UNIVERSIDAD DE PANAMÁ

FACINET
DEPARTAMENTO DE
ESTADÍSTICA

TEMA 2. PROBABILIDAD

POR: CLARA ELENA CRUZ

 Contenido
PROBABILIDAD
Conceptos básicos de probabilidad

Distribuciones de probabilidad discreta

Distribuciones de probabilidad continua

Conceptos básicos de probabilidad
Conceptos básicos de probabilidad
 Definición
Enfoque Clásico (Probabilidad de un Evento) Para asignar probabilidad
a los eventos definidos en un espacio muestral finito donde todos los
eventos elementales son igualmente probables, la probabilidad de
cualquier evento A se define por:

P(A)= N° de casos favorables de A

Total de casos posibles
Enfoque Empírico Este enfoque permite determinar la probabilidad con
base en la proporción de veces que ocurre un resultado favorable en
cierto número experimentos. Aunque es fácil asignar frecuencias
relativas esperadas a cada uno de los resultados posibles en un juego
de azar, no es igualmente fácil hacerlo en la mayoría de los
experimentos de la vida real. En casos reales, la frecuencia relativa
esperada se asigna con base en resultados de experimentos empíricos.
 Conceptos básicos de probabilidad

 Experimento: Es todo proceso de observación o ejecución de

un fenómeno, se dice que un experimento es aleatorio
cuando tiene dos o más resultados posibles y no se conoce “a
priori” el resultado a obtener.
 Ejemplos
 E1: lanzar un dado E2: Selección de un ganador
 Espacio muestral Ω: Conjunto de todos los resultados
posibles de un experimento. (Como un conjunto universo), el
espacio muestral puede ser finito o infinito.
 Ejemplos para E1 el espacio muestral es:
 Ω=[1,2,3,4,5,6]
 Evento o suceso Es un subconjunto del espacio muestral y
reúne ciertos resultados de interés. Al igual que los
conjuntos, los eventos se denotan con letras mayúsculas: A,
B, C,..
 Los eventos pueden ser:
 a. Evento Elemental; formado por cada resultado individual
del espacio muestral. A = {2}
 b. Evento imposible (φ); aquel evento que no tiene
resultados que pertenezca al espacio muestral, es el evento
que nunca ocurre. Ejemplo: A: resultado siete al lanzar un
dado normal A = { } = φ
 c. Evento seguro; aquel evento formado por todos los
resultados del espacio muestral, entonces el evento seguro
es el mismo espacio muestral Ω.
 d. Evento Contrario (A’); aquel evento formado por todos
los resultados que no están en A, el evento A’ ocurre
cuando el evento A no ocurre. Se cumple que: A ∪ A' = Ω
 e. Eventos mutuamente excluyentes (m.e). Dos eventos A y
B; definidos en Ω, son m.e. si A ∩ B = φ (No ocurren
simultáneamente)
 AXIOMAS DE PROBABILIDAD
 La probabilidad de todo evento A definido en Ω cumple con los
siguientes axiomas:
 1) La probabilidad de que ocurra un evento A cualquiera se
encuentra entre cero y uno.
  0 ≤ p(A)≥ 1
 2)La probabilidad de que ocurra el espacio muestral S debe de ser 1.
 P(Ω) = 1
 3) La probabilidad del vacío es cero
 P(φ) = 0

OPERACIONES CON PROBABILIDADES

UNIÓN
 Propiedad 4
 P (A ∪ B) – P(A) + P(B) - P(A ∩ B) Si los eventos NO son N.M.E.
 P(A ∪ B) = P(A) + P(B) para eventos M.E.
 Ejemplo: Una clase consta de 18 hombres y de 15 mujeres, de los cuales
la mitad de los hombres y la tercera parte de las mujeres han
desaprobado el curso de Estadística y Probabilidades.
 Se elige un estudiante al azar y se pide la probabilidad. a. De que sea
hombre o haya desaprobado el curso de Estadística y Probabilidades.
 b. De que no sea mujer y no haya desaprobado el curso de Estadística y
Probabilidades
 Solución n(Ω) = 33 (Cualquiera de los 33 alumnos puede ser seleccionado)
 Sean los eventos: H: escoger un hombre M: escoger una mujer D:
desaprobado el curso de Estadística y Probabilidades
 Entonces: P(H) = 18/33 P(M) = 15/33
 P(H ∩ D) = 9 P(M ∩ D) = 5 => P(D) = 14/33
 P(H ∪ D) = P(H) + P(D) - P(H ∩ D)
 P(H ∪ D) = 18/33 + 14/33 - 9/33 = 23/33 = 0,69697
 P(M ∩ D') = P(M ∪ D)' = 1 – P(M ∪ D) = 1 – [P(M) + P(D) – P(M ∩ D)]
 = 1 – [15/33 + 14/33 – 5733] = 1 – 24/33 = 9/33 = 0,2727
  INTERSECCIÓN

PROBABILIDAD CONDICIONAL
La ocurrencia de ciertos eventos o procesos afectan la ocurrencia
de otro evento dado cuya probabilidad deseamos evaluar, esto es,
la ocurrencia del nuevo evento está condicionado a un evento
previo por lo que el valor de la probabilidad ya no es una simple
probabilidad sino que se restringe al evento ocurrido.

Donde

p(A½E) = probabilidad de que ocurra A dado que E ya ocurrió

p(AÇE) = probabilidad de que ocurra A y E a un mismo tiempo

p(E) = probabilidad de que ocurra E

 
 Probabilidad
Complemento
 Probabilidad
Independencia
 INDEPENDENCIA
 Se dice que un evento B es independiente de un evento A, si
p(B/A) = P(B), esto quiere decir que la probabilidad de que ocurra
B no es afectada por la ocurrencia del evento A, la expresión
anterior se puede sustituir en el teorema de la multiplicación
para probabilidad condicional 
                   p(A ∩ B) = p(A)p(B)
 Luego, Concepto de independencia
 Si la expresión anterior se cumple, podemos decir que los
eventos A y B son independientes.
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
 DISTRIBUCIONES DE PROBABILIDAD DISCRETA
VARIABLE ALEATORIA DISCRETA (x)
Es aquella que solo puede tomar valores enteros y un número finito de ellos.

• Esperanza
Consideremos una v.a discreta X que toma los valores x1,x2,...,xi,...,xn con
probabilidadesp1,p2,...,pi,...,pn. Llamaremos media o esperanza de X a:

E(x) = Ʃ xi * pi
Varianza
Se define la varianza como la esperanza del cuadrado de la diferencia entre la variable y su
esperanza:
V (x) = Ʃ [X – E (x) ]2 * pi desarrollando el cuadrado queda V (x) = E(x2) – (E(x))2
Ejemplos
( X )Variable que nos define el número de alumnos aprobados en la materia de probabilidad
en un grupo de 40 alumnos (1, 2 ,3…ó los 40).

Lanzar una moneda al aire: cara o cruz; Tirar un dado puede salir :1,2,3,4,5, 6

Lotto y sale el 3
• Distribución binomial

Describe la probabilidad de una variable dicotómica independiente.

Se utiliza en situaciones cuya solución tiene dos posibles resultados.
Al nacer un/a bebé puede ser varón o hembra.
En el deporte un equipo puede ganar o perder.
Un tratamiento médico puede ser efectivo o inefectivo.
Algo puede considerarse como Éxito o Fracaso
Usos:
Estimación de proporciones
Pruebas de hipótesis de proporciones
Propiedades de un
Experimento de Bernoulli
1. En cada prueba del experimento sólo hay dos posibles resultados: Éxitos o
Fracasos.
2. El resultado obtenido en cada prueba es independiente de los resultados
obtenidos en pruebas anteriores.
3. La probabilidad de un suceso (p) es constante y no varía de una prueba a
otra.
4. La probabilidad del complemento (1- p) es q .
 Si repetimos el experimento n veces podemos obtener datos para armar una
distribución binomial.
Ejemplo
 ¿Probabilidad de obtener cuatro veces el número 3
al lanzar un dado ocho veces?
 El número de aciertos k es 4. Esto es x=4
 El número de experimentos n son 8
 Probabilidad de éxito p = 1/6 ( 0.1666)
 La fórmula queda:

P (k = 4) = 0.026
Es decir, probabilidad de obtener cuatro veces el números
3 al tirar un dado 8 veces es de 2.6%.
La media μ y la varianza σ
2
En resumen

 La distribución binomial se forma de una serie de

experimentos de Bernoulli  
 La media (μ) en la distribución binomial se obtiene con el
producto de n x p
 La varianza (σ2 ) en la distribución binomial se obtiene del
producto de n x p x q.
 El valor de q es el complemento de p y se obtiene con 1 – p.
Distribución de Poisson
 Poisson
 Se utiliza para obtener la probabilidad de ocurrencia de
sucesos raros cuyo resultado lo representa una
variable discreta.
 Características:
 Permite determinar la probabilidad de ocurrencia de un suceso con
 resultado discreto.

 Es muy útil cuando la muestra o segmento n es grande y la

probabilidad
 de éxitos p es pequeña.

 Se utiliza cuando la probabilidad del evento que nos interesa se

distribuye dentro
de un segmento n dado como por ejemplo distancia, área, volumen
o tiempo
definido.
 Utilidad
 La distribución de Poisson se utiliza en situaciones donde los sucesos
son impredecibles o de ocurrencia aleatoria. En otras palabras no se
sabe el total de posibles resultados.

 Permite determinar la probabilidad de ocurrencia de un suceso con

resultado discreto.

 Es muy útil cuando la muestra o segmento n es grande y la

probabilidad de éxitos p es pequeña.

 Se utiliza cuando la probabilidad del evento que nos interesa se

distribuye dentro de un segmento n dado como por ejemplo
distancia, área, volumen o tiempo definido.
Ejemplos de la
utilidad
 La llegada de un cliente al negocio durante una hora.

 Las llamadas telefónicas que se reciben en un día.

 Los defectos en manufactura de papel por cada metro producido.

 Los envases llenados fuera de los límites por cada 100 galones de producto terminado.
 
Propiedades de un
proceso de Poisson

1. La probabilidad de observar exactamente un éxito en el

segmento o tamaño de muestra n es constante.
2. El evento debe considerarse un suceso raro.
3. El evento debe ser aleatorio e independiente de otros
eventos

Si repetimos el experimento n veces podemos obtener

resultados para la construcción de la distribución de
Poisson.
La distribución de Poisson
La distribución de probabilidad de Poisson es un ejemplo de
distribución de probabilidad discreta.
La distribución de Poisson parte de la distribución binomial.
Cuando en una distribución binomial se realiza el experimento
muchas veces, la muestra n es grande y la probabilidad de
éxito p en cada ensayo es baja, es aquí donde aplica el
modelo de distribución de Poisson.

Se tiene que cumplir que:

p < 0.10
p * n < 10
 La función P(x=k)
A continuación veremos la función de probabilidad de la
distribución de Poisson.

Donde:

P(X=K) es la probabilidad de ocurrencia cuando la variable discreta

X toma un valor finito k.

λ = Lambda es la ocurrencia promedio por unidad (tiempo,

volumen, área, etc.). Es igual a p por el segmento dado. La
constante e tiene un valor aproximado de 2.711828

K es el número de éxitos por unidad

Ejemplo1 de la función
F (x=k)
La probabilidad de que haya un accidente en una compañía de
manufactura es de 0.02 por cada día de trabajo. Si se trabajan 300 días
al año, ¿cuál es la probabilidad de tener 3 accidentes?
Como la probabilidad p es menor que 0.1, y el producto n * p es
menor que 10 (300 * 0.02 = 6), entonces, aplicamos el modelo de
distribución de Poisson:

Al realizar el cómputo tenemos que P(x = 3) = 0.0892

Por lo tanto, la probabilidad de tener 3 accidentes laborales en 300 días
de trabajo es de 8.9%.
La media μ y la varianza σ
2
En resumen

1. La distribución de Poisson se forma de una serie de experimentos de Bernoulli.

2. La media μ o valor esperado en la distribución de Poisson es igual a λ.

3. La varianza (σ2 ) en la distribución de Poisson también es igual a λ.

4. La desviacion estándar es la raíz de λ.

 Ejercicio de prueba #1
Un comerciante de verduras tiene conocimiento de que el 3% de la caja está
descompuesta. Si un comprador elige 100 verduras al azar, encuentre la
probabilidad de que,
a) las 4 estén descompuestas.
b) de 1 a 3 estén descompuestas

Para resolver la pregunta “b” repase el módulo de las reglas

de probabilidad.
En este caso se resuelve sumando las probabilidades P(x=1) +
P(x=2) + P(x=3)
= 0.1494 + 0.2240 + 0.2240
Distribución Continua
Una distribución continua describe la probabilidad de:
Que las variable aleatoria (X) se definen como el área por debajo de la curva
Función de distribución
La función de distribución F : R [0,1] da la probabilidad acumulada desde -∞ hasta el
valor que se tiene en consideración.
F (x) = P [ X ≤ x ] = ʃ f(t) d(t)
Distribución NORMAL
Es la distribución más importante en probabilidad y estadística.
Muchas poblaciones tienen distribución normal o pueden ajustarse muy bien a ella.
Ejemplos:

• Estatura, peso10y otras características físicas.

• 8
Errores de medición en experimentos científicos
• 6
Tiempos de reacción en experimentos psicológicos
• 4
Mediciones de inteligencia y aptitud.
• Calificaciones en
2 diversas pruebas.
• Muchas medidas 0 e indicadores económicos.
5

3
3
9

1
7
1.

2.

3.

4.

6.
0.
0.

2.

3.

5.
5.
En 1835, Poisson acuñó la frase “ley de los grandes números” y demostró que
había estabilidad estadística en cuestiones sociales.

34
 Distribución NORMAL
 Se dice que una va X continua tiene una distribución normal con
parámetros m y s (ó m y s2) si su fdp es:

35
 Distribución NORMAL
 Probabilidad de que una variable aleatoria normal se encuentre
entre a y b:

36
 Distribución NORMAL ESTÁNDAR
 La distribución normal con parámetros m = 0 y s = 1 recibe el
nombre de distribución normal estándar.
 La variable aleatoria normal estándar se denota por Z y su fdp es:

 Su función de probabilidad acumulada se

denota por:

37
Distribución NORMAL ESTÁNDAR
Uso de tablas

Si Z es una variable aleatoria Normal Estándar, determine:

a) P(Z < 1.5)

b) el valor de z tal que P(Z > z) = 0.975
c) P(-2.33 < Z < 2.33)
d) el valor de w tal que la variable Z lo excede sólo con probabilidad 0.001
e) el valor de z tal que P(-z < Z < z) = 0.5
f) el percentil 95 de la distribución normal estándar.

a) 0.9332; b) -1.96; c) 0.98;

d) 3.09; e) z = 0.67; f) 1.64.

38
Distribución NORMAL
Si X tiene distribución normal con parámetros m y s, entonces:

 N (0, 1)

Así, cualquier probabilidad que esté en términos de X se puede

“estandarizar” poniéndola en términos de Z.

39
Distribución NORMAL

Estandarización

40
 Distribución NORMAL

Ejercicio:
Los resultados de la prueba de inteligencia Stanford-Binet IQ tiene
distribución normal con media 100 y desviación estándar de 16.
¿Cuál es la probabilidad de que una persona seleccionada al azar
obtenga una calificación…

a) Mayor a 138?
b) A menos de 2 desviaciones de la media?
c) Hallar el percentil 90.

R: 0.008704, 0.9545, 120.5

41
Distribución t de Student
 Distribución T-STUDENT
Definición: En probabilidad y estadística, es una distribución de probabilidad  transcendental para
aplicaciones inferenciales donde el problema es estimar la media de una población 
normalmente distribuida cuando el tamaño de la muestra es pequeño, en especial para aquellas en
las que se desconoce la varianza; dado que no depende de las varianzas de las variables que la
integran.
Distribución: si X N (0, 1) y Y Chicuadrada la función de densidad de probabilidad
(FDP) es t = X / √ Y / n), siendo t una nueva distribución conocida como t de student con n
grados de libertad.
Parámetros de distribución:
Media: 0
Varianza: n / (n-2)

Ejemplo:  Los puntajes de un grupo de estudiantes se comportan normal, con promedio de 50, sin embargo, no
se conoce la desviación. Se tomó una muestra aleatoria de 9 estudiantes encontrando una varianza de 36 y un
promedio de 52. Cuál es la probabilidad de que el promedio:
•· Sea mayor de 54? 0.0375
•· Sea menor que 54? 0.9625
•· Esté comprendido entre 48 y 52 puntos? 0.65
Distribución T
 DISTRIBUCION T- Student. Cálculos de probabilidades con
excel, utilizando la función t - Student
Determinar el valor o valores de t en cada uno de los siguientes casos, con n = 9, media = 52,
varianza = 36.
a. P( t >54)=1- P(t<(54-50)/(6/3)) = 1- P(t<2) = 1- 0.9625 = 0.0375

b. P( t <54)= P(t<(54-50)/(6/3)) = P(t<2) = 0.9625

c. P(48< t >52)=P( <52)-P( <48)=P(t<(52-50)/(6/3))-P(t<(48-50)/(6/3))= P(t<1)- P(t<-1)= 0.825
- (1-0.825) = 0.65

Nota: Para el caso de un evento que se distribuye con una probabilidad t

encontrar el valor de x, hacerlo con la función INV.T