Un Lote

UNIVERSIDAD DE SONORA
Divisin de Ciencias Exactas y Naturales

Departamento de Matemticas

Estadstica Aplicada a las Licenciaturas:
Administracin, Contadura e Informtica
Administrativa.
Fascculo III:
Clculo de Probabilidades y Variables Aleatorias

Dr. Francisco Javier Tapia Moreno
Estadstica I Aplicada a la Administracin, Contadura, Informtica Administrativa, Economa, Negocio y Comercio Internacionales y Finanzas.
Tema III. Probabilidad Notas del Dr. Francisco Javier Tapia Moreno. Octubre de 2012
Departamento de Matemticas Universidad de Sonora 1

Prlogo.

Este es el tercer folleto correspondiente al Tema III de Estadstica Aplicada a las Licenciaturas: Negocios y
Comercio Internacionales, Administracin, Contadura e Informtica Administrativa que se ofrecen en la
Universidad de Sonora. Los temas presentados aqu son congruentes con el programa vigente de la materia de
Estadstica I del rea econmico- administrativo.
En este tercer tema del programa, denominado Probabilidad, el alumno percibir de manera intuitiva el
concepto de la probabilidad. Conocer y utilizar los conceptos bsicos de probabilidad as como sus diferentes
enfoques. Usar el anlisis combinatorio para resolver problemas sencillos de probabilidad. Calcular
probabilidades para diferentes eventos. Conocer las distribuciones de probabilidad de variables aleatorias
discretas ms comunes y observar su comportamiento grfico cuando varan sus parmetros y cuando el
valor de la variable crece. Aprender a calcular el valor esperado de una variable aleatoria discreta y usar este
concepto para tomar decisiones. Calcular la varianza y la desviacin estndar de una variable aleatoria discreta.
Nuestro propsito al elaborar este tercer folleto, es dotar al alumno de las herramientas necesarias, apegada al
programa vigente, para que el alumno por s mismo, recopile, organice, represente de manera grfica, analice e
interprete la informacin recabada ya sea por medio de una muestra o de un censo, utilice la probabilidad como
un instrumento esencial en el anlisis de la variabilidad, la cual desempea un papel muy importante en el campo
de los negocios, especialmente en la toma de decisiones.
Este trabajo se sita en el marco de un esfuerzo colectivo realizado por el Departamento de Matemticas por
dotar al alumno del material didctico necesario para que ste optimice su proceso de
enseanza/aprendizaje/formacin de las matemticas.

Hermosillo, Sonora, Mxico. Octubre de 2012.


Contenido.

Pag.
Tema III. Probabilidad 04
3.1. Introduccin a la probabilidad 04
3.2. Experimentos aleatorios y deterministas 04
3.3. Conceptos bsicos involucrados en experimentos aleatorios 05
Ejercicios 1 07
3.4. Operaciones con sucesos. 07
3.4.1. Unin 07
3.4.2. Interseccin 08
3.4.3. Diferencia 08
3.4.4. Complemento 09
3.5. Probabilidad condicional 11
3.5.1. Sucesos dependientes e independientes 12
Ejercicios 2 13
3.6. Diferentes enfoques de probabilidad 14
Ejercicios 3 17
3.7. Combinatoria y clculo de probabilidades 17
3.7.1. Tcnicas de conteo 17
3.7.2. Principios fundamentales del anlisis combinatorio 18
3.7.2.1. Principio multiplicativo 18
3.7.2.2. Principio aditivo 18
3.7.3. Combinaciones 19
3.7.4. Permutaciones 19
3.7.5. Ordenaciones 20
Ejercicios 4 20
3.8. Distribuciones de probabilidad 21
3.8.1. Distribuciones discretas de probabilidad 21
3.8.2. Valor esperado de variables aleatorias discretas 25
Ejercicios 5 27
3.8.3. Distribuciones discretas ms comunes 27
3.8.3. 1. Distribucin uniforme discreta 28
3.8.3. 2. Distribucin Bernoulli 28
3.8.3. 3. Distribucin Binomial 28
3.8.3.4. Distribucin Geomtrica 29
3.8.3. 5. Distribucin Binomial Negativa 31
3.8.3. 6. Distribucin hipergeomtrica 31
3.8.3. 7. Distribucin de Poisson 32
Ejercicios 6 33
3.9. Ejercicio prctico donde se aplica parte de la teora de probabilidad 34


Tema III

Probabilidad

3.1. Introduccin a la probabilidad
La teora de probabilidades se ocupa de asignar un cierto nmero a cada posible resultado que pueda ocurrir en
un experimento aleatorio, con el propsito de cuantificar dichos resultados y saber si un suceso es ms probable
que otro. Dicha teora, es la base de la inferencia estadstica y un instrumento esencial en el anlisis de la
variabilidad que desempea un papel muy importante en el campo de los negocios, especialmente en la toma de
decisiones y en la investigacin en diversas disciplinas tales como la medicina, biologa, fsica, ciencias sociales
y muchas otras.
Los fenmenos aleatorios se ven afectados por la incertidumbre y expresiones tales como: hoy existen muchas
posibilidades que nuestra empresa realice una gran venta o, es muy poco probable que en esta empresa ocurra
un accidente en el rea de produccin o probablemente el mes que tengamos que incrementar la produccin.
Es en este tipo de situaciones donde la teora de probabilidades puede resultar una gran herramienta para
modelar y abordar casos donde se tenga algn tipo de incertidumbre. Por otra parte, cuando se aplican los
mtodos estadsticos a la recoleccin de datos, anlisis e interpretacin de los mismos, la teora de
probabilidades proporciona una base para valorar la fiabilidad de las conclusiones alcanzadas en las inferencias o
pronsticos realizados
Debido al importante papel que juega la probabilidad en la estadstica, en este tercer folleto estudiamos los
conceptos y principios bsicos de la teora de probabilidades. Para introducirnos a los aspectos tcnicos de la
misma, empezamos mencionando los conceptos de variable aleatoria, espacio de muestra, resultado y evento, los
resultados matemticos de la teora de probabilidad, los principios matemticos bsicos que sustentan los
clculos ms complejos y la importante idea de independencia estadstica. Finalizamos describiendo algunas
tcnicas que se pueden utilizar para combinar los principios matemticos bsicos en la solucin de problemas
ms complicados.

3.2. Experimentos aleatorios y deterministas
Existen dos tipos de experimentos:
- Los experimentos o fenmenos aleatorios son aquellos que pueden dar lugar a varios resultados, sin
que pueda ser previsible enunciar con certeza cul de stos va a ser observado en la realizacin del
experimento.
- Los experimentos deterministas son aquellos en donde podemos predecir el resultado antes de que se
realicen. Es decir, este tipo de experimentos siempre tiene el mismo resultado.

La vida cotidiana est plagada de sucesos aleatorios y deterministas. Por ejemplo, (viajes, accidentes, nmero de
personas que acudirn a un gran almacn o que se matricularn en una carrera...) aunque son suma de muchas
decisiones individuales, pueden ser estudiados, muy ventajosamente, como aleatorios y

Ejemplo 3.1. Si calentamos agua sabemos de antemano que sta hervir a los 100 cien grados centgrados. Si
dejamos caer una piedra o la lanzamos, y conocemos las condiciones iniciales de altura, velocidad, etc.,
sabremos con seguridad dnde caer, cunto tiempo tardar, etc. Ambos casos se trata de una experiencia
determinista. Por otro lado, si lanzamos un dado o una moneda sobre una mesa, ignoramos qu cara quedar
arriba. El resultado depende del azar. En ambos casos se trata de una experiencia aleatoria.

3.3. Conceptos bsicos involucrados en experimentos aleatorios
Dado que objetivo de estudio de la estadstica es explicar el comportamiento de un fenmeno aleatorio, para lo
cual hace uso de herramientas, entre las cuales se encuentra la probabilidad. El concepto de probabilidad es de
suma importancia. En esta seccin estudiaremos los conceptos bsicos relacionados con el concepto de
probabilidad y la forma de trabajarla.

- Suceso aleatorio es un acontecimiento que ocurrir o no, dependiendo del azar.
- Suceso elemental es cualquiera de los posibles resultados simples del experimento aleatorio.
- Experimento compuesto. si est formado por varios experimentos simples.

Dentro de los sucesos cabe destacar: a) El suceso seguro que es aquel que ocurre siempre, es el propio espacio de
muestra, b) El suceso imposible que es aquel que no ocurre nunca y se indica por , y c) El suceso elemental que
es el suceso indivisible.

Ejemplo 3.2. Sea el experimento observar a un cliente y ver si realiza una compra o no. Los
sucesos elementales son: {S} y {N}.

- Espacio de muestra es el conjunto formado por todos los posibles resultados de un experimento
aleatorio, el cual lo designaremos por E.

Ejemplo 3. 3. Se observa a los clientes que llegan a un centro comercial y se registra si stos han realizado una
compra o no. En este caso,
El experimento aleatorio es: observacin de un cliente elegido al azar.
El suceso aleatorio es: realizacin de una compra
El espacio de muestra es: E = {Si realiza la compra, No realiza la compra} = {S, N}

Ejemplo 3.4. Para el ejemplo 3.1 se tiene que: S y N .

Ejemplo 3.5. Dos clientes llegan a un centro comercial y se observa si stos han realizado una compra (S) o no
(N). El espacio de muestra para este experimento es E = {SS, SN, NS, NN} entonces se tiene que:

SS , SN , NS , NN .

Ejemplo 3.6. El espacio de muestra del estado civil de las personas es:

E = {Soltero, Casado, Viudo, Divorciado, Concubinato}

Podemos considerar algunos subconjuntos de E, por ejemplo:

C = {Casado, Concubinato}; S = {Soltero, Divorciado}; V = {Viudo}.

Todos estos subconjuntos del espacio de muestra E, los llamamos sucesos. As, C, S y V son sucesos del
experimento: Estado civil de las persona.

Ejemplo 3.7. El espacio de muestra asociado al lanzamiento de tres dados y anotar la suma de los puntos
obtenidos es:
E = {3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18}

Algunos subconjuntos de E son:

- {Obtener mltiplo de 5}; M = {5,10,15}
- {Obtener nmero primo}; P = {2,3,5,7,11,13,17}
- {Obtener nmero mayor o igual que 12}; D = {12,13,14,15,16,17,18}

Los subconjuntos M, P y D son sucesos del experimento: lanzamiento de tres dados y anotar la suma de los
puntos.

Al conjunto de todos los sucesos de una experiencia aleatoria lo llamaremos S y si E tiene un nmero finito, n,
de elementos, el nmero de sucesos de E es 2
n
.

Ejemplo 3.8. Los sucesos elementales de E en el caso del experimento de estado civil de las personas son:
{Soltero}, {Casado}, {Viudo}, {Divorciado}, {Concubinato}.

Ejemplo 3.9. Consideremos los siguientes sucesos {1,2}, {2, 4, 6}, {3, 5}. {1}, {2}, {3}, {4}, {5}, {6} son los
sucesos individuales o elementales del experimento.

Ejemplo 3.10. En el experimento estado civil de las personas existen 2
5
= 32 sucesos diferentes.

Ejemplo 3.11. En el experimento sexo de una persona hay 2
2
= 4 sucesos, que son: , {Mujer}, {Hombre},
{Mujer, Hombre}. Es decir,
E = {, {M}, {H}, {M, H}}

Para introducirnos en el tema y visualizar los conceptos ms fcilmente, vamos a considerar experiencias
aleatorias sencillas que se dan en la vida diaria y tambin usaremos ejemplos ilustrativos tal como lanzar dados o
monedas, extraer cartas de una baraja, sacar bolas de urnas, etc.

Ejemplo 3.12. A una reunin llegan Carmina (C), Mercedes (M), Sergio (S), y Luis (L). Se eligen dos personas
al azar sin importar el orden. El espacio de muestra de este experimento es:

E = {(C, M), (C, S), (C, L), (M, S), (M, L), (S, L)}

Ejemplo 3.13. En relacin al sexo de las personas que llegan al centro comercial, el espacio de muestra es:

E = {Femenino, Masculino} = {F, M}

- Variable aleatoria es una funcin que asigna valores numricos a los sucesos elementales en un espacio
de muestra.
- Clasificacin de las variables aleatorias. Las variables aleatorias se clasifican en discretas y
continuas. Se le llaman discretas si toman un nmero finito o infinito numerable de valores (numerable
significa que los valores asignados se pueden enumerar en secuencia, de manera que haya un primer
elemento, un segundo elemento, un tercer elemento, y as sucesivamente), y se llaman continuas si dado
un intervalo (a, b) la variable puede tomar todos los valores comprendidos entre a y b.

Ejemplo 3.14. Las variables del ejemplo 3.4 y del ejemplo 3.4 son discretas ya que ambas variables toman un
nmero finito de valores (0 y 1 para la primera y 0,1 y 2 para la segunda). Para ms ejemplos, ver la seccin de
distribuciones discretas de probabilidad ms adelante. La variable que asigna la estatura a una persona extrada
de una determinada poblacin es una variable continua ya que, tericamente, todo valor es posible entre, 0 y 2.75
metros.

Ejercicios 1
Ejercicio 3.1. Se observa un semforo y se anota la luz que despide. Defina el experimento aleatorio, los sucesos
aleatorios y el espacio de muestra del experimento y especifique el tipo de variable aleatoria que es.
Ejercicio 3.2. Se observa el tiempo que impera en un da determinado. Defina el experimento aleatorio, los
sucesos aleatorios y el espacio de muestra del experimento y especifique el tipo de variable aleatoria que es.
Ejercicio 3.3. Describe el espacio de muestra asociado a cada uno de los siguientes experimentos aleatorios:
a) Seleccin aleatoria de tres personas del grupo siguiente: Mara, Carlos, Carolina, Julia, Jos y Ricardo
b) Seleccionar dos personas aleatoriamente en el ejercicio anterior que sean hombre y mujer.
c) Extraccin de dos bolas de una urna que contiene cuatro bolas blancas y tres negras.
d) El tiempo, con relacin a la lluvia, que har durante tres das consecutivos.
Ejercicio 3.4. Escriba todos los sucesos del experimento Actitud del cliente considerando como espacio de
muestra E = {Escepticismo, Aceptacin, Indiferencia, Objecin} Cuntos hay?
Ejercicio 3.5. Se considera el sexo de los hijos de las familias de tres hijos. Sea A el suceso el hijo mayor es
mujer, y B el suceso los dos hijos pequeos son varones. Cules son los elementos de A y B?

3.4. Operaciones con sucesos
En esta seccin estudiaremos las operaciones con sucesos. Estas operaciones son tiles para obtener informacin
adicional a la recopilada en un muestreo o censo.

3.4.1. Unin
Dados dos sucesos, A y B, definimos la Unin de A y B indicada por B A como el suceso formado por todos
los elementos de A y todos los elementos de B. Grficamente tenemos

Ejemplo 3.15. En un centro comercial colocan en promocin 315 pantalones cortos para hombre y 220
pantalones cortos para mujer. Si A = {pantalones cortos en promocin para hombre} y Si B = {pantalones cortos
en promocin para mujer} entonces el suceso B A
= {pantalones cortos en promocin de hombre o de
mujer}; el nuevo suceso
B A
tendr 315 + 220 = 535 pantalones cortos en promocin.

A B
3.4.2. Interseccin
Dados dos sucesos, A y B, definimos la Interseccin de A y B denotada por B A como el suceso formado por
todos los elementos que son, a la vez, de A y de B. Grficamente se tiene

Dos sucesos A y B, se llaman incompatibles cuando no tienen ningn elemento comn. Es decir, cuando
C = B A (A y B son disjuntos o ajenos). Grficamente se tiene

Se dice que un suceso se ha verificado, si al realizar el experimento aleatorio correspondiente, el resultado es
uno de los sucesos elementales de dicho suceso. De manera anloga, decimos que:
a) El suceso B A se verifica cuando se experimenta uno de los dos o ambos sucesos.
b) El suceso B A se cumple cuando se verifican simultneamente A y B.
c) El suceso
c
A , contrario de A, se verifica cuando no se experimenta A.
d) Dos sucesos incompatibles no se verifican simultneamente.

Ejemplo 3.16. Una empresa ha clasificado a sus empleados en dos grupos: 1) trabajadores que tienen ms de 10
aos de antigedad en la empresa, 2) empleados que ganan ms de 3 salarios mnimos al mes.
Si A = {Los empleados con ms de 10 aos de antigedad en la empresa} y B = {Los trabajadores que ganan
ms de 3 salarios mnimos al mes} entonces, B A
= {trabajadores con ms de 10 aos de antigedad en la
empresa y que ganan ms de tres salarios mnimos por mes}

3.4.3. Diferencia
Dados dos sucesos, A y B, definimos la diferencia de A y B indicada por B A como el suceso formado por
todos los elementos de A que no son de B. Grficamente se tiene:

Ejemplo 3.17. En el ejemplo anterior, B A
= {trabajadores con ms de 10 aos de antigedad en la empresa y
que ganan tres o menos salarios mnimos por mes}, y
A B
= {trabajadores que ganan ms de tres salarios
mnimos al mes y con 10 o menos aos de labor en la empresa}.

Ejemplo 3.18.
De acuerdo a una investigacin realizada en esta ciudad acerca de mujeres mayores de 20 aos,
se ha comprobado que entre otras cosas, el 75% estn casadas, de stas el 38 % trabaja fuera del hogar. De las
solteras, el 74 % trabajan fuera del hogar:

a. Calcula el porcentaje de mujeres mayores de 20 aos que trabaja fuera del hogar.
b. Si se selecciona al azar una mujer mayor de 20 aos, cul es la probabilidad que sea soltera y se
dedique al hogar?

Usamos las operaciones con sucesos y los pasos siguientes para resolver este tipo de problemas.
Paso 1. Definimos el espacio de muestra y cada uno de los sucesos dados en el contexto del problema:
E =
{Mujeres mayores de 20 aos de esta ciudad}
; C =
{Mujeres casadas}
y T =
{Mujeres que trabajan
fuera del hogar}

Paso 2. Escribimos la informacin del problema usando simbologa matemtica y construimos un diagrama de
Venn para la situacin particular.
P(C) = 0.75; P(CT) = (0.75)*(0.38) = 0.285 debido a que el 38% del 75% es el 28.5%.
P(C
c
T) = (0.25)(0.74) = 0.185, puesto que el 25% de las mujeres no estn casadas y de stas, el 74% trabaja
fuera del hogar.
Preguntas: Calcular: a)
(T) b)

Paso 3. Aplicamos las frmulas de lgica de conjuntos como sigue:
Respuesta a)

Por lo tanto, el 47% de las mujeres trabaja fuera del hogar.

Respuesta b)
pero,
.

Es decir, slo el 6.5% de las mujeres es soltera y trabaja dentro del hogar.

3.4.4. Complemento
Dados un suceso, A, se define el Suceso contrario o complemento de A indicado por
c
A
,
como A E A
c
= .
Grficamente se observa:

c
E

Ejemplo 3.19. En relacin a los conjuntos dados en el ejercicio anterior,
c
A
= {trabajadores con 10 o menos
aos de antigedad en la empresa y
c
B
= {empleados que ganan tres o menos salarios mnimos por mes}

Ejemplo 3.20. En relacin al ejercicio de los pantalones puestos en promocin, C = B A
ya que en la
promocin no se colocaron pantalones unisex.

Ejemplo 3.21. Si al realizar una venta a un cliente se registra la forma de pago realizado por este, y se ha
verificado, entre otros, los sucesos {M}, {M, V, C} o E, donde M = efectivo, V = vales de despensa y C = tarjeta
de crdito,

Ejemplo 3.22. En el experimento E = "observar a un cliente", consideramos los sucesos:

A = {El cliente realiz una compra}
B = {El cliente es hombre}
C = {El monto de la compra del cliente es mayor que
$500}
D = {el cliente es mujer}
F = {el cliente tiene crdito en la empresa}
G = {el cliente ha presentado morosidad en sus
pagos}.
- A y D
c
son sucesos iguales al estar formados por los mismos sucesos elementales.
- C est contenido en A. Luego A C = C, puesto que siempre que ocurre el suceso C (compra mayor de
$500) ocurre el suceso A, puesto que el cliente ha realizado una compra.
- B y D son incompatibles, ya que C = D B y complementarios, al cumplirse E D B = .
- = B A {el cliente es hombre o realiz una compra o ambas cosas}.
-
= G A {El cliente realiz una compra y ha presentado morosidad en sus pagos}

- = =
c
D C D C {Clientes hombres cuyo monto de la compra es mayor que $500}
- B D B = ya que B y D son incompatibles puesto que C = D B .

Ejemplo 3.23. En el experimento E = "lanzar un dado al aire", consideramos los sucesos:
A = { } par nmero un Sacar .
B = {1, 2, 3, 5} ={ } 5 3 2, 1, un obtener ".
C = {4, 6} = {obtener un 4 un 6".
D = {2, 4, 6} = {Obtener un 2, 4 6}.
F = {1,3} = {obtener un 1 un 3}.
G = {obtener un mltiplo de 3}.
- A y D son sucesos iguales al estar formados por los mismos sucesos elementales.
- C est contenido en A. Luego A C = C, puesto que siempre que ocurre el suceso C (sacar 4 6) ocurre
el suceso A, puesto que se obtiene un nmero par.
- B y C son incompatibles, ya que C = C B y complementarios, al cumplirse E C B = .
- = B A { } par nmero un sacar {1, 2, 3, 5} = {1, 2, 3, 4, 5, 6} = E.
- = G A {2, 4, 6} {3,6} = {6}, es decir, el suceso interseccin de los sucesos { } par nmero un sacar y
{ } tres de mltiplo un obtener es { } 6 un sacar .
- = = D B D B {1,2,3,5} {1,3,5} = {1,3,5} = { } A = impar nmero un obtener
- C y F son incompatibles puesto que C = F C .

Las operaciones unin, interseccin y complementacin (contrario) verifican las siguientes propiedades:

Propiedad Unin Interseccin
1. Conmutativa A B B A = A B B A =
2. Asociativa
A B A C B A = ) ( ) ( C B A C B A = ) ( ) (
3. Idempotente A A A = A A A =
4. Simplificacin
A A B A = ) ( A A B A = ) (
5. Distributiva
) ( ) ( ) ( C A B A C B A = ) ( ) ( ) ( C A B A C B A =
6. Elemento neutro A A = C C = C A
7. Absorcin E E A = A E A =

A las familias de conjuntos que verifican las propiedades anteriores se les denomina lgebras de Boole. En el
lgebra Booleana se verifican las siguientes propiedades, conocidas como leyes de De Morgan:
1) El suceso contrario de la unin de dos sucesos es la interseccin de sus sucesos contrarios:
( )
c c c
B A B A =
2) El suceso contrario de la interseccin de dos sucesos es la unin de sus sucesos contrarios:
( )
c c c
B A B A =

3.5. Probabilidad condicional
En el clculo de las probabilidades de algunos sucesos, el valor de dicha probabilidad ser en funcin del
conocimiento de determinadas informaciones relativas a estos sucesos. Por ejemplo, si disponemos de una urna
que contiene cuatro bolas numeradas del 1 al 4, extraemos una bola y seguidamente la volvemos a introducir
para realizar una segunda extraccin, la probabilidad de extraer, por ejemplo, la bola nmero 3 en la segunda
extraccin es la misma que en la primera. Si realizamos el mismo proceso sin remplazar la bola extrada la
probabilidad de extraer, por ejemplo, la bola nmero 3 en la segunda extraccin depender de la bola extrada en
primer lugar. La definicin siguiente nos indica cmo calcular estas probabilidades.
Dados dos sucesos A y B tal que P( A ) 0, se llama probabilidad de B condicionada a A, indicada por P(B/A),
a la probabilidad de B tomando a A como espacio de muestra, es decir, la probabilidad de que ocurra B dado que
ha sucedido A.
) A ( P
) A B ( P
) A / B ( P

=
De esta igualdad se deduce que:
P( BA ) = P( B/A ) P( A )
La frmula anterior adopta la forma para tres sucesos, A, B y C:
P( AB C ) = P( A ) P( B/A ) P( C/A B )

O bien por la frmula equivalente

P( AB C ) = P( A/ (B C) ) P( B/C ) P( C/A )

Estas dos frmulas admiten una generalizacin para un nmero cualquiera de sucesos.
Ejemplo 3.24. Una compaa de artculos de belleza coloca un anuncio de una nueva crema para la cara en una
televisora local. La compaa cree que el anuncio ser visto por un 36% de los televidentes y que el 3% de los
clientes que vean el anuncio comprarn la crema anunciada. . Calcule la probabilidad de que el televidente vea el
anuncio y compre la crema.

Respuesta: Definimos primero los eventos:
E= {Clientes que compran crema para la cara}; C = {clientes que compran la crema anunciada};
V = {Televidentes que ven el anuncio}

Los datos que ofrece el enunciado del problema son:

;

Es decir, la posibilidad de que un cliente vea el anuncio y compre la crema es de un 1.08%.
Ejemplo.3.25 Consideremos el experimento de {lanzar un dado al aire}. Calculemos, por ejemplo, la
probabilidad de obtener un 3 sabiendo que ha salido un nmero impar:
Definimos los sucesos A = {sacar 3} y B = {1, 3, 5}; entonces,
puesto que si sabemos que ha salido

un nmero impar, los casos posibles ahora son 3 y los casos favorables al suceso A slo 1.

3.5.1. Sucesos dependientes e independientes
El conocimiento de que ha ocurrido el suceso A modifica, en algunas ocasiones, la probabilidad del suceso B,
pero en otras no. Los sucesos en los que, conociendo que uno ha ocurrido, no se modifica la probabilidad del
otro, decimos que son independientes y, si se modifica, decimos que son dependientes entre s. Formalmente
decimos que:
Dos sucesos A y B son independientes entre s si la ocurrencia de uno de ellos no modifica la probabilidad del
otro, es decir, si
P( B/A ) = P( B ) P( A/B ) = P( A )
y que dos sucesos A y B son dependientes entre s si la ocurrencia de uno de ellos modifica la probabilidad del
otro, es decir, si
P( B/A ) P( B ) P( A/B ) P( A )
Como consecuencia inmediata de la definicin se tiene:
1. Dos sucesos A y B son independientes si se cumple:
P( A B ) = P( A ) P( B )
2. Tres sucesos A, B y C son independientes si se cumplen a la vez:
a) P( A B ) = P( A ) P( B )
b) P( A C ) = P( A ) P( C )
c) P( B C ) = P( B ) P( C )
d) P( A B C ) = P( A ) P( B ) P( C )

Ejercicios 2
Ejercicio. 3.6. En una colonia de esta ciudad, un 40% de la poblacin realiza sus compras en la tienda Ley ms
cercana, 25% de la poblacin realiza compras en la tienda Wal Mart ms prxima y el 15 % realiza sus compras
en ambas tiendas. Se selecciona al azar a una persona,
a. Cul es la probabilidad de que no compre en ninguna de las dos tiendas mencionadas?
b. Si realiza sus compras en la tienda Ley ms cercana cul es la probabilidad de que no compre en la
tienda Wal Mart ms prxima?
Ejercicio.3.7. Realizamos un experimento que consiste en entrevistar a una persona seleccionada aleatoriamente
sobre la calidad en el transporte urbano de Hermosillo. Consideremos los sucesos siguientes: S = {la persona es
mujer} y O = {La persona opina que el transporte urbano es deficiente}, B = {La persona opina que el transporte
urbano es eficiente}.
a) Calcula los eventos i) SO ; ii) O S ; iii) S O ; iv) B S
c
; v) B O y vi) B O
b) Los eventos O y B son compatibles o incompatibles?
c) Define los eventos opuestos a S, O y B
Ejercicio 3.8. Tenemos una urna con nueve bolas numeradas del 1 al 9. Realizamos el experimento, que consiste
en sacar una bola de la urna, anotar el nmero y devolverla a la urna. Consideramos los siguientes sucesos: A ={
salir un nmero primo} y B = { salir un nmero cuadrado}. Responda a las siguientes cuestiones:
a. Calcula los sucesos B A B A y
b. Los sucesos A y B, son compatibles o incompatibles?
c. Encuentra los sucesos contrarios de A y B.
Ejercicio 3.9. Se sortea un viaje a China entre los 120 mejores clientes de una agencia de automviles. De ellos,
65 son mujeres, 80 estn casados y 45 son mujeres casadas. Se pide:
a) Cul es la probabilidad de que le toque el viaje a un hombre soltero?
b) Si del afortunado se sabe ya que es casado, cul es la probabilidad de que sea una mujer?
Ejercicio 3.10. En una empresa, el 40% de los empleados gana tres o ms salarios mnimos al mes y el 50% de
los mismos tiene 10 o ms aos de antigedad. Adems, la probabilidad de ganar tres o ms salarios mnimos al
mes teniendo diez o ms aos de antigedad en la empresa, es 0.8.
a) Probar que la mitad de los empleados de la empresa ganan menos de tres salarios mnimos y tienen menos de
10 aos de antigedad en la empresa.
b) Calcula el porcentaje de empleados que ganan 3 o ms salarios mnimos y tienen diez aos o ms de
antigedad en la empresa.
Ejercicio 3.11. Se lanzan dos dados:
a. Cul es la probabilidad de obtener una suma de puntos igual a 7?
b. Si la suma de puntos ha sido 7, cul es la probabilidad de que en alguno de los dados haya salido un
tres?
Ejercicio 3.12. El 6% de los coches de una fbrica tienen defecto en el motor, el 8% tienen defecto en la
carrocera, y el 2% tienen ambos defectos.
a) Son independientes los sucesos tener defecto en el motor y tener defecto en la carrocera?.
b) Calcula la probabilidad de que un coche tenga al menos un defecto.
c) Calcula la probabilidad de que un coche no tenga ningn defecto.
Ejercicio.3.13. En la fabricacin de un cierto artculo, se encuentra que se presenta un tipo de defecto con una
probabilidad 0.09 y defectos de un segundo tipo con probabilidad 0.045. Se supone la independencia entre
ambos tipos de defectos. Cul es la probabilidad que:
a. Un artculo no tenga ambos tipos de defectos?
b. Un articulo sea defectuoso?
Ejercicio 3.14. Se consideran dos sucesos, A y B, asociados a un experimento aleatorio con P(A)=0.7; P (B)=
0.6; P( )=0.58.
a. Son independientes A y B?
b. Si M A, cul es el valor de P( / )?

3.6. Diferentes enfoques de probabilidad
Para definir la probabilidad y determinar valores de probabilidad, se han desarrollado 3 enfoques conceptuales:
1) El enfoque clsico de probabilidad. 2) El enfoque de frecuencias relativas y 3) El enfoque subjetivo de
probabilidad.

- Enfoque clsico de la probabilidad (a priori). Este enfoque permite determinar valores de
probabilidad antes de ser observado el experimento por lo que se le denomina enfoque a priori. Este
enfoque es aplicado cuando todos los resultados son igualmente probables (equiprobables) y no pueden
ocurrir al mismo tiempo.

Si queremos conocer la probabilidad de un evento A, Laplace define la probabilidad del suceso A como el
cociente entre el nmero de resultados favorables a que ocurra el suceso A en el experimento y el nmero de
resultados posibles del experimento. Es decir,

Ejemplo.3.26. El jefe del Departamento de Polica, asignar una patrulla para que realice rondines durante la
noche en 5 colonias del sector poniente de Hermosillo. Las 5 colonias son elegidas aleatoriamente cada da.
Suponga que el poniente de Hermosillo lo componen 35 colonias entre las que se encuentra la colonia Nuevo
Sahuaro. Si definimos el evento A = {Asignacin de una patrulla para que realice rondines en la colonia Nuevo
Sahuaro el da de hoy} entonces, podemos calcular la probabilidad de que en la colonia mencionada, se realice
un rondn el da de hoy, como sigue:
Nmero de casos favorables en donde sale elegida la colonia Nuevo Sahuaro: (
)
Nmero de casos posibles = (
)

P(A) =

Ejemplo 3.27. Un lote de artculos contiene 13 artculos no defectuosos, 3 con defectos secundarios y 4 con
defectos considerables. Se toma al azar un artculo. Determine la probabilidad que el artculo:

a) no tenga defectos.
b) no tenga defectos considerables.

Del mismo lote se extraen 2 artculos al azar. Determine la probabilidad que:
c) ambos sean no defectuosos, si se extrae uno despus del otro
d) ambos tengan defectos considerables

Respuestas: Para resolver a) y b), aplicamos la definicin de Laplace como sigue:

a) P(No tenga defectos) =

b) P(No tenga defectos considerables) =

Para los casos c) y d) aplicamos la definicin de Laplace y el hecho de que la extraccin es consecutiva.

c) Realizamos la primera extraccin: P(No tenga defectos) =

Realizamos la segunda extraccin: P(No tenga defectos) =

Ahora, calculamos la probabilidad de que ambos eventos se lleven a cabo de la manera siguiente:
P(El primero no tenga defectos y el segundo no tenga defectos) .
d) Realizamos la primera extraccin: P(Tenga defectos considerables) =

Realizamos la segunda extraccin: P(Tenga defectos considerables) =

Ahora, calculamos la probabilidad de que ambos eventos se lleven a cabo de la manera siguiente:
P(El primero tenga defectos considerables y el segundo tenga defectos considerables)
.

Ejemplo 3.28. Consideremos el experimento {lanzar un dado de quinielas y anotar el resultado }.

El espacio de muestra es E = {1, X, 2}. Las probabilidades de cada uno de los sucesos son:

1. P() = 0
2. P({1}) = 1/3 P({X}) = 1/3 P({2}) = 1/3
3. P({1,2}) = P({1}) + P({2}) = 1/3 + 1/3 = 2/3 P({1,X}) = 2/3 P({2,X}) = 2/3
4. P({1,X,2}) = P(E) = 1.

- Enfoque de frecuencias relativas (a posteriori o emprico). Este enfoque afirma que la probabilidad
de un suceso, es el nmero al que tiende la frecuencia relativa asociada al suceso, a medida que crece el
nmero de veces que se realiza el experimento. Esta propiedad es conocida como ley de los grandes
nmeros, establecida por Jakob Bernoulli. Este enfoque permite determinar la probabilidad con base en
la proporcin de veces que ocurre un resultado favorable en cierto nmero experimentos. No implica
ningn supuesto previo de igualdad de probabilidades. A este enfoque se le denomina tambin enfoque
emprico debido a que para determinar los valores de probabilidad se requiere de la observacin y de la
recopilacin de datos. Tambin se le denomina a posteriori, ya que el resultado se obtiene despus de
realizar el experimento un cierto nmero de veces.

La frecuencia relativa del suceso A, indicada por ) ( A
r
f se obtiene mediante la frmula:


Este enfoque tiene el inconveniente de variar la sucesin de las frecuencias relativas de unas series de
realizaciones a otras (muestreos), si bien el valor al que se aproximan, a medida que el nmero de realizaciones
aumenta, se mantiene estable.

Ejemplo 3.29. Se realiza un experimento en una empresa donde hay 720 trabajadores. El experimento consiste
en seleccionar aleatoriamente a un trabajador y preguntarle su sexo. Se sabe que en la empresa hay 230 mujeres
y 490 hombres. Si definimos el evento M = {La persona seleccionada es mujer} entonces,

3194444 . 0 ) (
720
230
= = M
r
f

Ejemplo 3.30. Antes de incluir la cobertura para personas diabticas en plizas de seguros mdicos para adultos
con empleo, una compaa de seguros desea determinar la probabilidad de ocurrencia de esa enfermedad, para
que pueda fijarse la prima de seguros de acuerdo con esas cifras. Por ello, un especialista en estadstica recopila
datos para 15,000 personas que se encuentran en las categoras de edad apropiadas y encuentra que 200 de ellos
han experimentado sntomas de diabetes. La probabilidad de ocurrencia es:

- Enfoque subjetivo de probabilidad (personalista). Este enfoque se diferencia de los dos anteriores,
debido a que tanto el enfoque clsico como el de frecuencia relativa producen valores de probabilidad
objetivos y este enfoque seala que la probabilidad de un evento es el grado de confianza que una
persona tiene en que el evento ocurra, con base en toda la evidencia que tiene disponible, fundamentado
en la intuicin, opiniones, creencias personales y otra informacin indirecta. Este enfoque no depende de
la repetitividad de ningn evento y permite calcular la probabilidad de sucesos nicos y se da el caso de
que ocurra o no esa nica vez. Debido a que el valor de la probabilidad es un juicio personal, al enfoque
subjetivo se le denomina tambin enfoque personalista.

Ejemplo 3.31. a) Existe la probabilidad del 90% de que las ventas mejoren el ao prximo. b) Hay una alta
probabilidad del 20% de que hoy llueva. c) Existe una probabilidad del 80% de sacarme un 100 en el
examen de estadstica I.

Ejemplo 3.32. A causa de los impuestos y de otros posibles usos de sus fondos, un inversionista ha
determinado que la compra de terrenos slo se justifica si existe al menos una probabilidad de 0.90 de que
los terrenos estimen su valor en un 50% o ms en los cuatro aos siguientes. Al evaluar cierto terreno, este
inversionista estudia los cambios de precio en el rea en los aos recientes, considera los niveles de precios
vigentes, estudia la situacin imperante y probablemente futura de proyectos de desarrollo urbano y consulta
las estadsticas sobre el desarrollo econmico del rea geogrfica en general. Con base en este recuento,
concluye que existe una probabilidad de alrededor de 0.75 de que efectivamente ocurra la requerida
apreciacin de valor. Puesto que este valor de probabilidad es inferior a la probabilidad mnima requerida de
0.90, el inversionista determina que la compra de terrenos en este momento, no se justifica.

Ejercicios 3
Ejercicio 3.15. Se escogen al azar 5 artculos elctricos entre un total de 20, de las cuales 8 son defectuosos.
Calcule la probabilidad que:
a) ninguna sea defectuosa
b) una exactamente sea defectuosa
c) por los menos una sea defectuosa.
Ejercicio 3.16. En una empresa hay 10 profesionistas: 3 administradores, 5 ingenieros y 2 contadores. Se eligen
3 profesionistas al azar:
a) Hallar la probabilidad de que los tres tengan profesin distinta.
b) Hallar la probabilidad de que los tres tengan la misma profesin.
Ejercicio 3.17. Dos personas piensan acudir a un buen restaurant de la localidad, sabiendo que slo hay 10
restaurantes en la localidad considerados como buenos, calcula la probabilidad de que las dos personas no
piensen asistir al mismo restaurant.
Ejercicio 3.18. El departamento de caballeros de un centro comercial tiene 2 empleados hombres y 3 mujeres, y
el departamento de zapatera del mismo centro comercial tiene 4 hombres y 3 mujeres.
a) Si se elige al azar uno de los dos departamentos y se selecciona un empleado al azar, cul es la
probabilidad de que se trate de un hombre?
b) Si se elige al azar uno de los dos departamentos y se selecciona dos empleado al azar, cul es la
probabilidad de que se trate dos mujeres?
Ejercicio 3.19. En una empresa hay 24 trabajadores, de los cuales 14 de los empleados son hermosillenses. De
entre los hermosillenses, 7 son hombres, mientras que de los forneos, slo 2 son hombres.
a) Qu porcentaje de empleados forneos son mujeres?
b) Calcula la probabilidad de que un empleado de la empresa sea mujer.
c) Fernando trabaja en dicha empresa. Cul es la probabilidad de que sea hermosillense?
Ejercicio 3.20. En el ayuntamiento de Hermosillo hay cinco regidores del partido PRI, cuatro del PAN y uno del
PRD, si se eligen al azar y sucesivamente 3 regidores,
a) cul es la probabilidad de que los tres sean del partido PRI?
b) Cul es la probabilidad de que los regidores pertenezcan a partidos distintos?
Ejercicio 3.21. Si escogemos al azar dos nmeros de telfono y observamos la ltima cifra de cada uno,
determina las probabilidades siguientes:
a. Que las dos cifras sean iguales.
b. Que su suma sea 11.
c. Que su suma sea mayor que 7 y menor que 13.
Ejercicio 3.22. Se tiran tres dados al mismo tiempo. Encuentra la probabilidad de que:
a. La suma de los nmeros aparecidos sea menor que 8.
b. La suma de los nmeros sea mayor que 4 y menor que 8.

3.7. Combinatoria y clculo de probabilidades
El surgimiento y desarrollo de la combinatoria ha sido de manera conjunta con el desarrollo de probabilidad.
Con frecuencia se nos presenta la necesidad de calcular el nmero de maneras distintas en que un suceso se
presenta o puede realizare. Otras veces es importante determinar la probabilidad de ocurrencia de un evento
especfico. En ambos casos se requiere del sentido comn, o se establecen mtodos que permitan sistematizar
tales clculos. Con frecuencia el sentido comn ayuda a entender por qu se eligi un procedimiento dado,
mientras que la formalizacin del clculo las vas para encontrar las soluciones apropiadas. En esta seccin
estudiaremos algunas tcnicas de conteo y calcularemos probabilidades usando estas tcnicas.

3.7.1. Tcnicas de conteo
Las tcnicas de conteo son aquellas que son usadas para enumerar eventos difciles de cuantificar. El principio
fundamental en el proceso de contar ofrece un mtodo general para contar el nmero de posibles arreglos de
objetos dentro de un solo conjunto o entre varios conjuntos. Al conjunto de tcnicas de conteo se le denomina
anlisis combinatorio y nos permite resolver muchos problemas prcticos. El estudio y comprensin de este tema
es muy til para entender y resolver problemas sobre el clculo de probabilidades ya que en l tenemos una
manera prctica y abreviada de contar las operaciones o actividades que se presentan y que son designadas como
eventos o sucesos.
Con las tcnicas de conteo y con el anlisis combinatorio se pueden calcular por ejemplo, cuntos nmeros
telefnicos de un nmero determinado de dgitos, cuntas placas de autos se pueden hacer utilizando una
combinacin dada de letras y nmeros. Por otro lado,

3.7.2. Principios fundamentales del anlisis combinatorio
En la mayora de los problemas del anlisis combinatorio se observa que una operacin o actividad aparece en
forma repetitiva y es necesario conocer las formas o maneras que se puede realizar dicha operacin. Para dichos
casos es til conocer determinadas tcnicas o estrategias de conteo que facilitarn el clculo sealado. Por
ejemplo podemos calcular, 1) las diferentes maneras que una persona se puede vestir, utilizando un nmero
determinado de prendas de vestir, 2) las distintas maneras en que 8 personas pueden ocupar la plaza de 5
empleos disponibles, 3) las formas posibles en que pueden seleccionarse 10 personas de un total de 37
candidatos y 4) cuntas palabras de 5 letras que contengan 4 vocales y 2 consonantes.

3.7.2.1. Principio multiplicativo
Si un evento o suceso A puede ocurrir, de m maneras diferentes y otro suceso, de manera independiente al
primero, puede ocurrir de n maneras diferentes, entonces el nmero de maneras distintas en que pueden suceder
ambos sucesos es .

Ejemplo 3.33. De cuntas maneras pueden repartirse 4 premios a un conjunto de 85 personas, suponiendo que
cada persona no puede obtener ms de un premio?
Solucin: 1) Existen 85 personas que pueden recibir el primer premio. 2) Una vez que el primer premio ha sido
entregado, existen 84 personas que pueden recibir el segundo, 3) una vez entregados los dos primeros premio,
existen 83 personas que pueden recibir el tercer premio y 4) una vez entregados los 3 primeros premios existen
82 personas que pueden recibir el ltimo premio. Por lo tanto, existen
maneras distintas de entregar los premios.

Ejemplo 3.34. Cuntas placas para automvil pueden hacerse si cada placa consta de tres letras diferentes
seguidas de tres dgitos diferentes? (considere 26 letras del alfabeto).

Solucin: 1) Con las letras se pueden formar placas y 2) con los dgitos se pueden
formar placas. Por lo tanto, el nmero de placas que cumplen simultneamente con ambos
requerimientos son

3.7.2.2. Principio aditivo
Si un evento A puede realizarse de m maneras distintas y otro evento B se puede realizar de n maneras diferentes
y si , (es decir, no es posible que ambos eventos se realicen juntos), entonces el evento A o el evento B
se realizarn de (m + n) maneras distintas.

Ejemplo 3.35. Un tipo de detergente se vende en 6 tiendas de Ley y en 4 tiendas Soriana. De cuntas formas se
puede adquirir el detergente?

Solucin: Se cuentan con 6 formas de la tienda Ley ms 8 formas de la tienda Soriana. Por lo tanto, existen14
formas distintas de adquirir el detergente.

Ejemplo 3.36. Se desea cruzar un ro, para ello se dispone de 3 botes, 2 lanchas y 1 deslizador. De cuantas
formas se puede cruzar el ro utilizando los medios de transporte sealados?

Solucin: Se tienen 3 formas con los botes, 2 formas con las lanchas y 1 forma con el deslizador. Por lo tanto,
existen 6 formas distintas de cruzar el rio.

3.7.3. Combinaciones
Una combinacin, es un arreglo de objetos en donde no nos interesa el lugar, orden o posicin que ocupan los
objetos del arreglo. Existen dos tipos de combinaciones, con repeticin y sin repeticin, por requerimientos del
programa de la materia y fines prcticos del desarrollo del tema de probabilidad, en este curso slo veremos las
combinaciones sin repeticin. Las combinaciones de n objetos tomados en grupos de k objetos, se calculan
mediante la frmula siguiente:

(

donde la expresin (
) representa las combinaciones de n objetos, tomados en grupos de k objetos", n ! " se

denomina "factorial de n" y es la multiplicacin de todos los nmeros que van desde "n" hasta 1. Por ejemplo, 5!
= = 120. Por definicin, 0! = 1.

Ejemplo 3.37. (
) son las combinaciones de 15 elementos agrupndolos en grupos de 8 elementos. Existen

(

Es decir, podramos formar 6,435 grupos diferentes de 8 objetos, a partir de 15 de stos.

3.7.4. Permutaciones
Una permutacin es todo arreglo de objetos en donde nos interesa el orden, lugar o posicin que ocupa cada uno
de los objetos que constituyen dicho arreglo. Para calcular el nmero de permutaciones se aplica la frmula
siguiente:

donde La expresin
representa las permutaciones de "n" objetos, tomando todos los objetos a la vez. Los
conjuntos de objetos se diferenciaran nicamente por el orden de los objetos. Al igual que en las combinaciones,
existen dos tipos de permutaciones con repeticin y sin repeticin y con fines prcticos slo estudiaremos las
permutaciones sin repeticin.

Ejemplo 3.38. Calcular las permutaciones de 5 objetos tomados todos a la vez.

Solucin.
permutaciones.

Es decir, tendramos 120 formas diferentes de agrupar 5 objetos.

3.7.5. Ordenaciones
Las ordenaciones son aquellas formas de agrupar n objetos de un conjunto, tomando grupos de r objetos a la vez
y teniendo en cuenta el orden en que se colocan. Para calcular el nmero de variaciones se aplica la frmula
siguiente:

La expresin
representa las ordenaciones de "n" objetos, formando grupos de "r" objetos elegidos a la vez.
En este caso, un subgrupo se diferenciar del resto, ya sea por los objetos que lo forman o por el orden de dichos
objetos. Tambin existen dos tipos de ordenaciones, con repeticin y sin repeticin y por causas explicadas
antes, slo estudiaremos las ordenaciones sin repeticin.

Ejemplo 3.39. Calcular las ordenaciones posibles de 6 objetos tomando grupos de 3 objetos a la vez.

ordenaciones
Por lo tanto, se pueden formar 120 grupos diferentes de 3 objetos, a partir de los 6 objetos.

Ejercicios 4
Ejercicio 3.23. a) De cuntas formas diferentes se pueden cubrir los puestos de presidente, vicepresidente y
tesorero de una empresa, sabiendo que hay 12 posibles candidatos? b) Si Hugo, Paco y Luis pertenecen al grupo
Qu probabilidad hay de que al menos dos de ellos sean seleccionados?
Ejercicio 3.24. a) Con las letras de la palabra libro, cuntas palabras de cinco letras se pueden hacer que
empiecen por vocal? b) calcula la probabilidad de que al elegir una palabra al azar, sta empiece con una vocal.
Ejercicio 3.25. a) De cuntas formas pueden mezclarse los siete colores del arco iris tomndolos de tres en
tres? b) Cul es la probabilidad de que una mezcla dada contenga los colores rojo y azul?
Problema 3.26. a) Cuntos nmeros de cinco cifras distintas mayores de 65,350 se pueden formar con las cifras
impares? Cul es la probabilidad de que un nmero seleccionado al azar sea tambin mayor que 70,000?
Ejercicio 3.27. A una reunin asisten 10 personas 6 hombres y 4 mujeres, se intercambian saludos entre todos.
a) Cuntos saludos se han intercambiado? b) Si se seleccionan al azar dos personas de las 10 posibles para que
se saluden, Cul es la probabilidad de que sean dos mujeres?
Ejercicio 3.28. Con las cifras 1, 3 y 4, a) cuntos nmeros de cinco cifras pueden formarse? b) Cul es la
probabilidad de que al seleccionar aleatoriamente uno de estos nmeros, ste sea impar?
Ejercicio 3.29. a) De cuntas formas pueden colocarse 12 solicitantes de empleo en 12 puestos disponibles,
teniendo en cuenta que el mensajero (office boy) y el encargado de la limpieza no pueden ocupar otra posicin
distinta a la que les corresponden? b) Si existen dos puestos de capturista, Cul es la probabilidad de que a un
solicitante seleccionado al azar le toque el puesto de capturista?
Ejercicio 3.30. Una mesa presidencial est formada por ocho personas, a) de cuntas formas distintas se pueden
sentar, si el presidente y el secretario siempre van juntos? b) Cul es la probabilidad de que ambos queden
separados?
Ejercicio 3.31. De un grupo, compuesto por cinco hombres y siete mujeres se formar un comit de 5 personas
a) De cuntas formas distintas pueden formarse estos comits? b) Cul es la probabilidad de que el comit est
formado por puras mujeres? c) Cul es la probabilidad de que el comit este formado por 2 hombres y 3
mujeres?


3.8. Distribuciones de probabilidad
Toda variable aleatoria posee una distribucin de probabilidad que describe su comportamiento. Si la variable es
discreta, su distribucin de probabilidad especifica todos los valores posibles de la variable junto con la
probabilidad de que cada uno ocurra. En el caso de una variable continua, la distribucin de probabilidad permite
determinar las probabilidades correspondientes con subintervalos de valores. Una forma usual de describir la
distribucin de probabilidad de una variable aleatoria es mediante la denominada funcin de densidad, en tanto
que lo que se conoce como funcin de distribucin representa las probabilidades acumuladas.
Una de las preocupaciones de los investigadores actuales es construir modelos de distribuciones de probabilidad
que puedan representar el comportamiento de diferentes fenmenos aleatorios que aparecen en el mundo real.
Por ejemplo, un gerente de una aerolnea podra estar interesado en modelar el nmero de pasajeros que no se
presenta a tomar el vuelo, con el propsito de fijar las polticas de la empresa en lo relativo a este aspecto. En
este caso, el nmero de pasajeros que no se presentan son aleatorios, varan de un vuelo a otro, como de un da a
otro en el mismo vuelo. El nmero de pasajeros que no toman el vuelo es una variable numrica, y hablar del
nmero promedio de pasajeros que no se presentan o del nmero estimado de pasajeros que no se presentarn en
un vuelo especfico en un da determinado tiene un sentido muy claro.
La pretensin de modelar lo observable ha constituido siempre una necesidad bsica para el investigador
emprico, dado que a travs de esas construcciones tericas, los modelos, puede experimentar sobre aquello que
la realidad no le permite. Por otra parte, un modelo resulta extremadamente til para un investigador, siempre y
cuando corresponda con la realidad que pretende representar o predecir, de manera que resalte las propiedades
ms importantes del mundo que nos rodea, aunque sea a costa de la simplificacin que implica todo modelo. En
la prctica, existen distribuciones discretas de probabilidad tales como la binomial, la hipergeomtrica y la de
Poisson las cuales estudiaremos en esta seccin y distribuciones continuas tales como la normal, la F y la Ji
cuadrado.

3.8.1. Distribuciones discretas de probabilidad.
Para definir el concepto de una distribucin discreta de probabilidad nos basaremos en el siguiente problema:
Suponga que se lanzan dos dados sobre una mesa y nuestro objetivo es obtener la probabilidad de que la suma de
los puntos en los dados. Si suponemos que todos los resultados observados al tirar los dados son equiprobables
(tienen la misma posibilidad de salir) entonces, el espacio de muestra del experimento, con 36 resultados
posibles es el que se muestra en la Tabla 3.1.
TABLA 3.1. ESPACIO DE MUESTRA DEL LANZAMIENTO DE DOS DADOS.
D a d o 2
D
a
d
o
1
1 2 3 4 5 6
1 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
2 (2, 1) (2, 2) (2, 3) (2, 4) (2,5) (2, 6)
3 (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
4 (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
5 (5, 1) (5, 2) (5, 3) (5, 4) (5,5) (5, 6)
6 (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
Una vez determinado el espacio de muestra, podemos calcular la probabilidad para cada uno de los casos
posibles. Por ejemplo, X = 7 se interpretar como el evento de que se observ el resultado 7 al tirar los dos
dados, esto es el evento { (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) } ocurri. Por lo tanto, P(X = 7) = P({ (1,
6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) }) =
6
1
36
6
= . Todas las probabilidades posibles se muestran en la Tabla 3.2.

TABLA 3.2. DISTRIBUCIN DE PROBABILIDAD DE LA SUMA OBSERVADA EN EL LANZAMIENTO DE DOS DADOS.
Resultado 2 3 4 5 6 7 8 9 10 11 12
Probabilidad
36
1

36
2

36
3

36
4

36
5

36
6

36
5

36
4

36
3

36
2

36
1

Hemos encontrado la distribucin de probabilidad de los valores posibles de la suma en el lanzamiento dos
dados.
Si D
1
representa el resultado observado en el dado 1 y D
2
el resultado que se obtiene en el dado 2, podemos
expresar el valor que nos interesa as: X = D
1
+ D
2
. Antes de lanzar los dados, no se sabe qu valores se
observarn para D
1
y D
2
, por lo tanto tampoco se sabe el valor para X. El valor que X tomar puede variar de
tirada en tirada sujeto a la distribucin especificada en la Tabla 3.2. As X es una variable, que asume un nmero
finito de valores sujeto a una distribucin de probabilidad. Este es un ejemplo que complementa el concepto de
una variable aleatoria discreta visto en el ejercicio 3.14. Otros ejemplos son las variables D
1
y D
2
. En general, si
S es un espacio de muestra con una medida de probabilidad P, se define una variable aleatoria como una
funcin que asigna un nmero real a cada uno de los elementos de S. Es decir, X es una funcin cuyo dominio es
el espacio de muestra S y su rango es el conjunto de los nmeros reales.
En el caso del lanzamiento de dos dados, la variable X puede asumir un valor de entre un conjunto finito de
valores posibles. Como se dijo antes, cualquier variable que pueda tomar un nmero finito de valores decimos
que es una variable aleatoria discreta. Tambin son variables aleatorias discretas aquellas que pueden asumir un
nmero muy grande o infinito de valores que potencialmente podran ser contados, tal como el nmero de latas
de atn producidas por la empresa Guaymex, el nmero de clientes que han comprado en las tiendas Soriana
desde su apertura, el nmero de estrellas en el firmamento, el nmero de hojas en los rboles, el nmero de
granos de arena en Baha de Kino etc.
En la Tabla 3.2 observamos que a cada valor posible de X, le asignamos un nmero correspondiente a su
probabilidad. De esta forma podemos definir otra funcin: ), ( ) ( x X P x f = = para cada nmero x en el campo
de valores de la variable X. Esta funcin se llama funcin de probabilidad o distribucin de probabilidad de
la variable X. Para el ejemplo que estamos tratando de la suma en el lanzamiento de dos dados, los valores de
esta funcin estn dados en la Tabla 3.2, la cual podemos rescribir utilizando los conceptos estudiados.
TABLA 3.3. FUNCION DE PROBABILIDAD DE LA SUMA OBSERVADA EN EL LANZAMIENTO DE DOS DADOS.
x 2 3 4 5 6 7 8 9 10 11 12
) ( x f
36
1

36
2

36
3

36
4

36
5

36
6

36
5

36
4

36
3

36
2

36
1

Podemos observar las siguientes propiedades: ) ( x f nunca adquiere un valor menor que cero. Esto se debe a
que ) ( x f representa una probabilidad, la cual nunca puede ser negativa. De igual manera ) ( x f nunca puede
ser mayor que 1. Si sumamos todos los valores que puede tomar ) ( x f obtenemos 1, debido a que estamos
sumando las probabilidades de que la variable aleatoria tome uno de los valores establecidos. Por definicin, la
funcin de probabilidad tiene las siguientes caractersticas:
1. ) ( x f > 0 para todo valor x en el dominio.
2.
=
x
x f 1 ) ( donde la sumatoria se extiende sobre todos los valores x en el dominio de f.
Los valores de la funcin de probabilidad, para el caso sumar los resultados al lanzar dos dados, se pueden
representar en una grfica como la que se presenta en la Figura 3.1.


Figura 3.1. Histograma de probabilidad de x.

La probabilidad de observar un valor particular de la variable aleatoria, por ejemplo X = 4 est dado por la altura
de la barra sobre el 4, es decir 3 08 0 4
12
1
36
3
. ) ( = = = = X P . De manera similar, en lugar de asociar la altura de
la barra con la probabilidad, podemos ver que el rea de la barra sobre el 4 es 3 08 0 1
12
1
36
3
36
3
. = = = , ya que la
altura de la barra es de 3 08 0
12
1
36
3
. = = y su ancho es 1. Utilizar el rea de las barras para representar la
probabilidad es muy til para extender la nocin de probabilidad a otras variables.
Podemos usar el histograma de probabilidad para calcular probabilidades tal como P( X s 5 ). Vemos que P(X s
5 ).= P(X = 2 X = 3 X = 4 X =5) = P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5), ya que los eventos donde X =
2, X = 3, X = 4 y X = 5 son disjuntos o ajenos, se tiene que P(X s 5 ).=
36
10
36
4
36
3
36
2
36
1
= + + + , que se obtiene
sumando las reas de las barras que estn sobre el 5 y a su izquierda. Se debe ser muy cuidadoso con las
desigualdades ya que P(X s 5 ).=
18
5
36
10
= , mientras que P( X < 5 ) =
6
1
36
6
= .
Si extendemos la idea de probabilidades acumulativas, podemos definir otra funcin partiendo de la distribucin
de probabilidad. Si X es una variable aleatoria discreta, definimos la funcin de distribucin de X o funcin
acumulativa de X de la manera siguiente:
F(x) = P(X s x ) =
s
para
x t
t f ) ( < x<
La Tabla 3.4 presenta la funcin de distribucin acumulativa del resultado observado al tirar dos dados.
TABLA 3.4. FUNCIN DE DISTRIBUCIN ACUMULATIVA DEL TOTAL OBSERVADO AL TIRAR DOS DADOS.
x 2 3 4 5 6 7 8 9 10 11 12
) ( x F
36
1

36
3

36
6

36
10

36
15

36
21

36
26

36
30

36
33

36
35

36
36

0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
P
(

X

=

x
)

Valor observado de la variable x
2 3 4 5 6 7 8 9 10 11 12
De la Tabla 3.4 podemos deducir algunas propiedades. Por ejemplo, observamos que F(4) < F(5), es decir si el
valor en que se evala la funcin es mayor, el valor de la funcin tambin ser mayor.
A pesar de que el valor de la funcin de la distribucin acumulativa para x = 5.7 no est incluida entre los
valores en la tabla, podemos utilizar la definicin para obtenerlo F(x) = P(X s x ), as F(5.7) = P(X s 5.7 ).
Cuando escribimos esta ltima probabilidad nos preguntamos cul es la probabilidad de observar que el total
de puntos de dos dados es menor o igual que 5.7? Por la naturaleza del experimento, vemos que no es posible
observar valores distintos a {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}, por esta razn los resultados que pueden observarse
y que son menores o iguales a 5.7 son {2, 3, 4, 5}, se tiene que, F(5.7) = P(X s 5.7) = F(5) =
18
5
36
10
= . Esto
demuestra que la propiedad que habamos visto antes, en la que establecimos que si a y b son dos nmeros reales
con a < b entonces F(a) < F(b) no siempre es cierta. La que si es cierta es que si tenemos dos nmeros reales a y
b, tal que a < b entonces F(a) s F(b). Por la definicin de probabilidad y por esta propiedad, vemos que el valor
ms grande que puede tener F(x) es 1 y el valor ms pequeo de esta funcin es 0. Hagamos un resumen de las
propiedades encontradas.
1. F(-) = 0
2. F() = 1
3. Si a y b son nmeros reales a < b, entonces F(a) s F(b). Esto significa, en el lenguaje matemtico, que F
es una funcin no decreciente.
4. F(x) es una funcin continua por la derecha: si a es un nmero real, entonces ) ( ) ( a F x F
a x
=
+
lim .
La grfica de F(x) parece una escalera y se muestra en la Figura 3.2. Podemos ver el motivo por el cual esta
grfica debe ser de esta manera si examinamos los valores de la funcin de distribucin en un intervalo tal como
[6, 7]. Vemos que F(6) =
36
15
si escogemos un nmero x mayor que 6, pero menor que 7, tenemos que F(x) =
36
15
.
Sin embargo, al evaluar la funcin en x = 7 vemos que F(7) =
12
7
36
21
= , por esta razn la grfica muestra un salto
en ese punto.

Figura 3.2. Grfica de la funcin de distribucin acumulativa del total de puntos al tirar dos dados.
Tambin podemos notar que el tamao del salto en x = 6 nos dice la probabilidad de X = 7. Para valores de x
entre 6 y 7 (sin incluir el 7) tenemos que F(x) =
36
15
, como habamos visto y luego F(7) =
36
21
, as el tamao del
0
0.2
0.4
0.6
0.8
1
1.2
0 1 2 3 4 5 6 7 8 9 10 11 12 13
F
(
X
)

=

P
(
X
x
)

Valor observado de la variable X.
salto en X = 6 es
6
1
36
6
36
15
36
21
= = . Este ltimo valor es la probabilidad de que el total de puntos en dos dados, X
sea igual a 7, es decir, P(X = 7) =
6
1
.
Visto de otra manera, P(X = 7) = P(X s 7) P(X < 7). Esto es igual a P(X s 7) P(X s 6) = =
36
15
36
21

6
1
36
6
= .
En general, el tamao del salto de la funcin de distribucin en un valor particular, nos da la probabilidad de que
la variable aleatoria sea igual a ese valor.

3.8.2. Valor esperado de variables aleatorias discretas.
Sea X una variable aleatoria con funcin de probabilidad ), ( x f entonces el valor esperado de X es
. ) ( ) (

=
x
x f x X E Ilustremos esta frmula mediante dos ejemplos.

Ejemplo 3.40. Si X es el nmero de puntos obtenidos al lanzar un dado de seis caras, obtenemos el valor
esperado de la variable aleatoria
2
X Y = .

La funcin de probabilidad de X es
6
1
= ) ( x f si { }. 6 5, 4, 3, 2, , 1 e x La funcin de probabilidad de
2
X Y = es entonces
6
1
= ) ( y f si { }, 36 25, 16, 9, 4, , 1 e y as

( ) ( ) ( ) ( ) ( ) ( ). ) ( 6 36 5 25 4 16 3 9 2 4 1 = + = + = + = + = + = = x P x P x P x P x P x P Y E
36
6
1
25
6
1
16
6
1
9
6
1
4
6
1
1
6
1
+ + + + + = ) (Y E
+ = + = + = = ) ( ) ( ) ( 3 3 2 2 1 1
2 2
X P X P X P
= = + = + = + ) ( ) ( ) ( 6 6 5 5 4 4
2 2 2
X P X P X P
. ) (
= =
x
x X P x
2

Ejemplo 41. Si X es una variable aleatoria que tiene funcin de probabilidad
6
1
= ) ( x f si
{ } 3 2, 1, 0, 1, - , 2 e x y
2
X Y = . La funcin de probabilidad de Y es
6
2
= ) ( y f si { } 4 1, e y y
6
1
= ) ( y f si
{ }. ,9 0 e y Entonces . ) ( 9
6
1
0
6
1
4
6
2
1
6
2
+ + + = Y E Esta ecuacin la podemos rescribir como:

. ) ( 9
6
1
0
6
1
4
6
2
1
6
2
+ + + = Y E
) ( ) ( ) ( ) ( 1 9 0 0 4 4 1 1 = + = + = + = = Y P Y P Y P Y P
). ( ) ( ) ( ) ( 3 3 0 0 2 2 2 1 1 1
2 2 2 2
= + = + = = + = = = X P X P X X P X X P
+ = + = + = + = = ) ) ( ) ( ) ( ) ( ( 2 2 2 2 1 1 1 1
2 2 2 2
X ) (- X P X P X P P
+ + = ) ( 0 0
2
X P ). ( 3 3
2
= X P
. ) (
= =
x
x X P x
2

A travs de estos ejemplos, e visualiza que no es necesario calcular la funcin de probabilidad de Y , slo se
tiene que usar la funcin de probabilidad de X y los valores obtenidos al aplicar la funcin . ) (
2
X X g Y = =
Esto es cierto an en el caso en que la funcin no es uno a uno. Esto conduce al teorema siguiente cuya prueba
se omite.

Nota. Todas las demostraciones de los teoremas se omitirn, por no estar dentro de los intereses de este texto.

Teorema 3.1. Si X es una v. a. discreta y ) ( x f es su funcin de linealidad, ) ( X g Y = es una
funcin a valores reales, es decir, Y es una variable aleatoria, entonces su valor esperado es
= =
x
x f x g x g E Y E ). ( ) ( )) ( ( ) (

En particular se puede utilizar este teorema en el caso especial en que la funcin ) ( X g es lineal, es decir
, ) ( b aX X g Y + = = donde . , 9 e b a As se obtiene

= = + = = = + = + =
x
x X P b
x x
x X P ax x X P b ax b aX E Y E ) ( ) ( ) ( ) ( ) ( ) (
. ) ( ) ( ) ( b X aE
x
x X P b
x
x X xP a + = = + = = =

Este resultado nos lleva al siguiente teorema.

Teorema 3.2. Si a y b son constantes reales y b aX X g + = ) ( es una funcin a valores reales,
entonces . ) ( ) ( b X aE b aX E + = +

Corolario 3.1. Si a es una constante real, entonces ). ( ) ( X aE aX E =

Corolario 3.2. Si b es una constante real, entonces . ) ( b b E =

Teorema 3.3. Si
n
c c c , , ,
2 1
son constantes reales, y ), ( , ), ( ), ( X g X g X g
n
2 1
son funciones
reales de X, entonces

(
=
(

= =
n
i
i i
n
i
i i
X g E c X g c E
1 1
)) ( ( ) (

Existen casos especiales de la funcin ) ( X g las cuales requieren ms atencin. En nuestro caso, nos interesa el
comportamiento de )) ( ( X g E cuando
r
X X g = ) ( para r = 0, 1, 2, 3,... . La expresin ) (
r
X E se conoce
como el errsimo momento de X alrededor del origen de la variable aleatoria X. Se tiene que
). ( ) ( x f x X E
x
r r
=

El primer momento ) ( X E se conoce como la media (poblacional) de la variable aleatoria X y se indica
usualmente por la letra griega ( se lee mu ), ). ( X E = Otros momentos nos permiten describir la forma de
la distribucin de X. El errsimo momento de X alrededor de la media es

| |

=
x
r r
x f x X E ), ( ) ( ) ( para r = 0, 1, 2, ...
El segundo momento alrededor de la media es de gran inters en estadstica y se conoce como la varianza
(poblacional) de la variable X. La varianza se denota a menudo mediante la letra griega o (sigma minscula)
elevada al cuadrado: | | | |. ) ( )) (
2 2 2
o = = X E X E X E Su raz cuadrada positiva, o , se conoce como la
desviacin estndar (poblacional) de X.

Frecuentemente es ms fcil calcular la varianza a partir del primer y segundo momento alrededor del origen.

Teorema 3.4. | | ( ) . ) ( ) ( ) (
2 2 2 2 2
Var o = = = X E X E X E X

Teorema 3.5. Si X es una variable aleatoria con varianza ,
2
o entonces

. ) ( ) (
2 2 2
Var Var o a X a b aX = = +

La varianza es un valor muy til para estudiar la distribucin de una variable aleatoria. En particular, nos ofrece
informacin sobre la probabilidad de observar valores extremos de X. Esta relacin se establece en el siguiente
teorema.
Teorema 3.6. (Teorema de Chebyshev). Si X es una variable aleatoria con varianza
2
o y media ,
entonces para cualquier constante positiva k, se tiene que

( )
2
1
1
k
k X P > < o .

Ejercicios 5.
Ejercicio 3.36. D 6 ejemplos de variables aleatorias discretas. Indique cules pueden tomar un nmero finito de
valores distintos y cules un nmero infinito de valores.
Ejercicio 3.33. D 3 ejemplos de variables aleatorias que no sean discretas.
Ejercicio 3.34. Examine la tabla 3.3 y usa la definicin de f(x) para deducir algunas propiedades de esta funcin.
Ejercicio 3.35. Verifica que la funcin
es una funcin de probabilidad para x = 1, 2, 3, 4, 5. Indique

su dominio y su campo de valores.
Ejercicio 3.36. Considera el lanzamiento de 4 monedas al aire. Defina la variable aleatoria Y como el nmero de
sellos observados. Construya la funcin de probabilidad de Y.
Ejercicio 3.37. Considera el lanzamiento de dos dados al aire. Defina la variable aleatoria X como la diferencia
de los puntos observados en los dados. Construya la funcin de probabilidad de X.
Ejercicio 3.38. Encuentre las siguientes probabilidades: P( X = 11 ), P( X < 5 ), P( X > 6 ), P(X = 4.5 y P(X =
7.3) para el ejemplo anterior.
Ejercicio 3.39. Calcule la funcin de distribucin acumulativa de la suma de los puntos de dos dados.
Ejercicio 3.40. Use las propiedades de la funcin de probabilidad para encontrar algunas propiedades de la
funcin de distribucin acumulativa.
Ejercicio 3.41. Esta propiedad es siempre cierta? Examine que sucede con x = 5, x = 6 y con
Ejercicio 3.42. Utilice la funcin de distribucin para encontrar P(X = 9.8).

3.8.3. Distribuciones discretas ms comunes
En el estudio de las variables aleatorias, por lo general nos interesan las probabilidades de que puedan tomar
diversos valores posibles, es decir, sus distribuciones de probabilidad, en esta seccin se mencionan las ms
importantes.

3.8.3.1. Distribucin uniforme discreta.
La variable aleatoria X tiene una distribucin uniforme discreta si su funcin de probabilidad est dada por
( ) ). si , ( , , , , para
1
) (
2 1
j i x x x x x x
k
x f k x f
j i k
= = = = = Donde,
k
i
x X E
k
i
1
1
= =
=
) ( y
k
x
k
i
i
1
2
1
2
=
=
) ( o
Las aplicaciones de las variables aleatorias distribuidas uniformemente se encuentran en el desarrollo de las
loteras y otras formas de juegos de azar; en la generacin de nmeros aleatorios para experimentos de ingeniera
o de simulacin y en la evaluacin de probabilidades previas de una persona en relacin con el resultado de
algn evento futuro para la toma de decisiones.
Ejemplo 3.42. La probabilidad de que en el lanzamiento de un dado legal aparezca un 5 es
6
1
y , es la misma
que la probabilidad de obtener un 3, o un 7, o un 2, etc.

3.8.3.2. Distribucin Bernoulli
A esta distribucin tambin se le conoce como binomial punto. Si una variable aleatoria discreta X slo tiene
dos valores posibles, como sucede por ejemplo en experimentos en los que slo existen dos resultados posibles,
fracaso o xito, se le asigna 0 a fracaso y 1 a xito; si le llamamos p a la probabilidad de xito, la probabilidad de
fracaso es 1- p, que generalmente se le llama q, por lo que la densidad de X es:

0 , ) ( = = x q x f
1 , = = x p
= 0 de otro modo.
Esta funcin se puede resumir de la manera siguiente:
1 , 0 para p) - (1 ) (
x - 1
= = x
x
p x f
Cualquier variable aleatoria discreta X, cuya densidad se ajuste a esta patrn, se dir que se distribuye
Bernoulli, con parmetro p, denotndose esto por:
X ~ Ber(p)
Ejemplo 3.43. La probabilidad de que un presunto cliente elegido aleatoriamente realice una compra es 0.20.
Por lo tanto, la probabilidad de que el cliente elegido no realice la compra ser de 1 0.20 = 0.80.

3.8.3.3. Distribucin Binomial.
La distribucin binomial es una distribucin de probabilidad discreta, aplicable cada vez que suponga que un
proceso de muestreo conforma un proceso de Bernoulli. Un proceso de Bernoulli es un proceso de muestreo en
el cual:
i) Hay dos resultados posibles mutuamente excluyentes en cada ensayo u observacin. Estos resultados
obtenidos se denominan xito y fracaso.
ii) La serie de ensayos u observaciones constituyen eventos independientes.
iii) La probabilidad de xito, designada por p, permanece constante de ensayo a ensayo. Es decir, el
proceso es estacionario
En una distribucin Binomial, se realizan n repeticiones independientes de un experimento de Bernoulli. La
variable X representa el nmero de xitos obtenidos en las n repeticiones. Nos preguntamos sobre la probabilidad
de obtener x xitos en las n repeticiones, as, la funcin de probabilidad es:
). ( . , , , , ) ( ) ( ) ( p np np n x
x n
p
x
p
C
n
x
k x f x X P = = =
= = = 1 y 2 1 1
2
o

Ejemplo 3.44. Suponga que un lote de 300 fusibles elctricos contiene 5% defectuosos. Determine la
probabilidad de que se pueda encontrar al menos un fusible defectuoso en una muestra de cinco fusibles.
Solucin. Es pertinente suponer que X, nmero de fusibles defectuosos observados, tenga aproximadamente una
distribucin binomial debido a que el lote es grande. As
P(al menos uno defectuoso) =
5
0
5
1 ) 0 ( 1 q p
|
|
.
|
\
|
=
( ) 226 . 0 774 . 0 1 95 . 0 1
5
= = =
obsrvese que existe una probabilidad bastante grande de obtener al menos uno defectuoso, aunque la muestra
sea relativamente pequea.

3.8.3.4. Distribucin Geomtrica.
Se efectan tantas repeticiones independientes de un experimento de Bernoulli como sean necesarias para
obtener el primer xito. Si la probabilidad de xito es p, la de fracaso es 1 - p, entonces la funcin de
probabilidad de X, el nmero de repeticiones hasta observar el primer xito es:
, , , , ) ( ) ( ) ( 3 2 1 1
1
= = = =

x p p p x f x X P
x

Su valor esperado es
p
X E
1
) ( = y su varianza es igual a
2
2
1
) (
p
p
Y V

= = o .
Una variable aleatoria geomtrica no tiene memoria, es decir: : ) ( ) ( m X P n X m n X P = = > + =
Utilizando la definicin de probabilidad condicional obtenemos:
). / ( ) ( / , ( ) ( n P m n X P n X P n X m n X P n X m n X P > + = = > > + = = > + =
Ahora obtenemos el denominador:
= = s = >
=
n
x
x
p p n X P n X P
1
1
1 1 1 ) ( ) ( ) (
=
(

= =

=
1
0
1 1
1 1 1 1
n
x
n
x
p
p
p p p
) (
) (
n
p) ( = 1
As tenemos que
=
=
>
+ =
= > > + =
+
n
m n
p
p p
n X P
m n X P
n X P n X m n X P
) (
) (
) (
) (
) ( / , (
1
1
1

). ( ) ( m X P p p
m
= = =
1
1

Ejemplo 3.45. Suponga que la probabilidad de que un motor falle durante cualquier periodo de una hora es
02 . 0 = p .
a) Encuentre la probabilidad de que dicho motor funcione bien durante 2 horas.
b) Halle la media y la desviacin estndar de Y.
Solucin. a) Sea X el nmero de intervalos de una hora hasta la primera falla, entonces
P(de funcionar bien por dos horas) = ( ) ( )
=
= >
3
3
y
x p X P
Como ( ) , 1
1
=
= y
x p
P(de funcionar bien por dos horas) = ( )
3
1
y
x p
= ( )( ) 9604 . 0 02 . 0 98 . 0 02 . 0 1 1 = = qp p
b) Se tiene que la media =
p
X E
1
) ( = y su varianza es igual a
2
2
1
) (
p
p
X V

= = o . As que
50
02 . 0
1
) ( = = X E , esto significa que se tendr que esperar muchas horas hasta que ocurra la primera falla.
Por oto lado,
( )
450 , 2
02 . 0
02 . 0 1
) (
2
2
=
= = X V o , entonces la desviacin estndar de Y es 497 . 49 450 , 2 = = o .

3.8.3.5. Distribucin Binomial Negativa
En esta distribucin se hacen tantas repeticiones independientes de un experimento de Bernoulli como sean
necesarias para obtener k xitos. Si la probabilidad de xito es p, la de fracaso es 1 - p y la funcin de
probabilidad de Y, el nmero de repeticiones necesarias hasta observar k xitos es:
, 2 , 1 , , ) 1 ( ) , ( ) (
1
1
+ + = = = =

k k k x p p k p x f x X P
k x k
x
k
C

La media de X es
p
k
X E = = ) ( y la varianza es
( )
2
2
1
) (
p
p k
Y V

= = o .
Ejemplo 3.46. Un estudio geolgico indica que un pozo exploratorio, perforado en una regin particular, debera
manar petrleo con una probabilidad de 0.20.
a) Encuentre la probabilidad de que el tercer encuentro de petrleo ocurra en el quinto pozo que se
perfora.
b) Halle la media y la desviacin estndar.
Solucin. a) Sea Y el nmero de la prueba en la cual ocurre el tercer descubrimiento de petrleo, suponiendo
perforaciones independientes con una probabilidad de 0.2 de encontrar petrleo en cualquier paso. Entonces es
razonable suponer que Y tiene una distribucin binomial negativa con
2 . 0 = p
. As
( ) ( ) ( ) ( ) 0307 . 0 8 . 0 2 . 0
2
4
5 5
2 3
=
|
|
.
|
\
|
= = = p Y P
b) Como la media de Y es
p
k
Y E = = ) ( y la varianza es
( )
2
2
1
) (
p
p k
Y V

= = o , se tiene que
15
2 . 0
3
= = =
p
k
. Esto indica que se espera perforar 15 pozos antes de que emane petrleo de alguno de
ellos y
( )
12
2 . 0
2 . 0 1 3
2
=
= o por lo que 464 . 3 12 = = o .

3.8.3.6. Distribucin hipergeomtrica.
En esta distribucin se tiene una poblacin finita de N elementos de los cuales k son de un tipo (digamos xitos)
y N - k son fracasos. Seleccionamos n elementos sin remplazo de la poblacin de N. Nos interesa la probabilidad
de obtener x xitos entre los n elementos seleccionados. La funcin de probabilidad de Y, el nmero de xitos
obtenidos entre los n elementos seleccionados est dada por:
. , ; , , 2 , 1 , 0 para , ) , , ) ( k N x n k x n x k N n x f x X P
C
C C
N
n
k N
x n
k
x
s s =
= = =

La media de X, o valor esperado es:
N
nk
X E = ) ( y la varianza de X es .
) (
) )( (
1
2
2

=
N N
n N k N nk
o
Ejemplo 3.47. Un problema importante que enfrentan los jefes de personal y otras personas encargadas de la
seleccin de los mejores de un conjunto finito de elementos se describe mediante la situacin siguiente. Se
seleccionan 10 personas para un trabajo de un grupo de 20 ingenieros con doctorado.
a) Cul es la probabilidad de que el grupo de los 10 ingenieros seleccionados incluya a los cinco
mejores del grupo de 20?
b) Encuentre la media y la varianza para el grupo de los 20 ingenieros.
Solucin. a) Para este ejemplo 5 y 10 , 20 = = = k n N , es decir, hay solamente cinco en el conjunto de los 5
mejores ingenieros y nosotros buscamos la probabilidad de que 5 = X , siendo X el nmero de los mejores entre
los 10 seleccionados. Entonces
( ) 162 . 0
292 , 1
21
20
10 10
10 5
15
10
20
5
15
5
5
5 =
|
|
.
|
\
|
|
|
.
|
\
|
!
! !
|
|
.
|
\
|
! !
!
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= P
b) Dado que la media de Y es
N
nk
X E = ) ( y la varianza
) 1 (
) )( (
2
2

=
N N
n N k N nk
o , entonces
( )( )
5 . 2
20
5 10
) ( = = Y E esto significa que en el grupo seleccionado de 10 ingenieros, se espera que 2 o 3 de ellos
sean de los mejores. Como
( )( )
, 9868 . 0
600 , 7
500 , 7
) 1 20 ( 20
) 10 20 )( 5 20 ( 5 10
2
2
= =

= o entonces 9934 . 0 9868 . 0 = = o
3.8.3.7. Distribucin de Poisson.
En esta distribucin se observan eventos a travs del tiempo o espacio con las siguientes propiedades; la
probabilidad de observar un evento en una unidad de tiempo o espacio t A es t A para algn 0 > . La
probabilidad de observar dos o ms eventos simultneamente es muy pequea. A los procesos que ocurren en un
espectro continuo de tiempo y espacio se le denomina proceso de Poisson; es similar al proceso de Bernoulli
visto en la seccin 3.2.3 excepto que los eventos suceden en un espectro continuo en vez de ocurrir en ensayos u
observaciones fijas. Un ejemplo de tal proceso es la llegada de personas a la cola de una ventanilla bancaria. Tal
como en el proceso de Bernoulli, se supone que los eventos son independientes y que el proceso es estacionario.
Sea X la variable aleatoria que nos dice el nmero de eventos observados en un intervalo de tiempo o de espacio
de longitud t, entonces su funcin de probabilidad viene dada por:
!
) (
) , (
x
t
t x f
t x
e

= , x = 0, 1, 2, ... 0 >
La media de X es t E(X) = y su varianza es t o =
2
.

En el caso particular cuando el periodo de tiempo y espacio es 1 = t (digamos 1 mes, una semana, un metro, un
kilmetro, etc) se tiene que
!
) (
) (
x
x f
e
x

= , x = 0, 1, 2, ... 0 >
La media de X es = E(X) y su varianza es o =
2
.

Ejemplo 3.48. El promedio mensual de accidentes en una fbrica resulta ser igual a 3. Durante el mes pasado
hubo 6 accidentes. Considerara este nmero demasiado alto (muy poco probable si es todava 3) e indicador
de un aumento en la media ?

Solucin. El nmero de accidentes X tendra posiblemente una distribucin de probabilidad de Poisson con
3 = . La probabilidad de que X sea de 6 es

( ) ( )

=

=
= < = = >
5
0
3
6
3
!
3
1 ) 6 ( 1
!
3
) 6 (
x
x
x
x
x
e
X P
x
e
X P

As,
( ) 1008 . 0 1680 . 0 2240 . 0 2240 . 0 1494 . 0 1498 . 0 0498 . 0 1 ) 6 ( + + + + + + = > X P
084 . 0 916 . 0 1 = =

Adems, se tiene que 3 = = , 3
2
= = o y 73 . 1 3 = = o .

Una regla emprica indica que hay que esperar que Y tome valores en el intervalo o 2 con una alta
probabilidad.

Obsrvese que ( )( ) 46 . 6 73 . 1 2 3 2 = + = + o . El nmero de accidentes observado X = 6, no se encuentra a ms de
o 2 de , pero est cerca de la frontera. Por lo tanto, el resultado observado no es muy improbable, pero puede
tener la suficiente improbabilidad para justificar una investigacin.

Ejercicios 6.
Ejercicio 3.43. El nmero de productos empaquetados por un trabajador en una hora oscilan entre 10 a 18
unidades y se piensa que estn distribuidos uniformemente. Cul es la probabilidad de que se empaqueten entre
12 y 15 productos en una hora determinada?
Ejercicio 3.44. Muchos jefes se dan cuenta de que algunas personas que contrataron no son lo que pretenden ser.
Detectar personas que solicitan un trabajo y que falsifican la informacin en su solicitud ha generado un nuevo
negocio: agencias investigadoras de antecedentes. Una revista nacional, notific sobre este problema
mencionando que una agencia, en un periodo de dos meses, encontr que el 35% de los antecedentes
examinados haban sido alterados. Supngase que usted ha contratado la semana pasada a cinco nuevos
empleados y que la probabilidad de que un empleado haya falsificado la informacin en su solicitud de trabajo es
0.35. Cul es la probabilidad de que al menos una de las cinco solicitudes haya sido falsificada?
Ejercicio 3.45. Se supone que el 30% de los aspirantes para cierto trabajo industrial tiene un entrenamiento
avanzado de programacin computacional. Los aspirantes son entrevistados, uno tras otro, y son seleccionados al
azar del conjunto de aspirantes.
a) Determine la probabilidad de que se encuentre el primer aspirante con un entrenamiento avanzado en
programacin en la quinta entrevista.
b) Cul es el nmero esperado de aspirantes que hay que entrevistar para encontrar el primer aspirante con un
entrenamiento avanzado en programacin?
Ejercicio 3.46. Se aplican anlisis a los obreros de una empresa que fabrica material aislante, a fin de detectar la
existencia de asbesto en sus pulmones. La fbrica tiene que mandar tres obreros, con indicaciones positivas de
asbesto, a un centro mdico para realizar ms pruebas. Si el 40% de los trabajadores tienen indicaciones
positivas de asbesto en los pulmones,
a) Encuentre la probabilidad de que se tengan que examinar a diez operarios para encontrar tres
positivos.
b) Si cada prueba cuesta 200 pesos, obtenga el valor esperado y la varianza del costo total de la realizacin
de las pruebas necesarias para localizar tres empleados positivos.
Ejercicio 3.47. Un producto industrial particular se embarca en lotes de 50. La prueba para determinar si el
artculo es defectuoso es costosa y por lo tanto el productor selecciona una muestra de su produccin en lugar de
usar un plan de inspeccin al 100%. Un proyecto de muestreo elaborado para minimizar el nmero de artculos
defectuosos surtidos a los consumidores exige un muestreo de 10 artculos de cada lote y el rechazo del lote si se
encuentra ms de dos artculos defectuosos. (En el caso de ser rechazados el lote, se prueba cada artculo de
ste). Si un lote contiene 6 artculos defectuosos, Cul es la probabilidad de que sea rechazado? Cul es el
nmero esperado de defectuosos en la muestra de tamao 10? Cul es la varianza del nmero de defectuosos en
la muestra de tamao 10?
Ejercicio 3.48. En un almacn particular, los clientes llegan al mostrador de caja de acuerdo a una distribucin
de Poisson con un promedio de 7 por hora. En una hora determinada, Cul es la probabilidad de que:
a) no lleguen ms de tres clientes?
b) Lleguen al menos dos clientes?
c) Lleguen exactamente 5 clientes?

3.9. Ejercicio prctico resuelto donde se aplica parte de la teora de probabilidad.
Basndote en este ejercicio resuelto, podrs calcular probabilidades adicionales a las obtenidas en el
levantamiento de tu encuesta. Recuerda que debes de obtener informacin adicional como la de este ejercicio,
con las preguntas claves (al menos 2 de ellas), que responden a la pregunta realizada en la seccin 3 del
planteamiento del problema de tu proyecto y con los objetivos del mismo. La informacin que obtengas debes
aadirla a una nueva seccin de tu proyecto que se titular Clculo de probabilidades e inferencias que ser
colocada antes de la conclusin.

1. Se realiz una encuesta a 20 personas, sobre sus preferencias por dos tipos de productos A y B. Obtenindose
lo resultados que se muestran en la Tabla 3.5.

TABLA 3.5. PREFERENCIA DE LOS ENCUESTADOS ACERCA DE LOS PRODUCTOS A Y B
Encuestado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Respuesta A B A,B A B N A A A,B N A,B N B A A,B A N N N B

Podemos analizar la informacin obtenida en el levantamiento de la encuesta como sigue:

a) Definimos primero es espacio de muestra y los eventos:
E = {Personas entrevistadas}, A = {Personas entrevistadas que consumen el producto A},
B = {Personas entrevistadas que consumen el producto B}

b) Usamos la simbologa de la teora de conjuntos y de la probabilidad clsica para sealar los resultados
obtenidos en forma de frecuencias relativas. Esto es,

= 0.20 y
.

c) Obtenemos las probabilidades adicionales (nueva informacin), usando frmulas de la teora de
conjuntos y los resultados obtenidos tales como: la probabilidad de que un encuestado
1) No prefiera el producto A que se indica por
.
2) No prefiera el producto B indicado por
.
3) Slo prefiera el producto A que se simboliza por
,
4) Slo prefiera el producto B que se indica por

5) prefiera al menos uno de los dos productos que se denota por
6) prefiera slo uno de los dos productos.

De la manera siguiente: Para resolver 1) se tiene que:

Es decir, hay un 50% de posibilidades que un encuestado no prefiera el producto A.

Para resolver 2) tenemos que:

Esto es, hay un 60% de posibilidades que un encuestado no prefiera el producto B.

Para resolver 3) se tiene que:
,
Esto significa que existe un 30% de posibilidades de que un encuestado prefiera nicamente el producto B.

y
Esto quiere decir que existe un 20% de posibilidades de que un encuestado prefiera nicamente el producto A.
Para resolver 5) se tiene que:

.
Es decir, existe un 70% de posibilidades de que un encuestado prefiera alguno de los dos productos.

Es decir, se tiene un 50% de posibilidades de que un encuestado prefiera slo uno de los dos productos.

Aun podemos obtener ms informacin la tal como:
a) La probabilidad de que un entrevistado prefiera el producto B dado que ya prefiri el producto A.
b) La probabilidad de que un entrevistado prefiera el producto A dado que ya prefiri el producto B.
c) La probabilidad de que un entrevistado prefiera el producto B dado que no prefiri el producto A.
d) La probabilidad de que un entrevistado prefiera el producto A dado que no prefiri el producto B.
e) La probabilidad de que un entrevistado no prefiera el producto A dado que no prefiri el producto B.
f) La probabilidad de que un entrevistado no prefiera el producto B dado que no prefiri el producto A.

la cual podemos calcular mediante la informacin dada por el problema, y la informacin obtenida en clculos
anteriores.

Para resolver b) se tiene que

.

Es decir, hay un 50% de posibilidades que un encuestado prefiera el producto A dado que ya prefiri el producto
B.

Para resolver c) se tiene que

.

Esto significa que hay un 40% de posibilidades que un encuestado prefiera el producto B dado que ya prefiri el
producto A.

Para resolver d) se tiene que
.

Esto es, hay un 60% de posibilidades que un encuestado prefiera el producto B dado que no prefiri el producto
A.

Para resolver e) tenemos que

.
Esto significa que existe un 60% de posibilidades de que un encuestado no prefiera el producto B dado que no
prefiri el producto A.

Por ltimo, para resolver f) se tiene que

.
Esto quiere decir que hay un 50% de posibilidades de que un encuestado no prefiera el producto A dado que no
prefiri el producto B.

Adems de la informacin obtenida arriba, si definimos la variable aleatoria de la manera siguiente, AB ,
A , B , N podemos construir la distribucin de probabilidad de los resultados de la Tabla 3.5, es la que
aparece en la tabla 3.6

TABLA 3.6. DISTRIBUCION DE PROBABILIDAD DE LA PREFERENCIA DE LOS CLIENTES.
Variable
X
Probabilidad
P(x)
0

Total 1

La grfica de la funcin de distribucin de probabilidad se muestra en la Figura 3.3.

Figura 3.3. Funcin de probabilidad de la preferencia de los clientes.

Si elegimos un cliente al azar, el valor esperado acerca de la preferencia de los dos artculos es

artculos.

Esto significa que se espera que el cliente elegido prefiera uno de los dos productos.

0
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2
P
r
o
b
a
b
i
l
i
d
a
d

Preferencia de los artculos

Un Lote

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Un Lote

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD DE SONORA

Divisin de Ciencias Exactas y Naturales

puesto que si sabemos que ha salido

) representa las combinaciones de n objetos, tomados en grupos de k objetos", n ! " se

) son las combinaciones de 15 elementos agrupndolos en grupos de 8 elementos. Existen

es una funcin de probabilidad para x = 1, 2, 3, 4, 5. Indique

= = X V o , entonces la desviacin estndar de Y es 497 . 49 450 , 2 = = o .

= o por lo que 464 . 3 12 = = o .

You might also like