Ilovepdf Merged

ESTADÍSTICA PROBABILÍSTICA II
1. DISTRIBUCIONES DE VARIABLE ALEATORIA Y PROBABILIDAD

CONDICIONAL, INDEPENDENCIA ESTOCASTICA, CAMBIO DE
VARIABLES
INTRODUCCIÓN A LA
PROBABILIDAD Y ENFOQUES
Probabilidad
Incertidumbre Riesgos
Información limitada Azar

Probabilidad
Valor que describe la posibilidad de que

ocurra un evento
PROBABILIDAD
Se representa a través de un valor

entre
0 1
improbable probable
Expresada como fracción, decimal

o porcentaje
PROBABILIDAD
Palabras clave:
ocurre una, y solamente una, de varias

Experimento observaciones posibles
suceso particular proveniente de un

Resultado experimento
uno o más resultados de un

Evento experimento
PROBABILIDAD
Conceptos clave:
Mutuamente únicamente UN resultado puede

excluyente ocurrir cada vez
conjuntos de eventos que

Colectivamente
comprenden todos los resultados
exhaustivo posibles
Enfoques para asignar
probabilidades
Objetivo Subjetivo
Probabilidad Probabilidad
clásica empírica
PROBABILIDAD CLÁSICA
Resultados igualmente posibles
No . de resultados favorables
Pc =
No . total de posibles resultados
Ejemplo
¿Cuál es la probabilidad de que al lanzar un dado el resultado sea un 3?
1
P(3) = = 0.1667
6
probabilidades
Objetivo Subjetivo
clásica empírica
PROBABILIDAD EMPÍRICA
Frecuencia relativa
No . de veces que ocurrio el evento en el pasado

Pe =
No . total de observaciones
Ley de los grandes números
En una gran cantidad de intentos, la probabilidad empírica

de un evento se aproximará a su probabilidad real
PROBABILIDAD EMPÍRICA
Frecuencia relativa
No . de veces que ocurrio el evento en el pasado

Pe =
No . total de observaciones
Ejemplo
¿Cuál es la probabilidad de que el próximo año una madre reciba
rosas de regalo?
18
P(r) = = 0.3462
52
Ejemplos
✓ Un jugador de básquet anota 353 tiros de 756 intentos de tiro libre.

¿Cuál es la posibilidad de que anote el siguiente tiro libre?
353
P(r) = = 0.4675
756
✓ El semestre pasado 77 alumnos tomaron la clase de estadística, de
los cuales 36 quedaron suspensos. ¿Cuál es la probabilidad de que
u alumno quede suspenso este semestre?
36
P(r) = = 0.4675
77
✓ El 1 de febrero de 2003 el trasbordador espacial Columbia explotó.
Este fue el segundo desastre en 113 misiones espaciales de la
NASA. ¿Cuál es la probabilidad de que una futura misión concluya
con éxito?
111
P(r) = = 0.9823
113
probabilidades
Objetivo Subjetivo
clásica empírica
PROBABILIDAD SUBJETIVA
Poca o ninguna experiencia
Probabilidad asignada a partir de cualquier

información que encuentre disponible
Ejemplos
✓ ¿Cuál es la posibilidad de usted contraiga matrimonio en

los próximos 10 años?
P(m) = 0.30
✓ ¿Cuál es la probabilidad de que el equipo de squash del

curso gane el próximo partido?
P(g) = 0.75
ESTADÍSTICA PROBABILÍSTICA I
1. INTRODUCCIÓN A LAS PROBABILIDADES
ESPACIO MUESTRAL Y TEORÍA

DE CONJUNTOS
Espacio Muestral
conjunto de todos los

resultados posibles de un
experimento estadístico
S
Espacio Muestral
Cada resultado se
denomina elemento,
miembro o punto muestral
S = {1, 2, 3, 4, 5, 6}
Eventos
subconjunto de un espacio muestral
El complemento de un evento A respecto

Complemento de S es el subconjunto de todos los
elementos de S que no están en A
evento que contiene todos los elementos

Intersección que son comunes a A y a B
Mutuamente Dos eventos A y B son disjuntos si A y B

excluyentes no tienen elementos en común
es el evento que contiene todos los

Unión elementos que pertenecen a A o a B, o a
ambos
Ejemplo
A∩B=
B∩C=
A∪C=
B′ ∩ A =
A∩B∩C=
(A ∪ B) ∩ C′ =
Ejemplo
A ∩ B = 1,2
B ∩ C = 1,3
A ∪ C = 1,2,3,4,5,7
B′ ∩ A = 4,7
A∩B∩C=1
(A ∪ B) ∩ C′ = 2,6,7
Reglas de
Probabilidad
Reglas de la Reglas de la
Adición Multiplicación
Regla Regla Regla Regla

Especial General Especial General
REGLAS DE PROBABILIDAD -
REGLAS ADITIVAS
Reglas de
Probabilidad

Regla de la Adición
la probabilidad de que ocurra uno u otros eventos,

es igual a la suma de sus probabilidades
Regla Especial de la Regla General de la

Adición Adición
Regla Especial de la Adición
Si los eventos son mutuamente excluyentes
P(A1 ∪ A2 ∪ . . . ∪ An) = P(A1) + P(A2) + . . . + P(An)
A1 A2 A3
Regla General de la Adición
Si los eventos NO son mutuamente excluyentes
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
S
Probabilidad
A A∩B B conjunta
Regla Aditiva de Probabilidad
En el caso de tres eventos

P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B)
−P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C)
S
A∩B
A B
A∩B∩C
A∩C B∩C
C
Ejemplos
Hábitos de lectura
Entrevista a 80 estudiantes
Lectura Frec
Poesía 18
Novela 24
Historia 10
No lee 28
80
¿Cuál es la probabilidad de que los estudiantes lean?
¿Cuál es la probabilidad de que los estudiantes NO lean?

Ejemplos
Hábitos de lectura
Lectura Frec Prob

Poesía 18 0,225
Novela 24 0,3
Historia 10 0,125
No lee 28 0,35
80 1
¿Cuál es la probabilidad de que los estudiantes lean?
P(O ∪ N ∪ H) = P(O) + P(N) + P(H)
P(l) = 0.225 + 0.3 + 0.25 = 0.65

Ejemplos
Hábitos de lectura
Lectura Frec Prob

Poesía 18 0,225
Novela 24 0,300
Historia 10 0,125
No lee 28 0,350
80 1
¿Cuál es la probabilidad de que los estudiantes NO lean?
P(nl) = 1 − P(l)
P(nl) = 1 − 0.65 = 0.35
Ejemplos
Carta de Naipes
Un juego está formado por 52 naipes divididos en 4 palos de 13 cartas
cada uno: corazones, diamantes, picas y tréboles
¿Cuál es la probabilidad de sacar un dos o un trébol?
P(2 ∪ T ) = ?
P(2 ∪ T ) = P(2) + P(T ) − P(2 ∩ T )
4 13 1
P(2) = P(T ) = P(2 ∩ T ) =
52 52 52
4 13 1 15
P(2 ∪ T ) = + − = = 28.85 %
52 52 52 52
PROBABILIDAD CONDICIONAL -
REGLAS DE LA MULTIPLICACIÓN
Probabilidad Condicional
la probabilidad de un evento, dado que

ocurrió otro evento
P(A ∣ B)
P(A y B)
P(A ∣ B) =
P(B)
la probabilidad de un evento, dado que

ocurrió otro evento
P(A ∣ B) ≠ P(B ∣ A)
P(A y B) P(A y B)
P(A ∣ B) = P(B ∣ A) =
P(B) P(A)
Ejemplo
Actividades en la playa
Recostarse Jugar Nadar total
Hombres 0,301 0,106 0,044 0,451
Mujeres 0,398 0,071 0,080 0,549
Total 0,699 0,177 0,124 1,000
¿Cuál es la probabilidad de que una persona esté

descansando , si sabemos que esa persona es hombre?
Ejemplo
descansando , si sabemos que esa persona es hombre?
Hombres 0,301 0,106 0,044 0,451
Mujeres 0,398 0,071 0,080 0,549
Total 0,699 0,177 0,124 1,000
P(A y B) P(R y H)
P(A ∣ B) = P(R ∣ H) =
P(B) P(H)
0.301
P(R ∣ H) = = 0.6674
0.451
Ejemplo
jugando , si sabemos que esa persona es hombre?
Hombres 0,301 0,106 0,044 0,451
Mujeres 0,398 0,071 0,080 0,549
Total 0,699 0,177 0,124 1,000
P(J y H) 0.106
P(J ∣ H) = = = 0.235
P(H) 0.451
Ejemplo
Probabilidades condicionales de la actividad
dado el sexo
Hombres 0,667 0,235 0,098 1
Mujeres 0,726 0,129 0,145 1

Ejemplo
Probabilidades condicionales del sexo dada la
actividad
Recostarse Jugar Nadar
Hombres 0,431 0,599 0,355
Mujeres 0,569 0,401 0,645
Total 1 1 1
Ejemplo
La fuerza policial está formada por 1200 o ciales, 960

hombres y 240 mujeres. En los últimos dos años fueron
ascendidos 324 o ciales, de los cuales 288 fueron
hombres
1. Construir una tabla de contingencia con los datos
2. Construir una tabla de probabilidades conjuntas y marginales
3. Si se selecciona al azar un o cial hombre ¿cuál es la probabilidad

de que sea ascendido?
4. Si se selecciona al azar un o cial mujer ¿cuál es la probabilidad de

que sea ascendida?
fi
fi
fi
fi
Ejemplo
1. Construir una tabla de contingencia con los datos
Hombres Mujeres Total
Ascendido 288 36 324
No ascendido 672 204 876
Total 960 240 1200
2. Construir una tabla de probabilidades conjuntas y marginales
H M Total
A 0,24 0,03 0,27
Na 0,56 0,17 0,73
Total 0,80 0,20 1,00

Ejemplo
H M Total
A 0,24 0,03 0,27
Na 0,56 0,17 0,73
Total 0,80 0,20 1,00
3. Si se selecciona al azar un o cial hombre ¿cuál es la probabilidad

de que sea ascendido?
P(A y H) 0.24
P(A ∣ H) = = = 0.30
P(H) 0.80
4. Si se selecciona al azar un o cial mujer ¿cuál es la probabilidad de

que sea ascendida?
P(A y M) 0.03
P(A ∣ M) = = = 0.15
P(M) 0.20
fi
fi
Independencia de Eventos
Cuando NO cambia la probabilidad de un

evento por la ocurrencia de otro
Dos eventos son independientes cuando:
P(A ∣ B) = P(A)
Ó si
P(B ∣ A) = P(B)
De lo contrario son dependientes

Reglas de
Probabilidad

Regla de la Multiplicación
Utilizada para determinar la probabilidad

de la intersección de dos eventos
Se deriva de la fórmula de
probabilidad condicional
Reglas de la Multiplicación
la probabilidad de que ocurran eventos de forma

simultánea
Regla para eventos Regla para eventos

independientes dependientes
Regla de la multiplicación para
eventos dependientes
P(A ∩ B) P(A ∩ B)
P(A ∣ B) = P(B ∣ A) =
P(B) P(A)
P(A ∩ B) = P(B) P(A ∣ B) ó P(A ∩ B) = P(A) P(B ∣ A)

eventos independientes
P(A ∩ B) = P(A) P(B)

INDEPENDENCIA DE EVENTOS Y
REGLAS DE LA MULTIPLICACIÓN
Independencia de Eventos
Cuando NO cambia la probabilidad de un

evento por la ocurrencia de otro
Dos eventos son independientes cuando:
P(A ∣ B) = P(A)
Ó si
P(B ∣ A) = P(B)
De lo contrario son dependientes

Ejemplo
Un experimento consiste en sacar dos cartas, una después de la otra,

de una baraja convencional, con reemplazo. Los eventos se de nen
así:
A: la primera carta es un as
B: la segunda carta es una espada
13 1 13 1
P(B ∣ A) = = P(B) = =
52 4 52 4
P(B ∣ A) = P(B)
Los eventos A y B son Independientes
fi
Reglas de la Multiplicación
la probabilidad de que ocurran eventos de forma

simultánea
Regla para eventos Regla para eventos

independientes dependientes
Regla multiplicativa para
eventos dependientes
P(A ∩ B) P(A ∩ B)
P(A ∣ B) = P(B ∣ A) =
P(B) P(A)
P(A ∩ B) = P(B) P(A ∣ B) ó P(A ∩ B) = P(A) P(B ∣ A)

eventos independientes
P(A ∩ B) = P(A) P(B)

Ejemplo
Suponga que tenemos una caja de fusibles que contiene 20 unidades,

de las cuales 5 están defectuosas.
Si se seleccionan 2 fusibles al azar y se retiran de la caja, uno después

del otro, sin reemplazar el primero, ¿cuál es la probabilidad de que
ambos fusibles estén defectuosos?
D ND Total
Selección 1 5 15 20
Selección 2 4 15 19

Ejemplo
Suponga que tenemos una caja de fusibles que contiene 20 unidades,

de las cuales 5 están defectuosas.
Si se seleccionan 2 fusibles al azar y se retiran de la caja, uno después

del otro, sin reemplazar el primero, ¿cuál es la probabilidad de que
ambos fusibles estén defectuosos?
P(A ∩ B) = P(B) P(A ∣ B)
P(d1 ∩ d2) = P(d1) P(d2 ∣ d1)
5 4 1
P(d1 ∩ d2) = × =
20 19 19

Ejemplo
Una pequeña ciudad dispone de un carro de bomberos y una
ambulancia para emergencias. La probabilidad de que el carro de
bomberos esté disponible cuando se necesite es 0.98 y la probabilidad
de que la ambulancia esté disponible cuando se le requiera es 0.92.
En el evento de un herido en un incendio, calcule la probabilidad de que
tanto la ambulancia como el carro de bomberos estén disponibles,
suponiendo que operan de forma independiente.
P(A ∩ B) = P(A) P(B)
P(A ∩ B) = P(0.98) P(0.92)
P(A ∩ B) = 0.9016
Ejemplo
Una refrigeradora contiene 10 latas de soda: 7 regulares y 3 de

dieta. Cuál es la probabilidad de seleccionar al azar 2 latas de
dieta si la selección se realiza sin reemplazo?
Regular Dieta
10 Latas
7 3
1 Dieta
Regular Dieta
9 Latas
7 2
Ejemplo
Una refrigeradora contiene 10 latas de soda: 7 regulares y 3 de

dieta. Cuál es la probabilidad de seleccionar al azar 2 latas de
dieta si la selección se realiza sin reemplazo?
P(A ∩ B) = P(B) P(A ∣ B)
P(d1 ∩ d2) = P(d1) P(d2 ∣ d1)
3 2 1
P(d1 ∩ d2) = × =
10 9 15
Ejemplo
Se sacan tres cartas seguidas, sin reemplazo, de una baraja ordinaria. Encuentre
la probabilidad de que ocurra el evento A1 ∩ A2 ∩ A3, donde:
A1: la primera carta es un as rojo

A2: la segunda carta es un 10 o una jota
A3: la tercera carta es mayor que 3 pero menor que 7.
2 8 12
P(A1) = P(A2 ∣ A1) = P(A3 ∣ A2 ∩ A1) =
52 51 50
P(A1 ∩ A2 ∩ A3) = P(A1) P(A2 ∣ A3) P(A3 ∣ A2 ∩ A1)
( 52 ) ( 51 ) ( 50 ) 5525
2 8 12 8
= =

DIAGRAMA DE ÁRBOL
Diagrama de Árbol
Grá co para organizar cálculos que

implican varias etapas
Las ramas del árbol se ponderan por

medio de probabilidades
fi
Ejemplo
Ejemplo
3 2 1
espacio muestral
2
2
2
2
1
Ejemplo
1
Ejemplo 1
2
0.5
0.5 2
1
0.5
0.5 0.5
0.5 2
0.5 0.5 1
0.5
0.5 0.5 2
0.5
Diagrama de Árbol
Diferentes probabilidades
✓ Probabilidad marginal
✓ Probabilidad condicional
✓ Probabilidad conjunta
Ejemplo
Probabilidades de actividades en la
playa según sexo
Hombres 0,301 0,106 0,044 0,451
Mujeres 0,398 0,071 0,080 0,549
Total 0,699 0,177 0,124 1,000

Ejemplo
dado el sexo
Hombres 0,667 0,235 0,098 1
Mujeres 0,726 0,129 0,145 1

Ejemplo
Mujer
Hombre
Ejemplo
Probabilidades de actividades en la
playa según sexo
Hombres 0,301 0,106 0,044 0,451
Mujeres 0,398 0,071 0,080 0,549
Total 0,699 0,177 0,124 1,000

Ejemplo
Probabilidad
marginal
Mujer
0.549
0.451
Hombre
Ejemplo Recostarse
Jugar
Mujer
Nadar
0.549
0.451 Recostarse
Hombre
Jugar
Nadar
Ejemplo
dado el sexo
Hombres 0,667 0,235 0,098 1
Mujeres 0,726 0,129 0,145 1

Probabilidad Probabilidad Conjunta
Condicional
Ejemplo Recostarse
Probabilidad 0.726 P(A ∩ B) = P(A) P(B ∣ A)

marginal
Jugar
0.129
Mujer
Nadar
0.549 0.145
0.451 0.667
Recostarse
Hombre
0.235
Jugar
0.098
Nadar
Probabilidad Probabilidad Conjunta
Condicional
Ejemplo Recostarse 0.549 x 0.726 = 0.399
Probabilidad 0.726
marginal
Jugar 0.549 x 0.129 = 0.071
0.129
Mujer
0.549 Nadar 0.549 x 0.145 = 0.080

0.145
0.451 0.667
Recostarse 0.451 x 0.667 = 0.300
Hombre
0.235
Jugar 0.451 x 0.235 = 0.106
0.098
Nadar 0.451 x 0.098 = 0.044
REGLA DE ELIMINACIÓN Y
REGLA DE BAYES
Ejemplo
El siguiente cuadro muestra la población de adultos de una ciudad que
cumplen con los requisitos para obtener un título universitario, clasi cados
de acuerdo con su género y situación laboral.
Empleado Desempleado Total

Hombre 460 40 500
Mujer 140 260 400
Total 600 300 900
Se seleccionará al azar a uno de estos individuos para que realice un viaje

a través del país con el n de promover las ventajas de establecer
industrias nuevas en la ciudad. Además, conocemos que 36 de los
empleados y 12 de los desempleados son miembros del Club Rotario.
Deseamos encontrar la probabilidad del evento A de que el individuo

seleccionado sea miembro del Club Rotario
fi
fi
Ejemplo
Entonces,
A: miembro del Club Rotario
E: empleado
E A E′
E∩A
E′ ∩ A
P(A) = P[(E ∩ A) ∪ (E′ ∩ A)]

= P(E ∩ A) + P(E′ ∩ A)
= P(E) P(A ∣ E) + P(E′) P(A ∣ E′)

Ejemplo
Empleado Desempleado Total
Hombre 460 40 500

Mujer 140 260 400
Total 600 300 900
Miembros del Club Rotario: 36 empleados y 12 desempleados
P(A) = P(E) P(A ∣ E) + P(E′) P(A ∣ E′)
600 2 36 3
P(E) = = P(A ∣ E) = =
900 3 600 50
300 1 12 1
P(E′) = = P(A ∣ E′) = =
900 3 300 25

Ejemplo
P(A ∣ E ) = 3 /50 P(E)P(A ∣ E)

=2 /3 A
P (E ) E
P(E′) E’
= 1/ A
3
P(A ∣ E′) = 1 /25 P(E′)P(A ∣ E′)
P(A) = P(E) P(A ∣ E) + P(E′) P(A ∣ E′)
( 3 ) ( 50 ) ( 3 ) ( 25 )
2 3 1 1
P(A) = +
4
P(A) =
75

Regla de Eliminación
Si los eventos B1, B2, . . . Bk constituyen una partición del espacio

muestral S, tal que P(Bi) ≠ 0 para i = 1,2,...k entonces, para cualquier
evento A de S
k k
∑ ∑
P(A) = P(Bi ∩ A) = P(Bi) P(A ∣ Bi)
i=1 i=1
Ejemplo
Tres máquinas B1, B2 y B3, montan 30%, 45% y 25% de los productos en
una planta, respectivamente. Se sabe por experiencia que 2%, 3% y 2% de
los productos ensamblados por cada máquina, respectivamente, tienen
defectos.
Suponga que se selecciona de forma aleatoria un producto terminado.
¿Cuál es la probabilidad de que esté defectuoso?
Eventos
A: producto defectuoso
B1: producto ensamblado con B1
P(A) = P(B1) P(A ∣ B1) + P(B2) P(A ∣ B2) + P(B3) P(A ∣ B3)

Ejemplo
defectos.
Suponga que se selecciona de forma aleatoria un producto terminado.
¿Cuál es la probabilidad de que esté defectuoso?
P(A) = P(B1) P(A ∣ B1) + P(B2) P(A ∣ B2) + P(B3) P(A ∣ B3)
P(B1) P(A ∣ B1) = (0.3)(0.02) = 0.006
P(B2) P(A ∣ B2) = (0.45)(0.03) = 0.0135
P(B3) P(A ∣ B3) = (0.25)(0.02) = 0.005
P(A) = 0.006 + 0.0135 + 0.005 = 0.0245

Ejemplo
defectos.
Suponga que se selecciona un producto de forma aleatoria y que éste

resulta defectuoso. ¿Cuál es la probabilidad de que este producto haya
sido ensamblado con la máquina B3?
Regla de Bayes
Si los eventos B1, B2, . . . Bk constituyen una partición del espacio

muestral S, donde P(Bi) ≠ 0 para i = 1,2,...k entonces, para cualquier
evento A en S, tal que P(A) ≠ 0
P(Br)P(A ∣ Br)
P(Br ∣ A) = k
Para r =1, 2, … , k
∑i=1 P(Bi)P(A ∣ Bi)
P(B1)P(A ∣ B1)
P(B1 ∣ A) =
P(B1)P(A ∣ B1) + P(B2)P(A ∣ B2)
Ejemplo
defectos.

P(Br)P(A ∣ Br)
P(Br ∣ A) = k
∑i=1 P(Bi)P(A ∣ Bi)
P(B3)P(A ∣ B3)
P(B3 ∣ A) =
P(B1)P(A ∣ B1) + P(B2)P(A ∣ B2) + P(B3)P(A ∣ B3)
Ejemplo
defectos.

P(B3)P(A ∣ B3)
P(B3 ∣ A) =
P(B1) P(A ∣ B1) = (0.3)(0.02) = 0.006
P(B2) P(A ∣ B2) = (0.45)(0.03) = 0.0135
P(B3) P(A ∣ B3) = (0.25)(0.02) = 0.005

Ejemplo
defectos.

P(B3)P(A ∣ B3)
P(B3 ∣ A) =
0.005 0.005
P(B3 ∣ A) = = = 0.2041
0.006 + 0.0135 + 0.005 0.0245
2. PRINCIPIOS BÁSICOS DE CONTEO Y DISTRIBUCIONES DE

PROBABILIDAD
PRINCIPIOS DE CONTEO
Principios de Conteo
Regla de la
Permutación Combinación
multiplicación
Regla de la Multiplicación
Si una operación se puede ejecutar en n1 formas, y si para cada una de

éstas se puede llevar a cabo una segunda operación en n2 formas, y para
cada una de las primeras dos se puede realizar una tercera operación en n3
formas, y así sucesivamente, entonces la serie de k operaciones se puede
realizar en n1n2 . . . nk formas.
Ejemplo:
¿Cuántos puntos muestrales hay en el espacio muestral cuando se lanza un par
de dados una vez?
n1 = 6 n1 n2 = (6)(6) = 36
n2 = 6 Existen 36 formas posibles

Ejemplo
Se desea armar una computadora y para comprar las partes se tiene que
elegir entre las siguientes opciones: dos marcas de circuitos integrados,
cuatro marcas de discos duros, tres marcas de memorias y cinco tiendas
locales en las que puede adquirir un conjunto de accesorios.
¿De cuántas formas diferentes se pueden comprar las partes?
n1 = 2 n1 × n2 × n3 × n4 =
n2 = 4 2 × 4 × 3 × 5 = 120
n3 = 3
Existen 120 formas diferentes
n4 = 5

Ejemplos
Un distribuidor de automóviles quiere anunciar que por $50.000 se puede comprar un

convertible, un sedán de dos puertas o una camioneta, y elegir entre radio con bluetooth o
radio con video. ¿Cuántas disposiciones de modelos y radios puede ofrecer el distribuidor?
n1 × n2 = 3 × 2 = 6
Si el distribuidor decide ofrecer 8 modelos y 6 tipo de radios?
n1 × n2 = 8 × 6 = 48
En una tienda existen 5 colores de sacos y 4 colores de pantalones. ¿Cuántos conjuntos se
pueden armar?
n1 × n2 = 5 × 4 = 20
Se fabrican tres modelos de receptores estereofónicos, dos reproductores de MP3, cuatro

bocinas y tres reproductores de CD. Con estos componentes ¿cuántos sistemas de audio se
pueden crear?
n1 × n2 × n3 × n4 = 3 × 2 × 4 × 3 = 72
Conteo de puntos muestrales
Regla de la
multiplicación
n1n2 . . . nk
Permutación
Arreglo de todo o parte de un conjunto de objetos
Ejemplo:
Considere las tres letras a, b y c. Las permutaciones posibles son:
- abc - bac - cab
Existen 6 arreglos posibles
- acb - bca - cba
Utilizando la regla de la multiplicación:
n1 = 3
n2 = 2 n1 × n2 × n2 = (3)(2)(1) = 6
n3 = 1
Permutación
n!
nPr =
(n − r)!
Dónde:
n representa el total de objetos disponibles
r representa el total de objetos seleccionados
Permutación
Ejemplo:
Considere las tres letras a, b y c. Las permutaciones posibles son:
n!
nPr =
(n − r)!
n=3 3!
3P3 = =6
r=3 (3 − 3)!
Ejemplo
En un año se otorgará uno de tres premios (a la investigación, la enseñanza y

el servicio) a algunos de los estudiantes, de un grupo de 25, de posgrado del
departamento de estadística. Si cada estudiante puede recibir un premio
como máximo
¿cuántas selecciones posibles habría?
n!
nPr =
(n − r)!
n = 25
r=3 25! 25!
25P3 = = = 13800
(25 − 3)! 22!

Ejemplo
Una empresa cuenta con 8 impresoras, aunque solo hay tres computadoras
disponibles para instalarlas.
¿De cuántas maneras se pueden distribuir las 8 impresoras en las tres
computadoras?
n!
nPr =
(n − r)!
n=8
r=3 8! 8!
8P3 = = = 336
(8 − 3)! 5!

Conteo de puntos muestrales
Regla de la
multiplicación
n!
n1n2 . . . nk nPr =
(n − r)!
Combinación
El número de combinaciones de n objetos distintos

tomados de r a la vez es
nCr = ( ) =
n n!
r r!(n − r)!
Dónde:
n representa el total de objetos disponibles
r representa el total de objetos seleccionados
Ejemplo
El departamento de marketing debe designar códigos de colores
para 42 diferentes líneas de discos. Tres colores se van a utilizar para
cada CD. La combinación de tres colores de un CD no se puede
reordenar para identi car otro CD.
¿Son su cientes 7 colores tomados de 3 en 3 para codi car los 42
CDs?
( r ) r!(n − r)!
n=7 n n!
=
r=3
( 3 ) 3!(7 − 3)!
7 7!
= = 35
No son su cientes, los 7 colores proporcionarán únicamente 35

combinaciones
fi
fi
fi

fi

PROBABILIDAD
VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
Variable Aleatoria
Cantidad que resulta de un experimento que, por azar, puede

adoptar diferentes valores
Ejemplo
De una urna que contiene 4 bolas rojas y 3 negras se sacan 2 bolas de
manera sucesiva, sin reemplazo. Los posibles resultados y los valores y
de la variable aleatoria Y, donde:
Espacio muestral y
Y es el número de bolas rojas
RR 2
RN 1
NR 1
Variable aleatoria
NN 0
Ejemplos
Un almacén regresa tres cascos de seguridad al azar a tres obreros. Si
Sergio, Juan y Beto, en ese orden, reciben uno de los tres cascos, liste los
puntos muestrales para los posibles órdenes en que el empleado del
almacén regresa los cascos.
Calcule el valor m de la variable aleatoria M que representa el número de
emparejamientos correctos.
Espacio muestral m
SJB 3
SBJ 1
BJS 1
JSB 1
JBS 0
BSJ 0

Ejemplos
Conforme a la condición en que salen ciertos componentes de la línea de

ensamble, se les clasi ca como defectuosos o no defectuosos. De na la
variable aleatoria X mediante
{0, si el componente no está defectuoso.
1, si el componente está defectuoso
X=
Asignación arbitraria
Variable aleatoria de Bernoulli

fi
fi
Espacio Muestral
Espacio muestral Espacio muestral

discreto continuo
Contiene un numero Contiene un numero

nito de posibilidades in nito de posibilidades
Variable aleatoria Variable aleatoria

discreta continua
Se puede contar su Su conjunto de valores

conjunto de resultados posibles es un intervalo
fi
fi
Distribuciones de Probabilidad
Listado de todos los resultados de un experimento y la probabilidad

asociada a cada resultado
Características
1. La probabilidad de un resultado particular se encuentra entre 0 y 1

2. Los resultados son eventos mutuamente excluyentes
3. La lista es exhaustiva. Así, la suma de las probabilidades de los
diversos eventos es igual a 1

Ejemplo
Experimento: Tres lanzamientos de una moneda

Distribución de probabilidades del número de caras
Aplicamos conteo: (2) (2) (2) = 8 posibles resultados
Resultado 1 Lanz 2 Lanz 3 Lanz No. Caras

1 C C C 3
2 C C X 2
3 C X C 2
4 C X X 1
5 X C C 2
6 X C X 1
7 X X C 1
8 X X X 0
Ejemplo
Experimento: Tres lanzamientos de una moneda

Distribución de probabilidades del número de caras
Variable aleatoria
Resultado No. Caras
Distribución de Probabilidad
1 3
2 2 No. Caras Probabilidad
3 2
0 1/8
4 1
5 2 1 3/8
6 1 2 3/8
7 1 3 1/8
8 0
1
Ejemplo
Lanzar una moneda tres veces. La variable aleatoria X, que representa el

número de cruces
Distribución de
Cara CCC probabilidad de X
Cara Cruz CCX
Cara
Cara CXC
Cruz
x f (x)
Cruz CXX
0 1/8
Cara XCC
Cara 1 3/8
Cruz Cruz XCX
2 3/8
Cruz Cara XXC
3 1/8
Cruz XXX
1
Ejemplo

número de cruces
Distribución de
probabilidad de X
0,4
0,3 x f (x)
0,2 0 1/8
1 3/8
0,1
2 3/8
0 3 1/8
0 1 2 3
1
Grá ca de función de masa de
probabilidad
fi
Ejemplo

número de cruces
Distribución de
probabilidad de X
0,4
0,3 x f (x)
0,2 0 1/8
1 3/8
0,1
2 3/8
0 3 1/8
0 1 2 3
1
Histograma de probabilidad
Ejemplos
Un almacén regresa tres cascos de seguridad al azar a tres obreros. Si
Sergio, Juan y Beto, en ese orden, reciben uno de los tres cascos, liste los
puntos muestrales para los posibles órdenes en que el empleado del
almacén regresa los cascos.
Distribución de
probabilidad de M
Espacio muestral m
SJB 3
SBJ 1 m P (m)
BJS 1
0 2/6
JSB 1
JBS 0 1 3/6
BSJ 0 3 1/6
1
Distribuciones de probabilidad continua
La probabilidad de que una variable aleatoria

continua adopte un valor exacto, es de 0

PROBABILIDAD
DISTRIBUCIONES DE
PROBABILIDAD

Distribuciones Distribuciones
discretas continuas
Media
Indica la localización central de una distribución de probabilidad
μ=
∑ [ x P(x) ]
Dónde,
P(x) es la probabilidad de una valor particular de x

Varianza y Desviación
Estándar
La varianza describe el grado de dispersión en una distribución
σ2 = [ P(x)]
2
∑
(x − μ)
Desviación estándar
2
σ= σ
Ejemplo
La siguiente es la distribución de probabilidad de ventas de automóviles

en un día sábado de un distribuidor local:
No. Autos vendidos Probabilidad
x P(x)
0 0,10
1 0,20
2 0,30
3 0,30
4 0,10
Total 1,00
Ejemplo

μ=
∑ [ x P(x) ] = 2,10
X P (x) x P(x)
0 0,10 0,00
1 0,20 0,20
2 0,30 0,60
3 0,30 0,90
4 0,10 0,40
∑
= 2,10
Ejemplo

σ2 = [ P(x)] = 1,29
2
∑
μ = 2,10 (x − μ)
X P (x) x−μ (x − μ) 2 (x − μ)2 P(x)

0 0,10 -2,1 4,41 0,441
1 0,20 -1,1 1,21 0,242
2 0,30 -0,1 0,01 0,003
3 0,30 0,9 0,81 0,243
4 0,10 1,9 3,61 0,361
∑
= 1,29
σ= σ 2 = 1,29 = 1,136

PROBABILIDAD
DISTRIBUCIONES DE
PROBABILIDAD

Distribuciones Distribuciones
discretas continuas
‣ Binomial ‣ Normal
‣ Multinomial ‣ Aproximación a la
‣ Hipergeométrica binomial
‣ Binomial negativa ‣ Gamma

‣ Geométrica ‣ Exponencial
‣ Poisson
3. DISTRIBUCIONES DE PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL
Distribución de Probabilidad Binomial
Características
1. Solo hay dos posibles resultados en determinado intento de un

experimento
2. La variable aleatoria es el resultado de conteos
3. La probabilidad de éxito es la misma de una prueba a otra
4. Cada prueba es independiente de cualquier otra

Cálculo
Fórmula:
P(x) = nCx π (1 − π)
x n−x
Dónde,
n es el número de pruebas
x es la variable aleatoria
π es la probabilidad de éxito
Ejemplo
Tame tiene 5 vuelos diarios a Galápagos. Suponga que la probabilidad de

que cualquier vuelo llegue tarde es de 0,17.
¿Cuál es la probabilidad de que uno de los vuelos llegue tarde hoy?
n= 5 vuelos diarios π= 0,17 x= 1
P(x) = nCx π (1 − π)
x n−x
P(1) = 5C1 (0,17 )(1 − 0,17) = 5 (0,17)(0,83)

1 5−1 4
= 0,4034
¿Cuál es la probabilidad de que ninguno de los vuelos llegue tarde hoy?
n= 5 vuelos diarios π= 0,17 x= 0
P(0) = 5C0 (0,17 )(1 − 0,17) = 1 (1)(0,83) = 0,3939

0 5−0 5

Ejemplo

Distribución de Probabilidad
X P (x) x P(x) x−μ (x − μ)2 (x − μ)2 P(x)

0 0,3939 0,0000 -0,8500 0,7225 0,2846
1 0,4034 0,4034 0,1500 0,0225 0,0091
2 0,1652 0,3305 1,1500 1,3225 0,2185
3 0,0338 0,1015 2,1500 4,6225 0,1565
4 0,0035 0,0139 3,1500 9,9225 0,0344
5 0,0001 0,0007 4,1500 17,2225 0,0024
μ= 0,8500 σ2 = 0,7055
Media
μ = nπ
Varianza
2
σ = nπ (1 − π)
Ejemplo

n= 5 vuelos diarios
π=
μ = nπ
0,17
μ = 5 × 0,17 = 0,85
2
σ = nπ (1 − π)
2
σ = 0,85 (1 − 0,17) = 0,7055

Ejemplo
Cinco por ciento de los alumnos de una clase de estadística se encuentran

enfermos.
‣ ¿Cuál es la probabilidad de que, de seis estudiantes seleccionados,

ninguno se encuentre enfermo?
‣ ¿Uno se encuentre enfermo?
‣ ¿Dos se encuentren enfermos?
‣ ¿Tres se encuentren enfermos?
‣ ¿Cuatro se encuentren enfermos?
‣ ¿Cinco se encuentren enfermos?
‣ ¿Y seis se encuentren enfermos?

Tablas de Probabilidad Binomial

Ejemplo

enfermos.
‣ ¿Cuál es la probabilidad de que, de seis estudiantes seleccionados,

ninguno se encuentre enfermo?
‣ ¿Uno se encuentre enfermo?
‣ ¿Dos se encuentren enfermos?
‣ ¿Tres se encuentren enfermos?
‣ ¿Cuatro se encuentren enfermos?
‣ ¿Cinco se encuentren enfermos?
‣ ¿Y seis se encuentren enfermos?
n=6
π = 0,05

Ejemplo

enfermos.
n=6 π = 0,05
Ejemplo
Se determina a través de un estudio que el 40% de las personas consumen

café. Para comparar se selecciona una muestra de 15 personas
¿Cuál es la probabilidad de que 9 de las 15 personas seleccionadas

consuman café?
P(x) = nCx π (1 − π)
x n−x
P(x = 9) = 15C9 (0,4 )(1 − 0,4)

9 15−9
= 0,0612
Ejemplo

¿Cuál es la probabilidad de que por lo menos 9 de las 15 personas

seleccionadas consuman café?
P(x ≥ 9) = P(x = 9) + P(x = 10) + P(x = 11) + P(x = 12)+

+P(x = 13) + P(x = 14) + P(x = 15)
Distribución de Probabilidad Binomial Acumulada

Ejemplo


P(x ≥ 9) = P(x = 9) + P(x = 10) + P(x = 11) + P(x = 12)+

+P(x = 13) + P(x = 14) + P(x = 15)
P(x ≥ 9) = 0,0612 + 0,0245 + 0,0074 + 0,0016+

+0,0003 + 0,0000 + 0,0000
= 0,095
Tablas de Probabilidad Binomial Acumulada
Ejemplo


P(x ≥ 9) = 1 − [P(0) + P(1) + P(2) + P(3) + P(4)+

+P(5) + P(6) + P(7) + P(8)]
P(x ≥ 9) = 1 − 0,9050
= 0,095
DISTRIBUCIÓN MULTINOMIAL
Distribución de Probabilidad Multinomial
Generalización de la distribución binomial para los casos en que puede

haber más de dos resultados
Fórmula:
n!
P(x1, x2, . . . , xk) = π x1 π x2 . . . π xk
x1 ! x2 ! . . . xk !
Dónde,
n es el número de pruebas
x es la variable aleatoria
π es la probabilidad de éxito
Ejemplo
En una universidad se realiza una encuesta sobre la actitud hacia la donación
de órganos y se obtienen los siguientes resultados:
‣ En contra: 15%
‣ Indiferentes: 40%
‣ A Favor: 45%
Se escoge una muestra aleatoria de 20 estudiantes ¿Cuál es la probabilidad de
que 5 estén en contra, 10 sean indiferentes y 5 estén a favor?
n!
P(x1, x2, . . . , xk) = π x1 π x2 . . . π xk
x1 ! x2 ! . . . xk !
20!
P(x1 = 5, x2 = 10, x3 = 5) = × 0,155 × 0,410 × 0,455
5! × 10! × 5!
= 0,0068

Ejemplo
Se presentan cuatro partidos políticos a elecciones: el partido A obtuvo el 40%

de los votos, el partido B el 30%, el partido C el 20% y D el 10% restante.
¿Cuál es la probabilidad de que al elegir 5 ciudadanos al azar, 3 hayan votado
por A, 1 por C y 1 por D?
n!
P(x1, x2, . . . , xk) = π x1 π x2 . . . π xk
x1 ! x2 ! . . . xk !
P(x1 = 3, x2 = 0, x3 = 1, x4 = 1) =
5!
= × 0,43 × 0,30 × 0,21 × 0,11
3! × 0! × 1! × 1!
= 0,0256
Ejemplo
En una conferencia 20% de los asistentes son de primer semestre, 30% de

segundo, 40% de tercero y 10% de cuarto.
Se reúne un grupo de 4 asistentes ¿Cuál es la probabilidad de que 2 sean de
primer semestre y 2 de tercer semestre?
n!
P(x1, x2, . . . , xk) = π x1 π x2 . . . π xk
x1 ! x2 ! . . . xk !
P(x1 = 2, x2 = 0, x3 = 2, x4 = 0) =
4!
= × 0,32 × 0,30 × 0,42 × 0,10
2! × 0! × 2! × 0!
= 0,0384

DISTRIBUCIÓN
HIPERGEOMÉTRICA
Distribución de Probabilidad Hipergeométrica
Características
1. Solo hay dos posibles resultados en determinado intento de un

experimento
2. La variable aleatoria es el resultado de conteos
3. Las pruebas no son independientes
4. Los muestreos se realizan en una población nita sin reemplazos,

por tanto la probabilidad de éxito cambia en cada prueba
fi
Distribución de Probabilidad Hipergeométrica
Cálculo
Fórmula:
(sCx) (N−sCn−x)
P(x) =
NCn
Dónde,
s es el número de éxitos en la población
x es el número de éxitos en la muestra
N es el tamaño de la población
n es el tamaño de la muestra o el número de pruebas
Ejemplo
Una empresa tiene 50 empleados, 40 pertenecen a un sindicato y 10 no. Se

elige al azar 5 empleados para conformar un comité.
¿Cuál es la probabilidad de que 4 de los 5 empleados elegidos para conformar
el comité pertenezcan al sindicato?
N = 50 empleados
s = 40 empleados sindicalizados (sCx) (N−sCn−x)

P(x) =
x = 4 empleados sindicalizados elegidos NCn
n = 5 empleados sindicalizados elegidos
( 4! ) ( 1! ) ( 4! 36! )( 1! 9! )
40! 10! 40! 10!
P(4) = = = 0,431
( 5! ) ( 5! 45! )
50! 50!

DISTRIBUCIÓN BINOMIAL
NEGATIVA
Distribución de Probabilidad Binomial Negativa
Características
1. Existe un número inde nido de pruebas separadas
2. Hay dos posibles resultados que son mutuamente excluyentes
3. La probabilidad de obtener un resultado A es p, y la conseguir

No A es q, entonces p + q = 1
4. p y q son constantes en todas las pruebas
5. K: número de éxitos
fi
Distribución de Probabilidad Multinomial
Si ensayos independientes repetidos pueden dar como

resultado un éxito con probabilidad p y un fracaso con
probabilidad q = 1 – p, entonces la distribución de probabilidad
de la variable aleatoria X, el número del ensayo en el que ocurre
el k-ésimo éxito, es
(k − 1)
x−1
b*(x; k, p) = p kq x−k
x = k, k + 1, k + 2...
Ejemplo
En la serie de campeonato de la NBA, el equipo que gane 4 de 7 juegos será el

ganador. Suponga que los equipos A y B se enfrentan en los juegos de
campeonato y que el equipo A tiene una probabilidad de 0.55 de ganarle al
equipo B.
¿Cuál es la probabilidad de que el equipo A gane la serie en 6 juegos?
(k − 1)
x−1
(4 − 1)
6−1 4 6−4
b*(6; 4,0.55) = 0.55 (1 − 0.55)
(3)
5 4 2
= 0.55 (0.45) = 0,1853

Ejemplo
Considere el uso de un medicamento que se sabe que es e caz en el 60% de
los casos en que se utiliza. El uso del medicamento se considerará un éxito si
proporciona algún grado de alivio al paciente. Nos interesa calcular la
probabilidad de que el quinto paciente que experimente alivio sea el séptimo
paciente en recibir el medicamento en una semana determinada.
(k − 1)
x−1
(5 − 1)
7−1 5 7−5
b*(7; 5,0.6) = 0.6 (1 − 0.6)
(4)
6 5 2
= 0.6 (0.4) = 0,1866 fi
Ejemplo
En un fábrica de dispositivos auditivos se sabe que en promedio 1 de

cada 10 productos es defectuoso.
¿Cuál es la probabilidad que el quinto dispositivo examinado sea el
primero en estar defectuoso?
(k − 1)
x−1
(1 − 1)
5−1 1 5−1
b*(5; 1,0.1) = 0.1 (1 − 0.1)
(0)
4 1 4
= 0.1 (0.9) = 0,066

DISTRIBUCIÓN GEOMÉTRICA
Distribución de Probabilidad Geométrica
Si pruebas independientes repetidas pueden tener como

resultado un éxito con probabilidad p y un fracaso con
probabilidad q = 1 – p, entonces la distribución de probabilidad
de la variable aleatoria X, el número de la prueba en el que
ocurre el primer éxito, es
x−1
g(x; p) = pq
x = 1, 2, 3...
Ejemplo
Se sabe que en cierto proceso de fabricación uno de cada 100 artículos,

en promedio, resulta defectuoso. ¿Cuál es la probabilidad de que el
quinto artículo que se inspecciona, en un grupo de 100, sea el primer
defectuoso que se encuentra?
x−1
g(x; p) = pq
g(5; 0.01) = (0.01)(1 − 0,01)5−1
= (0.01)(0,99) 4 = 0,0096
Ejemplo
En “momentos ajetreados” un conmutador telefónico está muy cerca de
su límite de capacidad, por lo que los usuarios tienen di cultad para
hacer sus llamadas. Se desea saber cuántos intentos serían necesarios
para conseguir un enlace telefónico. Suponga que la probabilidad de
conseguir un enlace durante un momento ajetreado es p = 0.05. Nos
interesa conocer la probabilidad de que se necesiten 5 intentos para
enlazar con éxito una llamada.
x−1
g(x; p) = pq
g(5; 0.05) = (0.05)(1 − 0,05)5−1
= (0.05)(0,95) 4 = 0,041
fi
Distribución de Probabilidad Geométrica
Media Varianza
1 2 1−p
μ= σ =
p p2
Ejemplo
En “momentos ajetreados” un conmutador telefónico está muy cerca de
su límite de capacidad, por lo que los usuarios tienen di cultad para
hacer sus llamadas. Se desea saber cuántos intentos serían necesarios
para conseguir un enlace telefónico. Suponga que la probabilidad de
conseguir un enlace durante un momento ajetreado es p = 0.05. Nos
interesa conocer la probabilidad de que se necesiten 5 intentos para
enlazar con éxito una llamada.
1 2 1 − p
μ= σ =
p p2
1 2 1 − 0.05
μ= σ =
0.05 0.052
μ = 20 2
σ = 380
fi
DISTRIBUCIÓN DE POISSON
Proceso de Poisson
Propiedades
1. El número de resultados que ocurren en un intervalo o región

especí ca es independiente de otros.
2. La probabilidad de que ocurra un resultado durante un intervalo

es proporcional a la longitud del intervalo o al tamaño de la región,
y no depende otros resultados
3. La probabilidad de que ocurra más de un resultado en un

intervalo de tiempo corto o que caiga en una región pequeña es
insigni cante.
fi
fi
Distribución de Probabilidad de Poisson
La distribución de probabilidad de la variable aleatoria de

Poisson X, la cual representa el número de resultados que
ocurren en un intervalo de tiempo dado o región especí cos
y se denota con t, es
−λt x
e (λt)
p(x; λt) = x = 0, 1, 2,...,
x!
donde,
λ Es el número promedio de resultados por unidad de

tiempo, distancia, área o volumen
e = 2,71828...
fi

Ejemplo
Durante un experimento de laboratorio el número promedio de partículas

radiactivas que pasan a través de un contador en un milisegundo es 4. ¿Cuál es
la probabilidad de que entren 6 partículas al contador en un milisegundo
dado?
−λt x
e (λt)
p(x; λt) =
x!
−4 6
e (4)
p(6; 4) =
6!
p(6; 4) = 0.1042
Ejemplo
El número promedio de camiones-tanque que llega cada día a cierta ciudad

portuaria es 10. Las instalaciones en el puerto pueden alojar a lo sumo 15
camiones-tanque por día. ¿Cuál es la probabilidad de que en un día
determinado lleguen más de 15 camiones y se tenga que rechazar algunos?
e −λt (λt)x
p(x; λt) =
x!
15
P(X > 15) = 1 − P(1 ≤ 15) = 1 − ∑ p(x; 10)
x=0
Tablas de Probabilidad de Poisson
Ejemplo
El número promedio de camiones-tanque que llega cada día a cierta ciudad

portuaria es 10. Las instalaciones en el puerto pueden alojar a lo sumo 15
camiones-tanque por día. ¿Cuál es la probabilidad de que en un día
determinado lleguen más de 15 camiones y se tenga que rechazar algunos?
e −λt (λt)x
p(x; λt) =
x!
15
P(X > 15) = 1 − P(1 ≤ 15) = 1 − ∑ p(x; 10)
x=0
P(X > 15) = 1 − 0,9513 = 0,0487

Distribución de Probabilidad de Poisson
Media y Varianza
μ = σ = λt = np
2
- Las probabilidades de ocurrencia son muy bajas después de

las primeras veces que se presenta un evento
- A medida que la media se hace más grande, la forma de la

distribución de Poisson se vuelve cada vez más simétrica
Ejemplo
En cierta fábrica los accidentes ocurren con muy poca frecuencia. Se sabe que
la probabilidad de un accidente en cualquier día dado es de 0.005, y que los
accidentes son independientes entre sí.
Cuál es la probabilidad de que en un día de cualquier periodo determinado de
400 días ocurra un accidente?
e −λt (λt)x
p(x; λt) =
x!
−2 1
e (2)
p(1; 2) =
1!
p(1; 2) = 0.2707

Ejemplo
En cierta fábrica los accidentes ocurren con muy poca frecuencia. Se sabe que
la probabilidad de un accidente en cualquier día dado es de 0.005, y que los
accidentes son independientes entre sí.
¿Cuál es la probabilidad de que ocurra un accidente a lo sumo en tres días de
tal periodo?
e −λt (λt)x
p(x; λt) =
x!
3 −2 x
e (2)
p(X ≤ 3) = ∑
x=0
x!
p(X ≤ 3) = 0.857

4. DISTRIBUCIONES DE PROBABILIDAD CONTINUA Y

BIVARIANTE
DISTRIBUCIÓN NORMAL
Distribución Normal
Características
1. Tiene forma de campana y una sola cima en el centro
2. La media aritmética, la mediana y la moda sin iguales y se

localizan en el centro de la distribución
3. El área bajo la curva es igual a 1
4. Es simétrica respecto a la media
5. Es asintótica, se aproxima al eje x sin tocarlo
6. La localización de la distribución se determina a través de la

media, y la dispersión a través de la desviación estándar
Características
Características
Características
Características
Áreas bajo la curva normal
Distribución Normal Estándar
distribución de una variable aleatoria

normal con media 0 y varianza 1
x−μ
z=
σ
Distancia de la media, medida en unidades de
desviación estándar
Ejemplo
Los ingresos semanales de los jugadores de fútbol de un equipo local se
rigen por una distribución de probabilidad normal con una media de $1000 y
una desviación estándar de $100.
¿Cuál es el valor z para el ingreso X de un jugador que percibe $1100
semanales? ¿Y para un jugador que gana $900 semanales?
Jugador 1 Jugador 2
μ = 1000
σ = 100 x1 = 1100 x2 = 900
x−μ 1100 − 1000 900 − 1000
z= z1 = z2 =
σ 100 100
z1 = 1 z2 = − 1

Ejemplo
μ = 1000
σ = 100
Jugador 1
−1σ +1σ x1 = 1100

z1 = 1
Jugador 2
1000 x1 = 900
900 1100
z2 = − 1
Valor Z −1 0 1
Regla Empírica
Se consideran tres áreas bajo una curva normal
✓ Cerca de 68% del área bajo la curva normal se

encuentra a una desviación estándar de la media
μ ± 1σ
✓ Alrededor de 95% del área bajo la curva normal se

encuentra a dos desviaciones estándares de la media
μ ± 2σ
✓ Prácticamente toda el área bajo la curva se encuentra

a tres desviaciones estándares de la media
μ ± 3σ
99.7%
95%
68%
μ − 3σ μ − 1σ μ μ + 1σ μ + 3σ
μ − 2σ μ + 2σ
Ejemplo
Los jugadores de la liga profesional de fútbol local realizan en promedio

19 horas de ejercicio anaeróbico como parte de su entrenamiento. Estas
horas siguen una distribución normal, con una desviación estándar de 1.2
horas. Calcule:
✓ ¿Entre qué par de valores se encuentra el 68% de los

jugadores?
✓ ¿Entre qué par de valores se encuentra el 95% de los

jugadores?
✓ ¿Entre qué par de valores se encuentra prácticamente la

totalidad de los jugadores?
Ejemplo
¿Entre qué par de valores se encuentra el
68% de los jugadores?
68%
μ = 19
σ = 1.2
μ − 1σ = 19 − 1(1.2)
= 17.8
μ + 1σ = 19 + 1(1.2)
= 20.2
μ
Entre 17.8 y 20.2 horas
μ17.8
− 1σ μ20.2
+ 1σ
semales
Ejemplo
¿Entre qué par de valores se encuentra
el 95% de los jugadores?
95%
μ = 19
σ = 1.2
μ − 2σ = 19 − 2(1.2)
= 16.6
μ + 2σ = 19 + 2(1.2)
= 21.4
μ
μ16.6
− 2σ μ21.4
+ 2σ
semales
Ejemplo
¿Entre qué par de valores se encuentra

el 99,7% de los jugadores?
99.7%
μ = 19
σ = 1.2
μ − 3σ = 19 − 3(1.2)
= 15.4
μ + 3σ = 19 + 3(1.2)
= 22.6
μ
μ15.4
− 3σ μ22.6
+ 3σ
semales

BIVARIANTE
DISTRIBUCIÓN NORMAL -
CÁLCULO DE ÁREAS
Cálculo de áreas
Tabla de áreas
Tabla de áreas
Ejemplo
El gasto medio de los estudiantes al mes de la Universidad Nacional, es de

$220 con una desviación estándar de $12. Suponiendo que este gasto sigue
una distribución normal, calcular cuál es la probabilidad de seleccionar un
estudiante que gaste menos de $235
μ = 220 P(x < 235) = ?

σ = 12
235 − 220
x−μ z=
z= 12
σ
z = 1,25
220
235
Ejemplo

estudiante que gaste menos de $235
μ = 220
σ = 12 P(x < 235) = 0,8944
x−μ
z=
σ
235 − 220
0,8944 z=
12
z = 1,25
220
235
Ejemplo

estudiante que gaste más de $240?
μ = 220 P(x < 240) = ?

σ = 12
240 − 220
x−μ z=
z= 12
σ
z = 1,67
220
240
Ejemplo

estudiante que gaste más de $240?
μ = 220
σ = 12 P(x > 240) = 1 − 0,9525
z=
x−μ = 0,0475
σ
235 − 220
0,9525 z=
12
z = 1,25
220
240
Ejemplo

estudiante que gaste entre $190 y 230?
μ = 220 P(190 < x < 230) = ?

σ = 12
190 − 220
x−μ z1 =
z= 12
σ
z1 = − 2,5
230 − 220
z2 =
12
z2 = 0,83
220
190 230
Ejemplo

estudiante que gaste entre $190 y 230?
μ = 220
P(190 < x < 230) = 0,7969 − 0,0062
σ = 12
= 0,7907
x−μ
z=
σ
0,7907
0,00620,7967 z1 = − 2,5 0,0062
z2 = 0,83 0,7967
220
190 230

BIVARIANTE
DISTRIBUCIÓN NORMAL -
CÁLCULO DE ÁREAS A LA INVERSA
Ejemplo
Dada una distribución normal con media igual a 40 y desviación estándar de

6, calcule el valor de x que tiene el 45% del área a la izquierda
Buscamos el área dentro de la tabla

μ = 40 de áreas bajo la curva normal
σ=6
x−μ
z=
σ
0,45
40
x?
Tabla de áreas bajo la curva normal
Ejemplo

6, calcule el valor de x que tiene el 45% del área a la izquierda
x − 40
μ = 40 −0,13 =
6
σ=6
x = (6)(−0,13) + 40
x−μ
z=
σ x = 39,22
40
x?
39,22
z = − 0,13
Ejemplo

6, calcule el valor de x que tiene el 14% del área a la derecha
Buscamos el área dentro de la tabla

de áreas bajo la curva normal
μ = 40
σ=6
x−μ
z=
σ
0,86
0,14
40
x?
Tabla de áreas bajo la curva normal
Ejemplo

6, calcule el valor de x que tiene el 14% del área a la derecha
x − 40
μ = 40 1,08 =
6
σ=6
x = (6)(1,08) + 40
x−μ
z=
σ x = 46,48
0,86
0,14
40
x?
46,48
z = 1,08
Ejemplo
Continental pretende establecer una garantía de millaje mínimo para su
nuevo neumático. Algunas pruebas revelan que el millaje medio es 67 900
con una desviación estándar de 2 050 millas, y que la distribución de millas
tiene una distribución de probabilidad normal. Continental desea determinar
el millaje mínimo garantizado de manera que no haya que sustituir más de
4% de los neumáticos. ¿Qué millaje mínimo garantizado debe anunciar
Contiental?
x − 67900
−1,76 =
μ = 67900 2050
σ = 2050 x = (2050)(−1,76) + 67900

x−μ
z=
σ x = 64292
0,04
64292 67900
z = − 1,76

Ejemplo
Un análisis de las cali caciones del examen nal de econometría revela que
las cali caciones tienen una distribución normal. La media de la distribución
es de 75, y la desviación estándar, de 8. El profesor quiere recompensar con
una A a los estudiantes cuyas cali caciones se encuentren dentro del 10%
más alto. ¿Cuál es el punto de división para los estudiantes que merecen una
A y los que merecen una B?
x − 75
1,28 =
μ = 75 8
σ=8 x = (8)(1,28) + 75
x−μ
z=
σ x = 85,24
0,90 0,10
75 85,24
z = 1,28
fi
fi
fi
fi

BIVARIANTE
APROXIMACIÓN NORMAL A LA
BINOMIAL
Aproximación Normal a la Binomial
Distribución Normal Distribución Binomial
Distribución continua Distribución discreta
Buena aproximación cuando n es grande

μ = nπ = (15)(0.4) = 6
b(x; 15, 0.4)
σ= nπ (1 − π)
= (15)(0.4)(0.6) = 1.897
b(x; 15, 0.4) μ=6 σ = 1.897
P(X = 4) = b(4; 15, 0.4) = 0,1268
3.5 4.5
b(x; 15, 0.4) μ=6 σ = 1.897

3.5 − 6
z1 = = − 1.32 0.0934
1.897
4.5 − 6
z2 = = − 0.79 0.2148
1.897
P(X = 4) = P(Z < 0.79) − P(Z < 1.32) = 0.2148 − 0.0934 = 0.1214 ≈ 0.1268
Factor de corrección
1. Probabilidad de que por lo menos ocurra X x − 0.5
2. Probabilidad de que ocurra más que X x + 0.5
3. Probabilidad de que ocurra X o menos x + 0.5
4. Probabilidad de que ocurra menos que X x − 0.5

Ejemplo
Un paciente que padece una rara enfermedad de la sangre tiene 0.4 de
probabilidad de recuperarse. Si se sabe que 100 personas contrajeron esta
enfermedad, ¿cuál es la probabilidad de que sobrevivan menos de 30?
μ = 40 P(x < 30) ≈ 0.0162

σ = 4.899 Factor de corrección Área menor a 29.5
29.5 − 40
z= = − 2.14 0.0162
4.899

BIVARIANTE
DISTRIBUCIONES GAMMA Y
EXPONENCIAL
Distribución Gamma
1 α−1 −x/β
{0,
x e , x > 0,
f(x; α, β) = β Γ(α)
α
donde α > 0 y β > 0
en otro caso.
Distribución exponencial
Caso especial de Gamma α=1

Estudia el tiempo entre cada uno de los eventos
Si se distribuye de acuerdo a Poisson, el tiempo

entre eventos es exponencial
Distribuciones Gamma y Exponencial
Distribución Gamma
Distribución Exponencial
La variable aleatoria continua X tiene una distribución exponencial, con
parámetro β, si su función de densidad es dada por
1 −x/β
{0,
e , x > 0,
f(x; β) = β
en otro caso.
donde β > 0
Distribuciones Gamma y Exponencial
Distribución gamma
μ = αβ 2
σ = αβ 2
μ=β 2
σ =β 2
Ejemplo
Suponga que un sistema contiene cierto tipo de componente cuyo
tiempo de operación antes de fallar, en años, está dado por T. La
variable aleatoria T se modela bien mediante la distribución
exponencial con tiempo medio de operación antes de fallar β = 5. Si se
instalan 5 de estos componentes en diferentes sistemas, ¿cuál es la
probabilidad de que al nal de 8 años al menos dos aún funcionen?
1 −x/β
{0,
e , x > 0,
f(x; β) = β
en otro caso.
∞
1 −t/5
∫8 5
P(T > 8) = e dt = e −8/5 ≈ 0.2
Probabilidad de que el componente

siga funcionando después de 8 años
fi
Ejemplo
Suponga que un sistema contiene cierto tipo de componente cuyo
tiempo de operación antes de fallar, en años, está dado por T. La
variable aleatoria T se modela bien mediante la distribución
exponencial con tiempo medio de operación antes de fallar β = 5. Si se
instalan 5 de estos componentes en diferentes sistemas, ¿cuál es la
probabilidad de que al nal de 8 años al menos dos aún funcionen?
∞
1 −8/5
∫8 5
P(T > 8) = e dt = e −8/5 ≈ 0.2
5 1
P(X ≥ 2) = ∑ b(x; 5,0,2) = 1 − ∑ b(x; 5,0,2)
x=2 x=0
= 1 − 0.7373 = 0.2627
fi
Distribución Exponencial
Propiedad de falta
de memoria
P(X ≥ t) = P(X ≥ t0 + t ∣ X ≥ t0)

Ejemplo
En un estudio biomédico con ratas se analiza el efecto de la dosis de un

tóxico en su tiempo de supervivencia. El tóxico es producido por el
combustible que utilizan los aviones y, en consecuencia, descargan con
frecuencia a la atmósfera. Para cierta dosis del tóxico, el estudio
determina que el tiempo de supervivencia de las ratas, en semanas,
tiene una distribución gamma con α = 5 y β = 10. ¿Cuál es la
probabilidad de que una rata no sobreviva más de 60 semanas?
60
1 x α−1e −x/β
β ∫0
P(x ≤ 60) = 5 dx
Γ(5)
x
y α−1e −y x
∫0 Γ(α)
Función gamma
F(x; α) = dy donde y=
incompleta β
Ejemplo

x
x 60 y α−1e −y
∫0 Γ(α)
y= = =6 F(x; α) = dy
β 10
6
y 5−1e −y
∫0 Γ(5)
P(x ≤ 60) = dy F(6; 5)
F(6; 5)
Ejemplo

x
x 60 y α−1e −y
∫0 Γ(α)
y= = =6 F(x; α) = dy
β 10
P(x ≤ 60) = F(6; 5) = 0.7150

Ejemplo
A partir de datos previos se sabe que la longitud de tiempo, en meses,

entre las quejas de los clientes sobre cierto producto es una
distribución gamma con α = 2 y β = 4. Se realizaron cambios para hacer
más estrictos los requerimientos del control de calidad después de los
cuales pasaron 20 meses antes de la primera queja. ¿Parecería que los
cambios realizados en el control de calidad resultaron e caces?
1 20 x α−1e −x/β
β ∫0
P(x ≥ 20) = 1 − α dx
Γ(α)
x 20
y= = =5
β 4
P(x ≥ 20) = 1 − F(5; 2)

fi
F(5; 2)
Ejemplo
A partir de datos previos se sabe que la longitud de tiempo, en meses,

entre las quejas de los clientes sobre cierto producto es una
distribución gamma con α = 2 y β = 4. Se realizaron cambios para hacer
más estrictos los requerimientos del control de calidad después de los
cuales pasaron 20 meses antes de la primera queja. ¿Parecería que los
cambios realizados en el control de calidad resultaron e caces?
5
y 2−1e −y
∫0 Γ(2)
P(x ≥ 20) = 1 − dy
P(x ≥ 20) = 1 − F(5; 2) = 1 − 0.96 = 0.04

fi

BIVARIANTE
DISTRIBUCIONES DE
PROBABILIDAD BIVARIANTE
Distribuciones de probabilidad bivariante
f(x, y) = P(X = x, Y = y)
Distribución de probabilidad conjunta

La función f (x,y) es una distribución de probabilidad conjunta o
función de masa de probabilidad de las variables aleatorias
discretas X y Y, si
1. f(x, y) ≥ 0, para toda (x, y)
2. ∑ ∑ f(x, y) = 1
x y
3. P(X = x, Y = y) = f(x, y)
Para cualquier región A en el plano xy, P[(X, Y ) ∈ A] = ∑ ∑ f(x, y)

A
Distribuciones de probabilidad bivariante
Distribución de probabilidad conjunta
La función f (x,y) es una función de densidad conjunta de las

variables aleatorias continuas X y Y si
1. f(x, y) ≥ 0, para toda (x, y)

∞ ∞
∫−∞ ∫−∞
2. f(x, y) dx dy = 1
∫ ∫A
3. P[(X, Y ) ∈ A] = f(x, y) dx dy Para cualquier región A
en el plano xy,
Ejemplo
Un local da servicio a clientes que llegan en automóvil y otro local a clientes
que llegan caminando. En un día elegido al azar, sean X y Y, respectivamente,
las proporciones de tiempo que ambos locales están en servicio, y
suponiendo que la función de densidad conjunta de estas variables aleatorias
es 2
{0,
(2x + 3y), 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f(x, y) = 5
en otro caso.
1 1 1
Calcule P[(X, Y ) ∈ A] , donde A = {(x, y) | 0 ≤ x ≤ , ≤ y ≤ }
2 4 2
1 1 1
P[(X, Y ) ∈ A] = P(0 < X < , < Y < )
2 4 2
1 1
2
∫ 1 ∫0 5
2 2
= (2x + 3y) dx dy
4
Ejemplo
es
1 1 1
P[(X, Y ) ∈ A] = P(0 < X < , < Y < )
2 4 2
1 1
2
∫ 1 ∫0 5
2 2
= (2x + 3y) dx dy
4
1 1
2
2x 6xy x= 12 1 3y
= ( )] dy = ( + ) dy
∫1 ∫ 1 10
2 2
+
5 5 x=0 5
4 4
y 3y 2 2
1
=( + )]
1 1 3 1 3 13
10 10 4 1
= [(
10 2 4
+ ) − ( + )] =
4 16 160
Distribuciones Marginales
De nición
Las distribuciones marginales sólo de X y sólo de Y son
∑
g(x) = f(x, y)
∑
y h(y) = f(x, y)
y x
para el caso discreto, y

∞ ∞
∫−∞ ∫−∞
g(x) = f(x, y) dy y h(y) = f(x, y) dx
para el caso continuo.

fi
Ejemplo
es 2
{0,
(2x + 3y), 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f(x, y) = 5
en otro caso.
∞ 1
2
∫−∞ ∫0 5
g(x) = f(x, y) dy = (2x + 3y) dy
4xy 6y 2 y=1 4x + 3
=(
10 )]y=0
+ =
5 5
Para 0 ≤ x ≤ 1 , y g(x)=0 en otro caso

Ejemplo
es 2
{0,
(2x + 3y), 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f(x, y) = 5
en otro caso.
∞ 1
2
∫−∞ ∫0 5
h(y) = f(x, y) dx = (2x + 3y) dx
2(1 + 3y)
=
5
Para 0 ≤ y ≤ 1 , y h(y)=0 en otro caso
Distribución Condicional
De nición
Sean X y Y dos variables aleatorias, discretas o continuas. La
distribución condicional de la variable aleatoria Y, dado que X
= x, es
f(x, y)
f(y | x) = , siempre que g(x) > 0
g(x)
De manera similar, la distribución condicional de la variable

aleatoria X, dado que Y = y, es
f(x, y)
f(x | y) = , siempre que h(y) > 0
h(y)
fi
Distribución Condicional
De nición
Si deseamos encontrar la probabilidad de que la variable

aleatoria continua X caiga entre a y b cuando sabemos que la
variable discreta Y = y, evaluamos
∫−∞
P(a < X < b | Y = y) = f(x, y) dx
fi
Ejemplo
La densidad conjunta para las variables aleatorias (X,Y), donde X es el cambio

unitario de temperatura y Y es la proporción de desplazamiento espectral que
produce cierta partícula atómica es
{0,
10xy 2, 0 < x < y < 1,
f(x, y) =
en otro caso.
a) Calcule las densidades marginales g(x), h(y)
b) Calcule la densidad condicional f (y | x).
c) Calcule la probabilidad de que el espectro se desplace más de la mitad

de las observaciones totales, dado que la temperatura se incremente en
0.25 unidades

Ejemplo

{0,
10xy 2, 0 < x < y < 1,
f(x, y) =
en otro caso.
∞ 1
∫−∞ ∫x
10
xy 3]
2 y=1
g(x) = f(x, y) dy = 10xy dy =
3 y=x
10
= x(1 − x 3)
3
Ejemplo

{0,
10xy 2, 0 < x < y < 1,
f(x, y) =
en otro caso.
∞ y
10xy 2 dx = 5x 2y 2]
x=y
∫−∞ ∫0
h(y) = f(x, y) dx =
x=0
= 5y 4
Ejemplo

{0,
10xy 2, 0 < x < y < 1, 10
f(x, y) = g(x) = x(1 − x 3)
en otro caso. 3
b) Calcule la densidad condicional f (y | x).
f(x, y) 10xy 2
f(y | x) = = 10
g(x) x(1 − x 3)
3
3y 2
=
1 − x3
Ejemplo

{0,
2
10xy , 0 < x < y < 1, 3y 2
f(x, y) = f(y | x) = =
en otro caso. 1 − x3
c) Calcule la probabilidad de que el espectro se desplace más de la mitad
de las observaciones totales, dado que la temperatura se incremente en
0.25 unidades
1
1
P(Y > X = 0.25) =
∫1/2
f(y | x = 0.25) dy
2
1
3y 2 8
∫1/2 1 − 0.253
= dy =
9

Ilovepdf Merged

Cargado por

Copyright:

Formatos disponibles

Ilovepdf Merged

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ilovepdf Merged

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA PROBABILÍSTICA II

1. DISTRIBUCIONES DE VARIABLE ALEATORIA Y PROBABILIDAD

Información limitada Azar

Valor que describe la posibilidad de que

Se representa a través de un valor

Expresada como fracción, decimal

ocurre una, y solamente una, de varias

suceso particular proveniente de un

uno o más resultados de un

Mutuamente únicamente UN resultado puede

conjuntos de eventos que

Resultados igualmente posibles

No . de veces que ocurrio el evento en el pasado

Ley de los grandes números

En una gran cantidad de intentos, la probabilidad empírica

No . de veces que ocurrio el evento en el pasado

✓ Un jugador de básquet anota 353 tiros de 756 intentos de tiro libre.

Poca o ninguna experiencia

Probabilidad asignada a partir de cualquier

✓ ¿Cuál es la posibilidad de usted contraiga matrimonio en

✓ ¿Cuál es la probabilidad de que el equipo de squash del

1. INTRODUCCIÓN A LAS PROBABILIDADES

ESPACIO MUESTRAL Y TEORÍA

conjunto de todos los

subconjunto de un espacio muestral

El complemento de un evento A respecto

evento que contiene todos los elementos

Mutuamente Dos eventos A y B son disjuntos si A y B

es el evento que contiene todos los

Regla Regla Regla Regla

1. INTRODUCCIÓN A LAS PROBABILIDADES

Regla Regla Regla Regla

la probabilidad de que ocurra uno u otros eventos,

Regla Especial de la Regla General de la

Si los eventos son mutuamente excluyentes

P(A1 ∪ A2 ∪ . . . ∪ An) = P(A1) + P(A2) + . . . + P(An)

Si los eventos NO son mutuamente excluyentes

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

En el caso de tres eventos

¿Cuál es la probabilidad de que los estudiantes NO lean?

Lectura Frec Prob

¿Cuál es la probabilidad de que los estudiantes lean?

P(O ∪ N ∪ H) = P(O) + P(N) + P(H)

P(l) = 0.225 + 0.3 + 0.25 = 0.65

Lectura Frec Prob

¿Cuál es la probabilidad de sacar un dos o un trébol?

P(2 ∪ T ) = P(2) + P(T ) − P(2 ∩ T )

1. INTRODUCCIÓN A LAS PROBABILIDADES

la probabilidad de un evento, dado que

la probabilidad de un evento, dado que

Recostarse Jugar Nadar total

Hombres 0,301 0,106 0,044 0,451

Mujeres 0,398 0,071 0,080 0,549

Total 0,699 0,177 0,124 1,000

¿Cuál es la probabilidad de que una persona esté

Recostarse Jugar Nadar total

Hombres 0,301 0,106 0,044 0,451

Mujeres 0,398 0,071 0,080 0,549

Total 0,699 0,177 0,124 1,000