Probabilidades 2022 2 v2

PROBABILIDADES
El objetivo fundamental de la estadística es realizar inferencias acerca de una variable en la población

a partir del conocimiento de una muestra. La teoría de la probabilidad es el fundamento para la
inferencia estadística; esta proporciona y estudia modelos para las distribuciones de algunas
variables importantes.
En la mayoría de los problemas hay que tomar decisiones en base a experimentos, así pues,
definiremos lo que es un experimento aleatorio para poder entender el concepto de probabilidad.
EXPERIMENTO ALEATORIO Y ESPACIO MUESTRAL
Existen dos tipos de experimentos:
Experimento Determinístico: Al repetirlos bajo las mismas condiciones siempre dan el mismo
resultado (predecible). Ejemplos: Fenómenos físicos y químicos.
Ejemplos:
- El resultado de una reacción química.
- La velocidad de llegada de un cuerpo a tierra al dejarlo caer desde una torre con altura conocida.
Experimento Aleatorio o no determinístico (  ): Conjunto de pruebas realizadas bajo las mismas

condiciones y cuyos resultados son impredecibles. Los simbolizaremos como  . Estos también son
conocidos como experimentos estocásticos. Los rasgos que distinguen a los experimentos aleatorios
son:
i. Todos los posibles resultados del experimento son conocidos con anterioridad a su
realización.
ii. No se puede predecir el resultado exacto del experimento.
iii. El experimento puede repetirse en condiciones idénticas.
Ejemplos
1 : Lanzar moneda y observar su cara superior.

 2 : Extraer al azar un artículo de un lote que contiene 50 artículos defectuosos y 15 artículos no
defectuosos.
 3 : Observar el tiempo de vida de una lámpara desde que se enciende hasta que falla.
 4 : Elegir un punto al azar en el intervalo cerrado 0,1
 5 : Lanzar una moneda y contar el número de lanzamientos hasta que salga cara.
 6 : Contar el número de artículos fabricados en un día por una máquina, hasta que resulte un artículo
defectuoso.
Espacio Muestral (Ω): Es el conjunto de todos los resultados posibles asociados a un experimento
aleatorio. Se denota por Ω.
Ejemplos:
- Al experimento aleatorio 1 : Lanzar moneda y observar su cara superior, le corresponde el
espacio muestral:
1 = C, S
- Al experimento aleatorio  2 : Extraer un artículo de un lote que contiene 50 artículos
defectuosos (D) y 15 artículos no defectuosos (ND), le corresponde
2 = D, ND
- Al experimento aleatorio  3 : Observar el tiempo de vida de una lámpara desde que se

enciende hasta que falla , le corresponde:
3 = t  / 0  t  M  dónde M es el tiempo máximo de vida de la lámpara.
- Al experimento aleatorio 4 : Elegir un punto al azar en el intervalo cerrado 0,1 le

corresponde:
4 =  x  / 0  x  1
- Al experimento aleatorio  5 : Lanzar una moneda y contar el número de lanzamientos hasta

que salga cara le corresponde:
5 = 1, 2,3, 4,... 
- Al experimento aleatorio  6 : Contar el número de artículos fabricados en un día por una

máquina, hasta que resulte un artículo defectuoso.

le corresponde 6 = 1, 2,3, 4,...M 
dónde M es el número máximo de artículos fabricados en un día por la máquina.
Los espacios muestrales pueden ser:
Espacio muestral discreto:
Si tiene un número finito o infinito numerable de elementos.
Espacio muestral continuo
Si tiene un número no numerable de elementos, es decir, cuyos elementos son todos los puntos de
algún intervalo.
MG. PEDRO SAENZ R. Página 2

En los ejemplos vistos líneas arriba, únicamente Ω3 y Ω4 son continuos, los restantes son de tipo
discreto.
Evento: Dado un experimento aleatorio cuyo espacio muestral es  , se llama

evento a cualquier subconjunto de  y lo denotaremos por A, B, C, D…
Sea el evento E, entonces: E  
Suceso: Es todo elemento del espacio muestral y lo denotaremos por w, x, y, etc.

Sea el suceso w, entonces w 
Distinguimos los siguientes tipos de eventos:
- Evento simple o elemental: consta de un solo elemento

- Evento compuesto: consta de dos o más elementos
- Evento imposible: es el que nunca puede realizarse (viene determinado por el conjunto
vacío,  )
- Evento seguro: es el que siempre se cumple (viene determinado por
el conjunto total,  )
- Eventos disjuntos o mutuamente excluyentes: aquellos eventos A y B que no pueden
realizarse a la vez, A  B = 
Ejemplos:
Clarifiquemos estos conceptos con unos ejemplos:
- Realizamos el experimento aleatorio  : “Lanzar un dado y observar la cara superior”
Espacio muestral:  = {1, 2, 3, 4, 5, 6}
Evento simple: “Sacar un 2” = { 2 }
Evento compuesto: “Sacar un número impar” = { 1, 3, 5 }
Evento imposible: “Sacar un 7” = 

Evento seguro: “Sacar un nº menor que 7” = 𝛺 = { 1, 2, 3, 4, 5, 6 }
Eventos disjuntos: A = “Sacar un nº par” = { 2, 4, 6 }

B = “Sacar un nº impar” = { 1, 3, 5 }
Eventos disjuntos: A = “Sacar un uno” = { 1 }

B = “Sacar un tres” = { 3 }
Eventos no disjuntos: A = “Sacar un nº par” = { 2, 4, 6 }

C = “Sacar un nº menor a 5” = { 1, 2, 3, 4 }

1. OPERACIONES CON EVENTOS: (ALGEBRA DE EVENTOS)
Tratándose los eventos de subconjuntos del espacio muestral, es natural que satisfagan todas las
características de los conjuntos. Sean A y B dos eventos del espacio muestral  .
• SUB-EVENTOS
Dados dos eventos A y B se dice que A esta contenido en B o que A es sub-evento de B y denotamos
por A  B , Es decir si ocurre el evento A ocurre necesariamente el evento B
A  B,si w  A  w  B
• IGUALDAD DE EVENTOS
Se dice que dos eventos A y B son iguales, y se denota por A = B, si A  B y B  A
• LA INTERSECCIÓN, que se denota A  B , es el evento que consta de todos los resultados en 

que pertenecen tanto a A como a B, por tanto, la intersección A  B ocurre si y sólo si tanto A
como B ocurren.
AB = A  B = w  w  A  w  B
De manera más general, dados k eventos A1, A2, ..., Ak, su intersección A1  A2    Ak es el
conjunto de todos los resultados básicos que pertenecen a todo Ai (i = 1, 2, ..., k)
Ejemplo: lanzamos un dado al aire y analizamos dos eventos:

A: que salga número par, y B: que sea mayor que 3.
La intersección de estos dos eventos tiene dos elementos o sucesos: el 4 y el 6.
A  B = 4,6

• LA UNIÓN, que se denota A  B , es el evento que consta de todos los resultados que
pertenecen al menos a uno de estos eventos, por lo tanto, la unión A  B ocurre si y sólo si A
y/o B ocurren.
A  B = w  w  A  w  B
PROPIEDADES:
i. A  ( B  C ) = ( A  B)  ( A  C )
ii. A  ( B  C ) = ( A  B)  ( A  C )
De manera más general, dados k eventos A1, A2, ..., Ak, su unión A1  A2    Ak es el conjunto
de todos los resultados que pertenecen al menos a uno de estos k eventos.

A: que salga número par, y B: que el resultado sea mayor que 3.
El evento unión estaría formado por los siguientes resultados: el 2, el 4, el 5 y el 6.
Luego A  B = 2, 4,5,6
• EL COMPLEMENTO El complemento del evento A (con respecto al espacio muestral  ), que se

representa por A c (dependiendo de la literatura también se usa A ó A ' ), es el evento que consta
de todos los resultados pertenecientes a  pero no al evento A.
Ac = A ' = A =  − A = w  w   w  A
A' =  − A

PROPIEDADES
i. ( A´)´= A
ii. A  A´= 
iii. A  A´= 
iv. ' = 
v. A − B = A  B´
Ejemplo: lanzamos un dado al aire. El evento (A) es que salga un número par, luego su
complementario, el evento A es que salga un número impar.
Definiciones complementarias:
• Si A y B no tienen puntos muestrales en común (sucesos) se denominan excluyentes y su

intersección A ∩ B es el conjunto vacío  , lo que significa que A ∩ B no puede ocurrir.
• De manera más general, dados k eventos A1, A2, ..., Ak, se dicen mutuamente excluyentes si cada
par de estos eventos es excluyente, es decir Ai  Aj =  para todo i ≠ j.
Ejemplo: lanzamos un dado al aire y analizamos tres eventos:
A: Sale un número menor que 3,
B: Sale el número 6
C: Sale un numero impar mayor que 2.
Decimos que A, B y C son mutuamente excluyentes.
• Dados k eventos E1, E2, ..., Ek definidos en el mismo espacio muestral  ,

si su unión E1  E2  ...  Ek =  se dice que estos k eventos son colectivamente exhaustivos.
A: “que salga número impar”, y B: “que salga un número mayor que 1”
Como AꓴB=Ω entonces estos 2 eventos son colectivamente exhaustivos.
• LEYES DE MORGAN
Las operaciones o el algebra de eventos es el mismo del algebra de conjuntos.
Las leyes de Morgan se usan para el complemento, es decir: Leyes De Morgan
( A  B) ' = A '  B ' y ( A  B ) ' = A'  B '

EJERCICIOS
A − B = A  B´
Simplificar:  A '− ( B  A) −  A '− ( B ' 

 A ' )  '
Solución:  A '− ( B  A) −  A '− ( B '  A ') '
 A '− ( B  A) −  A '− ( B ' A ') '

 A ' ( B  A) ' −  A ' ( B ' A ') ' '
 A ' ( B ' A ') −  A ' ( B  A) '
 A ' B ' A ' −  A ' A  B  '
 A ' B ' −   B  '
 A ' B ' −  '
 A ' B ' '
A B
Respuesta: A  B

2. PROBABILIDAD. -
Definición Clásica: La probabilidad de un evento es la razón entre el número de casos (sucesos)

favorables y el número total de casos (sucesos) posibles, siempre que nada obligue a creer que
algunos de estos sucesos deban tener preferencia a los demás, lo que hace que todos sean
igualmente posibles.
Sea el espacio muestral  y el evento A   , entonces la probabilidad de la ocurrencia del evento

A será:
N ( A)
P ( A) =
N ()
Donde:
N ( A ) = número de casos favorables al evento A
N (  ) = número de casos posibles.
Ejemplo
Si lanzamos una moneda dos veces, ¿cuál es la probabilidad de obtener al menos una cara?
El espacio muestral correspondiente es  = { (C,C), (C,S), (S,C), (S,S) } ,

siendo C = cara y S = sello
Sea el evento A = “al menos una cara” = { (C,C), (C,S), (S,C) }
Luego: N ( A ) = casos favorables = 3, N (  ) = casos posibles 4
N ( A) 3
Así, la probabilidad pedida es P ( A) = =
N () 4
PROPIEDADES: Sea  un experimento aleatorio y  el espacio muestral asociado, la probabilidad de

A denotado por P(A) satisface las siguientes propiedades:
1. 0  P( A)  1
2. Si A es un evento imposible entonces P ( A) = P ( ) = 0
3. P(  ) = 1
4. 𝑃(𝐴̅) = 1 − 𝑃(𝐴)
5. Si A y B son dos eventos cualesquiera, entonces 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
6. Si A y B son mutuamente excluyentes entonces 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)
7. En general si tenemos k eventos excluyentes 2 a 2, Bi  B j = Ø para i  j , entonces:
P ( A1  A2   Ak ) = P ( A1 ) + P ( A2 ) + ..... + P ( Ak ) .

Ejemplo:
Se quiere conocer el nivel de satisfacción del consumo de cerveza artesanal entre turistas del país,
por lo que se realizó una encuesta a un grupo de turistas en diferentes regiones del Perú. Los
resultados se muestran a continuación:
Nivel de satisfacción con la Región del Perú al que viajó

Total
cerveza artesanal A: Costa Sierra E: Selva
Totalmente satisfecho 12 35 32 79
Parcialmente satisfecho 18 42 28 88
B: Insatisfecho 35 28 10 73
Total 65 105 70 240
Si se selecciona aleatoriamente a uno de los 240 turistas, ¿Cuál es la probabilidad:

a. Qué la región a la viajó sea la costa?
Respuesta:
Sea A: “El turista viajo a la costa”, luego N(A)=65; N(Ω)=240, entonces P(A)=65/240=0,2708.
N ( A)
P ( A) =
N ()
b. ¿Qué este insatisfecho con la cerveza artesanal?
Respuesta:
Sea B: “El turista esta insatisfecho”, luego N(B)=73; N(Ω)=240, entonces P(B)=73/240=0,3042.
c. ¿Qué la región a la viajó sea la costa y este insatisfecho con la cerveza artesanal?
Respuesta:
Sea
A: “El turista viajo a la costa
B: “El turista esta insatisfecho”
entonces N(AB)=35; P(AB)= P(AB)=35/240=0,1458.
d. ¿Qué la región a la viajó sea la costa o este insatisfecho con la cerveza artesanal?
Respuesta:
Sea
A: “El turista viajo a la costa
Si A y B son dos eventos cualesquiera, entonces
Luego la probabilidad pedida es:
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = 0,2708 + 0,3042 − 0,1458 = 0,4292
e. ¿Qué la región a la viajó no sea la costa?

Respuesta:
Sea A: “El turista viajo a la costa”, entonces 𝐴̅: “El turista no viajo a la costa”,
𝑃(𝐴̅) = 1 − 𝑃(𝐴) = 1 − 0,2708 = 0,7292

f. ¿Qué la región a la viajó sea la costa o sea la selva?
Respuesta:
Sea A: “El turista viajo a la costa”

Sea E: “El turista viajo a la selva”
𝑃(𝐴 ∪ 𝐸) = 𝑃(𝐴) + 𝑃(𝐸) − 𝑃(𝐴 ∩ 𝐸) = 0,2708 + 0,2917 − 0 = 0,5625
A y E son eventos excluyentes, por tanto: 𝑃(𝐴 ∪ 𝐸) = 𝑃(𝐴) + 𝑃(𝐸)
g. ¿Cual es la probabilidad de que el turista este totalmente satisfecho y insatisfecho al mismo

tiempo?
Sea:
S: turista este totalmente satisfecho
B: El turista esta insatisfecho
𝑃(𝑆 ∩ 𝐵) = 0
Nota: S y B son eventos excluyentes.
h. ¿Qué la región a la viajó sea el desierto de Africa?
Z: viajó al desierto de Africa

P(Z)=0.
3. PROBABILIDAD CONDICIONAL
Dados dos eventos A y B, se define la probabilidad condicional de A dado B como:
P( A  B)
P( A | B) =
P( B)
siempre que P(B) > 0
Y se entiende como la probabilidad de que ocurra el evento A considerando que antes ha ocurrido
el evento B.
EJEMPLO: Sea el experimento aleatorio: lanzar dos monedas una después de otra. ¿Cuál es la
probabilidad de que en el primer lanzamiento haya salido una cara, sabiendo que al lanzar las dos
monedas salió al menos una cara?
SOL.
Experimento: Se lanza dos monedas
Ω= {CC, CS, SC, SS}.
Sabemos que ha ocurrido el evento B: “sale al menos una cara”
B= {CC, CS, SC}
Sea el evento A:“en el primer lanzamiento sale cara”
A= {CC, CS}

Entonces: La probabilidad de que ocurra el evento A, dado que se sabe que el evento B ha ocurrido
es:
P( A  B)
P ( A B) =
P( B)
Como A∩B={CC, CS}

Reemplazando:
P( A  B) 2 / 4
P ( A B) = = = 2/3
P( B) 3/ 4
Rpta: 2/3.
Observación:
La probabilidad condicional, también la podemos entender como una restricción en el espacio
muestral, así en el ejemplo tenemos:
Ω*= {CC, CS, SC}
A*: Sale cara en el primer lanzamiento= {CC, CS}
N ( A *) 2
P ( A *) = =
N (  *) 3
Ejemplo: Se quiere conocer el nivel de satisfacción del consumo de cerveza artesanal entre turistas
del país, por lo que se realizó una encuesta a un grupo de turistas en diferentes regiones del Perú.
Los resultados se muestran a continuación:

Total
Total 65 105 70 240
Si se selecciona aleatoriamente a uno de los 240 turistas, ¿Cuál es la probabilidad:
a. Qué la región a la viajó sea la costa?, sabiendo que el turista estuvo insatisfecho con la cerveza
artesanal.
Respuesta:
Sea A: “El turista viajo a la costa”
P( A  B)
P ( A B) =
P( B)
𝐴 𝑃(𝐴∩𝐵) 35/240
Luego la probabilidad pedida es 𝑃 (𝐵) = = 73/240 = 0,4795
𝑃(𝐵)

Observacion, tambien podemos calcular de la siguiente manera:

Total
Total 35 28 10 73
Sea A*: “El turista viajo a la costa”, luego N(A*)=35; N(Ω*)=73, entonces P(A*)=35/73=0,4795.
Propiedades de la probabilidad condicional
1. 0  P( A | B)  1
2. P( | A) = P() = 1
3. P( A | ) = P( A)
 
4. P(  Ai | B) =  P( Ai | B) si Ai  Aj =  para i  j
i =1 i =1
En general tenemos dos formas de calcular P( A | B) :

a. Directamente, considerando la probabilidad de A respecto al espacio muestral Ω*= B.
b. Usando la definición, donde P( A  B) y P(B) se calculan respecto al espacio muestral original
.
4. REGLA DEL PRODUCTO DE PROBABILIDADES
También conocido como Teorema de Multiplicación, se puede ver como una consecuencia de la
definición de probabilidad condicional, indica que la probabilidad de la intersección de dos eventos
cualesquiera A y B es:
P( A  B) = P( A).P( B / A) = P( B).P( A / B)
P( A  B  C ) = P ( A  ( B  C ) ) = P( A).P ( ( B  C ) / A)
P( A  B  C ) = P( A).P ( B / A) .P (C / ( A  B ) )
La generalización de esta regla para n eventos nos lleva a:
P( A1   An ) = P( A1 ) P( A2 | A1 ) P( A3 | A1  A2 )......P( An −1 | A1   An −2 ) P( An | A1   An −1 )

Ejemplo 1: En una urna hay 5 bolillas blancas y 4 bolillas rojas; Se extrae al azar sucesivamente y sin
reposición dos bolillas ¿Cuál es la probabilidad de que las dos resulten blancas?
B=5
R=4
SOL:
A: La primera bolilla es blanca.
B: La segunda bolilla es blanca.
5 4
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵/𝐴) = × = 20/72
9 8
Respuesta: 20/72
Ejemplo 2: En una urna hay 5 bolillas blancas y 4 bolillas rojas; Se extrae al azar sucesivamente y sin
reposición cuatro bolillas ¿Cuál es la probabilidad de todas resulten blancas?
SOL:
𝐵𝑖 : 𝐿𝑎 𝑖 − é𝑠𝑖𝑚𝑎 𝑏𝑜𝑙𝑖𝑙𝑙𝑎 𝑒𝑠 𝑏𝑙𝑎𝑛𝑐𝑎.
5 4 3 2
𝑃(𝐵1 ∩ 𝐵2 ∩ 𝐵3 ∩ 𝐵4 ) = × × × = 5/126
9 8 7 6
Respuesta: 5/126
Ejemplo: En una urna hay 5 bolillas blancas, 4 bolillas rojas y 6 amarillas; Se extrae al azar
sucesivamente y sin reposición cuatro bolillas ¿Cuál es la probabilidad de que las dos primeras
resulten blancas y las dos últimas sean amarillas?
Solucion:
B=5
R=4
A=6
Sean los eventos:
𝐵𝑖 : 𝐿𝑎 𝑖 − é𝑠𝑖𝑚𝑎 𝑏𝑜𝑙𝑖𝑙𝑙𝑎 𝑒𝑠 𝑏𝑙𝑎𝑛𝑐𝑎.
𝐴𝑖 : 𝐿𝑎 𝑖 − é𝑠𝑖𝑚𝑎 𝑏𝑜𝑙𝑖𝑙𝑙𝑎 𝑒𝑠 𝑎𝑚𝑎𝑟𝑖𝑙𝑙𝑎.
5 4 6 5
𝑃(𝐵1 ∩ 𝐵2 ∩ 𝐴3 ∩ 𝐴4 ) = × × × = 5/273
15 14 13 12
SOL: 5/273

5. INDEPENDENCIA DE EVENTOS
En términos sencillos dos eventos son independientes cuando la ocurrencia o no ocurrencia de uno
de ellos no afecta la probabilidad del otro. Por ejemplo, se lanza una moneda y un dado, Se definen
los eventos:
A: Sale cara en la moneda
B: Sale un tres en el dado.
P(A)=1/2; P(B)=1/6.
Luego:
P(A/B)=1/2=P(A); P(B/A)=1/6=P(B)
En este caso ambos eventos son independientes uno del otro.
Otro ejemplo:
A: Argentina clasifica a semifinales en la copa Qatar
P(A)=0,6
B: Cierran el congreso peruano en diciembre 2022.
P(B)=0,2
P(B/A)= P(B)=0,2
P(A/B)=0,6=P(A).
En este caso ambos eventos son independientes uno del otro.
Dados dos eventos A y B se dice que son estadísticamente independientes, o simplemente

independientes, si y sólo si
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)
En otras palabras, A y B son independientes si y solo si 𝑃(𝐴|𝐵) = 𝑃(𝐴), siempre que P(A) sea
diferente de 0 y también si 𝑃(𝐵|𝐴) = 𝑃(𝐵) siempre que P(B) sea diferente de 0.
En general n eventos A1 ,, An , se dicen independientes si y sólo si
P ( A1   An ) = P ( A1 ) .P ( A2 ) .....P ( An )
Por ejemplo, se lanza una moneda y un dado, hallar la probabilidad de que salga cara en la moneda
y un tres en el dado.
Solución:
Se definen los eventos:
A: Sale cara en la moneda; B: Sale un tres en el dado, me piden:
1 1 1
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) = ∗ =
2 6 12
Ejemplo 2: Se lanza un dado 2 veces. Hallar la probabilidad de que aparezca un seis en el primer
lanzamiento y nuevamente un 6 en el segundo lanzamiento.

SOL= 1/36
Ejemplo 3: Se lanza un dado 5 veces. Hallar la probabilidad de que no aparezca ningún seis en los
cinco lanzamientos.
SOL.
Sea el evento: A1: “Sale un número diferente de seis en el primer lanzamiento” ; P(A1)=5/6
A2: “Sale un número diferente de seis en el segundo lanzamiento” ; P(A2)=5/6
…
𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ∩ 𝐴4 ∩ 𝐴5 ) = 𝑃(𝐴1 )𝑃(𝐴2 )𝑃(𝐴3 )𝑃(𝐴4 )𝑃(𝐴5 ) = (5/6)5 =0,4019
Ejemplo 4: Se lanza un dado y una moneda al mismo tiempo. Hallar la probabilidad de que salga una
cara y un cinco.
SOL. 1/12.
Ejemplo 5: Se quiere conocer el nivel de satisfacción del consumo de cerveza artesanal entre turistas
del país, por lo que se realizó una encuesta a un grupo de turistas en diferentes regiones del Perú Los
resultados se muestran a continuación:

Total
Total 65 105 70 240
Se selecciona al azar un turista, Sean los eventos:
A: “El turista viajo a la costa”

¿Serán los eventos A y B independientes?
Solución:
Dos eventos A y B se dice que son estadísticamente independientes, si y sólo si se verifica:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)
Veamos:
𝑃(𝐴 ∩ 𝐵) = 35/240; 𝑃(𝐴) = 65/240; 𝑃(𝐵) = 73/240
𝑃(𝐴 ∩ 𝐵) = 0,1459; 𝑃(𝐴)𝑃(𝐵) = 0,0824
Luego:
𝑃(𝐴 ∩ 𝐵) ≠ 𝑃(𝐴)𝑃(𝐵)
0,1459≠ 0,0824
Por tanto: A y B no son independientes.

6. PARTICIÓN:
Se dice que la colección de eventos B1 , B2 , , Bk conforman una partición del espacio muestral
 si se cumplen estas tres condiciones simultáneamente:
1. Bi  B j =  para i  j , i, j = 1, 2,3,....k (eventos mutuamente excluyentes)

K
2. Bi =  (eventos colectivamente exhaustivos)
i =1
3. P ( Bi )  0 para todo i
7. TEOREMA DE LA PROBABILIDAD TOTAL

Sea B1 , B2 , , Bk una partición del espacio muestral  , entonces para cualquier evento A en  , se
cumple:
k
P ( A) =  P  Bi P  A Bi  = P  B1  P  A B1  + P  B2  P  A B2  + ... + P  Bk  P  A Bk 
i =1

Demostración:
Consideremos
𝐴=𝐴∩Ω
𝐴 = 𝐴 ∩ (𝐵1 ∪ 𝐵2 ∪ 𝐵3 … .∪ 𝐵𝑘 )
𝐴 = (𝐴 ∩ 𝐵1 ) ∪ (𝐴 ∩ 𝐵2 ) ∪ (𝐴 ∩ 𝐵3 ) ∪ … .∪ (𝐴 ∩ 𝐵𝑘 )
Tomando probabilidad en cada lado:
𝑃(𝐴) = 𝑃[(𝐴 ∩ 𝐵1 ) ∪ (𝐴 ∩ 𝐵2 ) ∪ (𝐴 ∩ 𝐵3 ) ∪ … .∪ (𝐴 ∩ 𝐵𝑘 )]
Como los 𝐵𝑖 son eventos excluyentes, entonces también los (𝐴 ∩ 𝐵𝑖 ) son excluyentes, por tanto, la
probabilidad de la unión es simplemente la suma de sus probabilidades.
𝑃(𝐴) = 𝑃(𝐴 ∩ 𝐵1 ) + 𝑃(𝐴 ∩ 𝐵2 ) + 𝑃(𝐴 ∩ 𝐵3 ) + ⋯ . +𝑃(𝐴 ∩ 𝐵𝑘 )
Finalmente aplicando el teorema de la multiplicación:
𝑃(𝐴) = 𝑃(𝐵1 )𝑃(𝐴/𝐵1 ) + 𝑃(𝐵2 )𝑃(𝐴/𝐵2 ) + 𝑃(𝐵3 )𝑃(𝐴/𝐵3 ) + ⋯ . +𝑃(𝐵𝑘 )𝑃(𝐴/𝐵𝑘 )
Ejemplo:
Tres máquinas de cierta planta de ensamble, 𝐵1 , 𝐵2 , 𝐵3 montan 30%, 45% y 25% de los productos,
respectivamente. Se sabe por experiencia que 2%, 3% y 2% de los productos ensamblados por cada
máquina, respectivamente, tienen defectos. Ahora bien, suponga que se selecciona de forma
aleatoria un producto terminado. ¿Cuál es la probabilidad de que esté defectuoso?
Solución:
Sean los eventos:
𝐴: El producto esta defectuoso.

𝐵1 : El producto fue ensamblado por la maquina 𝐵1
Me piden P(A)=
𝑃(𝐴) = 𝑃(𝐵1 )𝑃(𝐴/𝐵1 ) + 𝑃(𝐵2 )𝑃(𝐴/𝐵2 ) + 𝑃(𝐵3 )𝑃(𝐴/𝐵3 )
𝑃(𝐴) = 0,3(0,02) + 0,45(0,03) + 0,25(0,02) = 0,0245
𝑃(𝐴) = 0,0245

EJEMPLO: En un laboratorio hay tres jaulas, en la jaula B1 hay dos conejos pardos y tres blancos, en
la jaula B2 hay 4 conejos pardos y 2 blancos, en la jaula B3 hay 5 conejos pardos y 5 blancos. Se
selecciona al azar una jaula y se saca un conejo al azar de esta jaula. ¿Cuál es la probabilidad de que
el conejo escogido sea blanco?
Solución:
Sean los eventos:
𝐴: El conejo escogido es blanco.

𝐵1 : El conejo fue escogido de la jaula 𝐵1
Me piden P(A)=
𝑃(𝐴) = 𝑃(𝐵1 )𝑃(𝐴/𝐵1 ) + 𝑃(𝐵2 )𝑃(𝐴/𝐵2 ) + 𝑃(𝐵3 )𝑃(𝐴/𝐵3 )
3
𝑃(𝐴) = 1/3 ( ) + 1/3(2/6) + 1/3(5/10) = 0,4778
5
𝑃(𝐴) = 0,4778
Rpta
43/90=0,4778
8. TEOREMA DE BAYES. - Si los eventos B1 , B2 , , Bk forman una partición del espacio muestral 
y A es un evento cualquiera de  , entonces:
P( Br ) P( A | Br ) P( Br ) P( A | Br )
P( Br | A) = =
k
P( B1 ) P( A | B1 ) + P( B2 ) P( A | B2 ) + ... + P( Bk ) P( A | Bk )
 P( B ) P( A | B )
i =1
i i
P ( Br  A)
P ( Br | A) =
P ( A)
Donde el numerador resulta del teorema de multiplicación y el denominador del teorema de

probabilidad total.
EJEMPLO:
Dado el ejemplo de las tres máquinas del ejercicio anterior, suponga que se selecciona un producto
de forma aleatoria y que éste resulta defectuoso. ¿cuál es la probabilidad de que este producto haya
sido ensamblado con la máquina B2?
Solución:
La probabilidad pedida es:
P(B2/A)
P( B2  A) P( B2 ).P ( A / B2 ) 0, 45(0, 03)
P( B2 | A) = = = = 0,5510
P ( A) P ( A) 0, 0245

En el ejemplo de los conejos, supongamos ahora que el conejo escogido aleatoriamente es blanco.
¿Cuál es la probabilidad de que provenga de la jaula B1?
Solución:
La probabilidad pedida es:
P(B1/A)=18/43=0,4186

VARIABLE ALEATORIA Y DISTRIBUCIÓN DE PROBABILIDADES.
1. VARIABLE ALEATORIA.
Una variable aleatoria "X" es una aplicación definida en un espacio muestral  , que toma valores
reales, ósea, es la transformación del Espacio Muestral en un conjunto numérico, mediante X.
Definición formal:
Dado un experimento aleatorio  y  el espacio muestral asociado a dicho  . Una función que
asigna a cada elemento w en  uno y solamente un número real x = X ( w) , se llama VARIABLE
ALEATORIA, es decir, X es una función real X :  →
El rango o recorrido RX de la variable aleatoria X esta dado por el conjunto de números reales:
RX = x  / X ( w) = x, w  = X (  )
Para entender este concepto, definamos el siguiente Espacio muestral 𝑋=𝑥

experimento: RR X(RR)=2
De una urna que contiene 4 bolillas rojas y 3 negras se sacan RN X(RN)=1
dos bolillas de manera sucesiva, sin reemplazo. Los posibles NR X(NR)=1
resultados y los valores de la variable aleatoria X, donde X NN X(NN)=0
es el “número de bolillas rojas” se presentan en el cuadro
adjunto.
Es decir:
𝜀: Extraer aleatoriamente sin reemplazo, dos bolillas de una urna que contiene 4 bolillas rojas y 3
negras.
Ω = {𝑅𝑅, 𝑅𝑁, 𝑁𝑅, 𝑁𝑁}
𝑋: “número de bolillas rojas”
𝐷𝑋={𝑅𝑅, 𝑅𝑁, 𝑁𝑅, 𝑁𝑁}
𝑅𝑋 = {0, 1, 2}
Mas ejemplos:
a) Experimento: “ Se lanza una pelota 10 veces a una canasta”

Variable aleatoria: X = “# de aciertos”, RX = 0,1, 2,..9,10
b) Experimento: “Tirar dos monedas”

Variable aleatoria: X = “Contar el número de caras”, RX = 0,1, 2
c) Experimento: “Elegir una bombilla al azar”

Variable aleatoria: X = “Tiempo que tarda en fundirse la bombilla”
RX =  x  / 0  x  M  donde M es el tiempo máximo de vida de la bombilla.
d) Experimento: “Lanzar un dado”

Variable aleatoria: X = “número de intentos hasta obtener un seis”, RX = 1, 2,3,...

e) Experimento: “Elegir un punto (x, y) al azar en el plano cartesiano XY”
Variable aleatoria: D = “Distancia del punto al origen de coordenadas”

RD = d  / d = x2 + y 2 
2. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Definición: Una variable aleatoria se dice discreta cuando toma una serie de valores aislados, es decir,
cuando 𝑅𝑋 es un conjunto finito o infinito numerable. Se dice continua cuando puede tomar
cualquier valor dentro de un intervalo.
Ejemplos:
De los ejemplos anteriores son discretas a, b, d , y son continuas la c y e.
3. FUNCIÓN O LEY DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA.
Cuando se habla de la distribución de probabilidad de una variable aleatoria, lo que se pretende es

determinar cómo están “distribuidas” las probabilidades, entre los diferentes valores que puede
tomar la variable aleatoria.
Se llama función de probabilidad o ley de probabilidad (o función de cuantía) p ( x ) de una variable

aleatoria discreta X, a la función que asigna a cada valor de la variable aleatoria la probabilidad de
que ésta tome ese valor:
La función de probabilidad de una v.a. discreta cumple las 3 propiedades:
i. p ( x ) = P  X = x
ii. p ( x )  0, x  RX
iii.  p ( x) = 1
xRX
Observación, si 𝑥 ∉ 𝑅𝑋 entonces 𝑝(𝑥) = 0. Esto implica que en general:

𝑝(𝑥) ≥ 0, ∀𝑥 ∈ ℝ.
La colección de pares ( x, p ( x ) ) x  RX  es llamada distribución de probabilidad de X.

EJEMPLO 1:
Dado el experimento y la variable aleatoria X:
negras.
Ω = {𝑅𝑅, 𝑅𝑁, 𝑁𝑅, 𝑁𝑁}
𝐷𝑋 = {𝑅𝑅, 𝑅𝑁, 𝑁𝑅, 𝑁𝑁}
𝑅𝑋 = {0, 1, 2}
Hallar función de probabilidad o ley de probabilidad.

solución:
3 2 1
𝑝(0) = 𝑃[𝑋 = 0] = 𝑃[(𝑁𝑁)] = ∗ =
7 6 7
3 4 4 3 4
𝑝(1) = 𝑃[𝑋 = 1] = 𝑃[(𝑁𝑅), (𝑅𝑁)] = ∗ + ∗ =
7 6 7 6 7
4 3 2
𝑝(2) = 𝑃[𝑋 = 2] = 𝑃[(𝑅𝑅)] = ∗ =
7 6 7
Estos resultados lo podemos organizar en una tabla:
𝑋=𝑥 0 1 2 ∑
𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/7 4/7 2/7 1
Nota:
𝑝(3) = 0; 𝑝(1,5) = 0; ca:

Ejemplo 2:
Sea X = “Número de caras al tirar dos monedas”
Hallar su función de probabilidad:

Solución:
𝑅𝑋 = {0,1,2}
Función de probabilidad:
1 1 1
𝑝(0) = 𝑃[𝑋 = 0] = 𝑃[𝑆𝑆] = ∗ =
2 2 4
1 1 1 1 1
𝑝(1) = 𝑃[𝑋 = 1] = 𝑃[𝑆𝐶, 𝐶𝑆] = ∗ + ∗ =
2 2 2 2 2
1 1 1
𝑝(2) = 𝑃[𝑋 = 2] = 𝑃[𝐶𝐶] = ∗ =
2 2 4
Observaciones:
• El dominio de la función de probabilidad es 𝑅𝑋 .
• La función de probabilidad 𝑝(𝑥) toma valores entre 0 y 1.
• La suma de todos los valores que toma la función de probabilidad es 1.

Es usual representar la distribución de probabilidad de X de dos maneras:
𝑋=𝑥 0 1 2 ∑
𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/4 1/2 1/4 1
1
4 ,x =0

 1 , x =1
p ( x) =  2
1
 ,x = 2
4
 0 , en otro caso

4. FUNCIÓN DE DISTRIBUCIÓN DE UNA VARIABLE ALEATORIA DISCRETA (𝑭).
Se llama función de distribución, F, o función de distribución acumulada de una variable aleatoria

X, a la función que asigna a cada valor de la variable, la probabilidad de que ésta tome un valor menor
o igual que el valor de dicha variable.
F ( x) = P( X  x)
Definición formal: Sea X una v.a. discreta con rango RX = x1 , x2, ..... y función de probabilidad,
p ( xi ) = P  X = xi  , sea x un número real cualquiera, la Función de Distribución acumulativa de X se
denota por “ F ( x ) ” y se define como:
F ( x) = P( X  x) =  p ( x ) =  P  X = xi 
xi  x xi  x
Es decir, para calcular el valor de la función de distribución en un punto xi debemos sumar los valores
que toma la función de probabilidad en todos los puntos menores o iguales que xi.
Del ejemplo 1 tenemos:
negras.
𝑋=𝑥 0 1 2 ∑
𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/7 4/7 2/7 1
1
𝐹(0) = 𝑃(𝑋 ≤ 0) = 𝑃(𝑋 = 0) =
7
𝐹(1) = 𝑃(𝑋 ≤ 1) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = 5/7
1 4 2
𝐹(2) = 𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + + =1
7 7 7
1 4 2
𝐹(3) = 𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = + + + 0 = 1
7 7 7
𝐹(−2) = 𝑃(𝑋 ≤ −2) = 0
1
𝐹(0,5) = 𝑃(𝑋 ≤ 0,5) = 𝑃(𝑋 = 0) =
7
𝐹(3/2) = 𝑃(𝑋 ≤ 1,5) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = 5/7
𝐹(4,25) =1
𝑋=𝑥 0 1 2 ∑
𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/7 4/7 2/7 1

𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥] 1/7 5/7 1

 0 si x  0
1
 si 0  x  1
7
F ( x) = 
 5 si 1  x  2
7
 1 si 2  x

Ejemplo 3:
Sea X = “Número de caras al tirar dos monedas” (del ejemplo 2)
𝑋=𝑥 0 1 2 ∑ 𝑝(𝑥)
𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/4 1/2 1/4 1

𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥] 1/4 3/4 1 ----
𝐹(−1) = 𝑃(𝑋 ≤ −1) = 0

𝐹(0) = 𝑃(𝑋 ≤ 0) = 𝑃(𝑋 = 0) = 1/4
𝐹(1) = 𝑃(𝑋 ≤ 1) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = 1/4 + 1/2 = 3/4
1 1 1
𝐹(2) = 𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + + = 1
4 2 4
1 1 1
𝐹(3) = 𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + + = 1
4 2 4
1 1 1
𝐹(4) = 𝐹(5) = 𝐹(4,33) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + + = 1
4 2 4
Notemos que: 𝑃(𝑋 = 3) = 0
 0 si x  0
1
 si 0  x  1
4
F ( x) = 
 3 si 1  x  2
4
 1 si 2  x

Observaciones:
• La función de distribución es “escalonada”, empieza tomando el valor 0, tiene saltos en el
recorrido de la variable aleatoria hasta tomar el valor 1.
Ejercicio:

Una urna contiene 4 bolillas numeradas 1, 2, 3, 4 respectivamente. Se extraen 2 bolillas
aleatoriamente sin reemplazamiento. Se define la variable X como la suma de estos dos
valores: Hallar el dominio de X, el rango de X, la distribución de probabilidad de X y la función
de distribución acumulada de X.
Solución:
1 3
2 4
𝜀: Extraer aleatoriamente sin reemplazo, dos bolillas de una urna que contiene 4 bolillas numeradas
1, 2, 3, 4.
Ω = {(1,2), (1,3) , … . (3,4)}
𝑋: “Suma de estos dos valores”
𝐷𝑋 = Ω
𝑅𝑋 = {3, 4, 5, 6, 7}
1 1 1 1 1
𝑝(3) = 𝑃[𝑋 = 3] = 𝑃[(1,2), (2,1)] = 𝑃[(1,2)] + 𝑃[(2,1)] = ∗ + ∗ =
4 3 4 3 6
1 1 1 1 1
𝑝(4) = 𝑃[𝑋 = 4] = 𝑃[(1,3), (3,1)] = 𝑃[(1,3)] + 𝑃[(3,1)] = ∗ + ∗ =
4 3 4 3 6
2
𝑝(5) = 𝑃[𝑋 = 5] = 𝑃[(1,4), (4,1), (3,2), (2,3)] =
6
1
𝑝(6) = 𝑃[𝑋 = 6] =
6
1
𝑝(7) = 𝑃[𝑋 = 7] =
6
𝑋=𝑥 3 4 5 6 7 ∑ 𝑝(𝑥)
𝑝(𝑥) = 1/6 1/6 2/6 1/6 1/6 1
𝐹(𝑥) = 1/6 2/6 4/6 5/6 1 ---
0, x3
1
 3 x  4
6
2
 4 x5
6
F ( x) = 
4 5 x6
6
5
 6 x7
6
 1 x7

5. FUNCIÓN DE DENSIDAD DE PROBABILIDAD 𝒇
Definición: Sea X una v.a. continua con rango RX . La función de densidad de probabilidad f asociada
a la variable aleatoria es una función f ( x ) integrable que satisface las siguientes condiciones:
a. f ( x )  0, x 
+
b.  f ( x ) dx =  f ( x ) dx = 1
− RX
Una consecuencia de esta definición es que si A es el evento A =  x / a  x  b , se define la

probabilidad de A como sigue:
b
P  A = P  a  x  b  =  f ( x ) dx
a
En este concepto de probabilidad, se entiende que la probabilidad del evento A es equivalente

al área debajo de la curva, a la derecha de la recta x= a y a la izquierda de la recta x=b.
Observaciones:
a. f ( x ) no representa la probabilidad de algo, solamente cuando esta función se integra entre

dos puntos representa una probabilidad.
b. La probabilidad de que la variable aleatoria continua X tome un valor especifico, digamos x 0

es cero, pues: P  X = x0  = P ( x0  X  x0 ) =  f ( x) dx = 0
x0
x0
c. Como consecuencia cuando X es una v.a. continua

P  a  X  b = P  a  X  b = P  a  X  b  = P  a  X  b 

Ejemplo:
Sea una variable aleatoria continua con función de densidad dada por:
c ( 6 x − 2 x )
 ,0  x  2
2
f ( x) = 

 0 , en otro caso
a) Encuentre el valor de la constante c.

Solución:
Como
 0 2  0 2 +
=  f ( x)dx ==  f ( x)dx +  f ( x)dx +  f ( x)dx =  0dx +  c ( 6 x − 2 x ) dx +  0dx = 1
2
− − 0 2 − 0 2
2
 2  3
Se obtiene 0 + c 3 x 2 − x 3  + 0 = 1 , luego c =
 3 0 20
b) Calcular P  X  1
 2
Sol: P  X  1 =  f ( x ) dx =  ( 6 x − 3x ) dx =
3 2 13
1
20 1 20

c) Calcular P  0.5  X  1.5
1,5 1,5
 f ( x ) dx =  20 ( 6x − 3x ) dx = 20
3 13
Sol: P 0.5  X  1.5 = 2
0,5 0,5
3
 (6x − 2x ) ,0  x  2
2
f ( x ) =  20
 0 , en otro caso
1 1 3(6𝑥−𝑥 2 )
d) Calcular 𝑃(𝑋 < 1) = ∫0 𝑓(𝑥)𝑑𝑥 = ∫0 𝑑𝑥 = 7/ 20 = 0,3500
20
1 1 3(6𝑥−𝑥 2 )
e) Calcular 𝑃(0,5 < 𝑋 < 1) = ∫0,5 𝑓(𝑥)𝑑𝑥 = ∫0,5 𝑑𝑥 = 1/ 4 = 0,25
20

6. FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE UNA VARIABLE ALEATORIA CONTINUA
Definición: sea X una v.a. continua con función de densidad f ( x ) , La función de distribución
acumulada de la v.a. continua X, denotada por F ( x ) , se define por:
x
F ( x) = P( X  x ) =  f (t ) dt , x 
−
Es decir F ( x ) asigna a cada valor x la probabilidad de que la variable aleatoria X sea menor igual a x.
Como consecuencia cuando X es una v.a. continua
P  a  x  b = P  a  x  b = P  a  x  b = P  a  x  b = F (b) − F (a)

Ejemplo:
Sea una variable aleatoria continua con función de densidad dada por:
 3x
 (2 − x) ,0  x  2
f ( x) =  4

 0 , en otro caso
Hallar la función de distribución acumulada de X.
SOLUCIÓN:
x x
i. Si x  0, F ( x ) = P  X  x  =  f (t )dt =  0dt = 0
− −
ii. Si
x
3 t3  3  x
x 0 x
3
0  x  2, F ( x ) = P  X  x  =  f ( t ) dt =  0dt +  t ( 2 − t ) dt =  t 2 −  = x 2 1 − 
− − 0
4 4 3 0 4  3
x 0 2 x
3
iii. Si x  2, F ( x ) = P  X  x  =  f ( t ) dt =  0dt +  t ( 2 − t ) dt +  0dt = 1
− − 0
4 2
 0 x0

3  x 
Luego: F ( x ) =  x 2 1 −  0  x  2
4  3 

 1 x2
Gráficamente:
Observar que F(x) empieza tomando el valor 0 y va creciendo hasta alcanzar el valor 1.
Calcular 𝑃(1,5 < 𝑋 < 1,75) = 𝐹(1,75) − 𝐹(1,5) = 0,9570 − 0,8438 = 0,1132

 0 x0

3  x 
F ( x ) =  x 2 1 −  0  x  2
4  3 

 1 x2
Calcular:
1,75 1,75 3𝑥(2−𝑥)

✓ 𝑃(𝑋 < 1,75) = ∫0 𝑓(𝑥)𝑑𝑥 = ∫0 𝑑𝑥 = 0,9570
4
✓ 𝑃(𝑋 < 1,75) = 𝑃(𝑋 ≤ 1,75) = 𝐹(1,75) = 0,9570
✓ 𝑃(𝑋 < −1,75) = 𝑃(𝑋 ≤ −1,75) = 𝐹(−1,75) = 0
✓ 𝑃(𝑋 < 4) = 𝑃(𝑋 ≤ 4) = 𝐹(4) = 1
✓ 𝑃(𝑋 > 1,5) = 1 − 𝑃(𝑋 ≤ 1,5) = 1 − 𝐹(1,5) = 1 − 0,8438 = 0,1562
𝜋 𝜋 3 𝜋 2 𝜋
✓ 𝑃 ( 2 < 𝑋 < 𝜋) = 𝐹(𝜋) − 𝐹 ( 2 ) = 1 − 4 ( 2 ) × (1 − 6 ) = 0,118395321 = 0,1184
6.1 PROPIEDADES DE LA FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE UNA VARIABLE ALEATORIA

CONTINUA
1. 0  F ( x )  1, x 
2. lim F ( x ) = 0
x →−
3. lim F ( x ) = 1
x →+
4. F es no decreciente, esto es: Si a  b  F ( a )  F ( b )
5. F es continua por la derecha, es decir lim F ( x + h ) = F ( x ) , x  , h  0

h→0
d ( F ( x ))
6. Del segundo teorema fundamental del cálculo se tiene que: f ( x ) =
dx

Ejercicio:
Suponiendo que la duración (en horas) de cierto transistor es una variable continúa X con fdp
100
f ( x) = 2 , x  100 y 0 para cualquier otro valor.
x
a. Halle la función de distribución acumulada de X.
x
F ( x) = P( X  x ) =  f (t ) dt , x 
−
x x
Si x  100, F ( x ) = P  X  x  =  f (t )dt =  0dt = 0

− −
x 100 x x
100 1 100
Si x  100, F ( x ) = P  X  x  =  f ( t ) dt =  0dt +  2 dt = −100 = 1−
− − 100
t t 100 x
Rpta:
 0 , x  100

F ( x ) =  100
1− , x  100
 x
Usando el resultado de la distribución acumulada, hallar las siguientes probabilidades.

100
𝑃(𝑋 ≤ 200) = 𝐹(200) = 1 − = 0,5
200
100 1
𝑃(𝑋 > 300) = 1 − 𝑃(𝑋 ≤ 300) = 1 − 𝐹(300) = 1 − (1 − )=
300 3
1
𝑃(𝑋 > 300 ∩ 𝑋 > 200) 𝑃(𝑋 > 300) 3 2
𝑃(𝑋 > 300⁄𝑋 > 200) = = = =
𝑃(𝑋 > 200) 𝑃(𝑋 > 200) 1 3
2
OBS:
∞
100 1
𝑃(𝑋 > 300) = ∫ 2
𝑑𝑥 =
300 𝑥 3
300
100 1
𝑃(𝑋 > 300) = 1 − 𝑃(𝑋 ≤ 300) = 1 − ∫ 2
𝑑𝑥 =
100 𝑥 3

7. PARÁMETROS O CARACTERÍSTICAS DE UNA VARIABLE ALEATORIA
Las características numéricas son medidas que permiten sintetizar la información, de forma
tal que ofrecen las características generales del fenómeno en estudio, es decir, sus rasgos
principales. También se conocen como parámetros de las variables aleatorias.
Las características fundamentales que se estudiarán son: Media y Varianza.
7.1 Media o Esperanza matemática de X se denota por µ ó E ( X ) y se Define por:
 = E ( X ) = x1 p( x1 ) + x2 p( x2 ) + ... + xn p( xn ) =  xp( x)
xRX
, Si X es una v.a. discreta (*)

y:
+
 = E(X ) =  xf ( x ) dx =  xf ( x ) dx
− RX
Si X es una v.a. continua (**)
Siempre que la sumatoria (*) o la integral (**) sean finitas.
Ejemplo 1:
Hallar su valor esperado.
Solución:
Como X es una v.a. discreta debemos de calcular 𝐸(𝑋) = ∑𝑅𝑥 𝑥. 𝑝(𝑥)
1 1 1
Media X=E(X)=  = 0  p(0) + 1 p(1) + 2  p(2) = 0  + 1 + 2  = 1
4 2 4
E(X)=1
Interpretación: Si repites el experimento muchas veces (lanzar dos monedas), ósea si el número de
repeticiones tiende al infinito, en promedio obtendrás una cara.
También podemos presentar el cálculo con ayuda de una Tabla

𝑋=𝑥 0 1 2 ∑
𝑝(𝑥) = 𝑃[𝑋 = 𝑥] 1/4 1/2 1/4 1

𝑥. 𝑝(𝑥) 0 1/2 1/2 1=E(X)

Ejemplo 2:
Sea X = “Número obtenido al lanzar un dado”
1 1 1 21
Media=  = 1. p(1) + 2  p(2) + ...6. p ( 6 ) = 1 + 2  + ... + 6  = = 3,5
6 6 6 6
Ejemplo 3:
Suponiendo que la duración (en horas) de cierto transistor es una variable continúa X con fdp
100
f ( x) = , x  100 y 0 para cualquier otro valor.
x2
a. Determine si existe E( X )
b. Hallar la Mediana de X
Respuesta:
Como x es una v.a. continua, debemos de calcular la esperanza mediante la expresión:

∞
𝐸(𝑋) = ∫−∞ 𝑥. 𝑓(𝑥)
∞ 100 ∞ 100 ∞
100
𝐸(𝑋) = ∫ 𝑥. 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥. 𝑓(𝑥)𝑑𝑥 + ∫ 𝑥. 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥. 0. 𝑑𝑥 + ∫ 𝑥. 𝑑𝑥 =
𝑥2
−∞ −∞ 100 −∞ 100
∞ 𝑍
100 100 𝑧
𝐸(𝑋) = ∫ 𝑑𝑥 = lim ∫ 𝑑𝑥 = lim 100𝑙𝑛|𝑧|| = 100 lim (𝑙𝑛|𝑧| − 𝑙𝑛100) = ∞
𝑥 𝑍→∞ 𝑥 𝑍→∞ 100 𝑍→∞
100 100
Respuesta, Como la integral es divergente, entonces la esperanza de 𝑋 no existe.
b.
𝑀𝑒 100 𝑀𝑒
∫ 𝑓(𝑥) 𝑑𝑥 = 0,5 = ∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥) 𝑑𝑥 =

−∞ −∞ 100

𝑀𝑒
100 −100 𝑀𝑒
∫ 𝑑𝑥 = 0,5 = | = 0,5
𝑥2 𝑥 100
100
Luego despejando, 𝑀𝑒 = 200.
Interpretación: El 50% de los transistores tienen una duración que no sobrepasa las 200 horas.
8. Propiedades de la esperanza matemática.
7.2.1 Sea X una v.a. e 𝑌 = 𝐻(𝑋) una función de X, el valor esperado de 𝐻(𝑋) se define por:
i. E Y  = E  H ( X ) =  H ( x ) p( x) =  y. p( x) , Si X es una v.a. discreta
xRX xRX
ii. E Y  = E  H ( x )  =  H ( x ) f ( x ) dx =  y. f ( x ) dx , Y = H ( X ) continua y X una v.a.

RX RX
continua.
Donde 𝑝(𝑥) es la función de probabilidad de X para el caso discreto y 𝑓(𝑥) es la función de

densidad de X en el caso continuo.
Es decir, para hallar el valor esperado de Y = H ( X ) no se necesita conocer o calcular la

distribución de probabilidad de Y.
Ejemplo 1:
Si X es una v.a. continua:
+
E(X2) =  x f ( x ) dx =  x f ( x ) dx
2 2
− RX
Ejemplo 2:
𝐻(𝑋) = 𝑌 = 𝑥 3 + 2𝑥, Hallar la esperanza de Y.
Solución:
𝐸(𝑌) = ∑𝑅𝑥 𝑦. 𝑝(𝑥) = ∑𝑅𝑥 (𝑥 3 + 2𝑥)𝑝(𝑥) en caso de que X sea v.a. discreta.
∞ ∞
𝐸(𝑌) = ∫−∞ 𝑦. 𝑓(𝑥)𝑑𝑥 = ∫−∞(𝑥 3 + 2𝑥)𝑓(𝑥)𝑑𝑥 en caso de que X sea v.a. continua.
7.2.2 Sea 𝑋 una v.a. (discreta o continua), 𝑎 y 𝑏 constantes. Entonces:
i. E a = a
ii. E aH ( X ) = aE  H ( X )
iii. E aH ( X ) + bG ( X ) = aE  H ( X ) + bE G ( X )
Ejemplo:
𝐸(3𝑋 + 4) = 𝐸[3𝑋] + 𝐸[4] = 3𝐸[𝑋] + 4
𝐸(3𝑋 − 2𝑋 3 − 1) = 3𝐸[𝑋] − 2𝐸[𝑋 3 ] − 1

Ejemplo:
Sea el siguiente juego:
Se lanza un dado y se recibe un pago de 5 soles multiplicado por el número obtenido en
el dado, si para jugar se debe de hacer una inversión de 20 soles, y si un jugador entusiasta
juega muchas veces, hallar la ganancia estimada (esperada) del jugador.
Solución:
X: Número de la cara superior del dado.
Y: Ganancia del jugador en soles.
Y=H(X)=5X-20
X=x 1 2 3 4 5 6 Total
p(x) 1/6 1/6 1/6 1/6 1/6 1/6 1
Y=y -15 -10 -5 0 5 10
x.p(x) 1/6 2/6 3/6 4/6 5/6 1 3,5
y.p(x) -15/6 -10/6 -5/6 0/6 5/6 10/6 -15/6
1 1 1 −15
𝐸(𝑌) = ∑ 𝑦. 𝑝(𝑥) = −15 ( ) + −10 ( ) + ⋯ 10 ( ) = = −2,5
6 6 6 6
La ganancia esperada es de -2,5 soles, es decir, si se juega muchas veces, en promedio se

perderá 2,50 soles por jugada.
Obs:
𝐸[𝑌] = 𝐸[5𝑋 − 20] = 5𝐸[𝑋] − 20 = 5(3,5) − 20 = −2,5

9. Varianza de X:
La varianza de una variable aleatoria es una característica numérica que proporciona una idea de
la dispersión de la variable aleatoria respecto de su esperanza, se denota por: 𝑉𝑎𝑟(𝑋), 𝑉(𝑋), o
por la letra griega sigma minúscula 𝜎𝑥2 y se define como:
V ( X ) = E ( X −  ) 
2
 
Por lo tanto:
V ( x) =  (x − )
2
p( x) , Si X es una v.a. discreta
xRX
V ( x) =  ( x −  ) f ( x ) dx ,
2
Si X es una v.a. continua
RX
Una de las características de la varianza, es que viene expresada en unidades cuadráticas

respecto de las unidades originales de la variable. Un parámetro de dispersión derivado de
la varianza y que tiene las mismas unidades de la variable aleatoria es la desviación típica,
que se define como la raíz cuadrada de la varianza.
Desviación Típica de X:
𝜎𝑥 = √𝑉(𝑋)
10. Propiedades de la Varianza.
7.4.1 Sea X una v.a. (discreta o continua) con valor esperado 𝜇 = 𝐸(𝑋) la varianza está dada por:
V ( X ) = E ( X 2 ) − 2
Nota:
E ( X 2 ) = x12 p( x1 ) + x2 2 p( x2 ) + ... + xn 2 p( xn ) = x 2
p( x) , en el caso discreto.
xRX
∞
𝐸(𝑋 2 ) = ∫−∞ 𝑥 2 𝑓(𝑥)𝑑𝑥 en caso de que X sea v.a. continua.
7.4.2 Sea 𝑋 una v.a. (discreta o continua), 𝑎 y 𝑏 constantes. Entonces:

V a = 0
V  aX + b = a 2V ( X )

Ejemplo:
Sea 𝑋 = “Número de caras al tirar dos monedas”
Hallar la varianza de 𝑋.
 1
E ( X 2 ) = 02  p(0) + 12  p(1) + 22  p(2) =  02  + 12  + 22   = 1.5
1 1
 4 2 4
 2 = E ( X 2 ) −  2 = 1, 5 − 12 =
1
2
La desviación típica es la raíz de la varianza, así en este ejemplo  = 0,5  0,71
10.1 EJEMPLOS:
Tiramos 3 monedas y sea la v.a. discreta X = “Número de caras” C C C
Entonces: C C S
Recorrido de X = {0, 1, 2, 3} C S C
S C C
Función de probabilidad. C S S
S C S
 1 S S C
 x=0
8 S S S

 3
x =1
 8
p( x) = 
 3
x=2
 8
 1
 x=3
 8
Función de distribución.
 0 x0
 1
 0  x 1
 8

 4
F ( x) =  1 x  2
 8
 7
 2 x3
8


 1 x3

Parámetros.
1 3 3 1
 =  xi p( xi ) = 0  + 1 + 2  + 3  = 1,5
8 8 8 8
 2 = E( X 2 ) −  2
 1 3 3 1
E ( X 2 ) =  xi 2  p( xi ) =  02  + 12  + 22  + 32   = 3
 8 8 8 8
 = E ( X ) −  = 3 − 1,5 = 0, 75
2 2 2 2
 = 0,75  0,87
7.5.2 PREGUNTA:
Sea el siguiente juego, un jugador lanza una moneda 3 veces, y gana dos soles por cada
cara obtenida.
a. Si el juego cuesta 2 soles ¿cuál es su ganancia esperada?
b. Si el juego cuesta 4 soles ¿cuál es su ganancia esperada?
c. Sea la variable aleatoria
Y: Ganancia en el juego
¿en cuál de los casos a) ó b) será Y más homogénea?
𝜎 𝐷. 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟
Nota: 𝐶. 𝑉% = |𝑢|𝑥 × 100% = |𝑚𝑒𝑑𝑖𝑎|
× 100%
x
7.5.3 Ejemplo Si f ( x ) = para 0 𝑥 2
2
a. Hallar la esperanza de X
b. ¿Cuál será el valor de la varianza de X?
c. Hallar E(x+3)
d. Hallar E(2x2)
e. ¿Cuál será el valor de V(2x)?
f. ¿Cuál es el valor de la desviación típica de X?
g. Hallar la varianza de 𝑦 = √𝑥
SOLUCIÓN:
Por la forma de presentar el recorrido de la variable X, indica que es una variable aleatoria continua.
2 2
1 2
a. E ( X ) =  x f ( x)dx =
2 0
x dx = 1/2[x 3 / 3) = 1/2(8/3 - 0)=1.33
0
2 2
b. E ( X 2 ) =  x 2 f ( x)dx = 1/2 x3dx = 1/ 2( x 4 / 4) = 1/ 2(16 / 4) = 16 / 8 = 2
0 0
Luego por propiedad: V(x) = E (x2) - [E (x)]2 = 2 – 1,332 = 2 - 1.77 = 0,23
c. E(x+3) = E (x) + 3 = 1.33 + 3 = 4.33
d. E(2x2) = 2 E(x2) = 2. 2 = 4

e. V(2x) = 22 V(x) = 4 (0,23) = 0,92
f.  =  2 = 0,23 = 0,48
Recuerde que la desviación típica se representa por la letra griega sigma y que es la raíz cuadrada
de la varianza V(x) = 2

RESUMEN: VARIABLES ALEATORIAS DISCRETAS VERSUS VARIABLES CONTINUAS
X = “Nº de hijos” Y = “Tiempo de retraso/adelanto en el autobús”

Recorrido de X = {0, 1, 2, 3, 4, 5, …} Recorrido de Y = RY =  y / y  m, M 
Función de probabilidad: p(x)=P(X=x) Función de densidad: f(x)
Función de distribución acumulada F(X) Función de distribución acumulada F(X)

F ( x) = P( X  x) =  p ( x ) x
F ( x) = P( X  x) =  f ( x) dx
xi  x −
f (x)
F (x)
Parámetros Parámetros
n +
Media:  =  xi  p( xi )  =  x  f ( x) dx
−
V ( X ) = E ( X 2 ) − 2
i =1
Varianza: V ( X ) = E ( X 2 ) −  2
Desviación típica:  = V ( X )
Desviación típica:  = V ( X )
∞
E(X2) = x 2
p( x) 𝐸(𝑋 2 ) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥
xRX −∞

11. PRINCIPALES DISTRIBUCIONES DISCRETAS
En esta sección presentaremos algunas (las principales) distribuciones de probabilidad para

variables aleatorias discretas.
El comportamiento de una variable aleatoria queda descrito por su distribución de probabilidad

discreta. A menudo, las observaciones que se generan en diferentes experimentos se pueden
describir esencialmente con la misma distribución de probabilidad y por tanto se pueden
representar mediante una sola formula. De hecho, se necesita solo un puñado de distribuciones
de probabilidad importantes para describir muchas variables aleatorias discretas que se
encuentran en la práctica.
11.1 DISTRIBUCIÓN UNIFORME DISCRETA
Es la más simple de todas las distribuciones de probabilidad discreta, es cuando la variable

aleatoria toma cada uno de sus valores con una probabilidad idéntica.
La variable aleatoria toma un número finito de n valores, cada uno con igual probabilidad.
1
p( x) = P( X = xi ) = , RX = x1 , x2, ...xn
n
EJEMPLO: Se lanza un dado y sea X: número de la cara superior.
1
p( x) = P( X = xi ) = , RX = 1, 2..., 6
6

11.2 ENSAYOS Y DISTRIBUCIÓN DE BERNOULLI
Hay muchos experimentos que solo tienen dos resultados posibles, llamados éxito “E” y fracaso
“F”. Donde la probabilidad de éxito es siempre la misma, es decir es constante y por lo tanto
también lo es la probabilidad de fracaso. Luego el espacio muestral para este tipo de ensayo es
 = E , F  ; por ejemplo:
- Al lanzar una moneda podemos considerar éxito si sale cara y fracaso si sale sello.
- Al lanzar un dado podemos considerar éxito si sale un seis y fracaso si sale otro número.
Un experimento con esta característica se llama ensayo de Bernoulli.
Definimos ahora la variable aleatoria X de tal manera que X ( w ) = número de éxitos en un ensayo
Bernoulli, entonces tenemos: RX = 0,1 , así esta variable aleatoria es llamada variable aleatoria
de Bernoulli.
Si denotamos p = P ( E ) y q = 1 − p = P ( F ) X=x 0 1 Total

p(x) 1-p=q p 1
xp(x) 0 p p
x2p(x) 0 p p
E(X)=p, V ( X ) = E ( X 2 ) −  2 = p − p2 = p(1 − p) = pq
Podemos escribir la distribución de Bernoulli como:
p ( x ) = P  X = x = p x (1 − p )
1− x
, x = 0,1
Propiedades:
1. E ( X ) = p 2. V ( X ) = pq

DISTRIBUCIÓN BINOMIAL
A menudo estamos interesados solamente en el número total de éxitos “E” obtenidos en un

proceso de n ensayos Bernoulli, al margen del orden en que se presentan.
Definimos ahora una variable aleatoria Binomial como:
𝑋(𝑤): Número de éxitos obtenidos en n ensayos Bernoulli.

Entonces tenemos: RX = 0,1,3,..., n , con distribución Binomial dada por:
n
p ( x ) = P  X = x n, p  =   p x ( q ) , x = 0,1,..., n.
n− x
 x
n n!
donde   = (coeficiente Binomial) es el número de formas en que se pueden tener k
 k  k!(n − k )!
éxitos de n intentos.
Nota: Usando Excel tenemos que:

𝑃(𝑋 = 𝑘) = 𝐷𝐼𝑆𝑇𝑅. 𝐵𝐼𝑁𝑂𝑀. 𝑁(𝑘; 𝑛; 𝑝; 0)
𝑃(𝑋 ≤ 𝑘) = 𝐷𝐼𝑆𝑇𝑅. 𝐵𝐼𝑁𝑂𝑀. 𝑁(𝑘; 𝑛; 𝑝; 1)
Propiedades:
1. 𝐸(𝑋) = 𝑛𝑝 2. 𝑉(𝑋) = 𝑛𝑝𝑞
EJEMPLO:
Si tiramos 5 esferas a una canasta, la probabilidad de acertar cada tirada es 0,4. Si consideramos
la variable:
X: Número de aciertos totales en los cinco intentos,
Hallar la distribución de probabilidades de X, graficarla y calcular sus parámetros.

SOLUCIÓN:
Suponiendo que la probabilidad de éxito se mantiene constante (es decir el lanzador no aprende)
Entonces X tiene distribución de probabilidad Binomial con Rango = {0, 1, 2, 3, 4, 5} y función de
probabilidad:
5
p ( x ) = P  X = x n = 5, p = 0, 4 =   ( 0, 4 ) ( 0, 6 ) , x = 0,1,...,5.
x 5− x
 x
ES DECIR:
 5  Grafica de la Función de distribución:

   0, 4  0, 6  0, 0778 si x = 0
0 5
 0 
 5 
   0, 41  0, 64  0, 2592 si x = 1
 1 

 5   0, 42  0, 63  0,3456 si x = 2
  
 2 
p( x) = 
 5   0, 43  0, 62  0, 2304 si x = 3
 3 

 5 
   0, 4  0, 6  0, 0768 si x = 4
4 1
 4 
 5 
   0, 45  0, 60  0, 0102 si x = 5

 5 
Parámetros:
 = np = 5(0, 4) = 2 ,  = npq = 5(0, 4)(0, 6) = 1, 2 = 1,10
Interpretación: Si muchas personas lanzan 5 esferas a una canasta, se espera en promedio

acierten con 2 esferas.
OBS:
Los cálculos de probabilidad a partir de la función pueden llegar a ser muy tediosos, en especial
cuando aumenta “n”, sin embargo, se pueden obtener las probabilidades directamente de la tabla
Binomial, las cuáles se encuentran disponibles en tablas estadísticas y de esta forma evitar cálculos
fatigosos, también se puede usar programas como el Excel que dan los cálculos exactos.
Dado el ejemplo anterior, usando el Excel calcular:
a. Calcular la probabilidad de acertar exactamente 3 de los 5 intentos.

b. Calcular la probabilidad de acertar como máximo 3 de los 5 intentos.
c. Calcular la probabilidad de acertar como máximo 4 de los 5 intentos.
d. Calcular la probabilidad de acertar como mínimo 2 de los 5 intentos.
Solución:

Rpta:
a. P(X=3)=0,2340
b. P(X≤3)=F(3)= 0,9130.
c. P(X≤4)=F(4)= 0,9898.
d. P(X≥2)=P(X>1)=1-P(X≤1)=1-F(1)=1-0,3370=0,6630.

11.3 DISTRIBUCIÓN GEOMÉTRICA
La distribución geométrica también está relacionada con un proceso de Bernoulli, excepto que, a
comparación de una variable Binomial, el número de ensayos no es fijo. Consideremos entonces
una sucesión de ensayos Bernoulli y definimos la variable aleatoria X de la siguiente manera:
𝑋(𝑤) =Número de ensayos requeridos hasta obtener el primer éxito.
Entonces tenemos: RX = 1, 2,3,... , con distribución dada por:
p ( x ) = P  X = x = p ( q )
x −1
, x = 1, 2,3...
Propiedades:
1 q
1. E ( X ) = 2. V ( X ) = 2
p p
3. P  X  x + r X  r  = P  X  x  es decir la distribución geométrica no tiene memoria.
 
Nota:
Para realizar los cálculos en Excel usar el comando:
𝑃(𝑋 = 𝑘) = 𝑁𝐸𝐺𝐵𝐼𝑁𝑂𝑀. 𝐷𝐼𝑆𝑇(𝑘 − 1; 1; 𝑝; 0)
𝑃(𝑋 ≤ 𝑘) = 𝑁𝐸𝐺𝐵𝐼𝑁𝑂𝑀. 𝐷𝐼𝑆𝑇(𝑘 − 1; 1; 𝑝; 1)
EJEMPLO:
1. Se lanza un dado hasta obtener un “6” por primera vez.

a. Calcular la probabilidad de que salga 6 por primera vez en el 3 lanzamiento.
b. Calcular la probabilidad de sean necesarios como máximo 4 lanzamientos.
c. Calcular la probabilidad de sean necesarios más de 5 lanzamientos.
Solución:
X: Número de lanzamientos requeridos hasta obtener el primer seis.
X Tiene distribución geométrica, con p=P(E)=1/6
a. P(X=3)=0,1157
b. P(X≤4)=F(4)=0,5177
c. P(X>5)=1-P(X≤5)=1-F(5)=1-0,5981=0,4019

2. La probabilidad de que una maquina produzca un artículo defectuoso es 0,25; se hace un
control de calidad, para esto se enciende la máquina.
a. ¿Cuál es la probabilidad de que exactamente el cuarto articulo producido sea el

primer artículo defectuoso producido luego de encender la maquina?
b. Si la maquina produce consecutivamente 4 artículos no defectuosos pasa al control de

calidad, ¿Cuál es la probabilidad de que la maquina pase el control de calidad?
c. Si la maquina pasa el control de calidad y se hace un segundo control, ¿Cuál es la

probabilidad de que vuelva a pasar el control de calidad?
d. ¿Cuál es valor esperado de X?
e. Supongamos que se realiza un control de calidad a 5 de estas máquinas, ¿Cuál es la
probabilidad de que las cinco maquinas pasen el control de calidad?
f. Supongamos que se realiza un control de calidad a 5 de estas máquinas, ¿Cuál es la
probabilidad de que exactamente 3 máquinas pasen el control de calidad?
SOLUCIÓN:
a. Definamos la variable aleatoria:

X: número de artículos producidos hasta tener el primer defectuoso.
E: el artículo es defectuoso.
P(E)=0,25; P(F)=0,75
Primera forma de resolver:
Asumiendo independencia tenemos que:
𝑃(𝐹𝐹𝐹𝐸) = (0,75). (0,75). (0,75)(0,25) = (0,75)3 (0,25) = 0,1055.
Segunda forma de resolver:

𝑋~𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎 (𝑝 = 0,25); 𝑅𝑋 = {1,2,3, … }

𝑃(𝑋 = 4) = 𝑝. 𝑞 4−1 = (0,25)(0,75)3 = 0,1055
Tercera forma de resolver:

Usando el Excel
𝑋~𝐺𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎(𝑝 = 0,25); 𝑅𝑋 = {1,2,3, … }
𝑃(𝑋 = 4) = 0,1055
b. Para que la maquina pase el control de calidad debería de suceder, por ejemplo:
FFFFE; FFFFFE; FFFFFFE; …
La probabilidad pedida será:

𝑃(𝑋 > 4) = 1 − 𝑃(𝑋 ≤ 4) = 1 − 0,6836 = 0,3164.
OTRA FORMA:
𝑃(𝐹𝐹𝐹𝐹) = 0,754 = 0,3164
c. Para que la maquina pase el control de calidad dos veces consecutivas debería de
suceder, por ejemplo: FFFFFFFFE; FFFFFFFFFE; FFFFFFFFFFE …
𝑃(𝑋 > 8) 1 − 𝑃(𝑋 ≤ 8) 0,1001

𝑃(𝑋 > 8⁄𝑋 > 4) = = = = 0,3164
𝑃(𝑋 > 4) 1 − 𝑃(𝑋 ≤ 4) 0,3164
Notemos que 𝑃(𝑋 > 8⁄𝑋 > 4) = 𝑃(𝑋 > 4) pues el proceso no tiene memoria.
d. Por ser X una variable geométrica su valor esperado está dado por:
1 1
𝐸(𝑋) = = =4
𝑃 0,25

Si el experimento se repite muchas veces, se espera que en promedio el número de
artículos producidos hasta tener el primer defectuoso es igual a cuatro.
e. Sea el evento: Ai: La máquina i pasa el control de calidad.

Me piden: P(A1ꓵA2ꓵA3ꓵA4ꓵA5)=
Se conoce que P(Ai)=0,3164
Asumiendo independencia en los eventos tenemos que:
𝑃(𝐴1ꓵ𝐴2ꓵ𝐴3ꓵ𝐴4) = 𝑃(𝐴1)𝑃(𝐴2)𝑃(𝐴3)𝑃(𝐴4)𝑃(𝐴5) = 0,31645 = 0,00317
f. Sean los eventos:

𝐴𝑖 : La máquina 𝑖 pasa el control de calidad.
𝐵𝑖 : La máquina 𝑖 no pasa el control de calidad.
Se conoce que 𝑃(𝐴𝑖 ) = 0,3164, 𝑝𝑜𝑟 𝑡𝑎𝑛𝑡𝑜 𝑃(𝐵𝑖 ) = 1 − 0,3164 = 0,6836

Asumiendo independencia en los eventos nos piden:
𝑃[𝐴1 𝐴2 𝐴3 𝐵4 𝐵5 ∪ 𝐴1 𝐵2 𝐴3 𝐵4 𝐴5 ∪ 𝐵1 𝐵2 𝐴3 𝐴4 𝐴5 ∪ … ] =
𝑃[𝐴1 𝐴2 𝐴3 𝐵4 𝐵5 ] + 𝑃[𝐴1 𝐵2 𝐴3 𝐵4 𝐴5 ] + 𝑃[𝐵1 𝐵2 𝐴3 𝐴4 𝐴5 ] + ⋯ =
(0,3164)3 (0,6836)2 + (0,3164)3 (0,6836)2 + (0,3164)3 (0,6836)2 +. . =

= 10(0,3164)3 (0,6836)2 = 0,1480.
EJEMPLO: De cuantas maneras puedo ordenar en una fila las 5 letras A,E,I,O,U.
5 4 3 2 1
Rpta =5!
EJEMPLO: De cuantas maneras puedo ordenar en una fila las 5 letras AAABB
Rpta =5!/(3!*2!)=10
Otra forma de resolver la f.
Y: Número de máquinas de un total de 5, que pasan el control de calidad.

Éxito: E=La máquina pasa el control de calidad
p=P(E)=0,3164
P(Y=3)=??
Y tiene distribución Binomial, con n=5; p=0,3164
P(Y=3)=0,1480.

Otro ejemplo:
3. En un examen de 20 preguntas con 5 alternativas para marcar, un estudiante intenta adivinar

las respuestas, si cada respuesta correcta tiene 1 punto y no hay puntaje en contra:
a. ¿Cuál es la probabilidad de que apruebe el examen?
b. ¿Cuál es la nota esperada del estudiante con esta actitud?
SOLUCIÓN:
Definamos la variable aleatoria:

X: número de éxitos en los 20 intentos.
n=20
E: Acierta la respuesta.
P(E)=p=0,20; P(F)=q= 0,80
Me piden:
a. 𝑃(𝑋 ≥ 11) = 𝑃(𝑋 > 10) = 1 − 𝑃(𝑋 ≤ 10) = 1 − 0,9994 = 0.0006
b. E(X)=n.p=20(0,2)=4
La nota esperada será 04.

11.4 DISTRIBUCIÓN BINOMIAL NEGATIVA (Pascal)
La distribución Binomial negativa también está relacionada con un proceso de Bernoulli, es una
generalización de la distribución geométrica. Consideremos entonces una sucesión de ensayos
Bernoulli y definimos la variable aleatoria X de la siguiente manera:
X: número de ensayos requeridos hasta obtener en total r éxitos

(los r éxitos no son necesariamente consecutivos).
Entonces tenemos: RX = r , r + 1, r + 2, r + 3,... , con distribución dada por:
 x − 1 r
p ( x ) = P  X = x =   p ( q ) , x = r , r + 1, r + 2, r + 3,...
x−r
 r −1
Propiedades:
1. E ( X ) = r 2. V ( X ) = rq2
p p
Notas:
• Si 𝑟 = 1, la función se reduce al caso de la distribución geométrica.
• Para realizar los cálculos en Excel usar el comando:
𝑃(𝑋 = 𝑘) = 𝑁𝐸𝐺𝐵𝐼𝑁𝑂𝑀. 𝐷𝐼𝑆𝑇(𝑘 − 𝑟; 𝑟; 𝑝; 0)

𝑃(𝑋 ≤ 𝑘) = 𝑁𝐸𝐺𝐵𝐼𝑁𝑂𝑀. 𝐷𝐼𝑆𝑇(𝑘 − 𝑟; 𝑟; 𝑝; 1)
EJEMPLO:
1. La probabilidad de que una máquina de la marca A con 2 años de servicio produzca un
artículo defectuoso es 0,25
a. ¿Cuál es la probabilidad de que exactamente el segundo articulo producido sea

defectuoso? (interprete correctamente la pregunta, acá no se trata de la distribución
binomial negativa)
Solución:
Definamos:
P(E)=0,25; P(F)=0,75
P(FE, EE)= P(FE)+P(EE)=0,75(0,25)+0,25(0,25)=0,25.
b. ¿Cuál es la probabilidad de que sea necesario fabricar en total 5 artículos para obtener
exactamente 3 artículos defectuosos?
Solución:
primera forma:
E: El artículo es defectuoso.
P(EFFEE)+P(FFEEE)+P(FEFEE) ….( 6 casos)
= 0,25(0,75)(0,75)(0,25)(0,25) + 0,75(0,75)(0,25)(0,25)(0,25) + … ….

= 6(0,75)2 (0,25)3 = 0,05273
Segunda forma:
X: Número de artículos producidos hasta tener exactamente 3 defectuosos.
P(E)=p=0,25; P(F)=q=0,75
𝑋~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑎(𝑝 = 0,25; 𝑟 = 3); 𝑅𝑋 = {3, 4, 5 … }
La ley de probabilidad será:

 x − 1 r
p ( x ) = P  X = x =   p ( q ) , x = r , r + 1, r + 2, r + 3,...
x−r
 r −1
 x − 1
p ( x ) = P  X = x =   0, 25 ( 0, 75)
3 x −3
 3 −1
 5 − 1  4
p ( 5) = P  X = 5 =   0, 25 ( 0, 75) =   0, 25 ( 0, 75 )
3 5 −3 3 2
 3 − 1  2
2 (0,25)3
= 6(0,75) = 0,05273
Tercera forma, usando el Excel:
c. Digamos que el control de calidad consiste en fabricar artículos hasta obtener 2

defectuosos, luego se cuentan el total de los artículos sanos y si hay menos de 4
artículos sanos la maquina se manda a reparación. ¿Cuál es la probabilidad de que la
maquina pase el control de calidad? (ósea que no se mande a reparar)

X: número de artículos producidos hasta tener exactamente 2 defectuosos.
P(E)=0,25; P(F)=0,75
𝑋~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑎(𝑝 = 0,25; 𝑟 = 2); 𝑅𝑋 = {2, 3, 4, 5 … }

𝑃(𝑀𝑎𝑞𝑢𝑖𝑛𝑎 𝑝𝑎𝑠𝑒 𝑒𝑙 𝑐𝑜𝑛𝑡𝑟𝑜𝑙) = 𝑃(𝑋 ≥ 6) = 𝑃(𝑋 > 5) = 1 − 𝑃(𝑋 ≤ 5) =
= 1 − 0,3672 = 0,6328

d. Supongamos que hay tres máquinas iguales, todas de la misma marca A y las tres con
2 años de servicio, se efectúa el control de calidad del ítem anterior, ¿Cuál es la
probabilidad de que exactamente una de ellas se mande a reparación y las otras 2
pasen el control?
Sea la variable aleatoria Y: Número de máquinas de un total de tres, que pasan el

control de calidad.
E: La máquina pasa el control de calidad; P(E)=0,6328.
𝑌~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 (𝑝 = 0,6328; 𝑛 = 3); 𝑅𝑋 = {0, 1, 2, 3}

Respuesta: P(Y=2)=0,4411.
e. Si el proceso de producción es el siguiente: Se fabrican artículos hasta producir 100

defectuosos, luego se para la maquina y finaliza la producción, finalmente se
empaquetan los artículos sanos en un único lote. Si cada artículo sano representa una
utilidad de 5 soles y cada artículo defectuoso una pérdida de 2 soles, ¿Cuál es la
utilidad esperada del proceso?
SOLUCIÓN:
X: número de artículos producidos hasta tener exactamente 100 defectuosos.
P(E)=0,25; P(F)=0,75
𝑋~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑎(𝑝 = 0,25; 𝑟 = 100); 𝑅𝑋 = {100, 101, 102, … }
Por ser X binomial negativa tenemos:
𝑟 100
𝐸(𝑋) = = = 400
𝑝 0,25
Definamos la utilidad como U, luego:
𝑈 = 5(# 𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑜𝑠 𝑠𝑎𝑛𝑜𝑠) − 2(# 𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑜𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠)

𝑈 = 5(𝑋 − 100) − 2(100)
𝑈 = 5𝑋 − 700
Me piden la utilidad esperada, es decir el valor esperado:

𝐸(𝑈) = 𝐸(5𝑋 − 700) = 5𝐸(𝑋) − 𝐸(700) = 5(400) − 700 = 1300
Finalmente, la utilidad esperada del proceso es de 1300 soles.
Ejercicios:
1. Se lanza un dado hasta obtener 3 números seis, no necesariamente consecutivos, hallar la
probabilidad de que sean necesarios 8 lanzamientos en total.
Solución:
𝑋~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑎(𝑝 = 1/6; 𝑟 = 3); 𝑅𝑋 = {3, 4, 5, … }
P(X=8)= 0,0391
𝑃(𝑋 = 𝑘) = 𝑁𝐸𝐺𝐵𝐼𝑁𝑂𝑀. 𝐷𝐼𝑆𝑇(𝑘 − 𝑟; 𝑟; 𝑝; 0)

𝑃(𝑋 ≤ 𝑘) = 𝑁𝐸𝐺𝐵𝐼𝑁𝑂𝑀. 𝐷𝐼𝑆𝑇(𝑘 − 𝑟; 𝑟; 𝑝; 1)
2. Se sabe que el 3% de las personas a las que se les revisa el equipaje en un aeropuerto lleva
objetos cuestionables. ¿Cuál es la probabilidad que exactamente una serie de 15 personas
cruce sin problemas antes de que se atrape a una con un objeto cuestionable? ¿Cuál es el
número esperado de personas que pasaran antes de que se detenga a una?
Definamos éxito=E= “se atrapa a una persona con un objeto cuestionable”

P(E)=0,03; P(F)=0,97
𝑃(𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐸) = 0,9715 (0,03) = 0,0190.
X: Numero de personas que cruzan hasta que se atrapa a una.

Me piden
P(X=16)

11.5 DISTRIBUCIÓN HIPERGEOMÉTRICA
Consideramos una población de tamaño N, dividida según la característica a estudiar, en dos

subpoblaciones disjuntas de tamaños 𝑀 y 𝑁 − 𝑀. Donde 𝑀 < 𝑁
Por ejemplo, una urna con N bolas, donde N = 1,2, 3, ... de las cuales M son blancas y N-M son
negras. Tomamos una muestra aleatoria sin remplazamiento de tamaño n, siendo n ≤N.
Definición:
Tomamos una muestra aleatoria sin reemplazamiento de tamaño n y definimos la v.a.:
X: Número de elementos de una muestra n, que pertenecen a la subpoblación M.
Entonces decimos que X sigue una distribución hipergeométrica de parámetros N, M, n,
XH(N, M, n) y su función de probabilidad es:
 M  N − M 
  
 x  n − x 
p ( x ) = P  X = x = , x = 0,1, 2,......, min ( n, M )
N
 
n 
n n!
donde   = (coeficiente Binomial)
 k  k!(n − k )!
Nota: Usando Excel:

𝑃(𝑋 = 𝑘) = 𝐷𝐼𝑆𝑇𝑅. 𝐻𝐼𝑃𝐸𝑅𝐺𝐸𝑂𝑀. 𝑁(𝑘; 𝑛; 𝑀; 𝑁; 0)
𝑃(𝑋 ≤ 𝑘) = 𝐷𝐼𝑆𝑇𝑅. 𝐻𝐼𝑃𝐸𝑅𝐺𝐸𝑂𝑀. 𝑁(𝑘; 𝑛; 𝑀; 𝑁; 1)
Propiedades:
M 
1. E ( X ) = n  
N
 M  M  N − n 
2. V ( X ) =  1 −  
 N  N  N − 1 

3. Aproximación a la binomial: Sea X una v.a. con distribución hipergeométrica H (N, n, p ).
Entonces si N es muy grande en comparación con n, la distribución hipergeométrica se aproxima
M
a la binomial. Es decir: H(N, M ,n) → B(n, p) si N→∞. (se toma p = )
N
n
Se considerará una buena aproximación cuando  0.1
N

EJEMPLOS:
1. En una convención nacional, hay 50 representantes de un partido político, de los cuales
30 apoyan al candidato A y 20 apoyan al candidato B. Si seleccionamos aleatoriamente
cinco representantes, ¿Cuál es la probabilidad de que, entre esos cinco, dos apoyen al
candidato A?
N=50
A=30 B=20 n=5

A=??;
B=??
SOLUCIÓN: Sea X el número de representantes en la muestra que apoyan al candidato A,

Tenemos: N=50, M=30, n=5, nos piden P(X=2)
 M  N − M 
  
n−x 
p ( x ) = P  X = x  =  
x
, x = 0,1, 2,......, min ( n, M )
N
 
n 
 30  50 − 30 
  
 x  5 − x 
P  X = x = , x = 0,1, 2,3, 4,5 ;
 50 
 
5 
 30  20 
  
 2  5 − 2 
P  X = 2 = = 0, 2341
 50 
 
5 
Respuesta: 0,2341.

2. Un distribuidor mayorista recibe diariamente un lote de 20 refrigeradoras, de las cuales 8
son de color blanco y las restantes de color plata. Un comerciante minorista le solicita,
también diariamente, 6 refrigeradoras. Suponiendo que las refrigeradoras son
seleccionadas al azar:
a. ¿Cuál es la probabilidad de que, en un día cualquiera, el número de refrigeradoras

seleccionadas de color blanco sea mayor a tres?
b. ¿Cuál es la probabilidad de que, para los siguientes 5 días, como máximo en dos días, el
minorista reciba exactamente 3 refrigeradores de color plata? Suponer independencia.
Solución a:
Tomamos una muestra aleatoria de 6 refrigeradoras del total de 20
X: número de refrigeradoras de la muestra, que son blancas.
Entonces decimos que X sigue una distribución hipergeométrica de parámetros N=20, M=8, n=6,
XH(N, M, n) y la probabilidad pedida es:
𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − 0,8627 = 0,1373.

Solución b:
¿Cuál es la probabilidad de que, para los siguientes 5 días, como máximo en dos días, el minorista reciba exactamente 3
refrigeradores de color plata? suponer independencia.
Tomamos una muestra aleatoria de 6 refrigeradoras del total de 20
Z: Número de refrigeradoras de la muestra, que son de color plata.
Entonces decimos que Z sigue una distribución hipergeométrica de parámetros N=20, M=12, n=6,
ZH(N, M, n) entonces:
P(Z=3)=0,3179
Y: número de días de un total de 5, en los cuales el minorista recibe exactamente 3 refrigeradoras

color plata.
Éxito= E=en un día el minorista recibe exactamente 3 refrigeradoras color plata.
P(E)= 0,3179
P(Y≤2)=??
Suponiendo independencia entre un día y otro, Y B(n=5;p=0,3179)
P(Y≤2)=0,8124

11.6 DISTRIBUCIÓN DE POISSON
La distribución de Poisson constituye un buen modelo para experimentos donde X representa el

número de veces que ha ocurrido un evento en una unidad dada de tiempo o de espacio. Por
ejemplo:
✓ Número de llamadas recibidas en un conmutador durante un día, conociendo el promedio

por día.
✓ Número de reclamaciones contra una empresa de seguros por semana, conociendo el
promedio semanal.
✓ Número de llegadas a una estación de servicio durante un minuto dado, conociendo el
promedio por minuto.
✓ Número de ventas hechas por un agente en un día, conociendo el promedio por día.
✓ Número de pixeles dañados en una pantalla LCD, conociendo el promedio por pulgada2
✓ Número de glóbulos blancos en un mL de sangre, conociendo el promedio por mL.
Sólo se requiere que los eventos sean independientes.
Un experimento de Poisson se deriva del proceso de Poisson y tiene las siguientes propiedades:
2. Proceso Poisson
Diremos que los eventos discretos que se generan en un intervalo continuo (unidad de
medida: longitud, área, volumen, tiempo, etc.) forman un proceso Poisson con parámetro 
si tiene las siguientes propiedades:
i. El número promedio de ocurrencias de eventos en una unidad de medida es conocido

e igual a 
ii. La ocurrencia de un evento en una unidad de medida h no afecta a la ocurrencia, o no
ocurrencia en otra unidad de medida h contigua. (independencia)
iii. Sea una unidad de medida suficientemente pequeño de longitud h, luego:
a. La probabilidad de un éxito en esta unidad pequeña es proporcional a la longitud del

intervalo, esto es  h
b. La probabilidad de la ocurrencia de 2 o más éxitos en esta unidad pequeña es
aproximadamente 0.

3. Distribución De Poisson
En un proceso Poisson de parámetro  se observa t unidades de medida, definimos X de la

siguiente manera:
X(w)=Número de ocurrencias de eventos en t unidades de medida.
RX = 0,1, 2,3,..
La variable aleatoria así definida se llama variable aleatoria de Poisson y la distribución de
probabilidad de X se llama distribución de Poisson, la cual está definida por:
e − t ( t )
x
p ( x ) = P  X = x = , x = 0,1, 2,3..
x!
Donde 𝑒 es un número irracional, 𝑒 = 2,7182818 ….

Nota: Usando Excel tenemos:
𝑃(𝑋 = 𝑘) = 𝑃𝑂𝐼𝑆𝑆𝑂𝑁. 𝐷𝐼𝑆𝑇(𝑘; 𝜆𝑡; 0)
𝑃(𝑋 ≤ 𝑘) = 𝑃𝑂𝐼𝑆𝑆𝑂𝑁. 𝐷𝐼𝑆𝑇(𝑘; 𝜆𝑡; 1)
4. Propiedades:
a. t es el número promedio de ocurrencias de los eventos en las t unidades de medida

b. E ( X ) = t
c. V ( X ) = t
d. La distribución de Poisson también se utiliza para modelar datos discretos como
aproximación a la Binomial dada la dificultad que existía de encontrar tablas Binomiales
adecuadas cuando n es grande y p pequeña.
Considerando un número n grande de pruebas de Bernoulli independientes, con

probabilidad de éxito, pequeña y haciendo λt= np, llegamos a obtener la distribución de
Poisson como límite de la binomial cuando n→∞. Es decir, si n→∞, p→0 y λt=np
permanece constante, entonces se verifica: lim B ( n, p ) = P ( t )
n →
En la practica la distribución de probabilidad de Poisson proporciona buenas

aproximaciones cuando t = np  5 y p  0.1

EJEMPLO 1
Una central telefónica recibe 480 llamadas en una hora, pero no puede atender más de 12
llamadas en un minuto, asumiendo que las llamadas llegan a la central telefónica siguiendo
un proceso Poisson determine:
a. La probabilidad de que se produzcan 10 llamadas en un minuto.
b. La probabilidad de que la central quede saturada en un minuto dado.
c. La probabilidad de que se produzcan a lo sumo 1 llamada en un minuto.
d. La probabilidad de que se produzcan más de 2 llamadas en un minuto.
e. El número de llamadas esperadas en un minuto.
f. La probabilidad de que se produzcan exactamente 12 llamadas en dos minutos.
SOLUCIÓN:
Sea:
X: número de llamadas que se reciben en un minuto.
Como las probabilidades pedidas se refieren a un minuto, debemos hallar el número de
llamadas promedio por minuto, es decir:
# de llamadas # minutos
480 60
𝜆𝑡 =? ? 1
t = 480 / 60 = 8 (8 llamadas por minuto)

e − t ( t )
x
p ( x ) = P  X = x = , x = 0,1, 2,3..
x!
e−8 (8)
x
Luego p ( x ) = P  X = x  = , x = 0,1, 2,3..

x!
Así calculamos directamente las probabilidades pedidas:
e−8 ( 8)
10
a. P  X = 10 = = 0.0993
10!
b. Como la central no puede atender más de 12 llamadas en un minuto, quedaría

saturada si recibe más de 12 llamadas, entonces la probabilidad pedida es:
e −8 ( 8 )
x
12
P  X  12 = 1 − P  X  12 = 1 −  =1 − 0,9362 = 0, 0638
0 x!
Usando el Excel: 𝑃(𝑋 > 12) = 1 − 𝑃(𝑋 ≤ 12) =??

𝑃(𝑋 > 12) = 1 − 𝑃(𝑋 ≤ 12) = 1 − 0,9362 = 0,0638
Rpta: 0,0638
c. P(X 1) = P(X=0)+P(X=1)=0,0003 + 0,0027= 0,0030

d. P(X 2) = 1 – P(X 2)= 1 – 0,0137 = 0,9860
e.  = 8 llamadas en un minuto.
f. Sea:
Y: número de llamadas que se reciben en dos minutos.
Como las probabilidades pedidas se refieren a dos minutos, debemos hallar el número
de llamadas promedio en dos minutos, es decir
# de llamadas # minutos
480 60
𝜆𝑡 =? ? 2
t = (2)480 / 60 = 16 (16 llamadas por cada dos minutos)

e−16 (16 )
12
P Y = 12 = = 0, 0661
12!
=POISSON.DIST(12;16;0)
EJEMPLO 2
Suponga que una compañía de seguros asegura las vidas de 5000 hombres de 42 años de
edad. Si los estudios actuariales muestran que la probabilidad de que un hombre muera
durante el 2022 es 0,001 ¿Cuál es la probabilidad de que la empresa pague exactamente 4
indemnizaciones durante el 2022?
SOLUCIÓN:
Sea Y: Número de hombres de un total de 5000 que mueren durante el 2022.

E=Un hombre muere, P(E)=p=0,001 kte.
Luego Y es V.A. BINOMIAL, Ry = 0,1, 2,3,..,5000

n
p ( y ) = P Y = y n, p  =   p y ( q ) , y = 0,1,..., n.
n− y
 y
5000!
P Y = 4 = p (4) = (0.001) 4 (0.999) 4996 = 0,1755 =0,1755
4!4996!
Otra solución (aproximada)

Podemos considerar la variable aleatoria:
X: número de defunciones en el año 2022 y aproximando con la distribución de Poisson, se
toma la tasa media de sucesos t = np = (5000)*(0,001)= 5, teniendo t=1 año:
t 4e− t 54 e−5
P( X = 4) = = = 0.1754
4! 4!
Otro ejemplo:
Ejemplo 3: Suponga que en un establecimiento de comida rápida se atiende a 50 clientes por
hora siguiendo una distribución de Poisson.
a. ¿Cuál es la probabilidad que se tenga que atender a menos de 8 clientes entre las 5:00
p.m. y las 5:15 p.m.?
Sea: X: # de clientes atendidos durante 15 minutos.
# de clientes Minutos
50 60
𝜆𝑡 =? ? 15
𝜆𝑡 = 12,5
X~ Poisson ( 𝜆𝑡 = 12,5)
𝑃(𝑋 < 8) = 𝑃(𝑋 ≤ 7) = 0,0698

Otro ejemplo:
El promedio de ventas de televisores en las tiendas del Centro Cívico es de 6 cada dos horas.
si se supone que las ventas en cada una de las tiendas son independientes unas de otras y
asumiendo que estas ocurren siguiendo un proceso Poisson:
a. Si X representa el número de ventas cada 40 minutos. ¿Cuál es la probabilidad de que en
un intervalo de 40 minutos no se realice venta alguna?
b. ¿Cuál es la probabilidad de que se realice al menos 4 ventas en el intervalo de 60 minutos?
Solución:
a) X representa el número de ventas cada 40 minutos

# de ventas Minutos
6 120
𝜆𝑡 =? ? 40
𝜆𝑡 =2
X~ Poisson ( 𝜆𝑡 = 2)
P(X=0)=0,1353
b) Y representa el número de ventas cada 60 minutos

# de ventas Minutos
6 120
𝜆𝑡 =? ? 60
𝜆𝑡 =3
Y~ Poisson ( 𝜆𝑡 = 3)
P(Y≥4)= P(Y>3)=1- P(Y≤3)=0,3528.

11.7 DISTRIBUCIÓN MULTINOMIAL (TAREA)
La distribución multinomial es una generalización de la distribución binomial, la cual se

presentará cuando el experimento aleatorio en cuestión no sólo da lugar a dos posibles
resultados, éxito y fracaso, como ocurría en la binomial, sino que da lugar a tres o más posibles
resultados.
1. Definición: Decimos que v.a. r-dimensional ( X 1 , X 2 ,..., X r ) = “número de veces que se

presentan cada uno de los sucesos A1 , A2 ,... Ar cuando se realizan las n-repeticiones
independientes del experimento” sigue una distribución multinomial de parámetros n,
p1, p2 ,... pr , ( X 1 , X 2 ,..., X r )M(n, p1, p2 ,... pr ) y su función de probabilidad es :
r
n!
P( X 1 = k1 , X 2 = k2 ,..., X r = kr ) =
k1 ! kr !
p1k1  pr kr con ki = 0,1,..., n y k
i =1
i =n
2. Propiedades:
a. E  X i  = n  pi
b. Var( X i )= npi (1 − pi )
Ejemplo:
Si lanzamos un dado 50 veces. ¿Cuál es la probabilidad de obtener 25 unos, 10 veces el dos y
15 veces el cinco?
SOLUCIÓN:
Sea: X1: número total de unos, X2 : número total de dos, X3 : número total de tres, …
Entonces la probabilidad pedida será:
P  X1 = 25, X 2 = 10, X 3 = 0, X 4 = 0, X 5 = 15, X 6 = 0 =
25 10 0 0 15 0
50! 1 1 1 1 1 1
= = 5.1(10−19 )
( 25!)(10!)( 0!)( 0!)(15!)( 0!)  6   6   6   6   6   6 
Ejemplo 2: Un gran lote de tornillos tiene un 25% de tornillos de una pulgada; 30% de 2
pulgadas; 5% de 3 pulgadas y los restantes de 4 pulgadas. Si se selecciona aleatoriamente 20 tornillos,
¿cuál es la probabilidad de encontrar en la muestra 5 tornillos de cada tipo?

EJERCICIOS:
ESPACIO MUESTRAL
1. Construir el espacio muestral asociado al experimento de lanzar dos monedas y observar

las caras superiores.
2. Construir el espacio muestral apropiado para el experimento de lanzar una moneda y

lanzar un dado.
3. Construir el espacio muestral apropiado para el experimento de lanzar una moneda o

lanzar un dado pero no ambos.
4. Dados los experimentos no determinísticos determinar los espacios muéstrales asociados

a cada uno de ellos:
a. Se lanza una moneda 5 veces y se cuenta el número de caras.
b. Se fabrican artículos en una maquina y se cuentan el número de artículos defectuosos
cada12 horas.
c. Se fabrican artículos hasta producir 5 no defectuosos. Se cuenta el número de artículos
fabricados en total.
5. Se tiene dos equipos en competencia A y B. El primero en ganar dos encuentros de tres

se adjudica el premio. (el juego acaba cuando uno de ellos gana) Describir el espacio
asociado a este juego.
6. Se fabrica un foco y luego de encenderlo se toma el tiempo hasta que se queme.
EVENTOS y SUCESOS:
1. Tres secretarias A, B y C se distribuyen al azar en dos oficinas 1 y 2 (una por oficina).

Describa los eventos:
a. La secretaria A ocupa la oficina 2

b. La secretaria C no ocupa ninguna de las oficinas.
2. Una urna contiene 4 bolillas numeradas: 1, 3,5 y 7, otra urna contiene 3 bolillas
numeradas: 2, 4, y 6. Se extrae una bolilla de la primera urna y luego una segunda bolilla
de la segunda urna. De tres ejemplos de:
a. Un evento elemental.
b. Un evento imposible
c. Un evento seguro

d. Dos eventos disjuntos
e. tres eventos mutuamente excluyentes dos a dos
f. Dos eventos independientes
3. Calcule la probabilidad de cada uno de los eventos listados en el ítem anterior.

G=(12) P(G)=1/12
4. Supongamos que una bolilla es seleccionada de una urna que contiene 10 bolillas rojas
numeradas del 1 al 10 y 10 bolillas azules numeradas también del 1 al 10. Sean los eventos:
A: La bolilla seleccionada viene numerada por un número par.

B: La bolilla seleccionada es azul.
C: La bolilla seleccionada viene numerada por un número par y es roja.
a. Determine el espacio maestral asociado a este experimento.

b. liste los sucesos asociados a los eventos A, B y C.
5. Suponga que en el intervalo cerrado  0,1
Se selecciona un número aleatoriamente y sean los sucesos:
A. El número seleccionado es impar.

B. El número seleccionado es mayor que 0.5.
1
C. El número seleccionado es de la forma ,n .
n
D. El número seleccionado es par.
Determine el espacio muestral asociado a este experimento y determine los elementos de

los eventos A, B, C, y D.
Que puede decir del evento D. ¿Es A un EVENTO ELEMENTAL?
6. Un número es seleccionado al azar entre los números 1 al 20 Sean los eventos:
A: el número elegido es par.

B: el número elegido es primo.
C. el número elegido es múltiplo de 5.
Liste los elementos de los siguientes eventos:

A  B , A  B , AC  C , ( A  B )  C C .

PROBABILIDADES:
1. Sean A y B dos eventos cualesquiera tal que:
P ( A) = 0.2 , P ( B ) = 0.6 y P ( AB ) = 0.6 Calcular:

P ( A  B) P ( AB ) P ( AB ) P ( AUB ) P ( AUB )
2. Una urna contiene 5 bolas blancas y 7 bolas negras. se extrae un abola al azar, se pone fuera
de la urna y su color no es visto; después se extrae otra bola aleatoriamente. ¿Cuál es la
probabilidad que esta última sea blanca?
i. I: La primera sea B
ii. II: La primera no sea B
iii. III: la segunda sea B
3. Se tiene 5 urnas idénticas; dos de ellas de igual contenido, con 3 bolas blancas y 5 negras, y
las otras tres teniendo cada una ,4 blancas y 3 negras, se elige una urna aleatoriamente, de la
urna elegida se extrae al azar una bola. ¿cuál es la probabilidad que sea blanca?
4. Se tiene 2 urnas A y B, con 5 bolas rojas ,3 blancas y una roja ,2 blancas respectivamente. Se
lanza un dado, si se obtiene 3 o 6, se pasa una bola de B a A, luego se extrae una bola de A.
En Cualquier otro caso se pasa una bola de A a B, luego se extrae una bola de B. Determinar
la probabilidad que:
a. Ambas bolas sean rojas.

b. Ambas bolas sean blancas.
5. tres urnas contienen respectivamente una bola blanca, dos negras; dos blancas una bola
negra; dos blancas y dos bolas negras. De la primera urna se transfiere una bola a la segunda,
después se transfiere una a la tercera urna y enseguida se extrae una bola de la tercera urna.
¿Cuál es la probabilidad de que esta sea blanca?
6. Considere una urna con 10 bolas de las Cuales 5 son negras .se elige al azar un entero n del
conjunto {1, 2, 3, 4, 5,6}, luego se selecciona una muestra de tamaño n sin reemplazo de la
urna. Determinar la probabilidad que todas las bolas de la muestra sean blancas.
7. En una sociedad hay 15 miembros, 5 mujeres y 10 hombres. A una reunión asistieron 13

miembros para elegir un presidente. ¿Cuál es la probabilidad de que sea una mujer la elegida?

8. Se tiene 5 fusiles que, cuando son apuntados apropiadamente y disparados, tienen
probabilidades de dar en el blanco respectivamente como sigue: 0.5; 0.6; 0.7; 0.8 y 0.9. Se
escoge aleatoriamente uno de los fusiles, se apunta y dispara. ¿Cuál es la probabilidad de dar
en el blanco?
9. Una caja contiene 3 monedas, dos normales y una con dos caras. Se elige una moneda al azar
y se efectúa una tirada. Si sale cara se tira otra vez. Si sale sello, entonces se elige una de las
otras dos de la caja y se tira.
10. Determinar la probabilidad que salgan dos caras.
11. Si se tira la misma moneda las dos veces, hallar la probabilidad de que sea la moneda con dos
caras.
12. Una urna I contiene dos bolas blancas y tres azules, una segunda urna II, contiene tres bolas
blancas y cuatro azules, se extrae aleatoriamente una bola de la urna I y se coloca en la
segunda, luego se extrae aleatoriamente una bola de esta; calcular la probabilidad de que
esta última sea blanca.
13. Por la noche dos coches se aproximan uno al otro en una autopista. Si ninguno de los dos
choferes esta borracho, ambos pasarán a salvo con una probabilidad de 0.999. Cada uno
puede estar borracho con una probabilidad de 0.1, la probabilidad que ambos están
borrachos es de 0.01. Sí solo el chofer A esta borracho, pasaran a salvo con una probabilidad
de 0.7. Si solo el chofer B esta borracho pasaran a salvo con una probabilidad de 0.8. Si ambos
están borrachos, pasaran sin peligro con una probabilidad de 0.4. ¿Cuál es la probabilidad que
pasen a salvo?
14. La urna I tiene tres bolas blancas y 7 negras. La urna II tiene 20 bolas de las Cuáles algunas
son blancas y las demás son negras se escoge una urna al azar y de ella se extrae una bola
encontrándose que es blanca. si la probabilidad que esta bola blanca provenga de la urna I es
igual a 1/3 determinar el número de bolas blancas que existían originalmente en la urna II.
15. Un fabricante recibe el 60% de sus materias primas del distribuidor A y el resto B por
experiencia sabe que el 92% de los costales de materia prima llegan en buenas condiciones.
¿Cuál es la probabilidad que un costal dañado sea el distribuidor A? ¿Qué Sea el B? un estudio
posterior revela que el 95% de los costales del distribuidor A llega en buen estado, mientras
que el 87.5% de B es de buena calidad. Con esta información ¿Cuál es la probabilidad que un
costal dañado proceda de A ?.

16. un aparato especial para medir el contenido alcohólico en la sangre de una persona arrojo el
siguiente resultado: de 500 voluntarios, 240 estaban borrachos (el nivel de alcohol de sangre
era 0.0015 o más) los mismos 500 voluntarios se sometieron a una prueba sanguínea
inmediatamente después, encontrándose 280 personas con un nivel de 0.0015 o más.
Después se determinó que 180 personas resultaron estar borrachos en ambas pruebas ¿qué
porcentaje de personas resultaron estar ebrios sin que lo indicara el aparato? Supóngase que
una persona realmente estuviera borracha y que pasara la prueba en el aparato. Según la
información dada anteriormente, ¿Cuál es la probabilidad que la prueba resulte positiva?
17. Todas las noches, el señor Pérez llega tarde a su casa .La señora Pérez que es una buena
esposa, le deja encendida la luz de la entrada a la casa. la probabilidad que el señor Pérez
llegue borracho es 0.60 si llega borracho, hay una probabilidad de 0.90 que olvide apagar la
luz que tanto que esta es solo de 0.05 si llega sobrio.
a. ¿Cuál es la probabilidad que el señor Pérez apague la luz en una noche Cualquiera?
b. Dado que el señor Pérez apago la luz una cierta noche. ¿cuál es la probabilidad que
haya llegado borracho?
18. La compañía COMPUT-PERU está considerado comercializar una Calculadora – electrónica .de
acuerdo a una investigación hecha en el mercado, la probabilidad que el producto tenga éxito
es 0.80 si una firma competidora introduce un producto similar en el mercado, en tanto que
la probabilidad de éxito es de 0.30 si la firma competidora comercializa el producto similar
en el mercado ,en tanto que la probabilidad de éxito es de 0.30 si al firma competidora
comercializa el producto similar .A demás la compañía estima que hay una probabilidad de
0.40 que la firma competidora comercialice el producto .dado que el producto de la compañía
de COMPUT-PERU tuvo éxito. ¿cuál es la probabilidad que la firma competidora haya
comercializado el producto?
19. Juan tiene dos bolas; la bolsa I, con tres bolas rojas y dos blancas; la bolsa II con una bola roja
y cuatro blancas. Juan escogió una bola de la bolsa I ala zar y lo coloca en la bolsa II y encuentra
que es roja ¿Cuál es la probabilidad de que la bola transferida de la bolsa I a la II haya sido
roja?
20. Si P[A] = 1/6, P[AB] = 1/18, P[B] = 1/3. ¿Son A y B independientes?
21. Una urna contiene cuatro bolas blancas y cinco negras. Se extraen sucesivamente y sin
reposición dos bolas, sean los eventos: A: “La primera bola extraída es negra” B: “la segunda
bola extraída es blanca”, ¿Son los eventos A y B independientes?

22. De una baraja ordinaria de 52 cartas se extraen sucesivamente dos cartas, restituyendo la
primera antes de extraer la segunda. Sea A el evento (suceso) “la primera carta es una pica””,
B el evento “la segunda carta es as o rey” y C el evento “la primera carta es as o rey”. De los
tres pares de eventos: A y B; A y C; B y C. determine Cuáles (si los hay) son independientes.
23. Si A y B son independientes, P[A] = 1/3, P[B] = 1/4, Hallar P[A U B]
24. si A Y B son independientes P[A]=P[B]=1/2.calcular P[AB’ U A’B]
25. Dado P [A] = 0.5 y P[AUB] =0.7. Hallar P[B], Si A y B son independientes
26. si A Y B independientes, y P[A] = [B/A] =1/2 Hallar P[AUB]
27. si A y B son eventos independientes con P[A]= 0.2, P[B]= 0.3 ¿Cuál es la probabilidad que:
a. Al menos uno ocurra
b. Exactamente uno ocurra
c. Ninguna ocurra
d. Ambos ocurran
28. Sean A y B dos eventos independientes, se sabe que la probabilidad de que ocurra al menos
uno de dichos eventos es 0,6 y que la probabilidad de que ocurra de A es 0,4. ¿Cuál es la
probabilidad de que ocurra B.
29. Si un conejo es inyectado con una droga A la probabilidad que muera dentro de las 24 horas
siguientes es de 0,63 y si es inyectado con una droga B dicha probabilidad es de 0,45. ¿cuál es
la probabilidad que un conejo sobreviva más de 24 horas después de haber sido inyectado
simultáneamente con las drogas A y B, si se supone que la acción de estas son
independientes?
30. Se dispara cada uno de los fusiles A, B y C la probabilidad de dar en el blanco es 0,15; 0,25 y
0,35, respectivamente. Calcular la probabilidad:
a. De que al menos uno de los tres de en el blanco

b. De que acierte uno solo
31. Considere tres urnas; la urna I contiene una bola blanca y dos negras, la urna II contiene tres
bolas blancas y dos negras y la urna III contiene dos bolas blancas y tres negras. Se extrae una
bola de cada una. ¿Cuál es la probabilidad de que entre las bolas extraídas haya
a. Una blanca y dos negras

b. Por lo menos dos negras
c. Mas negras que blancas

VARIABLE ALEATORIA
1. Una urna contiene 4 bolillas numeradas 1, 2, 3, 4 respectivamente. Se extraen 2 bolillas

aleatoriamente sin reemplazamiento. Se define la variable X como la suma de estos dos
valores: Hallar el dominio de X, La distribución de probabilidad de X y la función de
distribución acumulada de X
2. Sea X una variable aleatoria cuya distribución de probabilidad es la siguiente.
X 0 1 2 3 4
P(X) 1/8 1/4 1/4 1/4 1/8
a. Hallar E( X )
2
b. Hallar E ( X )
2
c. Hallar E ( X )
3. En un juego de apuestas un hombre puede obtener una ganancia de 1000 soles o una pérdida
de 500 soles La probabilidad de sufrir una perdida es 0.4. ¿Cuál es la pérdida o la ganancia
esperada en soles?
4. Dada la función de densidad de la variable X:
 1
 x, 0  x  1500
(1500) 2


f ( x ) =  −1
 (1500) 2 ( x − 3000), 1500  x  3000
 en otro caso

0
a. Hallar el valor esperado de X

b. Hallar el valor esperado de 6X-500
5. Suponiendo que la duración (en horas) de cierto transistor es una variable continúa X con fdp
100
f ( x) = , x  100 y 0 para Cualquier otro valor.
x2
c. Halle la función de distribución acumulada de X.
d. Determine si existe E( X )

6. Supóngase que un instrumento electrónico tiene una duración X (en unidades de 1000 horas)
que se considera como una variable aleatoria continua con la siguiente fdp:
f ( x) = e− x , x  0.
Suponiendo que el costo de fabricación de tal artículo es $2.00. El fabricante vende el articulo
por $5.00, pero garantiza un reembolso total sí X  0.9 . ¿Cuál es la utilidad esperada del
fabricante por artículo?
7. Se sabe que un lote contiene 2 artículos defectuosos y 8 no defectuosos. Si estos se deben

inspeccionar al azar uno después del otro hasta encontrar los dos artículos defectuosos, ¿Cuál
es el número esperado de artículos que se tendrán que inspeccionar hasta que aparezcan los
dos defectuosos?
8. Un lote de 10 motores eléctricos contiene uno defectuoso y estos pueden ser vendidos
totalmente o rechazados totalmente por el cliente, si el costo por motor es de $75 y se venden
por $100 Cuál será la utilidad del vendedor si es que el cliente escoge aleatoriamente 2
motores y los prueba y en caso de encontrar uno o ambos motores defectuosos rechaza el
lote y en este caso los 10 motores deben ser destruidos.
9. Supongamos que cierto tipo foco tiene una probabilidad de 0.2 de funcionar (encender) más
de 1000 horas. Si probamos 20 focos, ¿Cuál es la probabilidad de que exactamente k de ellos
funcionen más de 1000 horas?, k= 1, 2, 3, …,20
10. Supóngase que el 5 por ciento de los artículos que salen de una línea de producción son
defectuosos. Se escogen 10 de tales artículos y se inspeccionan ¿Cuál es la probabilidad de
que se encuentren a lo más 10 defectuosos?
11. Una fábrica produce diariamente 10 recipientes de vidrio. Se puede suponer que hay una
probabilidad constante p=0.1 de producir uno defectuoso. Antes de que estos depósitos se
almacenen son inspeccionados y los defectuosos puestos aparte. Supongamos que hay una
probabilidad constante r=0.1 de que un recipiente defectuoso sea mal clasificado. Sea X igual
al número de recipientes clasificados como defectuosos al término de un día de producción.
(Suponemos que todos los recipientes que se fabrican en un día son inspeccionados al
termino de ese mismo día)
a. Calcular P( X = 3) ,y P( X  3)
b. Obtener una expresión para P( X = k )
12. Supóngase que la maquina uno produce (diariamente) el doble de artículos que la maquina
2. Sin embargo, cerca del 4 % de los artículos producidos por la maquina uno son defectuosos,
mientras que en el caso de la maquina dos el porcentaje de defectuosos son del 2%.
Supongamos que se combina la producción diaria de las dos máquinas. Se toma una muestra
aleatoria de tamaño 10 del resultado combinado. ¿Cuál es la probabilidad de que esta
muestra contenga 2 defectuosos?

13. Una variable X aleatoria tiene por función de densidad:
0 x0
0.2 x 0  x 1

0.2 1 x  2
f ( x) = 
0.2 x − 0.2 2 x3
0.4 3 x4

0 4 x
Calcular:
a. P(x1)
b. P(1<x2)
c. P(2<x3)
14. Sea X una variable aleatoria continua de función de densidad de probabilidad:
C (1 + x 2 ) si x  (0,3)
f ( x) = 
0 en otro caso
a. Hallar el valor de la constante C y la función de distribución acumulativa de

probabilidad. Dibujar ambas funciones
b. Probabilidad de que X esté comprendido entre 0 y 1
c. Probabilidad de que X sea menor que 1
d. Probabilidad de que X sea mayor que 2
e. Calcular E(x) y Var(x)
15. La función de densidad de una variable aleatoria continua es:
ax 2 + b si x  (0,2)
f ( x) = 
0 en otro caso
Sabiendo que P(1/2<x<1) = 1/8, calcular:
a. a y b
b. La función de distribución. Graficar f(x) y F(x)
c. P(x<1/2), P(1/4<x<3/4), P(x>1)

16. El diámetro de un cable eléctrico se considera una v.a. continua X, cuya función de densidad
de probabilidad es:
Cx(1 − x) si 0  x  1
f ( x) = 
0 en otro caso
a. Calcular el valor de C y dibujar f(x)
b. Determinar la función F(x) y dibujarla.
c. Calcular la media, mediana y varianza de la distribución
d. Calcular P(x<1/2), P(0x1/4), P(x1/3)
 1 2
e. P  X  0.5 X 
 3 3
c.e x
17. Sea F ( x ) = , x  la función de distribución acumulada de una variable aleatoria
e x + e− x
continua X.
a. Hallar el valor de c

b. Hallar f ( x ) la función de densidad de X, y demostrar que  f ( x ) dx = 1
−
1
18. Sea una variable aleatoria con función de densidad f ( x ) = kx + , x   −1,1
2
a. Determinar los valores de k para los Cuáles f ( x ) es ciertamente una función de
densidad.
b. Calcular la esperanza
c. la moda
d. la mediana de X.
e. ¿Para qué valores de k se minimiza la varianza de X?

DISTRIBUCIONES CLÁSICAS (POISSON, BINOMIAL, EXPONENCIAL …)
1. Hallar la media y la varianza de una v.a. Bernoulli.
2. Un panel solar tiene una vida útil de 5 años con una probabilidad de 0.95. Se toman 20 paneles
solares y se registró la vida útil.
a. ¿Cuál es la probabilidad de que exactamente 18 tengan su vida útil de 5 años?
b. ¿Cuál es la probabilidad de que cuando mucho 10 tengan esa vida útil?
c. ¿Si solo 10 paneles tienen una vida útil de 5 años, que debería pensarse sobre el valor
verdadero de p (Probabilidad de vida útil)?
Rpta:
a. P(X=18)=0,1887
b. P(X≤10)=0,0000
c. Si p=0,95, entonces E(X)=19; por otro lado P(X=10)=0,0000; Por tanto, p debe de ser
mucho menor, mas cercano a 0,5.
3. De todas las plantas sólo el 5% descargan residuos por sobre la norma. Si se muestrean 20
plantas ¿Cuál es la probabilidad de que estén fuera de la ley:
a. Menos que una planta?
b. Menos de dos plantas
c. Exactamente 3
d. Más de una
4. El número promedio de automóviles que se detienen por minuto para tomar gasolina en
cierta gasolinera es 1,2. ¿Cuál es la probabilidad de qué en determinado minuto se detengan:
a. menos de dos automóviles?
P(X<2)= P(X≤1)= 0,6626
b. más de tres automóviles?
P(X>3)=1-P(X≤3)=0,0338
c. menos de dos automóviles ó más de tres?
P(X<2 V X>3)= P(X<2)+ P(X>3)= P(X≤1)+ 1-P(X≤3)= 0,6626+0,0338=0,6964
d. dos ó tres automóviles para tomar gasolina?

P(X=2)+ P(X=3)=0,2169+0,0867=0,3036
e. al menos dos automóviles?
P(X≥2)=P(X>1)=1- P(X≤1)= 1-0,6626=0,3374
5. Entre los 60 aspirantes a unas plazas de técnicos superiores en la Administración Pública,

40 son mujeres. Si seleccionamos una muestra aleatoria, sin reemplazamiento, de 20
aspirantes. Obtener la probabilidad de que 10 sean mujeres.
6. Un representante realiza cinco visitas cada día a los comercios de su ramo y por su
experiencia anterior sabe que la probabilidad de que le hagan un pedido en cada visita es del
0,4. Obtener:
a. La distribución del número de pedidos por día
b. Probabilidad de que le hagan 4 pedidos

c. Número medio de pedidos por día y varianza.
d. Probabilidad de que el número de pedidos en un día esté comprendido entre 1 y 3
e. Probabilidad de que por lo menos realice dos pedidos.
7. Desde el año 1980 el número medio de empresas que han presentado suspensión de pagos
ha sido de 6,8 por año y admitimos que el número de empresas X que han presentado
suspensión de pagos durante un periodo determinado de tiempo sigue una distribución de
Poisson. Obtener:
a. Probabilidad de que ninguna empresa presente suspensión de pagos durante un

trimestre.
b. Probabilidad de que por lo menos dos empresas presente suspensión de pagos
durante un determinado año.
8. Se sabe que el 1% de los artículos importados de un determinado país tienen algún defecto.
Si tomamos una muestra de tamaño 30 artículos, determinar la probabilidad de que tres o
más de ellos tengan algún defecto.
Rpta X~B(n=30;p=0,01)
P(X≥3)=P(X>2)=1-P(X≤2)=1-0,9967=0,0033
Otra forma (Aprox)

En 30 artículos se espera en promedio 0,3 artículos defectuosos
Y~Poisson (λt=0,3;)
P(Y≥3)=P(X>2)=1-P(Y≤2)=1-0,9964=0,0036
9. La distribución de los salarios mensuales de los trabajadores de una gran empresa viene dada
por la siguiente tabla:
Proporción de
Rentas (euros)
trabajadores
[600,750] 0,15
(750,900] 0,28
(900,1200] 0,26
(1200,1800] 0,18
más de 1800 0,13
Se seleccionan aleatoriamente cinco trabajadores de la empresa. Determinar la probabilidad
de que entre esos cinco trabajadores, uno pertenezca al tramo de salarios más bajos, dos al
siguiente tramo y los dos restantes al tramo comprendido entre 1200 y 1800 Euros.

10. El número de alumnos que llegan a la primera clase de la Facultad sigue una distribución de
Poisson, cuya media es de dos alumnos por minuto. El número de alumnas que llegan a la
misma clase sigue también una distribución de Poisson, cuya media es de tres alumnas por
minuto. Admitimos que ambas llegadas son independientes. Obtener la probabilidad de que
lleguen menos de 4 alumnos y alumnas en un minuto.
Rpta:
X: # de alumnos que llegan en un minuto, X~Poisson (λt=2)
Y: # de alumnas que llegan en un minuto, Y~Poisson (λt=3)
P(X+Y<4)= P(X+Y≤3) = P(X=0, Y≤3)+ P(X=1, Y≤2)+ P(X=2, Y≤1)+ P(X=3, Y=0)=0,2650
¿Qué distribución tendrá la suma Z=X+Y?
P(Z<4)= P(Z≤3)=??
Otra interpretación de la pregunta:

P(X<4, Y<4)=P(X<4).P(Y<4)= P(X≤3).P(Y≤3)=0,8571*0,6472=0,5547.
11. Una empresa constructora tiene comprometida la realización de 9 proyectos, de los que 5
son de edificios de pisos. Si el próximo mes debe emprender la realización de 3 proyectos y
su elección es al azar con probabilidades de elección iguales para cada proyecto, se pide:
a. La distribución del número de edificios de pisos que se empiecen a construir el próximo
mes.
b. Número esperado de edificios de pisos que previsiblemente se inicie su construcción
el próximo mes.
12. El número N de tanques de aceite que llega a una refinería cada día se comporta como v.a.
de Poisson con parámetro 2. Las facilidades de puerto de la refinería pueden servir tres
tanques por día. Si llegan más de tres tanques en exceso deben ser puestos en otro puerto.
En un día especifico, ¿Cuál es la probabilidad de tener que enviar tanques a otro lugar?
X: número de tanques de aceite que llega a una refinería en un día.

X~Poisson (λt=2)
Si llegan 7, 8, 9, .. estos deben ser puestos en otro puerto.
P(X≥7)=??
P(X≥7)=P(X>6)=1-P(X≤6)=0,0045
El número N de tanques de aceite que llega a una refinería cada día se comporta como v.a. de Poisson
con parámetro 2. Las facilidades de puerto de la refinería pueden servir tres tanques por día. Si llegan
más de tres tanques, el exceso debe ser puestos en otro puerto. En un día especifico, ¿Cuál es la
probabilidad de tener que enviar tanques a otro lugar?
X: número de tanques de aceite que llega a una refinería en un día.
X~Poisson (λt=2)
Si llegan 4, 5, 6, .. estos deben ser puestos en otro puerto.
P(X≥4)=??
P(X≥4)=P(X>3)=1-P(X≤3)=0,1429.

13. Los coches que llegan a un semáforo siguen un proceso de Poisson con media de 4 vehículos
por minuto. El semáforo está 40 segundos en rojo y 80 segundos en verde.
a. ¿Cuál es la probabilidad de que haya 4 coches en cola cuando el semáforo se
pone en verde?
b. ¿Cuál es la probabilidad de que haya más de 7 coches en cola?
c. ¿Cuál es la probabilidad de que en un periodo de 6 horas haya al menos una
ocasión en la que haya más de 7 coches en cola?
14. Una alumna trae cada día a la Universidad una tableta de chocolate de 16 cm, y de cuando en
cuando le da un mordisco y se come la mitad de lo que queda. Asumiendo que esta golosa
apetencia aparece en la mañana siguiendo una distribución de Poisson de medio un mordisco
por hora:
a. Calcular la distribución del tiempo que transcurre hasta que aparece la primera
mordida.
b. ¿Cuántos centímetros de chocolate esperas que le quede tras las cinco horas
de clases?
c. Sí un día, entre las 9:00 y las 14:00, la ha mordido en cuatro ocasiones, ¿Qué
probabilidad hay de que lo haya hecho durante las tres primeras horas de
clase?
d. Si un día, entre las 9:00 y las 14:00 horas, la ha mordido en cuatro ocasiones,
¿Qué probabilidad hay de que lo haya hecho durante las tres primeras horas
de clase?
15. El número de fallos de un instrumento de prueba debidos a las partículas de un producto es

una variable de Poisson con media 0,2 fallos por hora.
a. ¿Cuál es la probabilidad de que el instrumento no falle en una jornada de 8
horas?
b. ¿Cuál es la probabilidad de que haya entre 20 y 40 fallos (ambos incluidos) en
un periodo de una semana (funcionando los 7 días, 24 horas diarias)?
16. Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p =1/100.000. Calcular la
probabilidad de que en una ciudad con 500.000 habitantes haya más de 3 personas con dicha
enfermedad. Calcular el número esperado de habitantes que la padecen.
17. Una v.a. sigue una distribución Poisson con una media de 2,3 imperfecciones por milímetro.
a. Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.
b. Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.
c. Determine la probabilidad de al menos una imperfección en 2mm de alambre
Rpta:
a. X~Poisson (λt=2,3)
P(X=2)=0,2652
b. Y~Poisson (λt=11,5)
P(X=10)=0,1129
c. Z~Poisson (λt=4,6)
P(X≥1)= P(X>0)=1-P(X≤0)=0,9899

18. El tiempo de reparación de unas máquinas de escribir tiene una distribución
aproximadamente exponencial, con media 22 minutos.
a. Hallar la probabilidad de que el tiempo de reparación sea menor que diez
minutos.
b. El costo de reparación es de 2000 pts. Por cada media hora o fracción. ¿Cuál es
la probabilidad de que una reparación cueste 4000 pts.?
c. Para efectuar una programación, ¿Cuánto tiempo se debe asignar a cada
reparación para que la probabilidad de que Cualquier tiempo de reparación
mayor que el tiempo asignado sea solo de 0,1?
19. Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución
exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una persona a la que se
le ha implantado este marcapasos se le deba reimplantar otro antes de 20 años? Si el
marcapasos lleva funcionando correctamente 5 años en un paciente. ¿Cuál es la probabilidad
de que haya que cambiarlo antes de 25% años?
20. Se sabe que el kilometraje, en miles de kilómetros que un autobús recorre antes de que se
someta aun reparación del motor sigue una distribución exponencial con 𝜇 = 80.
1 −𝑥 𝑥
𝑓(𝑥) = 𝑒 80 , 𝐹(𝑋) = 1 − 𝑒 −80
80
Se tiene una flota de 300 autobuses ¿Cuántos se esperaría que se sometieran a reparación
antes de 60,000km?, ¿Cuál es la probabilidad de que un autobús recorra más de 100,000km
antes de cometer el motor a reparación?
21. En un experimento de laboratorio se utilizan 10 gramos de Sabiendo que la duración

media de un átomo de esta materia es de 140 días, ¿cuántos días transcurrirán hasta que
haya desaparecido el 90% de este material?
22. El periodo de vida en años de un televisor de cierta marca tiene una distribución Exponencial
con un promedio de falla de 6 años.
a. ¿Cuál es la probabilidad de que un televisor falle antes de 2° año de uso?
b. Suponga que analiza 5 televisores de esa marca, ¿cuál es la probabilidad de que

al menos 2 de los 5 televisores fallen antes del 2 ° año de uso.
23. El tiempo que transcurra antes de que una persona sea atendida en una clínica de urgencias
es una variable aleatoria que tiene una distribución exponencial con una media de 5 minutos.
a) Cuál es la probabilidad que una persona sea atendida antes de que transcurran 3 minutos.
b) si se selecciona al azar 10 personas ¿cuál es la probabilidad de que más de 2 personas sean
atendidas en menos de 4 minutos?
24. El número medio de pinchazos en los neumáticos de cierto vehículo industrial es de 0,3 por
cada 50.000 kilómetros (km) recorridos. Si el vehículo recorre 100.000 km, se pide:

a. Probabilidad de que no haya tenido pinchazos.
b. Probabilidad de que tenga menos de 3 pinchazos.
c. Número de km. recorridos para que la probabilidad de que no tenga pinchazos
sea 0,4066

1. Pruebe que el teorema de la multiplicación P ( A  B ) = P ( A / B ) P ( B ) establecido para dos
sucesos, se puede generalizar para tres sucesos como sigue:
P ( A  B  C ) = P ( A / B  C ) P ( B / C ) P (C ) (3
pts.)
2. La variable aleatoria continua X tiene función de densidad f ( x ) = 3x , − 1  x  0 .
2
 b
Si b es un número que satisface −1  b  0 , Calcular P  X  b X   (3 pts.)
 2
3. Un experimento consiste en lanzar 2 bolas en 4 cajas de tal manera que cada bola tiene igual
probabilidad de caer en Cualquier caja. Si X denota el número de bolas en la primera caja.
(3 pts.)
a. Hallar la función de probabilidad de X
b. Hallar la media y E ( X 2 )
c. Hallar la moda de X.
4. Se tiene 5 urnas idénticas, dos de ellas de igual contenido, con 3 bolas blancas y 5 negras, y
las otras tres teniendo cada una, 4 blancas y 3 negras. Se elige una urna aleatoriamente. De
la urna elegida se extrae al azar una bola. (3 pts.)
a. ¿Cuál es la probabilidad de que sea blanca?
b. ¿Si la bola resulto blanca, Cuál es la probabilidad que provenga de una de las dos
primeras urnas?
c. Si no se sabe qué color resulto, ¿cuál es la probabilidad de que provenga de la primera
urna blanca?
5. Una persona tiene tiempo para jugar a la ruleta 5 veces a lo sumo. En cada juego gana o pierde
6 euros. Una persona empieza con 6 euros y dejará de jugar si antes de la 5ª vez pierde todo
su dinero o si gana 18 euros, esto es, si tiene 24 euros. Sea X el número total de jugadas que
hace esta persona Hallar: (3 pts.)
a. el Rango de X
b. la función de probabilidad
c. la esperanza matemática de W = 2 X − 1
6. La función de densidad de una variable aleatoria continua X es: (4 pts.)

 k
 ,0  x  
f ( x) =  ( x + 1)
4
0
 , en otro caso
a) Hallar k (1 pt)
b) Hallar E  X  (EN CASO EXISTA) (2 pt)
c) Hallar la moda (1 pt)
d) Hallar la varianza (en caso exista) (Bonus)
7. Sea el experimento aleatorio “De urna que contiene 2 esferas rojas y 3 esferas negras se
extrae una esfera con reemplazo hasta que salga una esfera roja por primera vez”

Se define el espacio muestral como  = r , nr , nnr , nnnr , nnnnr....
Indique si las afirmaciones son verdaderas falsas: (2 pts.)
a) La variable aleatoria X “color de la primera esfera” es una variable aleatoria discreta

……(
)
b) La variable aleatoria Y “número total de extracciones hasta obtener una esfera roja”
es una variable aleatoria continua ……( )
c)  ( y = 3) = 3.P nnr donde y está definido en el ítem b. ……( )
2 3 2
d) F ( y = 2.5) = + . donde y está definido en el ítem b ……( )
5 5 5
Tiempo Máximo 100 minutos. Puntaje máximo 20

Prohibido el uso de celulares, préstamo de calculadoras u otros materiales.

Probabilidades 2022 2 v2

Cargado por

Copyright:

Formatos disponibles

Probabilidades 2022 2 v2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Probabilidades 2022 2 v2

Cargado por

Copyright:

Formatos disponibles

PROBABILIDADES

El objetivo fundamental de la estadística es realizar inferencias acerca de una variable en la población

EXPERIMENTO ALEATORIO Y ESPACIO MUESTRAL

Existen dos tipos de experimentos:

Experimento Aleatorio o no determinístico (  ): Conjunto de pruebas realizadas bajo las mismas

1 : Lanzar moneda y observar su cara superior.

- Al experimento aleatorio  3 : Observar el tiempo de vida de una lámpara desde que se

- Al experimento aleatorio 4 : Elegir un punto al azar en el intervalo cerrado 0,1 le

- Al experimento aleatorio  5 : Lanzar una moneda y contar el número de lanzamientos hasta

- Al experimento aleatorio  6 : Contar el número de artículos fabricados en un día por una

Los espacios muestrales pueden ser:

Espacio muestral discreto:

Si tiene un número finito o infinito numerable de elementos.

Espacio muestral continuo

MG. PEDRO SAENZ R. Página 2

Evento: Dado un experimento aleatorio cuyo espacio muestral es  , se llama

Suceso: Es todo elemento del espacio muestral y lo denotaremos por w, x, y, etc.

Distinguimos los siguientes tipos de eventos:

- Evento simple o elemental: consta de un solo elemento

Clarifiquemos estos conceptos con unos ejemplos:

- Realizamos el experimento aleatorio  : “Lanzar un dado y observar la cara superior”

Espacio muestral:  = {1, 2, 3, 4, 5, 6}

Evento simple: “Sacar un 2” = { 2 }

Evento compuesto: “Sacar un número impar” = { 1, 3, 5 }

Evento imposible: “Sacar un 7” = 

MG. PEDRO SAENZ R. Página 3

Eventos disjuntos: A = “Sacar un nº par” = { 2, 4, 6 }

Eventos disjuntos: A = “Sacar un uno” = { 1 }

Eventos no disjuntos: A = “Sacar un nº par” = { 2, 4, 6 }

MG. PEDRO SAENZ R. Página 4

• LA INTERSECCIÓN, que se denota A  B , es el evento que consta de todos los resultados en 

Ejemplo: lanzamos un dado al aire y analizamos dos eventos:

MG. PEDRO SAENZ R. Página 5

Ejemplo: lanzamos un dado al aire y analizamos dos eventos:

Luego A  B = 2, 4,5,6

• EL COMPLEMENTO El complemento del evento A (con respecto al espacio muestral  ), que se

MG. PEDRO SAENZ R. Página 6

• Si A y B no tienen puntos muestrales en común (sucesos) se denominan excluyentes y su

• Dados k eventos E1, E2, ..., Ek definidos en el mismo espacio muestral  ,

( A  B) ' = A '  B ' y ( A  B ) ' = A'  B '

MG. PEDRO SAENZ R. Página 7

Simplificar:  A '− ( B  A) −  A '− ( B ' 

Solución:  A '− ( B  A) −  A '− ( B '  A ') '

 A '− ( B  A) −  A '− ( B ' A ') '

MG. PEDRO SAENZ R. Página 8

Definición Clásica: La probabilidad de un evento es la razón entre el número de casos (sucesos)

Sea el espacio muestral  y el evento A   , entonces la probabilidad de la ocurrencia del evento

El espacio muestral correspondiente es  = { (C,C), (C,S), (S,C), (S,S) } ,

PROPIEDADES: Sea  un experimento aleatorio y  el espacio muestral asociado, la probabilidad de

MG. PEDRO SAENZ R. Página 9

Nivel de satisfacción con la Región del Perú al que viajó

Si se selecciona aleatoriamente a uno de los 240 turistas, ¿Cuál es la probabilidad:

Luego la probabilidad pedida es:

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = 0,2708 + 0,3042 − 0,1458 = 0,4292

e. ¿Qué la región a la viajó no sea la costa?

MG. PEDRO SAENZ R. Página 10

Sea A: “El turista viajo a la costa”

𝑃(𝐴 ∪ 𝐸) = 𝑃(𝐴) + 𝑃(𝐸) − 𝑃(𝐴 ∩ 𝐸) = 0,2708 + 0,2917 − 0 = 0,5625

A y E son eventos excluyentes, por tanto: 𝑃(𝐴 ∪ 𝐸) = 𝑃(𝐴) + 𝑃(𝐸)

g. ¿Cual es la probabilidad de que el turista este totalmente satisfecho y insatisfecho al mismo