ESTADÍSTICA UNSCH

INTRODUCCIÓN A LA PROBABILIDAD

El objetivo general de la teoría de probabilidad consiste en proporcionar un modelo matemático

adecuado a la descripción e interpretación de cierta clase de fenómenos, es decir que la teoría de
probabilidad permite vincular la muestra con la población siempre que la muestra responda al
requisito fundamental de ser aleatoria.

Primer experimento Segundo experimento

Se desea saber en cuanto tiempo el piloto Se lanza un par de dados sobre una mesa
conduciendo su auto llegará hasta donde está su
amigo?
72 km/h

10 m e
t
v
Cual será la respuesta? Cual será la respuesta?
e 10m (1,1);(1, 2);(1,3);(1, 4);(1,5);(1,6)
t   0.5s (2,1);(2, 2);(2,3);(2, 4);(2,5);(2,6)
v 72. 5 m / s
18 (3,1);(3, 2);(3,3);(3, 4);(3,5);(3,6)
(4,1);(4, 2);(4,3);(4, 4);(4,5);(4,6)
(5,1);(5, 2);(5,3);(5, 4);(5,5);(5,6)
(6,1);(6, 2);(6,3);(6, 4);(6,5);(6,6)

A. DEFINICIONES BÁSICAS:

01. Experimento (E):

Un experimento (real o hipotético) es un proceso que consiste en la ejecución de un acto o

prueba del cual se obtiene un resultado u observación ya sea cualitativos o cuantitativos, se
dividen en dos clases:

 Experimento determinístico:

Será determinístico cuando los resultados del experimento están completamente determinados y
pueden describirse a través de una fórmula matemática llamado también modelo determinístico.

 Experimento aleatorio o no determinístico:

Es aquel proceso que consiste en la ejecución de un acto o prueba, una o más veces, siendo estos
resultados dependientes del azar los cuales no se pueden predecir con certeza.

02. Suceso elemental o punto muestral “”: Son cada una de las respuestas posibles después de la
ejecución de un experimento aleatorio y no se pueden descomponer en otros más simples, en
conjunto vienen a ser los elementos del espacio muestral.

03. Espacio muestral (): Es el conjunto formado por todos los resultados posibles de un
experimento aleatorio.

GUÍA DE ESTUDIOS 1 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
={/ es un punto muestral}
 Clasificación de los espacios muestrales: de acuerdo al número de puntos muestrales, se
pueden clasificar en:

- Espacio muestral discreto finito: Es el conjunto que tiene un número finito de elementos.
- Espacio muestral discreto infinito: Es el conjunto que tiene un número infinito numerable de
elementos.
- Espacio muestral continuo: Es el conjunto que tiene un número infinito no numerable de
elementos o que sus elementos pertenecen a un intervalo.

04. Eventos: Se llama evento a todo los subconjuntos que se pueden obtener del espacio muestral
().
 Tipos de eventos:
- Evento imposible (): Es el conjunto vacío, que no tiene elementos o que nunca ocurre.
- Evento unitario: llamado también evento elemental y posee un solo punto muestral.
- Eventos compuestos:
Son los que tienen de dos a más sucesos ocurridos o puntos muestrales.
- Evento seguro: es el mismo espacio muestral (), puesto que contiene a todos los sucesos
posibles que pueda ocurrir.

OBSERVACIÓN:
  w1; w2 ; w3 ;...; wn 
Supongamos que tenemos un espacio muestral con “n” elementos es decir es
numerable, entonces diremos que  tiene 2 n eventos o subconjuntos.

05. Experimentos unidos por la “o” (excluyente).

Un experimento compuesto E, se dice que es una o-combinación de los experimentos simples
E1 y E2 si y sólo si el experimento E ocurre, cuando el experimento E1 ó E2 ocurre (pero no
ambos).

Ejemplo:
E1: Lanzar un dado : 1= {1, 2, 3, 4, 5, 6}
E2: lanzar una moneda : 2= {C, S}
Ahora si E=E1ó E2; Diremos que = {1, 2, 3, 4, 5, 6, C, S}

06. Experimentos unidos por la “y”.

Un experimento compuesto E, se dice que es una y-combinación de los experimentos simples

E1 y E2 si y sólo si el experimento E ocurre, cuando ambos experimentos E1 y E2 ocurren,
donde el espacio muestral asociado será el producto cartesiano de los espacios cartesianos
componentes.

Ejemplo: se lanza una moneda tres veces:

E1: lanzar la primera moneda: 1= {C, S }

E2: lanzar la segunda moneda: 2= {C, S }

GUÍA DE ESTUDIOS 2 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
E3: lanzar la tercera moneda: 3= {C, S }

(C, C, C );(C, C, S );(C, S , C );(S , C, C );

Ahora el espacio muestral asociado a E será:   1 x2 x3   
(C, S , S );(S , C, S );(S , S , C );(S , S , S ) 
OPERACIONES CON EVENTOS

1. Inclusión ( )
Se dice que el evento A esta incluido en otro evento B, si todos los elementos de A pertenecen a
B. Se denota A  B, se lee: “A” está contenido en “B”
Ejemplo
A= {p, q} B = {p, q, r, s}

OJO: La relación de pertenencia se da de suceso a evento y la relación de inclusión se da de

evento a evento.

2. Igualdad: Dos eventos A y B son iguales cuando tienen los mismos elementos sin importar el
orden, se denota A = B.
Se define: A = B  A B  B A

3. Eventos Diferentes: Dos eventos son diferentes si uno de ellos tiene por lo menos un elemento
que no posee el otro.

4. Eventos Comparables: Dos eventos A y B son comparables cuando sólo uno de ellos está
incluido en el otro, es decir:
AB ó BA
5. Eventos Disjuntos:
Llamado también mutuamente excluyentes, Se dice que dos eventos son disjuntos cuando no
poseen elementos comunes

A y B son disjuntos /A  B, es decir AB=

De manera general:
Una colección de n eventos A1, A2, A3…An definidos sobre un mismo espacio muestral serán
mutuamente excluyentes si: Ai  Aj  ; i  j; i, j  1,2,3,...n
6. Eventos colectivamente exhaustivos
Una colección de n eventos A1, A2, A3…An definidos sobre un mismo espacio muestral serán
colectivamente exhaustivos si la unión es igual al espacio muestral:
n
A1  A2  A3 .....  An  Ai  
i 1

7. Unión de eventos: AB = {/A B}

GUÍA DE ESTUDIOS 3 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

Consecuencias:
* AB=A BA
* n(AB)=n(A)+n(B)A y B son disjuntos

8. Intersección: AB =AB= {/A B}

9. Diferencia:
A  B  x U / x  A  x  B
B  A  x U / x  A  x  B

10. Diferencia Simétrica:

AB={/(A-B)  (B-A)}

11. Complemento de A :
A`=Ac= {/U  A}= U-A

GUÍA DE ESTUDIOS 4 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

ALGEBRA DE EVENTOS

1 A A  A 2 A A  A
3 A B  B  A 4 A B  B  A
5 A   A 6 A   
7 A U  U 8 A U  A
9 A  A´ U 10 A  A´ 
11 U '   12  '  U
13 A  B  CB A 14 A  B  A  B '
15 AA   16 A  A
17 U A  A´ 18 A ''  A
19 AB  BA 20   A  
21 ( A  B)´ A ' B ' 22  A  B  '  A ' B´
23 ( AB)  ( A  B)  ( B  A)
24 ( A  B)  C  ( A  C )  ( B  C )  C  ( A  B)
25 ( A  B)  C  ( A  C )  ( B  C )  C  ( A  B)
26 ( A  B)  C  ( A  C )  ( B  C )
27 ( A  B)  C  ( A  C )  ( B  C )
28 ( AB)  C  ( A  C )( B  C )  C  ( AB)
29 ( AB)  C  ( A  C )( B  C )  C  ( AB)
30 A  ( A  B)  A
31 A  ( A  B)  A
32  AB    BC    A  B  C    A  B  C 

GUÍA DE ESTUDIOS 5 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
B. CONTEO DE PUNTOS MUESTRALES

01. MÉTODOS GRÁFICOS:

a. TABLA DE DOS ENTRADAS

Se utiliza para determinar los elementos del espacio muestral para un experimento compuesto
de dos experimentos simples.

EJEMPLO:

Se lanza una moneda y un dado determinar el espacio muestral:

b. DIAGRAMA DEL ÁRBOL

Se utiliza para determinar los elementos del espacio muestral para un experimento compuesto
de dos a más experimentos simples.

Lanzar una moneda cuatro veces

GUÍA DE ESTUDIOS 6 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

02. PRINCIPIO DE MULTIPLICACIÓN

Si un experimento puede realizarse de n1 formas y por cada una de estas, un segundo experimento
puede realizarse de n2; un Tercer experimento puede realizarse de n3;…. y así sucesivamente hasta el
experimento k que se puede efectuar de nk maneras entonces, los k experimentos pueden realizarse
de n1 x n2 x n2x …x n2

Ejemplo:
Se desea escoger “k” objetos de una urna que contiene “n” objetos numeradas de 1 a n donde:
A1=extraer el primer objeto
A2=extraer el segundo objeto
A3=extraer el tercer objeto
…………………
Ak=extraer el k-ésimo objeto

Entonces:
a. Para el caso de un experimento con reposición
Cada evento tendrá n oportunidades de ser escogido por tanto:

n(A1)x n(A2)xn(A3)x …n(Ak)= nxnxnx...n (k veces)

b. Para el caso de un experimento sin reposición

Cada evento tendrá una oportunidad menos de ser escogido por tanto:

n(A1)x n(A2)xn(A3)x …n(Ak)= (n)x(n-1)x(n-2)x ....x(n-k) (k veces)

03. PRINCIPIO DE LA ADICIÓN

Si los n eventos A1; A2;A3; …;Ak son disjuntos o mutuamente excluyentes tenemos:
k
n( A1  A2  A3 ... Ak )   n( Ai )
i 1

 Si A y B son dos eventos cualesquiera, entonces:

n(AB)=n(A)+n(B)- n(AB)
 Si A , B y C son tres eventos cualesquiera, entonces:
n(ABC)=n(A)+n(B)+n(C)-n(AB)-n(BC)-n(AC)+n(ABC)

04. VARIACIONES

A. VARIACIONES SIMPLES O SIN REPETICIÓN O PERMUTACIÓN LINEAL:

Llamado también variaciones de k objetos tomados de n objetos diferentes, a cada uno de los
arreglos u órdenes que se hagan con los k objetos, de manera, que estos arreglos difieran en algún
elemento o en el orden de colocación.

Si A= {a, b, c, d} entonces los arreglos de dos elementos será:

ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc

GUÍA DE ESTUDIOS 7 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

El número de variaciones diferentes:

n!
Vkn  n(n 1)(n  2)...(n  k  1) 
(n  k )!
Representa el número de k objetos tomados de n objetos distintos.
Esta fórmula nos dice que:
Existe n posibilidades para la primera posición.
Existen (n-1) posibilidades para la Segunda posición.
………
Existen (n-k+1) posibilidades para la k-ésima posición.

4!
Para el ejemplo anterior: V2  4 x3   12
4

(4  2)!

B. VARIACIONES CON REPETICIÓN

Es la variación de k objetos tomados de n objetos diferentes, donde en cada uno de los arreglos un
elemento puede repetirse una o más veces en los arreglos.

Si A= {a, b, c, d} entonces los arreglos de dos elementos será:

aa, ab, ac, ad, ba, bb, bc, bd,
ca, cb, cc, cd, da, db, dc, dd.

Número de variaciones con reposición:

Vkn  n.n....n  nk
k veces

Para el ejemplo anterior: V2

4
 2x2x2x2  24  16
05. PERMUTACIONES

a. Permutaciones simples:
Son variaciones de n objetos en n objetos distintos.

Si A= {a, b, c } entonces los arreglos de dos elementos será:

abc, acb, cab, cba, bca, bac.

NOTACIONES:
Vkn  Pkn  P( n,k )  n Pk
P( n,n )  P n  Pn

Número de Permutaciones:

Pn  Vnn  n.(n 1)(n  2)....2.1  n!

GUÍA DE ESTUDIOS 8 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
Número de formas diferentes de ordenar n objetos de manera que k (k<n) de ellos no estén
juntos es:

n ! k !(n  k  1)!

b. PERMUTACIÓN CIRCULAR:

Es un arreglo u ordenación de elementos diferentes alrededor de un objeto; en estas

ordenaciones no hay primer ni último elemento, por hallarse todos en una línea cerrada
imaginaria.

Ejemplo: Permutar A; B y C en forma circular.

Para determinar el número de permutaciones circulares de “n” elementos distintos (Pc),

basta fijar la posición de uno de ellos, los (n –1) restantes podrán ordenarse de (n –1) !
maneras. Si se toma otro elemento como fijo, las ordenaciones de las restantes serán seguro
uno de los ya considerados.
Luego: Pcn   n 1!

c. PERMUTACIÓN CON ELEMENTOS REPETIDOS

Es un arreglo u ordenación de elementos no todos diferentes.

Se tienen 3 bolas blancas y 2 negras, todas enumeradas del 1 al 5. ¿De cuántas maneras se
pueden ordenar en fila:
a. Según la enumeración.
b. Según el color.

Luego:
Si se tienen “n” elementos donde hay:
r1 elementos de la primera clase.
r2 elementos de una segunda clase.

rk elementos de una k-ésima clase.

El número de permutaciones diferentes con “n” elementos con repetición, se calcula como
sigue:
n!
P 
 n; r1; r2 ;....; rk   r1 ! x  r2 ! x .... x  rk !
Dónde: r1 + r2 + ... + : r k  n

APLICACIONES:

GUÍA DE ESTUDIOS 9 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

1. Un estante tiene capacidad para 8 libros de Teoría de Conjuntos de pasta azul; 5 de

Estadística de pasta roja y 4 de Probabilidades de pasta amarilla. ¿De cuántas maneras
pueden ordenarse los libros según los colores?.
2. Se tienen 10 banderas donde 2 son rojas; 3 blancas y 5 son azules. ¿De cuántas maneras se
pueden hacer señales poniendo todas las banderas en fila?
3. ¿De cuántas maneras se pueden ordenar las letras de la palabra ANALISIS?

06. COMBINACIONES:

Son los diferentes grupos que se pueden formar con parte o con todos los elementos diferentes de
un conjunto.
NOTA: En una combinación no interesa el orden de sus elementos.
Ejemplo: Si tenemos un conjunto de 4 elementos: A = a; b; c; d tenemos los siguientes
subconjuntos no vacíos:

Luego: el número de combinaciones de “n” elementos diferentes tomados de “r” en “r” se

calcula como sigue:

n!
Crn  ; 0rn
r ! n  r !
OBSERVACIONES:
1. C 0n 1 ; C 1n  n ; C nn 1
2. C nr  C nn- r
3. C 0n  C 1n  C n2 ........  C nn  2n

C. TEORÍA BÁSICA DE LA PROBABILIDAD

GUÍA DE ESTUDIOS 10 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
1.5 DEFINICIÓN DE PROBABILIDAD

La definición adecuada de probabilidad dependerá de la naturaleza del problema que se

está tratando de resolver.
01. PROBABILIDADES OBJETIVAS:
 Definición clásica o apriori.
 Definición de probabilidad por frecuencia relativa o aposteriori.
02. PROBABILIDAD SUBJETIVA.

1.5.1 DEFINICION CLÁSICA O A PRIORI

La probabilidad de ocurrencia del evento A, denotado por "P[A]" es la razón definida

por:
n número de casos favorables al evento A
P  A  A 
n número de casos posibles
Donde:
n  n : Es el número de elementos del espacio muestral (número total de sucesos)
nA : Es el número de elementos del evento A (o número de sucesos favorables)

OBSERVACIONES
1. La probabilidad de un evento cualquiera A está comprendido entre 0 y 1.
En efecto: y n son enteros positivos y 0  nA  1 , Dividiendo por n se tiene

 ; o 0  p  A  1
0 nA n

n n n
2. P[A] = 0, si A es un evento imposible.

0
En efecto: A   , entonces nA  0 , luego P  A  0
n
3. P [A] = 1, si A es el evento seguro.

n
En efecto: A   , entonces nA  n , luego P[A] =
=1
n
4. Para un experimento aleatorio con un espacio muestral   1 , 2 ,...., n  que
tienen n resultados igualmente probables, entonces los n elementos del
1
espacio muestral tendrán una la probabilidad de ocurrencia igual a , es decir:
n
n
p i   , i = 1, 2, ……,n Y p    p i   1
1
n i 1

5. Si A es un evento en  , entonces: p  A   P i  .

1A

GUÍA DE ESTUDIOS 11 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
1.5.2 DEFINICION POR FRECUENCIA RELATIVA O APOSTERIORI
Si un experimento bien definido se repite n veces (n grande); sea nA  n el número
de veces que el evento A ocurre en los n ensayos, entonces la frecuencia relativa
n
de veces que ocurre el evento A “ A ” , es la estimación de la probabilidad que
n
ocurra el evento A, o sea
n
P  A  A
n
Además en la última parte del párrafo anterior, la estimación de la probabilidad por
n
frecuencia relativa de un evento A, A se acerca a la verdadera probabilidad un
n
evento, cuando n aumenta indefinidamente, es decir:
n
P  A  lim A
n n
Naturalmente, en la práctica esto no es posible, sólo podemos buscar una
estimación máxima de P[A] basada en n grande.

OBSERVACIONES:
1. La frecuencia relativa de un evento, está comprendido entre 0 y 1. Por lo tanto
0  P  A  1.
0 nA
En efecto: Desde que 0  nA  n ;   1 , se tiene que
n n
 1. Luego, 0  P  A  1
nA
0
n

nA
2.  0 , si sólo si, en las n repeticiones del experimento el evento A nA  0 no
n
ocurre.
nA 0 n
En efecto: si A no ocurre nA  0 ,   0 inversamente si A  0 , entonces nA  0
n n n
.
Por lo tanto P [A] = 0 si, sólo si A no ocurre en las n repeticiones del experimento.
n
3. A  1 , si, sólo si el evento A ocurre en las n repeticiones del experimento. En
n
n
particular   1 .
n

En efecto: Si A ocurre en las n veces que se repite el experimento, entonces

nA n n
nA  n ; así   1. Inversamente, A =1, si n A  n , lo que significa que el evento
n n n
A ha ocurrido en las n repeticiones del experimento.
Por lo tanto P  A  1 , si, sólo si A ocurre en todas las repeticiones del experimento.

GUÍA DE ESTUDIOS 12 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
1.5.3 PROBABILIDAD SUBJETIVA

La probabilidad de un evento A, es el valor numérico que se cree (grado de creencia) debe

ser asignado a la ocurrencia del posible resultado del evento de un experimento aleatorio,
este valor se le asigna de acuerdo a la intuición personal del individuo, este valor cumple
con las siguientes exigencias

(1) P [A] = 0, representa la certeza que el evento A, no ocurrirá.

(2) P [A] = 1, representa la certeza que el evento A, si ocurrirá.
(3) 0 < P [A] < 1, representa el grado de certeza que el evento A, ocurrirá.

1.5.4 PROBABILIDAD FRENTE A APUESTAS

Haremos un estudio breve de la relación entre las apuestas a favor de un evento y su

probabilidad.

Sea A un evento cualquiera,

Si las apuestas son a:b a favor del evento A, entonces la probabilidad que ocurra el evento A es :
a
P  A 
ab
b
Si las apuestas son b:a en contra del evento A. Entonces, la probabilidad que no ocurra A es: P  A 
a b

PROBABILIDAD DEFINICIÓN AXIOMÁTICA

Definición: Sea  el espacio muestral ontenido a travez de un experimento aleatorio entonces la

probabilidad de cualquier evento A de , vendrá dado por el número real P(A) que satisface los
siguientes axiomas:
P1. P( A)  0
P2. P()  1

P3. Si A y B son dos eventos mutuamente excluyentes, entonces, P( A  B)  P( A)  P( B) .

TEOREMA 01: Si  es el evento imposible, entonces P()=0.
Obs: Si P(A)=0 no necesariamente A= 
TEOREMA 02: Si Ac es el evento complemento, entonces P(A)=1-P(Ac).
TEOREMA 03: Si Ac es el evento complemento, entonces P(A)=1-P(Ac).
TEOREMA 04: Si A y B son dos eventos donde AB, entonces P(A) P(B).
Obs:
 Para todo evento A, se verifica que:
A; entonces P()  P(A)  P(), por tanto, 0  P(A)  1.
 Si A y B son dos eventos cualesquiera, entonces, P( A  B)  P( A)  P( B)  P( A  B) .
 Si A , B y C son tres eventos cualesquiera, entonces,
P( A  B  C )  P( A)  P( B)  P(C )  P( AB)  P( AC )  P( BC )  P( ABC )

GUÍA DE ESTUDIOS 13 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

CÁLCULO DE PROBABILIDADES:

a. Cuando el espacio muestral es finito:

Sea   w1; w1;...; wn  un espacio muestral finito de n elementos. Este espacio muestral puede ser
expresado como la unión (disjunta) finita de sus eventos elementales wi  , es decir:
 n  n
i    P wi   1
n
  wi  Donde P  w 
i 1  i 1  i 1
Si todos los eventos elementales wi  son igualmente posibles (o equiprobables) y P wi   p
entonces p.n=1 de donde p=1/n.

Si A es un evento cualquiera con k puntos muestrales (0kn) del espacio equiprobable 

entonces la probabilidad de A es el número:
1 1 1 n( A) Casos favorables a A
P( A)    ...   
n n n n() Casos posibles
b. Cuando el espacio muestral es infinito numerable.
Sea   w1; w1;...; wn ;... un espacio muestral infinito numerable. Este espacio muestral puede ser
expresado como la unión (disjunta) infinita de sus eventos elementales equiprobables o no wi  ,
es decir:

  
  wi  de donde   i     P wi   1
P w
i 1  i 1  i 1

Si A es un evento cualquiera con k puntos muestrales del espacio equiprobable  entonces la

probabilidad de A es el número:
P( A)   P w 
wi A
i

c. Cuando el espacio muestral es continuo:

Sea A cualquier evento de un espacio muestral continuo , tal que la medida (longitudinal o área)
m( A)
de A, m(A), exista. Entonces, la probabilidad de A es el número: P( A) 
m()

TEOREMA DE BAYES:

Es un método que nos permite calcular la probabilidad de que un evento que ya ocurrió sea
resultante de alguna causa para ello consideremos:

GUÍA DE ESTUDIOS 14 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

A) Partición de un espacio muestral

Sea  un espacio muestral formada por una colección de n eventos A1, A2 ,, An mutuamente
n
excluyentes y cuya unión es el espacio muestral, es decir   A1  A2  ...  Ai  ...An  Ai ,
i 1

tales que
verifican las siguientes condiciones: P( Ai ) O , para cada i 1, 2,, n
Ai  Aj   i  j .

n
Ω   Ai         ó
i 1
P  A   1 ; Entonces se dirá que  está particionado en n eventos
i 1
i

Esquemáticamente:

B) Probabilidad Total
Si n eventos A1, A2 ,, An constituye una partición de un espacio muestral , entonces para
cualquiera evento B en  la probabilidad total P(B):
n n
P  B   P  Ai B  P  B   P  Ai   P  B|Ai 
i 1 i 1

P  Ai   P  B|Ai 
C) Teorema de Bayes: P  Ai |B  
P( B)

GUÍA DE ESTUDIOS 15 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

DEFINICIONES PROBABILÍSTICAS APLICADAS A LA INGENIERÍA:

Formulas Probabilidad
empíricas acumulada
experimental P Donde:
Weibull m P: Probabilidad experimental acumulada o frecuencia relativa
mn empírica.
California m m: número de orden de los datos ordenados
n: número de datos
n a: valor comprendido entre cero y uno, depende de n según la
Hasen 1
m tabla siguiente:
2
n n 10 20 30 40 50 60 70 80 90 100
Chegadayev m  0.3 a 0.448 0.443 0.442 0.441 0.440 0.440 0.440 0.440 0.439 0.439

n  0.4
Blom m  1/ 8
n  1/ 4
Tukey 3m  1
3n  1
Gringorten ma
n  1  2a

Periodo de retorno: Es el intervalo promedio de tiempo en años dentro del cual un evento de magnitud x puede ser
igualado o exedido, por lo menos una vez en promedio.
1 1
T ó T
P  X  x 1 P x  X 

Riesgo:

n
 1
R  1  1  
 T

GUÍA DE ESTUDIOS 16 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH

Variable aleatoria y función de distribución

  {w1; w2 ; w3 ;....; w j ;.....; wn } Evento A: A  {wj  / xi  X ({wj })  B} ó A  {wj }

Rx  {X ({w1}); X ({w2 }); X ({w3});....; X ({wi });.....; X ({wn})} Cálculo de la probabilidad de la ocurrencia del evento A
Rx  {x1; x2 ; x3 ;....; xi ;.....; xn } P( A)  
w j A
p({w j })
Rx  {xi  R / xi  X ({wi }), wi }
f ( x)  PX ({x})  P( X  x) En términos de x, Es la Notaciones: P( A)  P({wj })
probabilidad de ocurrencia del evento {x}. Evento B en Rx:
f ( x)  P({w}) : En términos de w, Es la probabilidad de B  {xi  R / xi  X ({wj }), wj  A} ó B  {xi }
ocurrencia del evento {w}. Cálculo de la probabilidad de la ocurrencia del evento B
f ( x)  PX ({x})  P( X  x)  P({w}) representan la
misma probabilidad
PX ( B)  
xi B  Rx
p({w j })

Notaciones:
PX (B)  PX ({xi })  P( xi  X ({wj }))  P( xi  X )
Conciciones: P( A)  PX (B)

FUNCIONES DE DISTRIBUCIÓN:

A. CASO DISCRETO B. CASO CONTINUO

a. Función de Probabilidad a. Función de Densidad

GUÍA DE ESTUDIOS 17 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
i f ( x )  P( X  x )  0 * f :   0,1
i f(x)  0  x  
n
ii  f ( xi )   P( X  xi )  1
+
i 1

ii 
Rx
f ( x)dx  1  
-
f ( x)dx  1
iii  f (x )  1
i 1
i iii P( A)  P  x  A   f ( x)dx 
A

Si A  {x / a  x  b} entonces
P( A)  P  a  x  b   f ( x)dx
b

b. Función de Distribución Acumulada b. Función de Distribución ó de

Probabilidad
F ( x )  P  X  x    P( X  k )   f ( k )
k x k x

F ( x)  P  X  x   f (t )dt  x 
x
con -  x   ó x 

0, -  x  xi

F ( x)   f ( xi ) xi  x<xi 1
1 x n  x  

c. Valor esperado: ó Esperanza Matemática c. Valor esperado: ó Esperanza
ó de media de la v.a “x” y denotado por: Matemática ó de madia de la v.a y se
denota por  =x  E ( x)
 =x  E ( x)
n
 =  xi f ( xi ) numerable +
  - xf ( x)dx
xi  x


 =  xi f ( xi ) no numerable
xi  x

d. Variancia: se denota por d. Variancia: se denota por

 2 ; x2 ;var( x);V ( x)  2 ; x2 ; var( x);V ( x)
+
 2  E ( x   )2    ( x   )2 f ( x)dx
n
 2  E ( x   )2    ( xi   )2 f ( xi ) numerable
-
i 1

var( X )  E( X 2 )   2
 2  E ( x   )2    ( xi   )2 f ( xi ) no numerable
i 1

e. Propiedades e. Propiedades
i E (ax  by)  aE ( x)  bE ( y) Si X,Y son va. y a,b,c,cts entonces la varianza
ii si x1 ;x 2 ;...;x n son v.a. entonces V  ax  by  c   a 2 V  x  +b2 V  y 
n  n *La mediana (Me)es cuando P(X  Me)=0.5
E  a i xi  = a i E ( xi ) *La moda es el punto máximo de f(x) i.e cuando
 i 1  i 1
n f´(X)=0
ii si E( x1 .x 2 ....x n )  E( xi ) entonces
i 1
n n
E ( xi )   E ( xi )
i 1 i 1

A. CASO DISCRETO

a. Función de Probabilidad

GUÍA DE ESTUDIOS 18 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
i f ( x )  P( X  x )  0
n
ii  f ( xi )   P( X  xi )  1
i 1

iii  f (x )  1
i 1
i

b. Función de Distribución Acumulada

F ( x )  P  X  x    P( X  k )   f ( k )
k x k x

con -  x   ó x 
0, -  x  xi

F ( x)   f ( xi ) xi  x<xi 1
1 x n  x  

c. Valor esperado: ó Esperanza Matemática ó de media de la v.a “x” y denotado por:

 =x  E ( x)
n
 =  xi f ( xi ) numerable
xi  x


 =  xi f ( xi ) no numerable
xi  x

d. Variancia: se denota por  2 ; x2 ;var( x);V ( x)

n
 2  E ( x   )2    ( xi   )2 f ( xi ) numerable
i 1

 2  E ( x   )2    ( xi   )2 f ( xi ) no numerable
i 1

e. Propiedades
i E (ax  by)  aE ( x)  bE ( y)
ii si x1 ;x 2 ;...;x n son v.a. entonces
n  n
E  a i xi  = a i E ( xi )
 i 1  i 1
n
ii si E( x1 .x 2 ....x n )  E( xi ) entonces
i 1
n n
E ( xi )   E ( xi )
i 1 i 1

B. CASO CONTINUO
a. Función de Densidad

* f :   0,1
i f(x)  0  x  
+
ii Rx
f ( x)dx  1  
-
f ( x)dx  1

iii P( A)  P  x  A   f ( x)dx 
A

Si A  {x / a  x  b} entonces
P( A)  P  a  x  b   f ( x)dx
b

b. Función de Distribución ó de Probabilidad

F ( x)  P  X  x   f (t )dt  x 
x



GUÍA DE ESTUDIOS 19 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
c. Valor esperado: ó Esperanza Matemática ó de madia de la v.a y se denota por
 =x  E ( x)
+
  - xf ( x)dx
d. Variancia: se denota por  2 ; x2 ; var( x);V ( x)

+
 2  E ( x   )2    ( x   )2 f ( x)dx
-

var( X )  E( X )  
2 2

e. Propiedades
Si X,Y son va. y a,b,c,cts entonces la varianza
V  ax  by  c   a 2 V  x  +b2 V  y 
*La mediana (Me)es cuando P(X  Me)=0.5
*La moda es el punto máximo de f(x) i.e cuando
f´(X)=0

A).-DISTRIBUCIONES DISCRETAS
01 DISTRIBUCIÓN DE BERNULLI
Es aquél experimento que consta de sólo dos resultados de interés éxito (E) y fracaso (F):
01. Espacio muestral:
 ={E; F}

02. Variable aleatoria:

X: El éxito del experimento.

El fracaso del experimento

03. Rango:
Rx :{0,1}
04. Función de probabilidad: P( X  x)  Px .q1x , x  0,1
05. función de probabilidad acumulada
0 si x<0)

F ( X )  q si 0  x  1
1 si x>1

06. La media y la varianza esperada
E(X)=  =p, V(X)=  2 =p.q
07. Observaciones:

p = probabilidad de éxito
(lo que pide la variable aleatoria)

q = 1-p = probabilidad de fracaso.

02 DISTRIBUCIÓN BINOMIAL
Se Denota por B(n;p) y Consiste en realizar un número “n” fijo de experimentos independientes de
Bernullí, con 2 respuestas c/u E ó F.

-Las n pruebas son independientes (con reposición)

GUÍA DE ESTUDIOS 20 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
-Los 2 resultados de c/ prueba son mutuamente excluyentes.
-La prob. p de éxito es invariante en c/u de las
pruebas.
X: # de E ó F
01. Espacio muestral:
  {(1 ; 2 ;...;  n ) / i  E ó F}
n resultados bernulli

02. Variable aleatoria:

X: # de E ó F

03. Rango:
Rx :{0;1;2;...; n}
04. Función de probabilidad: P( X  x)   n  p x qn x , x  0,1..n
 x
 
05. función de probabilidad acumulada
 0 si x<0

 x n se considra un

F ( X ) pk q nk intervalo de la forma
k 0k  
 xxx1
 1 si x10

06. La media y la varianza esperada

*E(x)=np V(x)=np(1-p) p,q cts.

03 DISTRIBUCIÓN GEOMÉTRICA
Es la distribución que consiste en realizar repetidas veces un experimento aleatorio (independiente
Bernullí) hasta obtener el primer éxito. (El número de ensayos no es fijo)
Se denota por X G( p)
01. Espacio muestral:

  {E; FE; FFE;.....}

02. Variable aleatoria:
X: #de ensayos hasta obtener el primer éxito.
A esta va. Se le conoce como va. Geométrica.
03. Rango:
Rx :{1;2;3;...}
04. función de probabilidad acumulada
P( X  x)  pq1x , x  1;2;3..
05. función de probabilidad acumulada
 0 si x<0
 x
p
F ( X ) q k si 0x<1
 q k 0
 1 si x10

06. La media y la varianza esperada

1 q
E(X)= ; 2  2
p p
07. Observaciones:

GUÍA DE ESTUDIOS 21 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
*La distribución geométrica es decreciente, es decir, p(x) < p(x-1) para x =2;3:4;…

* P  X  a  q , a 
a 
, q  1 p

*Propiedad de la memoria

P  X  x  r / X  r   P  X  x

04 DISTRIBUCIÓN BINOMIAL NEGATIVA Ó DE PASCAL

REC: consiste en hacer repetidos experimentos aleatorios de bernullí hasta obtener el éxito número
“r”
r veces r 1 veces fijo r 1 veces fijo

  {EE..E ; EE...E F E ; EE...E FF E ;....

r 1 veces x r veces fijo

.........; EE...E FF...F E }

X: # de veces que se repite el ensayo hasta obtener el r-ésimo éxito.
RX  r; r 1; r  2;.....
 x  1 r x r
P( X  x )    p q , x  ri ; ri 1;....
 r 1 
r rq
E(X)= = ;V (X)= 2  2
p p

*Los resultados pueden salir en cualquier orden y siendo el último “E” el cual vendrá a ser el
término r-ésimo.

05 DISTRIBUCIÓN MÚLTINOMIAL
Se da cuando se realiza “n”ensayos o experimentos aleatorios y se pide la prob. de que:
E1 ocurra x1i veces  dentro de los
E 2 ocurra x 2i veces  "n" ensayos


E k ocurra x ki veces 
entonces tendremos la variable multinomial.
X i : # de veces que el evento E i ocurre el las n repeticiones del experimento, i = 1,2,…,k
X i : #Ei de veces eventos E(Xi ) = npi ; V(Xi ) = npi qi
R Xi  {0,1, 2,...., n} i =1,2,...k
P( x1 ; x2 ;.....; xk )  P  X  x1 ; X  x2 ;.....; X  xk 
= P  E1  x1 ; E2  x2 ;.....; Ek  xk 
n!
= p1xx p 2x2 ...p kxk
x1 !; x2 !;.....; xk !
06 DISTRIBUCIÓN HIPERGEOMÉTRICA
Consiste en escoger una muestra de tamaño n sin reposición, de N elementos ó posibles resultados
dónde r de los cuáles pueden clasificarse cómo éxitos, y los N-k como fracasos, dónde denotaremos:
N: # total de elementos de una población
k : # de éxitos N-k: # de fracasos n: #de ensayos
X:# de éxitos en la muestra de tamaño “n”
R x  {0,1, 2,...n}
 k  N  k  p  k ; q  1  p
 x  n  x  n
P( X  x)    
N n
N E ( X )  np;V ( X )  npq
n  N 1
 

07 DISTRIBUCIÓN HIPERGEOMÉTRICA MÚLTIVARIABLE

Tenemos una muestra de N objetos N  a1  a2  ...  ak

GUÍA DE ESTUDIOS 22 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
Siendo: k = # de grupos, dónde los elementos de c/ uno de los grupo son diferentes a los elementos
de los otros grupos.
Se sacan “n” objetos de N, donde c/ objeto tienen k posibles resultados y los resultados son
dependientes.
X: # de objetos del i-ésimo tipo.
R x  {0,1, 2,...n}

P( x1 ; x2 ;.....; xk )  P(E1 ; E 2 ;......:E k )

= P  X  x1 ; X  x2 ;.....; X  xk 
 a1  a2   ak 
   ...  
  1  2   k 
x x x
N
n 
 

08 DISTRIBUCIÓN DE POISSON
  x e 
 ; x=0,2,3,....
f ( x)  P[ X  x]   x !
0
 ; eoc
 2  
-   0 , es el parámetro.
-Se aplica en problemas dónde X es el número de eventos que ocurre en un intervalo de tiempo.

B).-DISTRIBUCIONES CONTINUAS

1).-DISTRIBUCIÓN UNIFORME
 1
 ; a xb
f ( x)   b  a
0 ; eoc
xa
F ( X )  P  X  x 
ba
ab
  E( X ) 
2
(b  a)2
  Var ( X ) 
2

12
2).- DISTRIBUCIÓN EXPONENCIAL
 e x ; 0  x
f ( x)  
0 ; eoc
F ( X )  P  X  x   1  e  x
1
  E( X ) 

1
 2  Var ( X ) 
2
3).-DISTRIBUCIÓN GAMMA
 β  -1   x
 x e ; x0
f ( x)   (α)
0
 ; eoc
 β  -1   x
F ( X )  P[ X  x]   x e
0 (α)
α α
μ= ,σ2  2
β β
α y β son constantes positivas
4).-DISTRIBUCIÓN NORMAL

GUÍA DE ESTUDIOS 23 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
NOT : X  N ( ,  2 ) E( X )  
 1 1  x 
2
   VAR (X )   2
 e 2    ; -  x  
f ( x)   2

0 ; eoc
1  x 
2

1  
F ( X )  P  X  x    
x
e 2

 2
 Es simétrica con respecto al eje vertical, por eso f (  x)  f (  x) .
 Tiene al eje X como asíntota horizontal
 Tiene puntos de inflexión en x     ; y x    
por tanto es cóncava hacia abajo en     x     y cóncava hacia arriba en el resto.

5).-DISTRIBUCIÓN NORMAL ESTANDAR

Es la forma estándar de la distribución normal dónde X  , y  ,  son parámetros de X, y el  , 
Z

para Z son   0,  1 .
NOT  N (  0,   1)
1
1  2 z2
f (Z )  e
2
Z 1
1  z2
 2 e dZ
F (Z )  P[Z  z ] 

2

 El uso de las tablas se basa en la distribución Normal Estándar Z.

P[Z  a]  (a)
*
P[Z  a]  1  (a)
P[a  Z  b]  (b)  (a)
P[a  Z  a]  2(a)  1  2 P[ Z  a]  1

6).-DISTRIBUCIÓN CHI CUADRADA

  2r r x
 2 x 2 1e 2 ; 0  x

f ( x )   ( r )
 2
0
 ; x< 0
μ=r;σ2 =2r
r es un entero positivo, es el grado de libertad
7).-DISTRIBUCIÓN “T “ STUDENT r 1
[ ] 2 (
r 1
)

f ( x)  2 1  t  2 ,   t  
r  
( ) rπ 
r
2
r
μ= 0;σ2 = , r  2
r-2
 r entero positivo llamado grado de libertad.
 T  t (r)
 Si Z  N (o;1) y V  χ 2 (r) son v.a.
Z tiene una Dist. “T “ STUDENT
T 
V
r

8).-DISTRIBUCIÓN F DE FISCHER-SNEDECOR
r1
 r1  2  r1  r2 
   
r1
1
 2 
f ( x)   2 
r x2
. r1  r2
,0  t  
r  r 
  1    2   r1 x  2
 2   2  1  
 r2 
 r1 y r2 , son enteros positivos llamados, grados de libertad

GUÍA DE ESTUDIOS 24 Mg. AGUILAR ALTAMIRANO, Erick

 ESTADÍSTICA UNSCH
 Not: F  F (r1 , r2 )
 Si U  χ 2 (r1 ) ; V  χ 2 (r2 ) son v. a
 X  Ur2 tiene distribución F con r1 y r2 como grados de libertad.
Vr1

GUÍA DE ESTUDIOS 25 Mg. AGUILAR ALTAMIRANO, Erick