ÍNDICE

• INTRODUCCIÓN. CONCEPTOS BÁSICOS

• AXIOMAS DE KOLMOGOROV. PROPIEDADES
• REGLA DE LAPLACE
TEMA 8 • PROBABILIDAD CONDICIONADA. DEPENDENCIA
• TEOREMAS DE PROBABILIDAD TOTAL Y DE BAYES
CÁLCULO DE PROBABILIDADES • COMBINATORIA
• VARIABLES ALEATORIAS
• Distribuciones discretas. Propiedades
• Algunas Variables Discretas importantes: Distribuciones
Binomial e Hipergeométrica

INTRODUCCIÓN INTRODUCCIÓN

Cálculo de Probabilidades
 Teoría matemática del azar: Proporciona modelos estocásticos

Estadística DESCRIPTIVA Estadística I  Mide el grado de confianza de las inferencias realizadas

 Permite tomar decisiones en situaciones bajo incertidumbre
Cálculo de (riesgo).
Estadística I y II
Estadística Probabilidades
Teoría de la Probabilidad
 Emplea idea de la Estadística Descriptiva
Estadística INFERENCIAL Estadística II
 Transforma conceptos
 Frecuencia relativa => Probabilidad
 Media aritmética => Valor esperado
 Distribución de frecuencias => Distribución de probabilidad
Estadística descriptiva y Probabilidad Estadística descriptiva y Probabilidad
• Lanzamos un dado 300 veces y anotamos los resultados • Lanzamos un dado 300 veces y anotamos los resultados
obtenidos: obtenidos:

xi ni fi xi ni fi pi
1 48 16% 1 48 16% 1/6
2 54 18% 2 54 18% 1/6
3 51 17% 3 51 17% 1/6
4 48 16% 4 48 16% 1/6
5 45 15% 5 45 15% 1/6
6 54 18% 6 54 18% 1/6
N= 300 100% N= 300 100%

INTRODUCCIÓN INTRODUCCIÓN
BREVE RESEÑA HISTÓRICA Experimentos

• El Cálculo de Probabilidades surge en Francia en el siglo • Experimentos deterministas y estocásticos

XVII, merced a la labor realizada por matemáticos • Deterministas cuando se puede predecir el resultado antes
como: Pascal y Fermat. Éstos realizan el primer estudio de que se produzca.
sistemático en juegos de azar y desarrollan un método • Estocásticos o aleatorios cuando no se puede predecir con
formal para calcular la probabilidad de ganancia en este certeza el resultado
ámbito. • Ejemplos:
• Posteriormente, a lo largo de los siglos XVIII y XIX, varios • Deterministas
científicos constataron que, otros fenómenos en el • Una ley física: Ley de la Gravedad
• Una reacción química
ámbito de la genética, la astronomía, el naufragio de un
• Estocásticos:
navío, o la edad de fallecimiento de una persona, son
• Lanzamiento de una moneda o un dado
fenómenos de “incertidumbre” y, a priori, formalmente • Muestreo (seleccionar aleatoriamente una muestra de una
similares a los observados en los juegos de azar. Podían, población)
por tanto, analizarse con las mismas técnicas.
CONCEPTOS BÁSICOS CONCEPTOS BÁSICOS
Sucesos
Espacio muestral ()
 Espacio muestral es el conjunto de resultados posibles (o • Clasificación de sucesos
valores) de un experimento • Sucesos Simples o elementales: Cualquiera de los elementos
del espacio muestral.
 espacio muestral
• Sucesos Compuestos: Aquellos que se obtienen operando
A cualesquiera de los elementales.
• Sucesos especiales
• Suceso Imposible: Evento que no se observa nunca ()
• Suceso Seguro: Evento que ocurre siempre. Se identifica con
Suceso o Evento el espacio muestral ()
 Suceso es cualquier subconjunto de elementos del espacio • Nota
muestral • Forma de representarlo: Diagramas de Venn

CONCEPTOS BÁSICOS CONCEPTOS BÁSICOS

Álgebra de sucesos Algebra de sucesos

Objetivo: traducir el lenguaje coloquial a un lenguaje de Suceso contrario Ac Suceso diferencia A \ B

probabilidad Si no ocurre A Si ocurre A pero no B
 espacio muestral  espacio muestral
Sean A, B sucesos del espacio muestral A \ B = ABc =
 espacio muestral A A = A\(AB)
A A’ B
B
Suceso diferencia simétrica A  B Sucesos incompatibles
Suceso Unión AB Suceso Intersección AB Si ocurre A pero no B ó no pueden ocurrir
Si ocurre A ó B Si ocurren A y B Si ocurre B pero no A simultáneamente
(Ocurre A ó B pero no los dos) 
 espacio muestral  espacio muestral  espacio muestral
AB = (A\B)  (B\A) = A
A A B
A = (ABc)  (BAc) =
B B B = (AB) \ (AB)
AB = 
CONCEPTOS BÁSICOS CONCEPTOS BÁSICOS
Leyes de Morgan Ejercicio 1.1
• Un cliente realiza semanalmente pedidos de diversos
AcBc = (A  B)c Ac  Bc = (A  B)c productos (A, B, C,…) a un proveedor
• Experimento aleatorio: Seleccionar aleatoriamente un
Ocurre, a lo más, uno pedido
No ocurre ni A ni B • Suceso A = “El pedido incluye el producto A”
de los dos, A ó B
= • Suceso B = “El pedido incluye el producto B”
(alguno no ocurre)
Lo contrario de alguno
=
• Identificar los siguientes sucesos como combinaciones de
los sucesos A y B
Lo contrario de los dos ocurren a) “el pedido incluye al menos uno de los dos productos”
b) “el pedido incluye ambos productos”
 espacio muestral  espacio muestral c) “el pedido no incluye el producto A”
d) “el pedido incluye el producto B pero no el A”
A A e) “el pedido incluye el producto A y no el producto B”
B B f) “el pedido incluye solo uno de los dos productos”
g) “el pedido no incluye ni el producto A ni el producto B”
h) “el pedido no incluye ambos productos”

CONCEPTOS BÁSICOS CONCEPTOS BÁSICOS

Ejercicio 1.1 - Solución Probabilidad
• Un cliente realiza semanalmente pedidos de diversos productos
 Se llama probabilidad a una función, P, que asigna a cada
(A, B, C,…) a un proveedor
suceso A un número real P(A). Es una medida de la incertidumbre
• Experimento aleatorio: Seleccionar aleatoriamente un pedido acerca de la posibilidad de ocurrencia de un suceso
• Suceso A = “El pedido incluye el producto A”  Formalmente, se trata de una función:
• Suceso B = “El pedido incluye el producto B”
donde:
• Identificar los siguientes sucesos como combinaciones de los   = Espacio muestral.
sucesos A y B   () = Conjunto de sucesos
a) “el pedido incluye al menos uno de los dos productos” AB obtenidos operando los sucesos
b) “el pedido incluye ambos productos” AB
elementales (partes de ).
c) “el pedido no incluye el producto A” Ac
d) “el pedido incluye el producto B pero no el A” B\A = BAc P(A) = Probabilidad del suceso A.
e) “el pedido incluye el producto A y no el producto B” A\B = ABc Refleja una medida del grado de incertidumbre (o de
f) “el pedido incluye solo uno de los dos productos” AB confianza) en la ocurrencia del suceso A
g) “el pedido no incluye ni el producto A ni el producto B” Ac  Bc
h) “el pedido no incluye ambos productos” (A  B)c
CONCEPTOS BÁSICOS CONCEPTOS BÁSICOS
Probabilidad Regla de Laplace
Aproximaciones
 Sucesos Equiprobables: Cuando todos los sucesos
 Aproximación Clásica: Basada en la Regla de Laplace es elementales del Espacio Muestral  tienen la misma
válida en situaciones equiprobables, pero no lo es en probabilidad:
experimentos con infinitos resultados.
 Aproximación Frecuentista: Basada en el comportamiento
límite de la frecuencia relativa cuando el fenómeno se  Sea el suceso A={e1,…,em} con m<n, su probabilidad se
repite un número indefinido de veces. La probabilidad es una obtiene como:
extensión lógica del concepto de frecuencia (como límite o 𝑛ú𝑚𝑒𝑟𝑜 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑚
𝑃 𝐴
como valor esperado). 𝑛ú𝑚𝑒𝑟𝑜 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑛
 Aproximación Bayesiana (probabilidad subjetiva): Recoge  Ejemplo: Lanzamiento de un dado: ={1,2,3,4,5,6}
la creencia individual y experta sobre la ocurrencia del  Probabilidad de sacar un número par (p=1/2).
evento (depende de la cantidad de información disponible).  Probabilidad de obtener un número < 3 (p=1/3).

CONCEPTOS BÁSICOS CONCEPTOS BÁSICOS

Axiomas de Kolmogorov (1933) Propiedades/Consecuencias

• Representan las condiciones mínimas para que una Sean (, (),P) espacio probabilístico, A, B().
función:  espacio muestral
1) 𝑷 𝑨𝒄 𝟏 𝑷 𝑨
A
2) 𝑃 ∅ 0 A’
determine consistentemente sus probabilidades.
3) Si A  B: 𝑃 𝐴 𝑃 𝐵 y𝑃 𝐵∖𝐴 𝑃 𝐵 𝑃 𝐴
• Axiomas:

• A1. No Negatividad: ∀𝐴 ∈ ℘ Ω , 𝑝 𝐴 0 4) 0 𝑃 𝐴 1
espacio muestral

A
• A2. Normalización: Si Ω es el suceso seguro, 𝑃 Ω 1 5) 𝑷 𝑨 ∪ 𝑩 𝑷 𝑨 𝑷 𝑩 𝑷 𝑨∩𝑩 B
• A3. Aditividad: Dada Ai finita, i=1…n
 P(AB)  P(A) + P(B) (Desigualdad de Boole)
Si 𝐴 ∩ 𝐴 ∅ ∀𝑖 𝑗 ⟹𝑃 𝐴 𝑃 𝐴
6) 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 ∩𝐴 ⋯ 1 𝑃 𝐴
• La terna (, (),P) se denomina Espacio Probabilístico
CONCEPTOS BÁSICOS CONCEPTOS BÁSICOS
Propiedades/Consecuencias Propiedades/Consecuencias

Aplicando las propiedades anteriores se deduce también

6) 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 ∩𝐴 ⋯ 1 𝑃 𝐴
que: 
A
• 𝑷 𝑨∖𝑩 𝑷 𝑨 𝑷 𝑨∩𝑩 B
𝑷 𝑨∪𝑩 𝑷 𝑨 𝑷 𝑩 𝑷 𝑨∩𝑩
• 𝑷 𝑩∖𝑨 𝑷 𝑩 𝑷 𝑨∩𝑩
𝑷 𝑨∪𝑩∪𝑪 𝑷 𝑨 𝑷 𝑩 𝑷 𝑪

𝑷 𝑨∩𝑩 𝑷 𝑨∩𝑪 𝑷 𝑩∩𝑪 • 𝑷 𝑩△𝑨 𝑷 𝑨∪𝑩 𝑷 𝑨∩𝑩 A
B
+𝑷 𝑨 ∩ 𝑩 ∩ 𝑪
o 𝑷 𝑨 𝑷 𝑩 𝟐𝑷 𝑨 ∩ 𝑩
𝑷 𝑨∪𝑩∪𝑪∪𝑫 𝑷 𝑨 𝑷 𝑩 𝑷 𝑪 𝑷 𝑫 o 𝑷 𝑨∖𝑩 𝑷 𝑩∖𝑨
𝑷 𝑨∩𝑩 𝑷 𝑨∩𝑪 𝑷 𝑨∩𝑫 𝑷 𝑩∩𝑪 𝑷 𝑩∩𝑫 𝑷 𝑪∩𝑫

𝑷 𝑨∩𝑩∩𝑪 𝑷 𝑨∩𝑩∩𝑫 𝑷 𝑨∩𝑪∩𝑫 𝑷 𝑩∩𝑪∩𝑫

• 𝑷 𝑨𝒄 ∩ 𝑩𝒄 𝑃 𝐴∪𝐵 𝟏 𝑷 𝑨∪𝑩 Leyes de
Morgan
𝑷 𝑨∩𝑩∩𝑪∩𝑫 • 𝑷 𝑨𝒄 ∪ 𝑩𝒄 𝑃 𝐴∩𝐵 𝟏 𝑷 𝑨∩𝑩

CONCEPTOS BÁSICOS CONCEPTOS BÁSICOS

Ejercicio 1.2 Ejercicio 1.2 - Solución

• Un cliente solicita productos (A, B, C,…) a un proveedor • Información en términos probabilísticos:

P(A) = 0,25; P(B) = 0,4 y P(AB) = 0,15
• Información disponible: • Seleccionamos al azar un pedido, calcular las probabilidades de:
• El 25% de los pedidos incluyen el producto A, el 40% incluyen el a) “el pedido incluye al menos uno de los dos productos”
producto B, y el 15% incluyen ambos productos P(A  B)
b) “el pedido incluye ambos productos”
• Si seleccionamos aleatoriamente un pedido, calcular las P(A  B)
probabilidades de: c) “el pedido no incluye el producto A”
P(Ac)
a) “el pedido incluye al menos uno de los dos productos” d) “el pedido incluye el producto B pero no el A”
b) “el pedido incluye ambos productos” P(B\A) = P(BAc)
e) “el pedido incluye el producto A y no el producto B”
c) “el pedido no incluye el producto A” P(A\B) = P(ABc)
d) “el pedido incluye el producto B pero no el A” f) “el pedido incluye solo uno de los dos productos”
e) “el pedido incluye el producto A y no el producto B” P(A  B)
g) “el pedido no incluye ni el producto A ni el producto B”
f) “el pedido incluye solo uno de los dos productos” P(Ac  Bc)
g) “el pedido no incluye ni el producto A ni el producto B” h) “el pedido no incluye ambos productos”
P((A  B)c)
h) “el pedido no incluye ambos productos”
PROBABILIDAD CONDICIONADA PROBABILIDAD CONDICIONADA
 Sean A, B  (), con p(B)>0
Sabiendo que ha ocurrido B, ¿ha cambiado la probabilidad de E
que ocurra A? A 7 1
 La respuesta se obtiene con la ley de la probabilidad 𝑝 𝐴
B 14 2
condicionada, basada en las propiedades de las E
frecuencias relativas condicionadas: E
A
A
𝑝 𝐴∩𝐵 B
𝑝 𝐴|𝐵 B
𝑝 𝐵
E

donde P(A B) denota la probabilidad de A condicionado por B A

3
o que ocurra A si ha ocurrido B 𝑝 𝐴|B
B 5
 Consecuencia:
𝑝 𝐴∩𝐵 𝑝 𝐵 𝑝 𝐴|𝐵
Regla de multiplicación

PROBABILIDAD CONDICIONADA PROBABILIDAD CONDICIONADA

Consecuencia: Regla Probabilidad Condicionada La probabilidad condicionada cumple las propiedades de

la probabilidad, en particular:
Sean A1,...., An 
𝑃 𝐴𝐵 1 𝑃 𝐴 𝐵

p(A1A2...An) = P 𝐴 ∪ 𝐴 |B P 𝐴 |𝐵 P 𝐴 |B P 𝐴 ∩ 𝐴 |B
p(A1)p(A2|A1)p(A3|A1A2)...p(An|A1A2... An‐1)
Por tanto, si A1 y A2 son incompatibles
Regla de la Multiplicación
P 𝐴 ∪ 𝐴 |B P 𝐴 |𝐵 P 𝐴 |B
PROBABILIDAD CONDICIONADA DEPENDENCIA E INDEPENDENCIA
Ejercicio 1.3
Sean A y B ℘().
• Un cliente solicita productos (A, B, C,…) a un proveedor A y B son independientes si la ocurrencia de un suceso no altera la
• Información en términos probabilísticos: probabilidad de la ocurrencia del otro suceso. En caso contrario, se
dice que son dependientes.
P(A) = 0,25; P(B) = 0,4 y P(AB) = 0,15
Matemáticamente, A y B son independientes si:
• Si seleccionamos aleatoriamente un pedido, calcular las
probabilidades de los siguientes sucesos: 𝑃 𝐵𝐴 𝑃 𝐵 o 𝑃 𝐴𝐵 𝑃 𝐴
• “el pedido incluye el producto A si incluye el producto B”
Como consecuencia:
𝑃 𝐴∩𝐵 0.15
P AB 0,375 𝑃 𝐴∩𝐵 𝑃 𝐴 𝑃 𝐵
𝑃 𝐵 0.4
• “el pedido no incluye el producto B cuando incluye el Las tres condiciones son equivalentes
producto A”
𝑃 𝐴∩𝐵 0.15 En general, A1,...,An son independientes si
P 𝐵 𝐴 1 𝑃 𝐵𝐴 1 1 1 0,6 0,4
𝑃 𝐴 0.25
𝑃 𝐴 ∩ 𝐴 …∩ 𝐴 𝑃 𝐴 𝑃 𝐴 .... 𝑃 𝐴

DEPENDENCIA E INDEPENDENCIA DEPENDENCIA E INDEPENDENCIA

Observaciones Ejercicio 1.4

• Si A y B son independientes, también lo son: • Un cliente solicita productos (A, B, C,…) a un proveedor
• yB
Ac • Información en términos probabilísticos:
• A y Bc P(A) = 0,25; P(B) = 0,4 y P(AB) = 0,15
• Ac y Bc • Si seleccionamos aleatoriamente un pedido, analiza si los
eventos A y B son independientes (podemos emplear
• Si A y B son incompatibles (AB=) y P(A) > 0, P(B) > 0 cualquiera de las tres posibilidades)
entonces • Comprobar si P(AB) = P(A)×P(B):
• A y B no son independientes, es decir, son dependientes. 𝑃 𝐴 𝑃 𝐵 0,25 0,4 0,1 𝑃 𝐴∩𝐵 ⇒ dependientes

• Comprobar si P(AB) = P(A):

𝑃 𝐴|𝐵 0,375 y 𝑃 𝐴 0,25 ⇒ dependientes
• Comprobar si P(BA) = P(B):
𝑃 𝐵|𝐴 0,6 y 𝑃 𝐵 0,40 ⇒ dependientes
DEPENDENCIA E INDEPENDENCIA TEOREMA DE LA PROBABILIDAD TOTAL
Ejercicio 3
Un inversor compró 100 acciones de un banco y 100 Sean {B1,..., Bn} un sistema completo de sucesos, de
acciones de una compañía eléctrica. La probabilidad de forma que son incompatibles dos a dos (BiBj=) ij y
que las acciones bancarias aumenten su valor en un año
es de 0.7, mientras que la de que lo hagan las acciones de verifican que B1B2....Bn = 
la compañía eléctrica es de 0.6. Suponiendo
independencia en la evolución de los precios de ambas
B1 B2 B3 B4 B1 B2 B3 B4
acciones, calcula la probabilidad de:
a) Ambos lotes de acciones aumenten su valor. B6 B7 B6 A B7
B5 B11 B5 B11
B8 B9 B10 B8 B9 B10
b) Solo las acciones bancarias aumenten su valor.
c) Al menos uno de los dos lotes de acciones aumente Sea A (), se tiene que:
su valor.
d) Ninguno de los dos lotes de acciones aumente su 𝑃 𝐴 𝑃 𝐴|𝐵 𝑃 𝐵
valor.

TEOREMA DE BAYES TEOREMAS DE PROBABILIDAD TOTAL Y BAYES

Ejercicio 1.5
Sean {B1,..., Bn} un sistema completo de sucesos, de forma que,
son incompatibles dos a dos (Bi  Bj =  si i  j) y verifican que • Un cliente solicita productos (A, B, C,…) a un proveedor
B1  B2  .... Bn = . • Nueva información:
Sea A ℘(), se tiene que: • El proveedor envía los productos a este cliente usando
indistintamente tres compañías de transporte: T1, T2 y T3.
• El 95% de los envíos hechos por la compañía T1 llegan
𝑃 𝐴|𝐵 𝑃 𝐵
𝑃 𝐵 |𝐴 correctamente. Lo mismo ocurre con el 92% de los realizados
∑ 𝑃 𝐴|𝐵 𝑃 𝐵 por T2 y el 94% de los envíos de T3.
• El cliente ha realizado un pedido esta semana. ¿Cuál es
donde:
la probabilidad de que el envío no llegue
{P(Bi); i=1,...,n} son las probabilidades a priori correctamente?
{P(A|Bi); i=1,...,n} son las verosimilitudes
• Si el pedido no llega correctamente, ¿cuál es la
{P(Bi|A);i=1,...,n} son las probabilidades a posteriori probabilidad de que el envío lo haya realizado la
compañía T2?
TEOREMAS DE PROBABILIDAD TOTAL Y BAYES TEOREMAS DE PROBABILIDAD TOTAL Y BAYES
Ejercicio 1.5 Ejercicio 1.5
Solución Solución

• Nueva información: Nueva información en términos probabilísticos:

• El proveedor envía los productos a este cliente usando P(T1) = P(T2) = P(T3) = 1/3
indistintamente tres compañías de transporte: T1, T2 y T3. P(CT1) = 0.95; P(CT2) = 0.92; P(CT3) = 0.94
• El 95% de los envíos hechos por la compañía T1 llegan a) El cliente ha realizado un pedido esta semana. ¿Cuál es la
correctamente. Lo mismo ocurre con el 92% de los realizados
por T2 y el 94% de los envíos de T3. probabilidad de que el envío no llegue correctamente?
𝑃 𝐶 𝑇 0,05 𝑃 𝐶 𝑇 0,08 𝑃 𝐶 𝑇 0,06
• Nueva información en términos probabilísticos:
T1 = “El envío lo realiza la compañía de trasporte T1” 𝑃 𝐶 𝑃 𝑇 ·𝑃 𝐶 𝑇 𝑃 𝑇 ·𝑃 𝐶 𝑇 𝑃 𝑇 ·𝑃 𝐶 𝑇
T2 = “El envío lo realiza la compañía de trasporte T2” 1 0,05 1 0,08 1 0,06 0,063
3 3 3
T3 = “El envío lo realiza la compañía de trasporte T3” b) Si el pedido no llega correctamente, ¿cuál es la probabilidad de
C = “El envío llega correctamente” que el envío lo haya realizado la compañía T2?
P(T1) = P(T2) = P(T3) = 1/3 𝑃 𝑇 ∩𝐶 𝑃 𝑇 ·𝑃 𝐶 𝑇 0,08 1
𝑃 𝑇 𝐶 3 0,421
P(CT1) = 0.95; P(CT2) = 0.92; P(CT3) = 0.94 𝑃 𝐶 𝑃 𝐶 0,063

TEOREMAS DE PROBABILIDAD TOTAL Y BAYES TEOREMAS DE PROBABILIDAD TOTAL Y BAYES

Ejercicio 4
En un centro de especialidades médicas, semanalmente ingresa un
50% de enfermos que padecen afección renal, un 30% con afección
cardiaca, y un 20% con afección pulmonar.
Estudios recientes asignan una probabilidad de curación completa
en afección renal de 0,7, en afección cardiaca de 0,8, y la de la
afección pulmonar es 0,9.
Ejercicio 4.bis
En un centro de especialidades médicas, semanalmente ingresa un
50% de enfermos que padecen afección renal, un 30% con
afección cardiaca, y un 20% con afección pulmonar.
Estudios recientes asignan una probabilidad de curación completa
en afección renal de 0, en afección cardiaca de 0,8, y la de la
afección pulmonar es 0,9.

a) Hallar la probabilidad de que un enfermo que entre en el a) Hallar la probabilidad de que un enfermo que entre en el
hospital salga recuperado. hospital salga recuperado.
b) Calcular la probabilidad de que un enfermo que fue dado b) Calcular la probabilidad de que un enfermo que fue dado
de alta sano, sufriera una afección renal. de alta sano, sufriera una afección renal.
TEOREMAS DE PROBABILIDAD TOTAL Y BAYES
Ejercicio 5
Tres máquinas, A, B y C, producen el 45%, 30% y 25%,
respectivamente, del total de las piezas producidas en una
fábrica. Los porcentajes de producción defectuosa de estas
máquinas son del 3%, 4% y 5%.
a) Seleccionamos una pieza al azar; calcula la probabilidad de
que sea defectuosa.
b) Tomamos, al azar, una pieza y resulta ser defectuosa;
calcula la probabilidad de haber sido producida por la
máquina B.
c) ¿Qué máquina tiene la mayor probabilidad de haber
producido la citada pieza defectuosa?
PROBABILIDAD CONDICIONADA
Ejercicio 7
Hay 20 familias viviendo en una zona residencial. De ellas, 10
elaboraron sus propias declaraciones de impuestos el año anterior,
7 la encargaron a un profesional de la localidad y las 3 restantes a
una gestoría
a) ¿Cuál es la probabilidad de seleccionar a una familia que haya
contratado a un profesional?
b) ¿Cuál es la probabilidad de seleccionar a dos familias que hayan
contratado a un profesional?
c) ¿Cuál es la probabilidad de seleccionar a tres familias que hayan
contratado a un profesional?
d) Si se seleccionan dos familias al azar ¿cuál es la probabilidad de que al
menos una de ellas haya contratado a un profesional?
e) Si se seleccionan cinco familias al azar ¿cuál es la probabilidad de que
al menos una de ellas haya contratado a un profesional?
TEOREMAS DE PROBABILIDAD TOTAL Y BAYES
Ejercicio 6
Cuando el proceso de fabricación de una empresa se
encuentra bajo control, el 5% de las unidades producidas
son defectuosas. Si el proceso se encuentra fuera de
control, se producen un 30% de unidades defectuosas. La
probabilidad de que el proceso se encuentre bajo control
es 0,92.
Si elegida una unidad al azar, resulta ser defectuosa,
calcular la probabilidad de que el proceso de producción
se encuentre bajo control.
DEPENDENCIA E INDEPENDENCIA
Ejercicio 8
Una empresa pretende ofrecer seguros de vida a
hombres de 60 años por Internet. Las tablas de
mortalidad indican que la probabilidad de que un hombre
de esa edad sobreviva otro año es 0,98. Si el seguro se
ofrece a cinco hombres de 60 años y suponiendo
independencia entre sus trayectorias vitales, calcular la
probabilidad de que:
a) Los cinco hombres sobrevivan
b) Por lo menos uno no sobreviva
c) Ninguno sobreviva
MUESTREO MUESTREO
Con remplazamiento
Muestra: un subconjunto de elementos extraídos de
Muestra: un subconjunto de elementos extraídos de una población
una población Muestreo: seleccionar aleatoriamente una muestra de una
Muestreo: seleccionar aleatoriamente una muestra población
de una población Muestreo con reemplazamiento
• Cada elemento seleccionado se devuelve antes de seleccionar el
• Muestreo con reemplazamiento siguiente. Así, cada elemento se puede seleccionar más de una vez
• Cada elemento seleccionado se devuelve antes de • Por tanto, las extracciones son independientes y la probabilidad de que
seleccionar el siguiente. De esta forma, cada elemento se ocurra un suceso se mantiene constante.
puede seleccionar más de una vez • Hay que emplear la regla de la multiplicación para sucesos
independientes:
• Muestreo sin reemplazamiento
• Los elementos extraídos de la población no se devuelven,
𝑃 𝐴 ∩ 𝐴 …∩ 𝐴 𝑃 𝐴 𝑃 𝐴 .... 𝑃 𝐴
es decir, cuando un elemento se ha seleccionado no se
puede volver a seleccionar otra vez

MUESTREO MUESTREO
Con remplazamiento Con remplazamiento
Ejercicio 1.6 Ejercicio 1.6. Solución

• Un cliente solicita productos (A, B, C,…) a un proveedor • Información en términos probabilísticos:

P(A) = 0,25; P(B) = 0,4 y P(AB) = 0,15
• Información en términos probabilísticos: • Seleccionamos 6 pedidos al azar con remplazamiento
P(A) = 0,25; P(B) = 0,4 y P(AB) = 0,15 • Calcular la probabilidad de los siguientes sucesos:
• Experimento aleatorio: Seleccionar 6 pedidos al azar a) “Los 6 pedidos incluyen el producto A”

con remplazamiento Definimos los sucesos Ai:

Ai = “el i‐ésimo pedido incluye el producto A”. P(Ai) = 0.25, i=1,…,6
• Calcular la probabilidad de los siguientes sucesos: P A ∩A ∩A ∩A ∩A ∩A P A P A ⋯ P A
a) “Los 6 pedidos incluyen el producto A” 0,25 0,0002 0,02%
b) “Al menos un pedido incluye el producto A” b) “Al menos un pedido incluye el producto A”

c) “Exactamente dos pedidos incluyen el producto A” P A ∪A ∪A ∪A ∪A ∪A

1 𝑃 𝐴 ∩𝐴 ∩𝐴 ∩𝐴 ∩𝐴 ∩𝐴
1 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴
1 0,75 1 0,1780 0,8220 82,20%
MUESTREO COMBINATORIA
Con remplazamiento
Ejercicio 1.6. Solución
Combinaciones sin repetición
Es el número de diferentes colecciones de “m” elementos que se
• Información en términos probabilísticos:
pueden seleccionar de un conjunto de “n” elementos (m  n).
P(A) = 0,25; P(B) = 0,4 y P(AB) = 0,15
• Seleccionamos 6 pedidos al azar con remplazamiento Dos de esas colecciones son distintas si tienen algún elemento
• Calcular la probabilidad de los siguientes sucesos: diferente. El orden de los elementos en esas colecciones es
c) “Exactamente dos pedidos incluyen el producto A” indiferente. En cada colección no puede aparecer ningún elemento
repetido.
Si los dos primeros pedidos son los que incluyen el producto A:
𝑃 𝐴 ∩𝐴 ∩𝐴 ∩𝐴 ∩𝐴 ∩𝐴 Denotaremos por 𝐶 al número total de combinaciones sin
𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 𝑃 𝐴 repetición de orden m formadas a partir de n objetos dados y
viene dado por:
0,25 0,75 0,0198
𝑛 𝑛!
Hay más situaciones similares, con la misma probabilidad 𝐶
𝑚 𝑛 𝑚 ! 𝑚!
¿Cuántas situaciones similares hay? 𝐶 6 !
15
2 ! !

Y la probabilidad total del suceso es: P 15 0,25 0,75 0,2966

MUESTREO
Sin remplazamiento
Muestra: un subconjunto de elementos extraídos de una población
Muestreo: seleccionar aleatoriamente una muestra de una
población
Muestreo sin reemplazamiento
• Los elementos extraídos de la población no se devuelven, es decir,
cuando un elemento se ha seleccionado no se puede volver a
seleccionar otra vez
• Por tanto, las extracciones no son independientes y la
probabilidad de que ocurra un suceso cambia para cada elemento
que se selecciona.
• Hay que emplear la regla de la multiplicación general:
P(A1A2...An) =
P(A1)∙P(A2|A1)∙P(A3|A1A2)∙...∙P(An|A1A2... An‐1)
MUESTREO
Sin remplazamiento
Ejercicio 1.7
• Un cliente realiza semanalmente pedidos de diversos
productos (A, B, C,…) a un proveedor
• En el último semestre (24 semanas) 9 pedidos incluían el
producto B
• Si seleccionamos aleatoriamente un pedido de este último
semestre:
B = “el pedido incluye el producto B”
𝟗
𝟐𝟒
• Ahora seleccionamos aleatoriamente 4 pedidos sin
remplazamiento (entre los del último semestre)
• Calcular la probabilidad de los sucesos:
a) “los cuatro pedidos incluyen el producto B”
b) “al menos uno incluye el producto B”
c) “exactamente tres pedidos incluyen el producto B”
MUESTREO MUESTREO
Sin remplazamiento Sin remplazamiento
Ejercicio 1.7. Solución Ejercicio 1.7. Solución
• Información en términos probabilísticos: P(B) = 0,375 • Información en términos probabilísticos: P(B) = 0,375
• Seleccionamos 4 pedidos al azar sin remplazamiento • Seleccionamos 4 pedidos al azar sin remplazamiento
• Calcular la probabilidad de los siguientes sucesos: • Calcular la probabilidad de los siguientes sucesos:
a) “Los 4 pedidos incluyen el producto B” c) “Exactamente tres pedidos incluyen el producto B”
Definimos los sucesos Bi = “el i‐ésimo pedido incluye el producto B”. Si los tres primeros pedidos son los que incluyen el producto B:
𝑃 𝐵 ∩𝐵 ∩𝐵 ∩𝐵 𝑃 𝐵 ∩𝐵 ∩𝐵 ∩𝐵
𝑃 𝐵 𝑃 𝐵 |𝐵 𝑃 𝐵 |𝐵 ∩ 𝐵 𝑃 𝐵 |𝐵 ∩ 𝐵 ∩ 𝐵
𝑃 𝐵 𝑃 𝐵 |𝐵 𝑃 𝐵 |𝐵 ∩ 𝐵 𝑃 𝐵 |𝐵 ∩ 𝐵 ∩ 𝐵
9 8 7 6
· · · 0,0119 1,19% 9 8 7 15
24 23 22 21 · · · 0,0296
24 23 22 21
b) “Al menos un pedido incluye el producto B”
Hay más situaciones similares, con la misma probabilidad
𝑃 𝐵 ∪𝐵 ∪𝐵 ∪𝐵 1 𝑃 𝐵 ∩𝐵 ∩𝐵 ∩𝐵 4!
4
1 𝑃 𝐵 𝑃 𝐵 |𝐵 𝑃 𝐵 |𝐵 ∩ 𝐵 𝑃 𝐵 |𝐵 ∩ 𝐵 ∩ 𝐵 ¿Cuántas situaciones similares hay? 𝐶 4
3 3! 1!
15 14 13 12 Y la probabilidad total del suceso es: 𝑃 4 0,0296 0,1186
1 · · · 1 0,1285 0,8715 87,15%
24 23 22 21

MUESTREO Y COMBINATORIA MUESTREO Y COMBINATORIA

Ejercicio 7 (continuación) Ejercicio 8 (continuación)
EJERCICIOS
Hay 20 familias viviendo en una zona residencial. De ellas, Una empresa pretende ofrecer seguros de vida a hombres
10 elaboraron sus propias declaraciones de impuestos el de 60 años por Internet. Las tablas de mortalidad indican
año anterior, 7 la encargaron a un profesional de la que la probabilidad de que un hombre de esa edad
localidad y las 3 restantes a una gestoría sobreviva otro año es 0,98. Si el seguro se ofrece a cinco
f) Si se seleccionan cinco familias al azar, ¿cuál es la hombres de 60 años y suponiendo independencia entre sus
probabilidad de que exactamente una de ellas haya trayectorias vitales, calcular la probabilidad de que:
contratado un profesional?
d) Solo uno sobreviva
g) Si se seleccionan cinco familias al azar, ¿cuál es la e) Solo dos sobrevivan
probabilidad de que exactamente dos de ellas hayan
contratado un profesional?
h) Si se seleccionan cinco familias al azar, ¿cuál es la
probabilidad de que dos familias elaboren sus propias
declaraciones, dos familias hayan contratado un
profesional y la otra haya contratado una gestoría?
MAPA CONCEPTUAL

VARIABLES ALEATORIAS

VARIABLE ALEATORIA VARIABLES ALEATORIAS

Concepto
• Dado un experimento aleatorio, definimos espacio probabilístico
como la terna (Ω, (Ω), P) donde:
• Ω es el espacio muestral correspondiente al experimento aleatorio
• (Ω) es el conjunto de todos los posibles subconjuntos del espacio
muestral
• P es la función de probabilidad asociada al experimento
• Una variable aleatoria es una cuantificación (asignación
numérica) de los resultados del experimento aleatorio.
Matemáticamente, es una función:
X: Ω  R
ω  X(ω)
Clasificación
Existen, esencialmente, dos tipos de variables aleatorias:
discretas y continuas
• Una variable aleatoria se dice discreta si toma, con
probabilidad 1, un número finito o infinito numerable de
valores de (se pueden enumerar con los números
naturales)
• Una variable aleatoria se dice continua, si puede tomar
cualquier valor de los comprendidos dentro de un intervalo
o en toda la recta real.
VARIABLES ALEATORIAS VARIABLES ALEATORIAS
Ejemplos Ejemplos

EXPERIMENTO: LANZAMIENTO DE DOS DADOS Un inspector de Hacienda elige de forma aleatoria las
declaraciones que revisará detalladamente. Sabemos que
tiene un lote de 10 declaraciones, de las cuales hay 4
Algunas variables aleatorias: erróneas y que va a seleccionar sólo 5 de ellas

Algunas variables aleatorias:

1. Puntuación conjunta
1. Número de declaraciones erróneas
2. Puntuación del primer dado 2. Número de declaraciones correctas
3. Máxima puntuación 3. Número de correctas ‐ Número de erróneas
4. Puntuación del primer dado menos la del segundo
Variantes:
1. Con reemplazamiento
2. Sin reemplazamiento

VARIABLES ALEATORIAS VARIABLES ALEATORIAS

Ejemplos Función de probabilidad

OBSERVACION DE LA COTIZACIÓN DE UN TITULO Sea X una variable aleatoria discreta.

Llamaremos soporte de X, DX, al conjunto de valores que
puede tomar la variable y cumple que P{XDX}=1.
Algunas variables aleatorias: 𝐷 𝑥 ,𝑥 ,...,𝑥 ,...
Llamaremos función de probabilidad o de cuantía de X, pX, a
la función dada por:
1. Cotización al cierre
p X: R
2. Máxima cotización w  pX(w) = P(X=w)
3. Mínima cotización Asigna la probabilidad de observar cada valor de X:
4. … 𝑝 𝑃 𝑋 𝑥
Propiedades
1) La probabilidad es mayor o igual que cero: 𝑃 𝑋 𝑥 0 ∀x

2) La probabilidad total es 1: 𝑃 𝑋∈𝐷 𝑃 𝑋 𝑥 1

∈
VARIABLES ALEATORIAS VARIABLES ALEATORIAS
Función de probabilidad Función de probabilidad
Ejemplo: Lanzamiento de dos dados Ejemplo: Muestreo con remplazamiento
Seleccionar 5 declaraciones.
X = {Puntuación conjunta} X = {Puntuación 1er
dado} X = {Máxima puntuación} Total de declaraciones: 10 (4 erróneas)
DX = {2, 3, …, 12} DX = {1, 2, …, 6} Con reemplazamiento
DX = {1, 2, …, 6}
x p(X=x) x p(X=x) x p(X=x)
2 1/36 1 1/6 1 1/36
X = Número de declaraciones erróneas
3 2/36 2 1/6 2 3/36 DX = {0, 1, …, 5}
4 3/36 3 1/6 3 5/36
x p(X=x)
5 4/36 4 1/6 4 7/36
6 5/36 5 1/6 5 9/36 0 0,65 = 0,07776
7 6/36 6 1/6 6 11/36 1 5×0,41×0,64 = 0,2592
8 5/36 10×0,42×0,63 = 0,3456
2
9 4/36
3 10×0,43×0,62 = 0,2304
10 3/36
11 2/36 4 5×0,44×0,61 = 0,0768
12 1/36 5 0,45×0,60 = 0,01024

VARIABLES ALEATORIAS VARIABLES ALEATORIAS

Función de probabilidad Función de probabilidad
Ejemplo: Muestreo sin remplazamiento Ejemplo: Muestreo
Seleccionar 5 declaraciones. Seleccionar 5 declaraciones.
Total de declaraciones: 10 (4 erróneas) Total de declaraciones: 10 (4 erróneas)
Sin reemplazamiento

X = Número de declaraciones erróneas X = Número de declaraciones erróneas

DX = {0, 1, …, 4}
x p(X=x) x P con reemplazamiento P sin reemplazamiento
0 6 5 4 3 2 1 0 0.0778 0.0238
0.0238
10 9 8 7 6 42
1 4 6 5 4 3 5 1 0.2592 0.2381
5 0.2381
10 9 8 7 6 21
2 0.3456 0.4762
2 4 3 6 5 4 10
10 0.4762
10 9 8 7 6 21 3 0.2304 0.2381
3 4 3 2 6 5 5
10 0.2381 4 0.0768 0.0238
10 9 8 7 6 21
4 4 3 2 1 6 1
5 0.0238 5 0.0102 0
10 9 8 7 6 42
VARIABLES ALEATORIAS VARIABLES ALEATORIAS
Función de distribución Función de distribución
Ejemplo: Muestreo
La función de distribución de X, a la que llamaremos F, es la probabilidad
acumulada hasta el punto x y se define: Seleccionar 5 declaraciones.
F: RR Total de declaraciones: 10 (4 erróneas)
xF(x) = P(Xx)= P X=xi = pi
Propiedades xi ≤x xi ≤x
X = Número de declaraciones erróneas
1) 0  F(x)  1
lim F x 0 y lim F x 1 x Con reemplazamiento Sin reemplazamiento
→ →
P(X) F(X) P(X) F(X)
2) F(x) es monótona no decreciente:
0 0.0778 0.0778 0.0238 0.0238
x 𝑥 ⇒𝐹 x 𝐹 x ∀x x ∈ ℜ
1 0.2592 0.3370 0.2381 0.2619
3) F(x) es continua a la derecha:
2 0.3456 0.6826 0.4762 0.7381
lim F x F a ∀a ∈ ℜ
→
3 0.2304 0.9130 0.2381 0.9762
4) F(x) permite calcular la probabilidad de un intervalo:
4 0.0768 0.9898 0.0238 1.0000
𝑃 𝑎 𝑋 𝑏 𝐹 𝑏 𝐹 𝑎 5 0.0102 1.0000 0 1.0000

VARIABLES ALEATORIAS VARIABLES ALEATORIAS

Características de una v.a.: Valor esperado Características de una v.a: Valor esperado
Ejercicio 9
VALOR ESPERADO
Sea X una variable aleatoria discreta de soporte D y Un agricultor ha adquirido una nueva parcela de terreno
función de probabilidad p y quiere plantar trigo. El rendimiento obtenido
Se denomina valor esperado X o esperanza matemática dependerá de la climatología de la próxima estación. Si el
de X, y se denota por E[X], a: tiempo es lluvioso (probabilidad del 40%) obtendrá 60
toneladas de grano. Si el tiempo es normal (con una
𝐸𝑋 𝑥⋅𝑃 𝑥 probabilidad del 20%), recogerá 50 toneladas, mientras
∈ que si es seco sólo recolectará 40.
Es el promedio de los valores que tomaría la variable X si Determina cuál es el rendimiento que espera obtener
repitiésemos infinitas veces el experimento aleatorio, por
lo tanto, se interpreta como el valor de X que esperamos este agricultor
obtener en cada repetición.
También se denomina media y se denota por .
𝜇 𝐸𝑋
VARIABLES ALEATORIAS VARIABLES ALEATORIAS
Características de una v.a: Varianza Características de una v.a: Valor esperado y Varianza
Ejemplo: Muestreo
VARIANZA de X
Seleccionar 5 declaraciones.
Total de declaraciones: 10 (4 erróneas)

X = Número de declaraciones erróneas

x Con reemplazamiento Sin reemplazamiento
Indica la dispersión o variabilidad de la variable.
0 0.0778 0.0238
1 0.2592 0.2381
Su raíz cuadrada se llama DESVIACIÓN TÍPICA: 2 0.3456 0.4762
3 0.2304 0.2381
𝜎 𝑉𝑎𝑟 𝑋 4 0.0768 0.0238
5 0.0102 0
E(X) 2 2
Var[X] 1.2 0.67

VARIABLES ALEATORIAS VARIABLES ALEATORIAS

Características de una v.a: Propiedades Características de una v.a: Propiedades
Ejercicio 10

Con la misma información del Ejercicio 9, determina cuál

1) cR E[c] = c
es el rendimiento que espera obtener este agricultor si
los rendimientos estuvieran expresados en kilogramos
2) (Transformación lineal de la media) (60.000 kg cuando hay clima lluvioso, 50.000 kg con clima
normal y 40.000 kg con tiempo seco).
E[aX+b]=aE[X]+b a,bR

3) (Fórmula abreviada de la varianza) Var[X] = E[X2]‐2

4) (Transformación lineal de la varianza)

Var[aX+b]=a2Var[X] a,bR
CASOS NOTABLES CASOS NOTABLES
Distribución Uniforme discreta Distribución Uniforme discreta
Ejercicio 11
• Es la distribución soporte de la regla de Laplace.
• X se distribuye según una uniforme discreta en {1,...,N},
y lo pondremos XUD(1,N), si su soporte es D = {1,...,N} a) Cuando lanzamos un dado y observamos la
y su función de probabilidad: puntuación obtenida, ¿cuál es el valor esperado de
1 dicha puntuación?
𝑃 𝑋 𝑥 con x 1,2,...,N
𝑁 b) ¿Cuál es la varianza de la puntuación?
𝑁 1
Se tiene que: 𝐸𝑋
2
𝑁 1
𝑉𝑋
12

• Ejemplo: Lanzamiento de un dado

CASOS NOTABLES CASOS NOTABLES

Experimento de Bernouilli Distribución de Bernouilli

• Llamaremos experimento de Bernouilli a un Sea p la probabilidad de éxito, y q la probabilidad de

experimento con dos resultados posibles mutuamente
excluyentes, que denominaremos éxito y fracaso.
• El experimento es susceptible de ser repetido
indefinidamente bajo las siguientes condiciones:
a) Todas las realizaciones del experimento son
independientes entre sí
b) La probabilidad de obtener éxito en cada realización se
mantiene constante
fracaso
p = P(“éxito”) y q = 1 ˗ p = P(“fracaso”)
Sea X = “número de éxitos obtenidos al realizar dicho
experimento 1 vez
X es una variable aleatoria discreta con soporte {0,1}
Su distribución de probabilidad recibe el nombre de
distribución de Bernouilli de parámetro p y lo
pondremos X  Be(p)
Su función de probabilidad es: p(x) = pxq1‐x x{0,1}
Se tiene que: E(X) = p y Var[X] = pq
CASOS NOTABLES
Distribución de Bernouilli
Ejercicio 12
Un inspector de Hacienda elige de forma aleatoria las
declaraciones que revisará detalladamente. Sabemos que
tiene un lote donde el 40% de las declaraciones son
erróneas.
Si el inspector escoge una declaración al azar:
a) ¿Qué distribución sigue la variable aleatoria “Número de
declaraciones erróneas”?
b) ¿Cuál es la esperanza de dicha variable?
c) ¿Cuál es su varianza?
CASOS NOTABLES
Distribución binomial
Una importante generalización de la distribución de Benoulli se da
cuando se repite varias veces un experimento aleatorio con dos
posibles resultados, y las repeticiones son independientes.
Sea X = número de éxitos obtenidos al realizar n experimentos de
Bernouilli de forma independiente
X es una variable aleatoria discreta con soporte {0,1,...,n}
Su distribución de probabilidad recibe el nombre de distribución
binomial de parámetros n y p y lo pondremos X B(n,p)
Su función de probabilidad viene dada por:
𝑛
𝑃 𝑋 𝑥 𝑝 𝑞 𝑥 ∈ 0,1,...,𝑛
𝑥
Se tiene que: E(X) = n∙p y Var[X] = n∙p∙q

CASOS NOTABLES CASOS NOTABLES

Distribución binomial Distribución binomial
Ejercicio 13 Ejercicio 13 bis

Un inspector de Hacienda elige de forma aleatoria las
declaraciones que revisará detalladamente. Sabemos que
tiene un lote donde el 40% de las declaraciones son
erróneas.
Si el inspector escoge 5 declaraciones:
a) ¿Qué distribución sigue la variable “Número de
declaraciones erróneas”?
b) ¿Cuál es la probabilidad de obtener exactamente dos
declaraciones erróneas?
c) ¿Cuál es la esperanza de dicha variable?
d) ¿Cuál es su varianza?
Un inspector de Hacienda elige de forma aleatoria las
declaraciones que revisará detalladamente. Sabemos que
tiene un lote de 10 declaraciones, de las cuáles 4 son
erróneas.
Si el inspector escoge 5 declaraciones con
reemplazamiento:
a) ¿Qué distribución sigue la variable “Número de
declaraciones erróneas”?
b) ¿Cuál es la probabilidad de obtener exactamente dos
declaraciones erróneas?
c) ¿Cuál es la esperanza de dicha variable?
d) ¿Cuál es su varianza?
CASOS NOTABLES CASOS NOTABLES
Distribución binomial Distribución binomial
Ejercicio 13: Muestreo con remplazamiento Propiedades
Seleccionar 5 declaraciones. 1. X = número de éxitos en n ensayos independientes. X~ B(n, p)
Total de declaraciones: 10 (4 erróneas)
Y = número de fracaso en esos mismos n ensayos: Y~ B(n, 1‐p)
Con reemplazamiento
Es evidente que X + Y = n
X = Número de declaraciones erróneas 2. La distribución Bernoulli es un caso particular de la Binomial:
DX = {0, 1, …, 5}
Be(p)=B(1, p)
x p(X=x) 3. La distribución Binomial es la suma de n variables
0 0,65 = 0,07776 independientes de tipo Bernoulli con la misma probabilidad de
5×0,41×0,64 = 0,2592
éxito:
1
10×0,42×0,63 = 0,3456
B(n, p)=Be(p)+…+Be(p)
2
3 10×0,43×0,62 = 0,2304 4. La suma de variables independientes de tipo Binomial y con el
mismo parámetro p es otra distribución Binomial cuyo primer
4 5×0,44×0,61 = 0,0768 parámetro es la suma de las repeticiones del experimento:
5 0,45×0,60 = 0,01024 B(n1, p)+B(n2, p)=B(n1+n2, p)

CASOS NOTABLES CASOS NOTABLES

Distribución hipergeométrica Distribución hipergeométrica
Ejercicio 14
Sea una población finita de tamaño N en la que hay D elementos
defectuosos (por tanto N‐D no defectuosos) Un inspector de Hacienda elige de forma aleatoria las
Se extrae sin remplazamiento una muestra de tamaño n. declaraciones que revisará detalladamente. Sabemos que
Sea X = número de elementos defectuosos obtenidos en la tiene un lote de 10 declaraciones, de las cuales hay 4
muestra erróneas.
X es una variable aleatoria que recibe el nombre de distribución Si el inspector escoge aleatoriamente 5 declaraciones sin
hipergeométrica y lo indicaremos como X H(N, n, D) reemplazamiento:
Su función de probabilidad viene dada por: a) ¿Qué distribución sigue la variable “Número de
𝐷 𝑁 𝐷 declaraciones erróneas”?
𝑝 𝑥 𝑥 𝑛 𝑥 con x ∈ max 0,n D N , . . . , min 𝑛, 𝐷 b) ¿Cuál es la probabilidad de obtener exactamente dos
𝑁
𝑛
declaraciones erróneas?
c) ¿Cuál es la esperanza de dicha variable?
𝐷 D 𝐷 𝑁 𝑛
Se tiene que: EX 𝑛 y Var X n 1 d) ¿Cuál es su varianza?
𝑁 N 𝑁 𝑁 1
CASOS NOTABLES CASOS NOTABLES
Distribución hipergeométrica Muestreo
Ejercicio 14: Muestreo sin remplazamiento
Muestra: un subconjunto de individuos de una población
Seleccionar 5 declaraciones.
Muestreo: seleccionar aleatoriamente una muestra de una
Total de declaraciones: 10 (4 erróneas)
población
Sin reemplazamiento
• Muestreo con reemplazamiento
X = Número de declaraciones erróneas • Cada elemento seleccionado se devuelve antes de seleccionar el
DX = {0, 1, …, 4} siguiente
x p(X=x) • Las extracciones son independientes y la probabilidad de éxito se
mantiene constante ‐> Se puede aplicar la Distribución Binomial
0 6 5 4 3 2 1
0.0238
10 9 8 7 6 42 • Muestreo sin reemplazamiento
1 5
4 6 5 4 3 5
0.2381
• Cuando la población es pequeña el muestreo se realiza
10 9 8 7 6 21 habitualmente sin reemplazamiento: los elementos seleccionados
2 4 3 6 5 4 10 no se devuelven.
10 0.4762
10 9 8 7 6 21 • Las extracciones no son independientes y la probabilidad de éxito
3 4 3 2 6 5 5 cambia en cada extracción
10 0.2381
10 9 8 7 6 21
• Se necesita una distribución diferente: Hipergeométrica
4 4 3 2 1 6 1
5 0.0238
10 9 8 7 6 42

CASOS NOTABLES CASOS NOTABLES

Muestreo: Comparación Muestreo
Ejercicio 15
Si seleccionamos una muestra de n elementos de una
población finita de N elementos, D de ellos defectuosos Un inspector de Hacienda elige de forma aleatoria las
𝐷 declaraciones que revisará detalladamente. Sabemos que
1) Si el muestreo se realiza con reemplazamiento 𝑋~𝐵𝑖 𝑛,
𝑁 tiene un lote de 1000 declaraciones, de las cuales hay
con 𝐷 𝐷 𝐷
EX 𝑛 y Var X 𝑛 1 400 erróneas.
𝑁 𝑁 𝑁
Si el inspector escoge aleatoriamente 5 declaraciones sin
2) Si el muestreo se realiza sin reemplazamiento X H(N, n, D) reemplazamiento:
con 𝐷 D 𝐷 𝑁 𝑛
EX 𝑛 y Var X n 1
𝑁 N 𝑁 𝑁 1 a) ¿Qué distribución sigue la variable “Número de
declaraciones erróneas”?
b) ¿Cuál es la probabilidad de obtener exactamente dos
3) Por lo tanto, si N  (la población es grande) y n<<N declaraciones erróneas?
(tamaño de la muestra n es menor que el 5% del tamaño de la c) ¿Cuál es la esperanza de dicha variable?
población N; n/N < 0.05) se verifica que el muestreo con y sin d) ¿Cuál es su varianza?
reemplazamiento son equivalentes
CASOS NOTABLES CASOS NOTABLES
Muestreo: Comparación Ejercicio 7 (Revisado)
Un inspector de Hacienda elige de forma aleatoria 5 declaraciones Hay 20 familias viviendo en una zona residencial. De ellas, 10
que revisará detalladamente. Tiene un lote de N declaraciones, de elaboraron sus propias declaraciones de impuestos el año
las cuales hay D erróneas. anterior, 7 la encargaron a un profesional de la localidad y las
3 restantes a una gestoría
X =“Número de declaraciones erróneas seleccionadas”
Si se seleccionan aleatoriamente cinco familias, define la
Con reemplazamiento Sin reemplazamiento variable aleatoria apropiada, indica la correspondiente
n=5 (ejercicio 13) (ejercicio 14)
distribución de probabilidad y responde de nuevo las
X  Bin(n=5; p=0.4) X  H(N=10; n=5; S=4)
siguientes cuestiones:
N = 10 a) ¿Cuál es la probabilidad de que al menos una de ellas
P(X=2) = 0.3456 P(X=2) = 0.4762
D=4
E[X] = 2 Var[X] = 1.2 E[X] = 2 Var[X] = 0.67 haya contratado un profesional?
n=5 (ejercicio 15) (ejercicio 15) b) ¿Cuál es la probabilidad de que exactamente dos de ellas
X  Bin(n=5; p=0.4) X  H(N=1000; n=5; S=400) hayan contratado un profesional?
N= 1000
D = 400
P(X=2) = 0.3456 P(X=2) = 0.3465 c) ¿Cuál es el número esperado de familias que ha
E[X] = 2 Var[X] = 1.2 E[X] = 2 Var[X] = 1.195 contratado un profesional?

CASOS NOTABLES
Ejercicio 8 (Revisado)

Una empresa pretende ofrecer seguros de vida a hombres de

60 años por Internet. Las tablas de mortalidad indican que la
probabilidad de que un hombre de esa edad sobreviva otro
año es 0,98. Se ofrece el seguro a cinco hombres de 60 años
cuyas trayectorias vitales se consideran independientes.
Define la variable aleatoria apropiada, indica la
correspondiente distribución de probabilidad y responde de
nuevo las siguientes cuestiones:
a) Los cinco hombres sobrevivan
b) Por lo menos uno no sobreviva
c) Ninguno sobreviva
d) Solo uno sobreviva
e) Únicamente dos de ellos sobrevivan
f) Calcula el número esperado de supervivientes