DISTRIBUCIÓN DE

PROBABILIDAD

CAPÍTULO 1
 Variables aleatorias y distribuciones
de probabilidad
1. Variable aleatoria
2. Distribuciones de probabilidad para variables aleatorias
discretas
3. Ejemplos de distribuciones discretas:binomial, Poisson,
hipergeométrica
4. Distribuciones de probabilidad para variables aleatorias
continuas
5. Ejemplo de distribuciones continuas: la normal
6. Aproximación de la distribución normal a la binomial
Variable
Aleatoria
 PROBABILIDAD
IDEAS INTRODUCTORIAS
• Se expresan como fracciones (1/6, 1/2, 8/9) o como decimales (0.167, 0.500, 0.889) que están entre cero y uno.
• Probabilidad de cero significa que algo nunca va a suceder
• Probabilidad de uno indica que algo va a suceder siempre
• Evento es uno o más de los posibles resultados de hacer algo. Al lanzar una moneda al aire, si cae cruz es un eve
nto, y si cae cara es otro.
• La actividad que origina uno de dichos eventos se conoce como experimento. En un experimento de lanzar una m
oneda, ¿cuál es la probabilidad del evento cara? Y, desde luego, si la moneda no está cargada y tiene la misma pro
babilidad de caer en cualquiera de sus dos lados (sin posibilidades de que caiga parada), podríamos responder, “1/
2” o “0.5”.
• Al conjunto de todos los resultados posibles de un experimento se le llama espacio muestral del experimento. En
el de lanzar una moneda, el espacio muestral es:

S {cara, cruz}
• Eventos son mutuamente excluyentes si uno y sólo uno de ellos puede tener lugar a un tiempo.
Considere de nuevo el ejemplo de la moneda.

• La pregunta fundamental que se debe formular al decidir si ciertos eventos son mutuamente excl
uyentes es: ¿pueden ocurrir dos o más de tales eventos al mismo tiempo? Si la respuesta e
s afirmativa, los eventos no son mutuamente excluyentes.

• Cuando una lista incluye todos los eventos que pueden resultar de un experimento, se dice que l
a lista es colectivamente exhaustiva. En el ejemplo de la moneda, la lista —cara y cruz—, es c
olectivamente exhaustiva (a menos, por supuesto, que la moneda caiga parada cuando la lance
mos). En una campaña presidencial, la lista de resultados “candidato demócrata y candidato rep
ublicano” no es una lista colectivamente exhaustiva, pues puede haber un candidato independien
te o de algún otro partido que esté participando en las elecciones.
 Independencia estadística Condición en la que la ocurre
Árbol de probabilidades Representación gráfica que muestr
ncia de algún evento no tiene efecto sobre la probabilidad
a los resultados posibles de una serie de experimentos y sus r
de ocurrencia de otro evento.
espectivas probabilidades.
Probabilidad La medida de la posibilidad de que algo suc
Colección exhaustiva de eventos Lista de eventos que repr
eda.
esenta todos los resultados posibles de un experimento.
Probabilidad anterior Estimación de la probabilidad hech
Dependencia estadística Condición en la que la probabilidad
a antes de recibir nueva información.
de ocurrencia de un evento depende de la ocurrencia de algú
n otro, o se ve afectada por ésta.
Probabilidad clásica Número de resultados favorables a l
a presentación de un evento dividido entre el número total
Diagrama de Venn Representación gráfica de los conceptos
de resultados posibles.
de probabilidad en la que el espacio muestral está representa
do por un rectángulo y los eventos que suceden en el espacio
Probabilidad condicional Probabilidad de que ocurra un
muestral se representan como partes de dicho rectángulo.
evento, dado que otro evento ya se ha presentado.
Espacio muestral Conjunto de todos los resultados posibles
de un experimento.
Probabilidad conjunta Probabilidad de que ocurran dos o
más eventos simultáneamente o en sucesión.
Evento Uno o más de los resultados posibles de hacer algo, o
uno de los resultados posibles de realizar un experimento.
Probabilidad marginal Probabilidad incondicional de que
se presente un evento; probabilidad de que se presente u
Eventos mutuamente excluyentes Eventos que no pueden
n solo evento.
suceder simultáneamente.
Probabilidad posterior Probabilidad que ha sido revisada
y cambiada después de obtener nueva información o infor
Experimento Actividad que tiene que producir un evento.
mación adicional.
Probabilidad subjetiva Probabilidad basada en las creen
Frecuencia relativa de ocurrencia Fracción de veces que
cias personales de quien hace la estimación de probabilid
a la larga sucede un evento cuando las condiciones son estab
ad.
les, o frecuencia relativa observada de un evento en un númer
Teorema de Bayes Fórmula para el cálculo de la probabili
o muy grande de intentos o experimentos.
dad condicional bajo condiciones de dependencia estadíst
ica.
 REGLAS DE PROBABILIDAD
Una probabilidad sencilla quiere decir que sólo un evento
puede llevarse a cabo. Se le conoce como probabilidad
marginal o incondicional.
¿QUÉ ES PROBABILIDAD?
• Supongamos que se hace una rifa entre 50 miembros de un grupo escolar de un viaje gratis al Fes
tival Nacional de Rock. La rifa consiste en sacar el boleto premiado de un total de 50 boletos. Cual
quiera de los estudiantes podría calcular su probabilidad de ganar mediante la siguiente formulació
n:

• En este caso, la posibilidad de que un estudiante gane es de 1 entre 50, debido a que tenemos la
certeza de que los eventos posibles son mutuamente excluyentes, es decir, solamente un estudian
te puede ganar.
TIPOS DE PROBABILIDAD

Existen tres maneras básicas de clasificar la probabilidad

; éstas representan planteamientos conceptuales bastant
e diferentes para el estudio de la teoría de probabilidad.

1. El planteamiento clásico.
2. El planteamiento de frecuencia relativa.
3. El planteamiento subjetivo.
 PROBABILIDAD CLÁSICA
Un solo Evento

• Se debe resaltar el hecho de que, con el fin de que la ecuación 4-1 sea válida, cada uno de los resultad
os posibles debe ser igualmente posible.
• Primero plantearemos la pregunta ¿cuál es la probabilidad de obtener una cara en un solo lanzamiento
? como
 DIAGRAMAS DE VENN
• En honor al matemático inglés del siglo XIX, John Venn. En tales diagramas, el espacio muestral completo se r
epresenta mediante un rectángulo y los eventos se representan como partes de ese rectángulo. Si dos evento
s son mutuamente excluyentes, las partes correspondientes de éstos en el rectángulo no se traslaparán, como
se muestra en el diagrama (a) de la figura 4-2. Si dos eventos no son mutuamente excluyentes, sus partes cor
respondientes en el rectángulo sí se traslapan, como se ilustra en el diagrama (b) de la figura 4-2.

• En el diagrama (c) de la figura 4-2 se ilustra lo que decimos para el caso del ejemplo del Festival Nacional de
Rock. En ésta el rectángulo está dividido en 50 partes iguales que no se traslapan.
REGLAS DE ADICIÓN
Eventos mutuamente
excluyentes
 Ejemplo
• Cinco estudiantes por igual capaces esperan la fecha en que se les hará
una entrevista para trabajar en el verano. La compañía solicitante ha an
unciado que contratará a sólo uno de los cinco, mediante una elección a
leatoria. El grupo está formado por los estudiantes siguientes: Bill, Helen
, John, Sally y Walter. Si nuestra pregunta es, ¿cuál es la probabilidad d
e que John sea elegido?, podemos utilizar la ecuación 4-1 y obtener la r
espuesta.
• Sin embargo, si preguntamos, ¿cuál es la probabilida
d de que John o Sally sean elegidos?, deberíamos util
izar la ecuación 4-2:
EJEMPLO

• Calculemos una vez más la probabilidad de que sucedan dos o más eventos. La tabla 4-1
contiene los datos sobre el tamaño de las familias de un cierto pueblo. Estamos interesad
os en la pregunta, ¿cuál es la probabilidad de que una familia de este pueblo, escogida al
azar, tenga cuatro o más hijos (es decir cuatro, cinco, seis o más hijos)? Haciendo uso de l
a ecuación 4-2, podemos calcular la respuesta a nuestra pregunta:
REGLAS DE ADICIÓN
Eventos que no son mutuamente
excluyentes
 REGLAS DE ADICIÓN
Eventos que no son mutuamente
excluyentes

La figura 4-4 muestra un diagrama de Venn que ilustra a la ecuación 4-3. En ella, el evento A o
B está resaltado con una línea más gruesa, y el evento A y B es la porción cuadriculada que se
encuentra en el medio. Si sumamos las áreas de los círculos A y B, contaremos doble el área d
e la intersección, de manera que debemos restarla para asegurarnos de que solamente se cuen
te una vez.
 EJEMPLO
Usando la ecuación 4-3 para determinar la probabilidad de obtener
un as o un corazón, podemos calcular:
PROBABILIDAD BAJO
CONDICIONES DE
INDEPENDENCIA
ESTADÍSTICA
 INDEPENDENCIA ESTADÍSTICA

Cuando se presentan dos eventos, el resultado del primero puede, o no, tener un efecto en el resultado del
segundo.

Los eventos pueden ser dependientes o independientes.

En esta sección examinaremos los eventos que son estadísticamente independientes, es decir, aquellos e
n donde la presentación de uno no tiene efecto sobre la probabilidad de presentación de cualquier otro.

Existen tres tipos de probabilidades que se presentan bajo la independencia estadística:

1. Marginal.
2. Conjunta.
3. Condicional.
 PROBABILIDAD MARGINAL
INDEPENDENCIA ESTADÍSTICA

Una probabilidad marginal o incondicional es la probabilidad sim

ple de presentación de un evento. En el lanzamiento de una mo
neda no cargada, P(cara) 0.5 y P(cruz) 0.5, esto es, la probabilid
ad de obtener cara es igual a 0.5 y la probabilidad de obtener cr
uz es igual a 0.5.

Esto es cierto para cada lanzamiento, no importa cuántas veces

se lance la moneda o cuáles hayan sido los resultados anteriore
s. Cada lanzamiento de la moneda es único y no hay manera de
conectarlo con ningún otro.
 PROBABILIDAD CONJUNTA
INDEPENDENCIA ESTADÍSTICA

La probabilidad de que dos o más eventos independientes se pr

esenten juntos o en sucesión es el producto de sus probabilidad
es marginales. Matemáticamente lo escribimos como:

• P(AB) probabilidad de que los eventos A y B se presenten juntos

o en sucesión; se le conoce como probabilidad conjunta.
• P(A) probabilidad marginal de que se presente el evento A
• P(B) probabilidad marginal de que se presente el evento B
 PROBABILIDAD CONJUNTA
INDEPENDENCIA ESTADÍSTICA

Suponga a continuación que vamos a lanzar una moneda alterada que tiene P(cara) 0.8 y P(cruz) 0.2. Los
eventos (resultados) son independientes, pues las probabilidades en cualquier lanzamiento son iguales sie
mpre: los lanzamientos individuales están completamente separados y no afectan de ninguna manera a ni
ngún otro resultado o lanzamiento. Suponga que nuestra pregunta es, “¿cuál es la probabilidad de obtener
tres caras en tres lanzamientos sucesivos? Utilizamos la ecuación 4-4 y se obtiene que:

Observe que estas dos probabilidades no suman 1, debido a que los eventos H1,H2,H3 y T1,T2,T3 no
constituyen una lista colectivamente exhaustiva. Son mutuamente excluyentes, porque si uno de ellos se
presenta, los otros no.
 ÁRBOL DE PROBABILIDAD
INDEPENDENCIA ESTADÍSTICA

EJEMPLO
Podemos hacer todavía más explícitas las probabilidades de los eventos si utilizamos un árbol de probabili
dad. En la figura 4-5 se presenta un árbol de probabilidad que muestra los resultados posibles
y su respectiva probabilidad para un lanzamiento de una moneda no cargada.
 ÁRBOL DE PROBABILIDAD

Conocer P(H1,H2,H3). A partir de la definición matemática de probabilidad conjunta de

eventos independientes, sabemos que:
 PROBABILIDAD CONDICIONAL
INDEPENDENCIA ESTADÍSTICA

La probabilidad condicional es la probabilidad de que un segundo evento (B) se

presente si un primer evento (A) ya ha ocurrido.
Para eventos estadísticamente independientes, la probabilidad condicional de q
ue suceda el evento B dado que el evento A se ha presentado es simplemente l
a probabilidad del evento B:
 PROBABILIDAD CONDICIONAL
INDEPENDENCIA ESTADÍSTICA
EJEMPLO
Podremos entender mejor la probabilidad condicional si resolvemos un problem
a ilustrativo.

¿Cuál es la probabilidad de que en el segundo lanzamiento de una moneda se

obtenga cara, dado que el resultado del primero fue cara? Simbólicamente, lo a
nterior se escribe como P(H1 |H2). Recuerde que para dos eventos independie
ntes el resultado del primer lanzamiento no tiene absolutamente ningún efecto
sobre el resultado del segundo.

Como la probabilidad de obtener cara y la de obtener cruz son exactamente igu

ales en cada lanzamiento, la probabilidad de obtener cara en el segundo lanza
miento es de 0.5. Por tanto:

P(H1 |H2) = 0.5

PROBABILIDAD BAJO
CONDICIONES DE
DEPENDENCIA
ESTADÍSTICA
PROBABILIDAD CONDICIONAL
DEPENDENCIA ESTADÍSTICA
 PROBABILIDAD CONDICIONAL
DEPENDENCIA ESTADÍSTICA
EJEMPLO
Continuando con nuestro ejemplo de las bolas de color y grises, respondamos
a las preguntas,

La probabilidad total de que la bola sea gris es de 0.6 (seis de 10 bolas). Para determinar
la probabilidad de que la bola (que sabemos es gris) tenga puntos, dividimos la probabilid
ad de que sea gris y tenga puntos (0.2) entre la probabilidad de que sea gris (0.6), o 0.2/0
.6 1/3. De manera parecida, para determinar la probabilidad de que la bola tenga franjas,
dividimos la probabilidad de que sea gris y tenga franjas (0.4) entre la probabilidad de qu
e sea gris (0.6), es decir, 0.4/0.6 2/3.
 PROBABILIDAD CONJUNTA
DEPENDENCIA ESTADÍSTICA

Observe que esta fórmula no es P(BA) P(B) P(A), como sería el caso si estuviéramos en condicio
nes de independencia estadística. Aplicando la fórmula general P(BA) P(B|A) P(A) a nuestro ejem
plo y en términos de bolas de color (C), grises (G), con puntos (D) y con franjas (S), tendremos P(
CD) P(C|D) P(D) o P(CD) 0.6 0.5 0.3. Aquí, 0.6 es la probabilidad de obtener una bola de color,
dado que ésta tiene puntos (calculada en el ejemplo 3 anterior) y 0.5 es la probabilidad de obtener
una bola con puntos (también calculada en el ejemplo 3). El resultado, P(CD) 0.3
PROBABILIDADES BAJO COND
ICIONES DE INDEPENDENCIA Y
DEPENDENCIA
GRACIAS