You are on page 1of 100

1

INTRODUCCIN

El estudio de la probabilidad juega un papel importante dentro del aprendizaje y la enseanza de las
matemticas, ya que se abordan algunos problemas a travs de la exploracin emprica de
situaciones aleatorias, formular hiptesis, contrastar sus expectativas con los resultados que se
presentan experimentalmente, producir y discutir sus propias explicaciones. Las explicaciones
ayudan al desarrollo de las nociones matemticas y en todo caso constituyen una fuente de
inspiracin para que el profesor enriquezca sus actividades de enseanza.

Mediante el estudio de la prediccin y el azar, se utilizar la comunicacin verbal y escrita para
expresar ideas y pensamientos probabilsticos. El usar los conocimientos probabilsticos y
procedimientos analticos como herramientas que permitan verificar, comprobar y poner de
manifiesto la veracidad o no de las hiptesis y conjeturas realizadas para interpretar y explicar una
situacin manipulativa o mental. En este contexto, los estudiantes deberan llegar a valorar ms el
propio proceso de pensamiento que los resultados inmediatos. Identificar situaciones y aplicaciones
diversas del conocimiento probabilstico en distintos mbitos de la actividad humana (social,
cientfica, tecnolgica, esttica, etc.), percibiendo el papel que juegan como lenguaje e instrumento
en situaciones muy diversas. Cabe sealar que por parte de los estudiantes, se har la apreciacin
de las situaciones del azar en la realidad a travs de los campos de aplicacin de la probabilidad: el
hombre y su mundo biolgico, fsico, social y poltico. Reconocer las relaciones e interconexiones
que existen dentro de las propias matemticas, adems de reconocer la realidad como diversa y
susceptible de ser explicada desde puntos de vista contrapuestos y complementarios. En particular y
en los casos que nos ocupan, diferenciar los fenmenos deterministas y aleatorios. Desarrollar
pequeas investigaciones que suponen la realizacin, en algunas actividades, de un estudio con
detenimiento, y que potencialmente tienen el valor agregado de favorecer en los estudiantes el
desarrollo de cualidades personales como la perseverancia y la dedicacin sostenida en el empeo.
Actuar, en situaciones tanto reflexivas como manipulativas, de acuerdo con los modos propios de la
actividad matemtica.


ORGANIZACIN DE CONTENIDOS

Para la consecucin de los propsitos diseados para el curso, los contenidos estn organizados en
cuatro grandes bloques temticos. El primero, tratar lo referente al azar, como: los juegos de azar
y la diferencia entre los fenmenos aleatorios y deterministas.

Tiene la prioridad de incursionar en el anlisis combinatorio a partir de los juegos de azar, su
lenguaje, los fenmenos aleatorios y deterministas, as como las formas de organizacin de
informacin; en este primer bloque temtico se abordarn actividades sencillas, pero que por su
sencillez, la comprensin del mismo ser menos abrupta.

En el segundo bloque se ver en detalle las tcnicas de conteo como son:

a) Diagramas de rbol.
b) Arreglos rectangulares.
c) Permutaciones.
d) Combinaciones.

As mismo, las propiedades y aplicacin en el clculo de probabilidades como:

a) Tringulo de Pascal.
b) Teorema del binomio.

Los diferentes tipos de probabilidad, sus propiedades y caractersticas, forman parte de la estructura
del Bloque No. 3. Las reflexiones que se plantean sitan el nfasis en la diferencia entre la
probabilidad clsica y la de frecuencias; por otro lado, es sabido que gran parte de los problemas
cotidianos -si bien no son tan simples- tambin estn condicionados, estos caen dentro de las
probabilidades condicionadas, que tambin forman parte del acervo cultural del curso de La
prediccin y el Azar.


2
La estructura del bloque No. 4 referencia a las funciones de distribucin. El propsito de este
apartado del programa tiene que ver con las variables aleatorias, la distribucin Bernoulli, binomial,
exponencial y normal; estos cuatro aspectos rendirn cuenta de las principales funciones de
probabilidad y las variables aleatorias.


ORIENTACIONES DIDCTICAS

En el caso de esta asignatura, se sugiere desarrollarla en forma de taller, con actividades que se
pueden distribuir en sesiones de una a dos horas cada una, segn lo plantee el organigrama general
del currculum de la Licenciatura. En general, cuando se plantea un problema y se resuelva en forma
individual o en equipo, se requiere resaltar los aspectos principales que se tratan y confrontar las
posibles diferencias en la interpretacin y los diferentes planteamientos de solucin; as mismo, se
sugiere que las conclusiones a las que se haya llegado de manera individual o grupal, sean puestas
en la mesa de la discusin con el firme propsito de enriquecer la cultura del anlisis combinatorio,
que por su riqueza, rinde cuenta a los comportamientos de la sociedad en general y, por otro lado,
permite modelar los patrones que de manera recurrente aparecen en la economa, la fsica, la
qumica, por citar algunos.

En las actividades donde se sugiere resolver problemas, es fundamental que la bsqueda de
procedimientos de solucin recaiga en los estudiantes; en tanto el profesor ser en la organizacin
de los puntos en comn, fomentar la confrontacin entre ellos y profundizar en los conceptos en los
casos que sea necesario.

Es conveniente que en las actividades manipulativas, los estudiantes lleven un registro de los
resultados, los comparen y analicen. El hacer la actividad acompandola de una reflexin llevar,
sin duda, a los estudiantes, a comprender mucho mejor los conceptos probabilsticos.

Se sugiere que el profesor responsable de la materia aplique este tipo de actividades, pese a la
cultura que muchos profesores tenemos en el sentido de evitarlas bajo el argumento de ocupar
mucho tiempo.

Aunque los estudiantes tengan experiencias cotidianas de fenmenos aleatorios y manejen de
manera natural la probabilidad, stas por s solas no bastan; es necesario repetir algunas
experiencias, de manera crtica y reflexiva, haciendo predicciones y viendo si se satisfacen o no,
ms an, es recomendable que se trasladen al terreno de las analogas, hoy por hoy mejor
conocidas como patrones; por otro lado, encontrar patrones en los comportamientos de las ciencias
enriquece la cultura de las matemticas, favorece la articulacin de las mismas y finalmente
contribuye al alcance del perfil que supone el Plan 99 por parte de la Licenciatura de Matemticas.

Adems, conviene que las actividades recurran a una gran diversidad de materiales posibles: los
juegos clsicos de ruletas, urnas, dados, volados, barajas, etc., son eficaces en la medida que se
discutan como parte del acervo crtico y reflexivo. Los ejercicios mltiples, frecuentes y diversos,
permitirn al estudiante ir aprehendiendo los conceptos nada triviales de azar y probabilidad, cabe
decir, que la multiplicidad, diversidad y frecuencia de los ejercicios no se encuentran sugeridos en la
forma clsica, es decir, explicitar un concepto para luego sancionarlo a travs de una serie
secuenciada de casos similares, sino como una forma recurrente de anlisis combinatorio en la
bsqueda de patrones. Los conceptos de probabilidad slo pueden ser aprendidos si se realizan
muchos experimentos y se van haciendo reflexiones respecto de los resultados obtenidos.


PROPSITOS GENERALES

Al trmino de las actividades propuestas en cada bloque temtico, los profesores estudiantes sern
capaces de:

1. Utilizar los conocimientos probabilsticos como herramienta para dar solucin a problemas de
carcter social, cientfico o tecnolgico.

2. Utilizar con precisin el lenguaje de la probabilidad.

3

3. Dar una explicacin sistemtica de alternativas en el planteamiento de problemas.

4. Contar con la flexibilidad para modificar el punto de vista o la perseverancia en la bsqueda de
soluciones.

5. Fomentar la curiosidad e imaginacin.

6. Desarrollar las habilidades de inferir, generalizar y comunicar los conocimientos de probabilidad.

7. Relacionar las inferencias y generalizaciones con los temas que se abordan en nociones de
probabilidad en secundaria.



BLOQUE I
EL AZAR

PROPSITO:

Al trmino de las actividades propuestas, el profesor estudiante ser capaz de:

Construir el concepto de azar en forma intuitiva a partir del anlisis de juegos de azar, en particular
los tradicionales de su comunidad y situaciones de la vida cotidiana, formalizando su lenguaje
matemtico y probabilstica.


TEMAS:

1. Los juegos de azar.
2. El lenguaje del azar.
3. Fenmenos aleatorios y deterministas.
4. Formas de registro.


BIBLIOGRAFA BSICA:

Introduccin a la probabilidad. A. Ruiz Moncayo. Fondo de Cultura Econmica.
Espacios probabilizables. Samuel Escarela Cornejo. Serie: notas de clase No. 178-1991,
publicaciones de matemticas, Departamento de Matemticas de la Facultad de Ciencias de la
U.N.A.M.
Libro para el maestro matemticas, secundaria. SEP, segunda edicin (2001).
Fichero de actividades didcticas, matemticas, secundaria. SEP, segunda edicin (2000).


ACTIVIDADES SUGERIDAS:

Se propone la actividad para dos sesiones. El grupo se organizar por equipos.

En la primera sesin, el profesor escribir en el pizarrn una lista de juegos como:

Mquinas tragamonedas.
Loteras.
Cartas: pker, 7, con los que se podrn realizar algunos juegos como: conquin, burro
castigado, canasta, etctera
Monedas: para el registro de eventos que incluyan volados, disparejos, etctera
Dados: uno o varios
Domin.
Ruleta, Bingo, Serpientes y escaleras, etctera


4
El profesor llevar algunos juegos de la lista, pedir a cada equipo que elijan un juego y
documenten las reglas del mismo -la documentacin debe tener la mayor claridad en el
seguimiento-; luego, respondan cuestiones como:

a) Cules son los objetos para jugar?
b) Cmo se juega?
c) Cuntos jugadores intervienen?
d) Qu hay que hacer para ganar?

Despus de jugar y haber analizado el comportamiento del juego, respondan algunas cuestiones
como:

a) Hay estrategias que permitan ganar?
b) Hay ventaja en alguno o algunos de los jugadores?
c) Cules son esas ventajas?

Cada equipo expondr su trabajo. El profesor fomentar la discusin para confrontar los distintos
puntos de vista sobre las caractersticas de cada juego.

En la segunda sesin, los equipos estarn conformados de la misma manera que la sesin anterior y
el profesor pedir que contesten algunas cuestiones como:

a) Cul es el nmero de jugadores posibles?
b) Cules y cuntos son los posibles resultados que se pueden dar?
c) Cuntas jugadas son favorables a un determinado jugador?
d) Qu probabilidad hay de ganar?
e) Qu probabilidad de ganar tiene cada uno de los jugadores?

Cada equipo expondr su trabajo. El profesor fomentar la discusin para confrontar los distintos
puntos de vista que pueda haber. Tambin es conveniente discutir que en los juegos de azar existe
la incertidumbre en el jugador y para determinar o cuantificar se requiere del clculo de las
probabilidades.

Como resultado de la actividad, es conveniente plantear la siguiente pregunta: Qu es el azar? A
medida que los estudiantes expresan sus opiniones, el profesor registrar en el pizarrn los aspectos
expuestos, de los cuales, conviene destacar los que se ajusten al propsito de la actividad; despus
confrontar las distintas opiniones de los estudiantes, a fin de llegar a definir las caractersticas
principales del azar. Posteriormente, leern la lectura la nocin de azar que forma parte del
material de apoyo para el estudio de los contenidos temticos del bloque (pginas 335 y 336 del
Libro para el maestro), realizar la actividad el lenguaje del azar propuesta en la pgina 336 del
mismo documento.

Ante el grupo y retomando la actividad 1, el profesor plantear: Todos los juegos son de azar?
Posiblemente todos o gran parte de los estudiantes dirn que s, pero uno o varios dirn que no en
forma dudosa. A los que digan que no preguntarles por qu? Qu juego no es de azar o es
determinista? El profesor inducir a la confrontacin y plantear si el ajedrez es un juego de azar o
no.

Organizados en equipos, el profesor pedir que: describan 3 experimentos aleatorios y 3
experimentos deterministas de la vida cotidiana y/o escolar. Cada equipo expondr sus resultados
procurando que los experimentos sean diferentes, ante el grupo se analizaran y se determinarn las
caractersticas principales y diferencias entre los dos tipos de fenmenos.

Como stas, el profesor puede disear otras actividades similares, cuidando que las mismas
contribuyan, como se describe en el apartado de las orientaciones didcticas, con la aplicacin en el
planteamiento y resolucin del problema, no menos importante es recalcar que la analoga forma
parte importante de este apartado, pues este concepto contribuye a enriquecer el significado del
anlisis combinatorio.

5
BLOQUE II
TCNICAS DE CONTEO (ANLISIS COMBINATORIO)

PROPSITO:

Al trmino de las actividades del bloque, los profesores estudiantes sern capaces de:

Desarrollar la habilidad para aplicar las tcnicas de conteo en resolucin de situaciones
problemticas que se le presenten en la vida cotidiana y/o escolar.


TEMAS:

1. Diagramas de rbol y arreglos rectangulares.
2. Principio de conteo.
3. Permutaciones.
4. Combinaciones.
a) Propiedades.
b) Tringulo de Pascal.
c) Teorema del binomio.

BIBLIOGRAFA BSICA:

Estadstica inferencial bsica. Castillo Padilla Juana y Gmez Arias Jorge. Ed. Iberoamrica.
(1998).
Wisniewski P. Ejercicios y problemas de teora de las probabilidades. Ed. Trillas. (1998).
Probabilidad y Estadstica para ingenieros y ciencias. Mendenhall William y Sincich Terry. Ed.
Prentice Hall. Pearson Educacin. (1997).
Wisniewski P. Ejercicios y problemas de teora de las probabilidades. Ed. Trillas. (1998).


ACTIVIDADES SUGERIDAS:

Organizado el grupo en equipos, el profesor propone el siguiente problema: Vamos a una cafetera
que vende tortas. Las tortas las dan slo con jamn, pierna, y pollo. Uno debe de prepararse su
torta a su gusto y un anuncio nos dice: Con los ingredientes lechuga, jitomate, aguacate y cebolla,
prepare su torta en una de 16 formas posibles.

El profesor preguntar: Est el anuncio en lo correcto?

El profesor har nfasis en que justifiquen su respuesta. Cada equipo explicar la forma en que
resolvi el problema; posiblemente, algunos estudiantes hagan una tabla o arreglo rectangular, un
diagrama de rbol o hagan las combinaciones en arreglos de las letras iniciales de los ingredientes
por ejemplo: (l, j, a, c), (_, j, a, c), etctera.

El profesor plantear a los estudiantes la siguiente reflexin: Notaron algn patrn para construir el
rbol, tabla u arreglo? Si los estudiantes no encuentran ninguna relacin, el profesor cuestionar y
fomentar que descubran: ponerle o no ingredientes a la torta, es decisin personal, incluso
interviene en esta, el gusto por la composicin de los alimentos; sin embargo, se sugiere destacar
que en la composicin no existe ninguna restriccin, luego entonces, las respuestas quedan
condicionadas no al gusto por el alimento, sino a la combinacin sin restricciones.

Es recomendable hacer un cartel mostrando las diferentes formas en que puede preparase una
torta, luego de discutir en grupo cul sera la ms recomendable de presentar.

Discutir en el grupo qu ocurrira si tuviramos ms ingredientes en la elaboracin de la torta, por
ejemplo 10, habra necesariamente que enumerarlas todas para saber de cuntas formas puede
prepararse una torta, o en su defecto, qu tal si nos interesara saber cuntas cajas distintas pueden
fabricarse si cada una tiene impreso un nmero de 5 dgitos. Qu ocurre al construir el rbol, un
arreglo o tabla?

6

El profesor fomentara la discusin sobre cul es ms conveniente de utilizar.

Pida a los profesores estudiantes una propuesta para las placas de los automviles que tengan un
nmero compuesto por seis dgitos, en lugar de la combinacin de letras y nmeros. Cuantas
placas se tienen que fabricar?

Plantee a los profesores estudiantes el nombramiento de una persona supersticiosa para dirigir el
Departamento de Obras Pblicas. Por considerarlo de mala suerte, establece que los dgitos en las
placas no pueden repetirse, cuntas placas distintas se pueden hacer ahora? Una vez resueltos los
problemas propuestos, analizar los procedimientos utilizados por los profesores estudiantes,
encontrar una forma comn para resolverlos y definir las diferencias entre las permutaciones y
combinaciones.

El profesor propondr el siguiente problema que resolvern por equipo: Cuntas maneras hay de
seleccionar un comit de 5 personas cuando tenemos un grupo de 7 mujeres y 5 hombres? De
cuntas maneras podemos seleccionar un comit de 5 personas, si ese comit debe tener 3 mujeres
y 2 hombres? De cuntas maneras podemos seleccionar un comit de 5 personas, si ese comit
debe tener 3 mujeres y 2 hombres y hay dos mujeres que no pueden servir juntas?

De las tres preguntas, en la tercera habr ciertas diferencias; tal vez algunos no entiendan el
problema y el profesor tendr que recalcar que dos de las mujeres no pueden estar juntas y no
sabemos cules son. El profesor debe estar al pendiente de cada uno de los equipos, guindolos y
aclarando sus dudas, como: Si quitamos a una de las dos mujeres el problema est resuelto? Se
puede quitar a las dos mujeres conflictivas? Son combinaciones o permutaciones? Si una se llama X
y la otra Y, a cul quitamos?



BLOQUE III
PROBABILIDAD

PROPSITOS:

Al trmino de las actividades propuestas, los profesores estudiantes sern capaces de:

a) Utilizar la comunicacin verbal y escrita para expresar sus ideas y pensamientos sobre la
historia y conocimiento de la probabilidad y sus diversas aplicaciones en la actividad
humana.
b) Utilizar el conocimiento de la probabilidad en la solucin de problemas cotidianos.
c) Adquirir el concepto de probabilidad clsica a partir del concepto de la probabilidad
frecuencial.
d) Distinguir las caractersticas de la probabilidad clsica y la correspondiente a la frecuencial.
e) Establecer la relacin entre ambas probabilidades.
f) Comprender, interpretar y explicar las reglas de la suma y el producto de la probabilidad, as
como la probabilidad condicionada.

TEMAS:

1. Historia.
2. Probabilidad de frecuencia relativa.
3. Probabilidad clsica.
5. La regla de la suma y del producto.
6. Probabilidades condicionadas.

BIBLIOGRAFA BSICA:

Probabilidad y Estadstica para ingenieros y ciencias. Mendenhall, William y Sincich, Terry. Ed.
Prentice Hall. Pearson Educacin. (1997).
Wisniewski, P. Ejercicios y problemas de teora de las probabilidades. Ed. Trillas (1998).

7
Probabilidad y Estadstica, conceptos, modelos, aplicaciones en Excel. Paulo Afonso Lopes. Ed.
Prentice Hall. Pearson Educacin.
Matemticas con la hoja electrnica de clculo. EMAT. SEP (2000).
La estadstica en cmic. Gonick L. Ed. Zendrera Zariquiey. (1999).
Las probabilidades y la vida. Coleccin qu s? N 55. Borel Emile. Ed. Oikos-tau. (Pg. 37-50).


ACTIVIDADES SUGERIDAS:

Plantee el problema de Galileo del texto Problemas de azar que han hecho historia. Los estudiantes
trabajarn en equipo y se analizar ante el grupo; posteriormente, el profesor dar a cada equipo
uno de los problemas restantes a fin de que lo analicen y discutan entre ellos. El profesor les
ayudar en la comprensin del problema y en una posible solucin, no es necesario que den una
solucin precisa, sino que se den cuenta que estos problemas han ayudado en el desarrollo de la
probabilidad.

Organizado el grupo en equipos, el profesor les indicar que identifiquen eventos de su alrededor en
los que puedan predecir con certidumbre el resultado que ocurrir.

Mencionen varias situaciones donde usen el trmino probabilidad y qu significado tiene para ellos?
Los equipos expondrn sus trabajos, el profesor fomentar la confrontacin y discusin entre los
estudiantes. El profesor se encontrar que los estudiantes mencionan frases como es probable que
hoy llueva, es poco probable que pueda ir a la fiesta de maana o es posible que pueda ganar el
primer premio de la lotera. El profesor preguntar: Son estas frases equivalentes? Qu
queremos decir con ellas? Si un suceso es posible, es tambin probable? Si un suceso es probable,
es tambin posible? Haga ver a los estudiantes la necesidad de utilizar un lenguaje con un poco
ms de formalidad y que cuando decimos probabilidad nos referimos a la medida en que creemos
que un evento o suceso particular ocurra.

Pida a los alumnos resolver el siguiente problema: Queremos ver si es fcil aprobar un examen de
diez preguntas de seleccin mltiple. Cada una de estas preguntas tiene cuatro alternativas, de las
cuales slo una es correcta. Para aprobar este examen es necesario obtener siete aciertos, cul es
la probabilidad de que un alumno los obtenga?

INSTRUCCIONES: Escribe dentro del parntesis de la derecha, la letra que conteste correctamente
cada uno de los planteamientos.

1. 1. Anselmo compra dos plumas por $1.20 cada una Cul es el error de estimacin para
la compra si trunca los centavos del costo de cada pluma?

( )
a) 2 centavos b) 4 centavos c) 20 centavos d) 40 centavos

2. Cul de las siguientes series ordenadas no es una funcin? ( )
d) (0, 1), (1, 1), (2, 1), (3, 1) e) (0, 0), (1, 1), (2, 2), (3, 3)
f) (0, 0), (0, 1), (0, 1), (0, 3) g) (0, 1), (1, 0), (2, 3), (3, 2)

3. Cul de las siguientes funciones tiene por grfica la recta ms inclinada? ( )
h) y = 4x i) y = 3x j) y = 0.1x k) y = x

4. Don Manuel tena un terreno rectangular de A metros de frente y B metros de fondo,
pero cedi 10 m de fondo para urbanizacin. El municipio le compens con 5 m de
frente Cul es la superficie actual del terreno de Don Manuel?


( )
l) AB - 5 m) AB + 5A - 10B
n) AB + 10B - 5A - 5O o) AB + 5B - 10A - 5O

5. Considera la ecuacin x
2
= - 9x Cul es su factorizacin? ( )
p) x(x - 9) = 0 q) 3x(x - 3) = 0
r) x(x - 9) = 0 s) 3x(x + 3) = 0


8

6. Para que un sistema de dos o ms ecuaciones simultneas lineales tengan solucin,
qu condicin debe cumplir?

( )
t) Que tengan la misma inclinacin.
u) Que tengan la misma ordenada en el origen.
v) Que al menos una de ellas pase por el origen.
w) Que tengan un punto en comn.

7. Rosalba dibuj un tringulo inscrito en una circunferencia donde uno de los lados era el
dimetro Cul de las siguientes caractersticas corresponde al tringulo dibujado

( )
x) Un tringulo equiltero.
y) Un tringulo issceles donde los lados iguales son mayores que el desigual.
z) Un tringulo escaleno obtusngulo.
a) Un tringulo rectngulo.

8. Observa la siguiente figura:

El centro de una circunferencia se encuentra en el punto (2, 3) y la circunferencia pasa
por el punto (5, 7) Cunto mide el radio?














( )
b) 3 c) 4 d) 5 e) 7

9. Si tienen dos tringulos semejantes cuyas reas son de 4 cm
2
y 36 cm
2
respectivamente
Cul es la razn de semejanza de las figuras?

( )
f)
3
1
g)
9
1
h)
6
1
i)
18
1


10. Cul es la altura de un rbol que proyecta una sombra de 8 m si en ese momento el
ngulo de elevacin es de 68

?

( )
j) 2.96 m k) 3.20 m l) 9.8 m m) 20 m

El profesor dice que hoy har un examen sorpresa de acuerdo con las indicaciones anteriores, que
son 10 preguntas y es de opcin mltiple y lo contestarn al azar; l slo mencionara el nmero de
la pregunta y nicamente anotarn la letra que crean que es la correcta; pero primero se calificarn,
anotando en la esquina derecha lo que esperan sacar de calificacin. Aplica el examen y para
calificarlo, el profesor da las respuestas correctas, las cuales estn dadas en forma aleatoria, y estn
dadas por medio de una urna con cuatro canicas de distintos colores. Posteriormente, se construyen
las tablas:

Calificacin esperada qw qww qww qww qww qww qww qww
Calificacin obtenida

Calificacin qw qww qww qww qww Qww qww Qww qww
Frecuencia

Por ejemplo, al aplicar el examen en un grupo de 23 estudiantes, se obtuvieron los siguientes
resultados:
Calificacin esperada 0
Calificacin obtenida

9

Calificacin 10 9 8 7 6 5 4 3 2 1
Frecuencia 0 0 0 0 0 2 6 5 8 2

Que el profesor plantee problemas similares a los siguientes, de acuerdo con los datos obtenidos del
examen aplicado anteriormente:

Actividades que tienen que ver con el proceso de evaluacin resultan atractivas para el clculo de
las probabilidades; tal es el caso de revisar la probabilidad frecuencial de las respuestas de un
instrumento. En tal caso, es conveniente que los profesores estudiantes organicen la informacin
que arroja un examen, como la que a continuacin se muestra, y pongan en prctica los conceptos
hasta aqu revisados.

Por razones naturales se omite el logotipo





REPORTE DE EVALUACIN GLOBAL DE CENTROS

Sistema de Evaluacin y Clasificacin de Reactivos

GRADO: MATERIA:
TEMA: NMEROS NATURALES Y SUS OPERACIONES

RESULTADOS OBTENIDOS

0.0000-0.2499 0.2500-4999 0.5000-0.7499 0.7500-1.0000
OBSERVACIONES
REACTIVO VALOR REACTIVO VALOR REACTIVO VALOR REACTIVO VALOR
83 0.0189 58 0.2727 62 0.5 48 0.7955
98 0.0227 4 0.2841 76 0.5
16 0.053 49 0.2841 75 0.5076
39 0.0568 57 0.2917 43 0.572
87 0.0568 36 0.2955 19 0.5758
96 0.0568 51 0.2955 42 0.5795
100 0.0664 54 0.2955 8 0.6326
35 0.0682 55 0.2955 46 0.6515
88 0.0682 50 0.2992 45 0.6705
91 0.072 53 0.303 60 0.678
84 0.0883 52 0.3068 61 0.7045
90 0.0833 28 0.3144 63 0.7045
92 0.0947 26 0.322 44 0.7159
81 0.1098 30 0.322 47 0.7197
82 0.1098 38 0.322 59 0.7311
34 0.1136 56 0.322
80 0.1174 3 0.3561
89 0.1346 41 0.3674
7 0.1477 5 0.4053
66 0.1477 74 0.428
94 0.1477 40 0.4318
11 0.1553 93 0.4394
13 0.1553 78 0.4621
33 0.1553 10 0.4697

10
68 0.1591 79 0.4735
12 0.1629 77 0.4848
71 0.1629 22 0.4886
67 0.1667 85 0.4924
69 0.1667
2 0.1705
15 0.1705
21 0.1705
32 0.1705
27 0.1742
31 0.1742
65 0.1742
14 0.1780
64 0.1780
95 0.1780
37 0.1856
72 0.1970
73 0.1970
29 0.2008
97 0.2159
20 0.2159
70 0.2197
25 0.2197
94 0.2235
1 0.2235
23 0.2273
17 0.2273
86 0.2311
18 0.2348
9 0.2424
24 0.2424
6 0.2462

El rango seleccionado para elaborar esta clasificacin fue
del 50 %
El nmero de seleccionados tomados aleatoriariamente fue de 2640

a) De un grupo de 23 estudiantes, se elige a uno al azar. Si el estudiante esperaba sacar ms de 3.
Cul es la probabilidad de que lo haya logrado?
b) En un grupo estudioso de probabilidad, se escoge una calificacin al azar, de los resultados
obtenidos en el examen. Si la suma de la calificacin esperada y obtenida es 4, cul es la
probabilidad de que la calificacin esperada y la calificacin obtenida sean iguales?
c) Dado que la calificacin esperada es < 5 Cul es la probabilidad que la calificacin real sea igual
a la esperada?
d) De un grupo de 23 estudiantes, se eligen tres al azar, si uno de ellos obtuvo de calificacin 3,
cul es la probabilidad de que los otros dos hayan obtenido de calificacin 4 cada uno?

Los problemas se discuten ante el grupo y motivando a los estudiantes a que se d una
confrontacin de los mtodos utilizados para resolverlos.

Dar a cada estudiante un dado y que haga una serie de 24 lanzamientos, registrando el nmero de
veces que sale cada cara. Antes de iniciar los lanzamientos del dado, el profesor pedir que escriban
el nmero de veces que esperan que salga cada una de las seis caras y registrar los datos en la
tabla.


11

Caras
Nmero de veces
esperado
Nmero de veces
obtenido
Razn del nmero
obtenido
1
2
3
4
5
6

Caras
Nmero de
veces esperado
Nmero de
veces obtenido
Razn del
nmero
obtenido
Razn
1
2
3
4
5
6

Despus, hacer el registro de todo el grupo.

El profesor pedir que cada estudiante lea con atencin el texto la ruleta rusa; trabajando en
equipo, contestar a la cuestin del final. El problema tiene varias soluciones, dependiendo de cmo
se interprete el juego de la ruleta rusa, si se considera que antes de jalar el gatillo se gira el tambor
o cilindro giratorio siendo cada evento independiente, pueden tambin considerar a los dos primeros
tiros independientes y los dos ltimos en serie o considerar los cuatro tiros consecutivos sin girar el
tambor.

Organizado el grupo en equipos. El profesor tendr tres urnas: la primera con 3 bolas blancas y 2
negras, la segunda con 2 bolas blancas y 4 negras, y la tercera con 2 bolas blancas y 6 negras.

El profesor pedir a un estudiante, pase y extraiga una bola de una urna elegida al azar y resulta ser
blanca. (Al hacer el experimento la bola es blanca o negra, dependiendo del color de la bola que se
saca, el profesor cambiar el color, en lugar de blanco poner negro) Cul es la probabilidad de que
se haya extrado de la segunda urna? En caso de que los estudiantes tengan dificultades para
resolver el problema, el profesor plantear algunas de las siguientes preguntas para orientarlos:

a) Cules son los eventos que se tienen?
b) Qu probabilidad es la que debemos calcular?
c) En la urna dos, cul es la probabilidad de que sea bola blanca?
d) Cul es el total de casos de que sea bola blanca?
e) Cules son los casos favorables?

Algunos estudiantes lo podrn resolver de manera diferente, utilizando tcnicas de conteo,
diagramas de rbol, etctera.

Los equipos expondrn sus resultados y el profesor fomentar la confrontacin y la guiar a
determinar la probabilidad condicional.

Se organiza el grupo en equipos y se plantea el siguiente problema:

En el aeropuerto de una ciudad, el 30% de los das hay niebla. La probabilidad de que se produzca
un accidente en un da con niebla es de 0.001; si no hay niebla, la probabilidad baja a 0.0001.
Cierto da ocurri un accidente Cul es la probabilidad de que fuera un da con niebla?
Para ayudar a los estudiantes, el profesor plantear preguntas similares a las de la actividad
anterior.


12
BLOQUE IV
FUNCIONES DE DISTRIBUCIN

PROPSITOS:

Al trmino de las actividades propuestas, el profesor estudiante ser capaz de:

a) Diferenciar las caractersticas de las variables aleatorias.
b) Calcular, con ayuda de las funciones de distribucin binomial, normal (DeMoivre-Laplace-
Gauss), Bernoulli y exponencial, algunas probabilidades en conteo.

TEMAS:

1. Variables aleatorias.
2. Distribucin Bernoulli.
3. Distribucin Binomial (DeMoivre-Laplace-Gauss).

BIBLIOGRAFA BSICA:

Probabilidad y Estadstica para ingenieros y ciencias. Mendenhall William y Sincich Terry. Ed.
Prentice Hall. Pearson Educacin. (1997).
Wisniewski P. Ejercicios y problemas de teora de las probabilidades. Ed. Trillas. (1998).
Probabilidad y Estadstica, conceptos, modelos, aplicaciones en Excel. Paulo Afonso Lopes. Ed.
Prentice Hall. Pearson Educacin.
La estadstica en cmic. Gonick L. Ed. Zendrera Zariquiey. (1999).
Acerca del tratamiento didctico de la probabilidad. Alatorre Silvia. Correo del maestro No. 26,
Julio 1998.

ACTIVIDADES SUGERIDAS:

Organizados por equipos y utilizando los datos del examen del bloque anterior, calcular la
probabilidad de aprobar el examen; es decir, sacar por lo menos seis.

Para responder el problema, tal vez algunos lo resuelvan por medio de un diagrama de rbol, otros
calculen la probabilidad del nmero de aciertos, sin considerar la probabilidad de elegir una de las
cuatro opciones de cada pregunta, otros lleguen a resolverlo por medio de la frmula de la funcin
de probabilidad binomial y graficando los datos.

Finalmente, analizar y discutir los distintos procedimientos.

Para hacer esta actividad, se requiere contar con una computadora con Excel o con una calculadora
Casio Modelo 9950G o Texas Modelo TI 84/92PLUS. En el caso del trabajo con ordenador y paquete
Excel, se recomienda que trabajen por grupos de tres estudiantes por mquina.

El profesor plantear el siguiente problema: Sea un examen con 5 preguntas del tipo verdadero-
falso y sea la variable aleatoria X el nmero de respuestas equivocadas. La probabilidad de que un
estudiante acierte, al azar, una opcin de respuesta en una pregunta es de 0.5.

El profesor cuestionar ante el grupo de cmo se distribuye la variable aleatoria X y por qu? Es
recomendable que el profesor registre en el pizarrn las participaciones, destacando aquellas que
orientan hacia el propsito de la actividad, es decir, en la distribucin binomial y el ingreso de datos
en Excel. Utilicen la funcin DISTR.BINOM que les ayudar a resolver el problema. Se recomienda
que al introducir los datos de la funcin, se oriente a los profesores estudiantes en las formas de
introduccin, para que sea comprendida la funcin DISTR.BINOM da la probabilidad de x xitos de la
distribucin binomial, o la suma acumulada de probabilidades desde x = 0 hasta un valor estipulado.

DISTR.BINOM(nm_xitos, ensayos, prob_xitos, acumulado)
Donde:
nm_xitos es el nmero de xitos que se desea.
ensayos es el nmero de repeticiones.

13
prob_xito es la probabilidad de xito en cada repeticin.
Acumulado es un valor lgico: si es VERDADERO, entonces la funcin da el valor de la probabilidad
de que existan mximo x xitos. Si es FALSO, calcula la probabilidad de exactamente x xitos.

Dejar que los estudiantes practiquen, haciendo simulaciones, variando el nmero de ensayos y
llevando un registro de las probabilidades; finalmente, hacer un anlisis de los resultados obtenidos
de las simulaciones.

Despus, proponer que se resuelva el siguiente problema, utilizando Excel.

Un examen tiene 50 preguntas. Calcular la probabilidad de que un estudiante, marcando al azar las
respuestas, obtenga una calificacin mayor o igual a 6, en los siguientes casos:

a) tiene 4 opciones;
b) tiene 5 opciones.

El propsito es el de impedir que un estudiante totalmente ignorante de la materia obtenga una
calificacin mayor que 6 cuando marca al azar.

Entre todo el grupo se analizarn los resultados y se pondr a discusin: es necesario colocar 4 5
opciones? En ambos casos, la probabilidad es casi cero y finalmente, el profesor cuestionar ser
necesario colocar 4 opciones? Mientras los estudiantes dan sus justificaciones, el profesor escribir
en el pizarrn lo ms relevante, se analizar y se decidir que es lo ms conveniente en este caso.

Trabajando en equipos, el profesor propondr a los estudiantes el siguiente problema: La
distribucin de la demanda (un nmero de unidades por unidad de tiempo) de un producto, a
menudo puede aproximarse con una distribucin de probabilidad normal. Por ejemplo, una
compaa de comunicacin por cable ha determinado que el nmero de interruptores terminales de
botn solicitados diariamente tiene una distribucin normal con una media de 200 y una desviacin
estndar de 50.

a) En qu porcentaje de los das, la demanda ser menos de 90 interruptores?
b) En qu porcentaje de los das, la demanda estar entre 225 y 275 interruptores?

Con base en consideraciones de costos, la compaa ha determinado que su mejor estrategia
consiste en producir una cantidad de interruptores suficiente para atender plenamente la demanda
en 94% de todos los das. Cuntos interruptores terminales deber producir la compaa cada da?

El profesor dar la indicacin de que debern utilizar las tablas de valores de la distribucin normal y
les indicar que deben estandarizar la distribucin normal: que tenga media igual a 0 ( = 0) y
desviacin tpica igual a 1 ( = 1).

14

15





MATERIAL




DE




APOYO

16











17

PROBABILIDADES: UNA INTRODUCCIN

Popularmente, a la palabra estadstica se le da
el nico significado de datos numricos sobre
determinado asunto. Es comn oir hablar de
estadsticas sobre inflacin, estadsticas sobre
el campeonato de ftbol, entre otros. Pero,
como vimos en el captulo 2, la estadstica no
es simplemente una tcnica de recoleccin y
presentacin de datos, sino una ciencia con la
cual se intenta sacar conclusiones a partir de
datos numricos originados en obvervaciones.
Comprobamos que el objetivo de la estadstica
es deducir inferencias respecto de una
poblacin, partiendo de una muestra de esa
poblacin, como instrumento auxiliar en la
toma de decisiones en condiciones de
incertidumbre.

En este captulo, veremos que el objetivo
tambin es prever lo desconocido,
cuantificndolo adicionalmente para
determinar el error en un estimativo (de algo
tambin desconocido, de una poblacin). En
resumen, una preocupacin por prever los
hechos a partir de informaciones existentes,

El futuro a Dios pertenece, el
presentimiento a nosotros

Hablar despus del juego, comentar al final
de la temporada son cosas fciles. Dar la cara
para convencer con presentimientos es lo que
ellos saben. Muchos prefieren no arriesgarse
en tal empresa, pero el buen cronista
deportivo est obligado a ser una especie de
vidente. O economista. l tambin tiene que
intentar prever los hechos.

La teora del clculo de probabilidades
comenz con una correspondencia entre dos
matemticos franceses, Blaise Pascal (1623-
1662) y Pierre Fermat (1601 -1665), en 1654,
con respecto a dos problemas formulados por
un jugador compulsivo, el Chevalier de Mr
(ttulo del Barn A. G. Mr, 1610 - 1685). A
partir de ese momento se realizan estudios de
modelos matemticos con ejemplos,
esencialmente de juegos de azar (finalmente
esa era la motivacin de la poca). Por
desgracia, tal enfoque se propag hasta
nuestros dias, conllevando a que los libros de
probabilidad traigan una serie de ejemplos
que se refieren a los juegos de azar, a la
extraccin de bolas de las urnas, a las jugadas
con monedas (llamadas honestas, como si la
mayora no lo fuese), en el lanzamiento de los
dados y en la aparicin de determinadas
cartas de la baraja, en especial, los ases y los
reyes. Adems, al aparecer la enseanza de la
teora de conjuntos en las escuelas brasileas
en la dcada de 1960, se hizo nfasis en la
asociacin entre los conceptos probabilsticos
y los de tal teora, con la intencin estadstica
a partir de otros modelos aparentemente ms
estructurados y de conocimiento general. De
todos modos, los dos enfoques tuvieron su
importancia hasta la dcada de 1980, y sus
seguidores estaban preocupadpos por
proporcionar una mejor comprensin de los
conceptos toricos por medio de estructuras
que, a su entender, facilitara la comprension
de los modelos existentes. En nuestros dias,
tal visin asociativa ya no es vlida,
especialmente por la variedad de aplicaciones
(no solamente en los juegos de azar) y por la
absoluta necesidad de que las personas
comprendan como utilizar los conceptos
estadsticos en la vida diaria.

Ejercicio - ejemplo 3.1
Se tienen 100 tarjetas numeradas del 1 al
100. Se retiran 3 al azar. Determine la
porbabilidad de que :

a) Las tres tarjetas tengan nmeros
consecutivos.
b) Aparezcan dos nmeros consecutivos
(pero no tres).
c) De que no aparezcan nmeros
consecutivos.

Identifique cundo este problema que, con
enunciado semejante, es encontrado en los
libros de Estadstica actuales - fue formulado
por primera vez:

a) 1950
b) 1900
c) 1850
d) 1800
e) ninguna de las respuestas anteriores

El estudio de la relacin existente entre los
datos por medio de modelos probabilsticos se
llama estadstica matemtica. Sin entrar en
discusiones filosficas con respecto al
determinismo o no de nuestra vida, diremos
que las variaciones de los fenmenos se
deben a un gran nmero de causas que no
PROBABILIDAD Y ESTADSTICA
CONCEPTOS. MODELOS. APLICACIONES CON EXCEL
Alfonso Lpez Paulo
PROBABILIDAD Y ESTADSTICA

18
podemos controlar y a las cuales el estadstico
llama, sencillamente, el azar.

El segundo (Stphane Mallarm), poeta
estupendo, cre el verso que debiera ser el
lema permanente de cualquier apuesta
econmica. Un lance de dados jams abolir
el azar.

El resultado de una experiencia generalmente
se presenta por azar; pero si sta se repite
una gran cantidad de veces, puede construirse
un modelo probabilstico y tomar decisiones
con referencia al proceso experimental, con
slo sus caractersticas, sin necesidad de
volver a repetir la experiencia. La prctica
ensea que muchas experiencias son relizadas
como si ocurrieran en situaciones estables, y
las aplicaciones en los diferentes campos de la
ciencia y de la industria se comportan de
manera idntica. En tales circunstancias,
usualmente es posible construir un modelo
matemtico satisfactorio y emplearlo en el
estudio de propiedades y en la obtencin de
conclusiones. El modelo matemtico que un
estadstico usualmente selecciona es capaz de
posibilitar predicciones sobre frecuencia de los
resultados que se espera se presenten cuando
la experiencia es repetida. Por ejemplo,
controlando la calidad de los componentes
producidos en una fbrica podemos prever el
porcentaje de componentes defectuosos
esperados en el proceso de fabricacin.

En virtud de la naturaleza de los modelos y de
los datos estadsticos, es natural que la
probabilidad sea la segunda herramienta de la
teora estadstica (la estadstica descriptiva es
la primera)

El estadstico ve en las probabilidades, el ideal
de la proporcin de veces que determinado
resultado aparecer en las repeticiones de un
experimento, y un modelo probabilstico es un
instrumento matemtico que prev la
frecuencia de la ocurrencia de un resultado
posible sin que sea necesario repetir el
experimento. Debido al hecho de que la
probabilidad es una herramienta importante
en los mtodos estadsticos tericos y
prcticos, una introduccin al clculo de las
probabilidades es, siempre, estudiada antes
que la inferencia estadstica.

Emplear modelos matemticos en la solucin
de situaciones de la vida real es comn en
varias ciencias. Por ejemplo, en el estudio del
movimiento de un cohete, una sencilla ley
suministra un modelo satisfactorio, a pesar de
la complejidad del problema. Cuanto ms
complejo es el trabajo, ms elaborado es el
modelo y, una vez que un modelo constituya
solamente una representacin de la situacin
actual, las conclusiones obtenidas dependen
del grado de adecuacin del modelo en
relacin con la situacin que se estudia.
Independientemente de la dificultad del
problema, es fundamental conocer el campo
de aplicacin para garantizar que los modelos
tericos sean adecuados a la realidad.

Reino de la fantasa. En las estadsticas, el
Brasil de las novelas es un pas de otro
planeta. En el terreno fro de las estadsticas,
hay un abismo entre la ficcin y la realidad,
ms profundo que el existente entre la
cualidad de los autores de hoy y el
virtuosismo de la fallecida Janet Clair. No es
que los autores evadan la miseria. La nica
novela que hasta hoy se atrevi a mostrarla
en todos sus matices, Brasileos y Brasileas,
exhibidas por el canal SBT en 1990, fue un
retumbante fracaso de audiencia

En los mtodos estadsticos se formulan
hiptesis, se conducen experiencias y se
verifica si las hiptesis iniciales concuerdan (o
no) con los datos experimentales. Aunque los
mtodos estadsticos sean empleados en
todas las ramas de las ciencias, hay
diferencias entre los problemas de las ciencias
biolgicas y sociales que incluyen variables
indeseables que no pueden ser controladas - y
los problemas de las ciencias fsicas, en las
cuales las variables pueden ser controladas
satisfactoriamente en el laboratorio.

El enfoque dado al estudio de las
probabilidades, depende del rea en el cual
ser aplicado. El estadstico puro prefiere
tratar el asunto desde el punto de vista
axiomtico
1
, en el cual algunas afirmaciones
se hacen sin demostracin. Quien emplea la
estadistica aplicada prefiere pensar en la
probabilidad como el nmero de veces en las
que se presentar determinada situacin si
una experiencia fuera repetida
indefinidademente en situaciones de
naturaleza repetitiva que pudiera concebirse
de esa manera. Experiencias como contar el
nmero de elementos defecutosos de un
empaque, o la lectura diaria de una
temperatura en un termmetro son ejemplos
de experiencias simples. Por otro lado, un

1
Axioma: en la lgica aristotlica, es el punto de
partida de un raciocinio, conciderado como
evidente, y es la base de las demostraciones de
una teora

PROBABILIDAD Y ESTADSTICA

19
experimento en el cual varias cobayas son
alimentadas diariamente con diferentes clases
de alimentos, slo pueden realizarse una vez
con el mismo animal; a pesar de esto, tal
experimento puede ser imaginado como el
primero de una serie ilimitada de
experimentos y, por esta razn, ser
considerado tambin como repetitivo.


PROBABILIDAD Y ESTADSTICA

20

Todos conocemos, por intuicin, el concepto
de probabilidad, o chance, de que algo ocurra.
En general, se expresa en trminos de
porcentaje y son comunes las frases del
siguiente tipo: La probabilidad de que Cobas
se recupere es del 80%. Adicionalmente, se
sabe que la probabilidad de que lo imposible
suceda tiene un 0% y la probabilidad de que
lo seguro suceda tiene un 100%.

La probabilidad de que el equipo falle es del
40 %, tambin es una afirmacin que
cuantifica el sentimiento con respecto a la
probabilidad de que el equipo falle. Todas
estas probabilidades son cuantificadas por
medio de un nmero que est en el intervalo
entre 0 y 1, donde los valores indican el
resultado que tiene mayor probabilidad de
ocurrir. El 0 (cero) indica que el resultado de
inters nunca ocurrir, y el 1 (uno) indica que
el hecho, con certeza ocurrir.

Estos pensamientos naturales son el fruto de
la experiencia pasada, de la observacin de
los de la vida, codificados y resumidos por la
estadstica descriptiva para su posterior
consulta.

En la vida diaria, el trmino probable se
refiere a la magnitud del porcentaje de lo que
es favorable a lo que se desea en relacin con
todos los resultados. Acostumbramos a
estimar las probabilidades de que lleva, o de
conseguir un puesto en el teatro, o de que un
equipo de futbol gane un partido. Es difcil, en
estos casos, obtener una media exacta de las
probabilidades, y podemos conjeturar apenas
tentativas intuitivas en la obtencin de los
resultados probables; dicho sto, a veces es
preciso tener en cuenta un factor que vara
con el tiempo, tal como la mejora en el
desempeo de un equipo o el defecto de las
mutaciones sociales.

El episodio hace recordar la historia de un
suizo que, despavorido con la amenaza de una
guerra en Europa, decidi aislarse de todo y
de todos. Despus de decenas de estudios, el
personaje (...) peg un mapamundio en la
pared y dijo: Es aqu, apuntando hacia
Guadalcanal. Mudse para all un poco antes
de que comenzara una de las ms sangrientas
batallas de la Segunda Guerra Mundial

Para perfeccionar ese conocimiento, se
necesita obtener matemticamente una media
numrica de la probabilidad. Cuando no se
tiene alguna informacin, se pueden enumerar
los resultados posibles y describirlos como
igualmente probables (equiprobables). Por
ejemplo, encontrar ventanillas vacas en una
oficina pblica con cinco ventanillas puede
resultar en cualquiera de los nmeros 0, 1, 2,
3, 4 y 5. Nuestros motivos para definirlos
como equiprobables se basan en el hecho de
que cada ventanilla es (casi exactamente)
simtrica y las condiciones de llegada a esa
oficina supuestamente no favorecen a una
ms que a otra. Cuando tales condiciones de
simetra dan un significado razonable a la
expresin igualmente probable, podemos decir
que siempre que una experiencia consiste en
n resultados posibles e igualmente
probables, la probabilidad de cada resultado
es
n
1
; aunque til, esa informacin es circular
(lo definido aparece como definicin).

As, cuando fueron enumerados todos los
resultados posibles con la hiptesis de una
supuesta igualdad, la probabilidad de
determinada situacin es el cociente del
nmero de sucesos favorables a la situacin y
el nmero total de resultados. La probabilidad
as definida se llama probabilidad a priori; en
el ejemplo, la probabilidad de encontrar una
ventanilla vaca es de
6
1
.

Carreras equilibradas. Se confirmaron 11
carreras, algunas numerosas y equilibradas...
Ese detalle va ciertamente a causar
dificultades a los apostadores de la
Quiniexacta, de los cuales necesitan acertar
en los cinco pares exactos de las ltimas cinco
carreras.

La probabilidad tambin puede ser obtenida a
partir de una relacin entre los sucesos
favorables y los desfavorables (o viceversa).
Podemos decir que una razn a favor de cierta
situacin es 2 a 7, queriendo decir con esto
que la probabilidad de que suceda es de
9
2
.

Estas consideraciones dan como resultado el
llamado principio bsico de la probabilidad, el
cual es el resultado de dividir el nmero de
LO QUE EL PASADO NOS ENSEA
Y PREVIENDO UN POCO:
LAS POSIBILIDADES DE QUE LOS HECHOS OCURRAN
LO QUE EL PASADO NOS ENSEA

21
casos favorables por el nmero total de casos
posibles.

Pr
2
(A) =
posibles casos de total
casos de total nmero


Esta fue la primera definicin del concepto de
probabilidad, conocida como La Ley de
Laplace
3



2
La abreviacin Pr significa la probabilidad de
...
3
Pierre Simn Laplace (1749 1827),
matemtico francs
LO QUE EL PASADO NOS ENSEA

22

La definicin clsica no incluye determinadas
situaciones como, por ejemplo, saber cul es
la probabilidad de que una persona fallezca
entre los 50 y los 60 aos, ya que no se
puede conseguir el nmero total de casos
posibles. Sin embargo, las afirmaciones
pueden ser consideradas en tablas de
frecuencias, las cuales se clasifican entre las
que no tienen prdida de informacin y las
que s las tienen, permitindonos hacer una
analoga entre las tablas de frecuencias y los
conceptos probabilsticos.

Teniendo en cuenta que este libro presenta los
conceptos gradualmente, en la medida que
sea necesario, volvamos a las tablas de
Estadstica Descriptiva. La menor frecuencia
absoluta que puede presentarse en una serie
observaciones es igual a 0, es decir, no se
presenta determinado valor, situacin o clase,
mientras que la mayor frecuencia absoluta es
N, es decir, solamente se presenta aquel
valor, situacin o clase. Estas afirmaciones
pueden expresarse en porcentajes: 0% y
100%, encontrados por medio de la divisin
de la frecuencia absoluta por el total de los
valores y multiplicada por 100.
100 x
total
absoluta frecuencia

La fraccin
total
absoluta frecuencia
se llama
frecuencia relativa
4


En las tablas de frecuencias, se crea una
columna para las frecuencias relativas de los
valores o de las clases de valores, tal como se
muestra en las tablas 3.1 y 3.2, que son
continuacin de los ejercicios ejemplos 2.17
y 2.18.

Se comprueba que cualquier valor, situacin o
clase tiene una frecuencia entre el 0% y
100%, incluidos dichos lmites. Estos son los
valores que las probabilidades pueden tomar,
tal como se comprob en el concepto clsico.

Tabla 3.1 Frecuencia relativa del ejercicio
ejemplo 2.17


4
Frecuencia relativa: es la divisin del nmero
de observaciones en las cuales se presenta el
resultado deseado (frecuencia absoluta) por el
nmero total de observaciones hechas.

Pas
Frec.
absoluta
Razn
Frecuencia Relativa
Frec.
decimal %
Brasil 56 14/25 0.56 = 56%
Estados Unidos 15 3/20 0.15 = 15%
Alemania 7 4/57 0.07 = 7%
Italia 4 1/25 0.04 = 4%
Suecia 3 2/67 0.03 = 3%
Inglaterra/Holanda 2 1/50 0.02 = 2%
Francia 2 1/50 0.02 = 2%
Suecia 2 1/50 0.02 = 2%
Bermudas 2 1/50 0.02 = 2%
Panam 2 1/50 0.02 = 2%
Inglaterra 1 1/100 0.01 = 1%
Francia/Estados
Unidos 1 1/100 0.01 = 1%
Holanda 1 1/100 0.01 = 1%
Brasil/Alemania 1 1/100 0.01 = 1%
Chile 1 1/100 0.01 = 1%
Total 100 100/100 1 = 100%
FUENTE: EXAME.- Maiores e Melhores, julio de 1998

Intuitivamente, vemos que en la Tabla 3.1, la
probabilidad de observar una compaa
brasilea es mayor que la de observar una
chilena, pues la brasilea tiene un porcentaje
(probabilidad) del 56%, mientras que la
chilena tiene apenas un 1%.

LO QUE LA EXPERIENCIA NOS ENSEA:
VOLVIENDO A LA ESTADSTICA DESCRIPTIVA
LO QUE LA EXPERIENCIA NOS ENSEA

23
Tabla 3.2 Frecuencias relativas del ejercicio
ejemplo 2.18

Clase
Frec.
absoluta
Razn
Frecuencia
Relativa
Frec.
decimal %
100 - 3 600 30 3/8 0.375 = 37.5%
3 600 - 7 100 24 3/10 0.3 = 30%
7 100 - 10 600 10 1/8 0.125 = 12.5%
10 600 - 14 100 10 1/8 0.125 = 12.5%
14 100 - 17 600 0 0 0 = 0%
17 600 - 21 100 3 3/80 0.0375 = 3.75%
21 100 - 24 600 2 1/40 0.025 = 2.50%
24 600 - 28 100 0 0 0 = 0%
28 100 - 31 600 1 1/80 0.0125 = 1.25%
Total 80 80/80 1 = 100%
FUENTE: EXAME.- Maiores e Melhores, julio de 1998

Intuitivamente, en la tabla 3.2 vemos que la
oportunidad de observar una compaa con un
nmero de empleados entre 100 y 3 600 es
mayor que la de observar una compaa con
un nmero de empleados entre 140 100 y 17
600, porque la primera tiene un porcentaje
(probabilidad) de 37.5% que es bastante
mayor que el porcentaje de la segunda, con el
0%.

Los fenmenos estudiados por la estadstica
son aquellos cuyos resultados, as como las
condiciones de experimentacin, varan de
una observacin a otra. El resultado de una
observacin futura no puede, por
consiguiente, ser anticipado exactamente. De
todos modos, la prctica muestra que los
resultados de una sucesin razonablemente
larga de repeticiones del mismo fenmeno,
presenta una regularidad en el sentido de que
la frecuencia relativa de la cual determinado
resultado aparece, tiende a mantenerse
constantemente. El fenmeno que presenta
esa regularidad estadstica se llama fenmeno
aleatorio.

De esta manera, se puede definir la
probabilidad de una situacin como la
frecuencia relativa con la que sta se presenta
en n observaciones, es decir, el nmero de
veces en las que se presenta esa situacin,
dividida por el nmero total de observaciones
cuando stas tienden a infinito. A medida que
el nmero de repeticiones aumenta, se
presenta una estabilizacin de la frecuencia
relativa, lo cual es conocido como la
regularidad estadstica. El error relativo de la
estimacin de esa probabilidad se hace cada
vez menor a medida que aumenta el nmero
de repeticiones. Este enfoque de la
probabilidad se llama frecuencial.

En los partidos en los que gan, el Flamingo
us uniforme blanco. Y no tuvo como
presidente a(..) en el Maracan. En sus
derrotas, visti uniforme negro. Y tena a (..)
como hincha en el gimnasio. Cmo ser en el
cuarto campeonato?

Cuando se realiza un experimento, un
resultado observado es definido, determinado,
no pudiendo presentarse un nmero
fraccionario de veces. Volviendo a examinar
una oficina con cinco ventanillas, decimos que
la probabilidad de cada uno de los resultados
posibles (hallar de 0 a 5 ventanillas vacas) es
de
6
1
, y con seguridad, no podemos obtener
6
1
de la unidad con una nica observacin de
las ventanillas y buscando una ventanilla
vaca. Podemos decir, entonces, que
obtenemos cada resultado exactamente una
vez en seis observaciones o, exactamente 100
veces en 600 observaciones? La respuesta es,
evidentemente, no; pero afirmamos que si las
seis ventanillas fueran observadas muchas
veces, en promedio, los seis resultados
posibles se presentaran con frecuencias
prcticamente iguales. Si esto no sucede,
debemos sospechar que otro factor esta
interviniendo en lo que observamos. La
simetra, aunque es posible definirla de una
manera positiva, en muchos casos es, en
esencia, un hecho negativo: puede ser que no
exista una diferencia conocida u observable.
Si el resultado de nuestro experimento
demuestra alguna inconsistencia, tal como el
resultado obtenido con mayor frecuencia en la
observacin de una ventanilla que en otra,
creemos que esto se debe a una causa
orientadora para este resultado y concluimos
que no hay una simetra, base del modelo, o
que se ha presentado un problema durante la
realizacin de la observacin.

La hora del peligro. De los 577 accidentes
que se presentaron entre 1987 y 1996, en los
que el avin qued totalmente destruido, con
o sin victimas, casi las dos terceras partes se
presentaron entre la fase del descenso y la del
aterrizaje. Vase el porcentaje en cada etapa
del vuelo.

2%, maniobrando;
14%, en el decolaje;
17%, en el ascenso;
5%, en altitud de crucero;
LO QUE LA EXPERIENCIA NOS ENSEA

24
6%, en el descenso;
43%, en la aproximacin,
22%, en el aterrizaje.

El error humano. Entre 1987 y 1996, siete de
cada diez accidentes de jet se presentaron por
fallas de la propia tripulacin. Vase los
motivos principales:

3%, fallas en el control de trfico;
4%, por mal tiempo;
6%, falta de mantenimiento;
9%, fallas en el avin;
72%, errores de la tripulacin;
6%, otros.

Si la observacin fuera repetida 1 000 veces,
encontrar dos ventanillas vacas, por ejemplo,
podra presentarse 0, 1, 2... 999 1 000
veces. Es posible calcular las probabilidades
de dichos resultados y demostrar que la
fraccin de un xito (en este caso, encontrar
dos ventanillas vacas) en n observaciones,
tiende a estabilizarse a medida de que n
aumenta indefinidamente. Pero estamos
tratando con las probabilidades a priori
5
,
obtenidas a partir de una clasificacin de
resultados igualmente probables de n
observaciones; no podemos demostrar
matemticamente que las leyes de la
naturaleza son las leyes de la probabilidad
matemtica.

La igualdad efectiva de la probabilidad a priori
y la frecuencia relativa en una extensa serie
de repeticiones, son aspectos confirmados
apenas por la experiencia.

Segn las estadsticas, uno de cada cinco
bebs que nacen hoy, en el mundo, es chino.
Y qu?
Somos cinco. Nuestras esposas tendrn un
hijo al mismo tiempo. Debemos prepararnos
para la posibilidad de que uno de nuestros
hijos sea chino.

Qu absurdo!
Es la estadstica.
6




5
Es la probabilidad que se establece atendiendo
consideraciones sobre la simetra o la
regularidad de resultados simples.
6
Hereja: pensar que los modelos probabilsticos
obligarn a la naturaleza a comportarse de
acuerdo a un modelo matemtico.
LO QUE LA EXPERIENCIA NOS ENSEA

25

Aunque la relacin entre el concepto de
frecuencia relativa y el de probabilidad sea
poco comn en los libros de Probabilidad y
Estadstica, ste no es un concepto nuevo
como pudiera parecer. En la obra Ars
conjectandi, del matemtico francs Jacques
Bernouilli (1654 1705), publicada
pstumamente en 1713, aparece enunciada
por primera vez una ley que vino a ser
llamada teorema de Bernouilli, o ley emprica
del azar o tambin, la primera ley de los
grandes nmeros
7
.

Esta ley puede ser expresada de manera ms
precisa en trminos matemticos, pero ese
enunciado es suficiente para resumir los
fundamentos del clculo de las probabilidades.
Otro texto es el siguiente:

Cuando el nmero de repeticiones de un
experimento aleatorio crece mucho, la
frecuencia relativa del evento asociado se va
aproximando cada vez ms a un cierto valor.

Ese valor se llama la probabilidad de
ocurrencia del evento.

La ley de los grandes nmeros est asociada
al concepto de probabilidad a posteriori
porque, cuando no se puede establecer la
probabilidad a priori, la nica opcin es la de
estimar la probabilidad estudiando el valor
lmite para el cual las frecuencias relativas se
aproximan; esa probabilidad se llama
probabilidad a posteriori
8
.

Muy relacionada con la primera ley de los
grandes nmeros est la segunda ley de los
grandes nmeros: a medida que el nmero de
repeticiones de un experimento aleatorio
crece, mayor tiende a ser el valor absoluto de
la diferencia entre la frecuencia absoluta
experimental de un evento y la frecuencia
absoluta terica (esperada).



7
Es muy probable que, si efecturamos un
nmero suficientemente grande de ensayos de
un experimento, la frecuencia relativa de un
acontecimiento se separe mucho de su
probabilidad.
8
Probabilidad establecida por la observacin
experimental de las frecuencias relativas de la
ocurrencia de un resultado.

Obsrvese que la primera ley de los grandes
nmeros se refiere a la frecuencia relativa; y
la segunda, a la frecuencia absoluta.
LA LEY DE LOS GRANDES NMEROS
Y LA ATRIBUCIN DE PROBABILIDADES
LA LEY DE LOS GRANDES NMEROS Y LA ATRIBUCIN DE PROBABILIDADES

26

Segunda ley de los grandes nmeros: A
medida que el nmero de ensayos de un
experimento aleatorio crece, mayor tiende a
ser el valor absoluto de la diferencia entre la
frecuencia absoluta de un evento y la
frecuencia absoluta terica (esperada).

Existe tambin el concepto subjetivo, una
evaluacin personal. La probabilidad personal
describe el juicio de una persona con respecto
a cun probable es el que una situacin pueda
presentarse. No est basada en un clculo
preciso, pero puede ser la evaluacin
razonable de una persona con experiencia, y
diferentes personas podrn asociar
probabilidades diferentes a los mismos
resultados, pudiendo una de ellas afirmar que
determinada probabilidad es 0.9 mientras que
la otra puede decir que es de 0.4.

El DNRE estim que el 80 % de los
conductores no pag las multas esperando
una amnista.

Independientemente del concepto empleado,
las personas se basan en una tentativa de
modelaje del comportamiento de la
naturaleza, representada por modelos
construidos a partir de la observacin.

Por ms perfecto que pueda parecer, un
modelo es siempre una simplificacin de la
realidad. Por ejemplo, si se preguntase cul es
la probabilidad de que una persona pueda
sacar una pelota amarilla de una resma de
hojas amarillas, la probabilidad no sera,
obligatoriamente, igual a 1, porque la persona
podra morir segundos antes de retirar la hoja
amarilla.

Algunos estudiosos afirman que el mayor
poder de la ciencia es el poder de la
prediccin, a decir, el poder de saber que algo
va a suceder (...) Pero existen diferencias
entre conocer el futuro por medio de la lgica
matemtica, por el clculo de las
probabilidades, y conocer el futuro por medio
de una misteriosa propiedad de la mente
humana
UN CONCEPTO ADICIONAL
UN CONCEPTO ADICIONAL

27

Cuando buscamos el precio de venta de un
dlar libre, conducimos lo que se llama un
experimento. Diariamente, los resultados
pueden presentar una ligera diferencia entre
s a causa de las pequeas modificaciones en
las variables no controladas, incluyendo
alteraciones en la tasa de cambio o en el
volumen de los negocios.

Llamamos experimento al fenmeno que
estamos interesados en observar y cada
realizacin del mismo es un ensayo. El
experimento aleatorio es aquel que puede
generar diferentes resultados, aun si se repite
en las mismas condiciones y en cualquier
ocasin.

Experimento aleatorio: Cualquier proceso de
observacin que puede repetirse a voluntad
en condiciones similares, con la condicin de
que el resultado no pueda ser previsto antes
de cada una de las realizaciones.

Espacio muestral: Conjunto de todos los
resultados posibles de un evento aleatorio.

Evento elemental (o simple): Es un elemento
del espacio muestral de un experimento
aleatorio.

Evento compuesto: Aquel que comprende
varios resultados de un experimento aleatorio.

Eventos mutuamente excluyentes: Aquellos
en que la ocurrencia de un evento excluye la
ocurrencia de otro evento.

Eventos colectivamente exhaustivos: Aquellos
que en un experimento aleatorio, son
mutuamente excluyentes y constituyen la
totalidad de los resultados posibles para el
experimento en cuestin.

El primero (Manuel Duchamp), tal vez el
artista ms importante del siglo, siempre
trabaj con variables controladas, pero
dejando abierto el espacio para la intervencin
del azar. Cre, por ejemplo, cintas a partir de
cuerdas de un metro, colgadas de una misma
altura dejando al azar la tarea de escoger la
forma que tomaran al tocar el suelo.

De esta manera, se dice que el experimento
(y cuantos se hagan), tienen componentes
aleatorios. En algunos casos, las variaciones
aleatorias que se presentan son tan pequeas,
comparadas con los objetivos del
experimento, que pueden ser ignoradas. De
todas maneras, la variacin est siempre
presente y su magnitud puede ser tal que las
conclusiones importantes pueden no ser
obvias y, en tal caso, se emplea el mtodo
estadstico para modelar y analizar mtodos
experimentales.

Cuando un experimento no es observado, sino
que es realizado en el laboratorio, no importa
cun cuidadosamente sea ste planeado: de
todos modos las variaciones siempre pueden
presentarse. Siendo as, el objetivo del clculo
de las probabilidades es comprender, modelar
y cuantificar las clases de variaciones que
pueden encontrarse en la observacin o en la
realizacin de los experimentos. Cuando se
incorpora el concepto de variabilidad a la
concepcin y a los anlisis, se dice mejor a
partir de los valores obtenidos.

Para cierto experimento, podemos definir el
conjunto de todos los resultados que
juzgamos posibles. Ese conjunto se llama
espacio de las probabilidades o resultados
posibles del experimento o, sencillamente
espacio muestral, denominado con la letra S
9
,
y cada uno de los resultados posibles es un
elemento del conjunto S.

Aunque no se pueda prever cul resultado
particular pueda presentarse en la realizacin
del experimento, se puede conocer el
conjunto de los resultados posibles del
experimento; en la prctica, no estamos
interesados en el espacio muestral, sino en
algn resultado elemental (solo un elemento
de S) o en un subconjunto de resultados
elementales. El resultado elemental se llama
evento elemental (o simple), si fuera
solamente uno, o evento compuesto, en caso
contrario. Lo que queremos saber, en la vida
real, son las probabilidades de que S presente
determinado evento, sea este elemental o no.

Complemento de un evento A: Consiste de
todos los resultados del espacio muestral que
no pertenecen al evento A.

Eventos independientes: Aquellos en los que
la ocurrencia de uno de los eventos no
suministra informacin con respecto a la
ocurrencia o no de otro evento, es decir, que

9
S es la abreviatura de space, del ingls
americano, conservada aqu por ser la ms
usada en los libros que tratan de este tema.
APRENDIENDO MS VOCABULARIO ESTADSTICO
APRENDIENDO MS VOCABULARIO ESTADSTICO

28
la ocurrencia de un evento no tiene influencia
en la ocurrencia de otro.

Diremos que el evento se present en cierto
experimento, si el resultado es un elemento
del conjunto que define al evento.

Si la presencia de un evento (elemental o
compuesto) impide que otro evento se
presente (tambin elemental o compuesto),
se dice que son eventos mutuamente
excluyentes.

Como resultado de que dos eventos sean
excluyentes mutuamente, la probabilidad de
que se presenten al mismo tiempo es cero.

Como el complemento de un evento A
consiste de que todos los resultados del
espacio muestral que no hacen parte del
evento A, la probabilidad de que se presente
el evento contrario, es igual a 1 menos la
probabilidad del evento A considerado.

Para los eventos colectivamente exhaustivos,
la suma de las probabilidades de que se
presenten todos ellos es igual a 1.

Finalmente, dos eventos son independientes
es decir, el hecho de que uno de ellos se
presente no influye en la probabilidad de que
el otro se presente; la probabilidad de que
estos se presenten simultneamente es igual
al producto de sus probabilidades.

APRENDIENDO MS VOCABULARIO ESTADSTICO

29

LA FUNDAMENTACIN MATEMTICA

El objetivo del clculo de las probabilidades es
el de obtener un valor numrico asociado con
la ocurrencia de un determinado
acontecimiento para facilitar la toma de
decisiones relacionadas con l.

Pero no existe concordancia entre los
conceptos clsicos, frecuencial y subjetivo, la
teora de las probabilidades tuvo que basarse
en un conjunto de axiomas en los que las
probabilidades son asociadas a los resultados
basndose en el conocimiento de la situacin
bajo estudio. Los axiomas aseguran que las
probabilidades asociadas a cada experimento
pueden interpretarse como frecuencias
relativas y que las asociaciones son
consistentes con la comprensin intuitiva de la
relacin entre los resultados favorables y los
resultados posibles.

Los axiomas facilitan los clculos de las
probabilidades de que se presenten ciertos
eventos partiendo del conocimiento de las
probabilidades de otros eventos. Los axiomas
fueron enunciados por el matemtico ruso
Kolmgorov
10
y son los siguientes:

En un experimento aleatorio en un espacio
muestral asociado, una funcin que asigna a
cada resultado un nmero real, representado
por Pr (A), es una funcin de probabilidad si
satisface las siguientes propiedades:

1. Para cualquier evento A, 0 Pr(A) 1.
2. La probabilidad del evento cierto es la
unidad, Pr(espacio muestral) = 1.
3. Si los eventos A y B son mutuamente
excluyentes, la probabilidad de ocurrencia
del evento A o del evento B es la suma de
las probabilidades de la ocurrencia de A y
la ocurrencia de B.

El primer axioma afirma que se atribuye a
todo evento del espacio muestral algn
nmero real; en el clculo de las
probabilidades, la escogencia de los nmeros
que sern asociados a los resultados pudieran
ser cualquiera, pero matemticamente puede
comprobarse que deben estar entre 0 y 1.


10
Andrs Nicolaievitch Kolmogrov (1903
1987), matemtico ruso
El segundo axioma afirma que al espacio
muestral como un todo, se le asigna el valor
probabilstico 1 y expresa la idea de que la
probabilidad del evento seguro, es igual a 1.

El tercer axioma afirma simplemente que se
suman las probabilidades cuando los eventos
son mutuamente excluyentes.

Los tres axiomas no necesitan ser
demostrados, de todos modos, si la teora
resultante es aplicada en el mundo real, se
debe demostrar de alguna manera que los
axiomas son realistas, es decir, que
representan resultados razonables,
comprobados por el concepto frecuencial de la
probabilidad
11
.

Los axiomas no indican cmo atribuir
probabilidades a los diferentes resultados de
un experimento; apenas restringen las formas
por las cuales esto puede hacerse. En la
prctica, las probabilidades son atribuidas con
base en las estimaciones obtenidas en
experiencias pasadas en un estudio cuidadoso
con respecto al experimento o en suposiciones
de que los diferentes resultados presentan la
misma probabilidad.

Las propiedades aditiva y multiplicativa
ayudan al clculo de las probabilidades
de los eventos no elementales.

En muchas situaciones, la estimacin de la
probabilidad de un evento se actualiza con
base en una informacin adicional, antes
probable, pero ahora cierta, debindose
actualizar el espacio muestral con esta nueva
informacin.

La definicin de probabilidad condicional
puede ser usada para suministrar una
expresin general sobre la ocurrencia
simultnea de dos eventos.

La probabilidad de que dos eventos, A y B,
ocurran simultneamente, Pr(A y B), es igual
a:

1. La probabilidad de A multiplicada por la
probabilidad de B, si A ha ocurrido:

11
Probabilidad de un evento E, definido en un
espacio muestral S en una funcin que hace
corresponder a cada evento E un nmero real,
indicado por Pr(E), satisfaciendo los tres
axiomas fundamentales
COMBINACIN DE LOS TRES CONCEPTOS DE PROBABILIDAD:
LO QUE LA TEORA FUNDAMENTA
COMBINACIN DE LOS TRES CONCEPTOS DE PROBABILIDAD
COMBINACIN DE LOS TRES CONCEPTOS DE PRO

30
Pr(A y B) = Pr(A) * Pr(B|A)
12
, o

2. La probabilidad de B por la probabilidad de
A, si B ha ocurrido.
Pr(A y B) = Pr(B) * Pr(A|B)

Si los eventos A y B fueron independientes,
Pr(A|B) = Pr(A) (pues A es independiente del
resultado de B) y Pr(B|A) = Pr(B); en este
caso Pr(A y B) = Pr(A) * Pr(B).

Esta es la propiedad o ley multiplicativa de las
probabilidades.

Se deduce (1) y (2) que la probabilidad de A
habindose presentado B, est dada por
Pr(A|B) =
) Pr(
) Pr(
B
AyB


Y que la probabilidad de B habindose
presentado el evento A, est dada por
Pr(B|A) =
) Pr(
) Pr(
A
AyB


Siempre y cuando Pr(A) y Pr(B) sean
diferentes de 0 (lo cual es evidente).

Esta es la definicin de probabilidad
condicional
13
.

Si A y B son independientes,
Pr(B | A) = ) (
) Pr(
) Pr( ) Pr(
) Pr(
) (
B P
A
B x A
A
AyB
= = ,
tal como se vio.

La probabilidad de que se presenten dos
eventos, A y B, en la cual, A se presenta B
se presenta o ambas se presentan, es la suma
de las probabilidades de cada uno de los dos
eventos, menos la probabilidad de que ambos
eventos ocurran. La llamada propiedad aditiva
de las probabilidades es la siguiente:

Pr(A B) = Pr(A) + Pr(B) Pr(A y B) = Pr(A)
+ Pr(B) Pr(A)x Pr(B |A)
= P(A) + Pr(B) Pr(B)x Pr(A |B)


12
Se lee Pr(B|A) como la probabilidad de B dada
la certeza de que A ha ocurrido y Pr(A|B) como
la probabilidad de A cuando hay certeza de que
B se ha presentado
13
Probabilidad condicional de un evento A,
habindose presentado un evento B, es
denotada por Pr(A | B) y calculada por Pr(A | B)
=
) Pr(
) Pr(
B
AyB
.
Si A y B fueran independientes, Pr(A B) =
Pr(A) + Pr(B) PR(A) x Pr(B)

Ejercicio-ejemplo 3.2

Para ilustrar las propiedades, se tiene el
problema de calcular la confiabilidad de un
conjunto de componentes de un sistema,
llamados especficamente sistema de serie
paralelo, en los cuales los efectos de fallas en
los equipos son considerados mutuamente
independientes con la finalidad de simplificar
los clculos matemticos.

Un sistema en serie es aquel en el cual todos
los componentes se relacionan de tal manera
que el sistema entero fallar si falla cualquiera
de sus componentes (fig. 3.1)

Un sistema en paralelo (o redundante, fig.3.2)
es aquel que solamente fallar si todos los
componentes fallan.


Figura 3. 1
Sistema en serie


Figura 3.2
Sistema en paralelo

Ejercicio-ejemplo 3.2b

a) Determine la confiabilidad del sistema de
la fig. 3.3, sabiendo que la confiabilidad de
cada aparato es del 90%;
b) Determine la confiabilidad del sistema de
la fig. 3.4, si se sabe que la confiabilidad
de cada equipo es de 90%.


Figura 3. 3
Sistema A


Figura 3.4
COMBINACIN DE LOS TRES C

31
Sistema B

El ejercicio-ejemplo 3.2b podra ser resuelto
tambin por medio del evento
complementario, porque la probabilidad de
que el sistema funcione es igual a 1 menos la
probabilidad de fallar; pero el sistema falla
cuando los dos componentes fallen, es decir,
fallan el primero y el segundo. De ah que la
probabilidad de no fallar es igual a 1 - (1 -
0,9) * (1 - 0,9) = 99%.

Ejercicio-ejemplo 3.3
14


En una lnea de produccin de placas para
circuitos electrnicos se sabe, a partir de
registros histricos, que el 5% de las placas
no satisface las especificaciones de longitud y
que el 3% no satisfacen las especificaciones
de la anchura. Teniendo en cuenta que los
cortes para la longitud y el ancho son hechos
por mquinas diferentes, es decir, que son
independientes, determine:

a) La probabilidad de escoger una placa
totalmente conforme a las
especificaciones.
b) La proporcin de placas que no satisfacen
por lo menos a una de las
especificaciones:
c) La proporcin de placas que no cumplen
ninguna de las especificaciones.
d) La probabilidad de un material no
conforme, sabindose que, si no es
conforme en cuanto a la longitud hecha
por las mquinas responsables por el corte
de las medidas, la probabilidad de ser no
conforme en cuanto al largo es del 60%.
e) Si, en el tem (a) los eventos pueden
considerarse como mutuamente
excluyentes.
f) Describa dos eventos de este ejemplo que
sean mutuamente excluyentes.

14
Mito. Calcular correctamente las
probabilidades de todos los ejercicios de los
libros de estadstica y encontrar que nunca va
anecesitar usarlas

32

Se considera que dos o ms eventos son
mutuamente excluyentes si no pueden ocurrir
al mismo tiempo, es decir, la ocurrencia de un
evento impide automticamente la ocurrencia
del otro.

Ejemplo:

Una universidad en su proceso de seleccin
clasifica a sus estudiantes que ingresan, de
acuerdo a su puntaje obtenido en el
bachillerato, 8 ms y por debajo de 8.0,
segn promedio ponderado. Estos dos eventos
o clasificaciones son mutuamente excluyentes.

REGLA DE LA ADICIN

Si dos eventos A y B son mutuamente
excluyentes, esta regla indica que la
probabilidad de que ocurra uno u otro de los
eventos, es igual a la suma de sus
probabilidades.

P(A B) = P(A U B)
P(A U B) = P(A)+ P(B)
P(A B ... Z) = P(A U B U...U Z)
P(A U B U...UZ)= P(A)+ P(B) +... P(Z)

Ejemplo:

En el proceso de seleccin de una
determinada universidad, los puntajes del
ICFES para la admisin en una de sus
carreras, se clasificaron bajo los siguientes
eventos:

Por debajo de
320
(Reprobado)
320 (Satisfactorio)
Por encima de
320
(Sobresaliente)

Tomando una muestra aleatoria de 400
alumnos, se tienen los siguientes resultados:

Evento
N
o
de
Estudiantes
Probabilidad
de
ocurrencia
Reprobado
Satisfactorio
Sobresaliente
10
360
30
0.025
0.900
0.075
400 1

Cul es la probabilidad de que un estudiante
tenga un puntaje menor o mayor de 320?
P( reprobado o sobresaliente) = P(R S)
P(R S)= P(R U S) = P(R) + P(S)
= 0.025 + 0.075
= 0.1

Observe que los eventos son mutuamente
excluyentes, lo cual significa que un
estudiante no puede tener un puntaje menor
de 320, de 320 y mayor de 320 al mismo
tiempo.

Obsrvese: P(R u S u S) = 1

La probabilidad de que un estudiante haya
obtenido 320 de puntaje en el ICFES ms la
probabilidad de que no haya obtenido dicho
puntaje debe ser igual a 1. A esto se
denomina regla del complemento.

REGLA GENERAL DE LA ADICIN

Cuando los eventos no son mutuamente
excluyentes, la probabilidad de la ocurrencia
conjunta de los dos eventos, se resta de la
suma de las probabilidades de los dos
eventos.
P(A B) = P(A) + P(B) - P(A y B)

En la teora de conjuntos, la ocurrencia
conjunta hace referencia a la interseccin, por
lo tanto:
P(A y B) = P(A B)
Entonces: P(A U B) = P(A) + P(B) - P(A B)

RELACIN DE EVENTOS
INDEPENDIENTES CON LA LEY DE
MULTIPLICACIN

Se considera que los eventos A y B son
independientes si y slo si la ocurrencia del
evento A no tiene efecto en la probabilidad de
ocurrencia del evento B y viceversa.

Teniendo en cuenta la anterior definicin, la
probabilidad de que ocurran A y B a la vez, se
obtiene al multiplicar las dos probabilidades:

P(A y B) = P(A) * P(B) = P(A B)
P(A y B) = P(A) . P(B) = P(A B)

Esta regla para combinar probabilidades
supone que la ocurrencia de un segundo
evento depende de la ocurrencia del primero.

Extensin:
P(A y B y C y... Z) = P(A) * P(B) * P(C) * ...*
P(Z) = P(A B C Z)
RELACIN DE EVENTOS MUTUAMENTE
EXCLUYENTES CON LA LEY DE LA ADICIN
RELACIN DE EVENTOS MUTUAMENTE EXCLUYENTES CON LA LEY DE LA ADICIN

33
P(A y B y C y... Z) = P(A) P(B) P(C) ...
P(Z) = P(A B C Z)

Ejemplo:

Una prueba de mltiple escogencia con tres
preguntas cada una, de las cuales existen
cinco opciones de respuesta, es realizada por
un alumno; determine la prueba de habilidad
de acertar al azar todas las respuestas.

La probabilidad de que acierte la primera es
de
5
1
. La probabilidad que acierte la segunda
es de
5
1
y la probabilidad que el tercero
acierte es de
5
1
, por tanto:
1 Pregunta: P(A)
2 Pregunta: P(B)
3 Pregunta: P(C)

Aplicando la frmula de la extensin vista
anteriormente, se tiene:
P(A y B y C) = P(A)*P(B)*P(C)
=
5
1
*
5
1
*
5
1

=
125
1

= 0.008 = 0.8% = 1%

PROBABILIDAD CONDICIONAL

Para ilustrar este concepto, vase el siguiente
ejemplo:

Un lote de piezas contiene 90 buenas y 10
defectuosas. Al retirar aleatoriamente una
pieza, la probabilidad de seleccionar una
buena es del 90%; al retirar una segunda
pieza, la probabilidad de que sea buena,
depende de la primera extraccin.

La probabilidad de que la segunda pieza sea
buena, es:
99
89
: Si la primera pieza seleccionada fuera
buena (quedaban 89 piezas buenas)
100
99
: Si la primera pieza seleccionada fuera
mala (quedan las mismas 90 piezas buenas).

A esto se le denomina Probabilidad
Condicional: la probabilidad de que ocurra un
evento X, dado que otro evento Y ha ocurrido.


REGLA GENERAL DE LA MULTIPLICACIN

Para dos eventos dados A y B, la probabilidad
conjunta de que ambos eventos sucedan
resulta de multiplicar la probabilidad de que el
evento A suceda, por la probabilidad
condicional de que ocurra el evento B, dado
que A ha ocurrido.
P(A B) = P(A) * P(B/A)

Ejemplo:

Teniendo en cuenta el ejemplo anterior de las
90 piezas, se van a seleccionar y dejar por
dos, una despus de otra. Cul es la
probabilidad de seleccionar una pieza buena
seguida por otra tambin buena?

La primera pieza seleccionada es el evento A.
P(A) =
100
99


La segunda pieza seleccionada es el evento B.
Si se considera que la segunda pieza es
buena,
P(B/A) =
99
89
,

ya que despus del evento A slo quedan 89
piezas buenas

P(A B) = P(A) * P(A/B)
=
100
99
*
99
89

=
110
89

= 0.8091
= 81 %

Interpretacin:

Al repetirse este experimento en un gran
nmero de veces, 10 000 por ejemplo,
aproximadamente 8 000 de ellos resultarn
con piezas buenas, tanto en el primero evento
como en el segundo.

Hay una probabilidad del 81% de que salga,
tanto en la primera como en la segunda
seleccin, pieza buena.


RELACIN DE EVENTOS MUTUAMENTE EXCLUYENTES CON LA LEY DE LA ADICIN

34

Si un experimento es tal que puede ser
tratado en etapas, una a continuacin de la
otra, la lista de los resultados puede ser
simplificada considerablemente si se describe
por medio de un grfico llamado rbol de
probabilidades o diagrama de rbol.

Cuando un espacio muestral puede ser
descrito en diferentes etapas, se representa
cada uno de los n
1
caminos para completar la
primera etapa como la rama de un rbol.
Cada una de las formas para completar la
segunda etapa puede ser representada como
n
2
caminos, comenzando con el final de las
ramas originales y as sucesivamente. Por
ejemplo, un mensaje en un sistema de
comunicaciones digital puede ser recibido a
tiempo o no. Si se reciben tres mensajes, la
fig. 3.5 ilustra el diagrama de rbol que
representa el espacio muestral de los
resultados posibles.

A
A
A
A
E
E
E E
E A E A
E A
E
A
Mensaje 1
Mensaje 2
Mensaje 3
A tiempo
Atrasado

Figura 3.5
rbol de probabilidades (diagrama de rbol)

Cada fase de un experimento de varias etapas
tiene tantas ramas como posibilidades existen
en dicha etapa. En el caso de la fig. 3.5, hay
dos diferentes en la primera fase y dos ramas
secundarias en cada una de las segundas
etapas. El nmero total de ramas terminales
del rbol da el nmero total de resultados
posibles de la experiencia compuesta y, por
esta razn, los puntos terminales de esas
ramas pueden considerarse como puntos
muestrales del espacio muestral
correspondiente al experimento.

Si existen varias fases para un experimento y
varias posibilidades en cada fase, el rbol
asociado con el experimento se vuelve muy
grande para ser manipulado. En tales
problemas, el conteo de los puntos muestrales
se simplifica por medio de frmulas
algebraicas: considere un experimento de dos
fases para el cual existen r posibilidades para
la primera fase y s posibilidades para la
segunda fase, correspondientes a cada uno de
las posibilidades de la primera fase. El rbol,
para representar ese experimento tiene r
ramas primarias, y s ramas secundarias
saliendo de cada una de las ramas; en
consecuencia, el nmero de ramas terminales
es rs. Si se adicionara una tercera fase con t
posibilidades, el total sera rst. Esto puede
extenderse a cualquier nmero de fases.
UN AUXILIO AL CLCULO MANUAL:
EL CONCEPTO DE RBOL PROBABILSTICO
UN AUXILIO AL CLCULO MANUAL: EL CONCEPTO DE RBOL PROBABILSTICO

35

En algunos anlisis de decisiones, la
informacin probabilstica puede obtenerse de
ms de una fuente, siendo interesante
combinar la probabilidad ya conocida con una
nueva informacin adicional. Las
probabilidades subjetivas o frecuencias
relativas (obtenidas a partir de una muestra)
son el grado de fe de quien toma la decisin
con respecto a la probablemente verdadera
probabilidad
15
de esos eventos.

En esta situacin, es posible modificar las
probabilidades a priori con base en la nueva
informacin, actualizando las probabilidades.
Para ese desarrollo son tres elementos. El
primero es la distribucin a priori, es decir, la
informacin existente antes de que las nuevas
informaciones se hagan disponibles; por
ejemplo, una empresa decide lanzar al
mercado un nuevo producto y hace una
encuesta de mercado para confirmar (o no) lo
que la empresa imagina ser su tajada del
mercado, a priori.

El segundo es la informacin adicional, que
puede ser el resultado de la encuesta del
mercado; ese dato se llama informacin de la
probablemente verdadera probabilidad, un
conjunto de probabilidades adicionales. Las
probabilidades obtenidas son aquellas que se
presentan con base en los valores iniciales de
las participaciones en el mercado. Se debe
enfatizar que los valores de las probablemente
verdaderas probabilidades son probabilidades
condicionales.

Damos un ejemplo de la identificacin de los
tres elementos: el director de una empresa
imagina que un problema est siendo causado
por el departamento de ventas (E
1
) o por el
departamento de produccin (E
2
).

Antes de consultar con nadie, el director
decide, por su experiencia, que la probabilidad
de que el problema sea de ventas es del 80%
y que la probabilidad de que el problema se
origine en el departamento de produccin es
del 20%; esas son sus probabilidades a priori.

Para mejorar su estimativo, el director
resuelve obtener ms de una opinin.

Consulta entonces a su asesor, el cual
responde que el problema esta en E
1
; el
director cree que su asesor conoce bien el

15
Traduccin, en este libro, de likelihood.
asunto y que tendra un chance de estar
correcto en un 90%. Esta probabilidad es
condicional, porque las probabilidades
condicionales son las probablemente
verdaderas probabilidades del director en
cuanto a la capacidad de su asesor de
identificar correctamente el problema. El
director puede basar su opinin en la
capacidad del asesor, con base en las
informaciones que ste le dio, con respecto a
problemas semejantes:

Pr(asesor responde E
1
si E
1
es verdadero) =
Pr(asesor afirma E
1
E
1
es verdad) = 90%.

Por otra parte, el director siente que, si el
problema viene de E
2
, su asesor podra
responder que es E
1
, apenas con una
probabilidad de 30%:
Pr(asesor afirma que es E
1
cuando E
2
es
verdadero) = Pr( asesor dice que E
1
E
2
es
verdad) = 30%.

Con estas afirmaciones, el director puede
calcular la probabilidad de que sea E
1
cuando
el asesor responde que es E
1
, as como la
probabilidad de que sea E
2
cuando el asesor
tambin responde que es E
1
. Entonces se
calcula la probabilidad de que sea E
1
cuando el
asesor responde que s es

E
1
, ponderndose
las probabilidades a priori por medio de las
probabilidades condicionales de la capacidad
del asesor de identificar correctamente el
problema.

Para revisar la probabilidad a priori de E
1
, la
situacin favorable al director es aquella en la
cual el problema lo representa E
1
y el asesor
dice realmente que es E
1
.

Las situaciones posibles de presentarse son:
el asesor afirma que es E
1
, pero la causa del
problema es E
1
o

E
2
. El hecho de que el asesor
afirme que es E
1
no garantiza que esto sea
verdad, pues tambin puede ser E
2
es decir:
[el asesor afirma que es E
1
y s es E
1
] o [el
asesor afirma que es E
1
y que el problema
esta en E
2
].

Con la notacin de la probabilidad condicional,
la situacin favorable para el director est
dada por:
Pr(es E
1
) x Pr(asesor dice E
1
siendo E
1
) = 0,8
x 0,9 = 72%

Y la posible situacin est dada por:
CONSIDERACIN DETALLADA DE LAS
INFORMACIONES ADICIONALES
CONSIDERACIN DETALLADA DE LAS INFORMACIONES ADICIONALES

36
Pr(es E
1
) x Pr(asesor dice E
1
siendo E
1
) +
Pr(es E
2
) x Pr(asesor dice E
1
siendo E
2
) = (0.8
x 0.9) + (0.2 x 0.3)= 0.72 + 0.06 = 72%

Finalmente,
Pr(es E
1
asesor afirma que es E
1
) =
posibles s situacione
favorable situacin

= [el problema es E
1
y el asesor dice E
1
siendo
E
1
] [el asesor dice que es E
1
y el problema
es E
1
o el asesor afirma que es E
1
y el
problema es E
2
, es decir,

Pr(si E
1
es E
1
) =
% 3 . 92
) Pr( ) Pr( ) Pr( ) Pr(
) Pr( ) Pr(
2 1 2 1 1 1
1 1 1
=
+

E E E E E E
E E E


Y la Pr(es E
2
dice que es E
1
) = 7.7%. Los
eventos E
1
y E
2
son exhaustivos y
mutuamente excluyentes, y las probabilidades
encontradas se llaman probabilidades a
posteriori.

Si el director consulta a un segundo asesor
para una opinin al respecto, las
probabilidades a posteriori de la primera
iteracin se vuelven probabilidades a priori de
la segunda iteracin, y as sucesivamente.

Se puede extender este raciocinio para el
siguiente caso: sean B
1
, B
2
, B
3
B
k
, eventos
mutuamente excluyentes y exhaustivos de
una espacio muestral S y sea E un evento
asociado a S. Con el raciocinio del ejemplo y
aplicando la expresin para las probabilidades
condicionales.

) Pr( ) Pr(
) Pr( ) Pr(
) Pr(
1
j
k
i
j
j j
j
B E B
B E B
E B

=


Esta expresin se conoce como el Teorema de
Bayes, el cual permite calcular probabilidades
que tienen direccin contraria a la
probabilidad a partir de las probabilidades
conocidas. Dicho esto, el teorema de Bayes es
til en el anlisis de las decisiones, el cual
necesita de esta informacin probabilstica en
una forma diferente a la que normalmente se
presenta, donde significa la manera ms fcil
de coleccionar o evaluar datos en las
probabilidades condicionales.
CONSIDERACIN DETALLADA DE LAS INFORMACIONES ADICIONALES

37

La teora moderna define la probabilidad como
un nmero que satisface una serie de
postulados, pero no indica cmo se debe
obtener ese nmero; simplemente establece
las reglas que debemos obedecer al manipular
las probabilidades obtenidas. En
consecuencia, hay dos grandes corrientes al
respecto del problema de la determinacin de
la probabilidad.

La escuela objetivista o frecuencionalista
considera que la probabilidad slo puede
obtenerse por medio de las frecuencias
relativas y, por consiguiente, solamente es
aplicable a las situaciones en las que la
experiencia puede repetirse varias veces, en
las mismas condiciones.

Queda por lo tanto excluida, para los
frecuencionalistas, una gran clase de
problemas en los que no es posible hablar de
frecuencia relativa. Por ejemplo, para los
frecuencionalistas no tiene sentido preguntar
cul es la probabilidad de que el hombre
llegue a Marte en los prximos 5 aos.

La escuela subjetivista o personalista
considera la probabilidad como una medida de
la creencia de una persona racional en una
determinada proposicin. Diferentes
individuos racionales pueden tener grados
diferentes de credulidad, aun al frente de una
misma evidencia y, por consiguiente, las
probabilidades personales para el mismo
evento pueden ser diferentes, porque las
informaciones de las que disponen pueden ser
diferentes.

Un subjetivista aplica el concepto de
probabilidad a todos los problemas
considerados por el frecuencionalista y
muchos ms, como el viaje a Marte, por
ejemplo.

A medida que vamos obteniendo ms
observaciones, podemos ir revisando nuestra
evaluacin de la probabilidad de una situacin
ante nuevas informaciones. As es como, en el
caso de existir frecuencias relativas
disponibles, basadas en un nmero grande de
observaciones semejantes, la evaluacin
subjetiva tiende a igualar la evaluacin
frecuencionalista.

La definicin clsica, cuando admite que todos
los casos posibles son igualmente probables,
puede ser afiliada, en cierto modo, a la
corriente subjetivista. Cuando afirmamos que
encontrar cualquier nmero de ventanillas
desocupadas es igualmente probable, estamos
manifestando nuestra creencia de que esto es
verdad. Para un verdadero frecuencionalista,
deberamos observar el resultado de millares
de observaciones para demostrar que esto es
real.

INTERPRETACIN Y DETERMINACIN
DE PROBABILIDADES
INTERPRETACIN Y DETERMINACIN DE PROBABILIDADES

38

En un experimento, estamos interesados en
determinada caracterstica de los resultados
que pudieran presentarse. As como en la
estadstica descriptiva se usan las escalas
para transformar en nmero las
caractersticas de los elementos de la
muestra, en la realizacin de un experimento
tambin se debe tener un valor numrico para
representar la caracterstica cuya probabilidad
de ocurrencia queremos saber.

Se representa por X ese valor numrico, cuyo
valor depende del resultado del experimento:
como X asocia un resultado a un nmero, X es
una funcin cuyo dominio de definicin es el
conjunto de los resultados y cuya imagen es
el conjunto de los nmeros reales. X est
definido en el espacio muestral asociado a la
experiencia fsica en la cual el resultado de
cualquier prueba es incierto y, por esta razn,
depende del azar. La funcin X es conocida
con el nombre de variable
16
aleatoria
17
Esto
equivale a describir los resultados de un
experimento aleatorio por medio de nmeros
en vez de palabras, posibilitando un
tratamiento matemtico ms fcil.

De esta manera, en el clculo de las
probabilidades se estudian variables aleatorias
y se calculan las probabilidades a ellas
asociadas, y una medida de probabilidad est
asociada al espacio muestral por medio de la
variable aleatoria X; esa medida puede ser un
nmero, un rea o inclusive, un volumen.

DESARROLLO DE UNA FUNCIN DE
PROBABILIDAD

As como en la estadstica descriptiva se
construy una tabla de frecuencias sin prdida
de informacin, en la cual la frecuencia
absoluta (y tambin la relativa) est asociada
a cada valor, se puede hacer lo mismo con el
clculo de las probabilidades, originndose
una tabla que asocia a cada valor de la
variable aleatoria, su probabilidad de

16
Aunque universalmente aceptada, la expresin
no es la adecuada, porque X no es una variable
sino una funcin;dicho esto, el resultado es
aleatorio pero no el (los) valor(es) de esa
funcin. Se ve que no es ni variable, ni aleatoria.
17
Variable aleatoria es una funcin real definida
sobre un espacio muestral, cuyo dominio es el
conjunto de los resultados posibles del
experimento aleatorio y cuya imagen es el
conjunto de los nmeros reales.
presentarse, tabla llamada distribucin de la
probabilidad
18
.

Para construir una tabla de probabilidades,
considere el siguiente ejemplo: un equipo
tiene el 80% de probabilidad de ser rechazado
en un examen y, en un experimento, tres
equipos son examinados. Suponiendo que el
examen de cada equipo es independiente del
otro, establecer la distribucin de la
probabilidad del nmero X de equipos
rechazados. Asociando a cada resultado un
determinado nmero, observe la tabla 3.3, en
la cual R indica el equipo rechazado y A el
equipo aprobado.

Resultado elementario X
RRR
RRA
RAR
ARR
RAA
ARA
AAR
AAA
3
2
2
2
1
1
1
0

Tabla 3.3
Resultado del los exmenes de tres equipos.

El nmero 3 est asociado al resultado RRR.
Como existe una probabilidad del 80% de que
el equipo sea rechazado en cada examen
(considerados independientes), entonces 0.8 x
0.8 x 0.8 = 51.2 % es la probabilidad de que
haya tres rechazos. Calculando de esta
manera, cada uno de los 8 resultados
elementales tiene las probabilidades de
presentarse mostradas en la tabla 3.4.

Resultado
elementario
X Probabilidades
RRR
RRA
RAR
ARR
RAA
ARA
AAR
AAA
3
2
2
2
1
1
1
0
0.8 x 0.8 x 0.8 = 0.522 = 51.2 %
0.8 x 0.8 x 0.2 = 0.128 = 12.8 %
0.8 x 0.2 x 0.8 = 0.128 = 12.8 %
0.2 x 0.8 x 0.8 = 0.128 = 12.8 %
0.8 x 0.2 x 0.2 = 0.032 = 3.2 %
0.2 x 0.8 x 0.2 = 0.032 = 3.2 %
0.2 x 0.2 x 0.8 = 0.032 = 3.2 %
0.2 x 0.2 x 0.2 = 0.008 = 0.8 %
Tabla 3.4
Posibilidades de los nmeros de los exmenes.

A partir de estos resultados se determina la
distribucin de probabilidades de la variable
aleatoria X, un nmero de equipos rechazados
en el examen (Tabla 3.5). (Obsrvese que X =
1 equivale a tener rechazado un equipo),

18
Distribucin de la probabilidad: Conjunto de
todas las probabilidades de un experimento
aleatorio y sus probabilidades de presentarse.
EXPRESIN NUMRICA DE LOS RESULTADOS
EXPRESIN NUMRICA DE LOS RESULTADOS

39
evento compuesto de tres eventos
elementales mutuamente excluyentes ([RAA,
ARA y AAR])

X Probabilidades
0 0.8 % = 0.008
1 9.6 % = 0.096 = 0.032 + 0.032 + 0.032 =
0.096
2 38.4 % = 0.384 = 0.128 + 0.128 + 0.128
3 51.2 % = 0.512
Total 100 % = 1

Tabla 3.5

Despus de haberse visto los resultados, los
valores numricos de la variable aleatoria son
denotados por las letras minsculas x
1
, x
2

x
n
, de esta manera, para una variable
aleatoria X, que tome los valores x
1
, x
2
,
etctera, una funcin de probabilidad Pr(x
i
)
tiene las siguientes propiedades:

a) P(x
i
) 0 para todo i, donde P(x
i
) = P(X =
x
i
), i = 1, 2, n
b) para todo
i
P(x
i
) = 1

Si la distribucin de las probabilidades de una
variable aleatoria es conocida explcitamente,
entonces el resumen estadstico (por ejemplo,
la media y la desviacin tpica) tambin ser
conocido.

En la estadstica descriptiva, tambin fue
construida una tabla de frecuencias con
prdida de informacin, en la cual una
frecuencia absoluta (y tambin una relativa)
est asociada a cada clase. Al hacerse lo
mismo en relacin con un intervalo de valores
y sus probabilidades, se origina una tabla que
asocia a cada intervalo su probabilidad de
ocurrencia. Como ahora el nmero de
intervalos depende de la amplitud de cada uno
de ellos, la tabla ya no es nica, a diferencia
de la distribucin de la probabilidad, en la cual
cada valor estaba perfectamente identificado.
Aunque se sepa que los valores originales son
finitos, al colocarlos en un intervalo se
considera que dicho intervalo tiene infinitos
valores. Para estas variables aleatorias,
teniendo en cuenta que el total de los valores
que la variable aleatoria puede asumir es
infinito, la distribucin de la probabilidad se
expresa generalmente como una funcin
matemtica, empleada para determinar la
probabilidad de que la variable aleatoria se
encuentre entre ciertos lmites.



COMPRENDIENDO UN CONCEPTO
IMPORTANTE

Considere la tabla y figura 3.6.

Clase Frecuencia absoluta
70 90 2
90 110 3
110 130 6
130 150 14
150 170 22
170 190 17
190 210 10
210 230 4
230 250 2
Total 80

Tabla 3.6
Tabla de frecuencias con amplitud de clase igual a 20

0
5
10
15
20
25
70 - 90 90 - 110 110 - 130 130 - 150 150 - 170 170 - 190 190 - 210 210 - 230 230 - 250
Clases
F
r
e
c
u
e
n
c
i
a
s

a
b
s
o
l
u
t
a
s

Figura 3.6
Histograma de la tabla 3.6, con amplitud de clase igual
a 20.

Como en la construccin de la tabla de
frecuencias, el nmero de clases es escogido
por quien lo hace, podra ser tambin la tabla
3.7, en la cual la amplitud de clase es de 10,
en vez de 20, con el correspondiente
histograma de la figura 3.7.

Clase Frecuencia absoluta
70-80 1
80-90 1
90-100 1
100-110 2
110-120 3
120-130 3
130-140 6
140-150 8
150-160 12
160-170 10
170-180 10
180-190 7
190-200 6
200-210 4
210-220 1
EXPRESIN NUMRICA DE LOS RESULTADOS

40
220-230
3
230-240 1
240-250 1
Total 80

Tabla 3.7
Tabla de frecuencias con amplitud de clase igual a 10.

0
5
10
15
70-80 80-90 90-100 100-110 110-120 120-130 130-140 140-150 150-160 160-170 170-180 180-190 190-200 200-210 210-220 220-230 230-240 240-250
Clases
F
r
e
c
u
e
n
c
i
a
s

a
b
s
o
l
u
t
a
s

Figura 3.7
Histograma de la tabla 3.7 con amplitud de clase igual
a 10.

Si la amplitud del intervalo de clase fuera de
40, se obtendra la tabla y figura 3.8

Clase Frecuencia absoluta
70-110 5
110-150 20
150-190 39
190-230 14
230-270 2
Total 80

Tabla 3.8
Tabla de frecuencias con amplitud de clase igual a 40.

0
5
10
15
20
25
30
35
40
45
70-110 110-150 150-190 190-230 230-270
Clases
F
r
e
c
u
e
n
c
i
a
s

a
b
s
o
l
u
t
a
s

Figura 3.8
Histograma de la tabla 3.8 con amplitud de clase igual
a 40.

Se puede observar que, aunque provenientes
de los mismos datos originales, los
histogramas muestran diferentes maneras de
presentacin de las observaciones porque,
dependiendo de la amplitud del intervalo de
clase, los intervalos de clase son diferentes.
Aun si la escala del eje vertical fuese la de las
frecuencias relativas, el aspecto del
histograma sera el mismo, pues apenas
habra un cambio de escala.

Para evitar que la presentacin de las
frecuencias relativas conduzcan a una
distorsin en cuanto a la lectura de stas
como alturas del rectngulo del histograma,
ya que son dependientes de la amplitud del
intervalo de clase, se modifica el histograma
en tal forma que, en vez de que el eje vertical
indique la frecuencia relativa de determinado
intervalo de clase (y, en ltimo anlisis, su
probabilidad de ocurrencia), esa probabilidad
pase a ser el rea del rectngulo del
histograma referente a ese intervalo,
conforme la siguiente figura, 3.9.

Amplitud de clase
rea
Frecuencia
Relativa


Figura 3.9
La frecuencia relativa como rea del histograma

Con este raciocinio para todas las clases, el
rea total del histograma ser igual a 1 (lo
cual equivale a que la probabilidad del espacio
muestral sea 1 y cualquier rea entre dos
puntos cualesquiera es el rea de los
rectngulos entre los puntos que los limitan.
Para que el rea del histograma represente
una frecuencia relativa, se debe, entonces,
determinar la altura del rectngulo cuya base
sea la amplitud de la clase.

Se ve, entonces, que:
rea del rectngulo = base x altura
Frecuencia relativa = amplitud de clase x
altura

EXPRESIN NUMRICA DE LOS RESULTADOS

41
De all que:
Altura =
clase de Amplitud
relativa Frecuencia


Por este motivo, en el eje vertical se marca no
la frecuencia relativa, sino el valor de la
frecuencia relativa dividida por la amplitud del
intervalo de clase, llamado densidad de la
frecuencia relativa.

Para demostrar, en el caso general, que el
rea total (suma de todas las frecuencias
relativas) es siempre 1, primero se obtiene
para cada clase.

Frecuencia relativa = (densidad de la
frecuencias relativa) x (amplitud de clase)
= (altura de esa clase en el histograma) x
(amplitud de clase)
= rea del rectngulo del histograma para esa
clase.

Sumando los rectngulos relativos a todas las
clases:
(frecuencias relativas) = rea total del
histograma

Como la suma de las frecuencias relativas es
1, se demostr que el rea total del
histograma es igual a 1.

Cuando la amplitud del intervalo de clase,
llamada x, va disminuyendo hasta volverse
infinitesimal, la parte superior del histograma
tiende a convertirse en una curva continua y
la altura del histograma tiende al valor y =
f(x) no es una curva. Siendo esto as, debe
tenerse cuidado y darse cuenta de que f(x)
NO ES probabilidad
19
En este caso de las
variables aleatorias continuas, se tiene una
funcin de de densidad de probabilidad, que
es una funcin matemtica f(x), con una
ecuacin que la identifica y un grfico que la
representa, y la cual, integrada entre dos
lmites, da el rea bajo la curva comprendida
entre esos lmites, rea sta que tiene el
mismo valor de la probabilidad que la variable
aleatoria oscila entre esos lmites.

19
Hay que considerar a f(x), la funcin de
probabilidad, como una probabilidad.


Haciendo abstraccin de las limitaciones
prcticas referentes a la precisin en la
medicin de los datos, tenemos una variable
que puede tomar una infinidad de valores en
determinado intervalo. Si esto es as, la
probabilidad correspondiente a cada valor
posible, individualmente considerado, toma el
valor cero. En consecuencia, en el caso de
estas variables, solamente tendrn inters las
probabilidades de que la variable aleatoria
tome valores en determinados intervalos.
Haciendo una analoga con la fsica, es como
la distribucin de la masa de una barra de
hierro, en la cual cada punto tiene una masa
tericamente inexistente. Lo que puede
obtenerse es la masa de un determinado trozo
de barra.

Siendo esto as, para una variable aleatoria X
que puede tomar cualesquier valores, una
funcin de densidad de probabilidades, f(x),
tiene las siguientes propiedades:

a) f(x) 0 para toda x
b)


= 1 ) ( dx x f
c) P(a = x = b) =

b
a
dx x f ) (
Donde a y b son dos variables cualesquiera de
x con la restriccin de que a < b.

La primera propiedad se debe al hecho de que
no hay probabilidades negativas. La segunda
indica que la suma de todas las probabilidades
referidas a la funcin de probabilidad de una
variable aleatoria, es iguala 1. La tercera
propiedad, que puede considerarse como
consecuencia de la segunda, dice que la
probabilidad que la variable aleatoria oscile
entre dos puntos es igual al rea comprendida
bajo la curva que representa a esa funcin y
EXPRESIN NUMRICA DE LOS RESULTADOS

42
esos dos puntos. Interpretada
geomtricamente, esa propiedad establece
que la probabilidad correspondiente a un
intervalo estar dada por el rea comprendida
en ese intervalo bajo el grfico de la funcin
20
.

CLASIFICACIN DE LAS
DISTRIBUCIONES EN DISCRETAS Y
CONTINUAS

Se dice que una variable aleatoria es discreta
si todos sus valores pueden ser contados o
listados, perteneciendo a un conjunto finito o
infinito numerable. Una variable aleatoria es
continua si sus valores no pueden ser
contados o listados, y puede tomar un nmero
infinito de valores en un intervalo finito o
infinito. Decimos, en esencia, que X es una
variable aleatoria continua si X puede tomar
todos los valores posibles en un determinado
intervalo (a, b), donde a y b pueden ser - y
+.

DESCUBRIENDO LA FUNCIN
MATEMTICA DE LA FUNCIN DE
DENSIDAD DE PROBABILIDAD

Obsrvese que, en cuanto al rea de los
rectngulos del histograma permanezca
constante, independientemente de la amplitud
del intervalo de clase, no sucede lo mismo con
las lneas superiores de esos rectngulos. Esta
envolvente caracterizara la forma de la
funcin f(x), para el mismo problema original,
que debe ser modelado por una nica funcin
de densidad de probabilidad. Pero esa
variacin no se presenta con la funcin de
distribucin acumulativa, es decir, el rea
desde el primer valor de la variable aleatoria
hasta determinado punto de la misma,
independientemente de los intervalos de las
divisiones de las clases anteriores, que es lo
que identifica a una nica distribucin
acumulativa.

Como la funcin de distribucin acumulativa
para las variables aleatorias es semejante a la
frecuencia acumulativa debajo de, vista en la
estadstica descriptiva, se puede comprobar
que, aunque las tablas 3.6, 7 y 8 tengan
diferentes amplitudes de los intervalos de
clase, las frecuencias acumulativas para cada
una de ellas son iguales para un determinado
valor; por ejemplo, la frecuencia absoluta

20
Mito; la funcin de probabilidad y,
principalmente, la funcin de densidad de
probabilidad, son entes que surgen de la
imaginacin, porque todos los problemas
comienzan con la frase supngase que
acumulada desde 70 hasta 150 es siempre
igual a 25, independientemente de si el
clculo se efecta en una u otra de las tablas.

La funcin de distribucin acumulativa (fdc),
tambin llamada funcin de distribucin, es la
probabilidad de la variable aleatoria X de
alcanzar valores menores o iguales a x, o sea:

F(x) = Pr(X x)

Para una variable aleatoria discreta, la funcin
de distribucin de probabilidad, F(x), es la
siguiente:

F(x) = Pr(X x) = p(x
i
) para x
i
x.

Cuando X toma los valores de x
1
, x
2
y as
sucesivamente
21
.

Para una variable aleatoria continua, la
funcin de distribucin de probabilidad F(x),
es la siguiente:
F(x) = Pr(X x) =


dt t f ) ( , la cual tiene las
siguientes propiedades:
a) F(x) es una funcin no decreciente
b)
+ x
Lim F(x) = 1
c)
x
Lim F(x) = 0

Como la funcin acumulativa es la integral de
la funcin de densidad de probabilidad hasta
x, se tiene que, al tomarse la derivada de la
funcin de distribucin acumulativa, se llega,
finalmente, a la funcin de densidad de
probabilidad, es decir:

F(x) =
dx
d
F(x)

21
Teniendo en cuenta que la probabilidad de una
variable aleatoria continua es cero en cualquier
punto, hay innumerables funciones de densidad
de probabilidad.
EXPRESIN NUMRICA DE LOS RESULTADOS

43

As como en la estadstica descriptiva, los
datos brutos eran caracterizados por su media
aritmtica y su desviacin tpica, lo mismo
sucede con las distribuciones de probabilidad,
donde las medidas ms importantes son
tambin la media aritmtica y la desviacin
tpica.

EL CONCEPTO SEMEJANTE A LA MEDIA
ARITMTICA: EL VALOR ESPERADO

Como una distribucin probabilstica es
semejante a una distribucin de frecuencias
sin prdida de informacin, el clculo de su
valor esperado es semejante al clculo de la
media aritmtica ponderada. En el caso
discreto, sta es la siguiente:

= = = = =
=
= + =
+ +
= =
n
i
i
n n
n
i
i
n
i
i
n
i
i
n n
n
i
i
n
i
i i
f
f x
f
f x
f
f x
f
f x f x f x
f
x f
x
1 1
2 2
1
1 1
1
2 2 1 1
1
1

Como

=
n
i
i
f
f
1
1
puede ser relacionada con P
i
la
expresin puede ser escrita como

=
n
i
i i
P x
1
la cual es denotada por E(X), que es
el valor esperado de la variable aleatoria X.

En resumen, el valor esperado, o esperanza
matemtica, o medir , de una distribucin de
probabilidad de la variable aleatoria X, est
dado por:

a. = E(X) = siX x x
i
todo p
i i
) ( si X es discreta
b. = E(X) =


siX dx x f ) ( si X es
continua, donde
X = variable aleatoria que interesa, P(x) es la
distribucin de probabilidad de tipo discreto, y
f(x) es la funcin de densidad de probabilidad.

Ejercicio- ejemplo 3.4.

Usualmente somos abordados por vendedores
de suscripciones de revistas que nos ofrecen
un ejemplar gratis como motivacin para que
nos suscribamos. La editorial tiene una idea
del nmero de personas que se suscriben a la
revista despus de recibir el nmero gratis y
consigue crear una funcin de distribucin
probabilstica de X, que es el porcentaje de
nuevas suscripciones. De cada 100
suscripciones, el 60% proviene de los
aeropuertos, el 30% de los congresos y el
10% de las estaciones del metro. Como en
cada uno de estos sitios el nmero de
personas vara, se anot la efectividad del
sistema, es decir, la relacin entre el nmero
de nuevas suscripciones y el nmero de
personas abordadas que aceptaron el
ejemplar; en este ejercicio-ejemplo, fueron el
40%, 70% y 20% respectivamente. El costo
de donar una revista a una persona es de R$
1.57, mientras que la utilidad de cada
suscripcin es de R$ 3.42. Determine el valor
esperado de la utilidad lquida por suscripcin
en la aplicacin de este sistema de ventas.

El Teorema de Bernoulli y las loteras. Es
prcticamente cierto esperar que la frecuencia
relativa de un evento E en una serie de
repeticiones independientes con probabilidad
constante p, sea muy poco diferente de esa
probabilidad, cuando se considera un nmero
de repeticiones suficientemente grande.

De esta manera, cuando la probabilidad de
que se presente un evento es muy cercana a
1, se estimula el estudio de las apuestas en
las loteras. Quien intent ganarse un premio
de la Lotera Federal comprando un billete de
los 100 000 puestos a la venta, sabe, por
experiencia propia, que es virtualmente
imposible ganar. Pero la certidumbre de esa
imposibilidad sera an mayor, si alguien
intentase ganar comprando un billete cuando
son 200 000 los billetes puestos en venta.

Gran suerte. Grupo de empleados gana
lotera US$ 296 millones. El chance de acertar
de esa manera era de 1 en 80 millones. El
grado de dificultad es mejor entendido si se
compara con la probabilidad de morirse
cayendo en la cama, que es de una en dos
millones.

Dios me ayud. Gan 24 000 veces la lotera
(el ex diputado, al declarar en la CPI del
presupuesto en 1993)

Uno de los casos en los que las condiciones
del teorema Bernoulli son satisfechas es el de
los juegos del azar, trmino aplicado para
DETERMINACIN DE UNA MEDIDA DE TENDENCIA CENTRAL
Y UNA DISPERSIN EN EL CLCULO DE LAS PROBABILIDADES
DETERMINACIN DE UNA MEDIDA DE TENDENCIA CENTRAL

44
cualquier situacin en la cual puede existir
lucro o perjuicio para una de las partes,
dependiendo de que sean conocidas las
probabilidades de ganancia o prdida.

En una lotera, el jugador puede ganar cierta
cantidad de dinero A con una probabilidad p, o
puede perder otra cantidad B con una
probabilidad 1 p. Observe que, al comprar
un billete de lotera o jugar, se est perdiendo
la cantidad de dinero B.

Si el juego se repite numerosas veces en las
mismas condiciones, una pregunta que surge
es la referente a la probabilidad de que una
persona gane o pierda una cantidad de dinero
por encima de un determinado valor. El valor
esperado de la ganancia de esa persona es
E(G) = pA (1 p)B.

El juego es favorable al jugador solamente si
el valor esperado de su ganancia (su
esperanza matemtica) es positivo y es
desfavorable si es negativo; en el caso de que
sea cero, ninguna de las partes tiene ventajas
y el juego es llamado justo; usualmente, los
juegos de saln son justos. Por el contrario,
los juegos con finalidad comercial se hacen
expresamente para ser lucrativos para las
organizaciones; es decir, la esperanza
matemtica de la administracin de un juego
con fines lucrativos es positivo en cada lance
del juego y, como es obvio, la expectativa de
cualquier jugador es negativa. Esto confirma
la observacin comn de que aquellos
jugadores que persisten en jugar un nmero
de veces se arruinan. Al mismo tiempo, la
teora concuerda con el hecho de que las
grandes utilidades son obtenidas por los
administradores o propietarios de los casinos.

Un buen ejemplo es la raspadura, o raspa-
raspa, un negocio muy lucrativo operado por
varias empresas y por los gobiernos. El
apostador compra un cartn donde hay reas
que puedan ser descubiertas; dependiendo de
la combinacin de los tems encontrados, se
gana determinado premio.

Ejercicio-ejemplo 3.5

Encuentre el valor esperado de un juego de
raspadura que cuesta US$ 1.00 con una
emisin de cinco series de 1 000 000 de
billetes cada una, si se prev la distribucin de
975 630 billetes premiados, como se detalla a
continuacin.

a) 5 automviles con valor de US$ 15 000.00
cada uno.
b) 125 bicicletas de 18 cambios con valor de
US$ 150.00 cada una.
c) 1 500 premios de US$ 100.00.
d) 9 000 premios de US$ 20.00.
e) 65 000 premios de US$ 10.00.
f) 100 000 premios de US$ 10.00.
g) 350 000 premios de US$ 2.00.
h) 450 000 billetes gratis para otra
raspadura.

Por otra parte, la esperanza del administrador
es siempre positiva y, a causa del gran
nmero de personas que compran la lotera, el
nmero de apuestas hechas es enorme,
asegurndole un considerable lucro estable.

En verdad, las oportunidades de ganar en la
Megasea son siempre iguales, sea que usted
juegue o no

Este es un ejemplo que se refiere a las
apuestas comunes en el Brasil, pero el mismo
principio es vlido para las instituciones que
tienen un gran valor para el pblico, como las
compaas de seguros; stas garantizan su
lucro, reservndose ciertas ventajas para
ellas.

USO DE LAS CALCULADORAS Y DEL EXCEL
PARA ENCONTRAR EL VALOR ESPERADO

Con la calculadora HP 48G

El procedimiento emplea dos listas: una que
contiene los dos valores y la otra que contiene
las probabilidades de esos valores.

La probabilidad de la celda 1 de la segunda
lista es la correspondiente al valor de la celda
1 de la primera lista, etctera. Las dos listas
deben contener la misma cantidad de datos;
en caso contrario, aparece un mensaje de
error:

Paso 1: Inscriba los datos de las dos
columnas en DAT, la primera con los
valores y la segunda con las
probabilidades, respectivamente.
Paso 2: Oprima la tecla verde [5]; se abre
una pantalla con las opciones.
Paso 3: Escoja Summary Stats teclee
[F].
Paso 4: Marque XY y oprima la tecla
blanca [F] (OK); aparece el resultado de la
sumatoria de los productos.
Paso 5: Digite el total de los nmeros;
teclee [] y aparece el valor esperado.

DETERMINACIN DE UNA MEDIDA DE TENDENCIA CENTRAL

45
Con la calculadora Casio CFX
9850G/9950G

El proceso emplea dos listas: una que
contiene los valores y la otra que contiene las
probabilidades de cada valor. Las
probabilidades de la celda 1 en la segunda
lista es la relacionada con el valor de la celda
1 de la primera lista, etctera. Las dos listas
deben contener el mismo nmero de datos;
en caso contrario, aparece un mensaje de
error.

Paso 1: Inserte los datos en las dos listas;
la primera con los valores y la segunda
con las probabilidades de los valores,
respectivamente.
Paso 2: Teclee [MENU] para ir a la
pantalla principal.
Paso 3: Coloque el cursor en la opcin
RUN y teclee [EXE].
Paso 4: Apriete, en orden las teclas
[OPTN], [F1], [LIST], [F6] (flecha hacia la
derecha)[F3] ( Mean) [F6], (flecha hacia la
derecha), [F1] (list) [1] (si fuera 1) [2] (si
fuera la lista 2)[)] (cierra parntesis) y
[EXE]; aparece en la pantalla el valor
esperado de los valores de la lista 1 que
tiene las probabilidades de la lista 2.

Con la calculadora Texas TI 83

Paso 1: Cree las dos listas, la primera
(lista 1) con los valores, y la segunda
(lista 2) con las probabilidades.
Paso 2: Teclee [2
nd
] [STAT] (LIST); escoja
MATH y digite [3], apareciendo mean.
Paso 3: Teclee [2
nd
] [1] [,] [2
nd
] [2]
[ENTER].

Con el Excel.

Para el clculo del valor esperado, se emplea
copiar funcin con los siguientes pasos:

Paso 1: Digite en una columna los valores
para los cuales busca el valor esperado,
por ejemplo en la columna A, desde A1
hasta A5, y en la columna B las
respectivas probabilidades, desde B1
hasta B5, como se muestra a
continuacin:

Paso 2: Escoja una celda en la que se
desea que aparezca el valor esperado,
volvindola activa.
Paso 3: Haga clic dos veces en la celda
activa y digite:
=SUMARPRODUCTO(A1:A5;B1:B5)/SOMA(
B1:B5), como se muestra en la siguiente
figura:



Paso 4: Teclee ENTER y el resultado
aparece en la celda activada, como se
muestra en la siguiente figura:



Esos nmeros pueden impresionarte pero
no tanto como los que acosan a los
ciudadanos en Sao Paulo. Durante un ao, 1.2
oportunidades en 1 000 de chocar su carro en
un da sin lluvia, 1.7 oportunidades de ser
asaltado y, si muere, 1.8 oportunidades en
100 de que se atropellado. Si nada de esto le
acontece a este ciudadano, sobra la
certidumbre estadstica de que alguien tenga
un ao peor al que l habr tenido

EL CONCEPTO VARIANZA

Como se ha visto, este parmetro caracteriza
la variabilidad de las variables aleatorias. La
varianza se calcula, en el caso discreto, con
un razonamiento semejante al clculo del
valor esperado E(X).

La varianza de X, VAR(X) =

=

=
= = =
=
=
+
=

n
i
i
n
i
n
i
n
i
i i i i i
n
i
i
n
i
i
f
f f x f x
f
x
1
1 1 1
2 2
1
1
2 ) (

DETERMINACIN DE UNA MEDIDA DE TENDENCIA CENTRAL

46
=

= = =
=
=
=
=
=
=
+ = +
n
i
i
n
i
i i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i i
n
i
i
n
i
i i
P f x P x
f
f
f
f x
f
f x
1 1 1
2
1
1
2
1
1
1
1
1
2
2



= E(x
2
) -
2
= E(x
2
) [E(x)]
2


VOLVIENDO A ENCONTRAR LA
DESVIACIN TPICA

La raz cuadrada de la varianza, denotada por
DP(X) o, simplemente,
x
, contina teniendo
la ventaja de ser expresada en la misma
unidad de medida de la variable aleatoria, en
manera semejante a la vista en la estadstica
descriptiva.
DETERMINACIN DE UNA MEDIDA DE TENDENCIA CENTRAL

47

Es aquel valor que se espera suma
matemticamente una variable aleatoria:

Operador matemtico: E [.]

E(X)
Discreta
Cont inua

x f(x)
A
x
{
s
+
-
x f(x)d(x)


Discreta:

Experimento aleatorio de acertar al azar todas
las 3 posibilidades de una prueba de tipo falso
o verdadero.

X: Variable aleatoria discreta que cuenta el
nmero de aciertos.
X = 0, 1, 2, 3

E(X) =

=
3
0
) (
x
x xf
= 0f(0) + 1f(1) + 2f(2) + 3f(3)

x 0 1 2 3
f(x)
8
1

8
3

8
3

8
1


0(
8
1
) + 1(
8
3
) + 2(
8
3
) + 3(
8
1
)

Como es un promedio, jams asumir este
valor realmente, tericamente 1.5, en la
prctica no acontece, nicamente seala el
desempeo promedio.

Continua:

h(y) = 2y 0 < y < 1
= 0 otros y

E(Y) = |
3
2
3
2
) 2 (
1
0
1
0
3
= =

y dy y y
Valor esperado de Y =
3
2


PROPIEDADES DEL VALOR ESPERADO

Las demostraciones que siguen son para
variable continua. Se deja como ejercicio,
efectuarlas para variable discreta.

1. El valor esperado de una constante es la
misma constante.

= = = = K K dx x f K dx x Kf k E 1 ) ( ) ( ) (

2. El valor esperado de la suma de una
variable aleatoria ms una constante es la
suma del valor esperado de la variable
ms la constante.

Sea x: variable aleatoria, y
K: constante.
E[X + K] =

+
|
) ( ) ( dx x f K x
=

+

+ dx x Kf dx xfx ) ( )
= E[x] + K
3. El valor esperado del producto de una
variable aleatoria por una constante es el
producto de la constante por el valor
esperado

Sea X: variable aleatoria, y
K: una constante.
E[KX] =

+

dx x f Kx ) ( ) (
= K

dx x xf ) ( = E[x]K = KE[X]
4. El valor esperado de la suma de dos
fracciones de una variable aleatoria sean
r(x) y s(x) es la suma de los valores
esperados de las funciones.

Sean r(x) y s(x), dos funciones de X,
entonces,
E[r(x) + s(x)] =

+

+ dx x f x s x r ) ( )] ( ) ( [
=

+

+ dx x f x s x r ) ( )] ( ) ( [ =

+

+

+ dx x f x s dx x f x r ) ( ) ( ) ( ) (
= E[r(X)] + E[s(X)]

VALORES ESPERADOS ESPECIALES

1. Media de la distribucin de probabilidad de
una variable aleatoria.

x
= E[X]
2. Varianza de la distribucin de una variable
aleatoria.
VALOR ESPERADO O ESPERANZA MATEMTICA
VALOR ESPERADO O ESPERANZA MATEMTICA

48
= E[(X E(x))
2
] = E[(X - )
2
] = E[X]
2

(E[X])
2
= E[X
2
] -
2

3. Covarianza de x e y:
Cov(x, y) =
xy

Cov(x, y) = E[(X -
x
)(y -
y
)]

PROPIEDADES DE LA VARIANZA

1. La varianza de una constante es cero.

V(k) = E(k
2
) (E[k])
2
, de donde
V(k) = k
2
k
2
, luego
V(k) = 0
2. La varianza de la suma de una constante
ms una variable aleatoria es igual a la
varianza de la variable.

V(k + X) = E[(X + k)
2
] (E[X + k])
2
, de
donde = E(X
2
+ 2Xk + k
2
) - (E[X + k])
2
,
luego = E[X
2
) +E[ 2Xk] +E[ k
2
) [E(X)
+E( k)]
2
, de donde = E[X
2
) + 2EX + k
2

(E(X))
2
2kE(X) - k
2
, luego = E(X
2
)
(E(X))
2
= V(X) Luego V(k + X) = V(X)

3. La varianza de un producto de una
variable aleatoria por una constante, es el
producto al cuadrado de la constante por
la varianza de la variable aleatoria

V(kx) = E[(kX)
2
] (E[kX])
2
, de donde
= E[(k
2
X
2
] (kE(X))
2
, luego
= k
2
E(X
2
) k
2
(E(X))
2
, de donde
= k2[E(X
2
)] (E(X)
2
), y por lo tanto
v(kX) = k
2
V(X)

La varianza de la suma de dos variables
aleatorias es igual a la suma de las
varianzas de dichas variables ms dos
veces su covarianza.

V(X + Y) = v(X) + v(Y) + 2cov(X,Y)

4. La varianza de la suma de dos variables
aleatorias afectadas por un factor cada
uno.
V(aX + bY) = a
2
V(X) + b
2
V(Y) + 2cov(X,Y)

DESIGUALDAD DE TCHEBYSHEV

La probabilidad que una variable aleatoria x,
asuma valores dentro de k desviaciones
estndar a partir de una media, es por lo
menos 1 -
2
1
k

P( + k < x < + k) 1 -
2
1
k


La desigualdad deTchebyshev es muy
importante, ya que permite determinar lmites
sobre probabilidades de variables aleatorias
discretas o continuas, sin tener que
especificar sus funciones (densidades) de
probabilidades. Sirva para hallar la
probabilidad de que una varianza aleatoria
asuma valores dentro de k desviaciones
estndar de la media. Esa probabilidad no
puede ser menor que 1 -
2
1
k
, pero no se sabe
cunto ms puede ser, pues no se conoce la
probabilidad exacta por desconocimiento de la
distribucin de probabilidad de la variable
aleatoria X.

Demostracin:

2
= E[(x - )
2
] supngase variable aleatoria
continua
=


dx x f x ) ( ) (
2

2
=

+

+ +





k
k
k
k
dx x f x dx x f x dx x f x ) ( ) ( ) ( ) ( ) ( ) (
2 2 2

d = a + b+ c
Si b 0 d a + c; por lo tanto,

2
=

+


+



k
k
dx x f x dx x f x ) ( ) ( ) ( ) (
2 2


Ahora bien,
x - k y x - k, en consecuencia
|x - | (x - ) k
2

2
, reemplazamos
(x - )
2
por k
2

2
y dividiendo ambos lados de
la ecuacin por k
2

+
+


k
k
dx x f
k
k
dx x f
k
k
k
) ( ) (
2 2
2 2
2 2
2 2
2 2
2
, de donde
) ( ) (
1
2
< < + + < < x k P k x P
k

Por propiedades de probabilidad
complementaria

2
1
k
- 1 + P( - k < x < + k), luego
-
2
1
k
- 1 + P(- k < x < + k), de donde
1 -
2
1
k
P( - k < x < + k) y por lo
tanto
P( - k < X < + k) 1 -
2
1
k


COVARIANZA

Sean X y Y variables con medianas x e y,
respectivamente. Entonces, la varianza entre
las dos variables se define como:
VALOR ESPERADO O ESPERANZA MATEMTICA

49
COV(X, Y) = E(x - x)(y - y) } = E(xy) - x .
y

La varianza de una variable es la covarianza
de dicha variable con ella misma. La
covarianza se calcula:

Si X e Y son variables aleatorias discretas:

COV(X, Y) =

=
x y x y
y x y x xyf y x f y y x x . ) , ( ) , ( ) )( (


Si X e Y son variables aleatorias continuas:
COV(X, Y) =



= y x
dy
dx
xy
dy
dx
y x f y y x x ) , ( ) )( (


PROPIEDADES DE LA COVARIANZA

Si X y Y son estadsticamente independientes,
su covarianza es cero, ya que:
COV(x, y) = E(x, y) - xy, de donde
= xy - xy = 0

Puesto que E(x, y) = E(x) E(y) = x y y,
cuando X, Y son estadsticamente
independientes.

2. COV( a + bx, + c + dy) = bd COV(x, y),
Donde a, b, c y d, son independientes

COEFICIENTE DE CORRELACIN

El coeficiente de correlacin poblacional
p(rho)
Se define como:
P
xy
=
{ } y x
y x COV
y VAR x VAR
y x COV

) , (
) ( ) ( `
) , (
=
Donde p es una media de asociacin lineal
entre 2 variables y oscila entre -1 y +1

- indica una perfecta asociacin negativa
entre las variables
+ indica una perfecta asociacin positiva
entre las variables
COV(x, y) =

VARIANZA DE VARIABLES
CORRELACIONADAS

Sean X y Y dos variables aleatorias; entonces:

VAR(x + y) = VAR(x) + VAR(y) + 2COV(x, y)
= VAR(x) + VAR(y) + 2 xy

VAR(x - y) = VAR(x) + VAR(y) - 2COV(x, y)
= VAR(x) + VAR(y) - 2 xy

Sin embargo, si X e Y son estadsticamente
independientes, la COV(x, y) es cero, en cuyo
caso la VAR(x + y) y la VAR(x y) son ambas
iguales a VAR(x) + VAR(y).

GENERALIZACIN:

Sean

=
+ + + =
n
i
n
X X X Xi
1
2 1
... , entonces la
varianza de la combinacin lineal

=
n
i
Xi
1
es:

VAR

= < =
+ = |
.
|

\
|
n
i j i
n
i
Xj Xi COV Xi Xi
1 1
) , ( 2
=

< =
+
j i
n
i
j i ij VARXi
1
2 ,

Donde ij es el coeficiente de la correlacin
entre X
i
y Y
j
y i y j son las desviaciones
estndar de Xi y Yj.

Por ejemplo:
VAR(X
1
+ X
2
+ X
3
) = VAR(X
1
) + VAR(X
2
) +
VAR(X
3
) + 2 COV(X
1
, X
2
)+ 2 COV(X
1
, X
3
) + 2
COV(X
2
, X
3
)
= VAR(X
1
) + VAR(X
2
) + VAR(X
3
) + 2 1212
+ 2 1313 + 2 2323

Donde:
1, 2, 3 son las desviaciones estndar de
X
1
, X
2
, X
3
, respectivamente y donde:
12 es el coeficiente de correlacin entre X
1
y
X
2
.
13 es el coeficiente de correlacin entre X
1
y
X
3
.
23 es el coeficiente de correlacin entre X
2
y
X
3
.

VALOR ESPERADO O ESPERANZA MATEMTICA

50

Habindose conocido los principales conceptos
referentes al clculo de las probabilidades,
veremos ahora distribuciones y funciones de
densidad de probabilidad que, por su
importancia, merecen un estudio especial.
Tales distribuciones parten del enunciado de
ciertas hiptesis bien definidas y de cmo
diferentes situaciones reales se aproximan a
esas premisas; los modelos aqu descritos son
tiles en el estudio de tales situaciones.

EL PRIMERO DE MUCHOS: BINOMIAL

Observando nuestro mundo

Una situacin bien conocida es la del examen
de opcin mltiple. Considere uno de ellos con
solamente una pregunta del tipo falso y
verdadero. La probabilidad de que alguien lo
apruebe, marcando aleatoriamente la
respuesta, es del 50 % si acierta en la
pregunta, la calificacin es de 10. Pero, si el
examen tiene 50 preguntas, tambin del tipo
falso y verdadero, intuitivamente se siente
que es bastante menor la probabilidad de
sacar un 10, aun si cada pregunta tiene la
misma probabilidad porque hay mayor
nmero de preguntas. Se desea la
probabilidad de que una persona acierte al
azar un determinado nmero de preguntas

Condiciones de aplicacin

La situacin en las cuales se puede aplicar
este modelo debe tener en cuenta que:

a) Se hacen n repeticiones del experimento,
donde n es una constante.
b) Slo hay dos resultados posibles en cada
repeticin, arbitrariamente llamados xito
y fracaso sin la obligacin de que un xito
sea un resultado deseable.
c) La probabilidad de un xito (y tambin de
un fracaso) permanece constante en cada
repeticin; al xito se le asigna una
probabilidad p y al fracaso una
probabilidad de 1 p.
d) Las repeticiones son independientes.

En el ejemplo de exmenes de opcin mltiple
del tipo falso y verdadero, las condiciones se
cumplen porque:

a) Hay 1 50 preguntas, con la misma
estructura del examen.
b) Son apenas dos los resultados posibles de
cada repeticin; el xito consiste en
marcar la respuesta correcta y el fracaso
consiste en marcar la respuesta
incorrecta.
c) Como la respuesta correcta es marcar al
azar, al xito se le da una probabilidad de
p = 0.5 = 50%, y al fracaso, la
probabilidad de (1 p) = 0.5 = 50%;
dichas probabilidades permanecen
constantes pregunta a pregunta.
d) La respuesta a una pregunta no est
influenciada por las respuestas de las
dems preguntas y, en consecuencia, son
consideradas independientes.

Frmula de rpido uso para quien est de
afn

Suponga que se realiza una serie de intentos
independientes, donde cada intento puede dar
slo dos resultados posibles. La probabilidad p
de xito en cada intento es considerada
constante. Suponiendo que X es el nmero de
xitos en n intentos, la probabilidad de
obtener x xitos en las n repeticiones
idnticas, est dada por la expresin:

Pr(X = x) =
x n x x
n
p p C

) 1 ( para x = 0, 1, 2,
, n

Esta distribucin se llama distribucin
binomial.

Empleo paso a paso:

Mtodo clsico.
Conociendo el nmero n de repeticiones, de la
probabilidad de xito y del nmero deseado
de xitos en las n repeticiones, se calcula la
probabilidad aplicando la frmula.
Ejercicio-ejemplo 3. 6

En un examen de opcin mltiple con 50
preguntas, cada pregunta presenta 5
opciones. Encontrar la probabilidad de que un
alumno, marcndolas al azar, acierte 30
preguntas.

En el caso de que se desee encontrar la
probabilidad de eventos compuestos de otros
eventos mutuamente excluyentes, se suman
las probabilidades.

Ejercicio-ejemplo 3. 7

En un examen de opcin mltiple con 50
preguntas, cada pregunta presenta 5
opciones. Encontrar la probabilidad de que un
MODELOS MATEMTICOS
MODELOS MATEMTICOS

51
alumno, marcndolas al azar obtenga una
calificacin mayor o igual a 5 en la escala de 0
a 10, es decir, acierte 25 o ms preguntas.

Uso de la calculadora HP 46G

La HP slo da el valor de las combinaciones de
n elementos tomados de x en x, los pasos son
los siguientes:

Paso 1: Digite el valor de n, teclee
[Enter], digite el valor de x y teclee [Enter].
Paso 2: Oprima las teclas [MTH]
(primera de la segunda fila de las teclas) y
[NXT].
Paso 3: Oprima la tecla blanca [A]
(PROB) y [A] de nuevo(COMB); aparecer el
resultado.

Con la calculadora Casio CFX
9859G/9950G

La Casio, slo da el valor de las
combinaciones de n elementos tomados de x
en x, los pasos son los siguientes:

Paso 1: Digite el valor de n.
Paso 2: Teclee [OPTN], [F6],
[F3](PROB), [F2] (
n
C
r
), digite el valor de x y
teclee [EXE].

Con la calculadora Texas TI 83

a) Para calcular la probabilidad de x
xitos en n repeticiones:
Paso 1: Teclee [2
da
] [DISTR];
escoga DISTR y aparecer o:binompdf(:.
Digite el nmero de
repeticiones, [,], la probabilidad de p de xito
de cada intento, [,] y el valor de x:.

b) Para calcular la probabilidad desde 0
hasta x xitos en n repeticiones:
Paso 1: Teclee [2
da
] [DISTR];
escoga DISTR y aparecer o:binompdf(:
Digite el nmero de
repeticiones, [,], la probabilidad de p de xito
de cada intento, [,] y el valor de x:.

Con el Excel

Por ejemplo, sea un examen con tres
preguntas del tipo falso-verdadero y sea la
variable aleatoria X el nmero de respuestas
equivocadas. La probabilidad de que un
alumno acierte, al azar, una opcin de
respuesta en una pregunta es, entonces, 0.5.

En el Excel, la funcin DISTRBINOM, como se
muestra en la siguiente figura ayuda a la
respuesta del problema.


DISTRBINOM da la probabilidad de x xitos de
la distribucin binomial, o la suma acumulada
de probabilidades desde x = 0 hasta un valor
estipulado, la sintaxis es la siguiente:



DISTRBINOM(num-s; intentos; probabilida-s;
acumulativo).
nm-s es el nmero de xitos que se
desea,
intentos es el nmero de repeticiones,
probabilidad-s es la probabilidad de xito
en cada repeticin,
acumulativo es un valor lgico: si es
VERDADERO, entonces DISTRBINOM da el
valor de la probabilidad de que existan
mximo x xitos, es decir, da:

x
i
x n x x
n
p p C
0
) 1 (
MODELOS MATEMTICOS

52
Si FALSO, calcula la probabilidad de
exactamente x xitos, es decir,

x n x x
n
p p C

) 1 (

a) Para calcular la probabilidad de dos
aciertos en el ejercicio anterior, por
ejemplo, Nm-s = 2, Intentos = 3,
Probabilidades = 0.5 y Acumulado =
FALSO.
b) Para calcular la probabilidad de, mximo,
2 aciertos, se cambia el acumulado por
VERDADERO.

Ejercicio-ejemplo 3.8

Un examen que tiene 50 preguntas. Calcule la
probabilidad de que un alumno marcando al
azar las respuestas, obtenga una calificacin
mayor o igual a 6, en los siguientes casos:

a) tiene 4 opciones
b) tiene 5 opciones

El propsito es el de impedir que un alumno
totalmente ignorante de la materia obtenga
una calificacin mayor que 6 cuando marca al
azar.

Aun con 4 opciones, la probabilidad de
obtener una calificacin mayor o igual a 6 es
prcticamente cero. Siendo as, no sera
necesario colocar tampoco 4 opciones.

CONOCIENDO EL NOMBRE Y EL ORIGEN
DEL MODELO MATEMTICO

Para encontrar la expresin matemtica de la
funcin que permite la probabilidad de que x
xitos en n repeticiones, se deduce de
inmediato que, si hay x xitos, hay (n x)
fracasos, supngase que un xito se
representa por la letra S y un fracaso por la
letra I. un resultado posible es un trmino con
3 xitos, entonces:

SSS (3 veces) y I II (n 3) veces.

Como los eventos son independientes, las
probabilidades de que se presente esa
sucesin es el producto de las probabilidades
de los resultados individuales. Hay tres
factores p y (n x) factores (1 p), y de esta
manera, la probabilidad de obtener esa
sucesin es:
P
3
(1 p)
n-3


Pero, resultados idnticos pueden obtenerse
para cualquier otra sucesin con 3 xitos y (n
3) fracasos en un determinado orden; sta
tambin tendra 3 factores y p y n 3 factores
1 p, obtenindose el mismo resultado:

P
3
(1 p)
n-3


Para obtener la probabilidad de x xitos y n
x fracasos en cualquier orden, se deben
conseguir las probabilidades de todas las
sucesiones de x xitos y de n x fracasos
para todas las ordenaciones posibles. Por el
anlisis combinatorio, la cantidad de
sucesiones con n elementos, de los cuales x
son iguales a S y n x son iguales a I, est
dada por la permutacin de n elementos con x
y (n x) objetos repetidos. La expresin
matemtica es:

)! ( !
!
,
x n x
n
P
x n x
n



Esta expresin tiene la misma forma de
x
n
C calcula los coeficientes del desarrollo del
Binomio de Newton, se identific a este
modelo probabilstica con el nombre de
distribucin binomial, con parmetros n y p.

PROPIEDADES DEL MODELO

a) El valor esperado (media) de una
distribucin binomial es:

= E(X) = np

b) La varianza de una distribucin binomial
es:

2
= VAR(X) = np(1 p)

Con el ejemplo de la aplicacin a la
confiabilidad de sistemas, est en el sistema
k-de-n, que tiene n componentes, exigiendo
que k n de esos componentes para la
correcta aplicacin del sistema. Tales sistemas
se llaman sistemas k-den si k = n, se tiene un
sistemas en serie; si k = 1, se tiene un
sistema en paralelo. Para facilidad del clculo,
se admite que todos los componentes sean
estadsticamente idnticos y que funcionen
independientemente unos de otros. Sea R la
confiabilidad (probabilidad de que
determinado componente ejecute la funcin
para la cual fue diseado en las condiciones
ambientales previstas y para un determinado
lapso de tiempo) de un componente, entonces
el experimento de observar la situacin de los
n componentes puede ser concebido como
sucesin de intentos internos con probabilidad
MODELOS MATEMTICOS

53
de xito igual a R. La confiabilidad del sistema
es:

R
kn
= Pr(k o ms componentes funcionando),

Es decir, k k + 1, hasta todos los n. Cada
una de estas situaciones es mutuamente
excluyente en relacin con cualquier otra.
Entonces,

R
kn
= Pr(k o ms componentes funcionando)
= Pr(componentes funcionando) + Pr(k + 1
componentes funcionando) + ... + Pr(n
componentes funcionando
=

=
n
k i
o funcionand s componente i e exactament _ _ _ Pr(

Entonces,

R
k n
=

n
k i
i n i i
n
R R C ) 1 (

Donde R = confiabilidad de que un
componente funcionar.

EL SEGUNDO MODELO MATEMTICO:
POISSON

Observando nuestro mundo

Las colas (filas de espera) son uno de los
hechos ms evidentes en la vida diaria, sea en
un supermercado, pasando por los bancos e
incluyendo los accesos a los peajes de las
carreteras durante los das feriados, afectando
todo esto la vida de millares de ciudadanos.

Si no es un caso fatal, la espera es eterna:
los pacientes que necesitan de cirugas
necesarias, pero no urgentes en los
hospitales pblicos de Ro- estn condenados
a hacer larga cola y pueden pasar ms de un
ao antes de ser atendidos.

Tales hechos comienzan a preocupar al
gobierno, el cual busca soluciones.

Para resolver el problema de las colas que
nunca dejan de presentarse, el Ministerio de
Salud tiene dos estrategias.

Se observa que toda fila est conformada por
personas u objetos (que se pueden contar),
los cuales estn esperando para realizar una
determinada actividad que consume tiempo
(tiempo ste que es medible). Inicialmente,
analicemos el problema con relacin a las
entidades que causan la creacin de una cola.

Condiciones de aplicacin del modelo
matemtico

Al hacerse un estudio de las entidades que
demandan un servicio en un tiempo ilimitado
de observacin, se debe tener en cuenta las
siguientes condiciones:

a) El nmero de llegadas en cualquier
intervalo de tiempo parece depender
solamente de la duracin del intervalo de
tiempo; cuanto mayor es el intervalo,
mayor debe ser el nmero de llegadas.
b) Las llegadas se presentan
independientemente unas de otras; es
decir, un exceso o falta de llegadas en
algn intervalo de tiempo no tiene efecto
sobre el nmero de llegadas que se
presenten en cualquier otro intervalo.
c) La probabilidad de que dos o ms llegadas
se presenten en un pequeo intervalo de
tiempo t, es muy pequeo cuando la
compra con la de una nica llegada.

Frmula de rpido uso para quien tenga
afn

Sea X una variable aleatoria que pueda tomar
los valores 0, 1, 2, 3, X La probabilidad de
que X tome un valor k est dada por la
siguiente expresin de distribucin de
probabilidad:
P(X = k) =
! k
e
k


para k = 0, 1, 2, , n
En la cual es el parmetro (media de los
eventos que se presentan) por unidad de
observacin, normalmente el tiempo.

Esta distribucin se conoce como Distribucin
de Poisson
22



22
Aunque se hace el ejemplo contando con el tiempo,
los eventos pueden presentarse relacionados con el
espacio, el rea, o el volumen: para el rea, por
ejemplo, las condiciones seran:
a) El nmero de ocurrencias en cualquier rea puede
depender solamente del rea; a mayor rea,
mayor tiende a ser el nmero de ocurrencias del
evento
b) Las ocurrencias se presentan independientemente,
es decir, que un exceso o falta de ocurrencia del
evento en algn rea no afecta el nmero de
ocurrencias en alguna otra rea
c) La probabilidad de que dos o ms ocurrencias es
un rea pequea es muy pequea cuando se la
compra con la de una sola ocurrencia
MODELOS MATEMTICOS

54
El smbolo e representa la base de los
logaritmos naturales, cuyo valor es 2.7183,
aproximadamente.

Uso paso a paso

Mtodo clsico.

Paso 1: Identifique la situacin como si
pudiera ser modelada para esa
distribucin
Paso 2: Identifique el valor del parmetro
;
Paso 3: Use la frmula sustituyendo a
por su valor y a k por el valor deseado

Ejercicio-ejemplo 3.9

Una oficina de consultora recibe, en
promedio, cinco llamadas telefnicas por hora.
Encuentre la probabilidad de que, en
determinada hora, tomada al azar, sean
recibidas exactamente tres llamadas.

Ejercicio- ejemplo 3.10

Segn datos histricos de cierta empresa, 3
es el promedio de llamadas recibidas en 20
minutos:

a) encuentre la distribucin de probabilidad
de este ejemplo;
b) encuentre la probabilidad de tener, como
mximo, 2 llamadas en 40 minutos, en un
intervalo escogido aleatoriamente.

Usando calculadoras

Con la calculadora HP 48G.

La HP no calcula directamente esta
probabilidad.

Con la calculadora Texas TI
83.

a) Para encontrar la probabilidad de x
xitos:
Paso 1: teclee [2
nd
][DISTR];
escoja DISTR y aparecer B:possonpdf(:;
Paso 2: digite el valor del
parmetro, [,] y el valor de x;
b) Para encontrar la probabilidad
acumulada desde 0 hasta x xitos:
Paso 1: teclee [2
nd
][DISTR];
escoja DISTR y aparecer C:possonpdf(:;
Paso 2: Digite el valor del
parmetro, [,] y el valor de x;


Con Excel

En Excel (hoja electrnica de clculo) se tiene,
en Colocar funcin, POISSON, como se
muestra en la siguiente figura:



POISSON da la probabilidad de x xitos de la
distribucin de Poisson o la suma cumulada
desde x = 0 hasta algn valor estipulado para
la variable.

La sintaxis es la siguiente:





X es el nmero de xitos que se desea
Media es el parmetro
Acumulativa es un valor lgico: si es
VERDADERO, entonces POISSON da el valor
de la probabilidad que se presente un mximo
de x xitos, si FALSO, calcula la probabilidad
de que ocurran exactamente x xitos

MODELOS MATEMTICOS

55
Observe las siguientes figuras para los
ejercicios ejemplos planteados:


Obsrvese que el valor lgico VERDADERO,
acumula la probabilidad de 0.25025915.



En tanto, el valor lgico FALSO, devuelve
exactamente el valor de acuerdo con el
nmero de xitos esperados, en este caso:
0.14037389.

CONOCIENDO EL ORIGEN DEL MODELO
MATEMTICO

Al estudiar una situacin que cumpla con las
condiciones del problema, tal como el de las
colas, debe tenerse en cuenta que:

a) La probabilidad de n llegadas en un
intervalo de tiempo de duracin, t
depende, nicamente, de la duracin t del
intervalo de tiempo y no de los puntos
inicial y final del mismo.

Indicamos la probabilidad por P
n
(t) para n
= 0, 1, 2, 3 De esta manera:
P
n
(t) 0 y

=
=
0
1 ) (
n
n
t P
Con P
0
(0) = 1 y P
n
(0) = 0 para n > o, ya
que la probabilidad de que lleguen 0
elementos en el tiempo t = 0 es igual a 1.

Para simplificar este modelo, suponga
tambin que cada P
n
(t) es continua y
diferenciable en el intervalo 0 t ;

b) Sean dos intervalos de tiempo no
yuxtapuestos y sucesivos, t y t. en la
figura 3. 14
23
, consiste en que ha habido
k llegadas en el primer intervalo t y n
k llegadas en el intervalo t y que esas
llegadas son independientes.

k Llamadas n - k Llamadas
t



Por lo tanto, la probabilidad de que ambos
eventos se presenten en el intervalo (t +
t) es igual a P
k
(t)P
k-n
(t), de esta
manera, la probabilidad de n llegadas en
el intervalo de duracin (t + t) se obtiene
sumando esos trminos para todos los k
n.

En consecuencia,
P
n
(t + t) =

=


0
) ( ) (
n
k n k
t p t p ;

c) Adicionalmente, para simplificar el
modelo, considere que la probabilidad de
ms de una llegada tiene el valor 0 cuando
t > 1, o sea que, P
2
(t) = 0, P
3
(t) = 0, P
4
(t)
= 0, y as sucesivamente.

Como

=0
) (
n
n
t P = P
0
(t) + P
1
(t) + + =
1, entonces
P
0
(t) + P
1
(t) +

=0
) (
n
n
t P = 1
Por lo tanto,

=0
) (
n
n
t P = 1 - P
0
(t) - P
1
(t)
Partiendo de las condiciones iniciales del
problema, se tiene que:

23
Evento n llegadas en el intervalo de duracin
t + t, habiendo k llegadas en el intervalo de
duracin t y n + k llegadas en el intervalo de
duracin t
MODELOS MATEMTICOS

56
P
n
(t + t) =


=

=
+ + =
2
1 1 0
0
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
k
k n k n n k n
k
n
t P t P t P t P t P t P t P t P

Que es aproximadamente igual a:
P
n
(t + t) = P
n
(t)[1 - t] + P
n 1
(t) t
[P
n
(t + t) - P
n
(t)] = [- P
n
(t) + P
n 1
(t)] t
) ( ) (
)] ( ) ( [
1
t P t P
t
t P t t P
n n
n n

+ =

+

Haciendo tender t a cero, tendremos que:
P
n
(t) = - P
n
(t) + P
n-1
(t) para n = 1, 2,

Para cada n, tenemos una ecuacin diferencial
y de diferencias finitas. Diferenciando una
funcin.
q
n
(t) = e
-t
P
n
(t), el sistema se toma en p
n
(t) =
q
n-1
(t)
Vemos que q
1
(t) = y de aqu que q
1
(t) = t
q
2
(t) = q
1
(t) =
2
t
y entonces
2
) (
) (
2
2
t
t q

=
Como q
n
(t) = q
n-1
(t), entonces,
!
) (
) (
n
t
t q
n
n

=
Por la definicin de q
n
(t) = e
-t
P
n
(t) =
!
) (
n
t
n


Se encuentra finalmente que el valor de
P
n
(t) = e
-t
P
n
(t)
!
) (
n
t
n


A este modelo se le llam Modelo de Poisson.

Propiedades del modelo

La media y la varianza de una distribucin de
Poisson son iguales:
=
2
=

EL TERCER MODELO MATEMTICO:
EXPONENCIAL

Observando nuestro mundo

Volviendo a las colas (la gente siempre
vuelve), vimos que toda lnea de espera est
formada por personas u objetos (que pueden
contarse), los cuales esperan para realizar
una determinada actividad que consume
tiempo (tiempo que tambin es medible)
Primero, analizamos el problema con relacin
a las entidades en las que se forman colas;
ahora vamos a analizar el tiempo que
consume el proceso de cumplir esta actividad.

En la distribucin de Poisson, definimos la
variable aleatoria como el nmero de eventos
en determinado perodo y en el cual la media
de los eventos est denotada por . As
como el nmero de eventos que se presentan
es una variable aleatoria, observamos que el
tiempo entre esos eventos tambin es una
variable aleatoria.

Condiciones de aplicacin

El nmero de eventos debe tener una
distribucin Poisson.

Frmula de rpido uso para quien est de
afn

El perodo de tiempo T entre llegadas o
conteos sucesivos de Poisson con media >
0, es una variable aleatoria cuya funcin de
densidad de probabilidad est dada por:
f(t) = e
-t
, para t 0

Teniendo en cuenta la estructura matemtica
de esta funcin de densidad de probabilidad,
entonces es llamada exponencial con
parmetro .

Ejercicio- ejemplo 3.11

Cuando observamos la duracin de las
bateras de los video-juegos, concluimos que
esta vida no es ms que el intervalo entre las
fallas sucesivas de las bateras; para esas
fallas se puede aplicar el proceso de Poisson.
De esta manera, el tiempo promedio entre
esas fallas viene a ser la vida media de la
batera. Suponga que muchsimas bateras
fueron usadas y que se observ (algo raro de
acontecer en la vida diaria, pues solo las
fbricas lo hacen), que cada 7 das haba
necesidad de cambiarlas (es decir, que la vida
promedio de las bateras es una semana) Las
fallas de las bateras son aleatorias e
independientes y obedecen a una distribucin
de Poisson; entonces, para el tiempo de vida
de una batera se puede emplear la funcin
exponencial.

a) Encuentre la probabilidad de que la batera
funcione por lo menos durante dos
semanas.;
b) Encuentre la probabilidad de que una
batera puede fallar en un lapso de tres
das.
c) Encuentre la probabilidad de que una
batera pueda funcionar entre 3 y 4
semanas.
d) Encuentre la desviacin tpica del tiempo
de vida de una batera.

57
e) Sabiendo que una batera ya dur una
semana, encuentre la probabilidad de que
dura, por lo menos, ms de dos semanas.

Empleo paso a paso

Mtodo clsico.

Conociendo el parmetro , se calcula
probabilidad a partir de la frmula.

USANDO LAS CALCULADORAS

Con la calculadora HP 48G

La HP utiliza para su clculo la funcin e
x
; los
pasos son los siguientes:

Paso 1: Digite el valor de , teclee (+/-), a
la izquierda de [ENTER] y teclee[ENTER].
Paso 2: Oprima la tecla roja y [1/x]
(equivale a e
x
).
Paso 3: Digite , [ENTER] y oprima la tecla
[X].

Con la calculadora Casio CFX-
9850G/9950G

La calculadora Casio utiliza para su clculo la
funcin e
x
; los pasos son los siguientes:

Los clculos se realizan en el modo RUN.
Teclee [SHIFT], [In] (e
x
), digite el nmero
(si es negativo, el signo que lo precede) y
teclee [EXE].



Con la calculadora TI 83

Teclee [2
nd
], [In] (e
x
), digite el nmero (si es
negativo, con el signo que lo precede) y teclee
[EXE].

Con el Excel

En Excel, la funcin DISTEXPON, como lo
muestra la siguiente figura 3.15:


Ayuda en el clculo de la solucin del
problema; DISTEXPON (DISTR.EXP)
suministra la probabilidad de x xitos de la
distribucin exponencial, o la suma acumulada
desde x = 0 hasta algn valor estipulado de la
variable, la sintaxis es la siguiente:

MODELOS MATEMTICOS

58



X es la cantidad de xitos que se desea (es el
valor de la funcin, un nmero no negativo).

Lambda es el parmetro

Acumulativo es un valor lgico: si es
VERDADERO, entonces DISTEXPON da el valor
de la probabilidad de que exista un mximo
de x xitos; si FALSO, calcula la probabilidad
de exactamente x xitos.

Resolviendo el problema


Obsrvese que la funcin DISTEXPON en el valor lgico VERDADERO devuelve una probabilidad
acumulada de 0.950212932 para una batera que se espera falle a los tres das.


MODELOS MATEMTICOS

59
Obsrvese que la funcin DISTEXPON en el
valor lgico VERDADERO devuelve una
probabilidad acumulada de 0.149361205 para
una batera que se espera falle exactamente a
los tres das.

Conociendo el origen del modelo

Sea T el tiempo, a partir de determinado
punto, hasta que se presente el primer
evento. La distribucin de T puede obtenerse
a partir del nmero de eventos, pues existe
una relacin entre ellos: por ejemplo, puede
pasar de 30 segundos el tiempo hasta el
primer evento, lo que equivale a decir que
nada ha pasado en esos 30 segundos. Este
razonamiento es suficiente para encontrar la
distribucin probabilstica de T.

En general, sea N la variable aleatoria que
indica el nmero de eventos en t segundos. Si
el nmero promedio de eventos por unidad de
tiempo es
t

, entonces N tiene una


distribucin de Poisson con media t. Dicho
esto, el punto inicial para medir a T no
importa, porque la probabilidad de que suceda
determinado nmero de eventos en un
proceso de Poisson, depende solamente de la
longitud del intervalo observado y no de su
ubicacin.

Si el perodo que se est estudiando es igual a
t, entonces:
Pr(la variable aleatoria tiempo > tiempo
especificado) = Pr(T > t) esto es equivalente,
en la distribucin de Poisson, a tener N = 0.
En consecuencia:
Pr(N = 0) =
) Pr( ) Pr( ). Pr( 1
!
) (
0
t T t T Pero t T e
o
t e
t
= > = =

es la funcin de distribucin acumulativa de T,


es igual a 1 -
t
e
/

r
, para todo t 0.

Diferenciando con respecto a t, se llega a una
funcin de densidad de probabilidad.
f(t) = e
-t
, para t 0,
en la cual es la misma media por unidad de
tiempo en la distribucin de Poisson:
=

1
y
2
=
2
1



Propiedades del modelo

La media y la varianza de una distribucin
exponencial son iguales y valen: se dice que
la distribucin exponencial tiene la propiedad
de no tener memoria. Esto significa, por
ejemplo, que la propiedad de la vida de un
cierto equipo supere (s + t), unidades de
tiempo, teniendo en cuenta que ya
transcurrieron t unidades de tiempo sin fallar,
es la misma que la probabilidad de la vida til
del equipo de superar las unidades de tiempo.
Matemticamente, esa propiedad se
representa por:
Pr(
t T
T
t s
>
>
+
) = Pr(X >s) para todo s y t 0.

Ejercicio- ejemplo 3.12

En Excel, calcule la probabilidad aproximada
de que un equipo, cuya vida media de 2 aos
y 4 meses puede ser modelada por la
distribucin exponencial, puede durar:

a) hasta tres aos
b) ms de tres aos
c) hasta 2 aos y 4 meses
d) ms de dos aos y 4 meses
e) ms de 3 aos despus de haber
funcionado durante un ao

EL CUARTO MODELO MATEMTICO: LA
DISTRIBUCIN DE DEMOIVRE LAPLACE
GAUSS (LA DISTRIBUCIN NORMAL)

Observando nuestro mundo

Cuando tomamos medidas, podemos ver que
existe un valor alrededor del cual tienden a
concentrarse, y es razonable suponer que hay
una probabilidad mucho mayor de encontrar
una medida prxima a ese valor que una
medida alejada de ste. Tambin es razonable
suponer que la probabilidad de conseguir una
medida mayor o menor que dicho valor es la
misma.

Ese valor, el que por ejemplo se refiere a las
mediciones, es el valor verdadero de lo que se
quiere encontrar. Describindolo
numricamente:

a) Si el valor verdadero es 30, hay una
probabilidad mayor de encontrar una
medida entre 29 y 31 de la que hay que
encontrar una medida entre 45 y 47;
aunque la diferencia entre estas medidas
es la misma (31 29) = (47 45) = 2,
las probabilidades de que se presenten
son diferentes, pues existe una
proporcionalidad entre las diferencias de
las medidas y las probabilidades de que se
presenta.
MODELOS MATEMTICOS

60
b) La probabilidad de encontrar algo encima
del verdadero valor es del 50%, as como
es del 50% la probabilidad de encontrar
una medida por debajo del verdadero
valor (hay que recordar que es aleatorio el
error para ms o para menos; como nada
se sabe, se aplica el concepto de
equiprobabilidad).

La distribucin usada ms ampliamente en los
problemas estadsticos es la distribucin de
DeMoivre
24
Laplace
25
- Gauss
26
, conocida
como la distribucin normal. Aunque el
nombre normal puede dar lugar a algunas
distorsiones, porque conduce a pensar que
todos los fenmenos se comportan segn este
modelo, lo cual no es verdad. Adems, se dice
que esta distribucin normal tiene forma
sinusoidal (forma que adquiere una funcin
seno), lo que tambin es falso (basta
comprobar con la funcin seno para ver las
grandes diferencias) porque lo que distingue a
esa distribucin probablstica es una funcin
de densidad de probabilidad, es decir, su
ecuacin matemtica.

Dependiendo de la dispersin de los datos, el
grfico de la curva puede ser achatado,
puntiagudo o, inclusive, tomar el aspecto de lo
que llaman la la forma del seno.

Hereja! .- La distribucin DeMoivre-
Laplace_Gauss tiene forma sinusoidal.
Hereja! .- Afirmar que todos los problemas
obedecen o siguen una distribucin DeMoivre-
Laplace-Gauss.

Condiciones de aplicacin

En situaciones en las cuales los valores
tienden a concentrarse alrededor de un valor
central.

Frmula de rpido uso para quien est de
afn

La funcin de densidad de probabilidad de una
variable aleatoria DeMoivre-Laplace-Gauss
est dada por:
(


2
2
2
) (
exp
2
1
) (



x
x f
para - < x <
donde los parmetros son:

24
Abraham DeMoivre (1667 1754),
matemtico francs.
25
Pierre Simon Laplace (1749 1827),
matemtico francs.
26
Carl Fredich Gauss (1777 1855),
matemtico alemn llamado el Prncipe de las
matemticas.

, es la media de la poblacin
, es la desviacin tpica.

La figura 3.16 (siguiente) muestra una funcin
de densidad de probabilidad de DeMoivre-
Laplace-Gauss.

0 10 -10 20 30 40 -40 -30 -20

Uso paso a paso

Al resolver cualquier problema que necesite
de la distribucin de DeMoivre-Laplace-Gauss,
dibuje siempre el grfico de la funcin y
sombree las reas deseadas para visualizar
las probabilidades que se desea encontrar.

Mtodo clsico.

Encontrar el rea bajo la curva de DeMoivre-
Laplace-Gauss y entre dos lmites, exige la
integracin de la funcin de densidad de
probabilidad entre esos lmites, integracin
que slo puede hacerse por mtodos
numricos. Como los valores de los
parmetros de la funcin de densidad de
probabilidad varan para toda combinacin
posible de m y s
2
, se vuelve muy difcil
calcular esa rea bajo la curva de Demoivre-
Laplace-Gauss, cada vez que se desea calcular
las probabilidades.

Con todo, el rea entre ciertos lmites puede
encontrarse relacionando las distribuciones
que tengan cualesquier medidas desviaciones
tpicas con solamente una distribucin de
DeMoivre-Laplace-Gauss conocida como
reducida (o patronizada), con media 0 y
desviacin tpica igual a 1, cuyas reas entre
dos lmites estn tabuladas. Esta distribucin
reducida es identificada con N(0, 1), donde el
primer parmetro representa la media y el
segundo es la varianza. Su funcin de
densidad es:
2
2
2
1
) (
z
e z f

para - < z <


MODELOS MATEMTICOS

61
Las reas entre - y z estn en la siguiente tabla (3.9)
z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.50000 0.50399 0.507980 0.51197 0.51595 0.51994 0.52392 0.52799 0.53188 0.53586
0.1 0.53983 0.54380 0.547758
0.2 0.57926 0.58317 0.587064
0.3 0.61791 0.62172 0.625515
0.4 0.65542 0.65910 0.662757
0.5 0.69146 0.69497 0.698468
0.6 0.72575 0.72907 0.732371
0.7 0.75804 0.76115 0.732371
0.8 0.78814 0.79103 0.793892
0.9 0.81594 0.81859 0.811213
1.0 0.84134 0.84375 0.846135
1.1 0.86433 0.86650 0.868643
1.2 0.88493 0.88686 0.888767
1.3 0.90320 0.90490 0.906582
1.4 0.91924 0.92073 0.922196
1.5 0.93319 0.93448 0.935744
1.6 0.94520 0.94630 0.947383
1.7 0.95543 0.95637 0.957283
1.8 0.96407 0.96485
1.9 0.97128 0.97193
2.0 0.97725 0.977784
2.1 0.98214 0.982570
2.2 0.98610 0.986447
2.3 0.98928 0.989555
2.4 0.99180 0.990223
2.5 0.99379 0.993963
2.6 0.99534 0.995472
2.7 0.99653 0.996635
2.8 0.99744 0.997522
2.9 0.99813 0.998192
3.0 0.99865 0.998693
Las tablas encontradas en la mayora de los
libros de probabilidad presentan no los valores
de la funcin de densidad de probabilidad,
sino la funcin de distribucin acumulativa,
porque para una variable aleatoria continua
interesan las probabilidades de la variable
aleatoria que estn entre dos valores, es
decir, el rea por debajo de la funcin de
densidad de probabilidad y limitada por esos
valores. De todos modos, debe tenerse
cuidado cuando se calculan esas reas,
teniendo en cuenta que cuando que stas son
presentadas en las tablas publicadas con
lmites diferentes. Siendo estos as, dibujar el
rea buscada es casi obligatorio para calcular
correctamente la probabilidad deseada. La
lectura de la tabla 3.9 se hace de la siguiente
manera: en la primer columna, los nmeros
representan el entero y la dcima del valor de
z; en la primer fila los nmeros representan la
centsima del valor de z. De esta manera, el
rea est limitada entre - y z es el valor
obtenido en el cruce de la lnea (con la parte
entera y a dcima de z) y la columna (con la
centsima de z). Cualquier otra rea es
obtenida por la suma o resta de reas, o
restando de 1 (el rea total bajo la curva es
igual separar 1), o de 0.5 (aprovechando la
simetra de la curva en relacin con la media)

Ejercicio- ejemplo 3. 13

Encuentre las siguientes probabilidades:

a) Pr(z < 1, 23)
b) Pr(z > 1, 23)
c) Pr(1 < z < 1, 5)
d) Pr(- 1 < z < 2)

Cualquier distribucin de DeMoivre-Laplace-
Gauss con media de y desviacin tpica de
es colocada en la forma de la distribucin
reducida mediante la transformacin afn:
MODELOS MATEMTICOS

62


=
x
z

Se conserva la propiedad de que el rea entre
los lmites a y b de la variable X, es igual al
rea entre los lmites z
a
y z
b
de la distribucin
reducida.

El valor de z representa el nmero de
desviaciones tpicas con el que cualquier valor
de X se aleja de la media de todos los valores
de X, pudiendo ser negativo o positivo, el
valor est a la derecha de la media; si z es
negativo, a la izquierda de la media. En la
media, el valor de z es cero. En consecuencia,
se puede usar la tabla de la distribucin
reducida para calcular el rea entre
cualesquier lmites de cualquier distribucin de
DeMoivre-Laplace-Gauss
27
.

Ejercicio ejemplo 3.14

Encuentre el valor de z que corresponde al
rea (probabilidad) del 5% a la derecha de z.

EMPLEANDO CALCULADORAS

Con la calculadora HP 48G

La HP calcula la probabilidad desde x hasta
+ para cualquier distribucin de DeMoiver-
Laplace-Gauss.

Paso 1: Teclee [MATH] (primera tecla de
la segunda fila de teclas) y [NXT].
Paso 2: Oprima la tecla blanca [A] (PROB)
y [NXT] de nuevo.
Paso 3: Digite el valor de la media y
treclee [ENTER].
Paso 4: Digite la varianza
2
, teclee
[ENTER]; si tiene la desviacin tpica,
digtela y oprima la tecla roja y [ x ] [x
2
].
Paso 5: Digite el valor de x y oprima la
tecla blanca [C] (OTPN); el resultado
aparece.

Con la calculadora Casio CFX-
9850G/9950g

Los clculos se realizan en la modalidad RUN
para la distribucin reducida:
Paso 1: Teclee [OPTN] (F6), [F3] (PROB)
[F6].

27
No confundir los valores de z (las abscisas van
desde - hasta + ) con los valores de las reas
entre dos abscisas y por debajo de la curva de
DeMovier-Laplace-Gauss (reas que valen entre
0 y 1).
Paso 2: Digite:
a) [F1] si desea calcular la probabilidad
de (hasta el valor z aparece P);
digite el valor de x y oprima la tecla
[EXE].
b) [F2] si desea calcular la probabilidad
desde 0 hasta el valor de z, aparece
(Q); digite el valor de x y oprima la
tecla [EXE].
c) [F4] si desea calcular el valor de la
variable reducida z para su valor, si
esa operacin es una sucesin de
clculos a partir de una lista de
valores, aparece t (digite el valor de x
y oprima la tecla [EXE].

Con la calculadora Texas TI 83

a) Para encontrar el rea entre dos valores:
Paso 1: Teclee [2
nd
][DISTR]; escoja
DISTR, apareciendo 2:normalcdf(:;.
Paso 2: Digite el lmite inferior, [,], el
lmite superior [,], la media [,] y la
desviacin tpica.

b) Para encontrar la ordenada en la abscisa
x:
Paso 1: Teclee [2
nd
][DISTR]; escoja
DISTR, apareciendo 1:normalcdf(:;.
Paso 2: Digite el lmite inferior, [,], la
media [,] y la desviacin tpica.

Con el Excel

En el Excel, la reduccin para la distribucin
DeMoivre-Laplace-Gauss reducida es hecha
por la funcin PADRONIZAR de la funcin
colocar funcin, como se muestra en la
siguiente figura:

MODELOS MATEMTICOS

63
Al aceptar la funcin aparecer el cuadro de
dilogo siguiente:

Figura 3.17 La funcin PADRONIZAR
(NORMALIZACIN) con la funcin Colocar Funcin.

Een el cual, al digitar los valores de x en la
media y de la desviacin tpica, aparecer el
valor de z.

La funcin DISTR.NORMP, suministra el rea
bajo la curva de DeMoivre-Laplace-Gauss
desde - hastra z, como se muestra en la
siguiente figura:
Figura 3.18: La funcin DIST.NORMP
(DISTR.NORM.ESTAND).

La funcin DISTR.NORMP suministra:

a) El rea bajo la curva de DeMoivre.Laplace-
Gauss desde - hasta X, debiendo ser
digitados la media y la desviacin tpica y
la acumulativa VERDADERO.





b) La abscisa de la curva de
DeMoivre.Laplace-Gauss en el punto X,
debiendo digitarse la media y la desviacin
tpica as como la acumulativa FALSO,
como se muestra en la siguiente figura:
MODELOS MATEMTICOS

64
Figura 3.19: La funcin DISTR.NORM.

En caso de que sean dadas las reas entre -
y z, la funcin INV.NORMP, como muestra la
siguiente figura, hace volver el valor de z.

Figura 3.20: La funcin INV.NORMP
(DISTR.NORM.ESTAND.INV).









Si se dan las reas entre - hasta X, la
funcin, la funcin INV.NORM, figura 3.21,
hace volver el valor de X, conocidas la media
y la desviacin tpica
MODELOS MATEMTICOS

65
Figura 3.21: La funcin INV.NORM
(DISTR.NORM.INV).

EL CONOCIMIENTO DEL ORIGEN DEL
MODELO MATEMTICO

El estudio de la llamada distribucin normal
se inici en el siglo XVII, cuando se comenz
a observar que si un objeto era pesado
repetidamente en la misma balanza, los pesos
observados no eran idnticos, presentndose
una diferencia entre las medidas. Si se hiciera
un nmero razonable de mediciones, la
distribucin de las observaciones presentaba
un patrn regular, que hoy se conoce como el
de la distribucin normal de DeMoivre-
Laplace-Gauss; errores de observacin de
caractersticas diferentes tambin seguan el
mismo patrn. De hecho, la distribucin era
conocida inicialmente como la curva normal
de los errores. Esa curva, originada por
DeMoivre en 1773, fue tambin estudiada por
Laplace y Gauss
28
.

Bsandose en los trabajos de Pascal
29
, de
Fermat
30
y de Bernoulli
31
, DeMoivre, cuando
se encontraba exiliado en Londres, fue capaz

28
Respetando la historia y por un sentido de
justicia, se llama en este libro a la distribucin
conocida como normal, distribucin de
DeMoivre-Laplace-Gauss.
29
Blaise Pascal (1623 1662), matemtico
francs.
30
Pierre de Fermat (1601 1665), matemtico
francs.
31
Lakob Bernoulli (1654 1705), matemtico
belga.
de demostrar que la curva matemtica que
modela los problemas de esta clase tiene la
siguiente forma:

(


2
2
2
) (
exp
2
1
) (



x
x f para - < x <

donde es la medio y es la desviacin tpica
de la poblacin.

Sin embargo, Gauss lleg a esta distribucin a
partir del estudio de una distribucin de la
poblacin de errores de medicin,
investigando a cul ley obedecan los errores
de observacin para que la media aritmtica
de una serie de ellas fuera el valor ms
probable de la verdadera magnitud.

Con base en los argumentos de Gauss, pero
ms prximas a sus aplicaciones, vamos a
deducir la expresin de la funcin densidad de
probabilidad de DeMoivre-Laplace-Gauss.
Suponga que el valor real de una media es la
media de un gran nmero de observaciones.
Al calcularse las diferencias entre las
observaciones y el valor de la media
aritmtica y sumarlas, esta suma ser
siempre igual a cero, porque, conforme vimos
en el captulo 2, la suma de las diferencias
positivas es siempre igual a la suma de las
diferencias negativas.

Sabemos que la probabilidad de un error o
desviacin en el intervalo que va desde x + dx
es igual a f(x)dx. En n observaciones
independientes, en las que los errores son x
1
,
MODELOS MATEMTICOS

66
x
2
, , x
n
, la probabilidad del error total es
proporcional a a.

Y = [f(x
1
)] [f(x
2
)] [f(x
3
)] [f(x
n
)]

Como en el siglo XVIII, las multiplicaciones
extensas se haca empleando logaritmos,
nada es ms natural que escribir:
ln Y =ln f(x
1
+ ln f(x
2
) + ln f(x
3
) + + lnf(x
n
)

Se desea encontrar a f(x); como hemos
considerado que el valor real de una medida
es la media de un gran nmero de
observaciones, es razonable suponer que la
funcin buscada es aquella que hace de Y un
mximo para el valor real de la media. En
trminos matemticos, esto significa que,
inicialmente, la primera derivada debe
hacerse igual a cero,

d
Y d ) (ln
= 0, o sea, aplicando la regla de
cadena:
0
) (
) (
...
) (
) (
) (
) (
2
2
2 1
1
1
= + + +
d
dx
x
x f
x f
d
dx
x
x f
x f
d
dx
x
x f
x f
n
n
n


Los valores de x an dependen de ,
desconocida, porque, si las medidas son m
1
,
m
2
, entonces, x
1
= m
1
- ; x
2
= m
2
- ; y
as sucesivamente. Al tomar la derivada con
respecto a , se tiene que:

1 ...
2 1
= = =
d
dx
d
dx
d
dx
n


De esta manera:

0 ) 1 (
) (
) (
... ) 1 (
) (
) (
) 1 (
) (
) (
2
2
1
1
= + + + x
x f
x f
x
x f
x f
x
x f
x f
n
n

0
) (
) (
...
) (
) (
) (
) (
2
2
1
1
= + + +
n
n
x f
x f
x f
x f
x f
x f


Teniendo en cuenta que esa ecuacin se
relaciona con el concepto de suma
desviaciones con respecto a la media
aritmtica (la suma de ambas es igual a 0),
debemos tener que:

) (
) (
i
i
x f
x f
debe ser proporcional a x
i
(cualquier
desviacin observada) para todo i. En otras
palabras,
) (
) (
i
i
x f
x f
= kx
i

donde k es una constante de proporcionalidad.
Integrando con respecto a x, tenemos que:

ln f(x) = C
kx
te cons
kx
ln
2
tan
2
2 2
+ = +

Entonces: ln f(x) lnC =
2
2
kx
,
2
2
2
) (
2
) (
ln
kx
e
C
x f
y
kx
c
x f
= = , finalmente,
2
2
) (
kx
Ce x f =

La constante C puede encontrarse integrando
a f(x) entre - y + e igualando a 1 el
resultado y el valor de k se consigue
calculando el valor esperado y la varianza de
esa distribucin e igualndolas a y a
2
. El
resultado es la distribucin de DeMoivre-
Laplace-Gauss.

NAVEGANDO POR LA INTERNET

Dirjase a la direccin:

http://www.thinks.com/java/balldrop/normal.http

Y vea una simulacin de la distribucin de
DeMoivre-Laplace-Gauss. Usted puede salirse
de la Internet y la simulacin continuar; siga
observando el comportamiento de la cada de
las esferitas.

Ejercicio- ejemplo 3.15

Se comprob que la longitud de un objeto
puede obedecer a una distribucin de
DeMoivre-Laplace-Gauss con medio de 100
mm y desviacin tpica de 2 mm.

a) Encuentre la proporcin de objetos que
son mayores de 103.3 mm.
b) Encuentre la proporcin de los
resultados que se encuentran entre 98.5 y
102.0 mm.
c) Encuentre la proporcin de objetos que
estn debajo de 96.5 mm.
d) Es importante que la longitud del
objeto no sea muy grande cuando se compara
un cierto valor buscado; si la gerencia decide
que un mximo del 5 % de los objetos deben
tener una longitud mayor que ese valor,
recomiende un lmite para la especificacin.
MODELOS MATEMTICOS

67
PROPIEDADES DEL MODELO

Mito: Existe solamente una distribucin De
Moivre-Laplace-Gauss; por eso, se afirma que
todo el mundo es normal.

La distribucin de DeMoivre-Laplace-Gauss:

a) Tiene como parmetros la media y la
desviacin tpica , formando una familia
infinita de distribuciones, una para cada
valor de y cada valor de .
b) Es simtrica con relacin a la media
aritmtica .
c) La media, mediana y moda son iguales y
corresponden al mximo de la funcin de
densidad de probabilidad.
d) Desplaza su localizacin si hay una
variacin en la media; cuando la media
aumenta, el grfico se desplaza hacia la
derecha; y cuando la media disminuye, el
grfico se desplaza hacia la izquierda, pero
sin alterar su forma.
e) Se hace ms aplanada o ms puntiaguda,
alrededor de la media si la varianza (o
desviacin tpica) aumenta o disminuye,
respectivamente.
f) Tiene tericamente la proporcin de los
valores de la poblacin que se encuentra
entre (la media ms o menos una
desviacin tpica) igual al 68.25 %; el
95.44 % del rea total est entre 2
y el 99.74 % est entre 3.
g) Tiene un nmero infinito de clases.
h) Tiene como asntota el eje de las abscisas.
i) Su amplitud es ilimitada.
j) Tiene puntos de inflexin en las abscisas
+ y - .

Se acostumbra a afirmar que todo el mundo
es normal, es decir, que todo obedece a la
distribucin de DeMoivre-Laplace-Gauss. Si
este mito fuera cierto realmente cul es la
razn de la existencia de las dems
distribuciones probabilsticas?
MODELOS MATEMTICOS

68

Caso discreto:

Sean X e Y, 2 variables aleatorias discretas.

Entonces la funcin:
f(x, y) = P(X = xy Y = y)

Se conoce como la funcin de probabilidad
conjunta discreta y genera la probabilidad
conjunta de que X tome el valor de x y Y tome
el valor de Y.

Funcin de probabilidad marginal

En relacin con f(x, y), f(x) y f(y) se
denominan funciones de probabilidad
individuales o marginales. Estas funciones de
probabilidad marginales se obtienen de la
siguiente manera:

=
y
y x f x f ) , ( ) ( Funcin de probabilidad
marginal de X.

=
x
y x f x f ) , ( ) ( Funcin de probabilidad
marginal de Y.

Funcin de probabilidad condicional

El inters se centra en estudiar el
comportamiento de una variable condicionada
por los valores de otra u otras variables.

f(x y) = P(X = x Y = y) = f(x, y) * f(x); f(y)
> 0

Funcin de probabilidad de X; sta da que la
probabilidad de que X tome el valor x, dado
que Y ha asumido el valor de y.

f(x y) = P(X = x Y = y) =
) (
) , (
x f
y x f
; f(y) > 0

Momentos estadsticos

1. Momento con respecto al origen de la
variable aleatoria: r.
2. Momento con respecto a la media de la
variable aleatoria r.

r: No. de orden del momento.
r: r-simo momento con respecto al
origen 0.
r: r-simo momento con respecto a la
media.

E[x ]
r
3
r
=
=

X f(x)
r
A
X
X f(x)dx
r
S
8
8



E(x - [ ]
r
r
= =

A
X
f(x)dx
S
8
8

f(x) (x -
r
(x -
r


Casos especiales:

1. r
Si r = 0
t
0
= E[x
0
] = E[1] = 1
Si r = 1
t
1
= E[1] = : media de la
variable
Si r = 2
t
2
= E[x
2
]
Si r = 3
t
3
= E[x
3
]

2. r
Si r =
t
0
= E[(x - )
0
] = E[1] = 1
Si r =
1
= E[(x - )] = 0. Primer momento
respecto a la media
Si r =
2
= E[(x - )
2
] = 2 = E[x
2
]
E([x])
2
=
t
2
- ()
2

=
t
2
- (
t
1
)
2
. El 2 momento respecto a la
media de 2 momentos respecto al origen
Si r = 3
3
= E[x
3
3x
2
+ 3x
2
-
3
]
= E(x
3
) E[3x
2
] + E[3x
2
] E[
3
]
= E[x
3
] 3E [x
2
] + 3
2
>E[x] -
3

=
t
3
- 3
t
1

t
2
+ 3
3
1
) (
t
-
3
1
) ( 3
t

=
t
3
- 3
t
1

t
2
+ 2
3
1
) (
t


El momento respecto a la media siempre es
posible expresarlo en trminos del momento
respecto del origen.

Si r = igual a 4
4
= E[(x - )
4
] = ? El
estudiante debe realizarlo como ejercicio
FUNCIN DE PROBABILIDAD CONJUNTA
FUNCIN DE PROBABILIDAD CONJUNTA

69

MODELO HIPERGEOMTRICO

Caractersticas del experimento
hipergeomtrico

a) Se extrae sin reemplazo un subconjunto
(muestra aleatoria) de tamao n
elementos a partir de un conjunto mayor
(poblacin) de elementos.
b) K de los N elementos (resultados) del
conjunto mayor (poblacin) son
considerados xitos y el resto, N K,
fracasos.

X: Variable aleatoria que cuenta el nmero de
xitos en la muestra aleatoria seleccionada:
X = 0, , n; n < k
0, , k; n
> k
P(A) = n(A)
= n(s)
n(s) = NCn = | |
N
n

n
1
= | |
K
x

n
1
= | |
K N
x n


n(A) = | |
K
x
| |
K N
x n


| || |
| |
N
n
K N
x n
K
x

= h(X; N, n, K), x = 0, , n; n
< K
= 0
; Otros x




Modelo binomial negativo

Toma su nombre del hecho que cada trmino
en la expresin de pK(1 q) k , corresponde
a los valores x = k, k +1, k + 2

OBJETIVO: Es encontrar ensayos hasta que
ocurra el K-simo xito. Tiene las mismas
caractersticas de la distribucin binomial, es
decir:

a) El experimento consiste de n ensayos
repetidos, es decir, en sucesin y en
igualdad de condiciones.
b) Los n ensayos son independientes.
c) Cada ensayo termina en un resultado
clasificable nicamente como xito o
fracaso.
d) La probabilidad P de xito en un ensayo
se mantiene constante durante todo el
experimento.


MODELOS DE PROBABILIDAD DE TIPO
CONTINUO

Modelo uniforme

f(x;,) =

1
para < x <
otros x
f(x;,) = 0 para

En todo el recorrido es constante, por lo que
se denomina uniforme y tiene la misma
funcin de probabilidad


= = =

) ( 2 9 ( 2
1 1
) (
2 2 2
l X
Xdx dx x fxdx x E x
2

+
=
X

2
x = E(X
2
) (E(X
2
)) =
4
) (
3
2 2 2
+

+ +

E(X
2
) =

1


l x dx X
3 2
) ( 3
1 1



|
|
.
|

\
| + +
=

+ +
=

=
3
) (
) ( 3
) )( (
) ( 3
2 2 2 2 3 3





2
x =
12
) (
12
) 2 (
12
2 ( 3 4 4 4
2 2 2 ) 2 2 2 2

=
+
=
+ + + +

MODELOS DE PROBABILIDAD DE TIPO DISCRETO
MODELOS DE PROBABILIDAD DE TIPO DISCRETO

70
Modelo de probabilidad gama

() = dx e x
x

0
1
: a > 0

Al integrar una funcin matemtica Gama

() = dx e x
x

0
1
: Integrando por
partes
= ( - 1) dx e x
x

0
2
Donde u = x
-1

y dv = e
-
x
dx
( - 1)[( - 1)] = ( -
2) ) 2 ( ) 2 (
0
3
=

dx e x
x

Entonces () = ( - 1) ( - 2) ( - 3) ( -
k) ( - k), cuando ( - k) > 0

Al restringirlo a = (Z
+
), tenemos que
(n) = (n 1)(n 2 )(n 3)
(4)(3)(2)(1) (1) donde:
(1) = xdx e
x

0

= 1; ya que X
1-1
= x
0
= 1

Funcin generatriz de momentos: (F. G.
M.)

Mx(t) = (1 - t)
-
; t <

1


Media y varianza


x
=

0
1
) (
1
dx e X x
x



(utilizando la f.d.m)

Utilizando la F. G. M

x
=
0
1
0
) 1 ( ) 1 (
=

=

=
t t
t
dx
d



= (1- t)
--1

t=0
=

x
=
2 2 2
)] ( [ ( X E X E
x
=
=
2 2 2 2 2
1 2
) 1 ( ) ( = =
donde:
0
1
0
2
2
2
) 1 ( ) 1 (
=

= =
t t
t
dt
d
t
t d
d


=
0
2
) ( ) 1 )( 1 (
=


t
t


= ) 1 (
2
+


Modelo de probabilidad Beta


=
1
0
1 1
) 1 ( ) , ( dx x x

; 0
< x < 1

La variable aleatoria continua X sigue el
modelo de probabilidad BETA, si su funcin de
densidad de probabilidad se expresa as:

0 , ; 1 0 ;
) ( ) (
) (
) , , (
1
> < <

+
=






x x x f
= 0 , > 0;
Otros x


+
=
1
0
1
0
1 ) 1 (
) 1 (
) ( ) (
) (
) , ; ( dx x x dx x f




=
) (
) ( ) (
) , ( 1 ) , (
) ( ) (
) (





+

= =

+
B B


+
= =
1
0
1 1
) 1 (
) ( ) (
) (
) ( xdx x x x E
x




) 1 (
) ( ) 1 (
) ( ) (
) (
+ +
+





+
=
+ +


+
) ( ) (
) ( ) (
) ( ) (
) (

+
=
x


Se deja como investigacin para el alumno,
hallar:

) 1 ( ) (
2
2
+ + +
=


x
MODELOS DE PROBABILIDAD DE TIPO DISCRETO

71

1. El estudio de las relaciones entre los datos
por medio de modelos probabilsticos se
llama Estadstica Matemtica.
2. Las variaciones de los fenmenos se
deben a un gran nmero de causas que no
podemos controlar, y a las cuales el
estadstico llama, simplemente, el azar.
3. En los mtodos estadsticos se formulan
hiptesis con base en los datos
experimentales.
4. Cuando consideraciones de simetra
suministran un significado razonable para
la frase igualmente probables, podemos
decir que, si un conjunto de n ocurrencias
equiprobables, incluye m formas
equiprobables en las cuales un evento o
una especial situacin puede presentarse,
la probabilidad de este evento es
n
m
.
5. La probabilidad tambin puede ser
obtenida a partir de una relacin entre los
eventos favorables.
6. La primera definicin del concepto de
probabilidad, es conocida como la ley de
Laplace: Resultado de la divisin entre el
nmero de casos favorables y el nmero
de casos posibles.
7. Segn el concepto frecuencial de la
probabilidad, la probabilidad deuna
situacin es la frecuencia relativa en n
observaciones de esa situacin, es decir,
es el nmero de ocurrencias de la
situacin dividido por el nmero de
observaciones, cuando este tiende a
infinito. A medida que el nmero de
repeticiones aumenta, hay una
estabilizacin de la frecuencia relativa, lo
cual se conoce como, regularidad
estadstica.
8. NO puede demostrar matemticamente
que las leyes de la naturaleza son las
leyes de la probabilidad matemtica.
9. Primera ley de los grandes nmeros
(Teorema de Bernoulli): Es muy poco
probable que, si efectuamos un nmero
suficientemente grande de ensayos de un
experimento, la frecuencia relativa de un
acontecimiento se aleje mucho de su
probabilidad.
10. Segunda ley de los grandes nmeros: A
medida que el nmero de repeticiones de
un experimento aleatorio crece, mayor
tiende a ser el valor absoluto de la
diferencia entre la frecuencia absoluta
experimental del evento y la frecuencia
absoluta terica (esperada).
11. Probabilidad a priori es la probabilidad que
se establece atendiendo a consideraciones
de simetra o de regularidad de eventos
simples.
12. Probabilidad a posteriori es la probabilidad
obtenida por la observacin experimental
de las frecuencias relativas de ocurrencias
de un resultado.
13. El concepto subjetivo de probabilidad
describe el juicio de una persona, sobre
cun probablemente puede presentarse
una situacin.
14. Experimento aleatorio es cualquier
proceso de observacin que puede
repetirse a voluntad en condiciones
anlogas, en el cual un resultado no puede
ser previsto antes de cada una de sus
realizaciones.
15. El objetivo del clculo de las
probabilidades es el de comprender,
modelar y cuantificar los tipos de
variaciones que pueden encontrarse en la
observacin o en la realizacin de los
experimentos. Cuando se incorpora este
concepto de variabilidad en el
pensamiento y en los anlisis, se decide
mejor a partir de los valores obtenidos
16. Espacio muestral es el conjunto de todos
los resultados posibles de un experimento
aleatorio.
17. Evento muestral (o simple) es un
resultado de apenas un elemento el
espacio muestral de un experimento
aleatorio. Evento compuesto es aquel que
incluye varios resultados de un
experimento aleatorio.
18. Eventos mutuamente excluyentes son
aquellos en los que la ocurrencia de un
evento impide la ocurrencia de otro
evento.
19. El complemento de un evento A consiste
en los resultados del espacio muestral que
no hacen parte del evento A.
20. Eventos colectivamente exhaustivos son
aquellos que, en un experimento aleatorio,
son mutuamente excluyentes y
constituyen todos los resultados posibles
par el experimento en curso.
21. Eventos independientes son aquellos en
los que la ocurrencia de uno de los
eventos no da informacin con respecto a
la ocurrencia (o no) del otro, es decir, la
ocurrencia de un evento no tiene
influencia sobre la probabilidad de
ocurrencia del otro evento.
22. En un experimento aleatorio con un
espacio muestral asociado, representado
RESUMEN
RESUMEN

72
por Pr(A), es una funcin de probabilidad
si satisface las siguientes propiedades:
a) Para cualquier evento A, 0 Pr(A) 1.
b) La propiedad del evento cierto es la
unidad, Pr(espacio muestral) = 1.
c) Si los eventos A y B son mutuamente
excluyentes, la probabilidad de
ocurrencia del evento A o del evento B
es la suma de las probabilidades de las
ocurrencias de A y de B..
23. La probabilidad del evento E, definido en
un espacio muestral S, es una funcin,
que hace corresponder a cada evento E un
nmero real, indicado por Pr(E), que
satisface los tres axiomas fundamentales.
24. La probabilidad condicional de un evento
A, dado que ha ocurrido el evento B, se
denota por Pr(A|B) (que se lee, la
probabilidad de A dado que B ha sucedido
o simplemente, p de A dado B) y se
calcula por:
) Pr(
) Pr(
) Pr(
B
AyB
B A =
25. La probabilidad de ocurrencia de dos
eventos, A y B, es decir, que A ocurra o B
ocurra o ambos ocurran, es igual a la
suma de las probabilidades de cada uno
de los eventos, menos la ocurrencia de
ambos simultneamente. Esta es la
llamada la propiedad aditiva de la
probabilidad.
26. Si un experimento es tal que pueda ser
tratado por etapas, una a continuacin de
la otra, la lista de los resultados puede ser
considerablemente reducida si se describe
por medio de un grfico, llamado rbol de
probabilidades.
27. Teorema de Bayes: supngase los eventos
B
1
, B
2
, B
3
, ... , B
k
, mutuamente
excluyentes y exhaustivos de un espacio
muestral S y sea E un evento asociado a
S. Aplicando la expresin para la
probabilidad condicional, se tiene que:
) Pr( ) Pr(
) Pr( ) Pr(
) Pr(
1
j
k
i
j
j j
j j
B E B
B E B
B B

=
28. La escuela objetivista o frecuencionalista
considera que la probabilidad solamente
puede obtenerse por medio de las
frecuencias relativas y, por consiguiente,
solamente es aplicable a situaciones en las
que la experiencia puede repetirse varias
veces, bajo las mismas condiciones.
29. La escuela subjetivista o personalista
considera la probabilidad como una
medida de la creencia de una persona
racional en una posicin dada. Diferentes
individuos racionales puede tener grandes
diferencias de creencias, aun encarados
con la misma evidencia y, por
consiguiente, las probabilidades
personales para el mismo acontecimiento
pueden ser diferentes, porque las
informaciones que tienen puede ser
diferentes.
30. La variable aleatoria es una funcin
definida sobre un espacio muestral cuyo
dominio es el conjunto de los resultados
de un experimento aleatorio y cuya
imagen es el conjunto de los nmeros
reales.
31. Una distribucin de probabilidades es el
conjunto de todas las posibilidades de un
experimento aleatorio y sus probabilidades
de ocurrencia.
32. La funcin de densidad de probabilidad es
una funcin matemtica f(x), con una
ecuacin que la identifica y un grfico que
la representa, y que, integrada entre dos
lmites, suministra el rea debajo de la
curva comprendida entre esos lmites,
rea sta, que tiene el mismo valor de la
probabilidad que la variable aleatoria
asuma valores entre esos lmites
33. Se dice que una variable aleatoria es
discreta si todos sus valores pueden ser
listados, es decir, pertenencen a un
conjunto finito o infinito numerable.
34. Se dice que una variable aleatoria es
continua si sus valores no pueden ser
listados, sino que pueden tomar un
nmero infinito de valores en un intervalo
finito o infinito.
35. Como la funcin acumulativa es la integral
de la funcin de densidad de probabilidad
hasta el valor x, al derivar la funcin de
distribucin acumulativa se encuentra la
funcin de densidad de probabilidad.
36. El valor esperado o media de una
distribucin, est dado por:
a) a)

= =
i
todo P
i i
x P x x E ) ( ) (
si X es discreta
b) b)


= = dx x f x x E ) ( ) (
si X es continua
37. La varianza mide la variabilidad de las
variables aleatorias y es igual a:
E(X
2
) - = E(X
2
) - | E(X )|
2

38. Distribucin binomial: Se considera que
una serie de ensayos independientes son
realizadas, donde cada tentativa puede
resultar en uno solo de los resultados
posibles. La probabilidad p de xito en
cualquier intento es considerada
constante. Suponiendo que sea X el
nmero de xitos en las n idnticas
repeticiones est dada por la expresin:
RESUMEN

73
Pr(X = x) =
1
0
C P
1
(1 p)
n-1
para x = 1, 2,
3, ... , n
39. Para una variable aleatoria binomial, el
valor esperado (la media), est dado por
= E(X) = np, y la vairanza por
2
=
VAR(X) = np(1 p)
40. Dsitribucin d Poisson: sea X una variable
aleatoria que toma los valores de 1, 2, 3,
... , n La probabilidad de que X tome el
valor k es
P(X = k) =
! k
e
k

para k = 1, 2, 3, ... , n
41. La media y la varianza de una distribucin
de Poisson son iguales y valen =
2
=
42. La distribucin exponencial modela el
intervalo de tiempo T entre llegadas o
conteos sucesivos de un proceso de
Poisson en medida = 0 y tiene una
funcin de densidad de probabilidad dada
por
f(t) =
t
e

, para t 0
43. La media y la varianza de una variable
aleatoria exponencial son iguales a:

1
= y
2
2
1

=
44. La funcin de densidad de probabilidad de
una variable aleatoria de DeMoivre-
Laplace-Gauss est dada por:
< <
(


= x
x
x f
2
2
2
) (
exp
2
1
) (


donde sus parmetros son:
media de la poblacin
la desviacin tpica de la poblacin
45 La distribucin DeMoivre-Laplace-
Gauss constituye una familia infinita de
distribuciones, una para cada y para
cada . Es simtrica alrededor de la
media, y la media, la mediana y la moda
son iguales y corresponden al mximo de
la funcin de la probabilidad.
RESUMEN

74

1. La Folha de S. Paulo present el 21/12/98
los escenarios para un determinado
acontecimiento que sera realizado: ms
probable, probable, poco probable,
improbable, muy improbable. Estime las
probabilidades asociadas con cada uno de
esos trminos.
2. El Jornal do Brasil del 23/1/99 public la
carta de un lector que peda una revisin
del procedimiento de los sorteos de la
Megassena porque estoy sorprendido
nuevamente con los sorteos 147 de
Megassena y 495 de la Quina, ambos del
da 24 de diciembre, que premiaron los
nmeros 06, 23 y 38, comunes a los dos
concursos. Comente al respecto.
3. La siguiente noticia contradice la teora
estadstica? Avin hiere baistas en la
playa de Lebion.
4. La Folha de S. Paulo del 20/01/98, public
la siguiente noticia: La... est con una
nueva promocin en sus 63 almacenes.
Por cada US$ 40.00 en compras, el cliente
gana una raspadura premiada. La
empresa invirti US$ 50 000. Comente
esta noticia.
5. Describa un posible espacio muestral para
cada uno de los siguientes experimentos:
a) Se sabe que un gran lote de chips RAM
contiene un pequeo nmero de chips
ROM. Tres chips son sacados al azar y
se examinan para saber si un chip es
RAM o ROM.
b) Una caja con 10 chips contiene un chip
defectuoso y nueve buenos. Se sacan
al azar 3 chips de la caja y se
examinan.
c) Una instruccin Si... entonces... si no
se ejecuta 4 veces.
6. Considere un equipo de computadoras con
cinco drives idnticos. Un posible
experimento aleatorio consiste en
comprobar el sistema para ver cuntos
drives estn disponibles actualmente.
Cada drive est en uno de dos estados:
ocupado (llmelo 0) o disponible (llmelo
1). Un resultado del experimento (un
elemento del espacio muestral) puede ser
representado por una terna compuesta de
ceros y de unos. Un cero en la posicin i
de la terna indica que drive i est ocupado
y un 1 indica que est disponible.
a) Diga cuntos elementos tiene el
espacio muestral.
b) Haga una lista del espacio muestral,
identificando cada evento elemental
por EE
i.
Ejemplo: EE
0
= {0, 0, 0, 0, 0}.
c) Haga una lista del evento E
1
definido
como hay mnimo 4 drives
disponibles.
d) Haga una lista del evento contrario al
evento E
1
.
e) Describa, en palabras, el evento E
1
.
f) Haga una lista del evento E
2
definido
por hay mximo 4 drives disponibles
g) Haga una lista del evento E
3
definido
por como mnimo hay 4 drives
disponibles y como mximo 4 drives
estn disponibles.
h) Haga una lista del evento E
4
definido
por el drive 1 est disponible.
i) Haga una lista del evento E
5
definido
por como mnimo hay 4 drives
disponibles o el drive 1 est
disponible.
j) Si E
6
es el evento

el drive 1 est
ocupado, indique su relacin con el
evento E
4
.
7. Demuestre los siguientes teoremas:
a) La probabilidad del evento imposible
es cero.
b) La probabilidad del evento contrario es
igual a 1 menos la probabilidad del
evento considerado.
c) La probabilidad de que suceda por lo
menos uno de dos eventos A o B
cualesquiera, definidos en el mismo
espacio muestral S, es igual a las
sumas de las probabilidades de los dos
eventos menos la probabilidad de que
A y B ocurran simultneamente.
Generalice el teorema de la suma para
cualquier nmero de eventos.
d) Si A y B son mutuamente excluyentes,
Pr(A y B) = 0.
e) La probabilidad de que ocurran
simultneamente dos eventos A y B
del mismo espacio muestral S, es igual
al producto de la probabilidad de uno
de ellos por la probabilidad condicional
del otro, dado que el primero ocurri.
8. En un sistema k-de-n, compruebe que:
a) R
1/n
= R
paralelo

b) R
n/n
= R
serie

9. Suponga un canal binario de
comunicaciones que transmite palabras de
n bits cada una. La probabilidad de una
transmisin correcta es p y el cdigo es
capaz de corregir hasta ) 0 ( l l errores.
Por ejemplo, si ningn cdigo o
verificacin de pariedad es usado,
entonces 0 = l . Si se emplea el cdigo de
Hamming para la correcin de error nico,
entoncs 1 = l .
PROBLEMAS PROPUESTOS
PROBLEMAS PROPUESTOS

75
Considerando que la transmisin de bits
sucesivo es independiente, escriba la
frmula de la probabilidad de la
transmisin correcta de una palabra.
10. Se desea comprar dos esquemas
diferentes para aumentar la confiabilidad
de un sistema usando la redundancia. El
sistema necesita de s componentes
idnticos en serie para operar y existen
ms componentes, cada uno con la misma
confiabilidad R;
a) Decida cul de los esquemas de las
figuras 3.22 y 3.23 suministra la
mayor confiabilidad.
b) La confiabilidad de cada componente
es R; encuentre las confiabilidades de
las dos configuraciones para m=3 y
s=2, comparando las dos expresiones
para el esquema A y el esquema B.
1 2
3
1 2
3
m cadenas en paralelo
Figura 3.22 Esquema A


m

c
o
m
p
o
n
e
n
t
e
s
Figura 3.23 Esquema B
1
1
m

c
o
m
p
o
n
e
n
t
e
s
2
2
m

c
o
m
p
o
n
e
n
t
e
s
3
3
11. Dibuje una funcin de densidad de
probabilidad reducida DeMoivre-Laplace-
Gauss y sombree el rea deseada para
obtener el rea...
a) a la derecha de z = 1.0
b) a la izquierda de z = 1.0
c) a la derecha de z = 0.34
d) entre z = 0 y z = 1.5
e) entre z = 0 y z = - 2.88
f) entre z = - 0.49 y z = - 0.20
g) entre z = - 0.49 y z = 0.49
h) entre z = 2.5 y z = 2.8
i) a la izquierda de z = - 0.2
j) a la derecha de z = - 0.2
k) entre z = - 0.2 y z = 0
l) entre z = -0.2 y z = 0.4
12. En una poblacin con media 25 y
desviacin tpica de 2, encuentre los
valores de z que corresponden a los
siguientes valores de esa poblacin:
a) 23.0
b) 23.5
c) 24.0
d) 25.2
e) 25.5
13. Una poblacin de DeMoivre-Laplace-Gauss
tiene media 40 y desviacin tpica 3.
Encuentre los valores correspondientes a
los siguientes valores de z.
a) 0.10
b) 2.00
c) 0.75
d) 2.53
e) 3.00
f) 3.20
14. Teniendo en cuenta que la media de una
distribucin de probabilidad es un
parmetro de gran importancia,
demuestre las siguientes propiedades:
a) La media de una constante es igual a
la misma constante
b) Si multiplicamos los valores de una
variable aleatoria por una constante, la
media queda multiplicada por esa
constante.
c) La media de la suma o la diferencia de
variables aleatorias es igual a la suma
o diferencia de las medias de esas
variables.
d) Si sumamos o restamos una constante
a los valores de una variable aleatoria,
la media crece o disminuye en el valor
de esa constante.
PROBLEMAS PROPUESTOS

76
e) La media del producto de dos variables
aleatorias independientes es igual al
producto de las medias de esas
variables.
15. Demuestre las siguientes propiedades de
la varianza:
a) La varianza de una constante es cero.
b) Si multiplicamos todas los valores de
una variable aleatoria por una
constante, su varianza queda
multiplicada por el cuadrado de esa
constante.
c) La varianza de la suma o diferencia de
variables aleatorias independientes es
igual a la suma de las varianzas de
esas variables.
d) Si sumamos o restamos una constante
a los valores de una variable aleatoria,
su varianza no se altera.
16. Demuestre que, para la distribucin
binomial, la media es igual a np y la
varianza es igual a npq.
17. Demuestre que, para la distribucin de
Poisson, la media y la varianza son
iguales.
18. Demuestre que, para la distribucin
exponencial, la media y la varianza son
iguales.
19. Un grupo de vendedores de suscripciones
de un proveedor es observado
continuamente durante 80 minutos en el
perodo de mayor afluencia de pblico. En
ese tiempo, ellos efectuaron 30
entrevistas, empleando un tiempo total de
4 200 segundos. Encuentre la tasa media
de llegadas de los presuntos clientes.
20. En el Jornal do Brasil del 24 de enero de
1999, apareci la siguiente noticia: Segn
las probabilidades matemticas,
hacindose una apuesta mnima en la
Megassena, el chance de acertar los 6
nmeros del universo de 60 (Sena) es de
uno en cada 50 063 860 apuestas, es
decir que, si en el sorteo hubiere apuestas
con todas las combinaciones posibles, hay,
segn los fundamentos matemticos, una
ocasin favorable cada 50 063 860
apuestas.
a) Desarrolle los clculos necesarios para
encontrar el valor 50 063 860.
b) Haga un comentario sobre la expresin
probabilidades matemticas.
21. Para resolver cualquier problema del
clculo de probabilidades, los pasos son
los siguientes:
a) Paso 1: Identifique el espacio muestral
del experimento aleatorio.
b) Paso 2: Asigne las probabilidades.
c) Paso 3: Identifique los eventos de
inters.
d) Paso 4: Calcule las probabilidades
deseadas.
Suponga un laboratorio con 6
microcomputadoras. Suponga que cada
micro tiene la misma probabilidad de estar
ocupado (o disponible). Estudie los
siguientes eventos:
Como mnimo hay 2 micros ocupados
pero no ms de 5.
Como mnimo hay 3 micros ocupados
pero no ms de 5.
Todos los micros disponibles o un
nmero par de micros ocupados.
e) Encuentre cul de los eventos A, B, y
C es el ms probable.
f) Se decide comprar ms micros
solamente si la probabilidad de que
por lo menos uno de los eventos A, B,
y C se presentara en un porcentaje
mayor del 90%. Cul es su decisin?
22. Considere el siguiente segmento de un
programa de computador:
Si B
Entonces
Repita S
1
hasta B
1

Si no
Repita S
2
hasta B
2

Se comprob que, el 60 % de las veces,
que B
1
es verdadero y, en las restantes B
2

es verdadero. Exactamente una intuicin
es comn a las instrucciones S
1
y S
1
:
escriba (buenos das). Despus de 200
ejecuciones de ese segmento del
programa, fueron impresos, en 24 de las
ocasiones, exactamente 3 mensajes de
buenos das. Si la probabilidad de la
condicin B es verdadera en ms de un
60%, se aceptar ese segmento del
programa Cul es su decisin?
23. Un meteorlogo acierta en un 80% los
das de lluvia y en un 90% los das
soleados. Llueve el 10% de los das.
Habiendo previsto que llueve Cul es la
probabilidad de que llueva realmente?
24. Un mtodo A de diagnstico de cierta
enfermedad da resultados positivos para
un 80% de los portadores de la
enfermedad y el 10% para los sanos. Un
mtodo B de diagnstico de esa misma
enfermedad da positivo para el 70% de los
portadores y del 5% para los sanos. Si el
15% de la poblacin es portadora de la
enfermedad, calcule la probabilidad de
que:
a) Una persona resulte positiva con
ambos mtodos.
b) Entre dos personas enfermas, por lo
menos una salga positivo con alguno
de los mtodos.
PROBLEMAS PROPUESTOS

77
25. La confiabilidad (probabilidad de
funcionar) de un equipo es del 90%.
Encuentre la confiabilidad de que un
sistema funcione con dos componentes, si
estos fueran instalados:
a) en serie.
b) en paralelo.
26. Encuentre los valores de z
correspondientes a las siguientes
probabilidades:
a) 0.0505 a la izquierda de z.
b) 0.0228 a la izquierda de z.
c) 0.0228 a la derecha de z.
d) 0.4772 entre z = 0 y z.
e) 0.0240 entre z y z.
f) 0.9760 debajo de z o encima de z.
27. Una compaa de aviacin lleg a la
conclusin de que el 5% de las personas
que hacen reservacin en cierto vuelo no
llegan a ambarcarse. En consecuencia,
adopt la poltica de vender 70 sillas para
un avin con 68 puestos Cul es la
probabilidad de que todas las personas
que lleguen para ese vuelo encuentren
sitio en l?
28. Despus de 28 das de mezclado, el
Cemento Portland comn tiene una
resistencia media a la compresin de 4
000 psi (libras por pulgada cuadrada).
Datos anteriores permiten afirmar que esa
resistencia tiene una distribucin de
DeMoivre-Laplace-Gauss con desviacin
tpica de 120 psi (libras por pulgada
cuadrada). Encuentre las siguientes
probabilidades para una resistencia a la
compresin de 28 das:
a) menor de 3 900 psi.
b) menor de 3 850 psi.
c) mayor de 3 850 psi.
d) mayor de 3 880 psi.
29. La renta promedio de una gran comunidad
puede ser razonablemente aproximada por
una distribucin DeMoivre-Laplace-Gauss
con media de US$ 5 000 y desviacin
tpica de US$ 3 000:
a) Qu porcentaje de la poblacin se
estima que tenga una renta superior a
US$ 8 600?
b) En una muestra de 50 perosnas,
cuntas de ellas se puede esperar
que tengan menos de US$ 2 000 de
renta?
30. Un comerciante en hierro asegura que su
producto presenta una resistencia a la
tensin que puede aproximarse por una
distribucin de DeMoivre-Laplace-Gauss
con media de 50 000 psi y varianza de 8
100 psi. Suponiendo verdadera la
hiptesis, qu porcentaje de medidas
dar resultado?
a) superior a 50 000 psi
b) inferior a 49 950 psi
31. Un valuador de muebles calcula que su
capacidad para estimar los costos de los
proyectos tiene una distribucin DeMoivre-
Laplace-Gauss alrededor del costo
verdadero con desviacin tpica de US$ 10
000 En tal caso, cul es el porcentaje de
las veces de su estimacin dentro de:
a) US$ 15 000 del verdadero costo?
b) US$ 20 000 del verdadero costo?
c) US$ 27 000 del verdadero costo
32. Un proceso industrial produce tuberas que
tienen un dimetro promedio de 4 cm. y
desviacin tpica de 0.2 cm. Los tubos que
varen en ms de 0.3 cm. a partir de la
media se consideran defectuosos. Con los
datos anteriores que permiten afirmar que
los valores obedecen a una distribucin
DeMoivre-Laplace-Gauss, encuentre:
a) el porcentaje de tubos defectuosos.
b) la probabilidad de encontrar dos tubos
defectuosos seguidos.
c) la probabilidad de encontrar dos tubos
perfectos en sucesin.
33. Determinado proceso produce un 5% de
tems defectuosos. Si se tomara al azar
una muestra de 5 tems, calcule la
probabilidad de encontrar 2 productos
defectuosos.
34. Un laboratorio de microcomputadoras
tiene una biblioteca de 100 sub-rutinas y
cada semana, en promedio, son
encontrados (y corregidos) bugs en dos de
las sub-rutinas. Encuentre la probabilidad
de que sean encontrados dos errores en
ms de 3 sub-rutinas la prxima semana.
35. El nmero de llamadas que llegan a un
servidor tiene una tasa media de 10
mensajes por segundo. Encuentre la
probabilidad de que:
a) Ninguna llamada llegue en un perodo
de 1 segundo.
b) 15 menos llamadas lleguen en un
perodo de 1 segundo.
36. Se estima que el nmero promedio de
defectos superficiales en 20 metros
cuadrados de papel producido con
determinado procesos es de 3. Cul es la
probabilidad de encontrar ms de 2
defectos en 40 metros cuadrados de papel
seleccionados aleatoriamente?
37. Se comprob que el nmero de buffers en
uso en determinado sistema puede
obedecer a una distribucin DeMoivre-
Laplace-Gauss con media 100 y desviacin
tpica de 10. Encuentre la probabilidad de
que el nmero de buffers:
a) No exceda de 120.
b) Est entre 980 y 120.
PROBLEMAS PROPUESTOS

78
c) Exceda los 130.
38. La vida de determinado sistema en
perodo de degradacin, obedece a la
distribucin de DeMoivre-Laplace-Gauss
con una media de 10 000 horas y
desviacin tpica de 1 000 horas.
Encuentre la confiabilidad para un tiempo
de operacin de 500 horas, sabiendo que
la edad del componente es:
a) 9 000 horas.
b) 11 000 horas.
39. La deteccin de un ruido transmitido por
una seal obedece a una distribucin de
DeMoivre-Laplace-Gauss con media 0V y
desviacin tpica de 0.45V. Si el sistema
interpreta que un dgito 1 es transmitido
cuando la tensin excede el valor de 0.9V:
a) Encuentre la probabilidad de que se
detecte una seal interpretada como
un 1, cuando ninguna fue transmitida.
Esta probabilidad es conocida como
falsa alarma.
b) Encuentre los lmites simtricos
alrededor de 0 que incluya el 99% de
todas las lecturas del ruido.
c) Si un dgito 1 es interpretado como un
dislocamiento de 1.8V en la medida de
la distribucin del ruido, encuentre la
probabilidad de que ese ruido no sea
detectado. Esa probabilidad es
conocida como deteccin perdida.
40. El dimetro de un punto producido por
una impresora obedece a una distribucin
de DeMoivre-Laplace-Gauss con un
dimetro promedio de 0.002 pulgadas y
desviacin tpica de 0.0004 pulgadas:
a) Encuentre la probabilidad de que el
dimetro de un punto sea mayor que
0.0026 pulgadas.
b) Encuentre la probabilidad de que un
dimetro est entre 0.00014 y 0.0026
pulgadas.
c) Cul es la mxima variabilidad que se
seguir (valor de la desviacin tpica)
para que la probabilidad de que un
dimetro est entre 0.0014 y 0.0026
pulgadas, sea del 99.5 %?
41. Una lmpara incandescente es
comercializada sin propaganda en cuanto
a su duracin y cuesta US$ 3.00 Sin
embargo, con respecto a una nueva
lmpara fluorecente, afirman que dura 40
veces ms, pero su costo es de US$ 60.00
Vale la pena comprar esa lmpara?
PROBLEMAS PROPUESTOS

79

Ejercicio- ejemplo 3.1

Se tienen 100 tarjetas numeradas del 1 al
100. Se retiran 3 al azar. Determine la
porbabilidad de que :

a) Las tres tarjetas tengan nmeros
consecutivos
b) Aparezcan dos nmeros consecutivos
(pero no tres)
c) De que no aparezcan nmeros
consecutivos

Identifique cundo este problema que, con
enunciado semejante, es encontrado en los
libros de Estadstica actuales - fue formulado
por primera vez:

a) 1950
b) 1900
c) 1850
d) 1800
e) ninguna de las respuestas anteriores


Respuesta:

Este problema fue propuesto por Leonard
Euler, matemtico francs (1707 1783),
hace ms de 200 aos.

Ejercicio-ejemplo 3.2

a) Determine la confiabilidad del sistema de
la figura 3.3, sabiendo que la confiabilidad
de cada aparato es del 90%;
b) Determine la confiabilidad del sistema de
la figura 3.4, si se sabe que la
confiabilidad de cada equipo es de 90%.

Respuesta:

a. Para que el sistema funcione, los dos
equipos deben funcionar
simultneamente. Aplicando la propiedad
multiplicativa para los eventos, tenemos
que:

Pr(ambos funcionen) = 0.9 x 0.9 = 0.81
%

b. Para que el sistema funcione, por lo
menos uno de los dos equipos debe
funcionar, es decir, o el primero, o el
segundo, o los dos. Aplicando la propiedad
aditiva, tenemos que:
Pr( el 1, o el 2, o ambos funcionen)
= Pr(1 funcione) + Pr(2 funcione)
Pr(ambos funcionen)
= Pr(1 funciona) x Pr(2 funciona);
entonces
= 0.9 + 0.9 0.9*0.9
= 99 % = 0.99

Ejercicio-ejemplo 3.3

En una lnea de produccin de placas para
circuitos electrnicos se sabe, a partir de
registros histricos, que el 5% de las placas
no satisface las especificaciones de longitud y
que el 3% no satisface las especificaciones de
la anchura. Teniendo en cuenta que los cortes
para la longitud y el ancho son hechos por
mquinas diferentes, es decir, que son
independientes, determine:

a) La probabilidad de escoger una placa
totalmente conforme a las
especificaciones.
b) La proporcin de placas que no satisfacen
por lo menos a una de las
especificaciones.
c) La proporcin de placas que no cumplen
ninguna de las especificaciones.
d) La probabilidad de un material no
conforme, sabindose que, si no es
conforme en cuanto a la longitud hecha
por las mquinas responsables por el corte
de las medidas, la probabilidad de ser no
conforme en cuanto al largo es del 60%.
e) Si, en el tem (a), los eventos pueden
considerarse como mutuamente
excluyentes.
f) Describa dos eventos de este ejemplo que
sean mutuamente excluyentes.

Respuesta:

a. Sea el evento A = (placas que satisfacen
las especificaciones en cuanto a longitud).
Sea el evento B = (placas que satisfacen
las especificaciones en cuanto a ancho).
Por la propiedad multipicativa, siendo A y
B independientes, Pr = satisfacer largo y
ancho) = (0.95)(0.97) = 92.15 % =
0.9215

b. Pr(A) = 1 Pr(placas no satisfacen
especificaciones de longitud) = 1 0.05 =
95 % = 0.95

SOLUCIONES DE LOS EJERCICIOS-EJEMPLOS
SOLUCIONES DE LOS EJERCICIOS-EJEMPLOS

80
Pr(B) placas no satisfacen las
especificaciones en cuanto a ancho) = 1
0.03 = 97 % = 0.97

La probabilidad deseada es la de no tener
tener placas que no obedezcan a la
longitud, o al ancho o a ambos. Por la
propiedad aditiva es igual:

[0.05 + 0.03 (0.05)(0.03)] = 7.85 % =
0.0785. Por lo tanto, 7.85 de las placas
tendrn por lo emos una caracterstica
calidad que no satisface las
especificaciones.

c. La probabilidad deseada es la de no tener
placas que no obedezcan las exigencias de
largo y ancho a la vez, es decir, (0.5)
(0.03) = 0.15 % = 0.0014. En
consecuencia, menos del 1 % de las
placas no obedecer las exigencias de
largo y ancho.

d. La probabilidad que interesa es la
proporcin de piezas no conformes con la
longitud y el ancho, sabindose que si no
cumplen las especificaciones de longitud,
la probabilidad de no obedecerlas es del
60 %. Por la propiedad multiplicativa, es
igual a (0.05)(0.60) = 3 % = 0.03.

En consecuencia, si los eventos no son
independientes, el 3 % de las placas no
satisfaran las especificaciones de longitud
y ancho. Se puede ver que este valor es
completamente diferente al obtenido en la
parte c, donde los eventos fueron
considerados independientes.

e. Se sabe que Pr(A) = 0.95, Pr(B) = 0.97
entonces la probabilidad de que los dos se
presenten a la vez es (0.95) (0.97) =
92.15 % = 0.9215.

Si A y B fueran mutuamente excluyentes,
la probabilidad de que la placa sea
conforme a las especificaciones debera
ser cero. Con todo, este no es el caso,
pues la probabilidad calculada es 92.15 %
en consecuencia, A y B no son
mutuamente excluyentes.

f. Como una placa no puede ser conforme a
las especificaciones o no serlos
simultneamente, entonces los eventos
son mutuamente excluyentes.




Ejercicio- ejemplo 3.4

Usualmente, somos abordados por
vendedores de suscripciones de revistas que
nos ofrecen un ejemplar gratis como
motivacin para que nos suscribamos. La
editorial tiene una idea del nmero de
personas que se suscriben a la revista
despus de recibir el nmero gratis y consigue
crear una funcin de distribucin probabilstica
de X, que es el porcentaje de nuevas
suscripciones. De cada 100 suscripciones, el
60% proviene de los aeropuertos, el 30% de
los congresos y el 10% de las estaciones del
metro. Como en cada uno de estos sitios el
nmero de personas vara, se anot la
efectividad del sistema, es decir, la relacin
entre el nmero de nuevas suscripciones y el
nmero de personas abordadas que aceptaron
el ejemplar; en este ejercicio-ejemplo, fueron
el 40%, 70% y 20% respectivamente. El costo
de donar una revista a una persona es de R$
1.57, mientras que la utilidad de cada
suscripcin es de R$ 3.42. Determine el valor
esperado de la utilidad lquida por suscripcin
en la aplicacin de este sistema de ventas.

Respuesta:

La ganancia esperada en los aeropuertos es
de (0.4) (US$3.42 US$ 1.47) + (0.6) (-
US$1.47) = US$ 0.142. La ganancia en los
congresos es de (0.7) (US$3.42 US$ 1.57)
(0.3) (-US$1.47) = US$ 0.854. La ganancia
esperada en el metro es de (0.2) (US$3.42
US$ 1.57) + (0.8) (-US$1.47) = US$ 0.806.

Ahora se puede calcular la utilidad total (0.6)
( US$ 0.142) + (0.3) (-US$ 0.854) + (0.10)
(- US$ 0.806) = US$ 0.0904.
De modo que de cada US$ 1.00 invertido, la
utilidad es de US$ 0.0904.

Ejercicio- ejemplo 3.5

Encuentre el valor esperado de un juego de
raspadura que cuesta US$ 1.00 con una
emisin de cinco series de 1 000 000 de
billetes cada una, si se prev la distribucin de
975 630 billetes premiados, como se detalla a
continuacin.

a) 5 automviles con valor de US$ 15 000.00
cada uno.
b) 125 bicicletas de 18 cambios con valor de
US$ 150.00 cada una.
c) 1 500 premios de US$ 100.00.
d) 9 000 premios de US$ 20.00.
e) 65 000 premios de US$ 10.00.
f) 100 000 premios de US$ 10.00.
SOLUCIONES DE LOS EJERCICIOS-EJEMPLOS

81
g) 350 000 premios de US$ 2.00.
h) 450 000 billetes gratis para otra
raspadura.

Respuesta:

El nmero de casos posibles es de 5 000 000.
Al comprar la raspadura, el apostador ya
pierde US$ 1.00 y no tiene 975 630
oportunidades de ganancia, como
aparentemente se cree, porque en 450 000
ocasiones recibe, no el dinero sino otra
raspadura. De esa manera, el valor
esperado de la ganancia de una persona es la
siguiente:

[(5) (US$ 15 000) + (1 500) (US$ 150) + (1
500) (US$ 100) + (9 000) (US$ 20) + (65
000) (US$ 10) + (100 000) (US$ 4) + (350
000) (US$ 2) + (450 000) (US$ 0) +
(5000000 975 630) (-US$ 1)] / 5000000
=
000 000 5
370 024 4 $ 000 380 2 $ US US

= - US$ 0.328874, redondeando por defecto
tenemos que:
= - US$ 0.33
En resumen, tiene una prdida de US$ 0.33 al
jugar con la raspadura

Ejercicio- ejemplo 3. 6

En un examen de opcin mltiple con 50
preguntas, cada pregunta presenta 5
opciones. Encontrar la probabilidad de que un
alumno, marcndolas al azar, acierte 30
preguntas

Respuesta:

Como las opciones son 5, la probabilidad de
xito es 0.2; es decir, cada una de las
opciones representa el 20 % de xito, siendo
as
Pr(X = 30) =
30 50 30 30
50
) 2 . 0 1 ( ) 2 . 0 (

C , de
donde
Pr(X = 30) = (1.073742824 X 10
-21
)(
0.11529215) = 1.237940039 x 10
-23
.

Ejercicio- ejemplo 3. 7

En un examen de opcin mltiple con 50
preguntas, cada pregunta presenta 5
opciones. Encontrar la probabilidad de que un
alumno, marcndolas al azar obtenga una
calificacin mayor o igual a 5 en la escala de 0
a 10, es decir, acierte 25 o ms preguntas.

Respuesta:

La respuesta est dada por:
1 50
50
25
50
) 8 . 0 ( ) 2 . 0 (

=

i
i
i
C , se deja al profesor
alumno para que realice los clculos

Ejercicio- ejemplo 3.8

Un examen que tiene 50 preguntas. Calcule la
probabilidad de que un alumno, marcando al
azar las respuestas, obtenga una calificacin
mayor o igual a 6, en los siguientes casos:
a) tiene 4 opciones
b) tiene 5 opciones

Respuesta:

Para obtener una calificacin mayor o igual a
6, el alumno debe acertar en 30 o ms
preguntas. De esta manera, la probabilidad
buscada resulta al sumar desde x = 30. Pero
el Excel da solamente la suma desde x = 0
hasta un determinado valor. Entonces, el
clculo de la probabilidad de que un alumno
obtenga una calificacin igual o mayor que 6
se hace de la siguiente manera:

a. Se calcula la probabilidad de que el
alumno no acierte hasta 29 preguntas.
Como la suma de todas las probabilidades
es 1, se resta del 1 el resultado dado por
el Excel. Se tiene, entonces, que
DISTRBINOM(29; 50; 0,2; VERDADERO) =
0.999999999.



Con este resultado, la oportunidad de que
un alumno obtenga una calificacin mayor
o igual que 6, marcando aleatoriamente
las respuestas, ser de 0.000000001.

b. En el caso de las 4 opciones, se tiene que:
DISTRBINOM(29; 50; 0.25; VERDADERO)
= 0.999999936.
SOLUCIONES DE LOS EJERCICIOS-EJEMPLOS

82

Con este resultado, la oportunidad de que un
alumno obtenga una calificacin mayor o igual
que 6, marcando aleatoriamente las
respuestas, es de 0.000000164, la cual
aunque 164 veces mayor que la de 5
opciones, tambin es, prcticamente cero.

Ejercicio- ejemplo 3.9

Una oficina de consultora recibe, en
promedio, cinco llamadas telefnicas por hora.
Encuentre la probabilidad de que, en
determinada hora, tomada al azar, sean
recibidas exactamente tres llamadas.

Respuesta:

En este problema = 5 y k = 3, entonces:
! 3
5
) 3 (
3 5
= =
e
X P , de donde
P(X =3) = 1404 . 0
6
) 125 )( 006737722 . 0 (
= de
donde

La probabilidad de que a determinada hora se
reciban exactamente tres llamadas es de
14.04 %.

Ejercicio- ejemplo 3.10

Segn datos histricos de cierta empresa, 3
es el promedio de llamadas recibidas en 20
minutos:
a) Encuentre la distribucin de probabilidad
de este ejemplo.
b) Encuentre la probabilidad de tener, como
mximo, 2 llamadas en 40 minutos, en un
intervalo escogido aleatoriamente.

Respuesta:

a. La distribucin de las respuestas es la
siguiente:
x 0 1 2 3 4 5 6 7
Pr(x) 0.002 0.015 0.045 0.089 0.134 0.0161 0.160 0.138

x 8 10 11 12 13 14 15 ms de 15
Pr(x) 0.069 0.041 0.023 0.011 0.005 0.003 0.000 0.000
b. En este ejemplo, una unidad de tiempo es
de 40 minutos. En consecuencia, se
encuentra al calcular el promedio de de
llamadas en 40 minutos, es decir, = 6 La
probabilidad buscada es:
Pr(X 2) = Pr(X = 0) + Pr(X = 1) + Pr(X =
2)
P(X) =
SOLUCIONES DE LOS EJERCICIOS-EJEMPLOS

83
2
36 ) 002478653 . 0 (
1
6 ) 002478653 . 0 (
0
1 ) 002478653 . 0 (
! 2
6
! 1
6
! 0
6
!
2 6 1 6 0 6
+ + = + + =

e e e
k
e
k

=
... 6196 . 0 044615754 . 0 014871918 . 0 002478653 . 0
2
) 0899231508 . 0 (
1
) 014871918 . 0 (
= + + = +
= 6.2 % = 0.0619663325
= 0.61968804 = 6.2 % por defecto

Ejercicio- ejemplo 3.11

Cuando observamos la duracin de las
bateras de los video-juegos, concluimos que
esta vida no es ms que el intervalo entre las
fallas sucesivas de las bateras; para esas
fallas se puede aplicar el proceso de Poisson.
De esta manera, el tiempo promedio entre
esas fallas viene a ser la vida media de la
batera. Suponga que muchsimas bateras
fueron usadas y que se observ (algo raro de
acontecer en la vida diaria, pues solo las
fbricas lo hacen), que cada 7 das haba
necesidad de cambiarlas (es decir, que la vida
promedio de las bateras es una semana). Las
fallas de las bateras son aleatorias e
independientes y obedecen a una distribucin
de Poisson; entonces, para el tiempo de vida
de una batera se puede emplear la funcin
exponencial.

a) Encuentre la probabilidad de que la batera
funcione por lo menos durante dos
semanas.
b) Encuentre la probabilidad de que una
batera puede fallar en un lapso de tres
das.
c) Encuentre la probabilidad de que una
batera pueda funcionar entre 3 y 4
semanas.
d) Encuentre la desviacin tpica del tiempo
de vida de una batera.
e) Sabiendo que una batera ya dur una
semana, encuentre la probabilidad de que
dura, por lo menos, ms de dos semanas.

Respuesta:

a. Como la vida media de una batera es de 1
semana, la tasa de fallas es = 1 semana.

Si el tiempo de vida de una batera se
representa por X, deseamos encontrar.
Pr(X > 2) = 1 Pr(X 2) = 1 [1- e
-x
] = 1
[1- e
-1x2
] = 13.5 %
b. 3 das de la semana representan los
7
3
de
semana; entonces, Pr(X
7
3
)
SOLUCIONES DE LOS EJERCICIOS-EJEMPLOS

84
= [1 -
7
3
1x
e

] = 1 e-0.428 = 0.65

c. Pr(3 X 4) = F(4) F(3)
=
| | | | % 14 . 3 0314 . 0 0183 . 0 0497 . 0 1 1
4 3 ) 3 ( 1 ) 4 ( 1
= = = =

e e e e

d. =

1
= 1 semana
e. Pr
% 5 . 13 135 . 0
) 1 Pr( 1
) 2 Pr( 1
) 1 Pr(
) 3 Pr(
1
3
= =


=
>
>
=
|
|
.
|

\
|

X
X
X
X
X
X


Ejercicio- ejemplo 3.12

En Excel, calcule la probabilidad aproximada
de que un equipo, cuya vida media de 2 aos
y 4 meses puede ser modelada por la
distribucin exponencial, puede durar:

a) Hasta tres aos.
b) Ms de tres aos.
c) Hasta 2 aos y 4 meses.
d) Ms de dos aos y 4 meses.
e) Ms de 3 aos despus de haber
funcionado durante un ao.

Respuesta:

Como =
333333 . 2
1
, entonces, se tiene que:
a. La probabilidad de que dure hasta tres
aos es del 72 %.
b. La probabilidad de que dure ms de tres
aos es del 28 %.
c. La probabilidad de que dure ms de tres
aos es del 63 %.
d. La probabilidad de que dure ms de dos
aos y 4 meses es del 33 %.
e. La probabilidad de que dure ms de tres
aos despus de haber funcionado durante
un ao es del 28%.

Ejercicio-ejemplo 3. 13

Encuentre las siguientes probabilidades:

a) Pr(z < 1.23)
b) Pr(z > 1.23)
c) Pr(1 < z < 1.5)
d) Pr(- 1 < z < 2)

Respuesta

a. Pr(z < 1.23) se obtiene directamente de la
tabla en el cruce de la lnea 1.2 con la
columna 0.03; el resultado es 0.8906651
= 89.0651 %, redondeado por exceso
equivale al 89 %
b. Pr(z > 1.23) equivale al rea obtenida al
restar el valor de Pr(z < 1.23), entonces,
1 - 0.8906651 = 0.10934 = 10.934 %,
redondeado por defecto, corresponde al
11 %
c. Pr(1 < z < 1.5); la probabilidad hasta z =
1.5, es igual a 0.9331927 y hasta z = 1,
es iagual a 0.8413447 Entonces el rea
perdida, porsustraccin es 0.9331927 -
0.8413447 = 0.091849 = 9.1849 %,
redondeado por exceso es iagual al 9 %
d. Pr(- 1 < z < 2); la probabilidad hasta z =
2 es igual a 0.977250; hasta z = -1 es
igual al rea a la derecha de z = +1 la
cual a su vez, es igual a 1 el rea de la
izquierda de z = 1 Entonces, el resultado
es 0.1586553 El rea buscada, por
sustraccin es 0.977250 - 0.1586553 =
0.8185947 = 81.85947 %, redodndeado
por defecto es igual al 82 %

Ejercicio-ejemplo 3.14

Encuentre el valor de z que corresponde al
rea (probabilidad) del 5% a la derecha de z.

Respuesta:

Esta rea no es legible directamente; el valor
de z encontrado es el correspondiente a la
probabilidad de - , es decir, 1 0.0505 =
0.9495. De manera que, el valor de z es +
1.65, aproximadamente.

Ejercicio-ejemplo 3.15

Se comprob que la longitud de un objeto
puede obedecer a una distribucin de
DeMoivre-Laplace-Gauss con medio de 100
mm y desviacin tpica de 2 mm.

a. Encuentre la proporcin de objetos que
son mayores de 103.3 mm.
b. Encuentre la proporcin de los resultados
que se encuentran entre 98.5 y 102.0
mm.
c. Encuentre la proporcin de objetos que
estn debajo de 96.5 mm.
d. Es importante que la longitud del objeto
no sea muy grande cuando se compara un
cierto valor buscado; si la gerencia decide
que un mximo del 5 % de los objetos
deben tener una longitud mayor que ese
SOLUCIONES DE LOS EJERCICIOS-EJEMPLOS

85
valor, recomiende un lmite para la
especificacin.

Respuesta:

a. Sea X la longitud de la pieza; los valores
de los parmetros para la distribucin de
DeMoivre-Laplace-Gauss son:
= 100
= 2
El valor de la distribucin de DeMoivre-
Laplace-Gauss correspondiente a 103.3
mm es:
Z
1
= 65 . 1
2
100 3 . 103
=

X

En el Excel, se emplea la funcin
EMPADRONIZAR
En consecuencia, Pr(X >103.3) = Pr(Z >
1.65). En el Excel, en la funcin
DISTR.NORMP, con z = 1.65, Pr(X 1.65)
= 0.9505, la cual tambin es igual a Pr(Z
103.3, entonces:
Pr(Z > 1.65 ) = 1 Pr(Z 1.65) = 1
0.9505 = 0.0495, de donde
La probabilidad buscada, Pr(X > 103.3) es
del 4.95 %, redondeada por defecto
equivale al 5 %
En el Excel, el clculo podra haber sido
hecho directamente con la DISTR.NORM
colocando VERDADERO en el acumulativo.

b. Se quiere encontrar Pr(98.5 X 102.0).
Los valores de la distribucin de DeMoivre-
Laplace-Gauss reducida se calcula como:
Z
1
= 00 . 1
2
100 0 . 102
=


Z
1
= 75 . 0
2
100 5 . 98
=


Con el Excel se encuentran Pr(Z 1.00) =
0.8413 y Pr(Z - 0.75) = 0.2266;
La probabilidad buscada es igual a 0.8413
0.2266 = 0.6147
Por consiguiente, se espera que 61.47 %
sea 62 % por redondeo en exceso de los
resultados se encuentren entre 98.5 y
102.0 mm.

c. Se busca Pr(X > 96.5) equivale a la Pr(X
96.5), ya que el valor de la probabilidad
de una variable aleatoria continua es un
valor especfico es cero. El valor de la X en
la distribucin de DeMoivre-Laplace-Gauss
reducida es:
75 . 1
2
100 5 . 96
1
=

= Z
Con el Excel se encuentra que la Pr(Z -
1.75) = 0.0401 Por consiguiente,
aproximadamente el 4% de las piezas
seleccionadas present una longitud
menor dse 96.5 mm

d. Llamando al lmite de la especificacin
como A, se desea que un A tal que Pr(Z
A) = 1 0.05 = 0.95 El siguiente paso
consiste en encontrar un rea de 0.95 y
obtener el valor de Z, es decir, Z = 1.645
El paso final consiste encontrar el lmite de
A:
1.645 = mm
X
X
29 . 103
2
100
2
1
=

, de
donde:
X
1
= 103.29 mm

En consecuencia, el lmite de
especificacin A establecido para alcanzar
la estipulacin deseada, debe ser de
103.29 mm.
SOLUCIONES DE LOS EJERCICIOS-EJEMPLOS

86

CONCEPTOS BSICOS

Es la rama de la matemtica que estudia los
diversos arreglos o selecciones que podemos
formar con los elementos de un conjunto
dado, los cuales nos permiten resolver
muchos problemas prcticos. Por ejemplo,
podemos averiguar cuntos nmeros
diferentes de telfonos, placas o loteras se
pueden formar utilizando un conjunto dado de
letras y dgitos.

Adems, el estudio y comprensin del anlisis
combinatorio no va a servir de andamiaje para
poder resolver y comprender problemas sobre
probabilidades, sin embargo, incide en esta
rama de las matemticas.

Principios fundamentales del anlisis
combinatorio:

En la mayora de los problemas de anlisis
combinatorio se observa que una operacin o
actividad aparece en forma repetitiva y es
necesario conocer las formas o maneras que
se puede realizar dicha operacin. Para estos
casos es til conocer determinadas tcnicas o
estrategias de conteo que facilitarn el clculo
sealado.

El anlisis combinatorio tambin se define
como una manera prctica y abreviada de
contar; las operaciones o actividades que se
presentan son designadas como eventos o
sucesos.

Ejemplo:

1. Sealar las maneras diferentes de vestir
de una persona, utilizando un nmero
determinado de prendas de vestir.
2. Ordenar 5 artculos en 7 casilleros.
3. Contestar 7 preguntas de un examen de
10.
4. Designar 5 personas de un total 50 para
integrar una comisin.
5. Sentarse en una fila de 5 asientos 4
personas.
6. Escribir una palabra de 7 letras utilizando
4 consonantes y 3 vocales.

I. Principio de multiplicacin:

Si un evento o suceso A puede ocurrir, en
forma independiente, de m maneras
diferentes y otro suceso de n maneras
diferentes, entonces el nmero de maneras
distintas en que pueden suceder ambos
sucesos es m x n.

Ejemplo 1:

En la etapa final de futbol profesional de
primera, cuatro equipos: CRISTAL (C), BOYS
(B), ESTUDIANTES (E), UNIVERSITARIO (U),
disputan el primer y segundo lugar (campen
y subcampen) De cuntas maneras
diferentes estos equipos pueden ubicarse en
dichos lugares?

Solucin :
METODO 1: utilizando el diagrama del
rbol.

B
C C
U
C
B E
U

C

E
U
U

C
U
B


E












C B
C C
C U
B C
B E
B U
E C
E U
E U
U C
U B
U E

Existen 12 maneras diferentes en que
estos equipos se pueden ubicar en el
primer y segundo lugar.

METODO 2: Utilizando el principio de
multiplicacin.

1
o
2
o



4 x 3
Se pueden ubicar de 12 formas



Justificacin:

1. El primer lugar puede ser ocupado por
cualquiera de los cuatro equipos.
2. El segundo lugar puede ser ocupado
por cualquiera de los otros tres
equipos que restan.
ANLISIS COMBINATORIO
ANLISIS COMBINATORIO

87
3. Por el principio de multiplicacin, se
observa que el evento del primer lugar
se presenta de 4 maneras y el del
segundo lugar de 3 maneras distintas,
entonces el nmero de maneras
totales ser: 4 x 3 = 12.

Ejemplo 2:

Cuntas placas para automviles pueden
hacerse si cada placa consta de dos letras
diferentes seguidas de tres dgitos diferentes?
(considere 26 letras del alfabeto)

Solucin:

letras Dgitos
26 x 25 x 10 x 9 x 8
Se pueden elaborar 468 000 placas


Justificacin:

1. El primer casillero puede ser ocupado por
cualquiera de las 26 letras.
2. El segundo casillero puede ser ocupado
por cualquiera de las 25 letras que restan.
3. El tercer casillero puede ser ocupado por
cualquiera de los 10 dgitos ( del 0 al 9).
4. El cuarto casillero puede ser ocupado los 9
dgitos restantes.
5. El quinto casillero puede ser ocupado por
cualquiera de los 8 dgitos restantes.
6. Por el principio de multiplicacin, el
nmero de placas ser = 26 x 25 x 10 x 9
x 8 = 468 000.

II. Principio de adicin:

Supongamos que un evento A se puede
realizar de m maneras y otro evento B se
puede realizar de n maneras diferentes;
adems, no es posible que ambos eventos se
realicen juntos (A B = ) entonces el
evento A o el evento B se realizarn de m +
n maneras.

Ejemplo 1:

Un repuesto de automvil se vende en 6
tiendas en la Victoria o en 8 tiendas de Brea.
De cuntas formas se puede adquirir el
repuesto?

Solucin:

Por el principio de adicin:
Victoria Brea

6 formas + 8 formas = 14 formas

Ejemplo 2:

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

Solucin:

Aplicando el principio de adicin, se tiene:

Bote Lancha Deslizador



3 2 1
Existen 3 + 2 + 1 = 6 maneras


ANLISIS COMBINATORIO

88

En diferentes casos, se tomar de algn
conjunto parte de sus elementos o todos ellos,
para formar diferentes agrupaciones, que se
van a distinguir por el orden de sus elementos
o por la naturaleza de algunos de ellos. Si los
elementos que forman una agrupacin son
diferentes entre s, sern llamados
agrupaciones sin repeticin y si algunos de
ellos son iguales se dir que son agrupaciones
con repeticin.

Entre los mtodos de conteo ms conocidos
tenemos: permutacin, variacin y
combinacin.

PERMUTACIN

Es un arreglo de todos o parte de un conjunto
de objetos considerando el orden en su
ubicacin; cuando en el arreglo slo entran
parte de los elementos del conjunto se llama
variacin. Es importante resaltar que el orden
es una caracterstica importante en la
permutacin; cuando variamos el orden de los
elementos se dice que permutamos dichos
elementos.

Ejemplo:
Determinar los diferentes arreglos o
permutaciones que se pueden hacer con las
letras a, b y c tomadas de dos en dos.

Solucin:
Mtodo 1.
Sea el conjunto: A{a, b, c}, entonces los
arreglos pueden ser: ab, ba. ac, ca, bc, cb

Nmero de arreglos = 6

Mtodo 2: (principio de multiplicacin).
1
o
2
o



3 x 2
Los arreglos son 6



Justificacin:
1. El primer casillero puede ser ocupado por
cualquiera de las tres letras, existiendo 3
posibilidades.
2. El segundo casillero puede ser ocupado
por cualquiera de las otras dos letras
restantes, existiendo 2 posibilidades.

Teorema 1: Permutacin lineal con
elementos diferentes

El nmero de permutaciones de n objetos
diferentes, tomados en grupos de k elementos
(siendo k n) y denotado por
n
k
P , estar
dado por:
)! (
!
k n
n
P
n
k

= ; donde: n, k N y 0 k n

Estas permutaciones son llamados lineales,
porque los objetos son ordenados en una lnea
recta de referencia.

Ejemplo:
En una carrera de 400 metros participan 10
atletas De cuantas formas distintas podrn
ser premiados los tres primeros lugares con
medalla de oro, plata y bronce?

Solucin :
Mtodo 1: Empleando el principio de
multiplicacin.
Oro Plata Bronce
10 x 9 x 8
Pueden ser premiados de 720 formas


Justificacin:
1. El primer casillero (medalla de oro) puede
ser ocupado por cualquiera de los diez
atletas, existiendo 10 posibilidades.
2. El segundo casillero (medalla de plata)
puede ser ocupado por cualquiera de los
nueve atletas restantes, existiendo 9
posibilidades.
3. El tercer casillero (medalla de bronce)
puede ser ocupado por cualquiera de los
ocho atletas restantes, existiendo 8
posibilidades.

Mtodo 2: usando la frmula de permutacin
lineal.
Se busca las diferentes ternas (k = 3) que se
pueden formar con los 10 atletas (n = 10)

720
! 7
10 9 8 ! 7
! 7
! 10 10
3
= = =
x x x
P


MTODOS DE CONTEO
MTODOS DE CONTEO

89
RECORDAR:
1) n! = 1 x 2 x 3 x ................ x n
2) 0! = 1
3) 1! = 1
4) n! = (n 1)! x n

Teorema 2: Permutacin lineal con
elementos repetidos

El nmero de permutaciones (P) distintas de
n elementos tomados de n en n en
donde hay un primer grupo de n
1
objetos
iguales entre si; n
2
objetos iguales entre s de
un segundo tipo y as sucesivamente hasta n
k

objetos iguales entre si de un ltimo tipo,
entonces:

Ejemplo:

De cuntas maneras distintas se podrn
ordenar las siguientes figuras?









Donde: n
1
+ n
2
+ n
3
+ ...... + n
k
= n

Solucin:

Como entran todos los elementos del conjunto
y estos se repiten, se trata de una
permutacin con repeticin, donde n
1
= 3
(tres crculos), n
2
= 2 (dos cuadrados), n
3
= 1
(un tringulo), n
4
= 1( un rombo), luego:

P
7
1 , 1 , 2 , 3
=
420
2
7 6 5 4
1 1 2 ! 3
7 6 5 4 ! 3
! 1 ! 1 ! 2 ! 3
! 7
= = =
x x x
x x x
x x x x
x x x

PERMUTACIN CIRCULAR

Son agrupaciones donde no hay primero ni
ltimo elemento, por hallarse todos en una
lnea cerrada. Para encontrar el nmero de
permutaciones circulares que se pueden
formar con n objetos distintos de un
conjunto, hay que considerar fija la posicin
de un elemento, los n 1 restantes podrn
cambiar de lugar de (n 1)! Formas
diferentes tomando todas las posiciones sobre
la circunferencia relativa al primer punto.

El nmero de permutaciones circulares ser:
)! 1 ( = n
P
n
c


Ejemplo 1:

De cuntas formas diferentes puede sentarse
alrededor de una mesa circular, un padre y
sus cinco hijos?

Solucin:

Se trata de una permutacin circular:
120 1 2 3 4 5 ! 5 )! 1 6 (
6
= = = = x x x x
Pc
.

Ejemplo 2:

De cuntas maneras diferentes se podrn
ubicar las cifras del 1 al 7 en la siguiente
figura?

Solucin:

Este problema se puede resolver como la
conjuncin de dos eventos: Primero, ubico
una cifra en el centro (7 posibilidades) y,
segundo, las otras 6 cifras, las cuales por
ordenarse en una circunferencia se podrn
permutar de (6 1 )! formas, por lo tanto:
# de maneras = 7 x 5! = 7 x
120 = 840

MTODOS DE CONTEO

90

Es cada uno de los diferentes arreglos que se
pueden hacer con parte o todos los elementos
de un conjunto dado, sin considerar el orden
en su ubicacin.

El nmero de combinaciones de n elementos
diferentes tomados de k en k, con k n,
est dada por:

) 1 .( )......... 2 )( 1 (
) 1 ......( )......... 3 )( 2 )( 1 (
! )! (
!

+
=

=
k k k
k n n n n n
k k n
n
C
n
k

Ejemplo 1:
Si disponemos de 5 puntos no colineales,
cul es el mximo nmero de tringulos que
se podrn formar?

Solucin:
Para dibujar un tringulo slo es necesario 3
puntos en el plano, luego se escogern 3
puntos (k = 3) de un total de 8 puntos (n = 5)
Adems, no importa el orden, ya que el
triangulo ABC es igual al CBA, por lo tanto se
trata de una combinacin.
10
1 2 3
3 4 5
! 3 ! 2
! 5 5
3
= = =
x x
x x
C


Observacin. En las permutaciones interesa el
orden, se buscan ordenaciones. En las
combinaciones no interesa el orden, se busca
agrupaciones.

Ejemplo 2:
Una seora tiene 3 frutas: manzana (M), fresa
(F) y pia (P). Cuntos sabores diferentes de
jugo podr preparar con estas frutas?

Solucin:
Mtodo 1: en forma grfica.
Cuando se elige una fruta de las tres, los
sabores son 3: F, P, M.
Cuando se eligen 2 de las tres frutas, los
sabores son 3: FP, FM, PM.
Cuando se eligen las 3 frutas los sabores
son 1: FPM.
Total de sabores diferentes: 3+3+1=7.

Mtodo 2: Empleando combinaciones.
Se puede escoger una fruta de las tres 2
frutas de las tres las tres frutas de las
tres; adems, en este caso no importa el
orden; por lo tanto usamos el principio de
adicin aplicado a la combinacin:

Nmero de maneras diferentes=
C C C
3
3
3
2
3
1
+ +
Nmero de maneras diferentes=
7 1 3 3
1 2 3
1 2 3
1 2
2 3
1
3
= + + = + +
x x
x x
x
x

Total de sabores diferentes: 3 + 3 + 1 = 7

Ejemplo 3:
Se desea formar un comit de 7 seleccionando
4 fsicos y 3 matemticos de un grupo de 8
fsicos y 6 matemticos De cuantas maneras
podr seleccionarse?

Solucin:
1
o
Seleccionamos 4 fsicos entre 8 en
C
8
4

formas

C
8
4
70
1 2 3 4
5 6 7 8
= =
x x x
x x x

2
o
Seleccionamos 3 matemticos entre 6
en
C
6
3

20
1 2 3
4 5 6 6
3
= =
x x
x x
C

Aplico el principio de multiplicacin

C
8
4
x
C
6
3
= 70 x 20 = 1 400

Observacin. En la prctica, se presentan
diferentes combinaciones que no resultan
sencillas, stas son las combinaciones con
repeticin. Para obtener las diferentes
combinaciones con repeticin de n
elementos en el cual hay repeticin de los
elementos (CR) agrupados de k en k, se
utiliza la siguiente frmula:
!
) 1 ..( )......... 2 )( 1 ( 1
k
k n n n n
C CR
k n
k
n
k
+ + +
= =
+


PROPIEDADES DE
c
n
k

1) n
C
n
=
1
, 1 =
C
n
n
, 1
0
=
C
n

2)
C C
n
k n
n
k
=
3)
C C C
n
k
n
k
n
k
1
1 1
+
+ +
= +
4)
C C
n
k
n
k
k
n 1
1

=
5)
C C
n
k
n
k
k n
n 1

=
6)
C C
n
k
n
k
k
k n
1
1

+
=
COMBINACIN
COMBINACIN

91

1. Cuntos numerales de dos cifras se
pueden formar con los dgitos 1, 3, 5 y 7?
A) 16 B) 12 C) 10 D) 14 e)8

Solucin:

Mtodo 1: mediante arreglo numrico.
Con los dgitos dados, formamos los
siguientes nmeros:


77 75 73 71
57 55 53 51
37 35 33 31
17 15 13 11

Respuesta: Se pueden formar 16 numerales.

Observacin. En estos casos, el orden es
importante; adems, los elementos del
conjunto pueden repetirse, como por ejemplo:
11, 33, 55, 77.

Mtodo 2: mediante la aplicacin de los
principios de anlisis combinatorio.
La forma general del numeral pedido es :
ab
Los valores que pueden tomar los dgitos a
y b en el numeral ab son:
ab
7
5
3
1
7
5
3
1

Cantidad de nmeros = 4 x 4 = 16

Observacin. a) a toma 4 valores. b) b toma 4
valores. c) Para formar el numeral ab
primero escribo las cifras de las decenas(4
posibilidades) y luego la cifra de las unidades
(4 posibilidades), luego por el principio de
multiplicacin, la cantidad de numerales ser:
4 x 4 = 16.

2. Determinar cuntos numerales de 3 cifras
existen en el sistema de base seis.
A) 160 B) 120 C) 100 D) 140 e) 180

Solucin:

La forma general del numeral es abc ,
hallaremos las posibilidades que pueden
tomar a, b y c en base seis y luego
multiplicamos el nmero de las
posibilidades
a b c
. . .
1 1 2
0 0 1

5 5 5
5 x 6 x 6 = 180 numerales

Respuesta: Se pueden formar 180 numerales.

Observacin. a) En base seis solo se dispone
de los dgitos: 0,1,2,3,4 y 5. b) La primera
cifra a no puede ser cero, slo puede tomar
las cifras: 1,2,3,4 y 5; es decir 5
posibilidades. c) Las cifras b y c, como no
dicen que son diferentes, pueden tomar 6
valores o posibilidades.

3. Cuntos numerales de la forma:
8
) 3 ( ) 2 ( c b b a a + existen?
A) 260 B) 2 00 C) 300 D) 240 e) 180

Solucin:

En estos tipos de problemas hay que tener
en cuenta que cuando una variable
representa una cifra, y sta se repite en el
numeral, entonces a dicha variable se le
considera una sola vez al calcular la
cantidad de numerales.
En nuestro problema, con la indicacin
anterior, tendremos:
8
) 3 ( ) 2 ( c b b a a +
7 7 5
. . .
1 4 2
0 3 1


Cantidad de numerales = 5 x 5 x 8 = 200

Respuesta: Se pueden formar 200
numerales.

4. Cuntos numerales de tres cifras
diferentes existen en el sistema de base
decimal?
A) 900 B) 780 C) 800 D) 648 e) 724

PROBLEMAS RESUELTOS
PROBLEMAS RESUELTOS

92
Solucin:

La forma general del numeral es abc ,
hallaremos las posibilidades que pueden
tomar a, b y c en base diez y luego
multiplicamos el nmero de las posibilidades,
teniendo en cuenta que las tres cifras deben
ser diferentes
a b c

) 2 10 ( ) 1 10 ( 9
. . .
. . .
1 1 2
0 0 1


# numerales = 9 x 9 x 8 = 648

Respuesta: Se pueden formar 648 numerales.

5. Cuntos numerales de la forma:
9
)
3
( )
14
(
b
b
a
a existen?
A) 9 B) 18 C) 26 D) 48 e) 24

Solucin:

Los valores de a deben ser factores de 14 y
adems menores que 9; luego los valores
posibles de a solo pueden ser: 1,2,7; es
decir hay 3 posibilidades.
Los valores de b son mltiplos de 3,
menores que 9; luego los valores de b solo
pueden ser: 0,3 y 6; es decir hay 3
posibilidades.
9
3
14 b
b
a
a
7
2
1

6
3
0

cantidad de nmeros = 3 x 3 = 9 nmeros


Respuesta: Se pueden formar 9 nmeros.

Observacin. 1) " "a por ser primera cifra no
puede ser cero. 2) A las posibilidades de " "a y
" "b se les aplica el principio de multiplicacin.

6. Cuntos nmeros de 3 cifras tienen por lo
menos un 6 en su escritura?
A) 196 B) 188 C) 252 D) 480 e) 248
Solucin:

a) Podemos representar el procedimiento de
solucin mediante un diagrama de Venn:


Observacin. Para hallar los nmeros que
tienen por lo menos un 6 en su escritura,
se consideran:
1) Los que tienen un slo 6.
2) Los que tienen dos 6.
3) Los que tienen tres 6.

b) Del grfico anterior, se deduce que: El
nmero de cifras por lo menos con un 6 =
nmero de tres cifras - nmero de tres
cifras que no usan el 6.
x = abc - y ............ (1)

c) Calculamos el nmero de tres cifras que
existen:


a b c

10 10 9
. . .
. . .
1 1 2
0 0 1


cantidad de nmeros
9 x 10 x 10 = 900


Explicacin:
1) a puede tomar los valores del 1 al
9, es decir hay 9 posibilidades para las
centenas.
2) Para b y c hay 10 posibilidades, ya
que b y c pueden tomar los valores del
0 al 9.
3) Para hallar la cantidad de nmeros de
3 cifras aplicamos el principio de
multiplicacin.

d) Clculo del nmero de 3 cifras que no
usan cifra 6
PROBLEMAS RESUELTOS

93
a b c

10 10 9
. . .
. . .
1 1 2
0 0 1


cantidad de nmeros
8 x 9 x 9 = 648

Explicacin:

a) a puede tomar los valores del 1 al
9; sin considerar el 7 es decir hay
posibilidades para las centenas.
b) Para b y c hay 9 posibilidades, ya
que b y c pueden tomar los valores del
0 al 9, exceptuando a 7.
c) Para hallar la cantidad de nmeros de
3 cifras aplicamos el principio de
multiplicacin.
d) Remplazando los valores obtenidos en
los pasos c y d en la ecuacin (1)
de l paso (b), se tiene:
X = 900 648 = 252
Respuesta: Se pueden formar 252
nmeros.

7. Cuantos grupos diferentes de tres
alumnos podran formarse con un grupo
de 5 estudiantes?
A) 16 B) 10 C) 12 D) 15 e) 18

Solucin:

MTODO 1. Por conteo directo.
Sean A, B, C, D y E los alumnos, los
diferentes grupos de 3 seran : ABC,
ABD, ABE, ACD, ACE , ADE, BCD, BCE,
BDE, CDE

Respuesta: Se pueden formar 10 grupos
diferentes.

Mtodo 2: Por frmula.
Como el grupo de alumnos ABC, CBA y
BAC son el mismo grupo de alumnos,
entonces no interesa el orden de los
elementos y se trata de una
combinacin:
10
1 2 3
3 4 5 5
3
= =
x x
x x
C

Respuesta: Se pueden formar 10 grupos
diferentes.

8. Con 7 sumandos diferentes Cuntas
sumas distintas de 4 sumandos se podrn
efectuar con 7 sumandos?
A) 56 B) 35 C) 42 D) 64 e) 70

Solucin:

En la suma no importa el orden que se
dispongan los sumandos, por lo tanto se
trata de una combinacin; adems, para
cada suma se escogen grupos de 4
sumandos de los siete de que se disponen.

35
1 2 3 4
4 5 6 7 7
4
= =
x x x
x x x
C


Respuesta: Se pueden formar 35 sumas
diferentes.

9. De cuntas formas se pueden ubicar en
una fila de 7 asientos, 3 hombres y 4
mujeres, si stas deben ocupar los lugares
impares?
A) 160 B) 135 C) 144 D) 14 e) 170

Solucin:

Representemos grficamente el problema,
y luego emplearemos el principio de
multiplicacin

Posibilidades

4 3 3 2 2 1 1
Nmero de formas
4 x 3 x 3 x 2 x 2 x 1 x1 = 144
M M M M H H H


Respuesta: Se pueden ubicar de 144
formas diferentes.

10. Cuntos nmeros de 4 cifras diferentes y
mayores que 5 000, se pueden formar con
los siguientes dgitos: 1, 3, 4, 6, 9?
A) 52 B) 48 C) 27 D) 96 e) 49

Solucin:

Sea : abcd el nmero, entonces se tiene:
a b c d


2 3 4 2
Total de nmeros
2 x 4 x 3 x 2 = 48

PROBLEMAS RESUELTOS

94

Respuesta: Se pueden formar 48 nmeros
de cuatro cifras diferentes.

Explicacin:

a puede ser 6 o 9, es decir tiene 2
posibilidades; b, tiene (5 - 1)
posibilidades; c tiene (5 2)
posibilidades y d tiene (5 3)
posibilidades ya que las cifras deben ser
diferentes.

11. Un grupo de 16 personas desean escoger
entre sus miembros un comit de 3
personas que los represente De cuantas
formas distintas se puede seleccionar
dicho comit?
A) 1 120 B) 48 C) 300 D) 560 e) 440

Solucin:

Para formar un comit, no interesa el
orden en que se dispongan las tres
personas, por lo que los posibles comits
sern combinaciones de 16 personas
tomadas en grupos de 3, as:
560
1 2 3
14 15 16 16
3
= =
x x
x x
C


Respuesta: Se puede seleccionar el comit
de 560 formas diferentes.

12. A la final de un torneo de ajedrez se
clasifican 10 jugadores cuntas partidas
se jugar si se juega todos contra todos?
A) 1120 B) 48 C) 300 D) 560 e) 440

Solucin:

Si A juega con B es lo mismo decir que
B juega con A, la partida es la misma,
no interesa el orden de sus elementos,
pero es una agrupacin de 2 en 2, de un
total de 10 elementos. Por lo tanto, se
trata de una combinacin.
45
1 2
9 10
! 8 ! 2
! 10 10
2
= = =
x
x
x
C

Respuesta: Se jugarn 45 partidas.

13. De cuntas maneras diferentes podr
viajar una persona de A a D sin
retroceder?


A) 24 B) 48 C) 36 D) 18 e) 30

Solucin:

Identificamos con un nombre a cada
camino diferente:

Analizamos por tramos:
I) ABD: para llegar a B, se puede utilizar
cualquiera de los 3 caminos (1, 2, 3)
sealados. De B a D se puede ir por el
camino z, luego habra 3 formas
diferentes de llegar: 1z, 2z, 3z; por lo
tanto en el tramo ABD hay 3 formas.
II) ACD: para llegar a C se puede utilizar
un camino para llegar a B (1, 2, 3) y
luego otro camino para llegar a C(4, 5,
6). Que aplicando el principio de
multiplicacin se tendra:

A B C


Nmero de maneras de llegar de A a C =
3 x 3 = 9 pasando por B

Pero tambin hay dos caminos directos
para llegar a C(x, y); por lo tanto, el
nmero total de caminos para llegar de A
a C es : 9 + 2 = 11 formas; y de C a D
hay 3 formas (7, 8, 9)
Finalmente, se tiene:
De A a C y de C a D De A a D

11 formas

3 formas

11 x 3 formas
Nmero total de formas diferentes = 33 formas

En conclusin, los caminos de (I) y
(II), pueden ser ABD ACD = 3 + 33
= 36 formas
Respuesta: 36 maneras diferentes.

PROBLEMAS RESUELTOS

95
14. En un examen de matemticas, un
estudiante debe responder siete preguntas
de las diez dadas. De cuntas formas
diferentes debe seleccionar, si l debe
responder por lo menos, tres de las cinco
primeras preguntas?
A) 64 B) 55 C) 50 D) 110 e) 120

Solucin:
El estudiante puede responder tres de las
5 primeras preguntas y cuatro de las
ltimas 5 preguntas; cuatro de las
primeras 5 preguntas y tres de las
ltimas; cinco de las primeras 5 y dos de
las ltimas. Como no interesa el orden, se
trata de una combinacin; por lo tanto
tenemos:
110 10 50 50
1 2
4 5
1
1 2 3
3 4 5
5 5
1 2 3
3 4 5 5
2
5
5
5
3
5
4
5
4
5
3
= + + = + + = + +
x
x
x
x x
x x
x x
x x
x x
x x x
C C C C C C

Respuesta: 110 maneras diferentes.

15. El servicio de inteligencia de cierto pas,
desea enviar mensajes a sus agentes
secretos. Slo quiere utilizar las siguientes
letras: V, A, M, P, I, R, O. Cuntas
palabras claves de cinco letras pueden
formarse, si ninguna letra puede
repetirse?
A) 2520 B) 1550 C) 1850 D) 1100 e) 1200

Solucin:

Mtodo 1: usando el principio de
multiplicacin.
Nmero de maneras
7 x 6 x 5 x 4 x 3
2 520


Mtodo 2:(usando permutacin).

2520
! 2
7 6 5 4 3 ! 2
! 2
! 7
)! 5 7 (
! 7 7
5
= = =

=
x x x x x
P


16. Un hombre tiene 9 bonos financieros de 9
compaas distintas, y piensa regalarlos a
sus 3 hijos de la siguiente manera: A su
hijo mayor, 4; a su segundo hijo, 3; y al
menor 2 De cuantas formas puede
repartir los bonos?
A) 1640 B) 1360 C) 680 D) 1100 e) 1120

Solucin:

Se trata de una permutacin con
repeticin donde intervienen todos los
elementos. Hay 41 maneras de arreglar
los bonos para su hijo mayor; 31 formas
para arreglar los bonos para el segundo
hijo y 21 formas para el hijo menor.
Luego, se tiene:

1360
1 2 1 2 3 ! 4
9 8 7 6 5 ! 4
! 2 ! 3 ! 4
! 9 9
2 , 3 , 4
= = =
x x x x x
x x x x x
x x
P


Respuesta: Los bonos se pueden repartir
de 1360 formas.

17. La seleccin peruana de voleibol est
conformado por 12 chicas. De cuntas
formas se puede conformar un equipo de
6, si se sabe que 2 chicas se niegan a
jugar en el mismo equipo?
A)
C
12
6
3
2
B)
C
11
5
3
5
C)
C
10
5
6
17

D)
C
10
5
3
11
e)
C
10
4
9
4


Solucin:

La delegacin de 6 chicas se puede
presentar en los siguientes casos:
1er caso: Si no figura ninguna de las dos
chicas que se niegan a jugar juntas, las
seis chicas deben elegirse de entre 10.
Nmero de equipos =
C C C C
10
5
10
5
10
6
2 12
6
6
5
6
1 6 10
=
+
= =



Observacin. Hemos aplicado la
propiedad:
C C
n
k
n
k
k
k n
1
1

+
=

2do caso: Si figura una de las dos chicas
que se niegan a jugar juntas, las otras
cinco chicas deben escogerse de entre las
10 restantes.
Nmero de equipos =
C C C
x
10
5
10
5
2
1
2 =
nmero total de equipos =
C C C
10
5
10
5
10
5
6
17
2
6
5
= +
PROBLEMAS RESUELTOS

96
Respuesta: El nmero total de equipos
que se pueden formar es
C
10
5
6
17
.

18. De cuntas maneras diferentes se
pueden sentar 8 personas en una mesa
redonda de 5 asientos, si 3 estn en
espera?
A) 1640 B) 1344 C) 680 D) 1124 e) 1120

Solucin:

El nmero de grupos de 5 personas que se
ubican en la mesa circular es:
56
1 2 3 4 5
4 5 6 7 8 8
5
= =
x x x x
x x x x
C

El nmero de formas en que cada grupo
de 5 personas se pueden sentar en la
mesa es:
(5 1)! = 4! = 24
Nmero total de formas = 56 x 24 = 1344
Respuesta: 1344 maneras diferentes

19. La tripulacin de un bote es de 10
hombres, cuatro solamente pueden remar
a babor y tres a estribor De cuntas
formas se pueden distribuir para remar,
sabiendo que cinco hombres deben
ubicarse a cada lado para mantener el
equilibrio del bote?
PROA


Babor

Estribor
POPA
A) 3x(5!)
2
B) 6x(4!)
2
C) 3!x(5!)
2

D) 12x(3!)
2
E) 6x (5!) x (4!)

Solucin:

Sean {a, b, c, d, e, f, g, h, i, j} los
tripulantes del bote de los cuales: a, b, c y
d

pueden remar slo a babor y h, i, y j
pueden remar slo a estribor. Adems
cinco hombres estn ubicados a cada lado
del bote.
a, b, c y d

pueden ubicarse a babor de
P
5
4
formas distintas ocupando 4 lugares
(observar que en este problema el orden
es importante). Los lugares que sobran a
babor pueden ser ocupados por d, e f, es
decir 3 formas distintas. Luego los cinco
lugares a babor pueden ser ocupados de:
P
5
4
. 3 formas o maneras distintas.
A estribor h, i, y j pueden acomodarse de
P
5
3
formas diferentes ocupando 3
lugares; y sobrando 2 lugares. Uno de los
lugares que sobra puede ser ocupado de 2
formas diferentes, pues uno de los
tripulantes e, f g ya est ubicado a
babor, quedando (3 1) de ellos para
ocupar aquel cuarto lugar. El quinto lugar
a estribor puede ser ocupado de (3 2 )
sola forma, por el que queda de los dos
anteriores. Por tanto los cinco lugares a
estribor pueden ser ocupados de: 1 . 2 .
5
3 P

maneras diferentes.
Como se trata de un suceso simultaneo,
aplicamos el principio de multiplicacin
para los dos resultados anteriores:
Nmero de formas diferentes =
P
5
4
. 3 x
1 . 2 .
5
3 P
= 3 . ) ! 5 (
! 2
! 5
. 6 .
! 1
! 5
2
=
Respuesta:
2
) ! 5 ( 3x formas diferentes.

20. Seale cuntos productos diferentes, cada
uno de tres factores primos, podr
obtenerse con los cinco factores primos: a,
b, c, d, e (a < b < c < d < e).
A) 40 B) 35 C) 30 D) 24 e) 56

Solucin:

Mtodo 1: Por conteo directo.
Se deben formar nmeros de la forma P =
x . y . z; donde x, y, z son nmeros
primos.

Caso 1: Los tres factores son iguales; es
decir: x = y = z, los productos sern:
P
1
= a a a; P
2
= b b b; P
3
= c c c; P
4
= d d
d; P
5
= e e e
Son 5 casos posibles ( ) 5
5
1
=
C

Caso 2: Dos factores son iguales y uno es
diferente; es decir: x = y; con z diferente,
los productos sern:
P
6
= a a b; P
7
= a a c; P
8
= a a d; P
9
= a a
e; P
10
= b b a
P
11
= b b c; P
12
= b b d; P
13
= b b e; P
14
=
c c a; P
15
= c c b
P
16
= c c d; P
17
= c c e; P
18
= d d a; P
19
=
d d b; P
20
= d d c
P
21
= d d e; P
22
= e e a; P
23
= e e b; P
24
=
e e c; P
25
= e e d
PROBLEMAS RESUELTOS

97
Son 20 casos posibles
( 2 ) 20 10 2
5
3
= = x
C

Caso 3: Los 3 factores son diferentes; es
decir: x y z, los productos sern:
P
26
= a b c; P
27
= a b d; P
28
= a b e; P
29
=
a c d; P
30
= a c e
P
31
= a d e; P
32
= b c d; P
33
= b c e; P
34
=
b d e; P
35
= c d e
Son 10 casos posibles ( 10
5
3
=
C
)
Finalmente, se tendr: 5 + 20 + 10 = 35
formas posibles.

Mtodo 2: Aplicando combinacin con
repeticin.
En este caso aplicamos la frmula:

!
) 1 ..( )......... 2 )( 1 ( 1
k
k n n n n
C CR
k n
k
n
k
+ + +
= =
+

Con n = 5 y k = 3, es decir:

35
! 3
) 2 5 )( 1 5 ( 5 1 3 5
3
5
3
=
+ +
= =
+
C CR

Respuesta: 35 formas diferentes.

PROBLEMAS RESUELTOS

98

1. Cuntos cables de conexin son
necesarios para que puedan comunicarse
directamente 2 oficinas de las 8 que hay
en un edificio?
A) 20 B) 56 C) 28 D) 14 E) 16

2. Las ciudades A y B estn unidas por 6
caminos diferentes, B y C por 10 caminos
diferentes y las ciudades C y D por 8
caminos diferentes De cuntas maneras
diferentes una persona puede viajar de A
a D, pasando por B y C?
A) 200 B) 256 C) 240 D) 140 E) 480

3. La municipalidad de Lima ha ordenado que
los moto taxis sean amarillos y tengan las
placas 6 caracteres (3 letras seguidas de 3
nmeros). Cuntas placas diferentes se
podrn formar? (considerar 26 letras del
alfabeto)
A) 20
3
x 10
3
B) 26
2
x 10
2
C) 26
3
x 10
3

D) 26 x 10
3
E) 26 x 25 x 24


4. Cuntos nmeros de 3 cifras que sean
impares, se pueden escribir con los
dgitos: 4, 5, 7, 9 y 8, si no se pueden
repetir los dgitos?
A) 20 B) 56 C) 28 D) 14 E) 36

5. De seis nmeros positivos y 5 nmeros
negativos, se escogen 4 nmeros al azar y
se multiplican. Calcular el nmero de
formas que se pueden multiplicar, de tal
manera que el producto sea positivo.
A) 60 B) 96 C) 128 D) 140 E) 170

6. El equipo de futbolito de un saln de clase
debe escoger dos madrinas, una para el
equipo y otra para las camisetas; si en
total hay 8 candidatas. De cuntas
maneras se puede escoger a las dos
madrinas?
A) 16 B) 56 C) 28 D) 64 E) 36

7. Se tiene una urna con 9 bolas numeradas.
Se quiere saber, de cuntas maneras
podemos sacar primero 2 bolas, luego 3 y
finalmente 4?
A) 630 B) 210 C) 1080 D) 108 E) 1260

8. Cuntos numerales, en el sistema
quinario, de la forma )
2
( ) 3 (
c
b a + ?
A) 20 B) 50 C) 100 D) 40 E) 80

9. De cuntas maneras diferentes se
pueden repartir los 10 miembros de un
club en tres comits de 5, 3 y 2 miembros
respectivamente?
A) 2520 B) 5040 C) 1440 D) 1125 E) 800

10. En una despedida de soltera a la que
asistieron slo chicas, todas bailaron entre
s, al menos una vez. Si en total se
lograron conformar 28 parejas diferentes,
el nmero de chicas que particip fue.... ?
A) 16 B) 12 C) 8 D) 4 E) 36

COMPRUEBA TUS SABERES
COMPRUEBA TUS SABERES

99

PROBLEMAS DE NIVEL I

1. Una clase consta de 7 nios y 3 nias. De
cuntas maneras diferentes el profesor
puede escoger un comit de 4 alumnos?
A) 160 B) 210 C) 128 D) 144 E) 105

2. Cuntas palabras diferentes de tres
letras, aunque carezcan de significado, se
puede formar usando las letras de la
palabra PELON (sin repetir las letras)?
A) 60 B) 96 C) 128 D) 140 E) 170

3. Cuatro chicas y dos varones van al cine y
encuentran 6 asientos juntos en una
misma fila, donde desean acomodarse De
cuntas maneras diferentes pueden
sentarse, si las cuatro chicas quieren estar
juntas?
A) 160 B) 72 C) 128 D) 144 E) 64

4. Tienes 5 libros, de cuntas maneras
diferentes puedes escoger uno o ms de
dichos libros?
A) 30 B) 36 C) 28 D) 40 E) 31

5. Cuntos nmeros de dos cifras pueden
formarse con los dgitos: 1, 2, 3, 4 y 5, si:
a) los dgitos no pueden repetirse, y
b) si se permite la repeticin?
A) 20 y 25 B) 18 y 36 C) 22 y 28
D) 20 y 40 E) 16 y 32

6. Luis tiene 10 amigos de los cuales invitar
a su matrimonio solamente a 7. De
cuntas maneras puede hacer la
invitacin, si dos de sus amigos estn
enemistados y no pueden asistir juntos?
A) 56 B) 64 C) 36 D) 44 E) 128

7. En una reunin se encuentran 5 mujeres y
8 hombres. Si se desea formar grupos
mixtos de 5 personas, de cuntas
maneras pueden formarse tales grupos de
modo que en cada uno de ellos estn
siempre dos mujeres?
A) 560 B) 390 C) 120 D) 140 E) 280

8. Una persona tiene billetes de valores
diferentes. Cuntas sumas distintas de
dinero se puede formar tomados de 3 en
3?
A) 60 B) 56 C) 128 D) 40 E) 70

9. Cuntos numerales del sistema octavario
(base 8) existen de la forma:
)
2
( ) 4 ( ) 2 (
c
a b b a + ?
A) 108 B) 144 C) 128 D) 192 E) 72

10. Cuntos nmeros mltiplos de 5,
menores que 4 000 y de cifras diferentes,
se pueden formar con los dgitos del 0 al
9?
A) 108 B) 491 C) 528 D) 392 E) 372


PROBLEMAS DE NIVEL II

11. Hay 5 candidatos para presidente de un
club, 6 para vicepresidente y 3 para
secretario De cuntas maneras se pueden
ocupar estos tres cargos?
A) 108 B) 64 C) 128 D) 72 E) 90

12. Cuntas combinaciones pueden hacerse
con las letras: a, b, c, d y e, tomadas de
cuatro en cuatro, entrando a en todas
ellas?
A) 10 B) 4 C) 8 D) 12 E) 2

13. Una Combi tiene 21 asientos, 4 filas de 4
asientos cada uno con un pasillo al medio
y al final 5 asientos juntos. Se desea
ubicar 13 pasajeros de los cuales 2
siempre van al lado de la ventana y 4
juntos al pasillo central. De cuntas
formas se le puede ubicar, si hay 10
asientos con ventana disponibles?
A) ! 8 )
4
15
( B) ! 15 )
4
15
( C) ! 10 )
4
15
(
D)
4
! 15
E)
! 4
! 15


14. A una reunin asistieron 30 personas. Si
se saludan estrechndose las manos,
suponiendo que cada uno es corts con
cada uno de los dems, cuntos
apretones de manos hubo?
A) 60 B) 435 C) 870 D) 120 E) 205

15. Cuntos nmeros de cinco cifras
presentan algn 4 en el sistema de base
5?
A) 1732 B) 1525 C) 1840 D) 960 E) 1205

16. En el curso de matemticas hay 4
profesores y 5 profesoras. Se quiere
formar comisiones de 4 personas,
sabiendo que los profesores Martnez y
DESAFOS
DESAFOS

100
Caballero no pueden estar en la misma
comisin a menos que la comisin est
formada por lo menos por una mujer.
Cul es el mximo nmero de comisiones
que se puede formar?
A) 160 B) 145 C) 128 D) 125 E) 105

17. En una empresa trabajan 5 mecnicos, 4
fsicos y 2 ingenieros gelogos. Se desea
formar una comisin de 5 personas en la
cual haya siempre un fsico. De cuntas
formas se puede seleccionar dicha
comisin?
A) 108 B) 140 C) 80 D) 124 E) 120

18. Cuntos nmeros de 4 cifras se pueden
formar con las cifras: 1, 2, 4, 6, 7 y 8 de
tal manera que sean menores que 5 000 y
no permitindose repeticiones de las
cifras?
A) 138 B) 340 C) 280 D) 454 E) 180

19. Se tienen 6 bolitas marcadas con los
dgitos: 1, 2, 3, 4, 5 y 6 Cuntos
nmeros se puede obtener?
A) 1956 B) 2496 C) 1080 D) 1244 E) 1200

20. Tengo 15 sillas de las cuales 8 son
defectuosas. De cuntas maneras
podemos elegir 5 sillas de las cuales por lo
menos 4 sean defectuosas?
A) 490 B) 560 C) 546 D) 480 E) 520

DESAFOS