MAT-370

2A
“Probabilidad y Distribución de
Probabilidades”

INTEGRANTES: REGISTRO:
- Yhonatan Mamani Cahuana 219030413
- Said Diaz Espinoza 219017131
- Sebastián Riofrio Choré 219066949
- David Cahuasiri Garrón 219008868
- Jose Gustavo Aima Acapa 219061191
- Ponce Villarroel Deiner Enrique 219066620
DOCENTE: ING. FLAVIO CARREÑO HEVIAVACA

CARRERA: INGENIERIA CIVIL

UNIDAD 2: PROBABILIDADES Y DISTRIBUCIONES DE PROBABILIDADES
OBJETIVOS ESPECÍFICOS:
• Comprensión de los conceptos básicos de probabilidad, sus propiedades.
• Identificación de los tipos de distribuciones de probabilidad.
• Comprensión del concepto de valor esperado y aplicaciones.
INTRODUCCIÓN. -
En el tema anterior, nos preocupamos únicamente en procesar y relatar un conjunto de
valores observados. A partir de esta unidad, el enfoque dado sufre una profunda
modificación, la necesidad de tomar la decisión donde las inseguridades deben ser
tomadas en cuenta.
CONJUNTO DE RESULTADOS POSIBLES. -
Los resultados de un experimento son imprevisibles, pero, es posible caracterizar el
conjunto de todos los resultados posibles.

En la teoría de probabilidades, el espacio muestral o espacio de muestreo (denotado E, S,

Ω o U) consiste en el conjunto de todos los posibles resultados de un experimento
aleatorio, junto con una estructura sobre el mismo.
Por ejemplo, si el experimento consiste en lanzar dos monedas, el
espacio muestral es el conjunto {(cara, cara), (cara, cruz), (cruz,
cara) y (cruz, cruz)}. Un evento o suceso es cualquier subconjunto
del espacio muestral con estructura de σ-álgebra, llamándose a los
sucesos que contengan un único elemento sucesos elementales. En
el ejemplo, el suceso "sacar cara en el primer lanzamiento", o
{(cara, cara), (cara, cruz)}, estaría formado por los sucesos
elementales {(cara, cara)} y {(cara, cruz)}.
Para algunos tipos de experimento puede haber
dos o más espacios de muestreo posibles. Por
ejemplo, cuando se toma una carta de un mazo
normal de 52 cartas, una posibilidad del espacio
de muestreo podría ser el número (del as al rey),
mientras que otra posibilidad sería el palo
(diamantes, tréboles, corazones y picas). Una
descripción completa de los resultados, sin embargo, especificaría ambos valores, número
y palo, y se podría construir un espacio de muestreo que describiese cada carta individual
como el producto cartesiano de los dos espacios de muestreo descritos.
Los espacios de muestreo aparecen de forma natural en una aproximación elemental a la
probabilidad, pero son también importantes en espacios de probabilidad.
VARIABLES ALEATORIAS
La variable aleatoria es una función que asigna un valor numérico (que pueden ser: 1, 2, 3,
4, 5, etc.), al resultado de un experimento aleatorio (como puede ser lazar una moneda al
aire).
supongamos que cada punto del espacio muestral le asignamos un número, así definimos
una función en el espacio muestral. Esta función se llama variable aleatoria (o variable
estocástica) o más precisamente función aleatoria (o función estocástica) comúnmente se
denota por una letra mayúscula como X ó Y. En general una variable aleatoria tiene algún
significado físico, geométrico u otro.

La variable aleatoria al ser una función cuenta con un dominio y un rango. En el dominio
tenemos todos los resultados posibles de nuestro experimento aleatorio y el conjunto de
todos los resultados posibles de este experimento aleatorio se le llama espacio muestral el
cual se lo representa con la letra “S”. Por otro lado, en el rango tendremos números reales
y cada uno de estos números reciben un nombre x1, x2, x3, etc.
EJEMPLO: supongamos que tenemos dos monedas de 5 bs las cuales se lanzan al aire y de
todos los resultados posibles queremos contar el número de escudos.
La variable aleatoria viene a ser el número de escudos la cual llamaremos “X”, y el espacio
muestral viene a ser: {Cara - Cara, Cara - Escudo, Escudo - Cara, Escudo - Escudo}

X = número de escudos

DX = espacio muestral “S” RX = números reales

 1. INTRODUCCIÓN A LOS EXPERIMENTOS ALEATORIOS
Un experimento aleatorio (E.A) es una prueba que consiste en repetir un fenómeno
aleatorio con el objetivo de analizarlo y extraer conclusiones sobre su comportamiento.
De la propia definición de experimento aleatorio, así como de la definición de fenómeno
aleatorio, deducimos que se trata del estudio de situaciones dominadas por las leyes del
azar. Ejemplo:

 “LANZAR UNA MONEDA AL AIRE”

2. ESPACIO MUESTRAL
En la teoría de probabilidades, el espacio muestral o espacio de muestreo (denotado
E, S, Ω o U) consiste en el conjunto de todos los posibles resultados de un
experimento aleatorio, junto con una estructura sobre el mismo.
3. UN EXPERIMENTO ALEATORIO COMPUESTO
Es un experimento aleatorio formado por experimentos aleatorios simples. Ejemplo:
 “lanzar dos veces monedas al aire”.

Primer lanzamiento Segundo lanzamiento

c (x,c)
c (c,c)

x
c
(c,x) (x,x)
x
x

Donde:
C=cara E=espacio muestral
X=escudo
Este pequeño grafico que acabamos de hacer, es el diagrama de árbol
4. SUCESOS
En el contexto probabilístico, denominamos suceso a cualquier subconjunto de un
espacio muestral; esto es, a cualquier posible resultado de un experimento aleatorio.

Conceptos de Probabilidad
La probabilidad se refiere a la mayor o menor posibilidad de que ocurra un
suceso. Como medida de la oportunidad o probabilidad con la que pueda ocurrir
es conveniente asignar un numero entre 0 y 1. Si tenemos la certeza de que el
suceso ocurrirá seria de un 100% o 1, y de caso contrario si sabemos que el
suceso no ocurrirá es cero. Ejemplo: si decimos que la probabilidad es de ¼
diríamos que hay un 25% de oportunidad de que ocurra y un 75% de oportunidad
de que no ocurra. Es como decir la probabilidad contra su ocurrencia es del 75%
al 25% o de 3 a 1.
Existen 2 procedimientos por medio de los cuales podemos obtener estimativas
para la probabilidad de un suceso.
1. Enfoque clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un
número total de n maneras posibles, todos igualmente factibles, entonces la probabilidad
del suceso es h/n.
2. Enfoque como frecuencia relativa o a posteriori. Si después de n repeticiones de un
experimento, donde n es muy grande, un suceso ocurre h veces, entonces la probabilidad
del suceso es h/n.
Esto también se llama la probabilidad empírica del suceso.
LOS AXIOMAS DE LA PROBABILIDAD
TEOREMA: necesita demostración
POSTULDO: no se demuestra, pero es base de la teoría
AXIOMA: verdad incuestionable que no necesita demostración
La probabilidad puede ser definida como el numero asociado a un acontecimiento y que
goza de ciertas propiedades llamadas axiomas del cálculo de las probabilidades. Si
representamos por P la función de probabilidad, P(A) la probabilidad de que suceda el
suceso el evento A, P(AUB) la probabilidad de que suceda A o B o ambos, P(A∩B) la
probabilidad de que sucedan simultáneamente los eventos A y B los siguientes axiomas
son validos

a) Para cada evento A, 0≤P(A)≤1

b) P(R)=1 Probabilidad de un evento cierto o verdadero.

c) P(ᴓ)=0 Probabilidad de un evento imposible.

d) Si A y B son eventos mutuamente exclusivos, entonces,
P(AUB)=P(A)+P(B) (Dos eventos son mutuamente exclusivos cuando la realización de
uno impide la realización del otro
Probabilidad condicional e independencia
La noción de probabilidad condicional se emplea en el ámbito de la estadística. La
expresión alude a la probabilidad existente de que suceda un evento A, conociendo que
además ocurre otro evento B.
Es importante tener en cuenta que no es necesario que
exista una relación temporal o causal entre A y B. Esto
quiere decir que A puede producirse antes que B, después o
al mismo tiempo, y que A puede ser el origen o la
consecuencia de B o no tener un vínculo de causalidad.
Debemos resaltar que en el campo de la probabilidad no hay espacio para los conceptos
de relaciones temporales o relaciones causales, aunque pueden jugar un rol determinado
según la interpretación que el observador les dé a los sucesos.
La probabilidad condicional se calcula partiendo de dos sucesos o eventos (A y B) en un
espacio probabilístico, indicando la probabilidad de que ocurra A dado que ha ocurrido B.
Se escribe P (A/B), leyéndose como “probabilidad de A dado B”.
Veamos un ejemplo.
En un grupo de 100 estudiantes, 35 jóvenes juegan al fútbol y al baloncesto, mientras
que 80 de los miembros practican fútbol. ¿Cuál es la probabilidad de que uno de los
estudiantes que juega al fútbol, también juegue al baloncesto o básquet?
Como se puede advertir, en este caso conocemos dos datos: los estudiantes que juegan
al fútbol y al baloncesto (35) y los estudiantes que juegan al fútbol (80).
Evento A: Que un estudiante juegue al baloncesto (x)
Evento B: Que un estudiante juegue al fútbol (80)
Evento A y B: Que un estudiante juegue al fútbol y al baloncesto (35)
P (A / B) = P (A∩B) / P (B)
P (A / B) = 35 / 80
P (A / B) = 0,4375
P (A / B) = 43,75%
Por lo tanto, esta probabilidad condicional indica que la probabilidad de que un
estudiante juegue al baloncesto dado que también juega al fútbol es del 43,75%.
  Probabilidad de eventos independientes
Un evento independiente es un evento que no depende de otro evento que determine su
resultado. Cuando tenemos dos eventos independientes, un resultado no afecta el
resultado del segundo evento.
Si A y B son eventos independientes, P (A y B) = P(A) • P(B). En general, para cualquier
número de eventos independientes, la probabilidad de que todos los eventos sucedan es
el producto de las probabilidades de que sucedan los eventos individuales
Ejemplo:
Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una canica es
eliminada de la caja y luego reemplazada. Otra canica se saca de la caja. ¿Cuál es la
probabilidad de que la primera canica sea azul y la segunda canica sea verde?

Ya que la primera canica es reemplazada, el tamaño del espacio muestral (9) no cambia de
la primera sacada a la segunda así los eventos son independientes.

P (azul luego verde) = P (azul) · P (verde)

 Probabilidad de eventos dependientes

Dos o más eventos serán dependientes cuando la ocurrencia o no-ocurrencia de uno de

ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso,
empleamos entonces, el concepto de probabilidad condicional para denominar la
probabilidad del evento relacionado. La expresión P(A|B) indica la probabilidad de
ocurrencia del evento A sí el evento B ya ocurrió
P (A∩B) = P (A)* P (B / A)

Ejemplo:
Suponga que tenemos 5 canicas azules y 5 canicas rojas en una bolsa. Sacamos una canica,
que puede ser azul o roja. Ahora quedan 9 en la bolsa. ¿Cuál es la probabilidad de que la
segunda canica será roja?

Depende. Si la primera canica fue roja, entonces en la bolsa quedan 4 canicas rojas de 9
así que la probabilidad de sacar una canica roja en la segunda oportunidad es de
4/9. Pero si la primera canica que sacamos es azul, entonces todavía hay 5 canicas rojas
en la bolsa y la probabilidad de sacar una canica roja de la bolsa es de 5/9.
Distribuciones discretas de probabilidad
Una distribución de probabilidades para una variable aleatoria discreta es un listado
mutuamente excluyente de todos los resultados numéricos posibles para esa variable
aleatoria tal que una probabilidad específica de ocurrencia se asocia con cada resultado
Si x es una variable aleatoria discreta, la función dada por f(x) para cada x contenida en el
intervalo de x se denomina función de probabilidad, o distribución de probabilidad, de x.
Una función puede ejercer como la distribución de probabilidad de una variable aleatoria
discreta x si y sólo si sus valores, f(x), cumple las condiciones siguientes:
a) f(x) ≥ 0 para cada valor con tenido en su dominio
b) ∑ f(x) = 1, donde la sumatoria se extiende sobre todos los valores contenidos en su
dominio.

Ejemplo

Calcular la distribución de probabilidad de las puntuaciones obtenidas al lanzar un dado.

x pi

Variable aleatoria discreta

Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados
posibles. Las variables aleatorias discretas son variables aleatorias cuyo intervalo de
valores es finito o contablemente infinito.
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
Las distribuciones de probabilidad de una variable aleatoria
es una función que asigna cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso
ocurra. La distribución de probabilidad está definida sobre el
conjunto de todos los sucesos, cada uno de los sucesos es el
rango de valores de la variable aleatoria.

Variable aleatoria continua

Una variable aleatoria continua es aquella que puede tomar cualquier valor en un
intervalo de valores acotados o no acotados. Generalmente los valores de una variable
aleatoria continua se obtienen de experimentos reales o de mediciones. Por ejemplo, al
realizar los experimentos de medir estaturas, medir pesos, registrar ingresos económicos,
etc.
Una variable aleatoria x y la distribución correspondiente se dicen continuas, si la función
de distribución correspondiente a F(b) puede ser representada por una integral de la
𝑏
forma: F(b)= ∫−∞ 𝑓(𝑥 )𝑑𝑥
Distribución de probabilidad continua
Una distribución de probabilidad continua es una función que asigna a un intervalo de la
variable aleatoria continua x su valor de la probabilidad correspondiente. Es decir, la
probabilidad de que un evento ocurra en el intervalo de la variable. Esto puede ocurrir de
tres formas distintas:

P (𝑎 ≤ 𝑋 ≤ 𝑏 ) P (𝑎 ≤ 𝑋) P (𝑋 ≤ 𝑏 )

𝑏
P(x) P (𝑎 ≤ 𝑋 ≤ 𝑏) = F(b) − F(a) = ∫ 𝑓(𝑥)𝑑𝑥 = 1
𝑎

a b
x
Características de la distribución continua de probabilidad
- Es generada por una variable continua x
∞
F(x) =∫
−∞
𝑓 (𝑥 )𝑑𝑥
- X es una variable que puede tomar tanto valores enteros como fraccionarios, y
estos valores están dados desde hasta infinito.

P(x)

-1 | 0 | 1/2| 1| ∞… x
- P(x) ≥ 0 las probabilidades asociadas a cada uno de los valores que toma x deben ser ..
mayores o iguales a cero. Dicho de otras formas, la función de densidad o área de
probabilidad deberá tomar solo valores mayores o iguales a cero.
Por lo tanto, solo estará representada en el primer y segundo cuadrante del plano de
coordenadas.

P(x) P(x) ≥ 0

II I

II I IV
 - La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe
ser igual a 1, es decir, el área que se encuentra definida bajo la función de densidad de
probabilidad deberá ser 1 como máximo que será el 100% de probabilidad.

P(x)
1

0,5

0 b x
𝑎
P (𝑎 ≤ 𝑋 ≤ 𝑏) = F(b) − F(a) = ∫ 𝑓(𝑥)𝑑𝑥 = 1
𝑏

P(x)

100%

a b
x
Esperanza matemática
La esperanza matemática de una variable aleatoria X, es el número que
expresa el valor medio del fenómeno que representa dicha variable.
La esperanza matemática, también llamada valor esperado, es igual al sumatorio
de las probabilidades de que exista un suceso aleatorio, multiplicado por el valor
del suceso aleatorio. Dicho de otra forma, es el valor medio de un conjunto de
datos. Esto, teniendo en cuenta que el término esperanza matemática está
acuñado por la teoría de la probabilidad.

Mientras que en matemáticas, se denomina media matemática al valor promedio

de un suceso que ha ocurrido. En distribuciones discretas con la misma
probabilidad en cada suceso, la media aritmética es igual que la esperanza
matemática.

Ejemplo de esperanza matemática

Vamos a ver un ejemplo sencillo para entenderlo.

Imaginemos una moneda. Dos caras, cara y cruz. ¿Cual sería la esperanza
matemática (valor esperado) de que salga cara?

La esperanza matemática se calcularía como la probabilidad de que, tirando la

moneda un número muy grande de veces, salga cara.

Dado que la moneda solo puede caer en una de esas dos posiciones y ambas
tienen la misma probabilidad de salir, diremos que la esperanza matemática de
que salga cara es una de cada dos, o lo que es lo mismo, el 50% de las veces.

Vamos a hacer una prueba y vamos a tirar una moneda 10 veces. Supongamos
que la moneda es perfecta.

Tiradas y resultado:

1. Cara.
2. Cruz.
3. Cruz.
4. Cara.
5. Cruz.
6. Cara.
7. Cara.
8. Cara.
9. Cruz.
10. Cruz.
¿Cuantas veces ha salido cara (contamos las C)? 5 veces ¿Cuantas veces ha
salido cruz (contamos las X)? 5 veces. La probabilidad de que salga cara será de
5/10=0,5 o, en porcentaje, del 50%.

Una vez ha ocurrido ese suceso podemos calcular la media matemática del
número de veces que ha ocurrido cada suceso. El lado cara ha salido una de cada
dos veces, es decir, un 50% de las veces. La media coincide con la esperanza
matemática.

Cálculo de la esperanza matemática

La esperanza matemática se calcula utilizando la probabilidad de cada suceso. La

fórmula que formaliza este cálculo se enuncia como sigue:

Dónde:

 X = valor del suceso.

 P = Probabilidad de que ocurra.
 i = Periodo en el que se da dicho suceso.
 N = Número total de periodos u observaciones.

No siempre la probabilidad de que ocurra un suceso es la misma, como con las

monedas. Existen infinidad de casos en que un suceso tiene más probabilidad de
salir que otro. Por eso utilizamos en la fórmula la P. Además, al calcular números
matemáticos debemos multiplicar por el valor del suceso. Abajo vemos un
ejemplo.
¿Para qué se utiliza la esperanza matemática?

La esperanza matemática se utiliza en todas aquellas disciplinas en las que la

presencia de sucesos probabilísticos es inherente a las mismas. Disciplinas tales
como la estadística teórica, la física cuántica, la econometría, la biología o los
mercados financieros. Una gran cantidad de procesos y sucesos que ocurren en el
mundo son inexactos. Un ejemplo claro y fácil de entender es el de la bolsa de
valores.

En la bolsa de valores, todo se calcula en base a valores esperados ¿Por qué

valores esperados? Porque es lo que esperamos que suceda, pero no podemos
confirmarlo. Todo se basa en probabilidades, no en certezas. Si el valor esperado
o esperanza matemática de la rentabilidad de un activo es de un 10% anual,
querrá decir que, según la información que tenemos del pasado, lo más probable
es que la rentabilidad vuelva a ser de un 10%. Si solo tenemos en cuenta, claro
está, la esperanza matemática como método para tomar nuestras decisiones de
inversión.

Dentro de las teorías sobre mercados financieros, muchas utilizan este concepto
de esperanza matemática. Entre esas teorías se encuentra la que
desarrolló Markowitz sobre las carteras eficientes.

En números, simplificando mucho, supongamos que las rentabilidades de un

activo financiero son las siguientes:

Rentabilidad en los años 1, 2, 3 y 4.

1. 12%.
2. 6%.
3. 15%
4. 12%

El valor esperado sería el sumatorio de las rentabilidades multiplicadas por su

probabilidad de suceder. La probabilidad de que «suceda» cada rentabilidad es de
0,25. Tenemos cuatro observaciones, cuatro años. Todos los años tienen la
misma probabilidad de repetirse.

Esperanza = ( 12 x 0,25 ) + ( 6 x 0,25 ) + ( 15 x 0,25 ) + ( 12 x 0,25 ) = 3 + 1,5 +

3,75 + 3 = 11,25%

Teniendo en cuenta esta información, diremos que la esperanza de la rentabilidad

del activo es del 11,25%.