en inferencia estadística la dificultad de evaluar
la función de distribución de la variable aleatoria T, estas se dan en una tabla, pues hay
distribuciones distintas para cada grado

75
Ejemplo
Sea T una variable aleatoria que tiene una distribución t con varianza
2 5
σ =
4
Calcular
P(−1.812 ≤T ≤2.228)
Desde que
2 n
σ =
n−1
5
¿
4
n=10
Entonces:
P (−1.812≤ T ≤ 2.228 )=P ( T ≤ 2.228 )−P ( T ≤ 1.812 )
¿ P ( T ≤ t 0.975 ) −( 1−P ( T ≤ 1.812 ) )
¿ P ( T ≤ t 0.975 ) −1+ P ( T ≤ 1.812 )
¿ 0.975+0.95−1
¿ 0.925

4.4. [Link] DE TABLAS

DISTRIBUCIÓN BINOMIAL
n

()
B ( x ;n , p )=∑ n p k ¿ ¿
k=0 k

76
DISTRIBUCIÓN POISSON

77
 n
λk
B ( x ; λ ) =∑ e−λ

k=0 k!

78
DISTRIBUCIÓN NORMAL ESTÁNDAR
2
t −z
1
N z ( t )=∫ e 2 dz
0 √2π

79
DISTRIBUCIÓN CHI-CUADRADO
2 2
P=P( X ≤ x p)

80
81
DISTRIBUCIÓN T de STUDENT
Pr (t o ≤ t)

82
83
84
5. DISCUSIÓN
5.1. Solución de Problemas Capitulo 1
5.1.1. Probabilidad de un evento
1) Al final del semestre John se va a graduar en la facultad de ingeniería industrial de
una universidad. Después de tener entrevistas en dos empresas en donde quiere
trabajar, determina que la probabilidad que tiene de lograr una oferta de empleo en la
empresa A es 0,8 y que la probabilidad de obtenerla en la empresa B es 0,6. Si, por
otro lado, considera que la probabilidad de recibir ofertas de ambas empresas es 0,5,
¿Qué probabilidad tiene de obtener al menos una oferta de esas dos empresas?
P ( A ∪ B ) =P ( A )+ P ( B )−P( A ∩ B)
P ( A ∪ B ) =0.8+0.6−0.5=0.9
2) En una mano de póquer que consta de 5 cartas encuentre la probabilidad de tener 2
ases y 3 jotas.
Para tener 2 ases de las 4 cartas se tiene lo siguiente:

( 42)= 2!42!! =6
Y el número de tener 3 jotas de 4 cartas es:

( 43 )= 34! 1!! =4
El número total de manos de póquer de 5 caras, quienes tienen la misma probabilidad es:

5( )
N= 52 =
52 !
2! 47 !
=2598960

Por la probabilidad de obtener 2 ases y 3 jotas en una mano de póquer de 5 cartas es:
24 −5
P (C)= =0.9 x 10
2598960
3) Si una moneda está balanceada, cada uno de sus resultados tendrá la misma
probabilidad de ocurrir. Por lo tanto, se asigna una probabilidad de A a cada uno de
los puntos muestrales. Entonces el evento que ocurra al menos en una cara se daría
como:
1 1 1 3
P ( A )= + + =
4 4 4 4

85
5.1.2. Probabilidad total
1) Una multinacional elabora sus piezas en 3 factorías, en el cual el primero tiene una
producción del 40% y 2 % con defecto, la segunda tiene 35% de producción y 3% de
defecto y el tercero tiene 25% de producción y 1% de defecto
Hallar la probabilidad de que una pieza escogida al azar sea defectuosa
Producción Defectuosidad
A=0,40 D=0,02
B=0,35 D=0,03
C=0,25 D=0,01
P ( D )=P ( D/ A ) . P ( A ) + P ( B ) . P( D/B)+ P( D /C ). P(C)
P ( D )=( 0,02 ) ( 0,40 ) + ( 0,35 ) ( 0,03 ) + ( 0,25 ) ( 0,01 )
P ( D )=0,01875
2) Tenemos tres urnas que son distintas: con A con 5 bolas rojas y 3 azules, B con 3
bolas rojas y 2 azules, y C con 2 bolas rojas y 4 azules. Escogemos una urna al azar y
extraemos una bola, ¿Cuál es la probabilidad de que la bola sea roja?
Se tiene los sucesos que
R: Sacar bola roja
A: Sacar bola azul
P ( R )=P ( A ) P (R/ A )+ P ( B ) . P( R /B)+ P(R/C) . P(C)
1 5 1 3 1 2 187
. + . + . =
3 8 3 5 3 6 360
3) Se tiene una urna vacía y se lanza una moneda al aire. Si sale cara, se introduce en la
urna una bola roja y si sale cruz se introduce una bola verde. El experimento se repite
3 veces, y a continuación, se introduce la mano en la urna, retirando una bola. ¿Cuál
es la probabilidad de que en la urna queden una bola roja y otra verde?
P ( RV )=P ( RRV ) P( RV / RRV )+ P ( RVV ) . P(RV /RVV )
3 2 3 2 1
. + . =
8 3 8 3 2

86
5.1.3. Teorema de Bayes
1) Dado que un nuevo procedimiento médico ha demostrado ser efectivo para la
detección temprana de una enfermedad, se propone un estudio médico de la
población. A probabilidad de que la prueba identifique correctamente a alguien que
no padece la enfermedad como negativo es 0,95 y la probabilidad de que la prueba
identifique correctamente a alguien con la enfermedad como positivo es 0,99. La
incidencia de la enfermedad en la población es 0,0001. ¿Cuál es la probabilidad de
que padezca esta enfermedad?
P ( D/ S )=P( S /D)P( D)/ (P (S / D) P(D)+ P(S / D ´ )P( D ´))
0,99 ( 0,0001 )
P ( D/ S )=
0,99 ( 0,0001 )+ 0,05 (1−0,0001 )
P ( D/ S )=0,002
2) Una empresa de manufactura emplea tres planos analíticos para el diseño y desarrollo
de un producto específico. Por razones de costos los tres se utilizan en momentos
diferentes. De hecho, los planos 1,2 y 3 se utilizan para 30%, 20% y 50% de los
productos, respectivamente. Si se observa un producto al azar y se descubre que está
defectuoso ¿Cuál de los planos tiene más probabilidad de haberse utilizado y, por lo
tanto, de ser el responsable?
0,30 ( 0,01 )
P( A /D)=
( 0,3 ) ( 0,01 ) + ( 0,20 ) ( 0,03 ) +( 0,50)( 0,02)
P( A /D)=0,158
0,03 ( 0,20 )
P( B/ D)=
0,019
P( B/ D)=0,316
0,02 ( 0,50 )
P(C / D)=
0,019
P(C / D)=0,526
3) En la academia de Mate Móvil, la probabilidad de que a un alumno seleccionado al
azar le guste el helado es del 60 %, mientras que la probabilidad de que a un alumno
le guste la torta es del 36 %. Además, se sabe que la probabilidad de que a un alumno
le guste la torta dado que le gusta el helado es del 40 %. Calcular la probabilidad de
que a un alumno le guste el helado, dado que le gusta la torta.

87
 0,6 ( 0,4 )
P(h /t )=
0,36
P(h /t )=0,6667
5.1.4. Independencia de eventos
1) La producción de un día de partes manufacturadas contiene 50 partes que no cumples
con los requerimientos del cliente y 800 sí lo hacen. Se seleccionan dos partes al azar,
sin reemplazo, del lote. Sea que A denote el evento de que la primera parte está
defectuosa y sea que B denote el evento de que la segunda parte está defectuosa. Se
sospecha que estos dos eventos son independientes, porque el hecho de saber que la
primera parte está defectuosa sugiere que es menos factible que la segunda parte
seleccionada esté defectuosa. De hecho, P(B/A) = 49/849. Encontrar la probabilidad
condicional P(B) es un tanto difícil porque es necesario considerar los valores
posibles de la primera selección.
P ( B )=P( B/ A )P( A)+ P(B/ A ´ ) P( A ´)

P ( B )= ( 849
49
)( 850
50
)+( 849 )( 850 )
50 800

1
P ( B )=
17
2) El circuito ilustrado abajo sólo opera si hay una trayectoria de dispositivos
funcionales de izquierda a derecha. La probabilidad de que cada dispositivo funcione
se indica en la ilustración. Suponga que los dispositivos fallan independientemente
¿Cuál es la probabilidad de que el circuito opere? Teniendo en cuenta que tiene un
0,95 de probabilidad de que no opere.
P ( T ´ ) P ( B ´ )=¿
P ( T ∩ B )=1−0,05 2=0,9975
3) En un estudio de una enfermedad al pulmón se examinan 10000 personas mayores de
60 años. Se halla que 4000 personas de este grupo son fumadores. Entre los
fumadores 1800 padecen de desórdenes pulmonares. Entre los que no fuman 1500
tienen desórdenes pulmonares. ¿Son los eventos “fumadores” y “desórdenes
pulmonares” independiente?
4000
P ( A )= =0,4
10000
3300
P ( B )= =0,33
10000

88
 1800
10000
P ( A /B )= =0,55
3300
10000
Los eventos A y B no son independientes.
5.2. Solución de Problemas Capitulo 2
5.2.1. Variables aleatorias discretas
1) Se tiene 6 cajas numeradas 1,2,3,4,5 y 6; se tiene también 6 cartas numeradas
1,2,3,4,5 y 6. Se coloca al azar una carta en cada caja. Sea X una variable aleatoria
que indica el lugar que ocupa la primera carta con número par. Determine la
distribución de probabilidad de X.
3 1
p ( 1 )=P ( x=1 )=P ( E1 )= =
6 2
3 3 3
p ( 2 )=P ( x=2 )=P ( F1 E2 ) = x =
6 5 10
3 2 3 3
p ( 3 )=P ( x=3 )=P ( F 1 F 2 F 3 )= x x =
6 5 4 20
3 2 1 3 1
p ( 4 )=P ( x=4 )=P ( F 1 F 2 F3 E 4 )= x x x =
6 5 4 3 20
2) Supóngase que la producción de un día de 850 piezas manufacturadas contiene 50
piezas que no cumplen con los requerimientos del cliente. Se seleccionan del lote dos
piezas al azar y sin reemplazo. Sea la variable aleatoria X igual al número de piezas
de la muestra no cumplen. ¿Cuál es la función de distribución acumulada de X?

P ( X=0 )= ( 800
850 849 )
)( 799
=0,886

P ( X=1 ) =2 (
850 )( 849 )
800 50
=0,111

P ( X=2 )=(
850 849 )
)(
50 49
=0,003

F ( 0 )=P ( X ≤0 )=0,886
F ( 1 )=P ( X ≤ 1 )=0,886+ 0,111=0,997
F ( 2 )=P ( X ≤ 2 )=1
3) Si se considera lanzar 3 monedas, teniendo en cuenta que C representa el número de
caras y S el de sellos, se quiere hallar la distribución de probabilidad se debe realizar
lo siguiente

89
 1
p ( 3 )=P ( x=3 )=P ( CCC )=
8
3
p (−1 )=P ( x=−1 )=P ( SSC ) + P ( SCS ) + P(CSS)=
8
1
p (−3 )=P ( x=−3 )=P ( SSS )=
8

5.2.2. Variables aleatorias continuas

1) Sea

{
2
f ( x )= k x ,∨¿ x−2∨≤ 0
0 ,∧¿ x−2∨¿ 1
a) Hallar el valor de k tal que f sea una función de densidad de variable aleatoria
continua x

{
0 , x <1
f ( x )= k x 2 ,1 ≤ x ≤3
0 ,∧x >3
3

( )
3
x 3 1 k 26
∫ k x dx=k
2
3
¿1=k 9− =
3 3
=1
1

3
k=
26
2) La longitud de vida de una especie de plantas en cierto medio ambiente es una
variable aleatoria continua. Supongamos que la función de densidad de x es:
−x
1 120
f ( x )= e
120
a) ¿Qué proporción de plantas de esta especie mueren antes de los 100 días?
100 −x −x
1 120
P ( X <100 )= ∫ e dx=−e 120 ¿100
0 =1−e
−1

0 120
3) Para qué valor de k la función:
k
f ( x )=
¿¿
∞

∫ ¿k¿ ¿
−∞

k 0 k t
lim ¿ t + ¿ lim ¿0=1 ¿
t →−∞ 1−x t →−∞ 1−x

1
k=
2

90
5.2.3. Coeficiente de variación de variables aleatorias Discretas y
Continuas
1) Calcular el coeficiente de variación de la variable aleatoria que tiene como función de
distribución:

{
0 ,∧x <2
0.2 ,∧2 ≤ x< 4
f ( x )= 0.55 , 4 ≤ x< 6
0.85 , 6 ≤ x <8
1 x ≥8
P ( X=2 )=F ( 2 )−F ( 0 )=0,2
P ( X=4 )=F ( 4 )−F ( 2 )=0,30
P ( X=6 )=F ( 6 )−F ( 4 ) =0,35
P ( X=8 )=F ( 8 )−F ( 6 )=0,15
E ( X ) =4,8

E ( X 2) =26,8
σ 2x =Var ( X ) =26,8−4 , 82=3,76
σ x =√ 3,76=1,94
1,94
CV = =0,40
4,8
2) Una variable aleatoria continua X tiene por función de distribución:
f ( x )=¿
Hallar el coeficiente de variación
∞ 1 2 2
E ( X ) =∫ xf ( x ) dx=∫ x . x dx +∫ x ( 2−x ) dx=∫ ( 2 x −x ) dx
2

−∞ 0 1 1

( )( )
3 3
x 1 2 x 2 1 8 1
E ( X )= ¿ 0+ x − ¿1= + 4− − 1− =1
3 3 3 3 3
∞ 1 2 2
E ( x )= ∫ x f ( x ) dx=∫ x . x dx+∫ x ( 2−x ) dx =∫ ( 2 x −x ) dx
2 2 2 2 2 3

−∞ 0 1 1

4
x 1
E ( x )= ¿ 0+ ¿
2
4

91
σ x=
√ 1
6
=0,41

0,41
CV ( x )= =0,41
1
3) Una variable aleatoria X tiene por función de distribución:

{
0 ,∧x<1
f ( x )= x−1 ,∧1 ≤ x<2
1, x≥2
Calcular el coeficiente de variación.
∞ 2
x3 2 8 1 7
E ( X ) =∫ x f ( x ) dx=∫ x dx= ¿1= − =
2 2 2

−∞ 1 3 3 3 3
7
σ 2x = −¿
3

σ x=
√ 1
12
=0,08

0,08
CV ( x )= =0,05
1,5
5.3. Solución de Problemas Capitulo 3
5.3.1. Variables aleatorias bidimensionales discretas
1) Un experimento consiste en lanzar tres veces una moneda. Sean las variables
aleatorias_ X el número de caras en las tres tiradas e Y la diferencia en valor absoluto
entre el número de caras y el de escudos en las tres tiradas.
Y X 1 3 P(X)
0 0 1/8 1/8
1 3/8 0 3/8
2 3/8 0 3/8
3 0 1/8 1/8
P(Y) 6/8 2/8 1

Hallar la covarianza y coeficiente de correlación

(
α 11= 0.1.0+0.3 .
1
8)( 3
8 )(3
8 )( )1 18
+ 1.1. +1.3 .0 + 2.1. + 2.3.0 + 3.1.0+3.3 . =
8 8
Cov ( X , Y )=2,25−1,5.1,5=0
0
P XY = =0
√75 √ 75

92
 2) Sean (X, Y) los paquetes diarios que venden dos operadores de viajes, cuya
distribución de probabilidad conjunta se refleja en la tabla:
Y 0 1 2
X
0 0,15 0,15 0,10

1 0,05 0,20 0,05

2 0,10 0,05 0,15

Hallar la media y varianza de X, Y

X Y 0 1 2 Pi Xi-pi 2
x i . pi
0 0,15 0,15 0,10 0,40 0 0

1 0,05 0,20 0,05 0,30 0,30 0,30

2 0,10 0,05 0,15 0,30 0,60 1,20

p. j 0,30 0,40 0,30 1 0,90 1,50
y. j p. j 0 0,40 0,60 1
2
y . j . p. j 0 0,40 1,20 1,60

Media:
3
α 10=E ( X )=∑ xi . p i .=0,9
i=1

3
α 20=E ( X ) =∑ x i . pi .=1,5
2 2

i=1

Varianza:
Var ( X )=1,5−0 , 92=0,69
Media:
3
α 01=E ( Y )=∑ y i . p i .=1
j=1

3
α 20=E ( Y )=∑ y 2i . pi .=1,6
2

j=1

Varianza:
Var ( Y )=1,6−12=0,6

93
 3) Sea un variable aleatoria bidimensional con distribución de probabilidad
Y -1 1
X
1 1/6 1/3

2 1/12 1/4

3 1/12 1/12

¿Son X e Y independiente?
Y -1 1 pi .
X
1 1/6 1/3 1/2
2 1/12 1/4 1/3
3 1/12 1/12 1/6
p. j 1/3 2/3 1

1 1 1
p11= = p1. . p .1= .
6 2 3
1 1 1 1
p21= ≠ p 2. . p.1 = . =
12 3 3 9
1 1 1 1
p31= ≠ p3. . p.1 = . =
12 6 3 18
Las variables X e Y no son independientes
5.3.2. Variables aleatorias bidimensionales continuas
1) Sea (X,Y) una variable aleatoria bidimensional con función de densidad:

{
f ( x , y )= k ,∧0< y< x <1
0 , en otros casos
a) Hallar k para que sea función de densidad
1 x 1

∫∫ k dxdy=∫ k ¿ ¿ ¿ ¿
0 0 0

k =2

{
f ( x , y )= 2,∧0< y < x <1
0 , en otros casos

2) Sea (X, Y) una variable aleatoria bidimensional con función de densidad:

94
 {
f ( x , y )= 1∨ y∨¿ x ,∧0< x <1
0 , en otros casos
a) Comprobar que f (x,y) es función de densidad
1 x 1

∫ ∫ dxdy =∫ k ¿ ¿ ¿ ¿
0 −x 0

3) La función de densidad asociada a la emisión de billetes de una compañía área es:

{
f ( x , y )= x + y 0< x <1 ,∧0< y< 1
0 , en otros casos
Hallar la función de distribución

( )
x 2
y
∫ uy +
2
du= y ¿ ¿

{
0

0 ,∧x< 0 , y <0
1
( y x 2 + y 2 x ) , 0 ≤ x <1 , 0≤ y <1
2
F ( x , y ) = F 1 ( x )= 1 ( x 2 + x ) ,0 ≤ x <1 , y ≥1
2
1 2
F 2 ( x )= ( y + y ) 0 ≤ y <1 , x ≥ 1
2
1 x≥1, y ≥1

5.3.3. Distribución Binomial

1) Un examen consta de 10 preguntas a las que hay que contestar Si o No. Suponiendo
que a las personas que se le aplica no saben contestar a ninguna de las preguntas y, en
consecuencia, contestan al azar hallar:
a) Probabilidad de obtener cinco aciertos

P ( x=5 )= 10 . ¿
5 ( )
2) La probabilidad de que un estudiante obtenga el título de Licenciado en Farmacia es
0,3. Hallar la probabilidad de que un grupo de siete estudiantes matriculados en
primer curso finalice la carrera.
a) Ninguno de los siete finalice la carrera

P ( x=0 )= 7 . ¿
0 ()
3) La probabilidad de que un alumno de 1° de Bachillerato repita curso es de 0,3.
Elegimos 20 alumnos al azar. ¿Cuál es la probabilidad de que haya exactamente 4
alumnos repetidores?

95
 ( )
P ( x=4 )= 20 . ¿
4
5.3.4. Distribución Geométrica
1) Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que
aparezca águila es de 2/3, mientras que la probabilidad de que aparezca sello es de
1/3. Determine la probabilidad de que en el último lanzamiento aparezca un águila.
P ( x=8 )=¿
2) Si la probabilidad de que un cierto dispositivo de medición muestre una desviación
excesiva es de 0,05- ¿Cuál es la probabilidad de que el sexto de estos dispositivos de
medición sometidos a pruebas sea el primero en mostrar una desviación excesiva?
P ( x=6 ) =¿
3) Los registros de una compañía constructora de pozos, indican que la probabilidad de
que uno de sus pozos nuevos, requiera de reparaciones en el término de un año es de
0,20. ¿Cuál es la probabilidad de que el quinto pozo construido por esta compañía en
un año dado sea el primero en requerir reparaciones en un año?
P ( x=5 )=¿
5.3.5. Distribución Binomial Negativa
1) Sí la probabilidad de que un cierto dispositivo de medición muestre una desviación
excesiva es de 0.05, ¿cuál es la probabilidad de que el sexto de estos dispositivos de
medición sometidos a prueba sea el tercero en mostrar una desviación excesiva?
P ( x=6 ) =¿
2) Los registros de una compañía constructora de pozos, indican que la probabilidad de
que uno de sus pozos nuevos, requiera de reparaciones en el término de un año es de
0.20. ¿Cuál es la probabilidad de que el sexto pozo construido por esta compañía en
un año dado sea el segundo en requerir reparaciones en un año?
P ( x=6 ) =¿

3) Para tratar a un paciente de una afección de pulmón, han de ser operados en

operaciones independientes sus 5 lóbulos pulmonares. La técnica a utilizar es tal que,
si todo va bien, lo que ocurre con probabilidad de 7/11, el lóbulo queda
definitivamente sano, pero si no es así se deberá esperar el tiempo suficiente para
intentarlo posteriormente de nuevo. Se practicará la cirugía hasta que 4 de sus 5

96
 lóbulos funcionen correctamente. ¿Cuál es el valor de intervenciones que se espera
que deba padecer el paciente?
P ( x=10 )=¿
5.3.6. Distribución Hipergeométrica
1) De cada 20 piezas fabricadas por una máquina, hay 2 que son defectuosas. Para
realizar un   control de calidad, se observan 15 elementos y se rechaza el lote si hay
alguna que sea defectuoso. Vamos a calcular la probabilidad de que el lote sea
rechazado.
N = 20
N= 15
P ( X ≥1 ) =1− p ( X <1 )=1−p ( X=0 )

1−
( 0 )( 15)
2 18
=1−
816
=0,947
(15)
20 15504

2) Una tienda de artículos eléctricos tiene 20 planchas, de las cuales 5 son amarillas. Si
se extraen aleatoriamente y sin sustitución 10 planchas. ¿Cuál es la probabilidad de
que dos de ellas sean amarillas?
N =20
n= 10

P ( X=2 )=
( 2 )( 5 )
5 15
=0,3483
(10)
20

3) Si se extraen 8 canicas sin reemplazo de una urna que contiene 9 azules y 3 negras.
Encontrar la probabilidad de que haya 6 canicas dentro de las 8 que extrajeron.
N= 12
n= 8

P ( X=6 )=
( 6)( 3)
9 2
=0,5090
(8)
12

97
5.3.7. Distribución de Poisson
1) Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, cuatro cheques sin fondo en un día dado?
P ( x=4 )=e−6 ¿ ¿
2) En la inspección de hojalata producida por un proceso electrolítico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades
de identificar una imperfección en 3 minutos.
−0,6
P ( x=1 )=e ¿ ¿

3) La veterinaria de Jorge recibe un promedio de μ = 4 pacientes por día. Sabiendo que
el número de pacientes que llegan en un día sigue una distribución de Poisson,
calcular:
a) la probabilidad de que lleguen 3 pacientes en un día.
P ( x=3 )=e−4 ¿¿
5.3.8. Distribución Multinomial
1) Según una encuesta preliminar acerca del voto que los ciudadanos darán por los
candidatos para gobernador del estado se ha detectado que aproximadamente un 52%
votará por el partido verde, un 40% por el partido azul y un 8% por los partidos
restantes, si se seleccionan aleatoriamente 6 personas con edad de votar, determine la
probabilidad de que: 2 voten por el partido verde, 1 por el azul y 3 por el resto de los
partidos
6!
P ( x 1=2 , x 2=1 , x3 =3 )= ¿
2 !1!3 !
2) De acuerdo con la teoría de la genética, un cierto cruce de conejillo de indias resultará
en una descendencia roja, negra y blanca en la relación 8,4, 4. Encuentre la
probabilidad de que, entre 8 descendientes, 5 sean rojos, 2 negros y un blanco.
8! 6!
P ( x 1=5 , x 2=2 , x 3=1 )= ¿P ( x 1=2 , x 2=1 , x3 =3 )= ¿
5 ! 2 ! 1! 2 ! 1! 3 !

3) Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un

delegado llegue por aire a una cierta convención, llegue en autobús, en automóvil o en

98
 tren. ¿Cuál es la probabilidad de que entre 9 delegados seleccionados aleatoriamente
en esta convención a) 3 hayan llegado por aire, 3 en autobús, 1 en auto y 2 en tren?
9!
P ( x 1=3 , x 2=3 , x 3=1 , x 4=2 ) = ¿
3 !3 ! 1 ! 2!
5.3.9. Distribución Exponencial
1) El tiempo de revisión del motor de un avión sigue una distribución exponencial con
media 22 minutos. Encontrar la probabilidad de que el tiempo de revisión sea menor a
10 minutos.

F ( x )=
{ 0 ,∧x< 0
−x
1−e 22 ,∧x ≥ 0
−x
P ( x<10 )=F ( 10 )=1−e 22 =0,3652
2) El tiempo de vida de una lámpara especial sigue una distribución exponencial con
media 100 hs, ¿Cuál es la probabilidad de que una lámpara dure por lo menos 30
horas?
P ( X >30 ) =1−P ( X ≤30 )=1−¿
3) La duración de un cierto modelo de batería tiene una distribución exponencial. Se
sabe que la media es de 5000 horas.
El fabricante de las baterías debe informar cual es la duración de esas baterías. ¿Qué
duración debe informar si quiere que la probabilidad de que una batería concreta viva
más que esa duración informada sea del 90%?

F ( x )=
{ 0 ,∧x <0
−x
1−e 5000 ,∧x ≥ 0
−x
P ( x< 0,1 )=1−e 5000 =0,9
5.3.10. Distribución Normal
1) Una empresa de material eléctrico fabrica bombillas de luz cuya duración, antes de
quemarse, se distribuye normalmente con una media igual a 800 horas y una
desviación estándar de 40 horas. Calcule la probabilidad de que una bombilla se
queme entre 778 y 834 horas.
778−800 834−800
z 1= =−0,55 , z 2= =0,85
40 40
P ( 778< X <834 )=P (−0,55< Z <0,85 )=P ( Z< 0,85 )−P(Z ←0,55)
¿ 0,8023−0,2912=0,5111

99
 2) En un proceso industrial el diámetro de un cojinete de bolas es una medida
importante. El comprador establece que las especificaciones en el diámetro sean 3.0 ±
0,01 cm. Esto implica que no se aceptará ninguna parte que no cumpla estas
especificaciones. Se sabe que en el proceso el diámetro de un cojinete tiene una
distribución normal con media μ=3.0 y una desviación estándar σ =0,005. En
promedio ¿Cuántos de los cojinetes fabricados se descartarán?
2.99−3.0
z 1= =−2.0 ,
0,005
3,01−3,0
z 2= =2.0
0,005
P ( 2.99< X <3.01 )
¿ P (−2.0< Z<2.0 )
¿ P ( Z ←2.0 ) + P(Z> 2.0)
¿ 2(0,0228)=0,0456
3) Sea X una variable aleatoria N (5,4). ¿Cuál es la probabilidad de que X tome valores
entre 4 y 7? ¿Cuál es la probabilidad que tome valores mayores que 10?
a) P ( 4< X <7 )

¿P ( 4−5 2
<
X−μ 7−5
σ
<
2 )

¿ P( < X <1)
−1
2

¿ Φ ( 1 )−Φ (
2 )
−1

¿ 0,8413−0,3085
¿ 0,5328
b) P ( X >10 ) =1−P( X ≤ 10)

¿ 1−P ( X −μ
σ
≤
2 )
10−5

¿ 1−P ( Z ≤ )
5
2
¿ 1−Φ (2.5 )
¿ 1−0,9938
¿ 0,0062

100
5.4. Solución de Problemas Capitulo 4
5.4.1. Aproximaciones con la distribución Normal “Binomial”
1) Un paciente que padece una rara enfermedad de la sangre tiene 0,4 de probabilidad de
recuperarse. Si se sabe que 100 personas contrajeron esta enfermedad. ¿Cuál es la
probabilidad de que sobrevivan menos de 30?
μ=np=(100)(0,4)
σ =√ npq=√(100)(0,4)(0,6)=4,899
29.5−40
z= =−2.14
4.899
P ( X <30 ) =P ( Z ←2.14 )=0,0162
2) Un examen de opción múltiple tiene 200 preguntas, cada una con 4 respuestas
posibles, de las que solo una es la correcta. ¿Cuál es la probabilidad de que solamente
adivinando se obtengan de 25 a 30 respuestas correctas para 80 de los 200 problemas
sobre los que el estudiante no tiene conocimientos?

a) μ=np= ( 80 ) ( 14 )=20
√ 1 3
σ =√ npq= (80)( )( )=3873
4 4
46.5−40
z= =1.33=0,4082
4899
P ( X > 46 )=0,5−0.4082=0.0918
3) La probabilidad de que un paciente se recupere de una rara enfermedad de la sangre
es de 0,4. Si se sabe que 100 personas han contraído esta enfermedad. ¿Cuál es la
probabilidad de que:
a) ¿Al menos 30 sobrevivan?
b) ¿Más de 46 sobrevivan?
c) ¿Menos de 50 no sobrevivan?
a) n=100
p=0,40
q= 0,60 μ=np= (100 )( 0,40 )=40
σ =√ npq=√100 (0,40)(0,60)=4899

101
5.4.2. Aproximaciones con la distribución Normal “Poisson”
1) Sea X una variable definida como sigue
X: Número de piezas defectuosas en 100 piezas.
n=100
p=0,02, np=2
a) La distribución de probabilidad de la variable aleatoria X es la binomial con
parámetros 100 y 0,02.
2 x e−2
P ( X=x|B :100 , ,0.02 ) = x=0,1,2, … , 100
x!
P ( X=0 )=e−2=0,1353
2) Una vacuna produce inmunidad contra la polio en un 99,99%. Suponga que la vacuna
ha sido administrada a 10000 personas.
a) ¿Cuál es el número esperado de personas que no han sido inmunizados?
b) ¿Cuál es la probabilidad que exactamente k personas no son inmunes?
c) ¿Cuál es la probabilidad que menos de 2 personas no son inmunes?
n = 10000
p = 0,0001
a) μ=np= (10000 )( 0,001 )=1
−1
e
b) P ( X=k )=
k!
c) P ( X ≤1 ) =e−1+ e−1=0,7358
3) Un libro tiene 400 páginas y se estima que hay 400 errores de imprenta distribuidos
aleatoriamente en todo el libro. Asumiendo una distribución de Poisson. ¿Cuál es el
número de páginas que contienen
a) ¿Ningún error?
b) ¿Exactamente un error?
c) ¿Más de 2 errores?
−1
e −1
a) P ( X=0 )= =e =0,3679
0!
400 ( 0,3679 )=147
e−1 −1
b) P(X=1) = =e =0,3679
1!

102
 400 ( 0,3679 )=147
5 −1
c) P ( X >2 )=1−P ( X ≤ 2 )=1− e =0,08025
2
400 ( 0.080 )=32

5.4.3. Aproximaciones con la distribución Normal “Hipergeométrica”

1) Se sabe que de un lote de 40 semillas no está en buenas condiciones la cuarta parte. Se
toman al azar 8 semillas y se analiza en el laboratorio. ¿Cuál es la probabilidad que 3
de las analizadas estén en malas condiciones?
N=40

k =40 ( 14 )=10
n=8
x=2

p ( x=3 )=H ( 3.40 , 8,10 )=

( 3 )( 5 )
10 30

(408)
p ( x=3 )=H ( 3.40 , 8,10 )=0,222
2) En un lote de 10 proyectiles se disparan 4 al azar si el lote contiene 5 proyectiles que
no disparan.
a) ¿Cuántos de los cuatro se espera que disparan?

E ( X ) =n ( kn )=4 ( 105 )=2

3) Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un
proveedor de tubería del estado vecino. Si se seleccionan 4 piezas al azar y sin
reemplazo.
¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?
p ( x ≥ 1 )=1− p(x =0)

¿ 1−
( 0 )( 0 )
100 200

(3004)
¿ 0,196

103
5.4.4. Distribución medio muestral
1) La duración media de las bombillas de una determinada marca sigue una distribución
normal N (1500, 160). Si escogemos una bombilla al azar. ¿Cuál es la probabilidad de
que funcione más de 1524 horas?
1524−1500
z= =0,15
160
P ( x>1524 )=P ( z> 0,15 )=1−P( z ≤ 0,15)
P ( x>1524 )=1−0,5596=0,4404
2) Los pesos de las ovejas de una cierta ganadería tienen una media de 50 kg con una
desviación típica de 4. Elegimos al azar una muestra aleatoria simple de 100 ovejas.
Determina la probabilidad de que su media sea superior a 51 kg.

(
N 50 ,
4
√100 )
=N (50 , 0.4)

51−50
z= =2,5
0,4
P ( x>51 ) =P ( z >2,5 ) =1−P ( z ≤ 2,5 )
P ( z ≤ 2,5 )=0,9938
¿ 1−0,9938=0,0062
3) En el último año, el peso de los recién nacidos en una maternidad se ha distribuido
según una ley normal de media μ=3100 g y deviación típica σ =150 g . ¿Cuál será la
probabilidad de que la media de una muestra 100 recién nacidos sea superior a 3130?
N ( 3100,15 )
x−3100
z=
15
p ( z> 2 )=1− p ( z ≤ 2 )=1−0,9772=0,0228
5.4.5. Chi Cuadrado
1)
Duermen bien Duermen mal
Somníferos 44 10
Placebos 81 35
¿Es lo mismo tomar somníferos o placebos para dormir bien o mal en este grupo de
enfermos?
Duermen bien con somníferos:
125 x 54
=39,71
170

104
Duermen bien con placebos:
116 x 125
=85,29
170
Duermen mal con somníferos:
45 x 54
=14,29
170
Duermen mal con placebos:
45 x 116
=30,71
170
39,71+85,29+14,29+30,71=170
¿¿
¿ 0,46+ 0,22+1,29+ 0,6=2,57
2) En un C de Salud analizamos las historias de enfermería con 292 hombres y 192
mujeres. De ellos tienen úlcera 10 hombres y 24 mujeres y no tienen 282 y 168
respectivamente. Nivel de significación 0,05. Las hipótesis serías:
Hombres Mujeres Total
Si úlcera 10 24 34
No úlcera 282 165 450
292 192 484
Calcular las frecuencias teóricas:
Hombres con úlcera
292 x 34
=20,51
484
Mujeres con úlcera:
34 x 192
=13,49
484
Hombres sin úlcera:
450 x 292
=271,49
484
Mujeres sin úlcera:
450 x 192
=178,51
484
20,51+13,49+271,49+178,51=484
¿¿
¿ 5,39+8,19+0,41+ 0,62=14,61

105
 3) Un jugador quiere probar que es legal el dado con el que juega. Tiro el dado 120
veces y obtuvo la siguiente distribución de frecuencias de las caras resultantes:
Resultado 1 2 3 4 5 6
Frecuencia 15 25 33 17 16 14

a) Enuncie la hipótesis de la prueba y determine las frecuencias esperadas.

b) Describa la estadística de la prueba.
2
x =¿ ¿
x 2 ( 5 ) =1,25+1,25+8,45+0,45+ 0,8+1,8=14
5.4.6. T de Student
1) La longitud de los tornillos fabricados en una fábrica tiene media μ=10 mm y
desviación s=1 mm, calcular la probabilidad de que en una muestra de tamaño n=25,
la longitud media del tornillo sea inferior a 20,5 mm:
20.5−20
T= =2.5
1
√5
P ( μ <20.5 ) → P(T <2.5) t (24)
P ( T <2.5 )=0.9902
P ( μ <20.5 )=0.9902
La probabilidad que la longitud media de la muestra de 25 tornillos sea inferior a 20,5
mm es del 99,02 %
2) Sea una empresa que fabrica tornillos para una multinacional reconocida en México,
dicha compañía afirma que sus productos tienen un promedio de 25 horas de
elaboración. Para mantener este promedio se prueban 15 tornillos cada mes, entonces
si el valor t calculado cae entre t-0,01 y t0,01 la empre queda satisfecha con su
afirmación. ¿Qué conclusiones debería sacar la empresa a partir de una muestra que
tiene una media de 27,5 horas y una desviación estándar de 5 horas?
27,5−25 2,5
T= = =2
5 5
√16 4
3) Un fabricante de foco afirma que sus productos durarán un promedio de 500 horas de
trabajo. Para conservar este promedio esta persona verifica 25 focos cada mes. Si el
valor y calculado cae entre -t 0,05 y t 0,05. Él se encuentra satisfecho con esta

106
 afirmación. ¿Qué conclusión deberá el sacar de una muestra de 25 focos cuya
duración fue?:
520 521 511 513 510
513 522 500 521 495
496 488 500 502 512
510 510 475 505 521
506 503 487 493 500
μ=500h ,n=25 , N =90 % , X=205,36 , S=12,07
505,36−500
T= =2.22
12,07 √ 25

6. CONCLUSIONES
6.1. Problemas Propuestos Capítulo 1
6.1.1. Probabilidad de un evento
1) Una compañía que concierta citas por computadoras tiene en sus archivos los nombre
y direcciones de 200 chicas. De estas 200, un total de 35 miden 1,65 metros o menos
estatura; 60 rubias; 12 de las rubias miden 1,65 metros o menos. Pedro Carrillo envía
su solicitud por correo, ¿Cuál es la probabilidad que
a) reciba el nombre de una rubia?
b) reciba el nombre de una chica rubia y estatura mayor de 1,65 metros?
c) reciba el nombre de una rubia o estura menor de 1,65 metros?
Rpta:
3
a)
10
48
b)
200
83
c)
200
2) En una encuesta pública se determina que la probabilidad que una persona consuma el
producto A es 0,50, que consuma el producto B es 0,37 que consuma el producto C es
0,30, que consuma A y B es 0,12, que consuma solamente A y C es 0,08 , que
consuma solamente B y C es 0,05 y que consuma solamente C es 0,15. Calcular la
probabilidad que una persona consuma:
a) A o B, pero no C
b) Solamente A
Rpta:

107
 a) 0,60
b) 0,30
3) Se tiene en una caja 5 tikets de 100 intis cada uno, 3 tikets de 300 intis cada uno, y 2
tikets que valen 500 intis cada uno. Se escoge aleatoriamente 3 tikets. Determinar la
probabilidad que:
a) Al menos dos de ellas tenga el mismo precio.
b) La suma de los precios de los tres tikets sea de 700 intis.
Rpta:
a) 0,75
7
b)
24
6.1.2. Probabilidad total
1) Supongamos que van a cambiar a tu jefe y se barajan diversos candidatos como
Carlos quien tiene una probabilidad del 60% de serlo, Juan tiene un 30% de
probabilidad y Luis un 10% de probabilidad, en función de quien sea tu jefe la
probabilidad de que te suban el sueldo es de 5%, 20% y 60% respectivamente. ¿Cuál
es la probabilidad de que te suban el sueldo?
Rpta: 0,15
2) Una empresa recibe lotes de material de 3 proveedores en proporciones del 50%, 30%
y 20%. Se sabe que el 0,1% de los lotes del primer proveedor, el 0,5% de los del
segundo, y el 1% de los del tercero es rechazado en el control de calidad que realiza la
empresa a la recepción del material. ¿Cuál es la probabilidad de que un lote sea
rechazado?
Rpta: 0,004
3) En un almacén hay tres estanterías y en cada una dos tipos de productos: A y B. En la
primera hay 140 productos y se sabe que el 25% son del tipo A. En la segunda hay
130 productos y 91 son del tipo B y en la tercera hay 40 del tipo A y 80 del tipo B.
Calcular la probabilidad de que un producto elegido al azar sea del tipo A.
Rpta: 0,2923
6.1.3. Teorema de Bayes
1) Una fábrica de piezas para aviones está organizada en tres secciones. La sección A
fabrica el 30% de las piezas, la sección B el 35%, mientras que el resto se fabrican en
la sección C. La probabilidad de encontrar una pieza defectuosa es del 0.01, 0.015 y
0.009 según se considere la sección A, B o C,

108
 a) Calcular la probabilidad de que una pieza elegida al azar salga defectuosa de dicha
fábrica.
b) Si elegida una pieza al azar es defectuosa ¿Qué probabilidad hay de que sea de la
sección B?
Rpta:
a) 0,0114
b) 0,00525

2) Un moderno edificio tiene dos ascensores para uso de los vecinos. El primero de los
ascensores es usado el 45% de las ocasiones, mientras que el segundo es usado el
resto de las ocasiones. El uso continuado de los ascensores provoca un 5% de fallos
en el primero de los ascensores y un 8% en el segundo. Un día suena la alarma de uno
de los ascensores porque ha fallado. Calcula la probabilidad de que haya sido el
primero de los ascensores.
Rpta: 0,338
3) En un edificio inteligente dotado de sistemas de energía solar y eólica, se sabe que la
energía suministrada cada día proviene de placas solares con probabilidad 0,4 de
molinos eólicos con probabilidad de 0,26 y de ambos tipos de instalaciones con
probabilidad de 0,12. Elegido un día al azar, calcúlese la probabilidad de que la
energía sea suministrada al edificio:
a) Por alguna de las dos instalaciones
b) Solamente por una de las dos
Rpta:
a) 0,54
b) 0,42

6.1.4. Independencia de eventos

1) Para señalar las emergencias que pueden presentarse por ala vería de alguno de los
equipos en una sala de operaciones se han instalado dos instrumentos indicadores que
funcionan independientemente. La probabilidad de que el indicador accione durante la
vería es igual a 0,95 para el primero de ellos y 0,9 para el segundo. Hallar la
probabilidad de que durante una avería accione sólo un indicador.
Rpta: 0,14

109
 2) Un tirador acierto el 80% de sus disparos y otro el 70% ¿Cuál es la probabilidad de
dar en el blanco cuando ambos tiradores disparan sobre el simultáneamente? ¿Se
considera que se ha dado en el blanco cuando por lo menos, una de las dos balas ha
hecho el impacto?
Rpta: 0,94
3) En tres establos A, B y C hay una epidemia que afecta a los cascos y a la boca del
ganado, la proporción de ganados afectado: 1/6, 1/4 y 1/3 respectivamente. Se escoge
aleatoriamente una cabeza de ganado.
a) ¿Cuál es la probabilidad que exactamente uno de estos esté afectado por la epidemia?
b) Si exactamente uno de estos está afecta, ¿Cuál es la probabilidad de que venga del
establo A?
Rpta:
31
a)
72
6
b)
31
6.2. Problemas Propuestos Capítulo 2
6.2.1. Variables aleatorias discretas
1) Un embarque de 20 computadoras portátiles similares para una tienda minorista
contiene 3 que están defectuosas. Si una escuela compra al azar 2 de estas
computadoras, calcule la distribución de probabilidad para el número de
computadoras defectuosas.
Rpta:
68
f ( 0 )=
95
51
f ( 1) =
190
3
f ( 2) =
190
2) Si una agencia vende 50% de su inventario de cierto vehículo extranjero equipado con
bolsas de aire laterales, calcule una fórmula para la distribución de probabilidad del
número de automóviles con bolsas de aire laterales entre los siguiente 4 vehículos que
venda la agencia.
Rpta:

110
 {
0 ,∧m<0
1
¿ , 0 ≤ m<1
f ( m )= 3
5
, 1≤ m<3
6
1 , m≥33

3) En un banco hay 3 cajeros automáticos. Vamos a realizar un experimento aleatorio

que consiste en ir al banco a una hora al azar del día y ver qué cajeros están ocupados
y qué cajeros están vacíos.
Rpta:
f ( 1 ) =0
f ( 2 ) =1
f ( 3 )=2
f ( 4 ) =3
6.2.2. Variables aleatorias continuas
1) Un agricultor encuentra que el peso en kilogramos de una papaya es una variable
aleatoria X con función de densidad

{
3
(4 x−x 2),∧0≤ x ≤ 4
f ( x )= 32
0 ,∧en otros casos
a) ¿Cuál es la probabilidad que una papaya pese menos de un kilogramo?
b) Si el agricultor cosecha 20000 papayas. ¿Cuántas de ellas pesa menos de un
kilogramo?
c) El agricultor escoge al azar cuatro papayas para regalar a un amigo, ¿Cuál es la
probabilidad que las cuatro pesen menos de un kilogramo?
Rpta:
5
a)
32
b) 3125 papayas
c) ¿
2) La variable aleatoria y tiene por función de densidad.

{
1
f ( x )= ,∧0 ≤ y ≤ 5
5
0 ,∧en otro lugar
Calcular la probabilidad que sean reales las raíces de la ecuación
4 x2 + 4 xy + ( y +2 )=0

111
Rpta:
− y ± √ y − y−2
2

2
3) La duración en horas de cierto transistor de televisor es una variable aleatoria
continua x, cuya función de densidad es:

{
150
,∧x >150
f ( x )= x
2

0 ,∧en otros casos

a) Si un transistor determinado todavía funciona después de 200 horas. ¿Cuál es la
probabilidad de que dicho transistor dure a las más 300 horas?
b) Se instalan 3 de tales transistores en un televisor. ¿Cuál es la probabilidad de que
ninguno tenga que ser sustituido en las primeras 200 horas de uso? ¿Cuál es la
probabilidad de que los tres transistores tengan que ser sustituido durante las 200
primeras horas?
1
Rpta: a)
3
27
b) 1)
64
1
2¿
64
6.2.3. Coeficiente de variación de variables aleatorias Discretas y
Continuas
1) La variable discreta X tiene como distribución de probabilidad:
X 1 2 3 4
P(X=x) 0,30 0,25 0,10 0,35
Hallar el coeficiente de variación de la variable transformada por el cambio de escala:
Rpta: 0,498
2) Se ha verificado que la variable X es dado como el peso en kilos de los niños al nacer
siendo una variable aleatoria continua con función de densidad

f ( x )= {0 ,∧en
kx ,∧2≤ x ≤ 4
otros casos
Hallar el coeficiente de correlación
Rpta: 0,678
3) Gran número de fenómenos aeronáuticos tienen asociada una variable aleatoria con
ley de probabilidad:

112
 {
−kx
f ( x )= k e ,∧0< x <∞ k >0
0 ,∧en otros casos
Hallar el coeficiente de correlación
Rpta: 0,543
6.3. Problemas Propuestos Capítulo 3
6.3.1. Variables aleatorias bidimensionales discretas
1) Sea X, Y la variable aleatoria bidimensional. Suponga que de experiencias pasadas se
sabe que la distribución de probabilidad conjunta de X e Y está dado por la siguiente
tabla.
Y 0 1 2
X
0 1/16 1/16 1/8

1 1/8 1/8 1/4

2 1/8 1/16 1/16

a) ¿Cuál es la probabilidad que cada vendedor vende a lo más 1 televisor?

b) ¿Cuál es la probabilidad que B venda más televisores que A?
Rpta:
3
a)
8
5
b)
16
2) Sea (X, Y) una variable aleatoria bidimensional discreta con función más a de
probabilidad dada por:
Y 0 1 2 3 P.i
X
1 1/14 0 2/14 4/14 4/14
2 0 1/14 3/14 5/14 5/14
3 2/15 1/14 0 5/14 5/14
P.j 3/14 2/14 5/14 4/14 1
Hallar el coeficiente de variación de (X, Y)
6.3.2. Variables aleatorias bidimensionales continuas
1) La función de distribución asociada a un fenómeno de la naturaleza es:

113
 {
−x −y
f ( x , y )= (1−e )(1−e ),∧x> 0 , y > 0
0 ,∧en otros casos
a) Hallar la función de densidad
b) Hallar las funciones de densidad marginales de X e Y
Rpta:

{ 0 ,∧en,∧xotros>0casos
−(x + y)
a) f ( x , y )=
e , y >0

b) ) e− x

2 b ¿ e− y
2) La ventana de un mercado de abastos lleva asociada la función:

f ( x , y )=f ( x )=
{
k ( xy2 +1) , 0< x <1 ,−1< y <1
0 ,∧en otros casos
a) Hallar k para que sea función de densidad
1
Rpta k =
2

3) Sea (X, Y) una aleatoria bidimensional absolutamente continua con función de

densidad conjunta

{
2 2
f ( x )= c x y , x ≤ y ≤ 1
0 ,∧en otros casos
a) Calcular el valor de la constante c
21
Rpta:
4
6.3.3. Distribución Binomial
1) Calcula la probabilidad de que una familia que tiene cuatro hijos, tres de ellos sean
niños.
Rpta: 0,25
2) La probabilidad de que el comprador en un osciloscopio haga uso del servicio dentro
del plazo de garantía es 0,2. Para los 5 osciloscopios que cierta empresa ha vendido
independientemente a 5 compradores este mes ¿Cuál es la probabilidad de que
exactamente 3 de los compradores hagan uso de la garantía?
Rpta:0,0512
3) Los cuatro motores de un avión cuatrimotor fallan, cada uno con probabilidad 0,04 en
forma independiente, durante un trayecto de 20000 kilómetros. El avión en

114
 emergencia mientras funcione sin fallar por lo menos dos motores. ¿Cuál es la
probabilidad de que el avión no entre en emergencia?
Rpta: 0,9998
6.3.4. Distribución Geométrica
1) Un matrimonio quiere tener una hija, y por ello deciden tener hijos hasta el
nacimiento de la esperada hija. Calcular el número esperado de hijos que tendrá el
matrimonio. Calcular la probabilidad de que la pareja acabe teniendo tres hijos o más.
Rpta: 0,25
2) Andrés y Pedro se plantean el siguiente juego se lanza al aire un dado equilibrado con
seis caras numeradas de uno a seis. SE considera que el jugador gana cuando el
resultado del dado es cuatro o seis, y recibe diez euros. En otro caso, no recibe nada.
Cada apuesta es de cinco euros. Si Andrés juega en cinco ocasiones. ¿Cuál es la
probabilidad de que acierte a lo sumo una vez?
Rpta: 0,329
3) Supongamos que se va a inspeccionar piezas hasta encontrar la primera pieza
defectuosa ¿Cuál es la probabilidad de que se necesiten inspeccionar 4 o menos piezas
para encontrar la primera pieza defectuosa?
Rpta: 0,115
6.3.5. Distribución Binomial Negativa
1) Se sabe que la probabilidad de que un niño expuesto a una enfermedad contagiosa la
contraiga es de 0,4. Calcula la probabilidad de que el décimo niño estudiado sea el tercer
contagiado.
Rpta: 0,0645
2)  La probabilidad de un niño expuesto a una enfermedad contagiosa se contagie es de 0.4.
¿Cuál es la probabilidad de que el décimo niño expuesto sea el tercero en contraerla?
La probabilidad de un niño expuesto a una enfermedad contagiosa se contagie es de 0.4.
¿Cuál es la probabilidad de que el 10o niño expuesto sea el tercero en contraerla?

Rpta: 0,03185

3) Si la probabilidad es 0.75 de que el solicitante de una licencia de manejo pasará la

prueba de manejo en un ensayo dado, ¿cuál es la probabilidad de que un solicitante
finalmente pase la prueba en el cuarto ensayo?

Rpta: 0,0117

115
6.3.6. Distribución Hipergeométrica
1) De 6 empleados 3 han estado en la compañía durante 5 o más años, si se elige 4
empleados al Azar de ese grupo. ¿Cuál es la probabilidad de que exactamente dos de
ellos tengan una antigüedad de 5 años o más?
Rpta: 0,6
2) En un lote de 12 proyectiles se disparan 4 al azar, si el lote contiene 5 proyectiles que
no disparan. ¿Cuál es la probabilidad de que los 2 disparen?
Rpta: 0,4242
3) En una florería hay 20 variedades de flores, de las cuales 8 son diferentes clases de
rosas. ¿Qué probabilidad hay de que, al extraer una muestra al azar de 12 flores, se
incluyan 3 clases de rosas?
Rpta: 0,0978
6.3.7. Distribución de Poisson
1) Cierta enfermedad tiene probabilidad de ocurrir p=1/100000, lo que en Medicina se
denomina prevalencia. Calcula la probabilidad de que en una ciudad de 500000
habitantes haya más de 3 personas con dicha enfermedad. ¿Cuál sería en dicha ciudad
el número de enfermos esperado?
Rpta: 0,735
2) En una carretera se producen un promedio de 2 accidentes anuales. Calcula la
probabilidad de que este año se produzcan más de 3 accidentes.
Rpta: 0,143
3) Los camiones llegan a una empresa de transporte con un tiempo medio entre llegadas
de 5 minutos. ¿Cuál es la probabilidad de que no llegue ningún camión durante
un intervalo de treinta minutos?
Rpta: 0,002479
6.3.8. Distribución Multinomial
1) Según una nueva ley se plantea la donación de órganos de los cuales existe una
probabilidad de que el 15% estén en contra, el 40% sean indiferentes a la ley y el 45%
estén a favor, si se extrae una muestra aleatoria de 20 sujetos. ¿Cuál es la probabilidad
de que 5 estén en contra, 10 sean indiferentes y 5 estén a favor?
Rpta: 0,41
2) Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un
delegado llegue por aire de una cierta convención, llegue en autobús, en automóvil o
en tren. ¿Cuál es la probabilidad de que entren 9 delegados seleccionados

116
 aleatoriamente en esta convención 3 hayan llegado por aire, 3 en autobús, 1 en auto y
2 en tren?
Rpta: 0,077414
3) De acuerdo con la teoría de la genética, un cierto cruce de conejillo de indias resultará
en una descendencia roja, negra y blanca en la relación. Encuentre la probabilidad de
que, entre 8 descendientes, 5 rojas, 2 negros y un blanco.
Rpta: 0,082031
6.3.9. Distribución Exponencial
1) Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en
años está dado por la variable aleatoria T, distribuida exponencialmente con tiempo
promedio de falla  β=5 . Sí 5 de estos componentes se instalan en diferentes sistemas,
¿cuál es la probabilidad de que al menos 2 continúen funcionando después de 8 años?
 Rpta: 0,2627
2) El tiempo que transcurre antes de que una persona sea atendida en una cafetería es
una variable aleatoria que tiene una distribución exponencial con una media de 4
minutos. ¿Cuál es la probabilidad de que una persona sea atendida antes de que
transcurran 3 minutos en al menos 4 de los 6 días siguientes?
Rpta: 0,5276

6.3.10. Distribución Normal

1) Una pequeña ciudad es abastecida de agua cada 2 días; el consumo en volumen de
agua para esa pequeña ciudad tiene una distribución normal con media 20000 litros y
desviación típica 1000 litros (se entiende el consumo cada 2 días). Se trata de hallar la
capacidad de su tanque de agua para que sea de solo 0.01, la probabilidad que en un
periodo de 2 días el agua no sea suficiente para satisfacer toda la demanda.
Rpta: 0,99
2) Si la distribución de los periodos de duración de los postes telefónicos de madera es
tal que el 9,51% tienen periodo de duración que excédanlos 15 años y que el 62,55%
tienen periodos de duración que exceden los 9 años, determinar la desviación estándar
o desviación típica de los periodos de duración si se sabe que la distribución de dichos
periodos es normal.
Rpta: -0,32
3) Una característica cuantitativa X se distribuye normalmente con media μ=50 y
desviación típica σ =10. Una segunda característica Y, independiente de la primera se

117
 distribuye normalmente con μ=20 y σ =5. En una muestra aleatoria de un elemento
de cada población. ¿Cuál es la probabilidad de obtener un valor de X mayor que 60, al
mismo tiempo que Y menor que 17? Rpta: 0,0435
6.4. Propuestos Capítulo 4
6.4.1. Aproximaciones con la distribución Normal “Binomial”
1) Una prueba de opción múltiple tiene 200 preguntas, cada una con 4 posibles
respuestas, de las cuales solo una es la correcta. ¿Cuál es la probabilidad de que al
azar se den de 25 a 30 respuestas correctas para 80 de las 200 preguntas acerca de los
cuales el estudiante no tiene conocimientos?
Rpta: 0,1196
2) Si 35% de los productos manufacturados en cierta línea de producción es defectuoso.
¿Cuál es la probabilidad de que entre los siguiente 100 productos manufacturados en
esa línea menos de 354 productos sean defectuosos?
Rpta: 0,091
3) La probabilidad de que un empresario sea aceptado es de 0,4. Si se sabe que de 100
personas ya fueron contratadas. ¿Cuál es la probabilidad de que al menos 30 si sean
aceptados?
Rpta: 0,4838

6.4.2. Aproximaciones con la distribución Normal “Poisson”

1) Una panadería hace galletas con pedacitos de chocolate; un lote tiene 1000 galletas.
Se agregan 3000 pedacitos de chocolate a la masa para un lote y se mezcla bien toda
la masa. Si se elige al azar 1 galleta de un lote. ¿Cuál es la probabilidad de que no
contenga ningún pedacito de chocolate? ¿De qué contenga exactamente 3 pedacitos
de chocolate? Calcular, ¿Cuántas galletas con solamente un pedacito de chocolate
podría haber en el lote?
a) 0,05
b) 0,224
c) 0,1494
2) Para estudiar la distribución de nidos de hormigas en un campo abierto, se divide el
campo en 1600 cuadrados de igual área. Se observa que exactamente 400 de los
cuadrados no contienen nidos de hormigas. Asumiendo que los nidos están
distribuidos aleatoriamente sobre el campo, estimar el número de nidos en el campo

118
 1
Rpta:
4
3) Una fábrica textil produce ciertas piezas de dimensiones específicas. Se sabe que la
probabilidad que una pieza sea defectuosa es 0,02. En un lote de 100 piezas, ¿Cuál es
la probabilidad que no haya piezas defectuosas? ¿Cuál es la probabilidad que haya, a
lo sumo, 3 piezas defectuosas?
Rpta:
a) 0,1353
b) 0,8571

6.4.3. Aproximaciones con la distribución Normal “Hipergeométrica”

1) Una caja contiene 12 tornillos de los cuales 9 están en buen estado, si se escogen al
azar sin sustitución 5 tornillos.
a) ¿Cuál es la probabilidad de que tornillos sean buenos?
b) ¿Cuál es la probabilidad de que 1 tornillo sea inservible?
Rpta:
a) 0,3182
b) 0,4773
2) Una persona recibe un conjunto de 25 lámparas, donde 5 de las lámparas son
defectuosas. Extrae del conjunto 4 lámparas sin reemplazo. ¿Cuál es la probabilidad
de que obtenga:
a) 3 lámparas defectuosas.
b) Las 4 lámparas sean defectuosas.
Rpta:
a) 0,01581
b) 0,4773
3) En un depósito hay 20 arandelas de las cuales 10 son de 1/4 pulgada de diámetro, 6 de
1/8 pulga dable diámetro y los 4 restantes con 3/8 pulgada de diámetro. Se eligen al
azar 10 arandelas, ¿Cuál es la probabilidad de que haya 5 de 1/4 pulgada de diámetro,
3 de 1/8 pulgada y 2 de 3/8 pulgada de diámetro?
Rpta: 0,1637
6.4.4. Distribución medio muestral
1) Supongamos que la estatura media de las alumnas de un instituto es de 165 cm, con
desviación típica de 8 cm. Halla los parámetros de una media muestral de tamaño
n=36.

119
 ¿Cuál es la probabilidad de que una muestra de 36 alumnas tenga una media de 167 cm o
más centímetros?
Rpta:

(
a) N 165 ,
4
3 )
b) 0,0668
2) Se supone que la distribución de la temperatura del cuerpo humano en la población
tiene de media 37° y desviación típica 0,85°. Se elige una muestra de 105 personas.
Calcula las siguientes probabilidades que la media sea menor o igual a 36,9°C
Rpta: 0,1151
3) En una distribución N (20, 6) tomamos muestras de tamaño 64.
a) ¿Cuál es la distribución de las medias de las muestras?
b) ¿Cuál es la probabilidad de que la media de la muestra esté comprendida entre 19 y
21?
Rpta:
a) N (20, 0,75)
b) 0,8164

6.4.5. Chi Cuadrado

1) El gerente de ventas de una compañía P y C afirma que todos sus vendedores realizan
el mismo número de visitas durante el mismo período de tiempo. Una muestra
aleatoria de 5 registros de los vendedores en una semana dad reveló el siguiente
número de visitas.
Vendedor A B C D E
N° de visitas 23 29 25 23 30
Con el nivel de significación de 0,05. ¿Es razonable aceptar la afirmación del gerente?
Rpta: 1,7
2) El gerente de persona de la compañía de REXA quiere probar la hipótesis que hay
diferencias de tardanzas de los diferentes días de la semana. De los registros de
asistencia obtuvo la siguiente tabla de tardanzas de su personal para cada uno de los
días de la semana.
Días Lunes Martes Miércoles Jueves Viernes
Tardanzas 58 39 75 48 80
¿Se puede aceptar la hipótesis del gerente con un nivel de significación de 0,05?
Rpta:20,232

120
 3) De una muestra de turistas que se hospedan en el hotel “EL PALMER” se recogió de
sus opiniones acerca de los servicios del hotel, resultado los siguientes datos:
Pésima Mala Regular Buena Muy buena Excelente
Turistas 20 25 40 54 56
Pruebe con un nivel de significación del 5%, la hipótesis nula de que no hay diferencias
significativas entre las opciones de los turistas.
Rpta: 27,486
6.4.6. T de Student
2 5
1) Sea T una variable aleatoria que tiene una distribución t con varianza σ =
4
Calcular.
P(−1.812 ≤T ≤2.228)
Rpta: 0,925
2) Sea T una variable aleatoria que tiene una distribución t con 14 grados de libertad.
Hallar una constante a tal que:
P ( T < a )=0,90
Rpta: a=1.761

7. REFERENCIAS BIBLIOGRAFICAS

1) Arce, F., & Mendoza, Á. (2011). CÁLCULO DE

PROBABILIDADES. Huaraz: UNASAM.
2) Bacchini, At. El. (2018). Introducción a la Probabilidad y a la
Estadística. Argentina: Universidad de Buenos Aires.
3) Montgomery, D. (2013). Aplicación y estadística aplicadas a la
ingenieria . Colombia : Área de Innovación y Desarrollo,S.L.
4) Moya, R., & Saravia, G. (2012). Probabilidad e Inferencia
Estadística . Lima : San Marcos.

121
5) Sincich, M. y. (1997). Probabilidad y Estadítica para Ingenieria y
Ciencias . México: Prentice Halla Hispanoamericana.

122