Universidad Central de Venezuela

Facultad de Ingeniería
Escuela de Procesos Industriales
Núcleo Armando Mendoza

Guía de estudios
ALGEBRA BOOLEANA Y
PROBABILIDAD

Realizada por:
Prof. Luis Alexander Díaz M.

Cagua, abril de 2017

Tema 0. Definiciones generales relacionadas con la estadística.

La recopilación y el análisis de datos son fundamentales en la ciencia e ingeniería. Al

analizar los datos recopilados en experimentos, los científicos descubren los principios
que rigen el mundo físico y los ingenieros aprenden cómo diseñar nuevos productos y
procesos importantes. Una dificultad muy importante que se presenta con los datos
científicos es que éstos se encuentran sujetos a variaciones aleatorias o incertidumbre.
Es decir, cuando se repiten las mediciones científicas cada vez salen un poco
diferentes. Lo anterior plantea un problema: ¿cómo se pueden obtener conclusiones de
los resultados de un experimento cuando éstos pueden ser diferentes? Para analizar
esta pregunta, es esencial contar con cierto conocimiento estadístico (Navidi, 2007).

Estadística:
rama de la matemática que tiene por objeto la aplicación,
recolección, organización, análisis e interpretación de datos
numéricos los cuales están sujetos a variación.

La estadística estudia los métodos para recoger, clasificar, resumir, regularizar y

analizar datos en los cuales la variabilidad e incertidumbre son una causa intrínseca de
los mismos, con la finalidad de hacer inferencia para tomar decisiones y/o formular
predicciones.

La estadística se clasifica en: 1) descriptiva y 2) inferencial. La primera analiza y

describe fenómenos asociados con un grupo de “datos cerrados” y a partir de ellos
presenta la información que estos arrojan. La segunda se apoya en el cálculo de
fenómenos sujetos al azar en un conjunto de mayor cantidad de datos, y a partir de
datos muestrales efectúa estimaciones y predicciones para tomar decisiones.

Población (que también puede denominarse conjunto universal o universo de

discurso): es el conjunto grande y fijo de elementos que se encuentran presentes en
un espacio definido y en un tiempo determinado. Cuando se hace indispensable tomar
una decisión sobre la validez de la representación en una población, con base en los
resultados medidos en una muestra, se dice que se toman decisiones estadísticas.
Para tomar decisiones de este tipo es necesario, ante todo, plantear posibilidades
acerca de la característica a estudiar en una población determinada. La suposición
puede ser “cierta” o “falsa”. En este sentido, es importante definir el término hipótesis,
la cual no es más que una afirmación que está sujeta a verificación o comprobación. Es
considerada una suposición que se utiliza como base para una acción.

Por su parte, una prueba de hipótesis tiene como objeto principal evaluar suposiciones
o afirmaciones acerca de los valores estadísticos de la población, llamados parámetros.

Población estadística: son una serie de datos numéricos que provienen del conteo de
alguna característica de interés y van a formar parte de los elementos de una población
que presenta espacio definido y tiempo determinado.

Muestra: es un subconjunto “representativo” de una población. Se dice que los

elementos en una muestra son independientes si el conocimiento de algunos de los
valores de los elementos permite predecir los valores de los otros.

Constante: es una variable con el mismo valor para todos los elementos de una
población.
Variable: son características comunes a los elementos de una población pero que
varían de uno a otro.

Ejemplos: la edad, la estatura o la masa corporal de cada individuo de esta sección de

clases. La duración en horas de una bombilla incandescente. La cantidad de
electricidad que pasa a través de un alambre. La resistencia de las placas metálicas o
plásticas a las ralladuras o a los impactos.

Observación: es el valor numérico que toma la variable en un momento determinado.

Parámetro: valor que caracteriza a la población como un todo. Eso quiere decir que la
misma es constante a todos los elementos de una población.

Estadístico: es una función que define y caracteriza a los valores numéricos de una
muestra. Los estadísticos son variables.

Aclaratoria importante
Los parámetros son constantes y los estadísticos son variables

Formas de recopilar los datos

Censos Muestreos

Es cuando se tiene la posibilidad Cuando se estudian proporciones

analizar a todos los miembros del representativas de la población.
conjunto universal. O cuando se puede
estudiar a toda la población.

Como medir la variable: se puede hacer de forma cualitativa (datos categóricos) o

cuantitativa (datos métricos).

Variable cualitativa: es aquella variable que toma valores de tipo nominal o valores
que denotan una cualidad. A las mismas solo se les asigna un nombre. Ejemplo:
bueno/ malo, defectuosa / no defectuosa. Las mismas pueden ser 1) cualitativa ordinal,
la cual es aquella variable que es posible dotarlas de una relación de orden, ejemplo:
en un panel de degustación usted puede medir la respuesta de gusto de un producto
comestible de acuerdo a la escala excelente, buena, regular o mala. o 2) cualitativa
nominal que son aquellas variables que no admiten ningún tipo de jerarquía. Ejemplo:
colores de una etiqueta de un producto.

Variable cuantitativa: es la que asume valores o cantidades numéricas, de modo que

podemos realizar operaciones matemáticas entre estos resultados. Estas pueden ser 1)
discretas, cuando la variable tiene rango finito o 2) continuas, cuando el valor toma un
como rango de intervalo (finito o infinito) de números reales.

Frecuencia absoluta: es la cantidad de veces que se repite un determinado valor de la

variable. O lo que es igual al número de veces que este valor aparece en el estudio.

Frecuencia relativa: es el cociente entre la frecuencia absoluta y el tamaño de la

muestra.
Diferencia estadísticamente significativa o significancia estadística: se define
como la evidencia estadística de que hay una diferencia. Es un concepto estadístico
asociado a la verificación de una hipótesis. Formalmente se define como la
probabilidad de tomar la decisión de rechazar la hipótesis nula cuando ésta es
verdadera (decisión conocida como error de tipo I, o "falso positivo"). La decisión se
toma a menudo utilizando el valor p (o p-valor): si el valor p es inferior al nivel de
significación, entonces la hipótesis nula es rechazada. Cuanto menor sea el valor p,
más significativo será el resultado.

Error de tipo I, error de tipo alfa (α) o falso positivo: es el error que se comete
cuando el investigador no acepta la hipótesis nula siendo ésta verdadera en la
población. Es equivalente a encontrar un resultado falso positivo, porque el investigador
llega a la conclusión de que existe una diferencia entre las hipótesis cuando en realidad
no existe. Se relaciona con el nivel de significancia estadística.

El error de tipo, error de tipo beta (β) o falso negativo: es el error que se comete
cuando el investigador no rechaza la hipótesis nula siendo ésta falsa en la población.
Es equivalente a la probabilidad de un resultado falso negativo, ya que el investigador
llega a la conclusión de que ha sido incapaz de encontrar una diferencia que existe en
la realidad.

Resolución de problemas: de datos se quieren llegar a resultados concretos!.

El planteamiento para llegar a las metas requiere de INTERPRETACIÓN, lo cual
implica: ORDENAR, COMBINAR, MODIFICAR, REVISAR, REFINAR Y PLANTEAR
elementos que permitan concluir sobre dichos datos.
Cuáles son las fases de la resolución de un problema:
1. Comprender el problema.
2. Diseñar el plan.
3. Desarrollar el plan.
4. Comprobar los resultados.

Estrategias para resolver problemas: dibujar gráficos, usar la notación apropiada,

emplear problemas relacionados, diagramas de árbol, ordenamiento secuencial,
procedimientos y pruebas de verificación, entre otros.

Cuando se desea evaluar la resolución de un problema por parte del estudiante lo que
se explora es la capacidad de interpretación, representación y reflexión que posee el
individuo. Sin embargo, se sabe que en la actualidad los estudiantes presentan
comportamiento de aprendizaje y razonamiento superficial, lo que significa que repite
patrones sin importarle la estrategia. Dicho de otra manera quieren actuar como
máquinas. O sea no quieren usar el razonamiento matemático.
Tema 1. Algebra booleana. Definición, postulados básicos del algebra booleana,
teoremas fundamentales del algebra booleana, funciones booleanas. Construcción de
tablas de verdad.

Definición: es un sistema de elementos b={0,1} y los George Boole

operadores binarios (·) y (+) y un operador unitario (’) (Inglaterra, 2/11/1815 –
definidos de la siguiente forma: Irlanda, 8/12/1864)
Es el padre del álgebra de Boole,
que establece los fundamentos de
la aritmética computacional
moderna. Boole es considerado
como uno de los fundadores del
campo de las Ciencias de la
Computación. En 1854, publicó el
trabajo “An Investigation of the Laws
of Thought on Which are Founded
the Mathematical Theories of Logic
and Probabilities”, donde desarrolló
un sistema de reglas que le
El álgebra booleana es la fundación matemática de permitían expresar, manipular y
los sistemas digitales. simplificar problemas lógicos y
Las operaciones del álgebra booleana deben regirse filosóficos cuyos argumentos
por propiedades y reglas lógicas llamados admiten dos estados (verdadero o
falso) por procedimientos
postulados. Dichos postulados se usan para
matemáticos. Se podría decir que
demostrar leyes más generales sobre expresiones es el padre de las operaciones
booleanas. Se usan también para simplificar y lógicas y gracias a su álgebra hoy
optimizar expresiones booleanas y sistemas en día es posible manipular
digitales. operaciones lógicas.

Principios o postulados básicos:

Clausura: a + b esta en B, a • b esta en B

Conmutatividad: a + b = b + a, a • b = b • a

Asociatividad: a + (b + c) = (a + b) + c
a • (b • c) = (a • b) • c

Identidad: a + 0 = a, a • 1 = a

Distributividad: a • (b + c) = (a • b) + (a • c)

Complementariedad: a + a’ = 1, a • a’ = 0

Teoremas fundamentales

Teorema 1: el elemento complemento A’ es único.

Teorema 2 (elementos nulos): para cada elemento de B se verifica:

A+1 = 1
A·0 = 0
Teorema 3 (idempotencia): para cada elemento de B, se verifica:
A+A=A
A·A=A

Teorema 4 (involución): para cada elemento de B, se verifica:

(A’)’ = A

Teorema 5 (absorción): para cada par de elementos de B, se verifica:

A+A·B=A
A·(A+B)=A

Teorema 6: para cada par de elementos de B, se verifica:

A + A’·B = A + B
A · (A’ + B) = A · B

Leyes de “De Morgan”: para cada par de elementos de B, se verifica:

(A+B)’ = A’·B’
(A·B)’ = A’ + B’

En resumen (hasta el momento):

El álgebra booleana es un sistema algebraico cerrado que contiene un conjunto B de
dos elementos {0,1} y tres operadores {·, +, ‘}, cuyas variables son + es el “OR” (lógico),
• es el “AND” (lógico) ’ es el “NOT” (lógico)
Todos los postulados (axiomas) algebraicos se cumplen. DEFINA AXIOMA.
La prioridad de los operadores es ‘ “AND” y “OR”. Ello quiere decir que
‘ tiene la mayor prioridad.
Los ( ) pueden cambiar el orden de evaluación.

Espacios y funciones booleanas

Si se define un espacio booleano como B={0,1}, usando el producto cartesiano se
puede definir B 2 = {0,1} x {0,1} = {(00), (01), (10), (11)}

Las funciones booleanas se pueden describir de variadas formas incluyendo:

Álgebra booleana
Tablas de verdad,
Diagramas de compuertas,
Diagramas temporales,
Diagramas de Venn, entre otras.

Para el caso de nuestro curso solo será detallada la construcción de la tabla de verdad.
Mediante este tipo de tablas se logra observar todas las combinaciones de valores de
las variables y el valor asociado de la función.
Ejemplo:

Tema 2. Teoría de conjuntos. Conjunto universal, complementario y vacio. Diagramas

de Venn-Euler, relaciones entre conjuntos. Igualdad de conjuntos. Intersección, unión y
diferencia entre conjuntos. Complemento de un conjunto.

La palabra conjunto generalmente la asociamos con la idea de agrupar objetos. La

característica esencial de un conjunto es la de estar bien definido, es decir que dado un
objeto particular, determinar si este pertenece o no al conjunto.

Un conjunto en matemática, es la reunión en un todo de objetos bien definidos y

diferenciables entre sí, que se llaman elementos del mismo. Si a es un elemento del
conjunto A se denota con la relación de pertenencia a  A. En caso contrario, si a no
es un elemento de A se denota a  A.

Es una colección bien definida de objetos denominados miembros del conjunto.

Sinónimos: clase, familia, colección.

Se puede definir un conjunto, ya sea por 1) extensión, enumerando todos y cada uno
de sus elementos, de la siguiente manera:

Características:
Las mayúsculas denotan conjunto
A  a, b, c, d = la igualdad
Las llaves denotan inicio y fin del conjunto
Las minúsculas denotan los miembros del conjunto.
Los miembros están separados por comas.

ó 2) por comprensión o método de propiedad, diciendo cuál es la propiedad que los

caracteriza. O sea es dar la propiedad a los miembros del conjunto.

C  X : X es un enteroimpar, 0, se lee X tal que es un número entero impar

y menor que cero.

Nota: En teoría de conjuntos no se repiten los elementos. Ejemplo: el conjunto

A= { b, b, b, d, d } simplemente será A= { b, d }.
Se dice que A está contenido en B (también que A es un subconjunto de B o que A es
una parte de B), y se denota A  B, si todo elemento de A lo es también de B, es
decir,a € A  a € B.

Los conjuntos se pueden categorizar según el número de elementos que los componen
de la siguiente manera:
Conjunto infinito: Conjunto finito: Conjunto unitario:
En estos conjuntos, los En este conjunto los Conformados por un
miembros que lo conforman elementos o miembros que solo miembro o
no pueden ser enumerados ni los conforman pueden ser elemento.
contados. enumerados o contados.

Igualdad de conjunto: se dice que dos conjuntos A y B son iguales, y se denota A = B,

si simultáneamente A  B y B  A; esto equivale a decir que tienen los mismos
elementos (o también la misma propiedad característica).

Conjunto universal: se denomina también universo de discurso, o conjunto de

referencia, es el conjunto grande fijo que contiene a una serie de conjuntos bajo
investigación. El conjunto universal normalmente se denota con la letra U “negrilla”. En
un diagrama de Venn- Euler el mismo se dibuja como un rectángulo e indicando la letra
U “negrilla”, en la parte superior derecha del rectángulo, y dentro del mismo.

Propiedades del conjunto universal:

Todo conjunto A es subconjunto de U, A ⊆ U.
La unión de un conjunto A con el conjunto universal U es igual a U:
La intersección de un conjunto A con el conjunto universal resulta en el mismo
conjunto A:
El conjunto universal entonces es absorbente de la unión y del elemento neutro de la
intersección.

Conjunto complementario: el conjunto complementario de un conjunto dado es otro

conjunto que contiene todos los elementos que no están en el conjunto original. El
complementario de A es otro conjunto A c cuyos elementos son todos aquellos que no
están en A, lo cual se denota de esta manera: X  Ac si y solo si X 
A. Ejemplo 1).
En un grupo de personas, el complementario del conjunto de todos los hombres es el
conjunto de todas las mujeres.

Ejemplo 1) Sea R el evento de que se seleccione una carta roja de una baraja ordinaria
de 52 cartas, y sea S toda la baraja. Entonces RC es el conjunto de que la carta
seleccionada de la baraja no sea una roja sino una negra.

Conjunto vacio: es el único conjunto que no tiene elementos; su tamaño o

cardinalidad es cero. Este conjunto se denota mediante el símbolo .

Diagrama de Venn-Euler: es la relación entre los conjuntos de estudio dibujados

respecto al conjunto universal. En este tipo de diagramas se representan el conjunto
universal como un rectángulo y los conjuntos de estudio con círculos trazados dentro
del rectángulo.

Los diagramas de Venn-Euler normalmente consisten de simples curvas cerradas en el

plano que son usadas para describir conjuntos. Las relaciones espaciales entre las
curvas corresponden, respectivamente, a relaciones entre los conjuntos.
Relación entre conjuntos: los conjuntos se relacionan básicamente mediante las
operaciones de unión, intersección y diferencia, las cuales representan las posibles
operaciones que se pueden realizar entre conjuntos.

La unión de dos conjuntos A y B, que se denota con el símbolo A  B, es el conjunto

que contiene todos los elementos que pertenecen a A o a B, o a ambos.
Ejemplo: Sea A = {a, b, c} y B = {b, c, d, e}; entonces, A  B = {a, b, c, d, e}.

La intersección de conjuntos se escribe como AB y es el conjunto de todos los

elementos que pertenecen a A y B. Matemáticamente se escribe de la siguiente
manera: A  B  X : X  y X  B

Si A y B no tienen elementos en común, entonces se indica que el conjunto resultante

es disyunto.

Conjuntos disyuntos: llamados también conjuntos o eventos mutuamente

excluyentes. Es cuando dos conjuntos no tienen elementos en común. Esto también se
expresa diciendo que la intersección entre los conjuntos disyuntivos es el conjunto
vacío . Por ejemplo el conjunto A contiene los elementos a, b, c, d mientras que el B
contiene los elementos e, f, g, h. Los conjuntos A y B entonces no tienen ningún
elemento en común, o sea que A  B = .

Diferencia de conjuntos: La diferencia de dos conjuntos A y B, que se denota por A −

B, es el conjunto formado por los elementos que pertenecen a A, pero no a B.
(Elementos de A que no son de B)

Simbólicamente
A − B = {x, tales que x ∈ A y x ∉ B}
Igualmente,
B − A = {x, tales que x ∈ B y x ∉ A}
Es evidente que A ∪ B = (A − B) ∪ (A ∩ B) ∪ (B − A)

Ejemplos de la clase:
Ejemplo 1. Dado los siguientes conjuntos:
A = 2, 4, 6, 8, 10
B = 1, 2, 3, 4, 5
C = 1, 3, 5, 7, 9
Determine los conjuntos:
U, A  B, B  A y Cc

Ejemplo 2. En una encuesta aplicada a 1000 empleados de un centro comercial sobre

el tipo de transporte que utilizan para ir de sus casas al trabajo se obtuvo la siguiente
información:

431 empleados utilizan metro.

396 empleados utilizan autobús.
101 empleados utilizan metro y trolebús pero no autobús.
176 empleados no utilizan ninguno de los tres medios considerados.
341 utilizan trolebús.
634 utilizan metro o trolebús.
201 utilizan sólo metro.
¿Cuántos empleados utilizan metro o trolebús pero no autobús?
 ¿Cuántos empleados utilizan sólo uno de los tres medios de transporte
mencionados?
¿Cuántos empleados utilizan sólo trolebús?
¿Cuántos empleados utilizan metro, trolebús y autobús?

Respuesta:
428 empleados utilizan metro o trolebús pero no autobús.
517 empleados utilizan sólo uno de los tres medios de transporte mencionados.
126 empleados utilizan sólo trolebús.
37 empleados utilizan metro, trolebús y autobús.

Para resolver por el estudiante:

1. Supongamos que en una determinada ciudad hay tres periódicos, que llamaremos
A, B y C. Se ha preguntado a un grupo de personas sobre su lectura o no de esos
periódicos, obteniéndose las respuestas siguientes:
Lectores de A, 32. Lectores de B, 45. Lectores de C, 23.
Lectores de A y B, 14. Lectores de A y C, 9. Lectores de B y C, 12.
Lectores de los tres periódicos, 5.
Número de personas que no leen ninguno de esos tres periódicos, 54.
1. Se desea saber el número de lectores de periódicos.
2. ¿Podríamos saber cuántas personas había en el grupo?.

3. En el experimento "lanzar un dado de seis caras" sean los eventos: A = sale par,
B = sale primo. Indique por diagrama de VE el evento "A ó B", el evento “A y B”,
el evento no ocurre A.

4. En un curso compuesto por 22 alumnos; 12 estudian Alemán; 11 estudian inglés

y 11 francés, 6 estudian alemán e inglés; 7 estudian Inglés y Francés; 5 estudian
alemán y francés y 2 estudian los tres idiomas. ¿Cuántos alumnos estudian sólo
inglés?.

5. Se realiza una encuesta a 100 personas obteniéndose la siguiente información:

-Todo encuestado que es propietario de automóvil también lo es de casa.
- 54 encuestados son hombres.
- 30 de los encuestados que son hombres no son propietarios de automóviles.
- 30 de los encuestados que son mujeres son propietarios de casa.
- 5 de los encuestados que son mujeres son solamente propietarios de casa.
- 15 encuestados que son propietarios de casa no lo son de automóviles.
a) Hacer un diagrama adecuado a la situación e indicar la cardinalidad
correspondiente a cada región.
b) ¿Cuántos encuestados que son hombres son solamente propietarios de casa?
c) ¿Cuántas mujeres no son propietarios de casa?.

6. En un total de 250 personas encuestadas sobre su desayuno se obtuvieron las

siguientes respuestas, 30 personas tomaban té con leche, 40 personas tomaban
café con leche, 80 personas tomaban leche, 130 personas tomaban té o leche y
150 tomaban café o leche
a) ¿Cuántas personas tomaban té puro?.
b) ¿Cuántas personas tomaban leche pura?.
c) ¿Cuántas personas tomaban café puro?.
d) ¿Cuántas personas no tomaba ninguna de estas tres cosas al desayuno?.

7. Sea A = {1, 2, 3, 4, 5}, B = {2, 4, 6}.

 Hallar A ∩ B = ?, A ∪ B = ?

8. Dado los conjuntos: A = {1, 2, 3, 4, 5, 7}, B = {3, 4, 6}. C = {1, 2, 4, 8, 9, 5}

Hallar A ∪ B = ?, A ∪ C = ?, B ∪ C = ?, A ∩ B = ?, A ∩ C = ?, B ∩ C = ?

9. Dado los conjuntos: A = {1, 2, 3, 4, 5, }, B = {2, 4, 6}. C = { 2, 4, 8, 9,}

Hallar A ∪ B = ?, A ∪ C = ?, B ∪ C = ?, A ∩ B = ?, A ∩ C = ?, B ∩ C = ?

10. Dado los conjuntos: A = {a, b, c, d, e}, B = {a, e}. C = {d, f, g}

Hallar A ∪ B = ?, A ∪ C = ?, B ∪ C = ?, A ∩ B = ?, A ∩ C = ?, B ∩ C = ?

11. Dado los conjuntos: A = {c, h, a, t}, B = {c, h, a, r , m}. C = {h, r, t, n}

Hallar A ∪ B = ?, A ∪ C = ?, B ∪ C = ?, A ∩ B = ?, A ∩ C = ?, B ∩ C = ?

12. Se llevó a cabo una investigación con 1000 personas, para determinar que
medio utilizan para conocer las noticias del día. Se encontró que 400 personas
escuchan las noticias en forma regular por TV, 300 personas escuchan las
noticias por la Radio y 275 se enteran de las noticias por ambos medios.
a.-¿Cuántas de las personas investigadas se enteran de las noticias solo por la
TV?.
b.-¿Cuántas de las personas investigadas se enteran de las noticias solo por
Radio?.
c.-¿Cuántas de las personas investigadas no escuchan ni ven las noticias?.

13. Se realizó una encuesta a 11 personas, sobre sus preferencias por dos tipos de
productos A y B. Obteniéndose lo siguientes resultados:
El número de personas que prefirieron uno solo de los productos fueron 7.
El número de personas que prefirieron ambos productos fue igual al número de
personas que no prefirió ninguno de los dos productos.
El número de personas que no prefieren el producto A y prefirieron el producto B
fueron 3.
Se desea saber:
a.-¿Cuántas personas prefieren el producto A?.
b.-¿Cuántas personas prefieren el producto B solamente?.
c.-¿Cuántas personas prefieren ambos productos?.

14. Se le preguntó a un grupo de 10 estudiantes sobre sus preferencias por dos

marcas de refrescos Pepsi y Coca Cola. Obteniéndose lo siguientes resultados:
El número de estudiantes que prefirieron Pepsi pero no Coca Cola fue de 3.
El número de estudiantes que no prefirieron Pepsi fueron 6.
Se desea saber:
a.-¿Cuántos de los encuestados prefirieron Pepsi?
b.-¿ Cuántos de los encuestados prefirieron Coca Cola?
c.-¿ Cuántos de los encuestados prefirieron Pepsi o Coca Cola?
.
Tema 3. Definición y propiedades de la permutación. Definición y propiedades de la
variación. Definición y propiedades de la combinación. Técnicas de conteo.

Conteo
Uno de los problemas que el estadístico debe considerar e intentar evaluar es el
elemento de aleatoriedad asociado con la ocurrencia de ciertos eventos cuando se
realiza un experimento. En muchos casos debemos ser capaces de resolver problemas
mediante el conteo del número de puntos en un conjunto, sin listar realmente cada
elemento.

Suponga que se encuentra al final de una línea de ensamble un producto y que un

supervisor le ordena contar los elementos de un lote que se ha manufacturado hace
unas horas y del que se desconoce el número de productos que lo constituyen, de
inmediato usted empezará a contar un producto tras otro y al final informará al
supervisor que son, 48, 54 u otro número cualquiera. Ahora suponga que ese mismo
supervisor le plantea la siguiente pregunta ¿cuántas muestras o grupos será posible
formar con los productos del lote, si las muestras o grupos a formar son de ocho
elementos de cada una de ellas?.

En el primer caso, cuantificar los elementos del lote no presenta dificultad alguna para
la persona encargada de hacerlo, pero cuando se le hace el segundo planteamiento, al
tratar de formar las muestras o grupos de ocho elementos la persona encargada
empezará a tener dificultad para hacerlo, en casos como este es necesario hacer uso
de las técnicas de conteo para cuantificar los elementos del evento en cuestión (el
número de muestras posibles a formar de ocho elementos), luego, ¿qué son las
técnicas de conteo?

Las técnicas de conteo son aquellas que son usadas para

enumerar eventos difíciles de cuantificar.

Se les denomina técnicas de conteo a las combinaciones, permutaciones y diagrama

de árbol, las que a continuación se explicarán. Éstas nos proporcionan la información
de todas las maneras posibles en que ocurre un evento determinado. Las bases para
entender el uso de las técnicas de conteo son el principio multiplicativo y el aditivo.

Principio multiplicativo:
Si se desea realizar una actividad que consta de r pasos, en donde el primer paso de la
actividad a realizar puede ser llevado a cabo de N1 maneras o formas, el segundo
paso de N2 maneras o formas y el r-ésimo paso de Nr maneras o formas, entonces
esta actividad puede ser llevada a efecto de N1 x N2 x...x Nr maneras o formas.

El principio multiplicativo implica que cada uno de los pasos de la actividad debe ser
llevados a efecto, uno tras otro.

Ejemplo 1: una persona desea construir su casa, para lo cual considera que puede
construir los cimientos de su casa de cualquiera de dos maneras (concreto o usando
bloques de cemento), mientras que las paredes las puede hacer de adobe, adobón o
ladrillo, el techo puede ser de concreto o lámina galvanizada y por último los acabados
los puede realizar de una sola manera ¿cuántas maneras tiene esta persona de
construir su casa?

Solución:
Considerando que r = 4 pasos
N1= maneras de hacer cimientos = 2
N2= maneras de construir paredes = 3
N3= maneras de hacer techos = 2
N4= maneras de hacer acabados = 1

N1 x N2 x N3 x N4 = 2 x 3 x 2 x 1 = 12 maneras de construir la casa

Ejemplo 2: ¿Cuántas placas para automóvil pueden ser diseñadas si deben constar de
tres letras seguidas de cuatro números, si las letras deben ser tomadas del abecedario
y los números de entre los dígitos del 0 al 9?, a. Si es posible repetir letras y números,
b. No es posible repetir letras y números, c. Cuántas de las placas diseñadas en el
inciso b empiezan por la letra D y empiezan por el cero, d. Cuantas de las placas
diseñadas en el inciso b empiezan por la letra D seguida de la G.

Solución:
a. Considerando 26 letras del abecedario y los dígitos del 0 al 9

26 x 26 x 26 x 10 x 10 x 10 x 10 = 75760000 que son posibles diseñar

b. 26 x 25 x 24 x 10 x 9 x 8 x 7 = 78624000 placas para automóvil
c. 1 x 25 x 24 x 1 x 9 x 8 x 7 = 302400 placas para automóvil
d. 1 x 1 x 24 x 10 x 9 x 8 x 7 = 120960 placas para automóvil

Principio aditivo
Si se desea llevar a efecto una actividad, la cual tiene formas alternativas para ser
realizada, donde la primera de esas alternativas puede ser realizada de M maneras o
formas, la segunda alternativa puede realizarse de N maneras o formas, y la última de
las alternativas puede ser realizada de W maneras o formas, entonces esa actividad
puede ser llevada a cabo de M + N + ...+ W maneras o formas.

Ejemplo 1: una persona desea comprar una lavadora de ropa, para lo cual ha pensado
que puede seleccionar de entre las marcas Whirpool, Easy y General Electric, cuando
acude a hacer la compra se encuentra que la lavadora de la marca W se presenta en
dos tipos de carga ( 8 u 11 kilogramos), en cuatro colores diferentes y puede ser
automática o semiautomática, mientras que la lavadora de la marca E, se presenta en
tres tipos de carga (8, 11 o 15 kilogramos), en dos colores diferentes y puede ser
automática o semiautomática y la lavadora de la marca GE, se presenta en solo un tipo
de carga, que es de 11 kilogramos, dos colores diferentes y solo hay semiautomática.
¿Cuántas maneras tiene esta persona de comprar una lavadora?.

Solución:
M = Número de maneras de seleccionar una lavadora Whirpool
N = Número de maneras de seleccionar una lavadora de la marca Easy
W = Número de maneras de seleccionar una lavadora de la marca General Electric

M = 2 x 4 x 2 = 16 maneras
N = 3 x 2 x 2 = 12 maneras
W = 1 x 2 x 1 = 2 maneras
M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora

PARA RESOLVER POR EL ESTUDIANTE: Jhon desea ir a las Vegas o a

Disneylandia en las próximas vacaciones de verano, para ir a las Vegas él tiene tres
medios de transporte para ir de Chihuahua al Paso Texas y dos medios de transporte
para ir del Paso a las Vegas, mientras que para ir del Paso a Disneylandia él tiene
cuatro diferentes medios de transporte, a) ¿Cuántas maneras diferentes tiene Rafael
de ir a las Vegas o a Disneylandia?.

¿Cómo podemos distinguir cuando hacer uso del principio multiplicativo

y cuando del aditivo?

Es muy simple, cuando se trata de una sola actividad, la cual requiere para ser llevada
a efecto de una serie de pasos, entonces haremos uso del principio multiplicativo y si la
actividad a desarrollar o a ser efectuada tiene alternativas para ser llevada a cabo,
haremos uso del principio aditivo.

Permutaciones:
Con frecuencia nos interesa saber las posibles ordenaciones o arreglos de un grupo de
objetos de un conjunto que contiene n elementos. Por ejemplo, cuando queremos
saber cuántos arreglos diferentes son posibles para sentar a seis personas alrededor
de una mesa, o cuando nos preguntamos cuántas ordenaciones diferentes son
posibles para sacar dos billetes de lotería de un total de 20. En este caso los diferentes
arreglos se llaman permutaciones. O sea que la permutación es la variación del orden o
de la disposición de los elementos de un conjunto. O sea que las permutaciones son
una forma especial de ordenamiento de los elementos de un conjunto.

Se llaman permutaciones de un conjunto, o permutaciones de los elementos de un

conjunto, a las posibles formas de ordenar dichos elementos, y si el conjunto tiene n
elementos distintos, el número de permutaciones de estos n elementos es igual a n!

El número de permutaciones de n objetos es n!. Esto porqué los n objetos distintos se

pueden arreglar en n(n – 1)(n – 2) ··· (3)(2)(1) formas, lo cual da origen a la notación ya
señalada.

Entonces se tiene el símbolo n!, el cual se denomina factorial de n, escrito n!, es el

producto de los enteros entre 1 y n; así, el factorial de 6 es: 6! = 6x5x4x3x2x1 = 720.
Nota, el 0! = 1, ya que tenemos 0 elementos, hay exactamente una forma de
ordenarlos, o sea ¡no tomar ninguno!.

Ejemplo: Considere las tres letras a, b y c. Las permutaciones posibles son abc, acb,
bac, bca, cab y cba, por lo tanto, vemos que hay 6 arreglos distintos.

Hay n1= 3 opciones para la primera posición. Sin importar cuál letra se elija, siempre
habrá n2= 2 opciones para la segunda posición. Por último, independientemente de
cuál de las dos letras se elija para las primeras dos posiciones, sólo hay n3= 1 elección
para la última posición, lo que da un total de n1n2n3 = (3)(2)(1) = 6 permutaciones.

Ahora se sabe que el número de permutaciones de las cuatro letras a, b, c y d será 4! =

24. Consideremos ahora el número de permutaciones que son posibles tomando dos
de las cuatro letras a la vez. Éstas serían ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db y dc.
Matemáticamente esto se expresa de la siguiente manera:

n!
Prn 
(n  r)! ; Esta ecuación indica el número de permutaciones de n objetos

distintos tomados de r veces a la vez.

4! 24
P24    12 ,
En el ejemplo anterior:
(4  2)! 2 donde ya las posibles

combinaciones fueron indicadas.

La forma anterior de permutación es homologa a la variación, siendo incluso la misma

forma de calcularse. Formalmente se define como los distintos grupos formados por n
elementos de forma que no entran todos los elementos, sí importa el orden y no se
repiten los elementos.

n!
Vrn 
(n  r)!

Ejemplos:
1. Calcular las variaciones de 6 elementos tomados de tres en tres.
6!
V36   120
(6  3)!

En muchos problemas nos interesamos en el número de formas de seleccionar r

objetos de n sin importar el orden. Tales selecciones se llaman combinaciones. Una
combinación es realmente una partición con dos celdas, donde una celda contiene los
n objetos seleccionados y la otra contiene los (n – r) objetos restantes. El número de
tales combinaciones se denota mediante la siguiente ecuación:

n!
Cnr 
r! (n  r)!

Una combinación es una selección de objetos

sin importar el orden en que se escogen.
Diagrama de árbol
Es una representación gráfica de un experimento que consta de r pasos, donde cada
uno de los pasos tiene un número finito de maneras de ser llevado a cabo. Este tipo de
diagramas ofrece una visión sencilla y concentrada del análisis de situaciones
complejas.

Características de los diagramas de árbol:

Impacto visual: muestra todos los factores o elementos que contribuyen a un efecto u
objetivo de forma ordenada, clara, precisa y de un sólo "impacto de vista".
Enfoque estructurado: sistematiza el análisis de una situación, o la planificación para
alcanzar un objetivo facilitando su desarrollo incluso en casos muy complejos.
Concreción: desglosa conceptos generales hasta un grado idóneo de detalle, que
permite traducirlos directamente en acciones o elementos básicos y operativos.

Los diagramas de árbol dan pie al arreglo de los datos de un experimento o de una
serie de elementos. Entonces si se tiene un conjunto de n elementos, se denomina
arreglo de tamaño r a todos los conjuntos de los r elementos escogidos entre los n, t al
que un conjunto difiere del otro en al menos un elemento o en el orden en que son
considerados los elementos.

Ejemplo: Suponga que ud realiza el lanzamiento 4 veces, de una moneda de dos caras.
Como esquematizaría este experimento mediante el uso de un diagrama de árbol?

Ejercicios para desarrollar por el estudiante

1. Cinco personas están en la hilera de un cine. ¿En cuántas maneras diferentes
se pueden ordenar?.
2. Seis salvavidas están disponibles para la guardia de un sábado por la tarde. Hay
tres estaciones salvavidas. ¿De cuántas maneras se pueden elegir y organizar
los tres salvavidas entre las estaciones?.
3. A cierto evento asisten 30 personas y se elegirá aleatoriamente a cinco para
recibir premios. Estos últimos son iguales, así que el orden en que se elige a las
personas no es importante. ¿Cuántos grupos diferentes de cinco personas se
puede elegir?.
 4. Se lanza un dado 20 veces. En virtud de que en tres de las tiradas salió el
número 1, en cinco el 2, en cuatro el 3, en dos el 4 y en tres el 6, ¿cuántos
arreglos diferentes de resultados hay?.
5. Las moléculas de ADN constan de secuencias químicamente enlazadas a las
bases adenina, guanina, citosina y tiamina, denotadas por A, G, C y T. Una
secuencia de tres bases se llama codón. a) ¿Cuántos codones diferentes hay?.
b) Las bases A y G son purinas, mientras que las C y T son pirimidínicas.
¿Cuántos codones hay cuya primera y tercera bases son purinas y cuya
segunda base es una pirimidínica?. c) ¿Cuántos codones constan de tres bases
diferentes?. D) ¿Cuantas bases son posibles de obtener?.
6. En cierto estado, las placas constan de tres letras seguidas de tres números. a)
¿Cuántas placas diferentes se pueden hacer?. b) ¿Cuántas placas diferentes se
pueden hacer de tal forma que ninguna letra o número aparezca más de una
vez?. c) Una placa se elige aleatoriamente. ¿Cuál es la probabilidad de que
ninguna letra o número aparezca más de una vez?.
7. Un comité de ocho personas debe elegir un presidente, un vicepresidente y un
secretario. ¿De cuántas maneras se puede hacer esta selección?.
8. De cuantas manera se pueden arreglar las siguientes palabras: a. aérea, b.
estadística, c. numerología, d. procesos, e. reconocer, f. anilina, g. Yatay, h.
Torrot, i. Neuquen, j. Okonoko, j. Itati (nota: de la letra g en adelante son lugares,
investigue por cultura general su ubicación!).
9. Un experimentador está estudiando los efectos de la temperatura, la presión y el
tipo de catalizador en la producción de cierta reacción química. Tres diferentes
temperaturas, cuatro presiones distintas y cinco catalizadores diferentes se
están considerando. a. Si cualquier experimento particular implica utilizar una
temperatura, una presión y un catalizador, ¿cuántos experimentos son
posibles?. b. ¿Cuántos experimentos existen que impliquen el uso de la
temperatura más baja y dos presiones bajas?. c. Suponga que se tienen que
realizar cinco experimentos diferentes el primer día de experimentación. Si los
cinco se eligen al azar de entre todas las posibilidades, de modo que cualquier
grupo de cinco tenga la misma probabilidad de selección, ¿cuál es la
probabilidad de que se utilice un catalizador diferente en cada experimento?.
10. Un barco dispone de 8 banderas. ¿Cuántas señales puede mostrar si cada señal
consiste en tres banderas colocadas verticalmente en un asta?.

Tema 4. Aleatoriedad. Espacio muestral y eventos. Definición de probabilidad y sus

axiomas. Probabilidad empírica, subjetiva y clásica. Teoremas elementales de
probabilidad. Probabilidad condicionada, diagramas de árbol y teorema de Bayes.
Probabilidad conjunta y marginal. Independencia de eventos. Esperanza matemática y
toma de decisiones.

¡Lo probable es lo que ocurre diariamente!. Aristóteles.

Debe haber quedado claro que la estadística trata básicamente con la presentación e
interpretación de resultados fortuitos que ocurren en un estudio planeado o en una
investigación científica. Dichos datos son denominados con el término “observación
(X)” el cual es cualquier registro de información, ya sea numérico o categórico. Ahora
bien, si lo que se desea es utilizar la información obtenida para realizar conclusiones
generales sobre aquellos objetos que fueron estudiados, entonces esos métodos
constituyen el inicio del análisis. Por ello debe recurrirse a la inferencia estadística, la
cual trae como consecuencia usar los preceptos básicos de la teoría de probabilidad.

Una teoría matemática poco conocida: “La Ley de Benford”.

La Ley de Benford, llamada de esta manera en honor a quien la descubrió, un físico que trabajaba en la
empresa “General Electric®”, es una de las teorías matemáticas más curiosas, en principio porque
parece referirse a una especie de orden en medio de la aleatoriedad matemática pero también por su
aparición en la naturaleza. Dicha ley se refiere específicamente a “cómo los humanos usamos los
números en la práctica a partir de conjuntos procedentes de la naturaleza".

La ley establece que si se analiza cualquier conjunto numérico, serán mucho más frecuentes aquellos
cuyo primer dígito sea un 1. Esto es así y a tal punto que de acuerdo a varios estudios, el 30% de los
números comienzan con 1. A partir de allí, el porcentaje disminuye gradualmente: 17,6% para el número
2, 12,5% para el 3, hasta llegar al 9, con sólo un 4,6%.

Mediante la Ley de Benford se han estudiado y predicho terremotos, el brillo de los rayos gama
(detectados por el telescopio Fermi), la rotación de los púlsares (es una clase especial de estrella
variable) y 987 enfermedades infecciosas reportadas a la Organización Mundial de la Salud en el año
2007. La ley es tan curiosa que cuando un investigador australiano presentó los resultados, en un evento
de geografía, algunos asistentes comenzaron a reír pensando que se trataba de una broma.

Pero si piensan que la Ley de Benford puede no ser más que una curiosidad de la matemática, están
muy equivocados, ya que mediante el uso de esta ley se predijo un terremoto. El equipo estaba
analizando los datos sísmicos de la región australiana y si bien en general coincidían, eran distintos a los
analizados en otras zonas. Comenzaron a ver los datos con más detalles y descubrieron que se estaba
produciendo en ese mismo momento un terremoto que, si lo incorporaban a los datos, resolvía todas las
discrepancias. En palabas de Theodore Hill, matemático norteamericano que colaboró en la
investigación: “es la primera vez que se descubre un fenómeno físico utilizando la Ley de Benford”.

Fenómenos naturales como los terremotos son prácticamente imposibles de predecir. ¿Quién se hubiera
imaginado que podríamos estar ante uno de los primeros métodos de predicción con la curiosa ley
matemática que simplemente establece que el número 1 es el más popular?.

Todos los días nos hacemos preguntas relacionada con probabilidad e incluso los que
poco saben de matemática tienen una idea intuitiva de su definición. Ejemplo: ¿cuál es
la probabilidad de que apruebe algebra booleana con 10 o más?. ¿Cuál es la
probabilidad de que no llueva el fin de semana para ir a la playa?. ¿Cuál es la
probabilidad de que una bombilla incandescente dure más de 1000 horas?. ¿Cuál es la
probabilidad de encontrar 5, 6 o 10 productos defectuosos al analizar 100 productos de
una línea de producción?.

Mediante el análisis de probabilidades se establecen las reglas para el estudio de los

experimentos aleatorios o de azar, siendo estas las bases para estudiar la estadística
inductiva o inferencial.

¿Qué es un experimento aleatorio?

Los estadísticos utilizan la
Es un experimento que se puede repetir indefinidamente, palabra experimento para
describir cualquier proceso
siempre en las mismas condiciones. Para este experimento no
que genere un conjunto de
es posible predecir el resultado que se puede obtener, aunque datos.
si se realiza un número de veces lo suficientemente grande si Se usa para expresar
se puede predecir el resultado con una determinada una aparente carencia
de propósito.
probabilidad de realización. Finalmente, los resultados que se
obtienen pertenecen a un conjunto conocido de resultados
posibles.

En estadística interesan, en particular, las observaciones que se obtienen al repetir

varias veces un experimento. En la mayoría de los casos los resultados dependerán del
azar, por lo tanto, no se pueden predecir con certeza.

Aun cuando lancemos una moneda al aire repetidas veces, no podemos tener la
certeza de que en un lanzamiento determinado obtendremos cara como resultado. Sin
embargo, conocemos el conjunto completo de posibilidades para cada lanzamiento.
Dicho conjunto se denomina espacio muestral, y se define de la siguiente manera:

El espacio muestral es el conjunto de todos los posibles resultados de un experimento

aleatorio. Se denota con la letra S.
El espacio muestral:
Es fundamental del proceso de utilizar los fenómenos aleatorios.
Es un descriptor importante del resultado de un experimento aleatorio.
Da las bases para medir las probabilidades de los sucesos.

A cada resultado en un espacio muestral se le llama elemento o miembro del espacio

muestral, o simplemente punto muestral. Si el espacio muestral tiene un número finito
de elementos, podemos listar los miembros separados por comas y encerrarlos entre
llaves.

Desarrolle el siguiente ejemplo: Suponga que se seleccionan, de forma aleatoria, tres

artículos de un proceso de fabricación. Cada artículo se inspecciona y se clasifica como
defectuoso, D, o no defectuoso, N. Obtenga todos los posibles resultados de dicho
experimento aleatorio.

En cualquier experimento dado, podríamos estar interesados en la ocurrencia de

ciertos eventos, más que en la ocurrencia de un elemento específico en el espacio
muestral. Esto quiere decir que queremos entonces estudiar un subconjunto del
espacio muestral.

Un evento, suceso aleatorio o acontecimiento es un subconjunto del espacio

muestral de un experimento aleatorio. Ello quiere decir que es un resultado concreto.
Se denotan como A, B, C, …

Para cada evento asignamos un conjunto de puntos muestrales, que constituye un

subconjunto del espacio muestral. Este subconjunto representa la totalidad de los
elementos para los que el evento es cierto.

Realicemos el experimento de lanzar una monedas al aire tres veces y analicemos los
resultados de los sucesos de obtener exactamente dos caras?
Determine los sucesos aleatorios en los cuales salgan exactamente dos caras.
A= C, C, S; B= C, S, C; C= S, C, C.

Determine los sucesos aleatorios en los cuales salgan exactamente dos sellos.
M= C, S, S; D= S, S, C; E= S, S, C.

Ejercicio: Considere el experimento aleatorio de lanzar un dado perfecto de 6 caras.

Determine S e indique los eventos, o eventos aleatorios, de obtener un número par, un
número impar, un número mayor de 3 y un número mayor o igual a 3.

Uno de los problemas que el estadístico debe considerar e intentar evaluar es el

elemento de aleatoriedad asociado con la ocurrencia de ciertos eventos cuando se
realiza un experimento. En muchos casos debemos ser capaces de resolver un
problema de probabilidad mediante el conteo del número de puntos en el espacio
muestral, sin listar realmente cada elemento.

Probabilidad.
El desarrollo de la teoría de la probabilidad fue
financiada por apostadores en el siglo XVII, AZAR
quienes contrataron a algunos matemáticos Fenómeno que permite cierta
famosos para que calculasen la probabilidad predictibilidad de forma
correcta de ciertos juegos de azar. Con el tiempo, general, pero que analizado a
la gente se dio cuenta de que los procesos pequeña escala es
científicos también son azarosos y desde impredecible.
entonces se han empleado métodos de
probabilidad para estudiar el entorno físico.
La probabilidad es un método por el cual se obtiene la frecuencia de un acontecimiento
determinado mediante la realización de un experimento aleatorio, del que se conocen
todos los resultados posibles, bajo condiciones suficientemente estables. A esta
definición está asociado el concepto de azar.

La probabilidad es un método por el cual se obtiene la frecuencia de un

acontecimiento determinado mediante la ocurrencia de un experimento aleatorio, del
cual se conocen todos los resultados posibles, bajo condiciones suficientemente
estables. La probabilidad está íntimamente relacionada a la definición de azar, y esta
teoría sostiene que azar significa “sin orden”.

Probabilidad frecuentista o empírica:

Cuando se realiza un experimento aleatorio un número muy elevado de veces, las
probabilidades de los diversos posibles sucesos empiezan a converger hacia valores
determinados, son sus respectivas probabilidades.

Ejemplo: si lanzo 1 vez 1 moneda al aire y sale "cara", quiere decir que el suceso
"cara" ha aparecido el 100% de las veces y el suceso "sello" es 0%.

Si lanzo diez veces la moneda al aire, es posible que el suceso "cara" salga 7 veces y
el suceso "sello" las 3 restantes. En este caso, la probabilidad del suceso "cara" ya no
sería del 100%, sino que se habría reducido al 70%.

Si repito este experimento un número elevado de veces, lo normal es que las

probabilidades de los sucesos "cara" y "sello" se vayan aproximando al 50% cada una.
Este 50% será la probabilidad de estos sucesos según el modelo frecuentista o
empírico.

Matemáticamente la probabilidad frecuentista o empírica se define de la siguiente

manera:

; donde:

El problema de la noción frecuentista de probabilidad es que el mismo requiere realizar

un experimento aleatorio un número infinito de veces para poder calcular una
probabilidad. Por ejemplo, se debe lanzar infinitas veces un dado perfecto de seis caras
para observar que las frecuencias relativas de la aparición de cada valor numérico es
1/6.

Probabilidad subjetiva o personal: es cuando la interpretación de la probabilidad no

tiene su fundamento en la frecuencia de ocurrencia y se interpreta como el grado de
creencia que tiene una persona con respecto a la ocurrencia de la afirmación.
Ejemplo: ¿hoy lloverá?. ¿Qué equipo de beisbol ganará esta temporada?.

Definición de probabilidad clásica (o Regla de La Place): si un experimento que

está sujeto al azar, resulta de n formas igualmente probables y mutuamente
excluyentes, y si nA de estos resultados tienen un atributo A, la probabilidad de A es la
proporción de nA con respecto a n. Matemáticamente se expresa de la siguiente
manera:
nA
PA 
n
Para hacer una definición rigurosa de probabilidad, necesitamos precisar ciertas leyes
o axiomas que debe cumplir una función de probabilidad.

Axiomas de la probabilidad: son las

Recordemos que, en líneas generales, un axioma
condiciones mínimas que se deben verificar
es una proposición evidente y se acepta sin
para que una función definida sobre un requerir demostración previa. En otras palabras son
conjunto de sucesos determine verdades incuestionables, universalmente válidas y
evidentes, que se utilizan frecuentemente como
consistentemente sus probabilidades.
principios en la construcción de una teoría o como
Dichos axiomas fueron formulados por base para su argumentación.
Kolmogorov en 1933.

Dado un espacio muestral S, se puede indicar que P es una probabilidad sobre A si se

pueden verificar los siguientes axiomas:

Primer axioma: La probabilidad de un suceso A es un número real mayor o igual que

cero. P(A) > 0.

Segundo axioma: la probabilidad del total de eventos es igual a 1. P(A) + P(B) + … +

P(N) = 1.

Tercer axioma: si A, B, C son eventos mutuamente excluyentes (son disyuntos),

entonces: P(AB)= P(Ai). según este axioma se puede calcular la probabilidad de un
evento compuesto de varias alternativas mutuamente excluyentes sumando las
probabilidades de sus componentes.

Escriba los siguientes axiomas por diagramas de VE:

P(S)= 1; 0 < P(S) < 1 ; P(AB) = P(A) + P(B) si AB = .

Teoremas de probabilidad: son propiedades que se deducen de los axiomas.

Teorema 1: la probabilidad de un evento nulo es cero, P()= 0.

Teorema 2: La probabilidad se expresa como un número entre 1 y 0, donde 1 es la

certeza de que suceda un evento, y 0 es la certeza de que no sucederá.

Teorema 3: si P(A) es la probabilidad de que suceda un evento A, entonces la

probabilidad de que no suceda A es P(B) = 1 – P(A).
Ejemplo: si la probabilidad de encontrar una pieza defectuosa en una línea de
producción es 0.05 ¿Cuál es la probabilidad de encontrar una no defectuosa?. R: P(A)
= 1 – 0.05 = 0.950
Teorema 4: o “Ley Aditiva de la probabilidad” Si A y B son eventos mutuamente
excluyentes, la probabilidad de que suceda el evento A o el evento B es igual a la suma
de sus probabilidades respectivas.
Mutuamente excluyente quiere decir que la ocurrencia de un evento hace que la del
otro evento sea imposible.

Teorema 5: si el evento A y el evento B no son mutuamente excluyentes, la

probabilidad de que suceda el evento A o el evento B, o ambos es:
P(A o B o ambos) = P(A) + P(B) – P(ambos).
Los eventos que no son mutuamente excluyentes son los que tienen algunos
resultados en común.
Teorema 6: la suma de las probabilidades de los eventos en una situación es igual a 1.
P(A) + P(B) + … + P(N) = 1.
Teorema 7: (Ley Multiplicativa de Probabilidad). Si A y B son eventos independientes,
la probabilidad de que ocurran A y B es igual al producto de sus probabilidades
respectivas.
Teorema 8: si A y B son eventos dependientes, la probabilidad de que ocurran A y B es
igual al producto de la probabilidad de A por la probabilidad de que si sucede A suceda
también B. P(A y B) = P(A) x P(B/A); donde la P(B/A) = Probabilidad del evento B,
siempre que haya ocurrido el evento A.

Probabilidad y combinatoria. Ya en el tema 3 de la asignatura se definieron las

técnicas de combinar, ahora veamos cómo se usan las mismas para calcular
probabilidades.

Ejemplo: se tiene una caja con 70 pelotas de diferentes colores: 8 rojas, 10 blancas, 12
azules, 15 amarillas y 25 naranjas.

Se sacan dos pelotas al azar. ¿Cuál es la P de obtener una pelota amarilla y una roja?
¿Cuál es la P de sacar una roja y una azul? ¿Cuál es la P de sacar una amarilla y una
azul? ¿Cuál es la P de sacar una blanca y una naranja?.

RECUERDE DEL TEMA 1: Ello quiere decir que cuando se verbalice “O” la operación
matemática es “suma”, y cuando se verbaliza “Y” se
emplea es la “multiplicación”.

En el mismo caso anterior (de sacar dos pelotas de la caja): ¿Cuál es la P de sacar 1
pelota naranja o amarilla y una blanca? ¿Una roja o blanca y una azul? ¿Una blanca o
naranja y una amarilla? ¿Una azul o naranja y una amarilla?.

Si se sacan cinco pelotas al azar. ¿Cuál es la P de sacar una de cada color?.

¿Cuál es la P de sacar 2 blancas o 3 rojas y 7 naranja?. ¿Cuál es la P de sacar 3

amarillas o 3 naranja y 4 azul?. ¿Cuál es la P de sacar 2 amarillas o 2 azules y 2
rojas?.
Probabilidad condicional: es la probabilidad de que ocurra un evento B cuando se
sabe que ya ocurrió un evento A se llama probabilidad condicional y se denota con
P(B|A). El símbolo P(B|A) por lo general se lee como “la probabilidad de que ocurra B,
dado que ocurrió A”, o simplemente, “la probabilidad de B, dado A”.

Matemáticamente se define de la siguiente manera: La probabilidad condicional de B,

dado A, que se denota con P(B|A), se define como P (B |A) = P (A ∩ B)/ P (A),
siempre que P(A) > 0.

Ejemplo:
Si A y B son dos sucesos tales que:
P(A) = 0,4 P(B / A) = 0,25 P(B’) = 0,75
Calcula P(A  B) y P(A  B).

Solución:
a P(B) = 1 - P(B) = 0,75 – P(B') = 0,25
P(A  B) = P(A) · P(B) = 0,4 · 0,25 = 0,1
Así:
P(A  B) = P(A)  P(B) – P(A  B) = 0,4  0,5 - 0.1 = 0,55

Lo anterior da pie a la formulación del Teorema de Bayes, el cual permite el cálculo de

probabilidades después de haber sido realizado un experimento (probabilidades a
posteriori), basándose en el conocimiento de la ocurrencia de ciertos eventos que
dependan del evento estudiado, o sea, se parte de probabilidades conocidas antes de
efectuar el experimento (probabilidades a priori), las cuales son afectadas por las
probabilidades propias del experimento (las que aparecen durante la ocurrencia del
evento).

Probabilidad conjunta:
Ejemplo: considere el experimento aleatorio que consiste en seleccionar una pieza al
azar de una línea de producción entre tres fases: inicial, intermedio y final. La variable
se categoriza según si puede continuar a la siguiente fase en: apropiada,
medianamente apropiada y no apropiada. Los datos se presentan en el siguiente
cuadro.

Cuadro 2. Datos de evaluación de piezas al azar en tres niveles de producción de una

empresa.
Tipo uso
fase Aprop. Med. Aprop. No aprop.
Inicial 30 30 60
Intermedio 40 70 10
final 20 80 20
Analice los datos desde el punto de vista de probabilidad, e infiera sobre ellos.

Mediante la interpretación de los datos anteriores (evaluando la frecuencias relativas),

puede argumentarse que dados dos eventos A y B definidos claramente dentro del
espacio muestral S, la P(AB)=nij/n, y esta última recibe el nombre de probabilidad
conjunta.
Supongamos que en el ejercicio anterior el interés ahora recae en conocer la
probabilidad de las piezas en fase 1, sin importar la categoría de uso. Calcúlela!. Este
tipo de probabilidad se denomina probabilidad marginal, ya que para determinarla se
evaden una o más características del espacio muestral.

Independencia de eventos: al considerar la probabilidad condicional de un evento A,

dada la ocurrencia de otro evento B, siempre se implica que las probabilidades de A y
B son de alguna manera dependientes entre sí. Es decir, que la información con
respecto a la ocurrencia de B afectará la probabilidad de A.

Ahora suponga que la ocurrencia de B no tiene ningún efecto sobre la probabilidad de

B, esto se escribe como que P(A/B)= P(A), a pesar de que haya ocurrido el evento B.
Esto es lo que se conoce como independencia estadística.

Sean dos eventos A y B ubicados en un espacio muestral S, se dice que estos son
estadísticamente independientes si, P(A/B)= P(A)  P(AB)= P(A)*P(B).

Ejemplo: En el mismo ejercicio anterior. Determine si el evento “apropiado” es

independiente del nivel intermedio.

Se puede asumir de forma general que la frecuencia es una forma general de

probabilidad clásica. La frecuencia se puede estudiar de dos posibles formas:

Frecuencia absoluta (Fa): es la cantidad de veces que se repite un determinado valor

de la variable dentro de un conjunto. O lo que es igual al número de veces que este
valor aparece en el estudio. Frecuencia relativa (Fr): es el cociente entre la frecuencia
absoluta y el tamaño de la muestra. Frecuencia acumulada (Faa o Fra): proviene de
la suma de la frecuencia actual y la frecuencia anterior.

Notación estadística con índice o subíndice:

El símbolo Xj («X sub j») denota cualquiera de los n valores de X 1, X2; X3,..., Xn que una
variable X puede tomar. La letra j en Xj, representa cualquiera de los números 1, 2,
3,..., n, denominado índice o subíndice. También podemos utilizar como subíndice
cualquier otra letra distinta de j, como i, k, p, q, s.

Análisis de intervalos en estadística:

Un intervalo es un conjunto de valores comprendidos entre dos números dados, estén
estos incluidos o no.
Los intervalos pueden ser:

Abiertos: > o < No incluye los extremos.

Cerrados: > o < Incluye los extremos.

> o <
Mixtos: Un extremo incluido y el otro no.
> o <
La forma de escribir o verbalizar las relaciones de desigualdad en estadística, se
resumen en el siguiente cuadro:
“mayor que” o es “menor que”, mas de, menos de, después de, o antes
>o< de.

> Como mínimo, por lo menos, cuando menos, al menos, desde.

< Como máximo, a lo sumo, cuando mucho o hasta.

Ejemplo:
Se realiza un experimento aleatorio simple, el cual consiste en lanzar un dado octaedro
(de ocho caras), sin ningún tipo de truco. Lo primero es identificar la variable aleatoria y
de esa manera determinar el espacio muestral, posteriormente se obtienen las
probabilidades clásicas, para finalmente proceder a calcular las probabilidades
acumuladas en cada valor de la variable aleatoria. De todo lo explicado anteriormente
se desprenden los resultados presentados en el siguiente cuadro:
X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8

Donde X es la Variable Aleatoria (VA). X = son los puntos de la cara del dado. X = 1,
2, …, 7, 8. Nota: esta X es mayúscula.

xi = es una observación cualquier del espacio muestral. Nota: esta x es minúscula.

Pi = probabilidad puntual de cualquier valor de la cara del dado.

Pa = probabilidad acumulada en el punto indicado.

Se hará el análisis tomando en consideración todos los posibles arreglos a los cuales
puede estar sometido el axioma 0 < P(xi) < 1. Recuerde que, en líneas generales,
un axioma es una proposición evidente que no requiere demostración previa.

Determine cuál es la P(X < 5). Nota 1: en amarillo la observación que no está incluida
en el intervalo. Nota 2: escriba de acuerdo a lo indicado en el cuadro de verbalización
la expresión de las desigualdades indicadas en el problema.

X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8

Prob. clásica: P(x=1)  P(x=2)  P(x=3)  P(x=4) = ½.

Prob. acum.: P(X < 5) = Pa (5-1) = Pa(4) = ½.
Generalizando: P (X < xi) = Pa (Xi-1).
Determine cuál es la P(X < 5). Nota: en verde la observación que está incluida en el
intervalo.
X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8

Prob. clásica: P(x=1)  P(x=2)  P(x=3)  P(x=4)  P(x=5) = 5/8.

Prob. acum.: Pa (5) = Pa(5) = 5/8.
Generalizando: P (X < xi) = Pa (Xi).

Determine cuál es la P(X > 5).

X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8

Prob. clásica: P(x=6)  P(x=7)  P(x=8) = 1/8  1/8  1/8 = 3/8.

Prob. acum.: P(X > 5) = 1 – Pa(X < 5) = 1 – 5/8 = 3/8.
Generalizando: P (X > xi) = 1 – Pa (Xi).

Determine cuál es la P(X > 5).

X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8

Prob. clásica: P(x=6)  P(x=7)  P(x=8) = 3/8.

Prob. acum.: P(X > 5) = 1 – Pa(X < 5) = 1 – 4/8 = ½.
Generalizando: P (X > xi) = 1 – Pa (Xi-1).

Analicemos el caso en el cual los valores de la variable aleatoria se hayan entre dos
valores cualesquiera. En la notación generalizada, j > i.

Determinar la P (2 < X < 7)

X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8

Prob. clásica: P(x=3)  P(x=4)  P(x=5)  P(x=6) = ½.

Prob. acum.: Pa(x = 6) – Pa(x= 2) = 6/8 – 2/8 = ½.
Generalizando: P (xi < X < xj) = Pa (Xj-1) – Pa(xi).

Determinar la P (2 < X < 7)

X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8
Prob. clásica: P(x=2)  P(x=3)  P(x=4)  P(x=5)  P(x=6)  P(x=7) = ¾.
Prob. acum.: Pa(x = 7) – Pa(x= 1) = 7/8 – 1/8 = ¾.
Generalizando: P (xi < X < xj) = Pa (Xj) – Pa(xi-1).

Determinar la P (2 < X < 7)

X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8

Prob. clásica: P(x=2)  P(x=3)  P(x=4)  P(x=5)  P(x=6) = 5/8.

Prob. acum.: Pa(x = 6) – Pa(x= 1) = 7/8 – 1/8 = ¾.
Generalizando: P (xi < X < xj) = Pa (Xj-1) – Pa(xi-1).

Determinar la P (2 < X < 7)

X 1 2 3 4 5 6 7 8
Pi 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
Pa 1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8

Prob. clásica: P(x=2)  P(x=3)  P(x=4)  P(x=5)  P(x=6)  P(x=7) = 5/8.

Prob. acum.: Pa(x = 7) – Pa(x= 2) = 7/8 – 2/8 = 5/8.
Generalizando: P (xi < X < xj) = Pa (Xj) – Pa(xi).

Esperanza matemática (también llamada esperanza, valor esperado, media

poblacional, promedio o media): es una característica numérica que proporciona una
idea de la localización de la variable aleatoria sobre la recta real. Decimos que es un
parámetro de centralización o de localización. Su interpretación intuitiva o significado se
corresponde con el valor medio teórico de los posibles valores que pueda tomar la
variable aleatoria, o también con el centro de gravedad de los valores de la variable
supuesto que cada valor tuviera una masa proporcional a la función de densidad en
ellos.

Ejercicios para resolver por el estudiante:

1. La probabilidad de que un microcircuito esté defectuoso es 0.08. ¿Cuál es la
probabilidad de que no presente defectos?.
2. Una caja contiene cuatro focos de 40 W, cinco de 60 W y seis de 75 W. Si los
focos se eligen uno por uno en orden aleatorio, ¿cuál es la probabilidad de que
por lo menos dos focos deban ser seleccionados para obtener uno de 75 W?.
3. Un cajón en un tocador contiene ocho calcetines azules y seis blancos. Un
segundo cajón contiene cuatro calcetines azules y dos calcetines blancos. Se
elige un calcetín de cada cajón. ¿Cuál es la probabilidad de que combinen?.
4. El cuerpo humano puede contener uno o dos antígenos, A y B. A la sangre que
contiene sólo el antígeno A se le denomina tipo A, a la que contiene sólo el B se
le conoce como tipo B, a la que contiene a ambos se le llama tipo AB y a la
sangre que no contiene ninguno se le denomina tipo O. En cierto banco de
sangre, 35% de los donantes de sangre tiene el tipo de sangre A, 10% el tipo B y
5% el tipo AB. a) ¿Cuál es la probabilidad que se elija aleatoriamente a un
 donante de sangre de tipo O?. b) Un receptor con sangre tipo A puede recibir sin
ningún peligro de un donante sangre que no tenga el antígeno B. ¿Cuál es la
probabilidad de que un donante elegido aleatoriamente pueda donar al receptor
con sangre tipo A?.
5. Un ingeniero tiene en su mano dos cajas de resistores, cada una con cuatro de
éstos. resistores de la primera caja están etiquetados con 10 Ω (ohms), pero, de
hecho, sus resistencias son de 9, 10, 11 y 12 Ω. Los resistores de la segunda
caja tienen la etiqueta de 20 Ω, pero sus resistencias son de 18, 19, 20 y 21 Ω.
El ingeniero elige un resistor de cada caja y determina la resistencia de cada
uno. Sea A el evento para el cual el primer resistor tiene una resistencia mayor a
10, sea B el evento en el que el segundo resistor tiene una resistencia menor a
19 y sea C el evento en el cual la suma de las resistencias es igual a 28.
Determine un espacio muestral para este experimento y especifique los
subconjuntos que corresponden a los eventos A, B y C. determine a B  C y A 
Bc. Que cree ud que ocurra con la probabilidad de los eventos ¿B y C? ¿A y C?.
6. Clientes que compran cierta marca de automóvil pueden pedir un motor en
cualquiera de tres tamaños. De todos los automóviles vendidos, 40% tiene el
motor más pequeño, 30% tamaño mediano y 30% más grande. Los automóviles
en una prueba de emisiones dentro de los dos años de su compra fallan 12%
con el motor más pequeño, mientras que 15% de los de tamaño mediano y 10%
de los de motor más grande. ¿Cuál es la probabilidad de que un automóvil
elegido aleatoriamente no pueda fallar en una prueba de emisiones dentro de los
dos primeros años?. Si Ud. se elige aleatoriamente un registro de una prueba de
emisiones con falla. ¿Cuál es la probabilidad de que éste sea un automóvil con
un motor pequeño?. Nota: apóyese en el uso de diagrama de árbol para realizar
sus cálculos.
7. En una caja de pernos se encuentran ocho gruesos, cinco medianos y tres
angostos. Una caja de tuercas contiene seis que ajustan con los pernos gruesos,
cuatro que ajustan con los pernos medianos y dos que ajustan con los pernos
angostos. Se elige aleatoriamente un perno y una tuerca, ¿cuál es la
probabilidad de que la tuerca ajuste con el perno?.
8. Un cajón contiene seis calcetines rojos, cuatro verdes y dos negros. Se elige dos
calcetines aleatoriamente. ¿Cuál es la probabilidad de que combinen?.
9. Se tiene una caja con 35 pelotas de diferentes colores: 5 rojas, 6 blancas, 7
azules, 8 amarillas y 9 naranjas. Se sacan dos pelotas al azar. ¿Cuál es la P de
obtener una pelota amarilla y una roja?. ¿Cuál es la P de sacar una roja y una
azul?. ¿Cuál es la P de sacar una amarilla y una azul?. ¿Cuál es la P de sacar
una blanca y una naranja?.
10. La proporción de defectos en una línea de producción es 0,005. Está disponible
una prueba para detectar tales errores. Si un producto tiene la falla la prueba
tiene 0,99 de indicar una señal positiva. Si una pieza no tiene el defecto la P de
que la prueba de + es 0,01. Si un producto sale + en la prueba, ¿Cuál es la
probabilidad de que la pieza sea efectivamente defectuosa?.
11. En el proceso de producción de válvulas de motor, estas se someten a un primer
rectificado. Las válvulas que están dentro de las especificaciones se usan para
la instalación. Las válvulas más gruesas se rectifican y las más angostas se
desechan. Después del primer rectificado 70% satisface la especificación, 20%
 son re-rectificadas y 10% se desecha. Además suponga que las válvulas que
son nuevamente rectificadas 90% satisfacen la especificación y 10% se
desecha.
a) Determine la P de que la válvula se rectifique solo una vez.
b) Dado que una válvula se hace solo una vez ¿Cuál es la P que se deseche?.
c) Determine la P de que se deseche una válvula.
d) Dado que una válvula se desecha ¿Cuál es la P de que se rectifique dos veces?.
e) Determine la P de que la válvula satisfaga la especificación (después de la
primera o segunda rectificación).
f) Dado que una válvula satisface la especificación ¿Cuál es la P de que se haya
rectificado una vez?.

12. Se realiza el experimento de lanzar dos dados octaedro regulares (sin truco). A
partir del mismo: 1) Señale todas las combinaciones que se pueden hallar de tal
experimento.

Tema 5. Definición de variable aleatoria. Tipos de variable aleatoria. Distribución y

funciones de probabilidad de una variable aleatoria. Tipos de distribución de
probabilidad. Funciones de distribución acumulada.

El termino variable deriva del en latín variabilis, y es una palabra que representa a
aquello que está sujeto a algún tipo de cambio. Se trata de algo que s e caracteriza por
ser inestable e inconstante. En otras palabras, una variable es un símbolo que permite
identificar a un elemento no especificado dentro de un determinado grupo.

Por su parte, una variable estadística es una propiedad que puede fluctuar y cuya
variación es susceptible de adoptar diferentes valores, los cuales pueden medirse u
observarse. Las variables adquieren valor cuando se relacionan con otras variables, es
decir, si forman parte de una hipótesis o de una teoría.

Definición de variable aleatoria: Una variable aleatoria (v.a.) es una función que
asocia a cada resultado del espacio muestral un número real. Ello quiere decir que
nace debido a la necesidad de asociar a un suceso un número real.

Una variable aleatoria es una función que asocia un

número real con cada elemento del espacio muestral.

Como ya se había dicho en clase, se usa letra mayúscula X, para denotar una variable
aleatoria, y su correspondiente letra minúscula, x en este caso, para sus valores
puntuales.

Sea S un espacio muestral sobre el cual se encuentra definida una función de

probabilidad y sea X una función de valor real definida sobre S, de manera que
transforme los resultados de S en puntos sobre la recta real. Se dice entonces que X es
una variable aleatoria.
Se dice que X es aleatoria debido a que involucra la probabilidad de los resultados del
espacio muestral, y X es una función definida sobre el espacio muestral en cantidades
numéricas bien definidas.

Si un espacio muestral S contiene un número finito de posibilidades,

o una serie interminable con tantos elementos como números
enteros existen, se llama espacio muestral discreto.

Ejemplo:
En el lanzamiento de una moneda, el espacio muestral esta constituido por dos
posibles resultados (cara o sello), sea Xsello = 0, entonces la Xcara= 1. de esta manera
hemos transformado los dos posibles resultados en números que pueden
representarse en la recta real.

Por deducción entonces P(X=0) se entenderá al valor de que la variable X sea cero. O
es la probabilidad que la moneda caiga sello.

Se pueden clasificar las variables en una de dos categorías: cualitativas y cuantitativas.

Tipos de variable aleatoria:

Según la forma de medición: se puede hacer de forma cualitativa (datos categóricos)
o cuantitativa (datos métricos o numéricos) (Figura 1).

Variable cualitativa: es aquella variable que toma valores de tipo nominal o valores
que denotan una cualidad. A las mismas solo se les asigna un nombre. Ejemplo:
bueno/ malo, defectuosa / no defectuosa. Las mismas pueden ser 1) cualitativa ordinal,
la cual es aquella variable que es posible dotarlas de una relación de orden, ejemplo:
en un panel de degustación usted puede medir la respuesta de gusto de un producto
comestible de acuerdo a la escala excelente, buena, regular o mala. o 2) cualitativa
nominal que son aquellas variables que no admiten ningún tipo de jerarquía. Ejemplo:
colores de una etiqueta de un producto.

Variable cuantitativa: es la que asume valores o cantidades numéricas, de modo que

podemos realizar operaciones matemáticas entre estos resultados. Estas pueden ser 1)
discretas, cuando la variable tiene rango finito (El nombre de discreta se refiere a las
brechas discretas entre los posibles valores que la variable puede tomar.) o 2)
continuas, cuando el valor toma un como rango de intervalo (finito o infinito) de
números reales, o sea las variables continuas pueden tomar valores en cualquier punto
a lo largo de un intervalo de recta. Para cualesquier dos valores que se escojan, un
tercer valor siempre puede hallarse entre ellos.

Las variables cualitativas producen datos que se pueden clasificar de acuerdo a

similitudes o diferencias en clase; por lo tanto, con frecuencia se denominan datos
categóricos. Las variables como género, año y especialidad son variables cualitativas
que producen datos categóricos.
Por su parte, las variables cuantitativas, con frecuencia representadas por la letra X,
producen datos numéricos. Hay una diferencia en los tipos de valores numéricos que
pueden tomar las variables cuantitativas. El número de pasajeros, por ejemplo, puede
tomar sólo los valores X = 0, 1, 2, …, mientras que la masa de un paquete puede tomar
cualquier valor mayor a cero, o sea 0 < x < .

Figura 1. Esquema de los tipos de variable según su forma de medición.

Ejercicio: determine a qué tipo de variable se corresponde cada una de las siguientes
afirmaciones:
0. (ejemplo): La estatura de los individuos de una clase: cuantitativa, continua e
infinita.
1. El uso más frecuente de su horno de microondas (recalentar, descongelar, c alentar,
otros).
2. El número de consumidores que se niegan a contestar una encuesta por teléfono.
3. La puerta escogida por un ratón en un experimento de laberinto (A, B o C).
4. El tiempo ganador para un caballo que corre en el Derby de Kentucky.
5. El número de niños en un grupo de quinto grado que leen al nivel de ese grado o
Mejor.
6. Las rayaduras de latas de sardina.
7. El brillo de una estrella en la Galaxia Andromeda (en magnitud).
8. La masa de una templa de refino de azúcar de caña.
9. Los defectos mecánicos de una máquina.
10. La temperatura (ºC) del tiempo de recocido de tubos colapsibles.
11. La dureza de un bloque de cemento (kgf/cm2).
12. El tiempo de falla de un componente (min).
13. La biomasa de un bosque (T).
14. La fuga de aire de un empaque.
15. La tasa de crecimiento de una colonia de bacterias patógenas.
16. La cantidad de desecho generado en una ciudad (en kg).
17. El volumen de agua de lluvia (litros) que cae en 1m 2 de superficie.
18. El color de las flores de guisante.
19. La preferencia de un producto por parte de un consumidor.
20. El tiempo de parada de una máquina, catalogado como mucho, poco o ninguno.

Clasificación de las variables según el comportamiento o influencia:

Variables independientes: una variable independiente es aquella cuyo valor no
depende de otra variable. En estadística es la variable que se considera ser la causa
del fenómeno que se desea estudiar, o sea son las que investigador escoge para
establecer agrupaciones en el estudio. Para el caso de investigación experimental se
llama así a la variable que el investigador manipula, mientras que para cualquier
proceso industrial se denominan variables de control, las cuales modifican al resto de
las variables independientes y que de no tenerse en cuenta adecuadamente pueden
alterar los resultados por medio de un sesgo.

Variables dependientes: son aquellas variables que se tratan de cambiar mediante la

manipulación de la variable independiente, o sea que es el factor que es observado y
medido para determinar el efecto de la variable independiente. Estas se representan en
el eje de las ordenadas.

Rango de una variable aleatoria: se llama rango de una variable aleatoria X y lo

denotaremos RX, a la imagen o rango de la función X, es decir, al conjunto de los
valores reales que ésta puede tomar, según la aplicación X. Dicho de otro modo, el
rango de una v.a. es el recorrido de la función por la que ésta queda definida.

Ejemplo:
Suponga el lanzamiento de tres dados clásicos que no se diferencias entre sí. ¿Cómo
daría valores a los datos? ¿Cómo los ordenaría de acuerdo al tipo de variable?.

Con el desarrollo de este ejemplo se verán en la práctica lo que implica realizar la

distribución y función de probabilidad de una variable aleatoria.
Es importante dejar claro que el termino distribución de probabilidad se refiere a la
colección de valores de la variable aleatoria y también con la función de la distribución
de probabilidad acumulativa de X.

La distribución de probabilidad de una variable aleatoria es una función que asigna a

cada suceso definido sobre la variable aleatoria, la probabilidad de que dicho suceso
ocurra. La distribución de probabilidad está definida sobre el conjunto de todos los
sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria.

La distribución de probabilidad está completamente especificada por la función de

distribución, cuyo valor en cada x real es la probabilidad de que la variable aleatoria
sea menor o igual que x, o lo que es equivalente a realizar el análisis de las frecuencias
de las probabilidades del experimento aleatorio.

En general una variable aleatoria X representa los resultados de un espacio muestral

en forma tal que P(X=x), y esto se entiende como la probabilidad de que X tome el
valor de x. De esta forma, al considerar los valores de una variable aleatoria es posible
desarrollar una función matemática que asigne una probabilidad a cada realización X
de la variable aleatoria X.

Lo anterior nos permitió definir la distribución de probabilidad de una variable aleatoria

discreta (vad).
Se X una variable aleatoria discreta se llamará a p(x) = P (X= x), a la función de
probabilidad de la variable aleatoria X, si satisface las siguientes propiedades: 1) P(x)>
0, para todos los valores x de X y 2)  p(x)= 1.

En el caso de una vad, una variable X está caracterizada por la función de probabilidad
puntual p(x), la cual determina la probabilidad de que X=x, y por la función de
distribución acumulativa, la que representa la suma de las probabilidades puntuales
desde el valor x hasta el valor X inclusive.

Distribución de probabilidad de una variable aleatoria continua (dvac): en el caso

discreto, se asignaron probabilidades positivas a todos los valores puntuales de la
variable aleatoria, siendo la suma de ellas 1, a pesar de que el conjunto de valores sea
infinito contable. Allí radica la diferencia con este tipo de distribución, o sea que el
conjunto de valores no puede ser contable, por ello la probabilidad de que una variable
aleatoria continua tome valor 0 es consistente y obtenible.

La distribución de probabilidad de una variable aleatoria continua X está caracterizada

por una función f(x) que recibe el nombre de función de densidad de probabilidad. Esta
función f(x) no es la misma función de probabilidad que para el caso de la distribución
discreta. Como existe la probabilidad de que X tome el valor específico x=0 , la función
de densidad de probabilidad no representa la probabilidad de que X=x, mas bien este
tipo de distribución permite determinar la probabilidad de un intervalo a < X< b.

Ejemplo: supongamos que medimos el tiempo de elaboración de 100 piezas tipo A en

un proceso industrial. Se miden los tiempos en minutos y se agrupan los mismos en
una tabla, tal y como se muestra a continuación. NOTA CALCULE LOS ESPACIOS
FALTANTES.

Int. de prod. Piezas prod. Frec. rel. Frec. acum.

0 x1 2
1 x2 3
2 x3 4
3 x4 6
4 x5 8
5 x6 10
6x7 13
7x8 14
8x9 18
9x10 22

Suponga, que en vez de observar 100 piezas puede observar 1000, y que los puede
agrupar en 20 intervalos de 30 segundos de tiempo. O que puede observar 10000
piezas y agruparlos en intervalos de 15 segundos de tiempo.

Cuando se hace más pequeño el tiempo de observación, y se aumentan el númer o de

piezas observadas la frecuencia relativa parecerá una curva lisa.
Entonces la función f(x), cuya grafica es la curva limite que se obtiene para un número
muy grande de observaciones y con intervalos muy pequeños, es lo que se denomina
función de densidad de la variable aleatoria continua X. De forma general se dice,
en este caso, que el área debajo de la curva es 1.

Definición formal:
f(x) 0,    x  


 f ( x)dx  1;

y

b
P (a  X  b)   f ( x)dx
a
Gráficamente para cualesquiera a y b, f(x) la función de densidad de la probabilidad de
la variable aleatoria continua X se observa como se indica en la Figura 1.

Figura 1. Probabilidad ilustrada como el área bajo la curva de densidad.

Función de Distribución Acumulada:

La distribución de una variable aleatoria, independientemente del tipo de variable,
puede representarse también por su función de distribución, denotada como F(y).

Esta función asigna a cada valor de la variable un valor entre 0 y 1 que indica la
probabilidad de que la variable, observada para un caso particular, asuma un valor
menor o igual al valor en que se está evaluando la función. Por ejemplo, si F(30)=0,60
diremos que 0,60 es la probabilidad de que la variable se realice en un caso de análisis
particular con el valor de 30 o con un valor menor a 30. PARA ESTO SE HIZO EL
ANALISIS DE LAS FRECUENCIAS RELATIVAS ACUMULADAS EN CLASE.

No cualquier función matemática es útil para caracterizar una variable aleatoria, por el
contrario, las funciones de densidad y de distribución acumulada deben reunir una serie
de propiedades para que sea posible asignar probabilidades a los eventos de interés a
partir de las mismas. Desde el punto de vista teórico se han estudiado con suficiente
detalle un conjunto de funciones matemáticas que verifican las propiedades de las
funciones de distribución acumulada y de las funciones de densidad tanto para
variables discretas como para continuas. Luego, el técnico o investigador que no
conoce la función exacta que caracteriza a la variable aleatoria que está estudiando
puede, por conocimiento empírico, proponer alguna de las funciones, del conjunto de
funciones antes indicado, para describir el comportamiento de su variable. De la
habilidad para escoger una distribución adecuada, depende la calidad de los modelos y
las predicciones que se construyan.
Tema 6. Definición, propiedades y representación gráfica de la función de distribución
de una variable aleatoria discreta. Definición y representación gráfica de la función de
distribución de probabilidad acumulativa de una variable aleatoria discreta. Definición y
propiedades de la: esperanza, varianza, desviación estándar de una variable aleatoria
discreta. Definición y propiedades de las distribuciones: Discreta Uniforme, Binomial,
Hipergeométrica, Poisson, Geométrica. Aproximación de la de Poisson a la Binomial.

Variable aleatoria: es una función que asocia un número con el espacio muestral.
Cualquier variable aleatoria que toma dos posibles valores es denominada variable
aleatoria de bernoulli.

Definición de variable aleatoria discreta: es una variable que toma un número finito o
contable de valores. Para el estudio de este tipo de variables solo se requieren las
herramientas básicas de la aritmética: suma y resta.

Distribución de probabilidad de una variable aleatoria discreta: la distribución de

probabilidad de una variable aleatoria discreta no es más que la probabilidad que
toman los valores de la variable entre 0 y 1, incluidos ellos.

Distribución de probabilidad acumulada de una variable aleatoria discreta: la

distribución de probabilidad acumulada de una variable aleatoria discreta F(x), cuya
función de probabilidad es P(x), se define como F(x)= P(X<x) = P(y) , para cualquier
y:yx

número de X, F(x) es la probabilidad de que el valor observado de X será cuando

mucho X.

Realicemos las graficas de distribución de probabilidad y de distribución de

probabilidad acumulada del lanzamiento de dos dados balanceados:
X 2 3 4 5 6 7 8 9 10 11 12
Pi 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Pa 1/36 3/36 6/36 10/36 15/36 21/36 26/36 30/36 33/36 35/36 36/36

Grafica de Distribución de probabilidad Gráfica de distribución acumulada de

probabilidad

¿Qué ocurre con las distribuciones de las probabilidad cuando se lanzan uno, dos o
tres dados? ¿Qué puede inferir al respecto?.
Nota: normalmente las distribuciones de probabilidad de variables aleatorias discretas
se grafican usando barras.

Para desarrollar por el estudiante:

Ejercicio 1. Un cierto proceso industrial se realiza en seis fases, donde X es el número
de fase en la que se realiza el proceso. La distribución de probabilidad de X es como se
indica en el siguiente cuadro:
X 0 1 2 3 4 5 6
P(x) 0.05 0.10 0.15 0.25 0.20 0.15 0.10

Puede Ud considerar los datos anteriores una distribución de probabilidad?. Grafique la

distribución de probabilidad y la distribución acumulada de probabilidad.

Ejercicio 2. Seis lotes de componentes están listos para ser enviados a un proveedor.
El número de componentes defectuosos en cada lote es como sigue:
Lote 1 2 3 4 5 6
Piezas defectuosas 0 2 0 1 2 0

Realice el análisis de los datos, incluyendo las gráficas correspondientes.

Ejercicio 3. Realice el análisis de la variable aleatoria relacionada con el lanzamiento

de dos dados icosaedros perfectos, en el cual X: número de puntos por caras.

Esperanza matemática de una variable aleatoria discreta: en clases anteriores

definimos la esperanza matematice, valor esperado o simplemente esperanza como la
sumatoria de la probabilidad por su valor de ocurrencia. Matemáticamente se expresa
de la siguiente manera:

E(X)= x1f(x1)+…+xnf(xn) =  xf(x)

Como un caso especial de esperanza tenemos a la media aritmética, o simplemente
media, cuando los valores de probabilidad son iguales. Recordemos que tiene distintos
nombres para la población y para la muestra, a pesar de que la forma de calcularla
para ambos casos, es la misma.

La media o esperanza de X, da un valor que es representativo o promedio de los

valores de X. Es frecuentemente incluido entre las “medida de tendencia central”
usadas en estadística.

Teoremas relacionados con la esperanza:

1. Si c es una constante, entonces: E(cX)= c E(X)
2. Si X y Y son dos variables aleatorias cualesquiera, entonces: E(X+Y)=
E(X)+E(Y)
3. Si X y Y son variables aleatorias independientes, entonces: E(XY)= E(X).E(Y).
Varianza y desviación estándar: la varianza es un valor de gran importancia en
probabilidad, debido a que la misma señala o establece la igualdad u homogeneidad
del conjunto de datos. Al igual que la media, la varianza y la desviación estándar difiere
en los nombres y las formas de calcularse en población y en muestra. Recordemos
también que la varianza es un valor positivo.

Si X es una variable aleatoria discreta que toma valores de x 1, x2, x3, …, xn, y es una
función de probabilidad f(x), entonces la varianza está dada por:

 
σ 2X  E (X  μ)2 f(x);

Y esta se calcula de la forma descrita en la guía 4 parte 1, cuando las probabilidades

son iguales.

Como se calcula la esperanza (valor medio esperado) y la varianza de una variable

aleatoria discreta: caso el lanzamiento de un dado de seis caras sin truco.

E(X)=  X.Pi = (1*1/6)+ (2*1/6)+(3*1/6)+ (4*1/6)+ (5*1/6)+(6*1/6) = 3,5.

Var (x) =  E(X  μ)  f(x)= (1-3,5)2*1/6 + (2-3,5)2*1/6 + (3-3,5)2*1/6 + (4-3,5)2*1/6 +

2

(5-3,5) 2*1/6 + (6-3,5)2*1/6 = 2.916.

En los ejercicios anteriores calcule la esperanza y la varianza de los tres ejercicios

planteados.

Definición y propiedades de las distribuciones: Uniforme, Bernoulli, Binomial,

Hipergeométrica, Poisson, Geométrica. Aproximación de la Hipergeométrica a la
Binomial. Aproximación de la de Poisson a la Binomial.

Distribución Uniforme Continua:

Decimos que una variable aleatoria discreta (X) tiene distribución uniforme cuando la
probabilidad en todos los puntos de masa probabilística es la misma; es decir, cuando
todos los posibles valores que puede adoptar la variable (x 1, x2,...,xk) tienen la misma
probabilidad. El parámetro de la distribución es k.
k

La media es:    xi k 

i

k
La varianza es:
 2    x i   2 k
i

Este tipo de distribuciones se cumplen cuando se lanza un dado balanceado, cuando

se selecciona un bola al azar de una bolsa que contiene una roja, una azul y una verde,
cuando se lanza una moneda balanceada.

Por ejemplo: consideremos el lanzamiento de un solo dado balanceado. Para ello

graficaremos las frecuencias y observaremos que ocurre con las graficas de la función
de probabilidad.
 X 1 2 3 4 5 6
P 1/6 1/6 1/6 1/6 1/6 1/6
Pa 1/6 2/6 3/6 4/6 5/6 6/6

Grafica de distr. de probabilidad Gráfica de distr. acumulada de probabilidad

Modelo de Bernoulli:
Denominada también distribución dicotómica, es el modelo probabilístico más sencillo y
es usado, principalmente, en la deducción teórica del modelo probabilístico binomial.
Debe su nombre al matemático suizo Jacob Bernoulli, quien lo investigó y desarrolló a
finales del siglo XVII (1654-1705), logrando con ello generar grandes aportes a esta
área de la estadística.

El proceso de Bernoulli se caracteriza por lo siguiente:

1. El experimento consta de n ensayos repetidos, siempre bajo las mismas
condiciones.
2. Todos son independientes
3. Cada ensayo produce un resultado que se puede clasificar como éxito (p) o
fracaso (q).
4. La probabilidad de éxito, permanece constante de un ensayo a otro.

Función de probabilidad:
Sea E un experimento de Bernoulli y sea X una VA discreta asociada a este
experimento; en este caso se dice que X tiene distribución de Bernoulli si, y solo si, su
función de probabilidad está dada por:
P( X  x)  p x (1  p)1 x x {0,1}y0  p  1

Esperanza:  x  E( X )  p Varianza:  x2  V ( X )  p  (1  p)

Ejemplo:
Sea X una variable aleatoria de bernoulli, que estudia el número de piezas defectuosas
en un proceso de producción, cuya probabilidad de seleccionar una pieza defectuosa
en un proceso es igual a 0,15.

X = piezas defectuosas en proceso de producción.

P = 0,15
1 – P = 0,85.
 1–P P
X 0 1
P 0,85 0,15

Distribución binomial:
El número X de éxitos en n experimentos de Bernoulli se denomina variable aleatoria
binomial. La distribución de probabilidad de esta variable aleatoria discreta se llama
distribución binomial y sus valores se denotarán como Bin (x; n, p), ya que dependen
del número de ensayos y de la probabilidad de éxito en un ensayo dado.

Supongamos que se está realizando un experimento aleatorio de lanzar repetidamente

una moneda perfecta, en donde cada lanzamiento es una prueba. En cualquier prueba
sencilla, existirá una probabilidad asociada con un evento en particular. En algunos
casos esta probabilidad no cambiará de una prueba a la siguiente, tal como en el
lanzamiento de la moneda.

Sea p la probabilidad de que ocurra un evento en un ensayo de bernoulli (probabilidad

de éxito), entonces q = 1 – p es la probabilidad de que tal evento no ocurra
(probabilidad de fracaso). La probabilidad de que el evento ocurra exactamente x veces
en n pruebas, está dado por la siguiente función de masa de probabilidad:

 n n!
f ( x)  P( X  x)    p x q n x  p x q n x
 x x!(n  x)!

Ejemplo: ¿cuál será la probabilidad de obtener exactamente dos caras en 6

lanzamientos de una moneda perfecta?

 6  1   1 
2 4
6! 1 1 15
P( X  2)        . . 
 2  2   2  2!4! 4 16 64

Media, varianza y desviación estándar en una distribución binomial:

Media =n.p
Varianza 2=n.p.q
Desviación estándar =(n.p.q)1/2

Para el ejercicio anterior:

Media =6. ½ = 3
Varianza 2=6. ½. ½ = 3/2.
Desviación estándar =(n.p.q)1/2= (3/2)1/2 = 1,22

Distribución de probabilidad binomial: existen muchos experimentos que se ajustan

exacta o aproximadamente a la siguiente lista de requerimientos:
1. El ensayo consta de una secuencia de n experimentos más pequeños, llamados
ensayos, donde n se fija antes del experimento.
 2. Cada ensayo puede dar por resultado uno de los mismos dos resultados
posibles (ensayos dicotómicos o ensayo de bernoulli), los cuales se denotan
como éxito y fracaso.
3. Los ensayos son independientes, de modo que el resultado en cualquier ensayo
particular no influye en el resultado de cualquier otro ensayo.
4. La probabilidad de éxito es constante de un ensayo a otro; esta probabilidad se
denota por p.

Un ingeniero industrial está muy interesado en “la proporción de artículos defectuosos”

en cierto proceso industrial. A menudo las medidas de control de calidad y los
esquemas de muestreo de aceptación por atributos para procesos se basan en la
distribución binomial, la cual se aplica en cualquier situación industrial donde el
resultado de un proceso es dicotómico y los resultados del proceso son
independientes, y además la probabilidad de éxito se mantiene constante de una
prueba a otra.

Muchos experimentos implican una secuencia de ensayos independientes para los

cuales existen más de dos resultados posibles en cualquier ensayo. Entonces un
experimento binomial puede generarse dividiendo los posibles resultados en dos
grupos.

Distribución Poisson: se hace una aproximación a este tipo de distribuciones, a

aquellos experimentos que producen valores numéricos de una variable aleatoria X
durante un intervalo de tiempo determinado, en una región específica, en una unidad
de volumen, de masa o de longitud. El intervalo en donde se está midiendo el
fenómeno puede ser de cualquier duración, desde unidades muy pequeñas, hasta muy
grandes.

Se dice que una variable aleatoria X cumple con una distribución de Poisson con
e -λ λ x
parámetro  (>0) si la función de masa de probabilidad de X es: p(x;λ)  , donde
x!
x= 0, 1, 2, 3, …

El valor de  es con frecuencia un valor por  unidad de tiempo, área, masa, volumen o
longitud. La letra “e” en p (x; ), representa la base del sistema de logaritmo naturales
cuyo valor numérico es 2,71828.

Una aplicación muy importante de la distribución Poisson surge debido a la ocurrencia de

eventos de algún tipo por una unidad de determinada. Eventos de interés podrían ser las visitas a
un sitio web, pulsos registrados en algún contador o accidentes en una instalación industrial.
En general son “defectos o no” por unidad de tiempo, masa,
volumen o longitud de producto.

Propiedades del proceso de Poisson:

1. El número de resultados que ocurren en un intervalo o región específica es
independiente del número que ocurre en cualquier otro intervalo de tiempo.
Entendido de otra forma, el proceso de Poisson “no tiene memoria”.
 2. La probabilidad de que ocurra un solo resultado durante un intervalo de una
unidad muy corta o en una región pequeña es proporcional a la longitud del
intervalo o al tamaño de la región, y no depende del número de resultados que
ocurren fuera de este intervalo o región.
3. La probabilidad de que ocurra más de un resultado en tal intervalo corto o que
caiga en tal región pequeña es insignificante.

El número X de resultados que ocurren durante un experimento de Poisson se llama

variable aleatoria de Poisson y su distribución de probabilidad se llama distribución de
Poisson. El número medio de resultados se calcula a partir de μ = λt, donde t es el
“tiempo”, la “distancia”, el “área” o el “volumen” específicos de interés. Como las
probabilidades dependen de λ, denotaremos la tasa de ocurrencia de los resultados
con p(x; λt).

Propiedades de la distribución de Poisson:

Media E(x)  λ
Varianza Var(x) σ 2  λ

Según lo anterior la media y la varianza de la distribución de Poisson p(x; λt) son λ, o

sea que son iguales.

Aproximación de la binomial a la Poisson: suponga que en la función de

probabilidad binomial b (x, n, p), si n   y p  0 de tal modo que np tiende a un valor
 > 0, entonces b (x, n, p)  p (n, ). Como regla empírica, esta aproximación se
realiza con seguridad cuando n > 50 y np< 5, o sea que p< 0,10.

Distribución hipergeométrica: esta distribución se relacionada de forma directa con la

distribución binomial. Como ya se entendió, la distribución binomial es el modelo de
probabilidad en el cual se hace una aproximación a un muestreo sin reemplazo de una
población dicotómica finita; la distribución hipergeométrica es el modelo de probabilidad
exacta del número de éxitos cuando el número de n ensayos es fijo, mientras que la
distribución binomial surge de fijar el número de éxitos deseados y de permitir que el
número de ensayos sea aleatorio.

Supuestos que conducen a la formación de la distribución hipergeométrica:

1. La población o conjunto que se va a muestrear se compone de N individuos,
objetos o elementos, o sea es una población finita.
2. Cada individuo, o elemento, puede ser catalogado como éxito o fracaso, y hay M
éxitos en la población.
3. Se selecciona una muestra de n individuos sin reemplazo de modo tal que cada
subconjunto de tamaño n es igualmente probable de ser seleccionado.

Si X es el número de éxitos en una muestra completamente aleatoria de tamaño n

extraida de una población de M éxitos y (N-M) fracasos, entonces la distribución de
probabilidad hipergeométrica, es:
  M  M  N 
  
 x  n  x 
P( X  x)  h( x, n, M , N ) 
M 
 
N 
Con un x entero que satisface max (0,n-N+M) < x < min(n, M).

Media y varianza para una distribución hipergeométrica:

Media M
E(x)  n.
N
Varianza N  n  M M
Var(x)  .n. 1  
 N 1 N  N 

El cociente M/N es la proporción de éxitos en la población. Si dicho cociente se

sustituye en las ecuaciones anteriores, se tiene que:

Media E(x)  n.p

Varianza Nn
Var(x)  .np(1 p)
 N 1

Mediante dicha aproximación se demuestra que la medias de las distribuciones

binomial e hipergeométrica son igual, en tanto que las varianzas de las dos variables
aleatorias difieren por el factor (N – n) / (N – 1), a menudo llamado factor de corrección
por población finita. Este factor es menor que 1, así que la variable hipergeométrica
tiene una varianza más pequeña que la distribución binomial.

Distribución geométrica: esta distribución es un modelo adecuado para aquellos

procesos en los que se repiten pruebas hasta la consecución del primer éxito, y tiene
interesantes aplicaciones en los muestreos realizados de esta manera. También
implica la existencia de una dicotomía de posibles resultados y la independencia de las
pruebas entre sí.

La función de masa de probabilidad de esta distribución es:

P (X= x) = p. (1-p) x-1

1 p
La media es:  
p

1 p
La varianza es:  2 
p2

Esta distribución se puede derivar de un proceso experimental puro o de Bernouilli en

el que tengamos las siguientes características:
 1. El proceso consta de un número no definido de pruebas o experimentos
separados o separables. El proceso concluirá cuando se obtenga por primera
vez el resultado deseado (éxito).

2. Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A

3. La probabilidad de obtener un resultado A en cada prueba es p y la de obtener

un resultado no A es q siendo (p + q = 1).

4. Las probabilidades p y q son constantes en todas las pruebas, por tanto, las
pruebas son independientes (si se trata de un proceso de "extracción" éste se
llevará a cabo con devolución del individuo extraído).

Nota 1: recuerde las relaciones de desigualdad en probabilidad vista en clases

anteriores.
Nota 2: Para la resolución de los ejercicios es muy importante la apropiada
identificación de la variable aleatoria.

Ejercicios para resolver por el estudiante:

1. Realice un cuadro resumen en el cual indique tipo de distribución, palabras claves
que ayuden a identificar el tipo de distribución de acuerdo con lo planteado en el
escrito, forma de calcular la P, esperanza y varianza.
2. Sea X Bin (8, 0.4). Determine: a) P(X = 2). b) P(X < 4). c) P(X > 2). d) P(X > 6).
e) P ( 2 < X < 6). f) P ( 3 < X < 7). g) P (4 < X < 6). h) esperanza de X. i) s.
3. Si X  Poisson(2), calcule a) P(X > 2), b) P(X < 2), c) P(X < 10), d) P(X < 0), e) P(X
= - 1) y f) P(X > 0.5). Verbalice
4. Calcule las siguientes probabilidades binomiales directamente con la ecuación:
a. b (3; 8, 0.35)
b. b (5; 8, 0.6)
c. P (3 < X < 5) cuando n = 7 y p = 0.6
e. P (3 < X < 5) cuando n = 7 y p = 0.6
d. P (1 < X) cuando n = 9 y p = 0.1
f. P (1 < X) cuando n = 9 y p = 0.1
5. Sea X Bin (8, 0.36). Determine: a) P(X = 2). b) P(X < 4). c) P(X > 2). d) P(X > 6).
e) P ( 2 < X < 6). f) P ( 3 < X < 7). g) P (4 < X < 6). h) esperanza de X. i) s.
6. Si X  Poisson(3), realice los gráficos de distribución de probabilidad y de
distribución de probabilidad acumulada.
7. Realice la comparación de los valores de la distribución de Poisson con los valores
de la Bin (30; 0,1). Concluya en relación con estos resultados en cuanto a la
posibilidad de la aproximación de una distribución a la otra.
8. La probabilidad de que un artículo producido por una fábrica sea defectuoso es
0.002. Se envió un cargamento de 10.000 artículos a unos almacenes. Hallar el
número esperado de artículos defectuosos, la varianza y la desviación estándar.
9. Se lanza al aire una moneda 10 veces. Determine la probabilidad de que caigan
tres caras, la media del numero de caras, la varianza y la desviación estándar del
numero de caras.
10. Se sabe que el 60% de ratones vacunados contra un virus quedan inmunes a dicha
enfermedad. Se inyectan 5 ratones con la vacuna bajo estudio. Se pregunta: la
probabilidad de que ninguno se enferme, la probabilidad de que menos de 2 se
enfermen y la probabilidad de que mas de tres se enfermen.
11. Una empresa sabe que en promedio el 90% de las bombillas producidas por
pueden durar 800h de vida útil. Si Ud. evalúa 20 bombillas tomadas al azar. Se
pregunta: la probabilidad de que 18 duren 800h. Al menos 15 duren 800h. Que al
menos 2 no duren las 800h.
12. Se supone que el número de clientes que llegan por hora a ciertas instalacion es de
servicio automotriz sigue una distribución de Poisson con media λ = 7. a) Calcule la
probabilidad de que lleguen más de 10 clientes en un periodo de dos horas. b)
¿Cuál es el número medio de llegadas durante un periodo de 2 horas?
13. Un escritor de libros comete, en promedio, dos errores de procesamiento de texto
por página en el primer borrador de su libro. ¿Cuál es la probabilidad de que en la
siguiente página cometa a) ningún error?, b) hay diferencia en que cometa un error
o dos? c) 4 o más errores?.
14. En cierta fábrica los accidentes ocurren con muy poca frecuencia. Se sabe que la
probabilidad de un accidente en cualquier día dado es de 0.005, y que los
accidentes son independientes entre sí. a) ¿Cuál es la probabilidad de que en un
día de cualquier periodo determinado de 400 días ocurra un accidente?. b) ¿Cuál
es la probabilidad de que ocurra un accidente a lo sumo en tres días de tal
periodo?.
15. En un proceso de fabricación donde se obtienen latas de sardina ocurren defectos,
lo cual ocasionalmente hace que la pieza no se pueda vender. Se sabe que, en
promedio, 2 de cada 1000 latas producidas tienen defectos. ¿Cuál es la
probabilidad de que una muestra aleatoria de 4000 tenga menos de 4 latas
defectuosas?.
16. Una caja contiene 6 metras azules y 4 metras rojas. Se lleva a cabo un
experimento en el cual se escoge al azar una metra y se observa su color, pero la
metra no se devuelve a la caja. Encuentre la probabilidad que después de 5
pruebas del experimento, se hayan escogido 3 metras azules.
17. En la sección se decide hacer un juego de azar, usando un dado icosaedro (20
caras). El Prof. Díaz es “La Casa”, y pagará un premio único teórico de US$2000 a

Suponga que antes de iniciar el juego, los estudiantes deciden hacer un

experimento aleatorio debido al trucaje del dado. 1. Determine el espacio muestral.
2). ¿El experimento realizado puede considerarse una función de probabilidad?.
Justifique. 3. ¿Cuál es la probabilidad de obtener un número impar?. 4) ¿Cuál es la
P(2<X<4). 5) ¿Cuál es la P(2<X<4). 6) ¿Cuál es la P(3<X<5). 7) Calcule la
esperanza matemática. Realice la gráfica de distribución de probabilidad y la
gráfica de distribución acumulada de probabilidad.
18. Una empresa que produce cristales finos sabe por experiencia que el 5% de las
copas de mesa que producen presentan algún tipo de imperfecciones, por lo cual
son clasificadas en copas de segunda. Suponga que usted selecciona 20 copas al
azar. 1. ¿Qué tan probable es que más de dos copas sea de segunda?.
19. Suponga que el número de accidentes laborales que ocurren en una sección de
una empresa durante un periodo de tiempo determinado sigue una distribución de
Poisson con parámetro lambda= 2. ¿Cuál es la probabilidad de que el número de
empleados afectados sea?: 1. Cuando mucho 3. 2. Se ubique entre 2 y 4 inclusive.
20. Se lanza al aire una moneda diez veces. a) ¿Cuál es la probabilidad de obtener
exactamente tres veces “cara”? b) Determine la media del número de caras
obtenidas. c) Determine la varianza del número de caras obtenidas. d) Determine la
desviación estándar del número de caras obtenidas.
21. Unas partículas (por ejemplo, células de levadura) están suspendidas en un medio
líquido con concentración de doce partículas por mL. Se agita por completo un
volumen grande de la suspensión y después se extraen 2 mL. ¿Cuál es la
probabilidad de que sólo se extraigan ocho partículas?. ¿cuál es la P de que se
extraigan estrictamente entre 4 y 6 partículas?. ¿cuál es la P de que se extraigan
más de 3 partículas?.
22. La probabilidad de que un paciente se recupere de una rara enfermedad sanguínea
es de 0.4. Si se sabe que 15 personas contrajeron la enfermedad, ¿cuál es la
probabilidad de que a) sobrevivan al menos 10, b) sobrevivan de 3 a 8, y c)
sobrevivan exactamente 5?.
23. La abuela hornea galletas de chispas de chocolates en grupos de 100. Ella agrega
400 chispas en la masa. Cuando las galletas están hechas, le ofrece una a uno de
sus nietos. ¿Cuál es la probabilidad de que su galleta no tenga chispas de
chocolate?. ¿Cuál es la P de que dos galletas tengan una chispa de chocolate?.
¿Cuál es la P de que entre 3 y 7 galletas tengan 4 chispas?.
24. De acuerdo con un artículo publicado en la revista “Chemical Engineering
Progress” (noviembre de 1990), aproximadamente 30% de todas las fallas de
operación en las tuberías de plantas químicas son ocasionadas por errores del
operador. a) ¿Cuál es la probabilidad de que de las siguientes 15 fallas en las
tuberías al menos 10 se deban a un error del operador? b) ¿Cuál es la probabilidad
de que no más de 4 de 20 fallas se deban a un error del operador?.
25. Uno de cada 5000 individuos en una población porta cierto gen defectuoso. Se
estudia una muestra aleatoria de 1000 individuos. a) ¿Cuál es la probabilidad de
que sólo uno de los individuos de la muestra porte el gen?. b) ¿Cuál es la
probabilidad de que ninguno sea portador?. c) ¿Cuál es la probabilidad de que más
de dos individuos porte el gen?. d) ¿Cuál es la media del número de individuos de
la muestra que porta el gen?. e) ¿Cuál es la desviación estándar del número de
individuos portadores de gen?.
26. Se toma una muestra de cinco elementos de una población grande en la cual 10%
de los elementos está defectuoso. a) Determine la probabilidad de que ninguno de
los elementos de la muestra esté defectuoso. b) Determine la probabilidad de que
sólo uno de ellos tenga defectos. c) Determine la probabilidad de que uno o más de
los elementos de la muestra estén defectuosos. d) Determine la probabilidad de
que menos de dos elementos de la muestra tenga defectos.
27. En un proceso de fabricación donde se manufacturan productos de vidrio ocurren
defectos o burbujas, lo cual ocasionalmente hace que la pieza ya no se pueda
vender. Se sabe que, en promedio, 1 de cada 1000 artículos producidos tiene una
o más burbujas. a) ¿Cuál es la probabilidad de que una muestra aleatoria de 8000
tenga menos de 7 artículos con burbujas?. b) ¿Cuál es la P de que entre 2 y 4
 productos, ambos inclusive, no se puedan vender?. c) ¿Cuál es la P de que tres o
más piezas no puedan venderse?.
28. Suponga que para un embarque muy grande de circuitos integrados, la
probabilidad de que falle cualquiera de ellos es de 0.10. Suponga que se cumplen
los supuestos en que se basan las distribuciones binomiales y calcule la
probabilidad de que en una muestra aleatoria de 20 fallen, a lo sumo, 3 chips
integrados.
29. Un estudio de un inventario determina que, en promedio, el número de veces al día
que se solicita un artículo específico en un almacén es 5. ¿Cuál es la probabilidad
de que en un día determinado este artículo se pida a) más de 5 veces? b) ninguna
vez?.
30. Se utiliza un número telefónico particular para recibir tanto llamadas de voz como
faxes. Suponga que 25% de las llamadas entrantes son faxes y considere una
muestra de 25 llamadas entrantes. ¿Cuál es la probabilidad de que: a. Cuando
mucho 6 de las llamadas sean un fax? b. Exactamente 6 de las llamadas sean un
fax? c. Por lo menos 6 de las llamadas sean un fax? d. Más de 6 de las llamadas
sean un fax?. e. ¿Cuál es el número esperado de llamadas entre las 25 que
impliquen un fax? f. ¿Cuál es la desviación estándar del número entre las 25
llamadas que implican un fax?. g) ¿Cuál es la probabilidad de que el número de
llamadas entre las 25 que implican una transmisión de fax sobrepase el número
esperado por más de 2 desviaciones estándar?
31. Un escritor de libros comete, en promedio, dos errores de procesamiento de texto
por página en el primer borrador de su libro. ¿Cuál es la probabilidad de que en la
siguiente página cometa a) 4 o más errores? b) ningún error?
Recuerde que La distribución de Poisson se puede aproximar a una
distribución binomial cuando n es grande y p es pequeña.
32. La probabilidad de que un artículo producido por una fábrica sea defectuoso es
0.002. Se envió un cargamento de 10.000 artículos a unos almacenes. Hallar el
número esperado de artículos defectuosos, la varianza y la desviación estándar.
Puede considerar hacer un análisis de estos datos por medio de la distribución
Poisson. Justifique.
33. Se lanza al aire una moneda 10 veces. Determine la probabilidad de que caigan
tres caras, la media del numero de caras, la varianza y la desviación estándar del
numero de caras.
34. Se sabe que el 60% de ratones vacunados contra un virus quedan inmunes a dicha
enfermedad. Se inyectan 5 ratones con la vacuna bajo estudio. Se pregunta: la
probabilidad de que ninguno se enferme, la probabilidad de que menos de 2 se
enfermen y la probabilidad de que más de tres se enfermen.
35. Una empresa sabe que en promedio el 90% de las bombillas producidas por
pueden durar 800h de vida útil. Si Ud. evalúa 20 bombillas tomadas al azar. Se
pregunta: la probabilidad de que 18 duren 800h. Al menos 15 duren 800h. Que al
menos 2 no duren las 800h.
36. Se supone que el número de clientes que llegan por hora a ciertas instalaciones de
servicio automotriz sigue una distribución de Poisson con media 3. a) Calcule la
probabilidad de que lleguen más de 10 clientes en un periodo de dos horas. b)
¿Cuál es el número medio de llegadas durante un periodo de 2 horas?
37. Un escritor de libros comete, en promedio, dos errores de procesamiento de texto
por página en el primer borrador de su libro. ¿Cuál es la probabilidad de que en la
siguiente página cometa a) ningún error?, b) hay diferencia en que cometa un error
o dos? c) 4 o más errores?.
38. En cierta fábrica los accidentes ocurren con muy poca frecuencia. Se sabe que la
probabilidad de un accidente en cualquier día dado es de 0.005, y que los
accidentes son independientes entre sí. a) ¿Cuál es la probabilidad de que en un
día de cualquier periodo determinado de 400 días ocurra un accidente?. b) ¿Cuál
es la probabilidad de que ocurra un accidente a lo sumo en tres días de tal
periodo?.
39. En un proceso de fabricación donde se obtienen latas de sardina ocurren defectos,
lo cual ocasionalmente hace que la pieza no se pueda vender. Se sabe que, en
promedio, 2 de cada 1000 latas producidas tienen defectos. ¿Cuál es la
probabilidad de que una muestra aleatoria de 4000 tenga menos de 4 latas
defectuosas?.
40. Se lanza al aire 12 veces una moneda trucada, de tal manera que la probabilidad
de que aparezca cara es de 2/3, mientras que la probabilidad de que aparezca
sello es de 1/3, Determine la probabilidad de que en el último lanzamiento aparezca
una cara.
41. Los registros de una compañía constructora de pozos, indican que la probabilidad
de que uno de sus pozos nuevos, requiera de reparaciones en el término de un año
es de 0.25. ¿Cuál es la probabilidad de que el cuarto pozo construido por esta
compañía en un año dado sea el primero en requerir reparaciones en un año?.
¿Cuál es la P de que estrictamente entre 4 y 6 pozos requieran reparación en ese
mismo período?.
42. Del salón el 70% de los alumnos son hombres, calcular probabilidad de extraer el
1er hombre a la sexta ocasión que se extrae un alumno. Calcular la probabilidad de
que salga el No. 3 a la tercera vez que se lanza un dado.
43. En el salón hay 8 alumnos de ojos cafés, 9 de ojos azules, 7 de ojos negros, y 10
de ojos verdes; si extraemos 6 alumnos, calcular la probabilidad de que este último
tenga los ojos claros.
44. Una maquina detecta fallas en los productos que elabora una fabrica. Si los
productos tienen una probabilidad de falla del 7%, calcular la probabilidad de que la
maquina encuentre su primer producto defectuoso en la octava ocasión que
selecciona un producto para su inspección. Calcular la P de hallar una falla entre 6
y 8 productos defectuosos, ambos inclusive.
45. Andrés y Pedro se plantean el siguiente juego: se lanza al aire un dado equilibrado
con seis caras numeradas de uno a seis. Se considera que el jugador gana cuando
el resultado del dado es cuatro o seis, y recibe diez euros. En otro caso, no recibe
nada. Cada apuesta (un lanzamiento) es de cinco euros.
1) Si Andrés juega en cinco ocasiones, ¿cuál es la probabilidad de que acierte a lo
sumo una vez?
2) ¿Cuál es el número medio de aciertos en esas cinco ocasiones?.
3) Pedro jugará tantas veces como sea necesario hasta conseguir acertar una vez.
Calcular la probabilidad de que tenga que jugar al menos tres veces.
4) Obtener el número medio de veces que tiene que jugar para conseguir su
objetivo.
 5) ¿Cuál será el beneficio medio obtenido por cada jugador?.
Los experimentos que tienen distribución hipergeométrica presentan las
siguientes características:
a) Al realizar un experimento con este tipo de distribución, se esperan dos tipos
de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repetición del experimento no es independiente de los demás.
d) El número de repeticiones del experimento (n) es constante.

46. En una caja hay un total de 10 objetos, 3 de los cuales son def ectuosos, si de
seleccionan 4 objetos al azar, ¿cuál es la probabilidad de que 2 sean defectuosos?.
¿cuál es la probabilidad de que más de 3 sean defectuosos?.
47. Un empleado ha colocado 6 objetos (tipo A) en un bolso que contiene 9 (tipo B)
objetos que son similares en apariencia. Se selecciona 3 objetos aleatoriamente, a)
¿Cuál es la probabilidad de hallar un objeto A?, b) ¿Cuál es la probabilidad de no
hallar un objeto B?.
48. Cinco fabricantes producen en determinado dispositivo cuya calidad varia de un
fabricante a otro. si usted elige 3 fabricantes al azar, hallar la probabilidad que la
selección contenga 2 de las 3 mejores.
49. En una oficina donde se ensamblan computadoras, hay en una mesa 20 chips, de
los cuales 6 son defectuosos. Primero llega el Sr. Gates y recoge 8 chips y más
tarde llega el Sr. Apple y se lleva los restantes. Halle la probabilidad que solamente
uno de ellos se haya llevado todos los chips defectuosos.
50. De un grupo de 20 ingenieros con doctorado, se eligen 10 aleatoriamente con el fin
de contratarlos. ¿Cuál es la probabilidad de que entre los 10 seleccionados, estén
los 5 mejores del grupo?.
51. Supongamos que la probabilidad de tener una unidad defectuosa en una línea de
ensamblaje es de 0.05. Si el conjunto de unidades terminadas constituye un
conjunto de ensayos independientes: 1. ¿cuál es la probabilidad de que entre diez
unidades dos se encuentren defectuosas? 2. ¿y de que a lo sumo dos se
encuentren defectuosas? 3. ¿cuál es la probabilidad de que por lo menos una se
encuentre defectuosa?.
52. Supóngase que la producción de un día de 850 piezas manufacturadas contiene 50
piezas que no cumplen con los requerimientos del cliente. Se seleccionan del lote
dos piezas al azar y sin reemplazo. Sea la variable aleatoria X igual al número de
piezas de la muestra que no cumplen. ¿Cuál es la función de distribución
acumulada de X?.
53. Un avión de alto rendimiento contiene tres computadoras idénticas. Se utiliza
únicamente una para operar el avión; las dos restantes son repuestos que pueden
activarse en caso de que el sistema primario falle. Durante una hora de operación
la probabilidad de que una falle en la computadora primaria (o de cualquiera de los
sistemas de repuesto activados) es 0,0005. Suponiendo que cada hora representa
un ensayo independiente:
1. ¿Cuál es el tiempo promedio para que fallen las tres computadoras?.
2. ¿Cuál es la probabilidad de que las tres computadoras fallen en un vuelo de 5
horas?.
54. Un lote contiene 50 piezas de un proveedor de tubería local y 100 unidades de un
proveedor de tubería del estado vecino. Si se seleccionan cuatro piezas al azar y
sin reemplazo, (a) ¿cuál es la probabilidad de que todas sean del proveedor local?
(b) ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del
proveedor local? (c) ¿Cuál es la probabilidad de que al menos una pieza de la
muestra sea del proveedor local?.
55. De 60 aspirantes a una universidad, 40 son de Los Andes. Si se van a seleccionar
al azar 20, encuentre la probabilidad de que a) 10, b) no más de 2, vengan de Los
Andes.
56. Si se van a escoger al azar 13 cartas (sin remplazo) de una baraja común de 52
naipes, encuentre la probabilidad de que a) 6 sean figuras, b) ninguna sea figura.
57. Si el 3% de los bombillos que fabrica una compañía son defectuosos, encuentre la
probabilidad de una muestra de 100 bombillos, a)0, b) más de 5, c) entre 1 y 3, d)
menos o 2 bombillos sean defectuosos.
58. La probabilidad de que una persona tomada al azar tenga una rara enfermedad
congénita es del 1.5%, si se toma una muestra de 300 personas, cual es la
probabilidad de que a) ninguna tenga la enfermedad, b) al menos dos tengan la
enfermedad.
59. Se ha determinado que los accidentes en una céntrica avenida de una ciudad
ocurren a razón de 8 por semana, calcule la probabilidad de que un lapso de 5
días, ocurran a) 6, b) entre 5 y 12, c) más de 10, accidentes.
60. Un jugador de baloncesto se dispone a tirar hasta anotar una canasta. Sí se
supone que sus tiros son independientes y la probabilidad de anotar una canasta
es de 0.8 ¿Cuál es la probabilidad de necesitar efectuar dos tiros?, ¿tres tiros?, ¿a
lo más cinco tiros?
61. Una compañía petrolera perforará varios pozos en cierta área para encontrar uno
que sea productivo. La probabilidad de tener éxito en una prueba dada es 0.2 a)
¿Cuál es la probabilidad que el tercer pozo perforado sea el primer pozo
productivo? b) Sí la compañía sólo puede perforar, a lo más 10 pozos, ¿cuál es la
probabilidad que ninguno sea productivo
62. Suponga que la probabilidad de que una máquina funcione mal durante cualquier
periodo de 1 hora es p=0.02. Encontrar la probabilidad de que una máquina no
sufra descomposturas sí se usa por 2 horas.

Un accidente de tráfico acabó el sábado con la vida de John Nash, el matemático y

Premio Nobel de Economía 1994 que para muchos será recordado por haber inspirado la
película "Una mente brillante".

Sin embargo, Nash pasará a la historia por su aporte fundalmental en la Teoría de los Juegos,
en concreto, por ser el creador del "Equilibrio de Nash" o "equilibrio medio". Se trata de un
"concepto de solución" en el que todos los jugadores ejecutaron sabiendo la estrategia que
maximiza sus ganancias dadas las estrategias de los otros actores de forma que carecen de
incentivos para hacer un cambio individual de estrategia.

Nash revolucionó así la toma de decisiones en Economía y sobre todo la Teoría de los Juegos:
el área de la matemática que a partir del uso de modelos estudia las tomas de decisiones y las
interacciones en lo que se conoce como estructuras formalizadas de incentivos, lo juegos.
Es decir, la lógica que usamos siempre que interactuamos con otro ser humano cuando, por
ejemplo, tratamos de quedarnos con el último pedazo de torta en la cafetería o le hacemos un
favor a un colega que esperamos retorne en el futuro.

Esos "juegos" son vitales hasta para los animales, señala Antonio Cabrales, profesor de
Economía del University College London, Reino Unido. "Yo actúo de una manera, tú actúas de
otra", explica Cabrales. "Algo sucede. Ese algo que sucede va a depender de lo que ambos
hagamos".

Fuente:
http://www.bbc.com/mundo/noticias/2015/02/150220_teoria_de_juegos_que_es_finde_dv.

Tema 7. Definición, propiedades y representación gráfica de la función de distribución

de una variable aleatoria continua. Definición y representación gráfica de la función de
distribución de probabilidad acumulativa de una variable aleatoria continua. Definición y
propiedades de la: esperanza, varianza, desviación estándar de una variable aleatoria
continua. Definición y propiedades de las distribuciones: Uniforme Continua, Normal,
Log-Normal, Exponencial, Gamma, Weibull, Ji-Cuadrado, Beta.

Definición de una variable aleatoria continua:

Recordemos de las clases anteriores que una variable aleatoria discreta es aquella
cuyos valores son conjuntos finitos o infinitos numerables. Ahora bien, una variable
aleatoria continua es aquella cuyo conjunto de valores posibles es un intervalo
completo de números. Una variable aleatoria es continua cuando sus valores se
encuentran en un intervalo posible de la línea de numeración.

Una variable aleatoria X es continua si su función de distribución es una función

continua. En la práctica, se corresponden con variables asociadas con experimentos en
los cuales la variable medida puede tomar cualquier valor en un intervalo: mediciones
biométricas, intervalos de tiempo, áreas, entre otras.

Ejemplo: Que ocurre cuando realizamos un experimento industrial en el que en vez de

observar 10 piezas, o 100 piezas se pueden observar 1000?. Lo que sucede es que
medida que se tiene la oportunidad de aumentar el número de observaciones hay que
ajustar el intervalo de agrupación por lo que ello implica que la misma tendría a tener
infinitos de valores de la variable aleatoria según el número de observaciones.

Siguiendo con el ejemplo, cuando se hace más pequeño intervalo de observación, y se

aumentan el número de piezas observadas la frecuencia relativa parecerá una curva
lisa. Tal como se observa en las siguientes figura. Nótese que a medida que n se
hace una aproximación a una curva. Dicho proceso se denomina aproximar una serie
de datos a una curva continua, o “darle continuidad a una serie de datos discretos”.
Dicho ejemplo nos indica los elementos claves para saber cómo se genera una gráfica
de una función de probabilidad de una variable aleatoria continua, la cual se describe a
continuación.
Representación gráfica de una función de probabilidad de una variable aleatoria
continua:
De las figuras siguientes se desprende que la función F(x), cuya grafica es la curva
limite que se obtiene para un número muy grande de observaciones y con intervalos
muy pequeños, es lo que se denomina función de densidad de la variable aleatoria
continua X. De forma general se dice, en este caso, que el área debajo de la curva es
1. De esta manera queda bien clara la idea del ejemplo anterior.

0,1

Probabilidad (fr)
0,08 n= 7
0,06

0,04

0,02

0
1 2 3 4 5 6 7
Valor de la variable aleatoria

0,1
Probabilidad (fr)

0,08 n= 21
0,06

0,04

0,02

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Valor de la variable aleatoria

0,02

0,016 n= 101
Probabilidad (fr)

0,012

0,008

0,004

0
11

31

96
16
21
26

36
41
46
51
56
61
66
71
76
81
86
91

101
1
6

Valor de la variable aleatoria

0,02
n= 500
0,016
n  n= 101
Probabilidad (fr)

0,012

0,008

0,004

0
101
1
6

46

81
11
16
21
26
31
36
41

51
56
61
66
71
76

86
91
96

Valor de la variable aleatoria

Propiedades de una variable aleatoria continua:
f(x) 0,    x  , o sea para todo X  R


 f ( x)dx  1;

esto debido a uno de los axiomas de la probabilidad

b
P(a  X  b)   f ( x)dx; esta es la forma de calcular la probabilidad,
a

que no es mas que el área bajo la curva de densidad de probabilidad.

Gráficamente para cualesquiera a y b, f(x) la función de densidad de la probabilidad de

la variable aleatoria continua X se observa como se indica en la siguiente Figura.

Probabilidad ilustrada como el área bajo la curva de densidad.

De esta última forma es que clásicamente se representa una variable aleatoria

continua, relacionando una serie de puntos continuos de probabilidad con el valor de la
variable aleatoria. El área sombreada es la probabilidad de que X asuma un valor entre
el intervalo a y b.

Para saber si estamos frente a una función de probabilidad legitima se deben satisfacer
las propiedades ya descritas para una variable aleatoria discreta.

Función de distribución acumulada de una variable aleatoria continua:

La función de distribución acumulada de una variable aleatoria continua F(x), es aquella
que establece el valor de dicha función de manera específica, o sea es la probabilidad
de que X < x. Esta se obtiene sumando la función de masa de probabilidad p(y) a lo
largo de todos los posibles valores de que satisfacen al intervalo y < x. Dicha función
indica las probabilidades las P (X < x) y se obtiene integrando la función de densidad
de probabilidad entre los limites – hasta x.

Una función f(x) es una función de densidad de probabilidad de una VA X si, y sólo si,
para todo número real x, se cumplen las siguientes condiciones:
 f(x) ≥ 0, para todo x є R

 
f ( x)  dx  1
 La probabilidad que la VA X tome valores entre dos números cualesquiera a y b,
siendo a < b, esta dada
P(apor:
b
 x  b)  a
f ( x)  dx

Sea X una VA con fdp dada por f(x), entonces la función de distribución acumulada de
X en el punto a perteneciente a su dominio, denotada por F(x), es:
a
F (a)  P( X  a)   f ( x)  dx

  Propiedades:
1. 0 ≤ P(x) ≤ 1
2. Si a ≤ b, P(a) ≤ P(b)
3. P(a < X < b) = P(b) - P(a)
4. P(X > a)= 1- P(X < a) = 1 - F(a).
5. P(X > a)= 1- P(X < a) = 1 - F(a).

Esperanza de una variable aleatoria continua:

La forma para calcular el valor esperado, o media, se obtiene usando la distribución de
probabilidad. Matemáticamente la esperanza se calcula de la siguiente manera:

  E( x)   xf ( x)dx

La media o valor esperado de una variable aleatoria X (sea discreta o continua), es de
especial importancia en estadística porque describe en dónde se centra la distribución
de probabilidad.

Propiedades de la media: 1) Si k es constantes, E(X) = k, 2) E(kX)=kE(X) y 3)

E(aX±b)=aE(X)±b.

Varianza de una variable aleatoria discreta:

La media por sí sola no ofrece una descripción adecuada de la forma de la distribución,
por esto también se necesita clasificar la variabilidad en la distribución, lo cual se logra
mediante el estudio de la variabilidad o dispersión de sus observaciones sobre la
media. Se calcula de la siguiente manera:

Var(X)=E(X2) - [E(X)]2;


Sabiendo que E(X) se calcula con la ecuación:   E( x)   xf ( x)dx



Propiedades de la varianza: 1) V(X)≥0, para toda VA X, 2) Si k es constantes, V(X) =

0, 3) V(kX)=k2 V(X), 4) V(aX ± b)=a2 V(X), 5) V(X)=E(X2) - [E(X)]2

Distribución Uniforme Continua:

Es el modelo más simple de las distribuciones continuas de probabilidad. Se
caracteriza por una función de densidad que es “plana”, por lo cual la probabilidad es
uniforme en un intervalo cerrado [A,B]. Se le conoce como distribución rectangular ya
que su f.d.p forma un rectángulo con base B-A y altura constante 1/(B-A). Es sencillo
calcular las probabilidades para la distribución uniforme debido a la naturaleza simple
de la función de densidad.

Parámetros de la distribución: A y B.

Función de Densidad de Probabilidad:

 1
 A x B
f ( x; A, B)   B  A

 0 en otro caso
Valor medio esperado:
A B
E( X )   
2

Varianza:
( A  B) 2
V (X )   2 
12

Aplicación:
La aplicación de esta distribución se basa en la suposición de que la probabilidad de
caer en un intervalo de longitud fija dentro de [A,B] es constante. En estadística,
cuando se utiliza un p-value a modo de prueba estadística para una hipótesis nula
simple, y la distribución de la prueba estadística es continua, entonces la prueba
estadística esta uniformemente distribuida entre 0 y 1 si la hipótesis nula es verdadera.

Distribución normal:
La distribución de probabilidad continua más importante en todo el campo de la
estadística es la distribución normal. Su gráfica, denominada curva normal, es la curva
con forma de campana (como se observa en la siguiente Figura), la cual describe de
forma bastante aproximada el comportamiento de diversos fenómenos. De hecho la
mayoría de los fenómenos físicos, químicos, biológicos e industriales, entre otros, se
aproximan a este tipo de organización de datos. Para su inferencia se usa como base
la estadística paramétrica, la cual se define como la rama de la estadística inferencial
que comprende los procedimientos estadísticos y de decisión que están basados en las
distribuciones de los datos reales.

Curva de distribución normal.

La densidad de la variable aleatoria normal X, con media  y varianza 2 es:

En 1733, Abraham DeMoivre desarrolló la expresión matemática que describe a la

curva normal, y fue quien sentó las bases de la teoría de la estadística inductiva. La
distribución normal a menudo se denomina distribución gaussiana en honor de Karl
Friedrich Gauss (1777-1855), quien derivó experimental su expresión a partir de un
estudio de errores en mediciones repetidas de la misma cantidad.

La distribución normal:
 Es la más importante en la teoría estadística moderna y la de mayor uso de
todas las distribuciones continuas de probabilidad en análisis estadísticos
económicos, comerciales, de ingeniería, ciencias sociales, ciencias aplicadas,
negocios…
 Puede ser utilizada para una gran cantidad de variables; sin embargo se debe
tenerse mucho cuidado al suponer para una situación dada un modelo de
probabilidad normal sin previa comprobación.
 Sirve de aproximación, bajo ciertas condiciones, a otras distribuciones de
probabilidad.
 Es la base de la inferencia estadística.

Características de la curva normal:

1. La media, la mediana y la moda tienen el mismo valor. La curva tiene un solo
pico, por tanto se indica que la misma es unimodal.
2. La curva es simétrica alrededor de un eje vertical a través de la media μ. O sea
es simétrica con respecto a su centro.
3. La curva tiene sus puntos de inflexión en x = μ + σ, es cóncava hacia abajo si μ
– σ < X < μ + σ, y es cóncava hacia arriba en otro caso.
4. La curva normal se aproxima al eje horizontal de manera asintótica, c onforme
nos alejamos de la media en cualquier dirección. Los dos extremos de la
distribución son asintóticos al eje de las abscisas.
5. El área total bajo la curva y sobre el eje horizontal es igual a uno.

La distribución normal es la más versátil de las distribuciones, tanto es así que la

mayoría de las otras distribuciones pueden aproximarse a ella. En este sentido es
importante señalar que las distribuciones t de Student, chi cuadrada y la F de Fisher se
basan en los preceptos establecidos por la distribución normal.

Una variable aleatoria continua X que tiene la distribución en forma de campana como
la antes indicada se denomina variable aleatoria normal. La ecuación matemática para
la distribución de probabilidad de la variable normal depende de los dos parámetros μ y
σ, su media y su desviación estándar, respectivamente. Por ello, denotamos los valores
dela densidad de X por n (x; μ, σ).

Esta distribución está caracterizada por dos parámetros, la media (o valor máximo de la
esperanza matemática), y la varianza (o desviación estándar). Este último valor
establece la forma de la curva, y es quien define a la curtosis o coeficiente de
apuntamiento, el cual estudia la proporción de la varianza que se explica por la
combinación de datos extremos respecto a la media en contraposición con datos poco
alejados de la misma.

Las curvas normales más apuntada son denominadas leptocúrticas (a), las menos
apuntadas se llaman platicúrtica (b), y la distribución normal es mesocúrtica cuando se
halla de manera equidistante entre la leptocúrtiva y la platicúrtica (c). Recuerde que el
área bajo una curva de probabilidad debe ser igual a 1 y, por lo tanto, cuanto más
variable sea el conjunto de observaciones, más baja y más ancha será la curva
correspondiente. Quedemos sobre todo para esta asignatura con esta característica de
la curva normal.

a b c

-  + -  + -  +

–x-s –x –x+s –x-s –x –x+s –x-s –x –x+s
Tipos de curvas de densidad normal.

Estadígrafo o estadístico de prueba: es una expresión que se usa para

designar a la variable que define una distribución estadística.
Es común hablar y emplear los términos estadígrafo
o estadístico de prueba como sinónimo.

1  x 
2

Funcion de densidad de probabilidad: 1   2   


f ( x)  e
  2
Esperanza: E( X )   x  

Varianza: V ( X )   2x   2

Notación: X ~ N ( x; , 2 ) o X ~ N ( , 2 )

Distribucion normal estándar: Se utiliza para omitir (facilitar) el procedimiento de

cálculo integral por una tabla numérica. Esto es debido a que ninguna técnica estándar
de integración puede ser utilizada para calcular los valores de probabilidad
considerando la función de distribución de densidad descrita en la distribución normal.
En cambio, cuando se fijan los valores de la media en cero y de la desviación estándar
en 1, es posible tabular los valores de probabilidad en un intervalo [a, b] cualquiera.
Dicha tabla también puede ser utilizada para calcular probabilidades con cualquier
otros valores de la media y la desviación estándar.

La distribución normal con valores de parámetros = 0 y = 1 se denomina distribución

normal estándar. Una variable aleatoria que tiene una distribución normal estándar se
llama variable aleatoria normal estándar y se denota con la letra Z. para obtener Z, se
hace una transformación lineal utilizando la expresión: X 
Z

y se denota como: Z ~ N (0,1)
1
1  2 z2
Función de densidad de probabilidad: f ( z )  e
2
1
a a 1  2 z2
Función de distribución acumulada: F (a)  P( Z  a)   f ( z )dz   e dz
 
2
Para calcular la probabilidad asociada a la distribución normal:

a X  b 
P ( a  X  b )  P   
    

P ( a  X  b)  P ( Z a  Z  Z b )

Tabla de distribución normal estándar:

La tabla de DNE comúnmente usada en los libros de texto reconocidos de estadística,
es la acumulada (o de cola inferior). La misma se caracteriza por lo siguiente: valores
de z menores de -3 tienden a cero, valores de z superiores a 3, tienden a uno. La
primera columna representa el valor z con un decimal, mientras que la primera fila
representa el valor del segundo decimal de z. El cuerpo de la tabla representa el área
debajo de la curva, siendo estos los valores de probabilidad estandarizados (Anexo A).

Ejercicios de distribución normal:

Un autobús llega cada 10 minutos a una parada. Se supone que el tiempo de espera
para un individuo en particular es una variable aleatoria con distribución continua
uniforme. a) ¿Cuál es la probabilidad de que el individuo espere más de 7 minutos? b)
¿Cuál es la probabilidad de que el individuo espere entre 2 y 5 minutos?

Determine el área bajo la curva normal:

A la derecha de z = -0,85; a la izquierda de z = 0,560; 0,40 < z < 1,30; -0.30 < z < 0.90;
-1,50 < z < -0,45; -2,93 < z < -2,06; -1,08 < z < 0,70; 0,96 < z < 1,62. Realice los
respectivos dibujos que ayuden a la interpretación de estos resultados.

Dada una distribución normal con μ = 30 y σ = 6, calcule a) el área de la curva normal a

la derecha de x = 17; b) el área de la curva normal a la izquierda de x = 22; c) el área
de la curva normal entre x = 32 y x = 41; d) el valor de x que tiene 80% del área de la
curva normal a la izquierda.

Dada la variable X normalmente distribuida con una media de 18 y una desviación

estándar de 2.5, calcule: a) P(X < 15); b) el valor de k tal que P(X < k) = 0.2236; c) el
valor de k tal que P(X> k) = 0.1814; d) P(17 < X < 21).

Las puntuaciones de un examen de estadística se distribuyen normalmente con media

de 11,2 puntos y varianza de 1,7689 puntos cuadrados. Se pregunta: ¿Cuál es la
proporción de estudiantes con más de 15 puntos?. ¿Cuál es la proporción de
estudiantes que se hallan entre 9,80 y 12,50 puntos?. ¿Qué le indica este resultado?.
¿Cuál es la proporción de estudiantes entre 10,20 y 13,50 puntos?.

Suponga que la estatura de las damas de las secciones 41 y 42 de algebra booleana y

probabilidad (UCV, semestre 1, 2016) sigue una distribución normal con media 1,65m y
desviación estándar de 0,13m. ¿Qué proporción de damas tienen una estatura entre
1,56 y 1,75m? ¿Cuánto es la estatura de una mujer cuyo valor z es 0,15?.
Cierto tipo de batería de almacenamiento dura, en promedio, 2.5 años, con una
desviación estándar de 0.45 años. Suponga que la duración de la batería se distribuye
normalmente y calcule la probabilidad de que una batería determinada dure menos de
2 años y 3 meses.

Una empresa de material eléctrico fabrica bombillas de luz cuya duración, antes de
quemarse, se distribuye normalmente con una media igual a 1440 horas y una varianza
de 1444 horas. Calcule la probabilidad de que una bombilla se queme entre 1152 y
1296 horas.

En una investigación de un proceso industrial de soldadura de titanio, se logró

determinar la ecuación de equivalencia de oxígeno para predecir la resistencia,
ductibilidad y dureza de dichas soldaduras. La ecuación es E = 2C + 7/2 N + O, donde
E es la equivalencia del oxigeno, N la de nitrógeno y C la de carbono (todas en ppm).
Suponga que para un nivel particular de titanio puro comercial las cantidades de C, N y
O son aproximadamente independientes y se distribuyen normalmente con  c= 150;
 N= 200 y  O= 1500, y varianzas de 900, 3600 y 10000, respectivamente. Determine la
distribución de E. ¿Cuál es la probabilidad de obtener una resistencia mayor de
3000ppm?. ¿Cuál es la probabilidad de hallar resistencias entre 2260 y 2740ppm?.
¿Cuál es la proporción de las resistencias a + 2 desviaciones estándar?. ¿Qué puede
inferir de este valor?.

Los siguientes quince valores: 10,23; 11,22; 12,22; 12,22; 13,21; 14,24; 11,21; 11,21;
12,24; 11,21; 13,21; 13,21; 12,24 11,21; 12,22; 11,21; representan la longitud (cm) de
tubos de pasta de diente, presentación de viajero, los cuales fueron obtenidos de una
muestra de dicho proceso industrial. Determine la media y la desviación estándar
usando los datos crudos, así como usando las propiedades de probabilidad para hallar
estos valores. Asimismo indique cual es la probabilidad de hallar tubos entre 11, 25cm
y 12,25cm de largo y la probabilidad de hallar tubos de más de 14cm de largo.

Una compañía recibe importante cargamento de pernos. Éstos se utilizarán en una

aplicación que necesita de una torsión de 100 J. Antes de que se acepte el
cargamento, un ingeniero especialista en control de calidad sacará una muestra de 12
pernos y medirá la torsión necesaria para romper a cada uno de ellos. El cargamento
será aceptado si el ingeniero concluye que menos de 1% de los pernos tiene torsión de
ruptura menor a 100 J. Una compañía recibe importante cargamento de pernos. Éstos
se utilizarán en una aplicación que necesita de una torsión de 100 J. Antes de que se
acepte el cargamento, un ingeniero especialista en control de calidad sacar á una
muestra de 12 pernos y medirá la torsión necesaria para romper a cada uno de ellos. El
cargamento será aceptado si el ingeniero concluye que menos de 1% de los pernos
tiene torsión de ruptura menor a 100 J.

a) Si los 12 valores son 107, 109, 111, 113, 113, 114, 114, 115, 117, 119, 122, 124,
calcule la media y la desviación estándar muestral.
b) Suponga que se saca una muestra de 12 valores de una población normal, y
suponga que la media y la desviación estándar muestrales calculadas en el
inciso a) son realmente la media y la desviación estándar de la población.
Calcule la proporción de pernos cuya torsión de ruptura es menor a 100 J. ¿Será
aceptado el cargamento?
c) ¿Qué pasará si los 12 valores hubieran sido 108, 110, 112, 114, 114, 115, 115,
116, 118, 120, 123, 140? Utilice el método descrito en los incisos a) y b) para
determinar si el cargamento hubiera sido aceptado.
 d) Compare los conjuntos de 12 valores en los incisos a) y c). ¿En qué muestra los
pernos son más resistentes?.
e) ¿El método es válido para ambas muestras? ¿Por qué sí o por qué no?.

Un profesor universitario nunca termina su disertación antes del final de la hora y

siempre termina dentro de 2 minutos después de la hora. Sea X el tiempo que
transcurre entre el final de la hora y el final de la disertación y suponga que la función
de densidad de probabilidad de X es: KX2 0 < x < 2. Determine:
1. el valor de k
2. ¿Cuál es la probabilidad de que la disertación continúe después de la hora
durante entre 60 y 90 segundos.
3. Esperanza.
4. Varianza.

Un abogado viaja todos los días de su casa en los suburbios a su oficina en el centro
de la ciudad. El tiempo promedio para un viaje sólo de ida es de 24 minutos, con una
desviación estándar de 3.8 minutos. Si se supone que la distribución de los tiempos de
viaje está distribuida normalmente.

1. ¿Cuál es la probabilidad de que un viaje tome al menos 1/2 hora?.

2. Si la oficina abre a las 9:00 a.m. y él sale diario de su casa a las 8:45 a.m., ¿qué
porcentaje de las veces llegará tarde al trabajo?.
3. Si sale de su casa a las 8:35 a.m. y el café se sirve en la oficina de 8:50 a.m. a
9:00 a.m., ¿cuál es la probabilidad de que se pierda el café?.
4. Calcule la probabilidad de que 2 de los siguientes 3 viajes tomen al menos 1/2
hora.
5. Los dos valores de tiempo que contienen el 60% central del área de la curva
normal.

1. Una compañía recibe importante cargamento de pernos. Éstos se utilizarán en una

aplicación que necesita de una torsión de 100 J. Antes de que se acepte el
cargamento, un ingeniero especialista en control de calidad sacará una muestra de
12 pernos y medirá la torsión necesaria para romper a cada uno de ellos. El
cargamento será aceptado si el ingeniero concluye que menos de 1% de los pernos
tiene torsión de ruptura menor a 100 J. Una compañía recibe importante
cargamento de pernos. Éstos se utilizarán en una aplicación que necesita de una
torsión de 100 J. Antes de que se acepte el cargamento, un ingeniero especialista
en control de calidad sacará una muestra de 12 pernos y medirá la torsión
necesaria para romper a cada uno de ellos. El cargamento será aceptado si el
ingeniero concluye que menos de 1% de los pernos tiene torsión de ruptura menor a
100 J.

f) Si los 12 valores son 107, 109, 111, 113, 113, 114, 114, 115, 117, 119, 122, 124,
calcule la media y la desviación estándar muestral.
g) Suponga que se saca una muestra de 12 valores de una población normal, y
suponga que la media y la desviación estándar muestrales calculadas en el
inciso a) son realmente la media y la desviación estándar de la población.
Calcule la proporción de pernos cuya torsión de ruptura es menor a 100 J. ¿Será
aceptado el cargamento?
h) ¿Qué pasará si los 12 valores hubieran sido 108, 110, 112, 114, 114, 115, 115,
116, 118, 120, 123, 140? Utilice el método descrito en los incisos a) y b) para
determinar si el cargamento hubiera sido aceptado.
i) Compare los conjuntos de 12 valores en los incisos a) y c). ¿En qué muestra los
pernos son más resistentes?.
 j) ¿El método es válido para ambas muestras? ¿Por qué sí o por qué no?.

Aproximación de una distribución binomial a una distribución normal estándar :

Como se sabe del tema anterior, la distribución binomial es discreta, mientras la
distribución normal es continua. Para ello, se hace una aproximación, recordando que
para la distribución aleatoria binomial tiene media μ = np y varianza σ2 = npq, entonces
la forma limitante de la distribución se logra al sustituir los valores de μ y σ2 en la
ecuación z.

; o lo que es igual

conforme n → ∞, es la distribución normal estándar n(z; 0, 1).

Resulta que la distribución normal con μ = np y σ 2 = np(1 – p) no sólo ofrece una

aproximación muy precisa a la distribución binomial cuando n es grande y p no está
extremadamente cerca de 0 o de 1, sino que también brinda una aproximación
bastante buena aun cuando n es pequeña y p está razonablemente cerca de 1/2.

Ejemplo: se lanza una moneda 400 veces. Utilice la aproximación a la curva normal
para calcular la probabilidad de obtener a) entre 185 y 210 caras; b) exactamente 205
caras; c) menos de 176, d) más de 227 caras.

Para realizar por el estudiante: Un proceso produce 10% de artículos defectuosos. Si

se seleccionan al azar 100 artículos del proceso, ¿cuál es la probabilidad de que el
número de defectuosos: a) exceda los 13? b) sea menor que 8?

Distribución “log-normal”
Este tipo de distribución se emplea cuando los datos son atípicos, o sea que no se
aproximan a una distribución normal. La distribución logarítmica normal se utiliza en
una amplia variedad de aplicaciones. Dicha distribución se aplica en casos donde una
transformación logarítmica natural tiene como resultado una distribución normal. Esta
distribución puede resultar particularmente útil para modelar datos que sean
aproximadamente simétricos o asimétricos a la derecha.

La variable aleatoria continua X tiene una distribución logarítmica normal si la variable

aleatoria Y = ln X tiene una distribución normal con media μ y desviación estándar σ. La
función de densidad de X que resulta se observa en la siguiente ecuación, y la forma
de graficarse se muestra a continuación.
 Función de densidad de probabilidad de la distribución log-normal,
a) para = 0 y =1 y b) = 1 y =1. Fuente: Wapole et al., (2012).

Esperanza y Varianza de una distribución log-normal es la siguiente:

y

Esta distribución suele utilizarse para modelar partes o componentes que fallan
principalmente debido a esfuerzo o fatiga, incluyendo las siguientes aplicaciones: Falla
debido a reacciones químicas o degradación, como corrosión, migración o difusión, que
es común en el caso de los semiconductores. Tiempo hasta la fractura en los metales
sometidos al crecimiento de las grietas por fatiga. Componentes electrónicos que
presentan menor riesgo de falla después de cierto tiempo.

Ejercicios de log-normal:
1. El tiempo de vida de cierto componente sigue una distribución log-normal con
parámetro = 1 día y desviación estándar de 0,5 día. Determine la vida media
del componente y la desviación estándar de los tiempos de vida. Adicionalmente
determine la probabilidad de que un componente dure: a) entre 9 y 18 horas, b)
dure menos de tres días y c) dure más de 4 días.
2. El tiempo de vida (en días) de cierto componente electrónico que opera en un
ambiente a alta temperatura sigue una distribución log-normal con = 1,2 y =
0,4. a) Determine la vida media de dicho componente. b) determine la
probabilidad de que un componente dure entre 3 y 6 días.
3. Cuando se aplica un lubricante a una máquina este entra en contacto directo con
el sistema, haciéndola que funcione mejor. El % de lubricante que se consume
durante cierto espacio de tiempo se modela según una distribución log-normal.
Suponga que la cantidad media de lubricante que se consume en dos días es de
1,5 litros con desviación estándar de 0,5 litros. a) determine la cantidad media de
lubricante absorbido y la varianza en dicho período. b) determine la probabilidad
de que se absorba mas del doble de la media actual. c) determine la
probabilidad de que se consuman menos de 5 litros.
4. Cuando un pesticida entra en contacto con la piel, se absorbe cierto porcentaje
de éste. El porcentaje del pesticida que será absorbido durante cierto espacio de
tiempo puede modelarse con una distribución lognormal. Suponga que para
cierto pesticida, la cantidad que es absorbida (en porcentaje) durante un periodo
de dos horas sigue una distribución lognormal con media 1.5 y varianza 0.25. a)
Determine la probabilidad de que el porcentaje absorbido sea mayor que 10. b)
Determine la probabilidad de que el porcentaje absorbido sea menor que 5.
Distribución exponencial:
Existen muchos casos en la práctica en los que una variable aleatoria obedece exacta
o aproximadamente a la distribución exponencial. Es utilizada en el campo de la
Investigación de Operaciones, es decir, en problemas de cola o líneas de espera, como
modelo de la distribución de tiempos entre la presentación de eventos sucesivos
independientes. Problemas de vida o de duración de componentes o procesos, son
casos típicos donde la distribución exponencial juega un papel importante en su
análisis.

La familia de distribuciones exponenciales proporciona modelos de probabilidad que

son muy utilizados en disciplinas de ingeniería y ciencias. Se dice que X tiene una
distribución exponencial con parámetro  (> 0), si la función de densidad de
probabilidad de X es como se describe en la siguiente ecuación:

De lo cual se desprende la función

de densidad acumulativa

P (X < x) = para x > 0.

La media y la varianza se calculan de la siguiente manera:

E(X)= 1/ ; Var (X)= 1/2

Ejercicios distribución exponencial:

Una masa radioactiva emite partículas de acuerdo con un proceso exponencial a razón
de 15 partículas por minutos. a) ¿Cuál es el tiempo medio de emisión de partículas?. b)
¿Cuál es la probabilidad de que transcurran 5 segundos antes de la siguiente emisión?.

El tiempo de vida de un circuito integrado particular tiene una distribución exponencial

con media de dos años. ¿Cuál es la probabilidad de que el circuito dure más de tres
años?

Distribución gamma:
Es una distribución continua que amplía la utilidad de la distribución exponencial en el
modelado de tiempos de espera. La función de densidad de probabilidad gamma tiene
dos parámetros  y , las cuales son constantes positivas. El parámetro  es de forma
y  es de escala, pues este alarga o acorta la función sobre el eje X.

La función gamma está definida por:


( )   x  1e  x dx para todo x > 0.
0

Se verifica integrando por partes que:

( )  ( 1)( 1) para cualquier  > 1.

Si n es un número entero positivo, entonces: ( )  ( 1)!

Se dice que una variable aleatoria continua X tiene distribución gamma si la función de
densidad de probabilidad de X es:

x
1 
f ( x,  ,  )   x 1e  para x > 0
 ( )

Media:  = E(x) = .

Varianza:  2 = Var (x)= 2.

Cuando X es una variable aleatoria gamma estándar, la función de distribución

acumulada de X es:
y  1e  y
x
F( x , )   dy para x > 0.
0
( )

Y para evitar el procedimiento de integración, se usa la tabla de la función gamma

x  x
incompleta, considerando lo siguiente: F  ;  , en el cual el cociente es la x de la
  
tabla de la función gamma incompleta. Entonces, si X tiene una distribución gamma
con parámetros  y  con cualquier x > 0, la función de distribución acumulada de x es:
x 
P( X  x)  F ( x, ,  )  F  ; 
 
Aplicaciones de la distribución gamma:
Entre los muchos usos que se le da a la distribución gamma se tiene aquel relaci onado
con la duración de piezas de tipo mecánico, las cuales se sabe que por lo general
están sometidas a fuerzas cíclicas, durante su funcionamiento. Para ello, se supondría
que los ciclos ocurren de manera independiente y a una frecuencia promedio. Siend o
así, el tiempo que debe transcurrir antes de que el material se rompa se puede
considerar una variable aleatoria que cumple con la distribución gamma. También, se
emplea como modelo para la distribución de frecuencias relativa del tiempo entre
llegadas a un mostrador de servicio (centros de cómputo, caja de súper mercado,
clínica hospitalaria, etc.). También se utiliza como modelo para la duración de equipos
o productos industriales cuando la probabilidad de que un componente viejo opere por
lo menos t unidades de tiempo adicionales, dado que está funcionando ahora. En
pocas palabras, tiene amplias aplicaciones en confiabilidad de procesos.

Distribución Weibull:
El físico sueco Waloddi Weibull introdujo la familia de distribuciones Weibull en 1939.
Como derivación de lo publicado en su artículo de 1951 “A Statistical Distribution
Function of Wide Applicability” (J. Applied Mechanics, vol. 18: 293-297), se ha logrado
modelar sistemas complicados cuya operación y seguridad dependen de la
confiabilidad de los diversos componentes que conforman dichos sistemas. Ello quiere
decir que mediante esta distribución se puede fácilmente determinar la tasa de fallas o
tasa de riesgo de un componente y a partir de allí predecir el desgaste o deterioro del
componente.

La función de densidad de probabilidad de Weibull, se muestra en la siguiente

ecuación. De ella se observan dos parámetros  y , ambos son constantes positivos
que determinan su localización y forma:

 ( )
x
  1 
f ( x, ,  )  x e para todo x > 0
 
 
 x 
  

 
F ( x,  ,  )  1  e  
para todo x > 0

(Nota: ecuación tomada del libre de J. Devore)

Ejercicio distribución Weibull:

Sea X la pérdida de peso por corrosión de una pequeña placa de aleación de magnesio
cuadrada sumergida durante 7 días en una solución inhibida acuosa al 20% de MgBr2.
Suponga que la pérdida de peso mínima posible es 3 y que el exceso X - 3 sobre esta
mínima tiene una distribución Weibull con =2 y =4. (Este ejemplo se consideró en
“Practical Applications of the Weibull Distribution”, Industrial Quality Control, agosto de
1964: 71-78; los valores de  y  se consideraron como 1.8 y 3.67, respectivamente,
aun cuando en el artículo se utilizó una selección de parámetros un poco diferente).
Calcule la probabilidad de x > 3,5 y 7 < x < 9.

Los autores del artículo “A Probabilistic Insulation Life Model for Combined Thermal-
Electrical Stresses” (IEEE Trans. on Elect. Insulation, 1985: 519-522) expresan que “la
distribución de Weibull se utiliza mucho en problemas estadísticos relacionados con el
envejecimiento de materiales sólidos aislantes sometidos a envejecimiento y esfuerzo”.
Proponen el uso de la distribución como modelo del tiempo (en horas) hasta la falla de
especímenes aislantes sólidos sometidos a voltaje de CA. Los valores de los
parámetros dependen del voltaje y temperatura, suponga =2.5 y = 200 (valores
sugeridos por datos que aparecen en el artículo). a. ¿Cuál es la probabilidad de que la
duración de un espécimen sea cuando mucho de 250? B. ¿De menos de 250?. c. ¿De
más de 300?. D. ¿Cuál es la probabilidad de que la duración de un espécimen esté
entre 100 y 250?.

Distribución beta: esta distribución se usa para representar variables físicas cuyos
valores se encuentran restringidos a un intervalo de longitud finita y para encontrar
ciertas cantidades que se conocen como límite de tolerancia sin necesidad de probar el
hecho de que se cumpla la hipótesis de la ocurrencia de una distribución normal. Esta
distribución juega un papel importante en la estadística bayesiana.

Distribución chi cuadrada: es una derivación de la distribución gamma, en donde α =

v/2 y β = 2, donde v es un entero positivo. Este resultado se conoce como distribución
chi cuadrada. La distribución tiene un solo parámetro, v, denominado grados de
libertad. Esta distribución es muy importante en análisis de muestreo debido que
mediante su uso se sabe si un conjunto de datos proviene de una distribución de
probabilidad dada.

Definición formal:
Considérese una muestra aleatoria de tamaño n, que proviene de cualquier distribución
de variable aleatoria de X, y que la misma se divide en v clases fácilmente distinguibles
entre sí. Dichas clases deben cumplir la característica de que sean mutuamente
excluyentes. Dado que la misma es una comparación de valores, debemos de valernos
de una hipótesis para determinar si el conjunto de datos, o el fenómeno de interés,
proviene de la misma fuente. Lo anterior permite la realización de inferencia estadística
de datos poblacionales tomando como valores de referencia datos muestrales.

Se tiene que para el cumplimiento de la misma, se debe suponer una hipótesis y su

respectivo valor contrario. Así llegamos a la definición de hipótesis nula, la cual postula
una distribución de probabilidad totalmente especificada como el modelo matemático
de la población que ha generado la muestra, o sea que los datos provienen de una
población con parámetros conocidos. En contraste, la hipótesis alternativa
(complementaria a la nula), entonces es el no cumplimiento de la hipótesis nula.

Parámetro: v (denominado grados de libertad).

Notación: X   2 (v )

Función de densidad de probabilidad:

v x
1 1 
f ( x, v )  v
x2 e 2
para x > 0.
2 v
2
( )
2

 v es el valor de la función gamma en v/2.

( )
2

Función de distribución acumulada de la distribución chi cuadrada:

a v x
1 1 
Fa  P( x  a )   v
x 2
e dx2

0
2 v2
( )
2

Para omitir el proceso de integración se usan tablas.

Media:  = E(x) = v.

Varianza:  2 = Var (x)= 2v.

Tabla Distribución Normal Estándar Acumulada.

Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
Tabla Distribución Normal Estándar Acumulada.

Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998