PROBABILIDAD

PROBABILIDAD.DISTRIBUCIONES DE PROBABILIDAD.
INTRODUCCIÓN
INTRODUCCIÓN
La teoría de la Probabilidad, proporciona la base para la Inferencia estadística
Experimento Aleatorio: O regido por el azar. En estos experimentos se verifica que: se
pueden repetir indefinidamente, siempre en las mismas condiciones, y antes de realizar el
experimento, se conocen todos los resultados posibles, pero no es posible tener certeza de
cual será el resultado del experimento.
Espacio Muestral : El conjunto de resultados posibles
Espacio Muestral Discreto: Es aquel en el que hay un número finito de resultados ó un
número finito contable ( numerable ) de resultados
Espacio Muestral Continuo: Tiene resultados incontables
Eventos: Un evento por ejemplo A está asociado al espacio muestral del experimento
El espacio muestral se considera el conjunto Universal, de modo que A es simplemente un
subconjunto de Ψ
PROBABILIDAD.DEFINICIÓN
Si un experimento ξ tiene un espacio muestral Ψy un evento A está definido en Ψ, entonces

P(A) es un número real al que se denomina la probabilidad de un evento A o la probabilidad
de A. La función P(*) tiene las siguientes propiedades :
1. 0≤p(A)≤1 para cada evento A de Ψ
2. P(Ψ)=1
3. Para cualquier número k finito de eventos, mutuamente excluyentes definidos en Ψ
4. Si A1,A2,A3,…… es una secuencia numerable de eventos mutuamente excluyentes

definidos en Ψ entonces
PROBABILIDAD.DEFINICIÓN
El valor de fa= se denomina frecuencia relativa del evento A donde m representa las
repeticiones del experimento. Tiene las siguientes propiedades:
1.- 0≤ fA≤ 1
2.- Si fA=0 si y sólo si A nunca ocurre, y fA=1 si y sólo si A ocurre en cada repetición
3.- Si A y B son eventos mutuamente excluyentes, entonces FAUB= fA + fB
Entonces concluimos que si un experimento ξ tiene el espacio muestral Ψ y se define un
evento A, y si la frecuencia relativa fa, se aproxima a algún número PA conforme aumenta el
número de repeticiones, entonces se atribuye al número PA a A como su probabilidad, esto
es, cuando m ∞
p(A) =
PROPIEDADES ELEMENTALES DE LA PROBABILIDAD
1.- Dado algún proceso( o experimento) con n resultados mutuamete excluyentes( llamados
eventos)A1,A2,…………..An, a la probabilidad de cualquier evento Ai, se le asigna un número no
negativo. Es decir :
P (Ai) ≥ 0
Es un requisito razonable en vista de la dificultad de concebir una probabilidad negativa
2.- La suma de las probabilidades de todos los resultados mutuamente excluyentes es igual a
uno.
P(A1) + P( A2) +……………+ P (An) = 1
3.- Considérese dos eventos cualesquiera mutuamente excluyentes, Ai y Aj. La probabilidad
de que ocurra Ai ó Aj es igual a la suma de sus propiedades individuales
P( Ai ó Aj) = P (Ai) + P ( Aj)

TÉCNICAS DE CONTEO.PERMUTACIONES Y COMBINACIONES
Estas técnicas son útiles para calcular la probabilidad de un evento, cuando es grande el número
total de eventos posibles
FACTORIALES: Dado el entero positivo n, el producto de todos los números enteros de n a 1
se conoce como factorial de n y se escribe n!
Los siguientes son algunos ejemplos de factoriales:
10!= 10.9.8.7.6.5.4.3.2.1
5!= 5.4.3.2.1
2! = 2.1
Y en general
n! = n(n-1)(n-2)(n-3)……..1
Por definición 0!= 1 .Debe observarse también que:
10!= 10.9!
5!= 5.4!
n! = n(n-1)!
PERMUTACIONES
PERMUTACIONES : Una permutación es un arreglo ordenado de objetos

Arreglos posibles de tres letras: 6 ; 3! = 3.2
PERMUTACIONES
En general se tiene que :
P =
n r
El número de dichos arreglos ordenados posibles, se conoce como el número de permutaciones de n objetos,
tomados r a la vez
COMBINACIONES: Una combinación es un arreglo de objetos sin importar su orden. El
número de combinaciones de n cosas tomadas r a la vez se escribe como:
= r!.= =/r!=
VARIABLES ALEATORIAS DISCRETAS.DISTRIBUCIONES DE PROBABILIDAD
Una variable aleatoria discreta X es aquella que sólo puede tomar algunos
valores entre dos números dados ejem: X= edades en años de los empleados
de una empresa; X=Cualquier número de uno al seis cuando se lanza un
dado
La distribución de probabilidad de una variable aleatoria discreta es una

tabla, gráfica, fórmula o cualquier otro medio que se utilice para especificar
todos los valores posibles de una variable aleatoria discreta junto con sus
probabilidades respectivas
FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETA
FUNCIÓN DE DISTRIBUCIÓN EN VARIABLE DISCRETA
FUNCIÓN DE DISTRIBUCIÓN ACUMULADA EN VARIABLE DISCRETA
Función de distribución Acumulada Fx(x)=P[X≤ x]

DISTRIBUCIÓN BINOMIAL
La Distribución Binomial es una de las distribuciones de probabilidad que se encuentra con

mas frecuencia en la Estadística Aplicada. La Distribución se obtiene a partir de un proceso
conocido como ensayo de Bernoulli
Cuando un solo ensayo de algún proceso o experimento, puede conducir sólo a uno de dos
resultados mutuamente excluyentes, tales como muerto ó vivo, enfermo o sano, masculino
o femenino, el ensayo se conoce como ensayo de Bernoulli
Una secuencia de ensayos de Bernoulli, forma un proceso de Bernoulli en las siguientes
condiciones:
1.- Cada ensayo conduce a uno de dos resultados posibles, mutuamente excluyentes. Uno
de los resultados posibles se denota arbitrariamente como éxito y el otro como fracaso
2.- La probabilidad de éxito, denotada por p, permanece constante de ensayo a ensayo. La
probabilidad de fracaso, 1-p,se denota por q
3.-Los ensayos son independientes, es decir, el resultado de cualquier ensayo particular no
es afectado por el resultado de cualquier otro ensayo.
La variable aleatoria X que denota el número de éxitos en n ensayos de Bernoulli tiene una
distribución Binomial dada por p(x) donde:
p(x)= px(1-p)n-x x= 0,1,2,……..n
MEDIA Y VARIANZA DE LA DISTRIBUCIÓN BINOMIAL

La media de la distribución Binomial puede determinarse como:
E(X)= np
Y la varianza como:
Distribución Binomial( Ejemplo)
Sea X el número de bits recibidos de manera incorrecta en un canal de comunicación digital y

suponga que X es una variable aleatoria binomial con p=0.001.Si se transmiten 1000 bits.
Calcule lo siguiente:
a) P( X=1)
fx(x;p,n) = px(1-p)n-x ;
x=0,1…….n
fx(x;p,n) = (0.001)(1-0.001)1000-1
fx(x;p,n) = (0.001)( 0.999)999
fx(x;p,n) = (0.001)(0.368) = 0.368

b) P (x≥1) = 1-P(X<1)
P(X<1) = (0.001)0(0.999)1000
=0.3677 1-0.3677= 0.6323
c) P(X ≤ 2)
(0.001)0(0.999)1000 + (0.001)(0.999)999 + (0.001)2(0.999)998
= 0.3677+0.368+0.1840 = 0.920
d) La media y la varianza:
μx= E(X)= np = 1000(0.001) = 1
V(X) = np(1-p) = 1(1-0.001) = 0.999
DISTRIBUCIÓN DE POISSON
Esta distribución de probabilidad discreta es de amplia aplicación

Si x es el número de ocurrencias de algún evento al azar en un intervalo de tiempo o
espacio( ó algún volumen de materia), la probabilidad de que x ocurra está dada por la
expresión:
f(x) =
La letra griega λ(lambda) se conoce como parámetro de la distribución y es el número
promedio de veces que ocurre el evento al azar en el intervalo
Puede demostrarse que f(X)≥0 para cada x y que de modo que la distribución satisface los
requisitos para una distribución de probabilidad
DISTRIBUCIÓN BINOMIAL (+ Ejemplos)
En cada uno de los siguientes ejercicios ,supóngase que N, es suficientemente grande con
respecto a n, de modo que pueda utilizarse la distribución binomial para encontrar las
probabilidades deseadas.
Supóngase que el 24% de los individuos de una población tiene el grupo sanguíneo B. Para
una muestra de tamaño 20, extraida de ésta población, encuentre la probabilidad de que:
a) Se encuentren exactamente tres personas con el grupo sanguíneo B
b) Se encuentren tres o mas personas con las características de interés
a) p= 0.24
n= 20
P(x=3) Aplicando: f(x)= px qn-x
f(x)= (0.24)3(0.76)17
f(x)=
f(x) =0.1484
P (x ≥ 3) = 1-P(x≤ 2) = 1 - p(x=2)-p(x=1)-p(x=0)
X=2 f(x)=(0.24)2(0.76)18 = (0.24)2(0.76)18
f(x)= (0.0576)(7.1556.10-3)= 0.0783
x=1 f(x) = 0.24)(0.76)19

f(x)= = 0.0261
x=0 f(x) = (0.24)0(0.76)20 =( 0.76)20 = 4.133.10-3
P(x≥3) = 1-0.0783-0.0261-4.133.10-3= 0.8915

DISTRIBUCIÓN DE POISSON (Ejercicios)
El administrador de un hospital que ha estado estudiando las admisiones diarias de

emergencia durante un período de varios años, ha llegado a la conclusión de que están
distribuidas de acuerdo a la Ley de Poisson .Los registros del hospital revelan que, durante
este período, las admisiones de emergencia han sido en promedio, de tres por día.
Asumiendo una distribución de Poisson ,encuentre la probabilidad de que:
a) En cierto día ocurran exactamente dos admisiones de urgencias
Consideremos λ=3 y que x es una variable aleatoria que denota el número de admisiones
diarias de emergencia .Si X sigue la distribución de Poisson, se tiene que:
P (X=2) = f(2) = = 0.225
b) En un día particular no haya admisión de urgencias
f(0)== 0.05
DISTRIBUCIÓN DE POISSON
En un día particular sean admitidos tres o cuatro casos de urgencia
Dado que los eventos son mutuamente excluyentes, se utiliza la regla de adición para
obtener
f(3) + f(4) = + = +
f(3) + f(4)= 0.225+0.16875 =0.39
Puede utilizarse alternativamente la tabla que dá las probabilidades acumuladas para

diversos valores de λ y X

PROBABILIDAD

Cargado por

Copyright:

Formatos disponibles

PROBABILIDAD

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

PROBABILIDAD

Cargado por

Copyright:

Formatos disponibles

PROBABILIDAD.DISTRIBUCIONES DE PROBABILIDAD.

Si un experimento ξ tiene un espacio muestral Ψy un evento A está definido en Ψ, entonces

4. Si A1,A2,A3,…… es una secuencia numerable de eventos mutuamente excluyentes

P( Ai ó Aj) = P (Ai) + P ( Aj)

PERMUTACIONES : Una permutación es un arreglo ordenado de objetos

La distribución de probabilidad de una variable aleatoria discreta es una

Función de distribución Acumulada Fx(x)=P[X≤ x]

La Distribución Binomial es una de las distribuciones de probabilidad que se encuentra con

MEDIA Y VARIANZA DE LA DISTRIBUCIÓN BINOMIAL

Sea X el número de bits recibidos de manera incorrecta en un canal de comunicación digital y

fx(x;p,n) = (0.001)( 0.999)999

fx(x;p,n) = (0.001)(0.368) = 0.368

=0.3677 1-0.3677= 0.6323

Esta distribución de probabilidad discreta es de amplia aplicación

x=1 f(x) = 0.24)(0.76)19

P(x≥3) = 1-0.0783-0.0261-4.133.10-3= 0.8915

El administrador de un hospital que ha estado estudiando las admisiones diarias de

f(3) + f(4)= 0.225+0.16875 =0.39

Puede utilizarse alternativamente la tabla que dá las probabilidades acumuladas para

También podría gustarte