INTRODUCCION A LA

PROBABILIDAD
CONTENIDO
Probabilidad
• La probabilidad mide la frecuencia con la que
aparece un resultado determinado cuando se
realiza un experimento.
Experimento Aleatorio
• Es aquel, cuyo resultado no puede anticiparse aun
cuando siempre se repita de la misma manera
Espacio Muestral
• Es el conjunto necesario de posibles resultados,
para poder analizar un experimento aleatorio, es
necesario conocer
Evento
• Es un conjunto del espacio muestral de un
experimento aleatorio. Esta formado por X = x.
Interpretación de la Probabilidad
• Es útil poder cuantificar la posibilidad de que se
presente cierto resultado de un experimento
aleatorio P(A) = 25, es una afirmación que refleja
cierta creencia de que ocurra el evento A
Existe el 25% de
probabilidad de que
en un lanzamiento
resulte las dos
monedas cara y cara
Variables Aleatorias
 Distribución de Probabilidad de X
• Es la descripción de un conjunto de valores posibles
de X con la probabilidad asociada a cada uno de
estos valores.
 Media o Valor Esperado
• Si una distribución es un buen modelo, entonces a
través de ella se encuentran las principales
características del sistema (población o proceso),
tales como su tendencia central y variabilidad.
Distribuciones Discretas
Distribución Binomial
• Es frecuente que en control de calidad se den
variables del tipo “pasa, no pasa”.
Experimento de Bernulli
• Es un experimento aleatorio que consiste en una
secuencia de n ensayos, donde además se cumple
que:

1. Los ensayos son independientes.

2. La probabilidad de éxito en cada ensayo, denotada por
p, permanece constante.

• Entonces este experimento recibe el nombre de

experimento binomial. La variable aleatoria X, que
es igual al número de ensayos donde el resultado
es un éxito, tiene una distribución binomial (n, p).
• La función de la probabilidad de X es

• Aquí, p generalmente es la proporción promedio

de artículos defectuosos.

o Un proceso produce 5% de piezas defectuosas. Sea X el número

de piezas defectuosas en las siguientes 20 piezas producidas.
• Si X es una variable aleatoria con distribución
binomial (n, p), entonces su media y varianza son:

• Para propósitos de interpretación es más

adecuado trabajar con la proporción (X/n), en
lugar de con el número X (de artículos
defectuosos).
Ejercicio
• En un proceso de fabricación donde se produce
una gran cantidad de artículos, se sabe que en
promedio 2% de ellos están defectuosos. Los
artículos son empacados en cajas de 10, y se
quiere saber cuál es la probabilidad de que no
haya ningún artículo defectuoso en cada caja.

• Si se quisiera saber cuál es la probabilidad de que

cada caja tenga exactamente un artículo
defectuosos (P(X = 1)).
Distribución geométrica
• Proporciona la probabilidad de requerir X
repeticiones independientes de un experimento
Bernoulli para observar el primer éxito. Entonces, X
tiene distribución geométrica con parámetro p:

• La media de esta distribución es igual a 1/p, y la

varianza es (1 − p)/p2
Ejemplo
• Se interesa encontrar un producto defectuoso en
un lote de muchos artículos. Se sabe que el lote
contiene 5% de artículos defectuosos. ¿Cuál es la
probabilidad de que sea necesario extraer de
manera aleatoria a lo más 20 artículos para
encontrar el primer defectuoso?
• Esta probabilidad es justo la que proporciona la
distribución geométrica acumulada,
 Distribución Hipergeométrica
• Da la probabilidad de obtener X éxitos en n experimentos
Bernoulli, donde la probabilidad de éxito cambia de un
experimento al siguiente. Por ejemplo, un conjunto de N
objetos contiene: K de ellos clasificados como éxitos y N − K
como fracasos. Se extrae una muestra aleatoria (sin
reemplazo) de tamaño n de tal conjunto, n ≤ N. Sea X el
número de éxitos en la muestra, entonces X tiene una
distribución hipergeometrica
Distribución Poison
• El número de eventos que ocurren por unidad (por
unidad de área, por unidad de volumen, por
unidad de tiempo, etc.), para evaluar variables
como las siguientes: número de defectos por
artículo, número de defectos por metro cuadrado
de tela, etc.
• Una distribución de Poisson, cuya función de
distribución de probabilidades está dada por:
Ejemplo
• En una empresa se reciben en promedio 5 quejas
diarias por mal servicio.
• Si el número de quejas por día se distribuye Poisson
con λ = 5, ¿cuál es la probabilidad de no recibir
quejas en un día?
DISTRIBUCION NORMAL
• Es una distribución continua cuya densidad tiene
forma de campana. Es muy importante tanto en la
estadística teórica como en la aplicada. Si X es una
variable aleatoria normal, entonces su función de
densidad de probabilidades está dada por:
• Al graficar la función f (x) se obtiene una gráfica
simétrica y unimodal, cuya forma es similar a una
campana. El centro de ésta coincide con μ, y la
amplitud está determinada por σ.
Propiedades de la distribución
normal
• Si X es una variable aleatoria con distribución
normal con media μ y varianza 𝜎 2 , N(μ, σ2 ),
entonces se cumple que:
Cálculo de Probabilidades
• Cuando es una distribución normal con parámetros
μ = 0 y σ2 = 1, entonces a la distribución se le
conoce como distribución normal estándar (N(0,
1)).
• Estandarizar una variable es fácil, puesto que si X
tiene una distribución normal con E(X)= μ y V(X) = σ
2, entonces la variable (estandarizada)
• Si se distribuye de manera normal estándar. La
ventaja de estandarizar es que cualquier
probabilidad de interés, por ejemplo P(X ≤ x), se
puede escribir en términos de la variable
estandarizada Z como:
Verificación de Normalidad
• Existen muchas pruebas para verificar la
normalidad, entre las que se encuentran las
siguientes: Ji-cuadrada para bondad de ajuste,
Kolmogorov, Shapiro-Wilks y Anderson-Darling. Casi
cualquier sistema computacional estadístico
incluye una o varias de estas pruebas.
Gráfica de probabilidad para
verificar normalidad
• Procedimiento que permite determinar si los datos
muéstrales se ajustan a una distribución específica.
• Supongamos que se tienen los siguientes datos: x1, x2,...,
xn, y que se desea construir una gráfica de probabilidad
para verificar si estos datos siguen cierta distribución.
Para ello, primero se ordenan los datos de menor a
mayor: denotemos al dato más pequeño con x(1), al
segundo más pequeño con x(2), y así sucesivamente
hasta el más grande que se denota con x(n). En
seguida, los datos ordenados x( j) se grafican frente a la
frecuencia acumulada observada ( j − 0.5)/n
(distribución empírica) en el papel de probabilidad más
apropiado a la distribución que se quiere probar.
 Ejemplo
• El peso que deben contener ciertas bolsas de
detergente es de 750 g, con una tolerancia de ± 5
g. Se desea verificar si es razonable suponer que la
distribución del peso es normal. Para ello, se toma
una muestra aleatoria de 25 productos, se pesan y
se obtienen los siguientes datos:

750.0 749.3 752.5 748.9 749.9 748.6 750.2

748.4 747.8 749.3 749.6 749.0 747.7 748.3
750.5 750.6 750.0 750.4 752.0 750.2 751.4
750.9 752.4 751.7 750.6
Distribuciones derivadas del
muestreo
 Distribución ji-cuadrada
• Sean Z1, Z2, ..., Zk variables aleatorias
independientes, con distribución normal estándar
(μ =0 y σ2 = 1), entonces la variable aleatoria

• sigue una distribución ji-cuadrada con k grados de

libertad, y su función de densidad de probabilidad
está dada por:

• donde Γ (⋅) es la función gama que está definida

por
• Si α es un número entero, entonces Γ(α) = (α − 1)!.
La media y la varianza de una distribución ji-
cuadrada con k grados de libertad están dadas
por E(X) = k y σ2 = 2k.
Distribución T de Student
• Sea Z una variable aleatoria con distribución
normal estándar y sea V una variable aleatoria con
distribución ji-cuadrada con k grados de libertad. Si
Z y V son independientes, entonces la variable
aleatoria,
• La distribución T con k grados de libertad, cuya
función de densidad de probabilidad está dada
por:

• La media y la varianza de esta distribución están

dadas por, E(X) = 0 y σ2 = k/(k − 2) para k > 2. Una
de las principales aplicaciones de la distribución T
de Student es fundamentar las inferencias sobre la
media μ de una población. Debido a que si se
obtiene una muestra aleatoria de tamaño n de
una población cuya distribución es normal,
entonces el estadístico:
Distribución F
• Sean W y Y variables aleatorias ji-cuadrada
independientes con u y v grados de libertad,
respectivamente. Entonces el cociente, tiene una
distribución F con u grados de libertad en el
numerador, y v en el denominador, cuya función
de densidad de probabilidad está dada por:
• La media y la varianza de una distribución F con u y
v grados de libertad, en el numerador y en el
denominador, respectivamente, son: E(X) = v/(v −
2) para v > 2,

• La importancia de la distribución F radica en que es

de especial utilidad para hacer inferencia cuando
se comparan varianzas,
• ya que si se tienen dos poblaciones con distribución
2 2
normal y varianzas σ1 y σ2 , respectivamente, y
se toman muestras aleatorias de cada población,
de tamaño n1 y n2, respectivamente, entonces la
variable aleatoria formada por el cociente
GRACIAS