Distribuciones de probabilidad

Cada uno de los eventos de una variable aleatoria discreta representa eventos
mutuamente excluyentes. Si la variable aleatoria es variante entonces los
eventos representados por (x_1, x_2) son eventos mutuamente excluyentes
también.

Es posible construir las funciones de probabilidad uní variadas conociendo la

función de distribución multivariada haciendo la unión de todas las
posibilidades existentes de los eventos mutuamente excluyentes para las
demás variables aleatorias.

Probabilidad Marginal

Comportamiento de una variable sin considerar otra. Para la variable aleatoria

Y: lo cual es igual a Similarmente se hace para la variable aleatoria X

La probabilidad marginal de un evento bajo condiciones de dependencia

estadística se calcula mediante la suma de las probabilidades de todos los
eventos conjuntos en los que se presenta dicho evento.

Si X_1 y X_2 son variables aleatorias discretas conjuntas con función de

probabilidad p(x_1, x_2). Entonces las funciones de probabilidad marginal de
X_1 y X_2, respectivamente, están dadas por:
PROBABILIDAD CONDICIONAL

las probabilidades condicionales nos daban una forma de medir la probabilidad

de que pasara un evento dado que conocíamos la ocurrencia de otro evento.
¿Qué pasa si los eventos los describimos a través de variables aleatorias?. En
este caso:

Si el evento A es descrito a través de la variable X_1 = x_1 y el evento B como

X_2 = x_2,
entonces:

Siempre que

En general, si Y_1 y Y_2 son variables aleatorias discretas:

se trata de determinar la probabilidad de que ocurra un evento A dado que ya

aconteció un evento B y se representa mediante P(A|B), se lee probabilidad de
A dado B o probabilidad de A condicionada a B.

En la probabilidad condicional, consideramos que de un espacio muestral S se

conoce únicamente el evento B, que constituye un espacio muestral reducido.
Se desea saber la posibilidad de que exista el evento A.

Como únicamente conocemos el evento B, la probabilidad de que exista A está

dada por la posible intersección del evento A con el evento B.

Por lo tanto la expresión para la probabilidad condicional quedaría

P(A|B)=n(A∩B)/n(B), donde n(A∩B) es el número de elementos en la
intersección de A con B y n(B) es el número de elementos en el evento B.

Si el numerador y el denominador se dividen entre n(s) que es el número de

elementos en el espacio muestral y aplicamos el concepto de probabilidad,
tenemos:

P(A|B)=[n(A∩B)/n(S)]/[n(B)/n(S)]= P(A∩B)/P(B).

De la última expresión P(A|B)=P(A∩B)/P(B), P(B) es la probabilidad del evento

condición o del evento que se presenta primero .

De manera similar se puede pedir la probabilidad del evento B dado que ya

ocurrió el evento A P(B|A)=P(A∩B)/P(A), ahora P(A) es la probabilidad del
evento condición o del que se presenta primero .
PROBABILIDAD DE CONJUNTO

Es la probabilidad de ocurrencia de dos o más eventos, La probabilidad de que

los eventos A y B sucedan al mismo tiempo se expresa como P(A & B). Para
eventos A y B independientes, P(A & B)=P(A)P(B). P(A & B) también se conoce
como la probabilidad de la intersección de los eventos A y B, según la
descripción del diagrama de Venn.

De la expresión P(B|A)=P(A∩B)/P(A) se pude despejar P(A∩B)=P(A)P(B|A)

expresión llamada Ley de multiplicación de probabilidades.

P(A∩B) recibe el nombre de probabilidad conjunta y corresponde a la

probabilidad de que se presenten resultados comunes a los eventos A y B.
Distribuciones de Probabilidad de variables discretas

Las distribuciones de probabilidad son distribuciones de probabilidad continuas

o distribuciones de probabilidad discretas, dependiendo de si definen
probabilidades para variables continuas o discretas.

Una distribución discreta describe la probabilidad de ocurrencia de cada valor

de una variable aleatoria discreta. Una variable aleatoria discreta es una
variable aleatoria que tiene valores contables, tales como una lista de enteros
no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero.
Por lo tanto, una distribución de probabilidad discreta suele representarse en
forma tabular.

DISTRIBUCIÓN BINOMIAL

Una distribución binomial es la que cumple las siguientes características:

• Repetimos un experimento n veces de forma idéntica.

• En cada experimento sólo puede haber dos posibles resultados que

llamaremos A=éxito, =fracaso (ejemplo meter o no un tiro libre). La

probabilidad de A la definimos como p(A)=p y la de como p(A)=q=1-p.

• Cada experimento es independiente de los anteriores (el resultado no

depende de lo ocurrido anteriormente)
POISSON

Esta distribución es una de las más importantes distribuciones de variable

discreta. Sus principales aplicaciones hacen referencia a la modelización de
situaciones en las que nos interesa determinar el número de hechos de cierto
tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo
presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus
usos frecuentes es la consideración límite de procesos dicotómicos reiterados
un gran número de veces si la probabilidad de obtener un éxito es muy
pequeña

· Se observa la realización de hechos de cierto tipo durante un cierto periodo

de tiempo o a lo largo de un espacio de observación

· Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no

de una manera no determinística.

· La probabilidad de que se produzcan un número x de éxitos en un intervalo de

amplitud t no depende del origen del intervalo (Aunque, sí de su amplitud)

· La probabilidad de que ocurra un hecho en un intervalo infinitésimo es

prácticamente proporcional a la amplitud del intervalo.

· La probabilidad de que se produzcan 2 o más hechos en un intervalo

infinitésimo es un infinitésimo de orden superior a dos.
En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1 hecho
pero nunca más de uno

· Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X

signifique o designe el "número de hechos que se producen en un intervalo de
tiempo o de espacio", la variable X se distribuye con una distribución de
parámetro l . Así

DISTRIBUCIÓN HIPERGEOMÉTRICA

La distribución hipergeométrica suele aparecer en procesos muéstrales sin

reemplazo, en los que se investiga la presencia o ausencia de cierta
característica.

por ejemplo, en un procedimiento de control de calidad en una empresa

farmacéutica, durante el cual se extraen muestras de las cápsulas fabricadas y
se someten a análisis para determinar su composición. Durante las pruebas,
las cápsulas son destruidas y no pueden ser devueltas al lote del que
provienen. En esta situación, la variable que cuenta el número de cápsulas que
no cumplen los criterios de calidad establecidos sigue una distribución
hipergeométrica. Por tanto, esta distribución es la equivalente a la binomial,
pero cuando el muestreo se hace sin reemplazo, de forma que la probabilidad
de éxito no permanece constante a lo largo de las n pruebas, a diferencia de la
distribución binomial. Esta distribución se puede ilustrar del modo siguiente: se
tiene una población finita con N elementos, de los cuales R tienen una
determinada característica que se llama “éxito” (diabetes, obesidad, hábito de
fumar, etc.). El número de “éxitos” en una muestra aleatoria de tamaño n,
extraída sin reemplazo de la población, es una variable aleatoria con
distribución hipergeométrica de parámetros N, R y n. Cuando el tamaño de la
población es grande, los muestreos con y sin reemplazo son equivalentes, por
lo que la distribución hipergeométrica se aproxima en tal caso a la binomial. En
el caso de esta distribución, Epidat 4 limita el cálculo a valores del tamaño de
población (N) menores o iguales que 1.000. Valores: k: max{0,n-(N-R)}, ...,
min{R,n}, donde max{0,n-(N-R)} indica el valor máximo entre 0 y n- (N-R) y
min{R,n} indica el valor mínimo entre R y n. Parámetros: N: tamaño de la
población, N ≥ 1 entero R: número de éxitos en la población; 1 ≤ R ≤ N, N
entero n: número de pruebas; 1 ≤ n ≤ N, n entero

LA APROXIMACIÓN DE POISSON A LA DISTRIBUCIÓN BINOMIAL.

La diferencia es: La Binomial proviene de un proceso Bernoulli caracterizado
por: a) experimentos repetidos. c) Resultados dicotómicos (éxito-fracaso,
blanco-negro, bueno-malo,...) d) Resultados independientes e) Probabilidad de
éxito constante Si en un proceso Bernoulli efectuamos n experimentos y
preguntamos cuál es la probabilidad de obtener r éxitos obtenemos la
distribición binomial. P(r)=C(n;r)*p^r*(1-p)^(n-r) E(r)=Media=n*p
Varianza=n*p*(1.p) El proceso Poisson se caracteriza por: a) Eventos
puntuales en un continuo (tiempo espacio,...) b) Eventos independientes c)
Densidad de ocurrencia constante lamda = constante. Unidad
eventos/segundos. Si nos preguntamos cuántos eventos ocurrirán en por
ejemplo el tiempo t obtenemos la distribución de Poisson P(r)=Exp(-
lambda*t)*(lambda*t)^r/r! Media= lambda*t Varianza=lambda*t Las distribución
binominal mide el # de éxitos en una secuencia de “n” ensayos Bernoulli. El #
de ensayos es fijo, es por tal razón que el recorrido de la variablealeatoria va
desde “O” hasta “n”. Cosa que no ocurre en la distribución de Poisson cuyo
recorrido va desde “O” a infinito. Similitudes: La distribución de Poisson se
utiliza para determinar la probabilidad de un número designado de éxitos
cuando los eventos ocurren en unespectro continuo de tiempo y espacio y. Tal
proceso se denomina proceso de Poisson, es semejante al proceso de
Bernoulli excepto que los eventos ocurren en un espectro continuo en vez de
ocurrir enensayos u observaciones fijas
EJEMPLOS

1._En un taller mecánico tienen un total de 135 desatornilladores, los

técnicos atribuyen a éstos dos características cuando se los piden a sus
ayudantes, su longitud (largo y cortos) y la forma de la punta que embona
en los tornillos (planos o de cruz) de acuerdo a la definición de eventos
que sigue, la distribución es la siguiente:

es el cociente 60/135=0.444, que se obtuvo de dividir el número de

desatornilladores cortos y que tienen punta plana, en términos de conjuntos,
n(A2∩B1)=n21=60, entre el total de los desatornilladores del taller, ns=135.

se obtiene la probabilidad conjunta de dos eventos con la expresión siguiente:

P(Ai∩Bj)=nij/ns

Donde i=1, 2, 3,…n y j=1, 2, 3,…n

B1, P(B1)=(n11+n21)/ns=(40+60)/135=100/135=0.74 Se observa que el

subíndice correspondiente al evento B permanece constante en la suma del
numerador n11+n21

P(A1)=55/135=0.4075 y

P(A2)=80/135=0.5925

Por lo tanto Ʃi=12P(Ai)=1

P(A1)+P(A2)=0.4975+0.5925=1

P(B1)=100/135=0.74 y

P(B2)=35/135=0.26

Por lo tanto Ʃi=12P(Ai)=1

P(A1)+P(A2)=0.74+0.26=1
2._En una Olimpiada compiten tres arqueros para la final, la probabilidad
de que den en el blanco son 1/2, 1/3 y 1/6. Si la final se define con un solo
tiro por arquero. Calcular la probabilidad de que:

a) Sólo uno de en el blanco, b) los dos primeros den en el blanco y el

tercero no y c) Ninguno da en el blanco.

a) Si i=1, 2, 3 es el orden de los tiros al blanco, se establecen los siguientes

eventos: A={Sólo un arquero da en el blanco}, Ai={El arquero Ai da en el
blanco} y Aic={El arquero Aic no da en el blanco}.

P(A)=P[(A1∩A2c∩A3c)U(A1c∩A2∩A3c)U(A1c∩A2c∩A3)] =

P(A1)P(A2c)P(A3c)+P(A1c)P(A2)P(A3c)+P(A1c)P(A2c)P(A3)

P(A)=(1/2)(2/3)(5/6)+(1/2)(1/3)(5/6)+(1/2)(2/3)(1/6)=0.4722

b) B={el primero y el segundo arqueros dan en el blanco y el tercero falla}

P(B)=P(A1∩A2∩A3c)=P(A1)P(A2)P(A3c) P(B)=(1/2)(1/3)(5/6)=5/36=0.1388

c) B={El primero, el segundo y el tercer arqueros fallan} P(C)=P[(A1c ∩ A2c

∩A3c)=P(A1c)P(A2c)P(A3c)=(1/2)(2/3)(5/8) P(C)=10/36=0.277

3._En una muestra de 500 estudiantes, 320 dijeron tener un estéreo,

175 dijeron tener una TV y 100 dijeron tener ambos Si un estudiante es

seleccionado aleatoriamente, ¿cuál es la probabilidad de que tenga sólo
un estéreo, sólo una TV y uno de cada uno? P(S) = 320 /500 = .64. P(T) =
175 /500 = .35. P(S y T) = 100 /500 = .20.

4._Si un estudiante es seleccionado aleatoriamente, ¿cuál es la

probabilidad de que tenga un estéreo o una TV en su habitación? P(S o T)
= P(S) + P(T) – P(S y T) = .64 +.35 – .20 = .79.

5._Al arrojar dos dados resultan caras iguales, ¿cuál es la probabilidad de

que sumen ocho?

A={caras iguales}={(1,1),(2,2),(3,3),(4,4),(5,5),(6,6)} B={sumen más de

ocho}={(3,6),(4,5),(4,6),(5,4),(5,5),
(5,6),(6,3),(6,4),(6,5),(6,6)}

n(A)=6, n(B)=10 y n(A∩B)=2, aplicando la expresión

P(B|A)=n(A∩B)/n(A)=2/6=1/3=0.333

6._Al arrojar una moneda desequilibrada al aire, P(A)=1/3 y P(S)=2/3, en

dos ocasiones, ¿cuál es la probabilidad de que en las dos ocasiones sea
águila.

P(A1∩A2)=P(A1)P(A2|A1)=
P(A1∩A2)=1/3(1/3)= 1/9

7._De un juego de 52 cartas se hacen dos extracciones, con reposición,

¿Cuál es la probabilidad de que las dos cartas obtenidas sean ases?

M: Suceso as en la primera extracción

N: Suceso as en la segunda extracción

Si la primera carta se repone, es decir se coloca nuevamente en el mazo antes

de hacer la segunda extracción, los sucesos son independientes.

8._Una urna tiene ocho bolas rojas, 5 amarilla y siete verdes. Si se extrae
una bola al azar calcular la probabilidad de:

1.Sea roja.

Solución:

p(roja)= 8/ 20 = 0.4

2. Sea verde.

Solución:

p(verde)= 7/20 = 0.35

3.Sea amarilla.
Solución:

p(amarilla)= 5/20 = 0.25

9._Se tiene una urna con 50 papeles de colores 15 rojos, 5 morados, 9

verdes, 11 naranjas y 10 azules.Cual es la probabilidad de:

A sale un papel azul o

B sale un papel rojo

P(AoB)=P(AuB)=P(A)+P(B)

=P(sale un azul)+P(sale 1 rojo)

=10/50 + 15/50

=25/50

=1/2

10._
11._La probabilidad de que el alumno tenga más de 14 aciertos es del
62%.Se sabe que el 7% de los útiles quirúrgicos en un lote de 100 no
cumplen ciertas especificaciones de calidad. Tomada una muestra al azar
de 10 unidades sin reemplazo, interesa conocer la probabilidad de que no
más de dos sean defectuosas. El número de útiles defectuosos en el lote
es R = 0,07100 = 7. Para un tamaño muestral de n= 10, la probabilidad
buscada es P{número de defectuosos  2}.
La probabilidad de que, a lo sumo, haya dos útiles defectuosos en el lote es
aproximadamente 0,98. Además, puede decirse que la media y la varianza de
la distribución hipergeométrica (100, 7, 10) son 0,7 y 0,59, respectivamente; en
este caso, la media de útiles quirúrgicos defectuosos en 10 pruebas es de 0,7 y
la varianza de 0,59.

12._El número de enfermos que solicitan atención de urgencia en un

hospital durante un periodo de 24 horas tiene una media de 43,2
pacientes. Se sabe que el servicio se colapsará si el número de enfermos
excede de 50. ¿Cuál es la probabilidad de que se colapse el servicio de

urgencias del hospital?

13._ Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles
son las probabilidades de que reciba, a) cuatro cheques sin fondo en un
día dado, b) 10 cheques sin fondos en cualquiera de dos días
consecutivos?

a) x = variable que nos define el número de cheques sin fondo que

llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.

 = 6 cheques sin fondo por día

e = 2.718

b)x= variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días
consecutivos

14._ En la inspección de hojalata producida por un proceso electrolítico

continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfección en 3
minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más
una imperfección en 15 minutos.

Solución:

a) x = variable que nos define el número de imperfecciones en la hojalata

por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.

 = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

b) x = variable que nos define el número de imperfecciones en la hojalata

por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.

 = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata

=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el número de imperfecciones en la hojalata

por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.

 = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

= 0.0498026 + 0.149408 = 0.1992106

15._ Si de seis a siete de la tarde se admite que un número de teléfono de
cada cinco está comunicando, ¿cuál es la probabilidad de que, cuando se
marquen 10 números de teléfono elegidos al azar, sólo comuniquen dos?

B(10, 1/5)p = 1/5q = 4/5

16._ En unas pruebas de alcoholemia se ha observado que el 5% de los

conductores controlados dan positivo en la prueba y que el 10% de los
conductores controlados no llevan puesto el cinturón de seguridad.
También se ha observado que las dos infracciones son independientes.
Un guardia de tráfico para cinco conductores al azar. Si tenemos en
cuenta que el número de conductores es suficientemente importante
como para estimar que la proporción de infractores no varía al hacer la
selección

Determinar la probabilidad de que exactamente tres conductores haya

cometido alguna de las dos infracciones.

17._
18._ un lote de 40 microcomponentes, cada uno se denomina aceptable si
no tiene más de tres defectuosos. El procedimiento para muestrear el lote
es la selección de cinco componentes al azar y rechazar el lote si se
encuentra un componente defectuoso. ¿Cuál es la probabilidad de que se
encuentre exactamente un defectuoso en la muestra si hay tres

defectuosos en todo el lote?

19._ Para evitar que lo descubran en la aduana, un viajero ha colocado 6
tabletas de narcótico en una botella que contiene 9 píldoras de vitamina
que son similares en apariencia. Si el oficial de la aduana selecciona 3
tabletas aleatoriamente para analizarlas, a. ¿Cuál es la probabilidad de

que el viajero sea arrestado por posesión de narcóticos?

20._ Si se extraen 8 canicas sin reemplazo de una urna que contiene 9

azules y 3 negras. Encontrar la probabilidad de haya 6 canicas azules
dentro de las 8 que se extrajeron.
BIBLIOGRAFIA

https://www.monografias.com/docs/Probabilidad-conjunta-y-marginal-
PKXGJCTFC8U2Y

https://mangosound.wordpress.com/2017/03/31/distribuciones-de-probabilidad-
marginal-y-condicional/

https://phels18.wordpress.com/2013/04/23/probabilidad-conjunta/

https://phels18.wordpress.com/2013/04/23/probabilidad-conjunta/

http://estadistica-pro.blogspot.com/2013/05/probabilidad-simple-y-conjunta.html

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/basics/continuous-and-
discrete-probability-distributions/

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

https://www.sergas.es/Saude-
publica/Documents/1899/Ayuda_Epidat_4_Distribuciones_de_probabilidad_Oct
ubre2014.pdf

https://es.slideshare.net/aaalexaaandraaa/diferencias-y-similitudes-de-la-
distribucin-de-probabilidad-de-poisson-y-bernoulli

https://www.vitutor.com/pro/3/b_g.html