PROBABILIDAD

¿ Cuál es la probabilidad de que

GANE LA TINKA?

¿ Qué posibilidad hay de que hoy

llueva?

¿ Existe alguna probabilidad de que

desapruebe los exámenes parciales
de este ciclo académico?,
 EL CALCULO DE PROBABILIDADES
PROPORCIONA LAS REGLAS PARA EL ESTUDIO DE
LOS EXPERIMENTOS ALEATORIOS O DE AZAR
QUE CONSTITUYEN LA BASE PARA LA
ESTADÍSTICA INFERENCIAL
PROBABILIDAD
CONCEPTOS BÁSICOS

1.Fenómeno Aleatorio.-
Es un fenómeno del que no se sabe que es lo que
va a ocurrir, están relacionados con el azar o
probabilidad.
2.Fenómeno Determinista.-
Es el fenómeno en el cual de antemano se sabe
cual será el resultado.
3 Experimento Aleatorio.- término utilizado en la teoría
de la probabilidad para describir virtualmente cualquier
proceso cuyos resultados no se conocen de antemano
con certeza.

Un experimento es aleatorio si se verifican las

siguientes condiciones:
3.1Se puede repetir indefinidamente, siempre en las
mismas condiciones;
3.2Antes de realizarlo, no se puede predecir el
resultado que se va a obtener;
3.3El resultado que se obtenga, pertenece a un
conjunto conocido previamente de resultados
posibles
Ejemplos.
a)En un experimento en el cual una moneda es lanzada
10 veces, el experimentador podría estar interesado en
determinar la probabilidad de obtener al menos 6 caras.

b)Medir la concentración de oxígeno disuelto en un río

contaminado.

c) observar la fracción de insectos que mueren por

acción de un insecticida nuevo.
4. ESPACIO MUESTRAL Y EVENTO.- Es la
colección de todos los posibles resultados de un
experimento, en tanto que un evento es un subconjunto del
espacio muestral.
Ejemplos:
4.1 sea el experimento “lanzamiento de un dado”

S = { 1,2,3,4,5,6 }
 4.2 Un inversionista planea escoger dos de las cinco
oportunidades de inversión que le han recomendado.
Sean : A,B,C,D,E las cinco oportunidades de inversión

S = { AB, AC, AD, AE, BC, BD, BE, CD, CE, DE }

4.3 Un experimento consiste en preguntar a cuatro jóvenes, si

fuman.
Sea: F = fuma N = No fuma

S = { FFFF , FFFN , FFNF , FNFF , NFFF , FFNN , FNFN , FNNF ,

NFFN , NFNF , NNFF , FNNN , NFNN , NNFN , NNNF, NNNN }
4.4 Lanzamiento de una moneda tres veces
S = { (c,c,c) , (c,c,s), (c,s,c), (c,s,s), (s,c,c), (s,c,s),
(s,s,c), (s,s,s)}
Los eventos aleatorios se denotan normalmente
con las letras mayúsculas A, B, C, ...

Son subconjuntos de S, esto es, A, B, C,…  S

Los eventos aleatorios son conjuntos que pueden

contener un solo elemento, una infinidad de
elementos, y también no contener ningún
elemento.

Al número de puntos muestrales de S se le

representa por N(S)
Ejemplo
Experimento: “Lanzamiento de un dado”
S = {1, 2, 3, 4, 5 ,6}

Evento:
A: Obtener un punto par A = {2, 4, 6}
B: Obtener un punto par menor a 6 B = {2, 4}
Operaciones Básicas con Eventos
Aleatorios

Ya que los eventos aleatorios son

subconjuntos del conjunto S, espacio
muestral, se pueden aplicar las conocidas
operaciones con conjuntos, a los eventos,
como son la unión, la intersección y la
diferencia de eventos.
OPERACIÓN EXPRESION DESCRIPCION

UNION A  B Unión de eventos originales: es

el evento que sucede si y solo si
A sucede o B sucede o ambos
suceden

INTERSECCION A  B Intersección de los eventos

originales, es el evento que
sucede si y sólo si A y B
suceden simultáneamente.
DIFERENCIA A - B La diferencia de los eventos
originales A y B, es el evento
que sucede solo en A pero no en
B.
Gráficamente estas operaciones se pueden representar a
través de los diagramas de Venn.
Sea S el espacio muestral y A y B eventos tal que A, B 
S gráficamente se puede expresar como:

A B

Fig. 1 Los eventos A y B no tienen elementos del espacio muestral en común.

 S

A B

Fig 2. Los eventos A y B tienen elementos del espacio

muestral en común.
De acuerdo a lo indicado en las figuras 1 y 2, la
unión de dos eventos se presenta de dos formas
diferentes: cuando los eventos son mutuamente
exclusivos (que no tienen elementos en común) y
cuando entre los eventos hay elementos comunes.

Definición.- Se dice que dos eventos A y B son

mutuamente exclusivos, cuando no pueden ocurrir
simultáneamente, es decir, A  B = , lo que
ocurre en la fig. 1.
Ejemplo
Dos profesores y tres asistentes graduados son
responsables de la supervisión de un laboratorio de
Química, y al menos un profesor y un asistente
graduado deben estar presentes siempre.
a) empleando dos coordenadas de tal manera que
(1,3), por ejemplo, represente el evento en el que un
profesor y tres asistentes graduados están
presentes, trace un diagrama de puntos en el que
aparezcan los puntos correspondientes al espacio
muestral.
a) Describa textualmente los eventos
representados por B = {(1,3), (2,3)}
b) C = {(1,1), (2,2)} D = {(1,2) ,(2,1)}
DEFINICIÓN CLÁSICA DE PROBABILIDAD
Condiciones:
i) El espacio muestral de todos los posibles
resultados es finito
ii) Los resultados el espacio muestral deben ser
igualmente probables
n( A)
Definimos a P(A) como: P( A) 
n( S )

Donde A es el evento formado por n(A) resultados

del espacio muestral y el número total de resultados
posibles es n(S).
 DEFINICIÓN AXIOMATICA
Las definiciones son empíricas o experimentales,
deduciéndose leyes o propiedades de la probabilidad en
forma lógica o computacional, bajo ciertas suposiciones
denominados axiomas de probabilidad.
La probabilidad de un evento A, se define como el
número P(A), que cumple los siguientes axiomas:

P(S )  1


0  P ( A)  1
 Si A y B son dos eventos mutuamente excluyentes,
tenemos que

A B  , P( A  B)  P( A)  P( B)
DEFINICIÓN EMPÍRICA "A POSTERIORI" 0
FRECUENCIAL
Supongamos que efectuamos un experimento n
veces y que en esta serie de n ensayos el suceso
E ocurre exactamente r veces, entonces la
frecuencia relativa del evento es r / n ,o sea:
f(E)=r/n Si continuamos calculando esta frecuencia
relativa cada cierto número de ensayos, a medida
que aumentamos n, las frecuencias relativas
correspondientes serán más estables; es decir;
tienden a ser casi las mismas; en este caso
decimos que el experimento muestra regularidad
estadística o estabilidad de las frecuencias
relativas.
 TÉCNICAS DE CONTEO
Son procedimientos o conjunto de reglas, utilizadas para enumerar
eventos difíciles de cuantificar

Entre las técnicas de conteo tenemos al diagrama de árbol,

combinación y permutación.
Las bases para la comprensión del uso de estas técnicas de
conteo son el principio de multiplicación y de adición.
PRINCIPIO DE MULTIPLICACION.- Se tienen k conjuntos de elementos , n1
en el primer conjunto, n2 en el segundo conjunto,.....y nk en el k-ésimo
conjunto. Supongamos que se desea formar una muestra de k elementos
tomando un elemento de cada uno de los k conjuntos. El número de
muestras distintas que pueden formarse es:

n1n2n3....nk

El principio de multiplicación implica que cada uno de los pasos de la actividad

deben ser llevados a efecto, uno tras otro.

Ejemplo. ¿Cuántos números telefónicos es posible diseñar, que deban constar

de siete dígitos tomados del 0 al 9?
 Considere que el cero no puede ir al inicio de los números y es
posible repetir dígitos,
 El cero no debe ir en la primera posición y no es posible repetir
dígitos
Ejemplo
Un restaurante ofrece 3 sopas diferentes, 5 carnes, 4 postres y 4 tipos
de bebida ¿De cuántas formas podemos ordenar una comida
consistentes de una sopa, una carne, un postre y una bebida?
Solución.
3 x 5 x 4 x 4 = 240 formas
 PRINCIPIO DE ADICION.-Si se desea llevar a efecto una actividad, la cuál
tiene formas alternativas para ser realizada, donde la primera de esas
alternativas puede ser realizada de M maneras, la segunda alternativa puede
realizarse de N maneras..... y la última de las alternativas puede ser realizada
de W maneras, entonces esa actividad puede ser llevada a cabo de :

M + N + .........+ W maneras

EJEMPLO: “Se desea comprar una lavadora de ropa, para lo cuál

puede seleccionar de entre las marcas , SAMSUNG1, LG2 y
ELECTROLUX3, cuando acude a hacer la compra se encuentra
que la lavadora de la marca SAMSUNG1 se presenta en dos tipos
de carga ( 8 u 11 kg.), en cuatro colores diferentes y puede ser
automática o semiautomática, mientras que la lavadora de la
marca LG2, se presenta en tres tipos de carga (8, 11 o 15 kg.), en
dos colores diferentes y puede ser automática o semiautomática y
la lavadora de la marca ELECTROLUX3, se presenta en solo un
tipo de carga, que es de 11 kg., dos colores diferentes y solo hay
semiautomática. ¿Cuántas maneras existen de comprar una
lavadora?”
 ¿Cómo podemos distinguir cuando hacer uso del
principio multiplicativo y cuando del aditivo?

 Cuando se trata de una sola actividad, la cual requiere

para ser llevada a efecto de una serie de pasos,
entonces haremos uso del principio de multiplicación y si
la actividad a desarrollar o a ser efectuada tiene
alternativas para ser llevada a cabo, haremos uso del
principio de adición.
 ALGUNAS TÉCNICAS DE CONTEO

1.Diagrama de Arbol.- Un diagrama de árbol es una herramienta que

se utiliza para determinar todos los posibles resultados de un
experimento aleatorio.
Ejemplo
Un investigador realizó un estudio para la
preparación del catalizador en la conversión de
monoetanolamina (MEA) a etilendiamina (EDA),
una sustancia que se utiliza comercialmente en
jabones. Se escogió el plan experimental inicial a
modo de examinar cuatro metales (Fe, Co, Ni y
Cu) y cuatro clases de soporte para el catalizador
(baja acidéz, alta acidez, poroso y alta área
superficial)

¿Cuántas combinaciones metal-soporte posibles

hay en este experimento?
2) Permutación.- Si se van a extraer n
elementos de un conjunto de N
elementos y a organizar los n elementos
en un orden definido, el número de
resultados distintos es:
N!
P 
N

( N  n)!
n
Ejemplo
¿De cuántas maneras diferentes se puede realizar una primera,
segunda y tercera selección entre 12 empresas arrendadoras de
equipos para construcción?
1320

12! 12!
P 
12
  12 x11x10 
(12  3)! 9!
3
3) Combinación.- Si se van a extraer n
elementos de un conjunto de N elementos
sin importar el orden de los n elementos, el
número de resultados distintos es:

N!
( )
N

n!( N  n)!
n
Ejemplo
¿Cuántos helados de dos sabores
diferentes nos pueden servir en una
heladería que tiene el siguiente surtido
de sabores: Chocolate, vainilla, fresa y
coco.
Solución

4!
( )
4
6
2!(4  2)!
2
4) Permutación con repetición.- Si se van a repartir los
elementos de un conjunto de N elementos entre k grupos
compuestos por n1, n2,....nk elementos (n1+n2+...+nk =N),
el número de resultados distintos es:

N!
n1 ! n 2 !......n k !
Ejemplo.
Se le suministran drogas a 8 animales de la
siguiente forma: Tipo A a tres de ellos, tipo
B a otros tres y tipo C a los dos restantes.
Luego se coloca cada uno de los animales
en una de las 8 diferentes cajas adyacentes
para su observación, si los animales solo se
distinguen en base al tipo de droga
recibida. ¿De cuántas formas diferentes
pueden ser colocadas?

8!
 560
3!3!2!
PROBABILIDAD CONDICIONAL

Utilizaremos P(A / B) para representar la

probabilidad del evento A dado que ocurre el
evento B. Para dos eventos cualesquiera A y B en
un espacio muestral S, tales que P(B) > 0 (p(B)
 0). La probabilidad del evento A dado el evento
B, se define por :
P( A  B)
P( A / B) 
P( B)
Ejemplo
Se seleccionan dos semillas aleatoriamente
una por una de una bolsa que contiene 10
semillas de flores rojas y 5 de flores
blancas. Determine la probabilidad de :
a) que la primera semilla sea blanca
b) que la primera semilla sea roja
c) La segunda semilla sea blanca si la
primera fue roja
d)La probabilidad de que las dos semillas
seleccionadas sean del mismo color
Rpta . a) P(B)=5/15 b) P( R )=10/15
c)P(B/R) = 5/14
Ejemplo
Una persona lanza una moneda 3 veces ¿Cuál s
probabilidad de obtener tres caras dada que salió por lo
menos una cara?
Sol
S = { (c,c,c) (c,s,c) (c,s,s) (s,c,s) (s,s,c) (s,c,c) (c,c,s)
(s,s,s)}
A={(c,c,c)}
B={ (c,c,c) (c,s,c) (c,s,s) (s,c,s) (s,s,c) (s,c,c) (c,c,s)}

1
P( A  B) 8 1
P( A / B)   
P( B) 7/8 7
Ejemplo

Se tienen dos cajas, la caja 1 contiene dos

fichas blancas y cuatro rojas, la caja 2 contiene
8 fichas blancas y cuatro rojas. Se selecciona
una caja al azar y luego se extrae una ficha al
azar. Hallar la probabilidad de que la ficha
extraída sea blanca.
P(B)=1/2 x 2/6 + ½ x 8/12
P(B)=0,5
Eventos Independientes

Los eventos son independientes si la ocurrencia

de B no altera la probabilidad de que haya
ocurrido A, es decir los eventos A y B son
independientes si:
P ( A / B )  P ( A)
si los eventos A y B son independientes también
se cumple que:
P( B / A)  P( B)

P(AB)=P(A)P(B)
Ejemplo
Considere el experimento de lanzar un dado balanceado,
defina los siguientes eventos:
A: Observar un número par
B: Observar un número menor o igual que 4
¿Son independientes los eventos A y B?

Solución
A  B  {2,4}
S = {1, 2, 3, 4 ,5 , 6}
A = { 2, 4, 6}
B = {1, 2, 3, 4 }
P ( A  B )  P ( A) P ( B)
2 3 4
 x
6 6 6
1 1

3 3
 REGLA DE BAYES
Es considerado un caso especial de la
probabilidad condicional, se aplica cuando se
desea calcular la probabilidad condicional de un
evento que ocurrió primero dado lo que ocurrió
después.
Sea A1, A2,....An eventos mutuamente
excluyentes y B un evento observado, luego P( A / B)
i
para i=1,2,...n es:

P( Ai  B) P( Ai ) P( B / Ai )
P( Ai / B)  
P( B) P( A1 ) P( B / A1 )  P( A2 ) P( B / A2 )  ......  P( An ) P( B / An )
Ejemplo
Una fábrica tiene tres máquinas A,B y C produciendo
las mismas piezas para televisores a color. La máquina
A produce 60% de las piezas con un 95% de ellas
perfectas, la máquina B produce 30% con 80%
perfectas y la máquina C produce 10% con 65%
perfectas. Si se selecciona una pieza al azar. ¿Cuál es
la probabilidad de que esta sea defectuosa? Y si es
defectuosa. ¿Cuál es la probabilidad de que haya sido
producida por la máquina A?
P(d)=0,60 x 0,05 +0,30 x 0,20 + 0,10 x 0,35
P(d) = 0,125 0,60 x0,05
P( A / d )   0,24
0,60 x0,05  0,30 x0,20  0,10 x0,35
Ejercicio : Complete la siguiente tabla

B Bc Total

A
P(AB) P(ABc)
P(A)

Ac P(Ac)
P(AcB) P(AcBc)

Total P(B) P(Bc) P( Ω)

DISTRIBUCIONES DE
PROBABILIDAD
 Variables Aleatorias
Una variable aleatoria es aquella que asume sus valores de
acuerdo a los resultados de un experimento aleatorio.
Usualmente se representa por las últimas letras del alfabeto: X,
Y o Z. Una variable aleatoria X es una función cuyo dominio es
la colección de eventos del espacio muestral S y cuyo rango Rx,
es un subconjunto de los números reales.
Si el rango X es el conjunto de los números enteros Z o un
subconjunto de Z, la variable aleatoria de denomina discreta

EJEMPLOS DE VARIABLES ALEATORIAS DISCRETAS

Experimento Variable aleatoria Valores posibles

V.A
lanzamiento de un L a suma de puntos 2,3,4,5,6,7,8,9,10,11,12
dado dos veces
lanzamiento de una El número de caras 0,1,2
moneda dos veces

Inspeccionar un Cantidad de chips 0,1,2,….,20

embarque de 20 chips defectuosos

Funcionamiento de un Cantidad de clientes 0,1,2,3…….

restaurante durante un
día
Si el rango X es el conjunto de los números reales R o un
subconjunto de R, la variable aleatoria se denomina continua
Ejemplos variable aleatoria continua
Experimento Variable aleatoria Valores posibles V.A

Funcionamiento de la Tiempo en minutos, X>=0

caja de la universidad destinado por cada
usuario
Envasado de una Cantidad de onzas 0<=x<=13,5
botella de bebida
gaseosa

Proyecto para Porcentaje de avance 0<=x<=100

construir el corredor del proyecto
Lima Norte
Ensayar un nuevo Temperatura cuando 160<=x<=200
proceso químico se lleva a cabo la
reacción deseada (min
160º F; máx 200ºF)
DISTRIBUCIONES DE PROBABILIDAD PARA
VARIABLES DISCRETAS
Función de probabilidad
Una vez definida una variable aleatoria X, podemos
definir una función de probabilidad asociada a X, de
la siguiente forma:
p :   [0,1]
x  p ( x)  P( X  x)
La función de probabilidad debe cumplir:

(i) p( x)  0 x  
(ii )  p( x)  1
x
 Función de probabilidad discreta
EJEMPLO. Sea X: Número de caras al lanzar una moneda dos veces

s s
C C
Valores Probabilidad
C Ss 0 1/4 = 0,25

c 1 2/4 = 0,50
Ss
2 1/4 = 0,25
Sc Sc
 Sea el experimento “lanzar dos dados”. Definamos el
espacio muestral S como:
S = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}

Definamos la variable aleatoria discreta X como: La

suma de puntos.
Una posible función de probabilidad es:

f :   [0,1]
f (2)  P(X  2 )  P( (1,1) )  1/ 36
f (3)  P(X  3 )  P( (1,2)  (2,1) )  2 / 36
f (4)  P(X  4 )  P( (1,3)  (3,1)  (2,2) )  3 / 36
...
 Función de distribución
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como:
F :   [0,1]
x  F ( x)  P( X  x)
En nuestro ejemplo de los dos dados:

F(5) = P(X  5) = P(x = 2 o x = 3 o x = 4 o x = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

Ejemplo: Dibuje la función de probabilidad f(x) y la función de
distribución F(x) de una variable discreta definida como:
X = Número mostrado al lanzar un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6
1 1
6
F(x)

f(x)
0.5

0 1 6 x 0 1 6 x

Función de probabilidad f(x) Función de distribución F(x)

Algunos problemas de probabilidad están relacionados con la
probabilidad P(a <X  b) de que X asuma algún valor en un
intervalo. Observa que:

P(a < X  b) = F(b) - F(a)

Los sucesos X  a y a< X  b son mutuamente
excluyentes. Entonces:

F(b) = P(X  b) = P(X  a) + P(a < X  b)

= F(a) + P(a < X  b)

En el ejemplo de los dos dados, calcula la probabilidad de que

los dos dados sumen al menos 4 pero no más de 8.

P(3 < X  8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Esperanza matemática, valor esperado
o media
de una distribución discreta
  E  X    xi P( X  xi )   xi p( xi )
i i

X P(X) X P(X)
-1 0,1 -0,1
0 0,2 0.0
1 0,4 0,4
2 0,2 0,4
3 0,1 0,3
1,0
 Calcular la esperanza de la variable aleatoria X
en el ejemplo de los dos dados:

  E( X ) 
1 2 6 1
 2   3  ...   7  ...  12  7
36 36 36 36
 Varianza y desviación estándar o
típica de una distribución discreta
Varianza

  Var ( X )  M 2  E (( X   ) ) 
2 2

 (x  )
i
i
2
P( X  xi )

Desviación estándar o típica

  Var(X )
Ambas miden la “dispersión de los datos”. Observe que la desviación
típica lo hace con las mismas unidades que los propios datos.
 DISTRIBUCION BINOMIAL

 Existen sólo dos resultados posibles para

cada ensayo “éxito o fracaso”
 La probabilidad de un éxito es la misma
para cada ensayo
 Existen n ensayos donde n es una constante
 Los n ensayos son independientes.
Los ensayos que satisfacen estos supuestos se
llaman ensayos de Bernoulli.
La distribución de probabilidad para una variable
aleatoria Binomial está dada por:
n x n x
f ( x)  b( x; n, p)   
 x p ( q )
 
para x=0,1,2....n
Donde:
p: Probabilidad de éxito para cada ensayo
q = 1-p : Probabilidad de fracaso
n: número de pruebas
X: Número de éxitos en n pruebas

La media y varianza la definimos por:   np

 2
 npq
Ejemplo
Se dice que el 75% de los accidentes en una planta
se atribuyen a errores humanos, determine la
probabilidad de que se atribuyan a errores humanos
dos de los cuatro próximos accidentes:
n x n x
f ( x)  b( x; n, p)   
 x p ( q )
 
n=4
x=2
p = 0,75
f (2) = ?
q = 0,25
Ejemplo.
Suponga que un vendedor a domicilio de un
determinado producto
Llevará a cabo 10 entrevistas en forma
independiente.por experiencias anteriores cree
que puede efectuar 1 venta por cada 5
entrevistas. ¿Cuál es la probabilidad de que haga
dos o más ventas?
p =1/5 P( x  2)  1  p( x  2)  1  ( f (1)  f (0))
q = 4/5
n=10
= ?
 Ejemplo
Un estudiante responde al azar 10 preguntas, cada pregunta contien
5 respuestas de las cuales 1 sólo es la respuesta correcta.Calcule
La probabilidad de que el estudiante conteste correctamente:
a) Menos de 3 preguntas
b) Más de 4 preguntas
c) De 2 a 4 preguntas

n =10
p =1/5
q=4/5

a) p( x  3)  f (0)  f (1)  f (2)

b) p( x  4)  1  p( x  4)  1  ( f (0)  f (1)  f (2)  f (3)  f (4))
c) p(2  x  4)  f (2)  f (3)  f (4)
Ejemplo.
Un examen consiste de 20 preguntas donde c/u
tiene cuatro respuestas de las cuales sólo una es
correcta. Un estudiante que no ha estudiado el
curso contesta el examen al azar.
a)¿Cuál es el número esperado de respuestas
correctas?
b)¿Cuál es la probabilidad de que acierte al menos
una respuesta?
c)¿Cuál es la probabilidad de que todas sean
incorrectas?
d)¿Cuál es la probabilidad de que acierte por lo
menos 5?
n=20
p=1/4
q=3/4

a) E(x)==np

b) p( x  1)  1  P( X  1)  1  f (0)
c) f (0)
d ) p( x  5)
 DISTRIBUCIÓN MULTINOMIAL
La distribución binomial es un caso particular de
la distribución multinomial. Muchos
experimentos producen observaciones de una
variable cualitativa con más de dos posibles
resultados
Ejemplo
Supongamos que cierto microscopio T se fabrica en
una de cinco líneas de producción distintas, A, B, C,
D o E. A fin de comparar las proporciones de
microscopios defectuosos que se pueden atribuir a
las cinco líneas de producción, todos los
microscopios defectuosos detectados por los
ingenieros de control de calidad se clasifican
diariamente según la línea en la que se produjeron.
Cada microscopio es una unidad experimental y
la observación es una letra que identifica la
línea de producción en la que se produjo.
Evidentemente la línea de producción es una
variable cualitativa. EL experimento que
acabamos de mencionar se denomina
experimento multinomial
Características:
 El experimento consiste en n pruebas
idénticas
 Existen k resultados posibles de cada
prueba
 Las probabilidades de los k resultados
son denotados por p1, p2...pk se mantienen
constantes a lo largo de todos las pruebas
donde p1+p2+...+pk=1
 Las pruebas son independientes
 Las variables aleatorias de interés
son x1,x2,.....xk en cada una de las k
categorías de clasificación.
La distribución de probabilidad multinomial
está dada por:
 n!
f ( x1 x2 ....xk )  x1 x 2 xk
p1 p2 ....... pk
x1! x2!.....xk !

Donde:
p1  p2  .....  pk  1
n  x1  x2  .....  xk 
número de pruebas
número de ocurrencias del resultado k en n pruebas
xk :
La media y la varianza de la variable aleatoria multinomial xk son
respectivamente:
 k 2  npk (1  pk )
k  npk
 DISTRIBUCIÓN HIPERGEOMETRICA

Cuando se extrae una muestra de una población finita,

constituida por éxitos y fracasos, tal es el caso de
observaciones referentes a un lote de piezas defectuosas
o sin defectos, los supuestos de un experimento
Binomial se satisfacen siempre que el elemento extraído
para ser observado, se reincorpore a la población antes
de hacerse la segunda observación. Este método de
muestreo se denomina muestreo con reemplazo. Sin
embargo en la práctica usualmente utilizamos el muestreo
sin reemplazo, esto es seleccionar aleatoriamente n
elementos diferentes de N elementos de la población.
Consideremos una población de N unidades, de los
cuales “a” poseen ciertas características y “N-a” no la
poseen. Si se hacen “n” extracciones al azar, sin
reemplazo entre la población, cada extracción es
subsecuente es dependiente y la probabilidad de éxito
cambia en cada extracción. En estas condiciones si
deseamos obtener x unidades del tipo “a”( éxitos) en la
muestra al azar de tamaño “n”, el número de éxitos en
este caso se llama variable hipergeométrica .
Media y varianza

na( N  n)( N  a)
 2

N ( N  1)
2

 a 
  n 
 N 
Ejemplo
Una urna contiene 12 fichas de las cuales tres están
premiadas. Si una persona selecciona
aleatoriamente 5 fichas al azar ¿Cuál es la
probabilidad de que 3 de las fichas seleccionadas
estén premiadas?

 3  9 
  
P=3 Pc=9
12
f (3)   3  2 
12 
 ?
3 2
5  
5
Ejemplo
Un embarque de 120 alarmas contra robo
contiene 5 defectuosas. Si tres de estas
alarmas se seleccionan aleatoriamente y se
le envían a un cliente. Determine la
probabilidad de que el cliente reciba una en
mal estado.
 DISTRIBUCIÓN DE POISSON
Proporciona un modelo para la
frecuencia relativa del número de “eventos
poco comunes” que ocurren en una
unidad de tiempo, área, volumen, etc.
Como por ejemplo el ejemplo el número
de accidentes fatales por mes en una
planta de producción, el número de
defectos visibles en un diamante, etc.
Entre otras características tenemos:
 La probabilidad de un evento que ocurra en
una unidad de tiempo, área o volumen es la misma
para todas las unidades
 El número de eventos que ocurren en una
unidad de tiempo, área o volumen es independiente
del número de los que ocurren en otras unidades.
 El número medio (o esperado ) de eventos en
cada unidad se denota por la letra griega lambda ,
.
La distribución de probabilidad para una variable
aleatoria e Poisson está dada por:
, x=0,1,2,3,.....
Donde
 e
x 
f ( x) 
x!
: es el número medio de eventos en una unidad de
tiempo, área o volumen
 =2.71828......

La media y la varianza de una variable aleatoria de

Poisson son, respectivamente
   
2
Ejemplo
El número de averías semanales de una
computadora es una v.a que tiene una
distribución de Poisson con =0.4 ¿Cuál
es la probabillidad de que la computadora
trabaje sin averías durante dos sesiones
consecutivas.
DISTRIBUCIÓN BINOMIAL NEGATIVA
En muchos casos nos interesará medir el
tiempo transcurrido antes de que ocurra un
evento, por ejemplo el tiempo que un cliente
debe esperar en una cola para ser atendido ,
el tiempo que tarda en fallar un equipo, etc.
Para esta aplicación consideramos cada
unidad de tiempo como una prueba de
bernoulli que puede tener como resultado
un éxito o un fracaso. A diferencia de los
experimentos binomiales en los que x es
el total de éxitos, la variable de interés
ahora es el número de pruebas (unidades
de tiempo) hasta que se observa el a-
ésimo éxito.
La distribución de probabilidad para la variable
aleatoria x está dada por:
 x  1 a x  a
f ( x)    p q x=a,a+1,a+2....
 a  1
Donde:
p:Probabilidad de éxito
q:1-p
x:Número de pruebas hasta que se observa el x-ésimo éxito
Media y varianza
a aq
   2
2

p p
Ejemplo
Un fabricante utiliza fusibles en un
sistema electrónico, los fusibles se
compran en lotes grandes y se prueban
secuencialmente hasta que se observa
el primer fusible defectuoso. Suponga
que el lote contiene el 10% de fusibles
defectuosos.
a)¿Qué probabilidad hay de que el
primer fusible defectuoso sea uno de
los primeros cinco fusibles probados.?