V1 Contenidos Unidad 1 PDF

En el siguiente documento
revisaremos términos nuevos

como son Experimento aleatorio,
Sucesos Aleatorios,
Probabilidades y calcularemos
las probabilidades de los
sucesos, también aprenderemos a
trabajar con los diagramas de
árboles, conoceremos los modelos
de probabilidad para variables
discretas y continuas.
Contenidos
Unidad 1
Inferencia Estadística
Contenidos Unidad 1
TEMA 1: “SUCESOS ALEATORIOS Y CONCEPTO DE PROBABILIDAD”
Comencemos revisando el primer contenido que tiene relación con la Probabilidad y conceptos
básicos para poder comprenderla de mejor forma.
1.1.- Conceptos básicos
a).- Probabilidad:
Es el grado de verosimilitud que se le atribuye a un enunciado, o el grado de certeza o confianza que
pueden tener nuestras creencias acerca de sucesos futuros. La probabilidad también puede
expresarse mediante un valor numérico y, en ese caso, la probabilidad es una medida de la
posibilidad de un acontecimiento, expresada mediante un número real que va entre cero y uno.
b).- Experimento aleatorio
Un experimento aleatorio es una acción que da origen a un fenómeno en cuyos resultados
interviene el azar. En estos fenómenos, se pueden conocer todos los resultados posibles, pero no se
puede predecir cuál de ellos ocurrirá. Un experimento aleatorio se puede repetir todas las veces
que se desee, pero sus resultados particulares no se pueden predecir.
El experimento aleatorio suele representarse por la letra E.
Por ejemplo, en el lanzamiento de un dado para observar qué número resulta, se puede determinar
el conjunto de resultados posibles (1, 2, 3, 4, 5, 6), pero no es posible predecir cuál de ellos resultará
en determinado lanzamiento.
c).- Espacio muestral (Ω)
Es el conjunto de todos los resultados posibles de un experimento aleatorio. Se representa por la
letra griega Ω.
Ejemplo:
Experimento: E = lanzamiento de un dado
Espacio muestral: Ω = {1, 2, 3, 4, 5, 6}
d).- Suceso aleatorio
Un suceso o evento es cualquier subconjunto del espacio muestral Ω. Generalmente se representan
mediante las primeras letras mayúsculas: A, B, C, etc.
Ejemplo:
Experimento: E = lanzamiento de un dado.
Espacio muestral: Ω = {1, 2, 3, 4, 5, 6}
Suceso A: A = se obtiene número par.
A = {2, 4, 6} la cardinalidad de este suceso es 3
1
1.2.- Tipos de sucesos
a).- Sucesos simples y compuestos:
 Sucesos simples: cuando un evento puede ocurrir de una sola forma.
 Sucesos compuestos: cuando un suceso puede ocurrir de diversas formas. Un suceso
compuesto, a su vez, puede dividirse en varios eventos simples.
1) Ejemplo: Lanzar un dado y observar si “resulta un número par:

Este suceso está compuesto por los siguientes sucesos simples: Resulta el 2. Resulta el 4. Resulta el
6.
2) Ejemplo: Lanzar una moneda al aire y que el resultado sea cara
Este suceso es simple porque solo puede ocurrir de una sola forma
b).- Suceso seguro:
Es aquel que siempre se verifica como resultado de un experimento aleatorio.
A = Obtener un número entero mayor o igual a 1 y menor o igual a 6 al lanzar un dado normal. A es
un suceso seguro.
c).- Suceso imposible:
Es aquel que nunca se verifica como resultado de un experimento aleatorio.
A = Obtener un número mayor que 6 al lanzar un dado normal. A es un suceso imposible.
d).- Suceso complementario o contrario:
Dos sucesos son contrarios si uno es la negación lógica del otro.
A = Obtener Nº6 al lanzar un dado.
B = No obtener Nº6 al lanzar un dado.
Ay B son sucesos contrarios. Suelen representarse por A y A’, respectivamente.
e).- Sucesos mutuamente excluyentes:

Dos o más sucesos son mutuamente excluyentes si no pueden ocurrir en forma simultánea.
A = Se obtiene Nº3 al lanzar un dado. B = Se obtiene Nº4 al lanzar un dado.
A y B son sucesos mutuamente excluyentes. No pueden ocurrir ambos a la vez en el mismo
experimento.
OBSERVACIÓN: Los sucesos contrarios son mutuamente excluyentes, pero, no todos los sucesos
mutuamente excluyentes son contrarios.
f).- Sucesos independientes:
Dos o más sucesos son independientes si la ocurrencia de uno de ellos no afecta la probabilidad de
ocurrencia del otro. A = Se obtiene Nº3 al lanzar un dado.
B = Se obtiene sello al lanzar una moneda.
A y B son sucesos independientes.
2
g).- Sucesos condicionales:
Dos sucesos A y B son condicionales si la probabilidad de ocurrencia del suceso B está condicionada
a la ocurrencia de un suceso anterior A.
Ejemplo: se tiene una urna con 4 bolas rojas y 5 blancas. Si se extraen 2 bolas una a una sin
reposición. La segunda bola es dependiente de la primera extracción si analizamos para la primera
extracción se tiene un espacio muestral de 9 bolas en cambio para la segunda extracción tenemos
solo 8 bolas.
• EJEMPLIFICACIÓN
Para comprender los contenidos que definimos anteriormente tenemos los siguientes ejemplos:
1) ¿Qué es una experiencia aleatoria?
De las siguientes experiencias, ¿cuáles son aleatorias?
a) Al lanzar un par de dados, que la suma de sus caras sea un número par.
b) Lanzar un dado y sacar una puntuación mayor que 6.
c) Bajar a la planta baja en ascensor.
Respuesta
Una experiencia aleatoria es aquella cuyo resultado depende del azar.
De las letras la única que es un experimento aleatorio es la letra a), en las otras dos no dependen
del azar.

a) En una caja hay cinco bolas de diferentes colores, sacamos una y anotamos su color.
b) Hago girar la flecha de una ruleta con 4 colores y anoto el color que sale.
c) Rebeca anota todos los días si amanece.
Respuestas

Las letras a) y b) son aleatorios por que interviene el azar. La letra c) no es aleatorio

a) En una bolsa metemos seis bolas rojas y seis azules, sacamos una y anotamos su color.
b) Al lanzar una moneda al aire sale cara o sello.
c) Al extraer una carta de la baraja observamos si sale un As.
3
Respuestas
Las letras a) y c) son aleatorios por que interviene el azar. La letra b) no es aleatorio
4) En una urna hay 5 bolas, cuatro rojas y una azul, sacamos una bola y anotamos su color.
Escribe el espacio muestral y califica cada suceso según su probabilidad:
TIPO DE SUCESO SUCESO
Seguro Sacar bola roja o azul.
Sacar bola azul.
Sacar bola verde.
Sacar bola roja.
Solución
Lo primero es anotar el espacio muestral que es:
  R, R, R, R, A
Para calificar cada uno de los sucesos completaremos la siguiente tabla:
TIPO DE SUCESO SUCESO
Seguro Sacar bola roja o azul.
Posible Sacar bola azul.
Imposible Sacar bola verde.
Muy probable Sacar bola roja.
4
TEMA 2: “CÁLCULO DE PROBABILIDADES”
A continuación, veremos cómo se calcula las probabilidades.

2.1.- Probabilidad de sucesos, Probabilidad de Laplace:
La probabilidad de que ocurra un suceso A se cuantifica a través de la razón entre el número de
casos favorables al suceso A y el número total de casos posibles. Numéricamente puede expresarse
como fracción, como decimal o como tanto por ciento.
N  de Casos Favorables al suceso A
P( A) 
N  decasos Posibles
Para entender el cálculo de probabilidades por Laplace veremos los siguientes ejemplos:
Ejemplo 1
Aplica la Ley de Laplace y calcula las siguientes probabilidades:
1) a En una clase del instituto hay 12 chicos morenos, 8 rubios, 4 castaños y 1 pelirrojo. El
profesor saca a la pizarra a uno de ellos de forma aleatoria. ¿Cuál es la probabilidad de que
sea rubio?
b ¿Cuál es la probabilidad de que no sea moreno?

Solución
El experimento aleatorio (E)
E= seleccionar un estudiante al azar, el espacio muestral es 
  M , M , M , M , M , M , M , M , M , M , M , M , R, R, R, R, R, R, R, R, C, C, C, C, P
Sucesos
M: El estudiante es moreno; R: El estudiante es Rubio; C: El estudiante es Castaño
P: El estudiante es pelirrojo
N  Casos favorables al suceso R 8
a) P( R)    0,32 , es decir un 32% de probabilidades de
N  decasos posibles 25
que el estudiante seleccionado tenga el pelo rubio.
N  Casos favorables al suceso M 12

b) P( M )    0, 48 , la pregunta es ¿cuál es la
probabilidad que no sea moreno?,
Para responder esta pregunta sacaremos el valor contrario que en este caso es 1-0,48 = 0,52, es
decir un 52% de probabilidades de que el estudiante seleccionado no sea moreno.
5
Ejemplo 2
2) Lanzamos dos dados y anotamos sus puntuaciones. Calcula la probabilidad de que:
a) Salga un número igual y par en cada dado.
b) Salgan números menores que 5 en cada dado.
Solución
E= Lanzar dos dados y anotar los puntos, 
=
Sucesos
A: Números son iguales y pares, A  (2,2),(4,4),(6,6)
B: Números son menores que 5 en cada dado
B  (1,1),(1,2),(1,3),(1,4),(2,1),(2,2),(2,3),(2,4),(3,1),(3,2),(3,3),(3,4),(4,1),(4,2),(4,3),(4,4)
N  Casos favorables al suceso A 3
a) P( A)    0,0833 , es decir un 8,33% de probabilidades
de que los números sean iguales y pares.
N  Casos favorables al suceso B 16

b) P( B)    0, 444 , es decir un 44,4% de probabilidades
de que los números sean menores a 5 en cada dado.
Al definir los sucesos hablamos de las diferentes relaciones que pueden guardar dos sucesos entre
sí, así como de las posibles relaciones que se pueden establecer entre los mismos. Vamos a ver
ahora cómo se refleja esto en el cálculo de probabilidades.
6
2.2.- Resuelve problemas contextualizados, utilizando regla especial de la suma de probabilidades
para dos sucesos A y B mutuamente excluyentes P( A  B)  0
Sean A y B dos sucesos en el espacio muestral Ω y P(A) y P(B) sus respectivas probabilidades se tiene
que.
P( A  B)  P( AUB)  P( A)  P( B)  A y B son sucesos mutuamente excluyentes. Esta propiedad
es llamada también, “regla de la suma de probabilidades”. Solo es válida para sucesos mutuamente
excluyentes. Esta regla se aplica cuando entre los sucesos hay un conectivo “o”
Ejemplo 1
1) Lanzamos dos dados y anotamos sus puntuaciones. Calcula la probabilidad de que:
La suma de las caras sea igual a 5 o 12.

Solución
=
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Sucesos
A: La suma de las caras es 5, A  (1, 4), (2,3), (3, 2), (4,1) ,
N  Casos favorables al suceso A 4 1

P( A)   
N  de casos posibles 36 9
B: La suma de las caras es 12, B={(6,6) }

P( B)  
N  de casos posibles 36
Como podemos ver los sucesos no tienen elementos en común esto quiere decir que los sucesos
son mutuamente excluyentes P( A  B)  0 , apicaremos la regla de la suma de probabilidades
4 1 5
P( A  B)  P( AUB)  P( A)  P( B)    = 0,139, es decir un 13,9%
36 36 36
7
Ejemplo 2
2) Considera los 300 encuestados en relación a la forma de comprar el celular de última

generación. Se les pregunto a cada uno de ellos ¿Cómo realizaron la compra?, los resultados
obtenidos se resumen en la siguiente tabla:
Forma de compra Número de encuestados

En una tienda 183
Por internet 87
Pedido por correo 30
Si se selecciona una persona al azar de los 300 encuestados.
a) ¿Cuál es la probabilidad de adquirir un celular por internet o por correo?

b) ¿Cuál es la probabilidad de adquirir un celular en una tienda o por internet?
Solución
E= Seleccionar una persona al azar
 = {300 encuestados}
Sucesos
A: La persona compra celular en una tienda, A = {183 encuestados}
N  Casos favorables al suceso A 183

P( A)  
B: La persona compra celular por internet, B = {87 encuestados}

P( B)  
C: La persona compra celular por correo, C = {30 encuestados}
N  Casos favorables al suceso C 30

P(C)  
a) Como podemos ver los sucesos no pueden ocurrir juntos ya que la persona puede comprar
de una sola forma, esto quiere decir que los sucesos son mutuamente excluyentes
P( B  C )  0 , apicaremos la regla de la suma de probabilidades.
8
87 30 117 39
P(B  C )  P(B U C )  P(B)  P(C)  P( B  C )   0  = 0,39, es decir un
300 300 300 100
39%.
b) Como podemos ver los sucesos no pueden ocurrir juntos ya que la persona puede comprar
de una sola forma, esto quiere decir que los sucesos son mutuamente excluyentes
P(A B)  0 , apicaremos la regla de la suma de probabilidades.
183 87 270 9
P(A  B)  P(A U B)  P(A)  P(B)  P(A B)   0  = 0,9, es decir un 90%
300 300 300 10
2.3.- Resuelve problemas contextualizados, utilizando regla especial de la suma de probabilidades

para dos sucesos A y B mutuamente no excluyentes P( A  B)  0
que.
P( A  B)  P( AUB)  P( A)  P( B)  P( A  B)
Ejemplo 1
1) Una ruleta tiene 36 sectores iguales, numerados del 1 al 36. Los 12 primeros números son
rojos, los 12 siguientes Azules y 12 restantes negros. En este juego gana el número que sale
indicado después de girar la ruleta. ¿Cuál es la probabilidad de que salga un número impar o
un número de color rojo?
Solución
E= Girar la ruleta
 = {36 números}
Sucesos
A: Sale un número impar, A = {18 números}
P( A)   
B: Sale un número pintado de color rojo, B = {1,2,3,4,5,6,7,8,9,10,11,12}
N  Casos favorables al suceso B 12 1

P(B)   
Como podemos ver tenemos elementos en común en ambos conjuntos por esta razón existe la
intersección.
A  B  {1,3,5,7,9,11}
9
N  Casos favorables al suceso ( A  B) 6 1
P(A  B)   
Como podemos ver los sucesos pueden ocurrir juntos esto quiere decir que los sucesos no son
1
excluyentes P(A B)  , apicaremos la regla de la suma de probabilidades
6
1 1 1 2
P( A  B)  P( AUB)  P( A)  P( B)  P( A  B)     = 0,67, es decir un 67%
2 3 6 3
Ejemplo 2
2) Se toma una muestra de 1000 personas y se les pregunta si planean adquirir un
computador. Un año después se pregunta a los mismos encuestados si realmente
compraron el computador los resultados obtenidos se muestran en la siguiente tabla:
En realdad Compró
Planeó Comprar SI NO TOTAL
SI 250 100 350
NO 80 570 650
TOTAL 330 670 1000
Si seleccionamos una persona al azar:

a) Calcular la probabilidad de planear comprar o comprar en realidad
b) Calcular la probabilidad de no planear comprar o comprar en realidad
Solución
E= Seleccionar una persona al azar
 = {1000 encuestados}
Sucesos
A : Planearon comprar, A = {350 encuestados}

P( A)   
A : No planearon comprar, A ={650 encuestados}
N  Casos favorables al suceso A 650 13

P( A)   
B : Compraron en realidad, B= {330 encuestados}
10
N  Casos favorables al suceso B 330 33
P(B)   
B  : No compraron en realidad, B  ={670 encuestados}
N  Casos favorables al suceso B  670 67

P(B)   
a) Como podemos ver en la tabla los Sucesos A y B pueden ocurrir juntos tenemos la
intersección en la tabla se tiene que 250 encuestados planearon comprar y compraron en
realidad.
A  B  {250 encuestados}
250 1
P( A  B)  
1000 4
1
excluyentes P(A B)  , apicaremos la regla de la suma de probabilidades
4
7 33 1 43
P( A  B)  P( AUB)  P( A)  P( B)  P( A  B)     = 0,43, es decir un 43%
20 100 4 100
b) Como podemos ver en la tabla los Sucesos A y B pueden ocurrir juntos tenemos la
intersección en la tabla se tiene que 80 encuestados no planearon comprar y compraron en
realidad.
A  B  {80 encuestados}
80 2
P( A  B)  
1000 25
2
excluyentes P(A  B)  , apicaremos la regla de la suma de probabilidades
25
13 33 2 9
P( A  B)  P( AU B)  P( A)  P( B)  P( A  B)     = 0,9, es decir un 90%
20 100 25 10
11
2.4.- Resuelve problemas contextualizados, utilizando regla especial de la multiplicación para dos
eventos A y B independientes.
que.
Probabilidad de sucesos independientes:
P( A  B)  P( A y B)  P( A) P(B)  A y B , son sucesos independientes. Esta propiedad es
llamada también “regla del producto de probabilidades”. Solo es válida para sucesos
independientes. Esta regla se aplica cuando entre los sucesos hay un conectivo “y”
Para comprender mejor esta propiedad revise los siguientes ejemplos:
Ejemplo 1
1) En una tómbola hay 5 bolas de color Rojo, 3 bolas de color Amarillo y 4 de color Verde. Si se
extrae una a una con reposición.
a) ¿Cuál es la probabilidad de que, al sacar 2 estás sean rojas?

b) ¿Cuál es la probabilidad de que, al sacar 2 estás sean Verdes?
Solución
E= Extraer una bola de la tómbola una a una con reposición, el espacio muestral es 
  R, R, R, R, R, V , V , V , V , A, A, A
Sucesos
R: La bola es Roja; V: La bola es verde; A: La bola es amarilla
Como una extracción no afecta la otra, pues se repone la bola sacada, no afectando al número de
bolas del color sacado, ni al total de bolas que se tenía inicialmente es decir el espacio muestral se
mantiene esto se cumple para todas las extracciones sucesivas. Por esta razón estamos frente a
eventos independientes. Por esto se aplicara la propiedad del producto de probabilidades.
5 5 25
a) P( R1  R2 )  P( R1 ) P( R2 ) =  = 0,174, es decir un 17,4%
12 12 144
4 4 1 1 1
b) P(V1  V2 )  P(V1 ) P(V2 ) =   =0,111, es decir 11,1%
12 12 3 3 9
Ejemplo 2
2) El procesador, la placa madre y la memoria tienen un 5%, 10% y 20% de probabilidades de
fallar antes de un año respectivamente, ¿Cuál es la probabilidad de comprar un computador
que presentara fallas antes de un año, en los tres componentes señalados?
12
Solución
Los sucesos o eventos en este ejemplo son :
A= Falla el procesador , B= Falla la tarjeta madre , C= Falla la memoria , sus rescpectivas
probabilidades son:
5 10 20
P( A)   0,05 , P( B)   0,1 , P(C )   0, 2
100 100 100
Como los componentes se sabe que son independiente uno de otros, la probabiidad de que los tres
fallen antes de un año, es la probabilidad de eventos independientes. Por esto se aplicara la
propiedad del producto de probabilidades.
P( A  B  C)  P( A) P( B) P(C)  0,05 0,1 0,2  0,001 , es decir es de un 1%
2.5.- Resuelve problemas contextualizados, utilizando regla especial de la multiplicación para dos
eventos condicionales.
Probabilidad de sucesos condicionales
Sean A y B dos sucesos en el espacio muestral Ω y P(A) y P(B) sus respectivas probabilidades. Si la
ocurrencia de A está condicionada a la ocurrencia del suceso B, entonces, la probabilidad de que
ocurra A, dado que ocurrió B está dada por:
P( A  B)
P( A / B)  , de esta fórmula se despeja la intersección de los dos sucesos.
P( B)
P( A  B)  P( B) P( A / B)
Si la ocurrencia de B está condicionada a la ocurrencia del suceso A, entonces, la probabilidad de
que ocurra B, dado que ocurrió A está dada por:
P( A  B)
P(B/ A)  , de esta fórmula se despeja la intersección de los dos sucesos.
P(A)
P( A  B)  P(A) P(B/ A)
Para entender de mejor forma estas formúlas revisaremos los siguientes ejemplos.
Ejemplo 1
1) Un taller sabe que por término medio llevan: por la mañana tres computadores con
problemas en la placa madre, ocho con problemas en la tarjeta de Video y tres con
problemas de sonido, y por la tarde dos con problemas en la placa madre, tres con
problemas en la tarjeta de Video y uno con problemas de Sonido.
a) Hacer una tabla ordenando los datos anteriores

b) Calcular la probabilidad de que un computador con problemas en la placa madre sea
llevado en la mañana.
c) Calcular la probabilidad de que un computador con problemas de sonido sea llevado en
la tarde.
13
Solución:
a) Ordenando los datos en la tabla se tiene que :
Placa Madre Tarjeta de Video Sonido Total

Mañana 3 8 3 14
Tarde 2 3 1 6
Total 5 11 4 20
b) Lo primero es definir los sucesos
P= El computador tiene problemas en la placa madre

V= El computador tiene problemas en la tarjeta de video
S= El computador tiene problemas de sonido
M= El computador llega en la mañana
T = El computador llega en la tarde
La probabilidad queda de la siguiente forma:

P( P  M )
P( M / P)  , calculando las siguientes probabilidades
P( p)
3 5
P( P  M )  , P( P)  , reemplazando en la fórmula se tiene que:
20 20
3 5 3 20 3
:    0,6 , es decir un 60%
20 20 20 5 5
c) La probabilidad queda de la siguiente forma:
P( S  T )
P(T / S ) 
P( S )
1 4
P( S  T )  , P( S )  , reemplazando en la fórmula se tiene que:
20 20
1 4 1 20 1
:    0, 25 , es decir un 25%
20 20 20 4 4
Ejemplo 2
2) De una baraja española de 48 cartas se extrae simultáneamente dos de ellas. Calcular la
probabilidad de que:
a) Las dos sean copas.

b) Al menos una sea copa.
14
Solución
a) Lo primero es definir los sucesos
Ci = La carta es una copa, ci = La carta no es una copa, con i = 1,2
La probabilidad queda de la siguiente forma:
P (C1  C2 )  P (C1 ) P (C2 / C1 ) , esto es un cálculo de probabilidad condicional

12 11 11
P (C1  C2 )    0,059
48 47 188
36 35 29
b) P( Al menos una copa) = 1  (C1  C2 )  1  ( )   0,4531
48 48 64
Es decir, un 45,31%
15
TEMA 3: “DIAGRAMA DE ÁRBOL”
Un diagrama de árbol es un esquema gráfico que ayuda a analizar una situación de probabilidad
condicional, cuando se deben producir dos o más sucesos, uno después del otro. En este caso se
muestran solo dos.
SUCESO 1 SUCESO 2
C P(A y C) = P(A) · P(C/A)

P(C)
A
P(D)
P(A) D P(A y D) = P(A) · P(D/A)
E P(B y E) = P(B) · P(E/B)

P(B) P(E)
B
P(F)
F P(B y F) = P(B) · P(F/B)
Este diagrama se desarrolla de izquierda a derecha (árbol horizontal), siguiendo las siguientes
directrices:
1º: Cada suceso se representa por una rama, con bifurcaciones señaladas por las distintas
posibilidades del suceso. En el diagrama, se definen dos ramas, pero pueden ser más.
2º: Cada rama parcial lleva especificada su respectiva probabilidad. En cada suceso, la suma de las
probabilidades de sus ramas es 1. En el esquema, P(A) + P(B) = 1; P(C) + P(D) = 1; etc.
3º: El final de cada rama parcial se constituye en un nudo del cual parten nuevas ramas, según las
posibilidades del siguiente suceso.
4º: Cada secuencia de ramas constituye un suceso. Su probabilidad está dada por la regla del
producto.
5º: La suma de las probabilidades al final de cada secuencia de ramas es 1 (probabilidad total). En el
diagrama, P(A y C) + P(A y D) + (B y E) + P(B y F)= 1
Para comprender de mejor forma el diagrama de árbol veremos los siguientes ejemplos.
16
Ejemplo 1
1) En la bodega de una oficina, se encontraron tres cajas con discos duros, etiquetadas con sus
contenidos.
Caja 1: contiene 10 discos duros, de los cuales 4 están dañados.
Caja 2: contiene 6 discos duros, con uno dañado.
Caja 3: contiene 8 discos duros, con tres dañados.
El problema es que no se sabe cuáles son los dañados, pues no se rotularon debidamente. Si
escogemos al azar una caja y luego sacamos un disco duro para analizarlo, ¿cuál es la probabilidad
de que el disco duro sea defectuoso? Utilice un diagrama de árbol.
Solución
Lo primero es definir el suceso
D: El disco está dañado
En este problema se tienen que tomar dos decisiones la primera de ellas es que caja seleccionar
para esto todos tienen la misma probabilidad 1 /3. Luego que ya se tiene la caja seleccionada cada
una de ellas tiene una probabilidad distinta de seleccionar un disco defectuoso.
Entonces, podemos elaborar un diagrama de árbol para describir el proceso realizado, en donde
cada rama señalará la probabilidad respectiva.
dañada
caja 1
no dañada
dañada
Experimento Caja 2
no dañada
dañada
caja 3
no dañada
17
La probabilidad de que una trayectoria determinada del árbol suceda es, según el teorema de
multiplicación, el producto de las probabilidades de cada rama de la trayectoria, o sea, que la
probabilidad de escoger la caja 1 y luego el disco duro defectuoso en esta caja es.
1 2 2
P(C1) P( D / C1)  
3 5 15
Ahora la probabilidad de escoger la caja 2 y luego el disco duro defectuoso en esta caja es.
1 1 1
P(C 2) P( D / C 2)  
3 6 18
Ahora la probabilidad de escoger la caja 3 y luego el disco duro defectuoso en esta caja es.
1 3 1
P(C 3) P( D / C 3)  
38 8
Ahora bien, como existen tres trayectorias diferentes y estas se excluyen mutuamente, la suma de
las probabilidades de estas trayectorias es la probabilidad señalada.
2 1 1 113
P(D)     , 0,31
15 18 8 360
Es decir, que la probabilidad de seleccionar un disco duro defectuoso de una caja seleccionada al
azar es aproximadamente del 31%.
Ejemplo 2
2) Tenemos dos bolsas, A y B. En la bolsa A hay 3 bolas blancas y 7 rojas. En la bolsa B hay 6
bolas blancas y 2. rojas. Sacamos una bola de A y la pasamos a B. Después extraemos una
bola de B.
a.- ¿Cuál es la probabilidad de que la bola extraída de B sea blanca?
b.- ¿Cuál es la probabilidad de que las dos bolas sean blancas?
Solución:
Hacemos un diagrama en árbol:
18
La primera decisión es seleccionar de la bolsa A una bola, luego se pasa una bola a la bolsa B y se
extrae una bola de esa bolsa.
a) Para responder esta pregunta tenemos dos posibilidades en la bolsa A se selecciona una
bola roja y en la Bolsa B una Blanca. La otra posibilidad es que de la Primera bolsa se
selecciona una bola blanca y de la segunda también una blanca. Ambas probabilidades son
mutuamente excluyentes por esta razón se suman.
( ) = 0,7 es decir un 70%
b) Para responder esta pregunta se multiplican las ramas que la bola seleccionada sea blanca
quedando lo siguiente.
3 7 21 7
P(B B)   
10 9 90 30
19
• SITIOS DE INTERÉS
Te invitamos a revisar el siguiente material de apoyo:
Diagrama de árbol | Ejercicio de probabilidad
https://www.youtube.com/watch?v=b5JcXlDHQuk
20
TEMA 4: “TEOREMA DE LA PROBABILIDAD TOTAL”
4.1.- Teorema de la probabilidad Total

Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes A1 , A2 ,……etc.,
entonces, la probabilidad de A es igual a:
n
P( A)  P( A1 ) P( A / A1 )  P( A2 ) P( A / A 2 )  .........   P( Ai ) P( A / Ai ); coni  1, 2,3,.....n
i 1
Ejemplo 1:
Tres máquinas A, B Y C, producen el 45%,30% y 25%, respectivamente, del total de las piezas
producidas en una fábrica. Los porcentajes de producción defectuosa de estas máquinas son del
3%,4% y 5%.
a) Seleccionamos una pieza al azar, calcular la probabilidad de que sea defectuosa.
b) Tomamos, al azar, una pieza y resulta ser defectuosa ¿Cuál es la probabilidad de haber sido
producida por la maquina B?
Solución
Lo primero es definir los sucesos
D: la pieza es defectuosa
A: Pieza la produce la maquina A; B: Pieza la produce la maquina B
C: Pieza la produce la maquina C
a) Se pregunta por la probabilidad total de encontrar una pieza defectuosa
Lo primero es calcular la probabilidad de que la pieza sea armada por la maquina A, luego que la
pieza sea defectuosa dado que fue armada en la maquina A. estas probabilidades se multiplican por
que son condicionales.
P( A) P( D / A)  0, 45 0, 03  0, 0135
Calcular la probabilidad de que la pieza sea armada por la maquina B, luego que la pieza sea
defectuosa dado que fue armada en la maquina B. estas probabilidades se multiplican por que son
condicionales.
P(B) P( D / B)  0, 3 0, 04  0, 012
Calcular la probabilidad de que la pieza sea armada por la maquina C, luego que la pieza sea
defectuosa dado que fue armada en la maquina C. estas probabilidades se multiplican por que son
condicionales.
P(C) P( D / C)  0, 25 0, 05  0, 0125
21
Para calcular la probabilidad total se suman todas estas probabilidades
P(D)  P(A) P(D/ A)  P(B) P(D/ B)  P(C) P(D/ C)  0, 45 0, 03  0, 3 0, 04  0, 25 0, 05  0, 038
Es decir, un 3,8%
b) Si anotamos la probabilidad queda lo siguiente:
P( B / D) , como podemos ver la probabilidad condicional que se pregunta es lo contrario a lo
que nos entregan los datos en este caso se aplica el teorema de Bayes
Que consiste en invertir la probabilidad condicional P(D/ B) y se multiplica por la probabilidad
de la condición P(B) estos valores se multiplican y ese resultado se divide por la probabilidad
total de que la pieza sea defectuosa P(D) .
En esta pregunta se utilizó el Teorema de bayes solo para tres sucesos.
La fórmula general de este teorema es:
4.2.- Teorema de Bayes
Si A1 , A2 ,……etc., son sucesos mutuamente excluyentes cuya unión es el espacio muestral  ,

entonces si A es cualquier suceso, es posible calcular la probabilidad de los sucesos A1 , A2 ,……etc.
que pueden causar la ocurrencia de A mediante:
P( A / Ai ) P( Ai )
P(Ai / A)  n
, Con i  1, 2, 3,........n
 P( A ) P( A / A )
i 1
i i
Ejemplo 2:
Dos máquinas A y B han producido respectivamente, 100 y 200 piezas. Se sabe que A
Produce un 5% de piezas defectuosas y B un 6%. Se toma una pieza y Sabiendo que es defectuosa,
¿Cuál es la probabilidad de que proceda de la maquina A?
Solución
Lo primero es definir los sucesos
D: la pieza es defectuosa
A: Pieza la produce la maquina A; B: Pieza la produce la maquina B
100 1 200 2
P(A)   , P(B)  
300 3 300 3
P(D/ A)  0, 05 , probabilidad de que dado que la pieza proceda de la maquina A esta sea
defectuosa.
P(D/ B)  0, 06 , probabilidad de que dado que la pieza proceda de la maquina B esta sea
defectuosa.
Como podemos ver lo que preguntan es lo contrario a la probabilidad que entrega el ejercicio se
tiene que P(A/ D) , por esta razón aplicaremos el teorema de bayes.
22
P( D / A) P( A)
P(A/ D) 
P ( D)
En el denominador se tiene la probabilidad Total la calcularemos de la siguiente manera

P(D)  P(A) P(D/ A)  P(B) P(D/ B)
1 2
P(D)  0, 05  0, 06  0, 0567
3 3
Reemplazando los valores en la siguiente fórmula:
P( D / A) P( A)
P(A/ D) 
P ( D)
1
0, 05
P(A/ D)  3  0, 294 , decir un 29,4%
0, 0567
Les invito a revisar los siguientes ejemplos:
Probabilidad total
https://www.youtube.com/watch?v=yBaRX_kymeU
Teorema de Bayes
https://www.youtube.com/watch?v=MSdgOQgqaa0
4.3.- Valor esperando para una variable aleatoria discreta

El valor esperado de una variable aleatoria discreta es un promedio ponderado de todos los
resultados posibles, donde las ponderaciones son las probabilidades asociadas con cada uno de los
resultados.
Esta medida se obtiene multiplicando cada resultado posible X por su probabilidad correspondiente
P(X) y luego sumando los productos obtenidos. Entonces el valor esperado de la variable aleatoria
discreta X, denotado por E(X), se expresa como sigue:
n
  E ( X )   X i P( X i ) , donde
i 1
X i : i-ésimo resultado de X, la variable aleatoria discreta de interés
Pi : Probabilidad de ocurrencia del i-ésimo resultado de X
Ejemplo 1:
Un inversionista tiene tres posibles inversiones A por US$ 30.000, B por US$ 45.000 y C por US$
25.000 dependiendo de variados factores estima que sus probabilidades son 65%, 25% y de un 10%
respectivamente. El desea saber en cualquier caso el monto esperado de su decisión.
Solución
El valor de la variable es: X i Inversiones en miles de dólares (US$) con i = 1,2,3
23
Las probabilidades son Pi con i = 1,2,3
En la siguiente tabla se resume la información
Xi X1  30 X 2  45 X 3  25
Pi P1  0, 65 P2  0, 25 P3  0,1
El valor de la esperanza o la media es:

3
E ( X )   X i Pi  X 1 P1  X 2 P2  X 3 P3  30 0, 65  45 0, 25  25 0,1  33, 25 miles de
I 1
dólares US$ 33.250, es lo que en promedio él podría obtener de estas inversiones
4.4.- Propiedades de la esperanza o Media

Si X es una variable aleatoria, a y b constantes, entonces
I. E ( a)  a
II. E  aH ( x)  a E  H ( x)
III. E  aH ( x)  bG(x)  a E  H ( x)  b E G( x)
Ejemplo 2:
Se tiene una variable aleatoria cuya distribución de probabilidad está dada por la siguiente tabla
Xi X1  0 X2 1 X3  2 X4  3
Pi 1 3 3 1
P1  P2  P3  P4 
8 8 8 8
Determinar:
a) E (2 X  1)
b) E (2 X 2  3)
Solución
Para responder estas preguntas lo primero es calcular la esperanza E(x)
El valor de la esperanza o la media es:
4
1 3 3 1 3
E ( X )   X i Pi  X 1 P1  X 2 P2  X 3 P3  X 4 P4  0 1  2  3 
I 1 8 8 8 8 2
a) Para responder esta pregunta E (2 X  1) utilizaremos las propiedades quedando lo
siguiente.
E(2 X  1)  E(2 X)  E(1)  2 E(X)  1 , reemplazando los valores se tiene que
24
3
2 1 3 1 4
2
b) Para responder esta pregunta E (2 X  3) , se tiene que calcular primero el valor de
2
4
E ( X 2 )   X i 2 P( X i )  X 21 P1  X 2 2 P 2  X 23 P3  X 2 4 P4
1
1 3 3 1
E ( X 2 )  02  12  22  32 3
8 8 8 8
Aplicaremos las propiedades en E (2 X  3) , quedando lo siguiente

2
E(2 X 2  3)  E(2 x 2 )  E(3)  2 E(x 2 )  3 , reemplazando los valores se tiene
2 33639
4.5.- Varianza y desviación estándar de una variable aleatoria discreta

La varianza  2 de una variable aleatoria discreta se define como el promedio ponderado de los
cuadrados de las diferencias entre cada resultado posible y su media.
n 2
    X i  E ( x) P( X i ) , donde
2
i 1
X i : i-ésimo resultado de X, la variable aleatoria discreta de interés
Pi : Probabilidad de ocurrencia del i-ésimo resultado de X
Esta fórmula se resume de la siguiente forma:

2
n
 n 
   x P( X i )    X i P( X i )   E ( X 2 )   E ( X )   E ( X 2 )   2
2 2 2
i 1  i 1 
Desviación estándar de una variable aleatoria discreta
  E ( X 2 )   E ( X )  E ( X 2 )   2
2
Ejemplo 1
Cada caja de despacho se envía con 10 ampolletas de alta calidad, la experiencia indica que una caja
contiene 5 ampolletas defectuosas y 5 no defectuosas. Se extraen 2 ampolletas al azar y sin
reposición.
a) Hallar la función de probabilidad para el Numero de ampolletas no defectuosas
b) Determinar el valor medio
c) Determinar la varianza y la desviación estándar
Solución
Lo primero es definir la variable Aleatoria X por:
X= Número de ampolletas no defectuosas que se obtienen en la extracción
25
Los sucesos son:
Di : La i-esima ampolleta es defectuosa, con i = 1,2
Se extraen dos ampolletas sin sustitución por esta razón las probabilidades son condicionales los
casos que se tienen son:
Cuando ninguna de las dos es no defectuosa X = 0 y su probabilidad es.
5 4 20 2
P( D1  D2 )  P(D1 ) P(D2 / D1 )   
10 9 90 9
Cuando una de las ampolletas es no defectuosa X=1 se tienen dos posibilidades que son
mutuamente excluyentes se tienen que sumar.
5 5 25 5
P( D1  D2 )  P(D1 ) P(D2 / D1 )   
10 9 90 18
5 5 25 5
P(D1  D2 )  P(D1 ) P(D2 / D1 )   
10 9 90 18
Sumando ambas se tiene que:
5 5 5
 
18 18 9
Cuando las dos ampolletas son defectuosas X=2 y su probabilidad es.
5 4 20 2
P( D1  D2 )  P(D1 ) P(D2 / D1 )   
10 9 90 9
a) Ordenando la información se tiene la función de probabilidad
Xi X1  0 X2 1 X3  2
Pi 2 5 2
P1  P2  P3 
9 9 9
b) El valor de la esperanza o la media es:

3
2 5 2 5 4 9
E ( X )   X i Pi  X 1 P1  X 2 P2  X 3 P3  0 1  2    1
I 1 9 9 9 9 9 9
El valor esperado de ampolletas defectuosa es 1
c) Para calcular la varianza utilizaremos la siguiente fórmula
 2  E ( X 2 )   2 , lo primero que calcularemos es E ( X 2 )
3
2 5 2 13
E ( X 2 )   X i 2 P( X i )  X 21 P1  X 2 2 P 2  X 23 P3  02  12  22 
1 9 9 9 9
26
Reemplazando los valores se tiene que:
13 13 4
 2  E( X 2 )   2   12  1
9 9 9
Para calcular la desviación estándar se tiene que sacar la raíz cuadrada de la varianza
4 2
  E( X 2 )   2  
9 3
Ejemplo 2
El número de camiones que llega en una hora a una bodega es una variable aleatoria, X, que sigue
la función de probabilidad dada en la tabla:
nº de camiones, 0 1 2 3 4 5 6
( ) 0,05 0,10 0,15 0,25 0,30 0,10 0,05
Determinar:
a) Esperanza o Valor Esperado [ ( )]
b) Varianza ( ) y desviación estándar 
c) para una compañía de seguros el costo de asegurar un camión es C = 20X + 0,5 (U.M). Determinar
el costo promedio de asegurar un camión
Solución
a) El valor de la esperanza o la media es:
7
E ( X )   X i Pi  X 1 P1  X 2 P2  X 3 P3  X 4 P4  X 5 P5  X 6 P6  X 7 P7
I 1
E( X )  0 0, 05  1 0,1  2 0,15  3 0, 25  4 0, 3  5 0,1  6 0, 05  3,15 Camiones se tiene

que aproximar la cantidad de camiones esperados son 3.
b) Para calcular la varianza utilizaremos la siguiente fórmula
 2  E ( X 2 )   2 , lo primero que calcularemos es E ( X 2 )

7
E ( X 2 )   X i 2 Pi  X 12 P1  X 2 2 P2  X 32 P3  X 4 2 P4  X 5 2 P5  X 6 2 P6  X 7 2 P7
I 1
E ( X 2 )  02 0, 05  12 0,1  22 0,15  32 0, 25  42 0, 3  52 0,10  62 0, 05  12, 05
Reemplazando los valores se tiene que:

 2  E( X 2 )   2  12, 05  3,152  2,1275 camiones 2
c) Calculando la esperanza a C  20 X  0,5 se tiene que:
E (C )  E  20 X   E (0, 5) , aplicando las propiedades queda lo siguiente
27
20 E  X   E (0, 5)  20 E  X   0, 5 , reemplazando los valores se tiene que:
E(C )  20 3,15  0, 5  63, 5 (U.M)

A continuación, veremos los modelos de probabilidad para variables aleatorias discretas
4.6.- Distribución de probabilidad binomial
Esta distribución posee cuatro importantes propiedades:
1) Las observaciones se seleccionan ya sea a partir de una población infinita sin reemplazo o a
partir de una población finita con reemplazo.
2) Cada observación se puede clasificar en una de las dos categorías mutuamente excluyentes,
por lo común llamada éxito y fracaso.
3) La probabilidad de que una observación se clasifique como éxito, p, es constante entre una
observación y otra. Entonces, la probabilidad de que una observación sea clasificada como
fracaso, 1-p, es constante en todas las observaciones.
4) El resultado que puede ser éxito o fracaso de cualquier observación es independiente del
resultado de cualquiera otra observación.
A continuación, estudiaremos el modelo matemático que representa la distribución de probabilidad
binomial para obtener un número de éxitos (X), dado que se conocen los parámetros de la
distribución n y p.
a).- Distribución binomial
n x  n  x n x n!
P( X )  C x P q   P q  P x qn x
n X
 x x ! (n  x)!
Donde
P(x): Probabilidad de X éxitos dados los parámetros n y p
n: Tamaño de la muestra
p: Probabilidad de éxito
q= 1-p: Probabilidad de fracaso
X: número de éxitos en la muestra (X=0,1,2, 3,……, n)
Para comprender de mejor forma esta fórmula explicaremos las combinaciones
b).- Combinaciones
El número de combinaciones al seleccionar X objetos entre n está dado por:
n  n!
 
 X  X ! (n  X )!
Donde:
n !  n (n  1) (n  2) ................ 1 , se llama factorial de n y 0!  1
28
Ejemplo 1:
Calcula de cuántas maneras diferentes pueden elegirse al azar 3 personas desde un grupo de 7.
Solución
Como podemos ver en este ejercicio lo que se tiene es un grupo de 7 personas y se van a
seleccionar de a 3 de ellas sin importar el orden.
Estamos frente a una combinatoria de n=7 sobre x =3, reemplazando en la formula se tiene que:
7 7!
   35
 3  3! (7  3)!
Se pueden seleccionar de 35 maneras distintas 3 personas de un grupo de 7
Utilizando la calculadora podemos calcular el factorial de la siguiente manera:
Para calcular el factorial tenemos que hacer lo siguiente:
Primero se presiona el número del que se quiere calcular el factorial luego la tecla SHIFT seguido de
1
la tecla X y luego igual.
Ejemplo 1
Para calcular 7! los pasos son:
1
1) Presiona el número 2) Shift y luego X
29
3) Luego la tecla =
Calcularemos 4!
1
1) Presiona el número 2) Shift y luego X
30
3) Luego la tecla =
Calcularemos 3!
1
1) Presiona el número 2) Shift y luego la tecla X
31
3) Luego la tecla =
Reemplazando estos valores se tiene que.
Es muy útil saber calcular las factoriales con la calculadora.

Las calculadoras pueden calcular las combinaciones de una manera más directa que detallare a
continuación
32
7
En el ejemplo es C 3
En este caso primero se digita el valor 7 seguido de las teclas Shift y  , luego el número 3 y
finalmente la tecla =.
1) presionamos el número 7 luego la tecla 2) Presionamos el 3 y luego la tecla =

Shift y 
Ejemplo 2
Una empresa del Retail le ofrece viajes al extranjero a los adultos pensionados según encuestas se
sabe que un 26% de los adultos pensionados está dispuesto a realizar un viaje al extranjero, esta
empresa visita a clientes potenciales, seleccionándolos en forma aleatoria.
a) Si un día un vendedor Visita a 12 pensionados, independientes unos de otros, ¿Cuál es la
probabilidad de que 4 de ellos estén dispuestos a realizar un viaje al extranjero?
b) Si un día un vendedor Visita a 12 pensionados, independientes unos de otros, ¿Cuál es la

probabilidad de que al menos uno de ellos esté dispuesto a realizar un viaje al extranjero?
c) Si un día un vendedor Visita a 10 pensionados, independientes unos de otros, ¿Cuál es la

probabilidad de que 3 o 4 de ellos estén dispuestos a realizar un viaje al extranjero?
33
d) Si un día un vendedor Visita a 10 pensionados, independientes unos de otros, ¿Cuál es la
probabilidad de que a lo más 8 de ellos estén dispuestos a realizar un viaje al extranjero?
Solución
Lo primero es definir la variable aleatoria que es en este caso es.
X: Cantidad de pensionados que viajan al extranjero
Como podemos ver los pensionados pueden viajar al extranjero o no, por esta razón podemos
aplicar la distribución binomial
La probabilidad de que los pensionados viajen es el éxito P=0,26, lo contrario es la probabilidad de
fracaso que no viajen que es q=1-0,26=0,74.
En el caso de la letra a) y b) el tamaño de la muestra es n = 12, el modelo de probabilidad binomial
queda de la siguiente forma:
n
P(x)     C x P x q n  x , con x= 0,1,2, 3,……………,n
n
 x
Reemplazando los valores se tiene el modelo para responder las preguntas a) y b)
12 
P(x)     C x 0, 26 0, 7412 x , con x=0,1,2,3,4,5,6,7,8,9,10,11,12
12
x 
a) ¿Cuál es la probabilidad de que 4 de ellos estén dispuestos a realizar un viaje al extranjero?
Solución
El valor de x= 4, reemplazando el valor en el modelo de probabilidad se tiene que:
12 
P(4)     C 4 0, 264 0, 7412 4  C 4 0, 264 0, 748
12 12
4 
Para calcular ese valor utilizaremos la calculadora de la siguiente forma:

Presionamos el número 1) 12 luego 2) SHIFT 1) multiplicamos x , luego
escribimos el valor 0.26 y la tecla 3)  luego el número 4) 4 elevado
2) y luego el número 3) 4
34
2
1
4 3 3
El cursor esta elevado por esta razón se tiene Finalmente presionaremos la tecla igual 
que presionar 1) Cursor luego multiplicas 2) x
luego escribimos el valor 0.74 elevado
3) y 4) luego el 8
35
1
R: Un 20,34% es la probabilidad de que 4 personas realicen un viaje al extranjero

b) ¿Cuál es la probabilidad de que al menos uno de ellos esté dispuesto a realizar un viaje al
extranjero?
Solución
Se tiene que el valor que puede tomar la variable es mayor o igual a 1 la probabilidad es la siguiente
P( X  1)  P(1)  P(2)  P(3)  P(4)  P(5)  P(6)  P(7)  P(8)  P(9)  P(10)  P(11)  P(12)
Como podemos ver las probabilidades que se tienen que calcular son muchas por esta razón es más
conveniente calcular la probabilidad contraria, ya que la suma de las probabilidades tiene que ser 1.
P( X  1)  P(X  1)  1 , despejando la probabilidad que se busca se tiene que

P( X  1)  1  P( X  1)  1  P(0) , calcularemos la P (0) reemplazando en la fórmula
12 
P(0)    0, 260 0, 74120  C 0 0, 260 0, 74120  C 0 0, 260 0, 7412  0, 0269
12 12
0 
36
Utilizando la calculadora como se mostró anteriormente
P( X  1)  1  P(0)  1  0,0269  0,9731

R: Un 97,31% es la probabilidad de que al menos una persona realice un viaje al extranjero
c) Si un día un vendedor Visita a 10 pensionados, independientes unos de otros, ¿Cuál es la
probabilidad de que 3 o 4 de ellos estén dispuestos a realizar un viaje al extranjero?
Solución
Como podemos ver en esta pregunta la muestra cambia por esta razón el nuevo modelo
probabilístico es el siguiente.
10 
P(x)    0, 26 x 0, 7410 x  C x 0, 26 x 0, 7410 x ,
10
con
x 
x=0,1,2,3,4,5,6,7,8,9,10
P(3)  C 3 0, 263 0, 74103  C 3 0, 263 0, 747 ,

10 10
utilizando la
calculadora se tiene que P(3) = 0,2563
P(4)  C 4 0, 264 0, 74104  C 4 0, 264 0, 746 ,

10 10
utilizando la
calculadora se tiene que P (4) = 0,1849
Estas dos probabilidades no pueden ocurrir juntas por que realizan 3 o 4 los viajes al extranjero no
pueden ocurrir juntos
P(A  B)  P( A)  P( B)  0, 2563  0,1849  0, 4412

R: Un 44,12% es la probabilidad de que tres o cuatro personas realicen un viaje al extranjero
d) ¿Cuál es la probabilidad de que a lo más 8 de ellos estén dispuestos a realizar un viaje al
extranjero?
Solución
Se tiene que el valor que puede tomar la variable es menor o igual a 8 la probabilidad es la
siguiente.
P( X  8)  P(0)  P(1)  P(2)  P(3)  P(4)  P(5)  P(6)  P(7)  P(8)

37
P( X  8)  P(X  8)  1, despejando la probabilidad que se busca se tiene que
P( X  8)  1  P( X  8)  1  ( P(9)  P(10)) , calcularemos la P (9) reemplazando en
la fórmula
10 
P(9)    0, 269 0, 74109  C 9 0, 269 0, 74109  C 9 0, 269 0, 741  0, 00004018
10 10
9 
calcularemos la P (10) reemplazando en la fórmula
10 
P(10)    0, 2610 0, 741010  C 10 0, 2610 0, 741010  C 10 0, 2610 0, 740  0, 000001412
10 10
10 
P( X  8)  1  ( P(9)  P(10))  1  (0,00004018  0,000001412)  0,9999

R: Un 99,99% es la probabilidad de que a lo más 8 personas realicen un viaje al extranjero
Media de la distribución Binomial

La media  de la distribución binomial es igual al tamaño de la muestra n multiplicado por la
probabilidad de éxito p.
  E( X )  n p
Varianza de la distribución binomial
La Varianza  2 de la distribución binomial es igual al tamaño de la muestra n multiplicado por la
probabilidad de éxito p y la probabilidad de fracaso q.
Var ( x)   2  n p q
Desviación estándar de la distribución binomial
La desviación estándar  de la distribución binomial es igual a la raíz cuadrada de la varianza
  Var ( x)  n p q
Ejemplo:
Hallar la probabilidad de que en 8 lanzamientos de un par de dados se obtenga 7 puntos
a) 4 veces
b) más de 2 veces
c) ¿Cuál es el valor esperado?
d) ¿Cuál es el valor de la varianza?
e) ¿Cuál es el valor de la desviación estándar?
38
Lo primero es calcular la probabilidad de que la suma de los dados sea 7 puntos
Solución
=
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Sucesos
A: La suma de las caras es 7, A  (1, 6), (2,5), (3, 4), (4,3), (5, 2), (6,1)

P( A)   
la variable aleatoria que es en este caso es.

X: Número de veces que la suma de los dados son 7 puntos
Como podemos ver la suma de los dados puede ser 7 puntos o no, por esta razón podemos aplicar
la distribución binomial
La probabilidad de que la suma de los dados sean 7 puntos es el éxito P=0,167, lo contrario es la
probabilidad de fracaso que la suma de los dados no sean 7 puntos es q=1-0,167=0,833.
El tamaño de la muestra es el número de lanzamientos que son n=8 el modelo de probabilidad
binomial queda de la siguiente forma:
 n
P(x)    P x q n  x  C x P x q n  x , con x= 0,1,2, 3,……………,n
n
 x
Reemplazando los valores se tiene el modelo para responder las preguntas a) y b)
8 
P(x)    0,167 x 0,8338 x  C x 0,167 x 0,8338 x ,
8
con x=
 x
0,1,2,3,4,5,6,7,8
a) Que la suma de las caras de los dados sea 7 puntos 4 veces
en esta pregunta el valor de x = 4, reemplazando en la fórmula se tiene que:
39
8 
P(4)    0,1674 0,8338 4  C 4 0,167 4 0,8334 = 0,0262
8
 4
R: la probabilidad de que la suma de las caras de los dados sum2 7 puntos 4 veces es 2,62%
b) Que la suma de las caras de los dados sea 7 puntos más de 2 veces
Se tiene que el valor que puede tomar la variable es mayor a 2 veces la probabilidad es la siguiente.
P(X  2)  P(3)  P(4)  P(5)  P(6)  P(7)  P(8)

P( X  2)  P(X  2)  1 , despejando la probabilidad que se busca se tiene que

P( X  2)  1  P( X  2)  1  ( P(0)  P(1)  P(2)) , calcularemos la P (0)
reemplazando en la fórmula
8 
P(0)    0,1670 0,83380  C 0 0,1670 0,8338  0, 2318
8
 0
Calcularemos la P (1) reemplazando en la fórmula
8
P(1)    0,1671 0,83381  C 1 0,1671 0,8337  0, 3718
8
1 
Calcularemos la P (2) reemplazando en la fórmula
8 
P(1)    0,167 2 0,8338 2  C 2 0,167 2 0,8336  0, 2609
8
 2
P( X  2)  1  P( X  2)  1  ( P(0)  P(1)  P(2))  1  (0, 2318  0,3718  0, 2609)  0,1355
R: la probabilidad de que la suma de las caras de los dados sume7 puntos más de 2 veces es 13,55%
c) ¿Cuál es el valor esperado?
Solución
Para calcular este valor reemplazaremos en la siguiente fórmula
  E( X )  n p ;   E( X )  8 0,167 1, 336
R: Se espera que el número de veces que la suma de los dados sea 7 puntos es 1 vez
d) ¿Cuál es el valor de la varianza?
40
Solución
Para calcular este valor reemplazaremos en la siguiente fórmula
Var ( x)   2  n p q ;  2  8 0,167 0,833  1,1129 veces 2

e) ¿Cuál es el valor de la desviación estándar?
  Var ( x)  n p q ;   1,1129veces  1, 055veces

2
DISTRIBUCIÓN DE PROBABILIDAD DE POISSON

Se dice que existe un proceso de Poisson si podemos observar eventos discretos en un área
determinada, un intervalo continuo (de tiempo, longitud, superficie, et…).
La distribución de Poisson tiene un parámetro, llamado  ( la letra minúscula lambda), que es la
media (o el valor esperado)
Del número de éxitos por unidad.
La expresión matemática para la distribución para obtener X éxitos, dado que se esperan  éxitos,
es:
Modelo de probabilidad de Poisson
Esta probabilidad está dada por la función de Poisson
e   x
P( X ) 
X!
Donde:
 : Promedio de éxitos por unidad de medida (   0 )
P(x): Probabilidad de que se produzcan x éxito
e: Constante matemática, con valor aproximado de 2,7128
X: número de éxitos por unidad de medida
Ejemplo
Si en promedio, llegan tres clientes por minuto al banco durante la hora de almuerzo.
a) ¿Cuál es la probabilidad de que en un minuto lleguen exactamente 3 clientes?
b) ¿Cuál es la probabilidad de que en un minuto lleguen más de 2 clientes?
c) ¿Cuál es la probabilidad de que en un segundo lleguen exactamente 3 clientes?
d) ¿Cuál es la probabilidad de que en un segundo lleguen exactamente menos de 3 clientes?

Solución
Lo primero es darse cuenta que nos dan el promedio de ocurrencia  por unidad de tiempo
determinado, que en este caso es el número de clientes en promedio por minuto.
41
 : Tres clientes llegan al banco en promedio en un minuto durante la hora de almuerzo
La variable es X: Número de clientes que llegan al banco en un minuto durante la hora de almuerzo
los valores son 0,1,2,3,4,……………, 
Estos parámetros definen el modelo de probabilidad de Poisson
e   x
P( X )  reemplazando los parámetros se tiene que:
X!
e3 3x
P( X )  , donde x = 0,1,2,3,4,………., 
X!
¿Cuál es la probabilidad de que en un minuto lleguen exactamente 3 clientes?
Solución
En este caso el valor de x = 3, reemplazando en la fórmula se tiene que
e3 33
P(3)  Para calcular este valor utilizaremos la calculadora ante mencionada
3!
Lo primero es presionar la tecla1) , en el numerador Presionamos el cursor1), luego
la tecla de la multiplicación
Presionaremos la tecla2) SHIFT y 3) , luego 2) x y el 3, luego
presionamos 3) finalmente el 3.
Presionamos la tecla4)  y luego 3.
42
1
2
1 3
presionaremos el cursor 1), para quedar en el

denominador, luego presionamos 3
Luego presionamos 2) SHIFT y 3)

Finalmente, la tecla4) =
43
2
1
3
R: La probabilidad de que en un minuto lleguen exactamente 3 clientes es de un 22,4%

¿Cuál es la probabilidad de que en un minuto lleguen más de 2 clientes?
Solución
En este caso el valor que toma X es de 2 al infinito, esto en probabilidad es igual a:
P(X  2)  P(3)  P(4)  P(5)  P(6)  .................  P()
Calcularemos su valor utilizando la propiedad de que la suma de todas las probabilidades es 1 y la
del suceso contrario
P(X  2)  p(X  2)  1 , despejando la probabilidad buscada se tiene que
P(X  2)  1  P( X  2)  1  ( p(0)  p(1)  p(2)) , calculando
cada una de las probabilidades
Con la calculadora.
e 3 30
P(0)   0, 04979
0!
44
e 3 31
P(1)   0,1494
1!
e 3 32
P(2)   0, 2240
2!
P(X  2)  1  (0, 04979  0,1494  0, 2240)  0, 5768
La probabilidad de que en un minuto lleguen más de 2 clientes es de 57,68%
¿Cuál es la probabilidad de que en un segundo lleguen exactamente 3 clientes?
Solución
Esta pregunta si nos damos cuenta se pregunta por el número de clientes que llegan por segundo ,
por esta razón se tiene que cambiar el valor de  :
Sabemos que llegan al banco 3 clientes en promedio por minuto, si queremos saber cuántos llegan
en promedio por segundo tenemos que dividir el promedio por minuto por 60 quedando lo
siguiente.
3 1
   0, 05
60 20
 : 0,05 clientes llegan al banco en promedio en un segundo durante la hora de almuerzo
La variable es X: Número de clientes que llegan al banco en un segundo durante la hora de almuerzo
los valores son 0,1,2,3,4,……………, 
Estos parámetros definen el modelo de probabilidad de Poisson
e   x
P( X )  reemplazando los parámetros se tiene que:
X!
e0,05 0, 05x
P( X )  , donde x = 0,1,2,3,4,………., 
X!
¿Cuál es la probabilidad de que en un segundo lleguen exactamente 3 clientes?
En este caso el valor de X es igual a 3
e0,05 0, 053
P(3)   0, 00001982
3!
¿Cuál es la probabilidad de que en un segundo lleguen exactamente menos de 3 clientes?
45
Solución
En este caso el valor que toma X es menor a 3, esto en probabilidad es igual a:
P(X  3)  P(0)  P(1)  P(2)
P(X  3)  P(0)  P(1)  P(2) , calculando cada una de las probabilidades
Con la calculadora.
e 0,05 0, 050
P(0)   0, 9512
0!
e 0,05 0, 051
P(1)   0, 04756
1!
e 0,05 0, 052
P(2)   0, 001189
2!
P(X  3)  P(0)  P(1)  P(2)  0, 9512  0, 04756  0, 001189  0, 9999
Modelos de probabilidad Para variables Continuas

La distribución normal o gaussiana, que corresponde a una variable aleatoria continua
Propiedades de la distribución Normal
1. Tiene forma de campana (y por lo tanto es simétrica)
2. Todas sus medidas de tendencia central (media, mediana, moda, eje medio) son idénticas
3. La variable aleatoria asociada tiene un intervalo infinito    X  
El modelo o expresión matemática que representan una función de densidad de probabilidad se
denota por f(x). Para la distribución normal, la función de densidad de la probabilidad normal es.
1  (1/ 2) ( X   )/   2
f ( x)  e
2
La campana de Gauss es la forma de representar de manera gráfica la distribución de Probabilidad

Normal
46
P(A  X  B) µ
Propiedades de la curva Normal

La curva es simétrica con respecto de la media 
El área total bajo la curva equivale al 100% de n
La probabilidad en un punto x cualquiera es cero
La probabilidad entre dos valores de x es igual al área bajo la curva entre esos dos valores como
muestra la figura.
Como podemos ver e y  son contantes matemáticas, las probabilidades de la variable aleatoria
X depende sólo de los dos parámetros de la distribución Normal: la media  y la desviación
estándar de la población  . Cada vez que se tiene una combinación particular de  y  , se
genera una distribución de probabilidad normal diferente y cada una de ellas se necesitarían tablas
estadísticas diferentes infinitas.
Por esta razón los datos se estandarizarán para requerir solo una tabla estadística. Cualquier
variable aleatoria normal X se puede convertir en una variable aleatoria normal estándar Z
mediante la fórmula de transformación:
Fórmula de transformación
El valor de Z es igual a la diferencia entre X y la media de la población  , dividida entre la
desviación estándar  .
X 
Z 

Una distribución normal estándar es aquella variable aleatoria Z siempre tiene una media de
  0 y  1
Al sustituir el valor de Z en la función de densidad de la distribución normal obtenemos la función
de densidad de probabilidad para una variable aleatoria normal estándar Z es:
47
1  (1/ 2)  Z  2
f (Z)  e
2
La campana de Gauss es la forma de representar de manera gráfica la distribución de Probabilidad
Normal estándar
Curva Normal estándar
(   0 y  1)
Descargar las tablas siguientes WORD Tabla 1 y Tabla 2
Propiedades de la curva normal estándar
 Es simétrica con respecto del cero
 El área bajo la curva es 1
 Prácticamente el área total del área bajo la curva se halla entre Z = -3 y Z = 3
A continuación, calcularemos probabilidades estandarizadas P(Z), a través de tablas estadísticas
El área bajo la curva normal se encuentra tabulada. Ver tabla 1, esta tabla sirve para calcular el área
bajo la curva desde 
Hasta cualquier valor positivo de Z. Tal como lo indica el área achurada del esquema gráfico. Por
este motivo esta tabla se denomina Probabilidad inferior.
48
 Los valores de Z se expresan con 2 decimales
 La columna Z indica el valor del entero, más 1 decimal
 El segundo decimal (Centésima) se busca en la primera fila
Calcular la probabilidad P( Z  1, 54) , los pasos a seguir son:

1) Se busca en la primera columna el entero y el primer decimal en la columna que en este caso es
1,5.
2) Se busca en la primera fila el valor 0,04, que corresponde al segundo decimal de 1,54.
3) en la intersección de la fila con la columna esta la probabilidad buscada.
0,04
4
1,5
P( Z  1, 54)  0, 9382
Gráficamente queda la siguiente:
49
93,82%
Calcular la probabilidad P( Z  2, 43)

Para calcular esta probabilidad utilizaremos la tabla 2, que es para calcular probabilidades
superiores a un valor Z.
P( Z  2, 43) , los pasos a seguir son:

1) Se busca en la primera columna el entero y el primer decimal en la columna que en este caso es
2,4.
2) Se busca en la primera fila el valor 0,03, que corresponde al segundo decimal de 2,43.
3) en la intersección de la fila con la columna esta la probabilidad buscada.
0,03
2,4
50
P( Z  2, 43)  0, 0075
Gráficamente queda la siguiente
0,75%
Calcular la probabilidad P( Z  1, 62) , las tablas no tienen valores negativos es por esta
razón que utilizaremos la propiedad de simetría que tiene la curva normal.
Se busca el valor de la probabilidad P(Z  1, 62) , en la Tabla 2 dando de resultado 0,0526
0,0526 0,0526
Como podemos ver se cumple que:

P( Z  1, 62)  P(Z  1, 62)  0, 0526
51
Calcular la probabilidad P( Z  1.5) , las tablas no tienen valores negativos es por esta
razón que utilizaremos la propiedad de simetría que tiene la curva normal.
Se busca el valor de la probabilidad P(Z  1, 5) , en la Tabla 1 dando de resultado 0,9332

0,9332
0,9332
Como podemos ver en ambos gráficos se cumple que:

P(Z  1.5)  P(Z  1, 5)  0, 9332
Calcular la probabilidad P(1, 43  Z  0, 81) , lo primero es representar el gráfico que
es el siguiente:
0,7146
Como podemos ver en este gráfico se determinan 3 áreas distintas que son cada una de ellas
probabilidades.
A 2  P(Z  1, 43) ; A 3 = P( Z  0, 81) , el área 1 es lo que se está buscando A
1 =?
El Área 2 como es negativa ocuparemos la propiedad de la simetría quedando lo siguiente:
A 2  P( Z  1, 43)  P(Z  1, 43) , se busca este valor en la Tabla 2
52
P(Z  1, 43)  0, 0764
El Área 3 se busca en la tabla 2
P(Z  0, 81)  0, 2090
Se tiene que cumplir que la suma de todas las áreas tiene que dar 1
A1  A 2  A 3  1 , despejando el valor del A 1 se tiene que:
A1  1  ( A 2  A 3)  1  (0, 2090  0, 0764)  0, 7146
Ahora que conocemos como calcular las probabilidades de la curva normal estándar P(Z), veremos
cómo se calculan probabilidades para el modelo de probabilidad Normal P(x). Para calcular estas
probabilidades es necesario estandarizar los valores con la siguiente fórmula.
El valor de Z es igual a la diferencia entre X y la media de la población  , dividida entre la
desviación estándar  .
X 
Z 

Ejemplo:
Sea X una variable distribuida normalmente con una media  de 10 y una desviación estándar
 de 2. Encuentre la probabilidad de que x:
a) sea mayor a 14
b) sea menor a 9,5
c) este entre 11 y 13,6
Solución
Se tiene que X es una variable aleatoria distribuida normalmente con una media  y una
desviación estándar  . Esto se resume de la siguiente forma X N ( ,  )
En este caso los valores de   10 y   2 , X N (10, 2)
a) sea mayor a 14
Se tiene que calcular la siguiente probabilidad P( X  14)
Para calcular esta probabilidad tenemos que estandarizar el valor de X, le restamos el valor de la
media  y se divide todo por la desviación estándar  quedando lo siguiente.
X  14  10
P(  )  P( Z  2) , esta probabilidad la buscamos en la Tabla 2 el valor es
 2
0,0228
b) sea menor a 9.5

Se tiene que calcular la siguiente probabilidad P( X  9, 5)
53
Para calcular esta probabilidad tenemos que estandarizar el valor de X, le restamos el valor de la
media  y se divide todo por la desviación estándar  quedando lo siguiente.
X  9, 5  10
P(  )  P( Z  0, 25) , como podemos ver es una probabilidad de un
 2
valor negativo para poder calcularla utilizaremos la propiedad de que la curva es simétrica.
P(Z  0, 5)  P(Z  0, 5) , estos valores se buscan en la tabla 2 el valor es 0,3085
c) este entre 11 y 13,6
Se tiene que calcular la probabilidad que X sea mayor a 11 y menor a 13,6, P(11  X  13, 6)
En este caso tendremos que estandarizar ambos valores quedando lo siguiente.
11  10 13, 6  10
Z1   0, 5 y; Z2   1, 8 , graficando estos valores se tiene que
2 2
0,2726
probabilidades.
A 2  P( Z  0, 5) ; A 3 = P( Z  1, 8) , el área 1 es lo que se está buscando A 1 =?

El Área 2 su valor se busca en la Tabla 1 su valor es 0,6915
A 2  P(Z  0, 5)  0, 6915
A 3  P(Z  1, 8)  0, 0359
54
A1  1  ( A 2  A 3)  1  (0, 6915  0, 0359)  0, 2726
Problemas
1) Se ha verificado que, en cierto barrio, el consumo mensual de electricidad por hogar sigue una
curva normal con media $ 19.820 y desviación estándar $ 4.250.
a) ¿Qué % de los hogares consumen más de $ 25.000 al mes en electricidad?
b) ¿Qué % de los hogares consumen entre 24.882 y 26310 al mes en electricidad?
c) ¿Qué % de los hogares consumen entre 17500 y 24315 al mes en electricidad?
Solución
Lo primero es definir la variable aleatoria que es en este caso es:
X: consumo mensual de electricidad por hogar
Como podemos ver esta variable sigue una distribución normal con media   $19.820 y desviación
estándar   $4.250
X N (19.820, 4.250) .
a) ¿Qué % de los hogares consumen más de $ 25.000 al mes en electricidad?
Para calcular este valor se tiene que estandarizar el valor de X = 25.000, quedando lo siguiente
X  25.000  19.820
P( ) )  P(Z  1, 22) , buscando ese valor en la Tabla 2
 4.250
P(Z  1, 22)  0,1112
gráficamente tenemos lo siguiente:
55
11,12%
Como podemos ver al estandarizar los valores el área es la misma esto es muy importante ya que al
estandarizar el área es la misma por lo tanto las probabilidades.
El 11,12% de los hogares consumen más de $25.000 al mes en electricidad
b) ¿Qué % de los hogares consumen entre 24.882 y 26310 al mes en electricidad?
Para calcular este valor se tiene que estandarizar los valores que toma X, quedando lo siguiente.
24.882  19.820 X   26.310  19.820
P(24.882  X  26.310)  P(   )  P(1,19  Z  1,53)
4.250  4.250
Gráficamente se tiene:
5,4%
probabilidades.
A 2  P( Z  1,19) ; A 3 = P( Z  1, 53) , el área 1 es lo que se está buscando A 1
=?
56
El Área 2 su valor se busca en la Tabla 1 su valor es 0,6915
A 2  P(Z  1,19)  0, 8830
A 3  P(Z  1, 53)  0, 0630
A1  1  ( A 2  A 3)  1  (0, 8830  0, 0630)  0, 054
El 5,4 % de los hogares consumen entre 24.882 y 26310 al mes en electricidad
c) ¿Qué % de los hogares consumen entre 17500 y 24315 al mes en electricidad?
Para calcular este valor se tiene que estandarizar los valores que toma X, quedando lo siguiente.
17.500  19.820 X   23.315  19.820
P(17.500  X  24.315)  P(   )  P(0, 55  Z  0,82)
4.250  4.250
Gráficamente se tiene:
50,27%
probabilidades.
A 2  P( Z  0, 55) ; A 3 = P( Z  0, 82) , el área 1 es lo que se está buscando A
1 =?
El Área 2 su valor es negativo como vimos tenemos que ocupar la propiedad de la simetría
quedando lo siguiente.
A 2  P( Z  0, 55)  P(Z  0, 55) , este valor se busca en la tabla 2
A 2  P(Z  0, 55)  0, 2912
A 3  P(Z  0, 82)  0, 2061
57
A1  1  ( A 2  A 3)  1  (0, 2912  0, 2061)  0, 5027
El 50,27 % de los hogares consumen entre 17500 y 24315 al mes en electricidad
Cálculo de percentiles en la curva normal estándar
Recordando la definición de percentiles antes visto en Estadística descriptiva Definiremos el
concepto de la siguiente forma:
Los percentiles son 99 valores, que dividen los datos ordenados en 100 partes iguales.
Los percentiles son datos bajos los cuales se acumula el 1% , 2%, 3%, ……….. y el 99% de los datos
estudiados
Los percentiles en la curva normal se expresan de la siguiente forma.
Percentil 90 se expresa como Z 0,9 , gráficamente se tiene que.
Como podemos ver es un valor que deja abajo a un 90% de los datos y sobre un 10% por esta razón
es el percentil 90
Percentil 5 se expresa como Z 0,05 , gráficamente se tiene que:
58
Como podemos ver es un valor que deja abajo a un 5% de los datos y sobre un 95% por esta razón
es el percentil 5
Para calcular los percentiles seguiremos los siguientes pasos, a este procedimiento se le conoce
como Transformación inversa de los valores normales.
Calcularemos el valor del percentil 90 Z 0,9
Lo primero es buscar el valor más cercano a 0,9 en los datos de las áreas en la tabla N° 1 que en este
caso es 0,8997
Este valor tiene asociado un valor de Z que en este caso es 1,2 y el valor de una columna que en este
caso es 0,08 se juntan estos dos valores y se obtiene 1,28.
El valor del percentil 90 , Z 0,9  1, 28
59
Lo primero es buscar el valor más cercano a 0,05 en los datos de las áreas en la tabla N° 1 como
podemos ver el valor más pequeño es 0,5 por esto se tiene que utilizar la propiedad de la simetría
de la curva normal y se busca el percentil 95. Esto se muestra gráficamente.
Lo primero es buscar el valor más cercano a 0,95 en los datos de las áreas en la tabla N° 1 que en
este caso es 0,9505
Este valor tiene asociado un valor de Z que en este caso es 1,6 y el valor de una columna que en este
caso es 0,05 se juntan estos dos valores y se obtiene 1,65.
El valor del percentil 95 Z 0,95  1, 65
Como sabemos el percentil simétrico a este valor es Z 0,05 , que en este caso es -1,65
60
Importante: Los percentiles que son menores al 50% son negativos y se tienen que sacar de
acuerdo al percentil simétrico, en cambio cuando los percentiles son mayores que el 50% estos
son positivos.
Problemas
1. Una empresa desea entrar al mercado con un producto cuyo precio en el mercado sigue
una distribución con media $8.400 y desviación estándar $1.250.
Si la empresa se desea ubicar sobre el 25% de los precios mercado. ¿En cuánto tendría que
fijar el precio de su producto?
Solución
Lo primero es definir la variable que es ente caso es precio del producto en el mercado
X: Precio del producto en el mercado
Como sabemos el producto se desea ubicar sobre el 25% es decir tiene que superar el 25% de los
precios del mercado es por eso que hablamos del percentil 25.
Calcularemos el percentil 25 Z 0,25 , como vimos anteriormente se tiene que calcular el

simétrico a este valor que es el percentil 75 Z 0,75 , buscamos este valor en la Tabla 1 como
explicamos anteriormente.
El valor es Z 0,75  0, 67 , el percentil que se busca es Z 0,25 que es el percentil

simétrico a 0,67 el valor es
Z 0,25  0, 67
Se tiene que X tiene una distribución Normal con media   $8.400 y   $1.250
también sabemos el valor del percentil que es Z 0,25  0, 67
Reemplazando los valores en la siguiente fórmula

X  
Z 

61
Se tiene que:
X  8400 X  8400
Z 0,25  ; 0, 67  se tiene que
1250 1250
despejar el valor de x
0, 67  1.250  x  8400 ; 837, 5  x  8400
x  837, 5  8400  7563

R: La empresa para ubicarse sobre el 25% de los precios de mercado deberá fijar su producto en
$7.563
2) Una empresa provee un repuesto para un equipo de sonido, especificando una duración que se
distribuye normalmente con una media de 480 horas de uso y desviación estándar de 60 horas.
¿ Cuánto dura como mínimo el segmento del 25% de los repuestos de mayor duración?
Solución
Lo primero es definir la variable que es la duración de los repuestos para un equipo de sonido
X: Duración de los repuestos para un equipo de sonido en horas
Preguntan por el valor mínimo del segmento del 25% de los repuestos de mayor duración si queda
sobre un 25% de los tiempos de duración bajo estará un 75% de estos tiempos, se refiere al
percentil 75.
Calcularemos el percentil 75 , Z 0,75 buscamos este valor en la Tabla 1 como explicamos

anteriormente.
El valor es Z 0,75  0, 67
Se tiene que X tiene una distribución Normal con media   $8.400 y   $1.250
también sabemos el valor del percentil que es Z 0,75  0, 67
Reemplazando los valores en la siguiente fórmula

X  
Z 

Se tiene que:
X  480 X  480
Z 0,75  ; 0, 67  se tiene que despejar el
60 60
valor de x
0, 67  60  x  480 ; 42  x  480
x  40, 2  480  520
R: 520 horas corresponde al valor mínimo del 25% de los repuestos de mayor duración
62

V1 Contenidos Unidad 1 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

V1 Contenidos Unidad 1 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

En el siguiente documento

revisaremos términos nuevos

TEMA 1: “SUCESOS ALEATORIOS Y CONCEPTO DE PROBABILIDAD”

1) Ejemplo: Lanzar un dado y observar si “resulta un número par:

e).- Sucesos mutuamente excluyentes:

2) ¿Qué es una experiencia aleatoria?

Una experiencia aleatoria es aquella cuyo resultado depende del azar.

3) ¿Qué es una experiencia aleatoria?

TIPO DE SUCESO SUCESO

Seguro Sacar bola roja o azul.

Sacar bola azul.

Sacar bola verde.

Sacar bola roja.

TIPO DE SUCESO SUCESO

Seguro Sacar bola roja o azul.

Posible Sacar bola azul.

Imposible Sacar bola verde.

Muy probable Sacar bola roja.

A continuación, veremos cómo se calcula las probabilidades.

b ¿Cuál es la probabilidad de que no sea moreno?

N  Casos favorables al suceso M 12

N  Casos favorables al suceso B 16

La suma de las caras sea igual a 5 o 12.

A: La suma de las caras es 5, A  (1, 4), (2,3), (3, 2), (4,1) ,

N  Casos favorables al suceso A 4 1

B: La suma de las caras es 12, B={(6,6) }

N  Casos favorables al suceso B 1

2) Considera los 300 encuestados en relación a la forma de comprar el celular de última

Forma de compra Número de encuestados

Si se selecciona una persona al azar de los 300 encuestados.

a) ¿Cuál es la probabilidad de adquirir un celular por internet o por correo?

A: La persona compra celular en una tienda, A = {183 encuestados}

N  Casos favorables al suceso A 183

B: La persona compra celular por internet, B = {87 encuestados}

N  Casos favorables al suceso B 87

C: La persona compra celular por correo, C = {30 encuestados}

N  Casos favorables al suceso C 30

2.3.- Resuelve problemas contextualizados, utilizando regla especial de la suma de probabilidades

N  Casos favorables al suceso B 12 1

Si seleccionamos una persona al azar:

A : Planearon comprar, A = {350 encuestados}

N  Casos favorables al suceso A 350 7

A : No planearon comprar, A ={650 encuestados}

N  Casos favorables al suceso A 650 13

B : Compraron en realidad, B= {330 encuestados}

B  : No compraron en realidad, B  ={670 encuestados}

N  Casos favorables al suceso B  670 67

a) ¿Cuál es la probabilidad de que, al sacar 2 estás sean rojas?

a) Hacer una tabla ordenando los datos anteriores

Placa Madre Tarjeta de Video Sonido Total

b) Lo primero es definir los sucesos

P= El computador tiene problemas en la placa madre

La probabilidad queda de la siguiente forma:

c) La probabilidad queda de la siguiente forma:

a) Las dos sean copas.

P (C1  C2 )  P (C1 ) P (C2 / C1 ) , esto es un cálculo de probabilidad condicional

C P(A y C) = P(A) · P(C/A)

E P(B y E) = P(B) · P(E/B)

( ) = 0,7 es decir un 70%

4.1.- Teorema de la probabilidad Total

Si A1 , A2 ,……etc., son sucesos mutuamente excluyentes cuya unión es el espacio muestral  ,

En el denominador se tiene la probabilidad Total la calcularemos de la siguiente manera

4.3.- Valor esperando para una variable aleatoria discreta