CONCEPTOS DEPROBABILIDAD

• EXPERIMENTO ESTADISTICO:
Proceso que induce a que ocurra una y solo una de
varias observaciones.
a) Se conoce todos los resultados posibles
b) Cualquier realización del experimento conduce a
un resultado que no se conoce de antemano pero
es uno de los posibles resultados.
c) El experimento puede ser repetido bajo
condiciones similares
• RESULTADO: Un Resultado particular de un
experimento.
• EVENTO: Conjunto de uno o mas resultados de
un experimento.
PROBABILIDAD
La probabilidad es La posibilidad numérica de
que ocurra un evento. La probabilidad de un
evento es medida por valores comprendidos
entre 0 y 1. Entre mayor sea Ia probabilidad de
que ocurra un evento, su probabilidad asignada
estara mas próxima a 1. La probabilidad de
certeza es 1. La probabilidad de una
imposibilidad es 0.
•
PROBABILIDAD CLASICA: La probabilidad clásica
parte del supuesto de que todos los resultados de
un experimento son igualmente posibles.
P(E) = Numero de resultados favorables
Numero de posibles resultados
MUTUAMENTE EXCLUYENTE: El hecho de que un
evento se presenta significa que ninguno de los
eventos puede ocurrir al mismo tiempo.

COLECTIVAMENTE EXHAUSTIVO: Por lo menos uno

de los eventos debe ocurrir cuando se lleva un
experimento.
Si cumple las dos condiciones anteriores la suma de
las probabilidades es igual a 1.
• PROBALIDAD EMPIRICA: La probabilidad de que un evento
ocurra representa una fraccion de los eventos similares que
sucedieron en el pasado.
P(E) = Numero veces que el evento ocurre
Numero total de observaciones

REGLAS PARA CALCULAR PROBABILIDADES

REGLA DE LA ADICION. Para eventos mutuamente
excluyentes.
P(AoB) = P(A) + P(B)
P(AoBoC) = P(A) + P(B)+P(C)
EJ. En una un grupo muestras enviadas a laboratorio la
mayoría de muestras contienen el peso correcto, aunque por
la variación de la humedad un paquete podría variar; una
revisión de 4000 muestras arroja resultados menos peso 100
muestras, mas peso 300 muestras, ¿cual es la probabilidad de
que el paquete tenga mayor o menor peso?
REGLA DEL COMPLEMENTO.- Se emplea para determinar
la probabilidad de que un evento ocurra restando de 1 la
probabilidad de que un evento no ocurra.
P(A) = 1 – P(nA)
Cual es la probabiliad que las muestras tengan el peso
correcto en el problema anterior

PROBABILIDAD CONJUNTA.- Probabilidad que mide la

posibilidad de que dos o mas eventos sucedan
simultaneamente.
P(AoB) = P(A) + P(B)-P(AyB)
De 200 turistas que visitaron el Peru la encuesta revelo
que 120 fueron a Arequipa y 100 a Cusco, cual es la
probabilidad de que un turista haya visitado Cusco o
Arequipa…..
• REGLA DE LA MULTIPLICACION:
REGLA ESPECIAL DE LA MULTIPLICACION: Esta regla
contempla que 2 eventos sean independientes, y si lo
son el hecho de que ocurra un evento no altere al otro
evento.
INDEPENDENCIA. Si un evento ocurre, no tiene ningun
efecto sobre la posibilidad de que otro acontezca.
P(AyB) = P(A)P(B)
Ejemplo: En una encuesta llevada a cabo por una
compañía de viajes revelo que el 60% de los miembros
hizo reservaciones el mes pasado, 2 de ellas fueron
seleccionados al azar cual es la probabilidad de que
ambos hicieran reservaciones el mes pasado.
• Un Camion minero de 450 TN de carga usa
llantas Michelini llenas con nitrogeno, la
probabilidad de que una llanta llegue a un
tiempo de vida de 10 000 horas antes que se
Quede lisa o falle es de 0.8 cualquier llanta
que no llegue a las 10 000 horas se le hace
arreglos usted tiene cuatro llantas Michelini
cual es la probabilidad de que las cuatro
llantas lleguen a un tiempo de vida de 10 000
horas.
• REGLA GENERAL DE LA MULTIPLICACION
Si dos eventos no son independientes entonces
son dependientes.
PROBABILIDAD CONDICIONAL Probabilidad de
que un evento en particular ocurra, dado que
otro evento haya acontecido.
P(AyB) = P(A) P(AIB)
Cual es la probabilidad de seleccionar 2
camisetas de color blanco de un grupo de 12 de
los cuales 3 son azules y el resto blanco.
 Torema de Bayes
P(A1) P(B/A1)
P(A1/B) =---------------------------------------
P(A1) P(B/A1) +P(A2) P(B/A2)
1.-La maquina A1 produce insumos el 60% de la producción
total, y Ia maquina A2 produce el restante 40%. El 2% de las
unidades producidas por A1 son defectuosas, mientras que
A2 tiene una tasa de defectos del 4%. se desea saber la
probabilidad de que un insumo se defectuoso proveniente de
la maquina A1.
2.-El departamento de personal de una empresa ha
descubierto que solo el 60% de los candidatos entrevistados
están realmente calificados (Q) para asumir un cargo en la
compañía. Una revisión de los registros de la firma muestra
que quienes estaban calificados, el 67% tuvo un
entrenamiento previo en estadística (T), mientras que el 20%
de quienes no estaban calificados habían recibido
instrucción estadística mucho antes. La pregunta entonces
seria, restringir las entrevistas solo a aquellos candidatos
que tengan capacitación en análisis estadístico.
Variable aleatoria: es una variable cuyo valor es el resultado de un
evento aleatorio. Se supone que se Lanza una moneda tres veces y se
anota el numero de caras que se obtienen. Los posibles resultados son 0,
1 , 2 , 3 caras. La variable aleatoria es el numero de caras que se
obtienen, y los posibles resultados son los valores de Ia variable aleatoria.
las variables aleatorias pueden ser discretas o continuas.
Una variable aleatoria discreta: Puede asumir solo ciertos valores,
con frecuencia números enteros, y resulta principalmente del
conteo.
Una variable aleatoria continua: Resulta principalmente de Ia
medición y puede tomar cualquier valor, al menos dentro de un
rango dado.
Una distribución de probabilidad.- Es un despliegue de todos los posibles
resultados de un experimento junto con las probabilidades de cada
resultado. Ia probabilidad de lanzar una moneda tres veces y de obtener
cara es .
 Media y Ia varianza de las
distribuciones discretas
Media o valor esperado: La media aritmética de
una distribución de probabilidad se llama el valor
esperado E(X), y se halla multiplicando cada
resultado posible por su probabilidad y sumando
los resultados.
JL = E(X) = [(x)P(x)].
Valor esperado El valor esperado de una
variable aleatoria discreta es Ia media ponderada
de todos los posibles resultados en los cuales los
pesos son las probabilidades respectivas de tales
resultados.
 Distribución binomial
Cada ensayo en una distribución binomial termina en solo
uno de dos resultados mutuamente excluyentes, uno de
los cuales se identifica como un éxito y el otro como un
fracaso. La probabilidad de cada resultado permanece
constante de un ensayo al siguiente.

Consideremos la siguiente situación: un gerente de crédito

de American Express ha descubierto que 10%de los
usuarios de tarjeta no paga el monto completo de la
deuda durante un mes dado. Desea determinar la
probabilidad que de 20 cuentas seleccionadas de manera
aleatoria 5 de las cuentas no sean pagadas.
Consideremos otro ejemplo de distribución
binomial. Se tiene que el personal de ventas de
Widgets, Inc., hace una venta al 15% de los clientes
a los que visitan. Si un miembro del personal de
ventas llama a 15 clientes hoy ¿cual es la
probabilidad de que venda exactamente dos
aparatos?
La tabla binomial incluye los valores de n solo hasta
0.5. ¿Que debe hacerse si la probabilidad de un
éxito es mayor? Supongamos que el 70% de todos
los residentes de Flatbush tiene sus computadores
enlazados con internet. ¿Cual es la probabilidad de
que de los 10 residentes seleccionados
aleatoriamente, 6 estén conectados?
 La media y la varianza de una distribución binomial

Distribuciones binomiales acumuladas

El 40% de todos los estudiantes trabajan durante el verano para
ganar dinero para la educación universitaria correspondiente al
siguiente periodo de otoño. Si 7 bachilleres se seleccionan de
manera aleatoria, ¿cual es la probabilidad de que 3 o menos
estudiantes trabajaron; mas de 5 trabajaron; 3 y 5 inclusive
trabajaron; 3 o menos trabajaron considerando que el 80% de los
estudiantes trabajaron?
 La distribución hipergeometrica
La distribución binomial es apropiada solo si la probabilidad de un
éxito permanece constante para cada intento. Esto ocurre si el
muestreo se realiza con reemplazo o de una población finita (o muy
grande). Sin embargo, si Ia población es pequeña y ocurre el
muestreo sin reemplazo, la probabilidad de un éxito variara.
 La distribución de Poisson
Una variable aleatoria discreta de gran utilidad en la
medición de la frecuencia relativa de un evento sobre alguna
unidad de tiempo o espacio es la distribución de Poisson.
Con frecuencia se utiliza para describir el numero de
llegadas de clientes por hora, el numero de accidentes
industriales cada mes, el numero de conexiones eléctricas
defectuosas por milla de cableado en un sistema eléctrico de
una ciudad.
Son necesarios dos supuestos para la aplicacion de la
distribucion de Poisson:
• La probabilidad de ocurrencia del evento es constante
para dos intervalos cualesquiera de tiempo o espacio.
• La ocurrencia del evento en un intervalo es independiente
de la ocurrencia de otro intervalo cualquiera.
 DISTRIBUCIONES CONTINUAS
La distribución exponencial
La distribución de Poisson es una distribución discreta que mide el
numero de ocurrencias sobre algún intervalo de tiempo o espacio.
Por el contrario, la distribución exponencial es una distribución
continua. Mide el paso del tiempo entre tales ocurrencias. Si el
numero de ocurrencias tiene distribucion de Poisson, el lapso entre
las ocurrencias estara distribuido exponencialmente.
• Los camiones llegan al puerto de carga a una tasa de
µ=2 por hora. l Cual es la probabilidad de que no mas
de 30 minutos transcurran entre llegadas?
• Taxitour programa sus taxis para que lleguen al
aeropuerto local en una distribución de Poisson con
una tasa promedio de llegada de 12 por hora. Usted
acaba de aterrizar en el aeropuerto y debe llegar al
centro de Arequipa a cerrar un gran negocio. ¿Cual es
la probabilidad de que usted tenga que esperar
máximo 5 minutos para conseguir un taxi? Si jefe no
tolerara la falla, de manera que si la probabilidad de
que pase otro taxi dentro de 5 minutos es menor al
50%, usted tomara otro taxi que probablemente no le
garantice la seguridad.
 La distribución normal
De todas las distribuciones de probabilidad que se
analizaran, la distribución normal es la mas importante. su
característica simétrica en forma de campana y la forma
como se relacionaba con la regla empírica. es una
distribución continua. Se utiliza para reflejar la distribución
de variables tales como estaturas, pesos, distancias, leyes y
otras medidas que son divisibles infinitamente. Tales
variables continuas generalmente son el resultado de la
medida.
 La desviación normal
Puede existir un numero infinito de distribuciones normales
posibles, cada una con su propia media y su desviación estándar.
Ya que obviamente no se puede analizar un numero tan grande
de posibilidades, es necesario convertir todas estas
distribuciones normales a una forma estándar. Esta conversión
a la distribución normal estándar se efectuara con la formula de
conversión (o formula- Z)
En donde Z es la desviación normal y X es algún valor
especifico de la variable aleatoria, cuando X= 67 y a= 2

Calcular la probabilidad de que un valor de x = 69 y x ≥ 69

 = P(O ≤ Z ≤1) = 0.3413

Calcular la probabilidad de
 DISTRIBUCIONES MUESTRALES
Generalmente las poblaciones son demasiado
grandes como para ser estudiadas en su
totalidad. Es necesario seleccionar una muestra
representativa de un tamaño mas manejable.

La estadística inferencial involucra el uso de un

estadístico para sacar una conclusión o inferencia
sobre el parámetro correspondiente.
se tiene una población de N = 4 ingresos para cuatro
estudiantes universitarios. Estos ingresos son de
US$100, US$200, US$300 y US$400. El ingreso
promedio puede calcularse como µ = US$250.. Como
alternativa, se decide seleccionar una muestra de n = 2
observaciones para estimar el µ desconocido Se podría
entonces seleccionar aleatoriamente una muestra 4C2
= 6 posibles muestras
68, 73, 65, 80 y 72. Asumiendo que estos cinco valores
constituyen Ia población, µ=71.6. tomando una muestra
de tamaño n = 3. Se espera que el error de muestreo que
es probable sea pequeño
Realice la distribución maestral y haga comentarios
sobre el posible error de muestreo
muestreo se realiza con reemplazo, o si la muestra se toma de una
población muy grande virtualmente infinita.

Si el muestreo se realiza sin

reemplazo y si el tamaño de la
muestra es mas del 5% de la
población, n > 0.05N
 Estimación con intervalos de confianza
Actualmente se debe estar bien consciente de que las poblaciones
son generalmente muy grandes como para ser estudiadas en su
totalidad.
Su tamaño requiere que se seleccionen muestras, las cuales se
pueden utilizar mas tarde para hacer inferencias sobre las
poblaciones.
Hay por lo menos dos tipos de estimadores que se utilizan mas
comúnmente para este propósito: un estimador puntual y un
estimador por intervalo.
Un estimador puntual utiliza un estadístico para estimar el
parámetro en un solo valor o punto.
Una estimación por intervalo especifica el rango dentro del cual
este el parámetro desconocido.
En realidad hay tres niveles de confianza relacionados comúnmente
con los intervalos de confianza: 99, 95, y 90%.

Intervalo de confianza
Un intervalo de confianza tiene un limite inferior de confianza (LIC) y
un limite superior de confianza (LSC). Estos Iimites se hallan
calculando primero la media muestral luego se suma una cierta
cantidad a para obtener el LSC, y Ia misma cantidad se resta de
para obtener el LIC.
Intervalo de confianza para Ia media poblacional Muestras grandes
acaba de registrar las declaraciones de impuestos de sus clientes.
Desea estimar la cantidad promedio que deben al Servicio de Renta
interna. De los 50 clientes que selecciono en su muestra, la cantidad
promedio que se adeudaba era de US$652.68. Ya que la desviación
estándar de todos sus clientes σ es desconocida, debe estimar σ con
la desviación estándar de la muestra s = US$217.43. Si se desea un
nivel de confianza del 99%.
 El concepto de prueba de hipótesis
Para realizar una prueba de hipótesis, se hacen algunas inferencias
o supuestos con sentido acerca de la población. Se plantea la
hipótesis nula (Ho ) se prueba contra la hipótesis alternativa (HA )
que establece lo contrario.
Con base en los datos muéstrales, esta hipótesis nula es rechazada
o no rechazada. Nunca se puede "aceptar" Ia hipótesis nula como
verdadera. EI no rechazo de la hipótesis nula solamente significa
que la evidencia muestral no es lo suficientemente fuerte como
para llevar a su rechazo.
Un embotellador de bebidas plantea la hipótesis que el contenido
promedio es de 16 onzas (µ = 16). Esta hipótesis nula (Ho:) se
prueba contra la hipótesis alternativa (HA :) que establece lo
contrario. En este caso, el contenido promedio no es de 16 onzas
(µ≠16).
• Se asume que se toma una muestra de n botellas y se halla
una media de X = 16.15 onzas. Se puede concluir que Ia
media poblacional no es 16? Después de todo, 16.15 no es
16. Esta pequeña diferencia podría ser estadísticamente
insignificante puesto que podría explicarse fácilmente como
un simple error de muestreo. 16.15 no es lo suficientemente
fuerte como para desencadenar un rechazo de la hipótesis
nula de que µ=16.
• Diferencia estadísticamente insignificante Es Ia diferencia
entre el valor de Ia media poblacional bajo Ia hipótesis y el
valor de Ia media muestral que es lo suficientemente
pequeña como para atribuirla a un error de muestreo
• La regla empírica dice que el 95% de las en la distribución
de muestreo están a 1.96 errores estándar de la media
poblacional desconocida
Los niveles de significancia, o valores a, comúnmente seleccionados
para pruebas de hipótesis son del 10%, 5% y 1%.