Unidad 4 Probabilidades

1
PROBABILIDADES Y ESTADSTICA
_____________________________________________________________________

Jorge Sueldo/ngel Vicente Niziolek

UNIDAD

1

PROBABILIDADES Y DISTRIBUCIN
DE PROBABILIDADES

UNIDAD 4
2

_____________________________________________________________________


INTRODUCCIN

En esta unidad y para concluir con la tarea de plasmar los primeros
conceptos de Probabilidades y Estadstica; desarrollaremos los conceptos
referidos a la probabilidad clsica y frecuencial. Las reglas y los conceptos
generales, hasta la utilizacin de la regla de Bayes.
Luego se exponen las distribuciones de probabilidad para espacios
muestrales discretos como la distribucin uniforme discreta, la Binomial, la
Multinomial, la Poisson, y para espacios muestrales continuos, como la
distribucin uniforme continua, la normal y la exponencial.
Trabajar con las tablas permite ahorrar tiempo y esfuerzo, al tiempo que
podemos entender mejor algunos conceptos. Adelante

OBJETIVOS ESPECFICOS

Que el alumno luego de conocer los conceptos bsicos de probabilidad, los
aplique en distribuciones discretas y/o continuas.

3

_____________________________________________________________________


CONTENIDOS

4.1. Probabilidades.

4.2. Distribuciones Discretas de Probabilidad.
Uniforme discreta.
Binomial.
Hipergeomtrica.
Multinomial.
Poisson.

4.3. Distribuciones Continuas de Probabilidad.
Uniforme continua.
Normal.
Exponencial.
4

_____________________________________________________________________


Tipos
D
i
s
t
r
i
b
u
c
i
o
n
e
s

d
e

p
r
o
b
a
b
i
l
i
d
a
d

Pueden ser:

Esquema de contenidos
A continuacin le presentamos un esquema con vinculacin de contenidos.

5

_____________________________________________________________________


Iniciaremos el recorrido de la cuarta Unidad Didctica. Le deseamos
mucha suerte.

Comenzamos
Desarrollo de los contenidos

4.1.PROBABILIDADES

Vamos a describir a la probabilidad como la posibilidad de ocurrencia
de un hecho, la misma mide la frecuencia con la que aparece un resultado
determinado cuando se realiza un experimento.
Por ejemplo: si tiramos un dado y se quiere conocer cual es la probabilidad de
que salga un 5, o que salga un nmero impar, o de obtener un nmero mayor que
3.
El experimento tiene que ser aleatorio, es decir, que pueden presentarse
los diversos resultados, dentro de un conjunto posible de soluciones, y esto an
realizando el experimento en las mismas condiciones. Por lo tanto, en la
probabilidad, a priori no se conoce cual de los resultados se va a presentar:
Por ejemplo: lanzamos una moneda al aire: el resultado puede ser cara o seca,
pero no sabemos de antemano cual de ellos va a salir.

6

_____________________________________________________________________


Definiciones:

Espacio Muestral: es el conjunto de todos los resultados posibles de un
experimento aleatorio. S
Suceso compuesto o evento: es un subconjunto del espacio muestral.
Suceso unitario o evento simple: son cada uno de los resultados posibles del
experimento aleatorio

Por ejemplo: Si en una lnea de produccin se seleccionan 3 artculos que
pueden ser buenos (B) o defectuosos (D), el espacio muestral ser:
S = {BBB, BBD, BDB, BDD, DBB, DBD, DDB, DDD}
Si definimos el evento A: al menos un art. es Bueno
A = { BBB, BBD, BDB, BDD, DBB, DBD, DDB}

En las carreras de caballos el Batalla de Tucumn es el premio ms importante
de la Provincia, puede ganar cualquier caballo entre el nmero 1 y el 12, pero no
sabemos a priori cual va a ser (si lo supiramos no estaramos aqu escribiendo
en este momento).
Existen experimentos que no son aleatorios, razn por la cual no se les puede
aplicar las reglas de la probabilidad.
Si un experimento consiste en lanzar una moneda al aire dos veces, entonces el
espacio muestral estara formado por S = {(CC), (CS), (SC), y (SS)}.

7

_____________________________________________________________________


LGEBRA DE CONJUNTOS:

Espacio muestral; S = {1, 2, 3, 4, 5, 6}
Eventos: A = {1, 3, 5} B = { 1, 4} C = { 4, 5, 6} D = { 2, 4, 6}

Interseccin de eventos: = B A {1} es el conjunto de todos los
elementos comunes de A y de B.-

Unin de eventos: = C A { 1, 3, 4, 5, 6} es el conjunto de todos los
elementos de A de C de
ambos.-
Eventos mutuamente excluyentes: | = D A se da cuando no existen
elementos comunes entre los
eventos.-
Complemento de eventos: =
c
A S A =
c
A { 2, 4, 6} ; =
c
B { 2, 3, 5,
6}
Es el conjunto de todos los
elementos de S, que no estn en
el evento respectivo.-
Corolario: = +
c
A A S

Idea:
Como hemos comentado anteriormente, la probabilidad mide la mayor o menor
posibilidad de que se d un determinado resultado (suceso) cuando se realiza un
experimento aleatorio.

8

_____________________________________________________________________


La probabilidad da como resultados posibles valores entre 0 y 1 (expresados en
tanto por ciento, entre 0% y 100%):
AXIOMAS DE PROBABILIDAD:
1) 0 ) ( = | P Al suceso imposible (conjunto vaco) le corresponde el valor cero.
Por ejemplo: la probabilidad de que salga el nmero 7 si lanzamos un dado al aire
es cero (si es un dado normalizado de seis caras).
2) 1 ) ( = S P El valor uno corresponde al suceso seguro: lanzamos un dado al aire
y la probabilidad de que salga cualquier nmero del 1 al 6 es igual a uno (100%).
3) 1 ) ( 0 > > A P En el calculo de probabilidades de un suceso habr
probabilidades entre cero y uno, que tender a la unidad cuanto ms probable
sea que dicho suceso tenga lugar.

PROBABILIDAD CLSICA O DE LAPLACE:
Uno de los mtodos ms utilizados define la probabilidad de un suceso como el
cociente entre el nmero de sucesos favorables y el nmero de sucesos posibles.
posibles sucesos de N
favorables sucesos de N
A P
. .
. .
) ( =

9

_____________________________________________________________________


Veamos algunos ejemplos de probabilidad a priori:
a) La probabilidad de que al lanzar un dado salga el nmero 5: el caso favorable
es tan slo uno (que salga el cinco), mientras que los casos posibles son seis
(puede salir cualquier nmero del uno al seis). Por lo tanto:
1667 , 0
6
1
) ( = = A P (lo que sera el 16,67 %)
b) La probabilidad de que al lanzar un dado salga un nmero impar: en este caso
los casos favorables son tres (que salga el uno, el tres o el cinco), mientras que
los casos posibles siguen siendo seis. Por lo tanto:
50 , 0
2
1
6
3
) ( = = = B P (lo que representara el 50%)
c) La probabilidad de que al lanzar un dado salga un nmero menor que 5: en
este caso tenemos cuatro casos favorables (que salga el uno, el dos, el tres o el
cuatro), frente a los seis casos posibles. Por lo tanto:
6667 , 0
6
4
) ( = = C P (lo que sera el 66,67 %)
d) La probabilidad de que nos toque La cabeza" de la quiniela: tan slo un caso
favorable, el nmero que jugamos, frente a 1.000 casos posibles. Por lo tanto:
001 , 0
000 . 1
1
) ( = = D P (o lo que es lo mismo el 0,1 % el 1 ).

No olvide que los objetivos de cada Unidad guiarn su estudio
hacindoselo ms agradable porque sabe dnde debe (quiere) llegar.

Sigamos
10

_____________________________________________________________________


Ejemplos
Qu lstima...... parece que, tiene la misma probabilidad el nmero 452, que el
nmero 001, pero cul de ellos compraras?
Existen dos requisitos para poder aplicar la Regla de Laplace que el
experimento aleatorio tiene que cumplir
- El nmero de resultados posibles (sucesos) tiene que ser finito. Si
hubiera infinitos resultados, al aplicar la regla "casos favorables / casos
posibles" el cociente siempre sera cero.
- Todos los sucesos tienen que tener la misma probabilidad. Si al lanzar
un dado, algunas caras tuvieran mayor probabilidad de salir que otras, no
podramos aplicar esta regla.
Como lo expusimos a la regla de Laplace tambin se le denomina "probabilidad
a priori", ya que para aplicarla hay que conocer antes de realizar el experimento
cuales son los posibles resultados y saber que todos tienen las mismas
probabilidades.
En el caso que el experimento aleatorio no cumple los dos requisitos indicados
vamos a acudir a otro modelo de clculo de probabilidades que se basa en la
experiencia (modelo frecuencial). Cuando se realiza un experimento aleatorio un
nmero elevado de veces, las probabilidades de los diversos posibles sucesos
empiezan a converger hacia valores determinados, que son sus respectivas
probabilidades.
Si repito el experimento de lanzar una moneda al aire un nmero elevado de
veces, lo normal es que las probabilidades de los sucesos "cara" y "cruz" se
vayan aproximando al 50% cada una. Este 50% ser la probabilidad de estos
sucesos segn el modelo frecuencial.
11

_____________________________________________________________________


En este modelo ya no ser necesario que el nmero de soluciones sea finito, ni
que todos los sucesos tengan la misma probabilidad.
A esta definicin de la probabilidad se le denomina probabilidad a posteriori,
ya que tan slo repitiendo un experimento un nmero elevado de veces
podremos saber cual es la probabilidad de cada suceso.
Cuando el nmero de ensayos
tiende
a ; la probabilidad frecuencial
tiende

a la probabilidad clsica.
Al definir los sucesos hablamos de las diferentes relaciones que pueden guardar
dos sucesos entre s, as como de las posibles relaciones que se pueden
establecer entre los mismos. Veamos ahora cmo se refleja esto en el clculo de
probabilidades.
Si un evento puede estar contenido en otro: entonces, la probabilidad
del primer evento ser menor que la del evento que lo contiene.
B Ac ) ( ) ( B P A P <
Por ejemplo, si lanzamos un dado y analizamos dos sucesos: i) que salga el
nmero 5, y ii) que salga un nmero impar. Dijimos que el evento i) est
contenido en el evento ii).

1667 , 0
6
1
) 5 ( = = = X P
50 , 0
6
3
) ( = = impar n P
Podemos apreciar que la probabilidad del evento i), es menor que la probabilidad
del evento ii).
12

_____________________________________________________________________


Si dos eventos son iguales: las probabilidades de ambos eventos son las
mismas.
Por ejemplo lanzamos un dado al aire y analizamos dos eventos: i) que salga
nmero par, y ii) que salga mltiplo de 2. En este caso las soluciones coinciden.
50 , 0
6
3
) ( = = par n P
50 , 0
6
3
) . . ( = = dos de multiplo P
Interseccin de eventos (o evento conjunto): es aquel evento
compuesto por los elementos comunes de los dos o ms eventos que se
intersectan. La probabilidad ser igual a la probabilidad de los elementos
comunes.
Por ejemplo si lanzamos un dado al aire y analizamos dos eventos: i) que salga
nmero impar, y i) que sea mayor que 2. La interseccin de estos dos eventos
tiene dos elementos: el 3 y el 5.
Su probabilidad ser por tanto:
3333 , 0
3
1
6
2
) ( = = = B A P
La probabilidad que ocurran los eventos A y B es de 0,333
Unin de dos o ms eventos: la probabilidad de la unin de dos eventos
es igual a la suma de las probabilidades individuales de los dos eventos
que se unen, menos la probabilidad del evento interseccin.
) ( ) ( ) ( ) ( B A P B P A P B A P + =
13

_____________________________________________________________________


Por ejemplo si lanzamos un dado al aire y analizamos dos sucesos: i) que salga
nmero par, y ii) que el resultado sea mayor que 3. El suceso unin estara
formado por los siguientes resultados: el 2, el 4, el 5 y el 6.
S(A) = {2,4,6} S(B) = {4,5,6} S(AB) = {4,6}
P(A) = 3 / 6 = 0,50 P(B) = 3 / 6 = 0,50 3333 , 0
6
2
) ( = = B A P
6667 , 0 3333 , 0 ) 50 , 0 50 , 0 ( ) ( = + = B A P
La probabilidad que ocurran los eventos A o B es de 0,6667
Eventos mutuamente excluyentes: la probabilidad de la unin de dos
eventos mutuamente excluyentes ser igual a la suma de las
probabilidades de cada uno de los eventos (ya que la interseccin es el
conjunto vaco y 0 ) ( = | P ).
Por ejemplo si lanzamos un dado al aire y analizamos dos eventos: i) que salga
un nmero menor que 3, y ii) que salga el nmero 6.
La probabilidad de la unin de estos dos eventos ser igual a:
S(A) = {1,2} S(B) = {6} S(AB) = C
P(A) = 2 / 6 = 0,333 P(B) = 1 / 6 = 0,166
De donde, 50 , 0 1667 , 0 3333 , 0 ) ( = + = B A P
Eventos complementarios: la probabilidad del evento complementario es
igual a ) ( 1 ) ( A P A P
c
=
Por ejemplo si lanzamos un dado al aire. el suceso (i) es que salga un nmero
par, luego su complementario, suceso (ii), es que salga un nmero impar.
14

_____________________________________________________________________


La probabilidad del suceso (A) es igual a : P(A) = 3 / 6 = 0,50
La probabilidad del suceso (B) es igual a: P(B) = P(A)
C
= 1 - P(A) = 1 - 0,50 =
0,50
Podemos comprobar aplicando la regla general de "casos favorables / casos
posibles": P(B) = 3 / 6 = 0,50
Unin de eventos complementarios: la probabilidad de la unin de dos
sucesos complementarios es igual a 1.
Si seguimos con el ejemplo anterior: i) que salga un nmero par, y ii) que salga
un nmero impar. La probabilidad del evento unin de estos dos ser igual a:
P(A) =
6
3
= 0,50 P(B) =
6
3
= 0,50
Por lo tanto: P(A U B) = 0,50 + 0,50 = 1

Algunas veces calcular el nmero de casos favorables y casos posibles es
complejo y hay que aplicar reglas matemticas, para ello vamos a diferenciar:

a) Combinaciones:
Determina el nmero de subgrupos de 1, 2, 3, etc. elementos que se pueden
formar con los "n" elementos de una nuestra. Cada subgrupo se diferencia del
resto en los elementos que lo componen, sin que importe el orden.
)! !.(
!
r n r
n
C
r n
=
Por ejemplo, calcular las posibles combinaciones de 2 elementos que se pueden
formar con los nmeros 1, 2 y 3.
15

_____________________________________________________________________


Se pueden establecer 3 parejas diferentes: (1,2), (1,3) y (2,3). En el clculo de
combinaciones las parejas (1,2) y (2,1) se consideran idnticas, por lo que slo se
cuentan una vez.
3
)! 2 3 !.( 2
! 3
2 3
=
= C combinaciones distintas.
b) Variaciones o Permutaciones de n objetos tomando r a la vez:
Calcula las posibles agrupaciones que se pueden establecer con todos los
elementos de un grupo, por lo tanto, lo que diferencia a cada subgrupo del resto
es que si importa el orden de los elementos (es lo que le diferencia de las
combinaciones).
Ahora tendramos 6 posibles parejas: (1,2), (1,3), (2,1), (2,3), (3,1) y (3,3). En este
caso los subgrupos (1,2) y (2,1) se consideran distintos.
)! (
!
,
r n
n
P V
r n r n
= =
6
)! 2 3 (
! 3
2 3
=
= P permutaciones posibles.

No avance en la lectura si tiene alguna duda, utilice la PLATAFORMA
EDUCATIVA para comunicarse con su tutor.

Continuamos
Recuerde que:
El trmino " n! " se denomina "factorial de n" y es la multiplicacin de todos los
nmeros que van desde "n" hasta 1.
Por ejemplo: 5! = 5 x 4 x 3 x 2 x 1 = 120
16

_____________________________________________________________________


Probabilidad condicional:
Las probabilidades condicionales se calculan una vez que poseemos informacin
adicional a la situacin inicial:
) (
) (
) / (
B P
B A P
B A P

=
con P(B) > 0
Nota: ) / ( B A P debe leerse probabilidad de que ocurra A, habiendo antes
ocurrido B. Es decir, que para calcular una probabilidad condicionada, tuvo
necesariamente que haber ocurrido el otro evento
P (A/B) es la probabilidad de que se de el suceso A condicionada a que se haya
dado el suceso B.
) ( B A P es la probabilidad del evento simultneo (o evento conjunto)de A y de B,
tal como se ha definido antes.
P (B) es la probabilidad a priori del evento B; la que no puede ser igual a cero, ya
que caeramos en una indeterminacin.
Por ejemplo: si se tira un dado sabemos que la probabilidad de que salga un 5
es una en seis (probabilidad a priori). Y si incorporamos nueva informacin (por
ejemplo, alguien nos dice que el resultado ha sido un nmero impar) entonces la
probabilidad de que el resultado sea el 5 ya no es 1/6.
P (A/B) es la probabilidad de obtener el n 5 (Suceso A) dado que sali un n
impar.
De donde: P (A B) = 1/6 ; P (B) = ; P (A/B) =
2 / 1
6 / 1
= 1/3
Luego, la probabilidad de que salga el nmero 5, si ya sabemos que ha salido un
nmero impar, es de 1/3 (mayor que su probabilidad a priori de 1/6).
17

_____________________________________________________________________


Otro caso: En un estudio pre-laboral se ha llegado a la conclusin de que la
probabilidad de que una persona sufra problemas coronarios (suceso B) es el
0,10 (probabilidad a priori).
Adems, la probabilidad de que una persona sufra problemas de obesidad
(suceso A) es el 0,25 y la probabilidad de que una persona sufra a la vez
problemas de obesidad y coronarios (suceso conjunto de A y B) es del 0,05.
Si queremos calcular la probabilidad de que una persona sufra problemas
coronarios si est obesa (sera la probabilidad condicionada P(B/A)).
P (B A) = 0,05 ; P (A) = 0,25 ; P (B/A) = 0,05 / 0,25 = 0,20
Por lo tanto, la probabilidad condicionada es superior a la probabilidad a priori. No
siempre esto es as, a veces la probabilidad condicionada es igual a la priori o
menor.
La regla de multiplicacin de probabilidades deriva de la probabilidad
condicional:
La probabilidad de que se den simultneamente dos sucesos (suceso
interseccin de A y B o suceso conjunto de Ay B) es igual a la probabilidad del
suceso A multiplicada por la probabilidad del suceso B condicionada al
cumplimiento del suceso A.
La frmula para calcular esta probabilidad compuesta es:
) ( ). / ( ) ( ). / ( ) ( A P A B P B P B A P B A P = =
Es decir, que la probabilidad de eventos conjuntos es igual a la probabilidad de
ocurrencia de un evento por la probabilidad del otro evento condicionada por el
que ocurri primero
18

_____________________________________________________________________


Si estudiamos el suceso A (operarios que hablan ingls) y el suceso B
(operarios del sector fbrica) y obtenemos la siguiente informacin:
Un 50% de los operarios hablan ingls. De los operarios que hablan ingls, un
20% se encuentran en el sector fabrica (suceso B condicionado al suceso A).
Calcular la probabilidad de que un operario hable ingls y sea del sector fbrica
(suceso interseccin de A y B).
Tenemos: P (A) = 0,50 ; P (B/A) = 0,20
P (A B) = 0,50 . 0,20 = 0,10
O sea, un 10% de los operarios hablan ingls y trabajan en el sector fbrica.
El teorema de la probabilidad total nos permite calcular la probabilidad de un
evento a partir de probabilidades condicionadas.
La frmula para calcular esta probabilidad es:
) / ( ). ( ) (
i i
A B P A B P

= (donde i toma valores entre 1 y n)
En otras palabras, la probabilidad de que ocurra el suceso B es igual a la suma
de multiplicar cada una de las probabilidades condicionadas de este suceso con
los diferentes sucesos A, por la probabilidad de cada suceso A. Teniendo en
cuenta que para que este teorema se pueda aplicar hace falta cumplir un
requisito: los sucesos A tienen que formar un sistema completo, es decir, que
contemplar todas las posibilidades (la suma de sus probabilidades debe ser el
100%
El Teorema de Bayes: deriva del principio del Teorema de la probabilidad total,
sigue el proceso inverso al que hemos visto: a partir de que ha ocurrido el suceso
B deducimos las probabilidades del suceso A:
19

_____________________________________________________________________


La frmula del Teorema de Bayes es:

= =
) (
) (
) / ( ). (
) / ( ). (
) / (
B A P
B A P
A B P A P
A B P A P
B A P
i
i
i i
i i
i

Vamos a intentar explicar este concepto con un ejemplo. De todos modos, antes
de entrar en el ejercicio, recordar que este teorema tambin exige que el suceso
A forme un sistema completo.
Ejemplo de Bayes: un operario puede desempearse en tres sectores de una
empresa:
P (sector 1) = 50% ; P(sector 2) = 30% ; P(sector 3) = 20%
Segn los posibles sectores donde se le asigne el trabajo, la posibilidad de que
ocurra un accidente (evento A) es la siguiente:
P(A / sector 1) = 10% ; P(A / sector 2) = 20% ; P(A / sector 3) = 5%
Resulta que efectivamente ocurre un accidente y como no estbamos en la
empresa, no sabemos en que sector ocurri (S1, S2 o S3). El teorema de Bayes
nos permite calcular estas probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un
accidente se denominan "probabilidades a priori" (S1 = 50%, S2 = 30% y S3 =
10%).
Una vez que incorporamos la informacin de que ha ocurrido un accidente, las
probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B),
que se denominan "probabilidades a posteriori". Vamos a calcular algunas
probabilidades.

20

_____________________________________________________________________


a) La probabilidad de accidente ser:
P(A) = P(AS
1
) + P(AS
2
) + P(AS
3
)
Segn la frmula para calcular dos eventos
conjuntos: ) ( ). / ( ) ( ). / ( ) ( A P A B P B P B A P B A P = =
P(A) = P(S
1
) P(A/S
1
) + P(S
2
) P(A/S
2
) + P(S
3
) P(A/S
3
)
P(A) = 0,50 x 0,10 + 0,30 x 0,20 + 0,20 x 0,05 = 0,12
Este resultado debe interpretarse del siguiente modo: la probabilidad de
accidente en esa empresa es 0,12 (12%)
b) La probabilidad que el empleado estuviere trabajando en el sector 1
dado que tuvo un accidente ser:
Vamos a aplicar la frmula:
=
) / ( ). (
) / ( ). (
) / (
i i
i i
i
A B P A P
A B P A P
B A P
) 05 , 0 20 , 0 ( ) 20 , 0 30 , 0 ( ) 10 , 0 50 , 0 (
10 , 0 50 , 0
) / (
1
+ +

= A S P = 0,4167

c) La probabilidad que el empleado estuviere trabajando en el sector 2 dado
que tuvo un accidente ser:
) 05 , 0 20 , 0 ( ) 20 , 0 30 , 0 ( ) 10 , 0 50 , 0 (
20 , 0 30 , 0
) / (
2
+ +

= A S P = 0,50

21

_____________________________________________________________________


d) La probabilidad que el empleado estuviere trabajando en el sector 3 dado
que tuvo un accidente ser:
) 05 , 0 20 , 0 ( ) 20 , 0 30 , 0 ( ) 10 , 0 50 , 0 (
05 , 0 20 , 0
) / (
3
+ +

= A S P = 0,0833

Independencia de sucesos
Se dice que dos sucesos son independientes entre s, si la ocurrencia de
uno de ellos no incide para nada a la ocurrencia del otro.
Por ejemplo: el suceso asistencia de los operarios de una fbrica y el color del
pelo son independientes: que un operario falte ms o menos a su trabajo no va a
influir en el color de su cabello, ni viceversa.
Para que dos sucesos sean independientes tienen que verificar al menos una de
las siguientes condiciones:
- P (B/A) = P (B) es decir, que la probabilidad de B, dado el suceso A, es
exactamente igual a la probabilidad de B.
- P (A/B) = P (A) es decir, que la probabilidad de A, dado el suceso B, es
exactamente igual a la probabilidad de A.
- P (A B) = P (A) . P (B) es decir, que la probabilidad de que se de el
suceso conjunto A y B es exactamente igual a la probabilidad del suceso A
multiplicada por la probabilidad del suceso B.
Si el suceso A es independiente del suceso B, entonces el suceso B
tambin es independiente del suceso A.
Por lo tanto, si no se cumple ninguna de las tres condiciones sealadas: los dos
sucesos no son independientes, entonces decimos que existe algn grado de
dependencia o relacin entre ellos.
22

_____________________________________________________________________


Por ejemplo si analicemos dos sucesos: A la probabilidad de que haga buen
tiempo es del 0,4 y suceso B la probabilidad de salir cara al lanzar una moneda
es del 0,5, si tenemos que la interseccin: la probabilidad de que haga buen
tiempo y que salga cara es 0,2, veamos si se cumple alguna de las condiciones
sealadas:
) ( 5 , 0
4 , 0
2 , 0
) (
) (
) / ( B P
A P
B A P
A B P = = =
= ) ( 4 , 0
5 , 0
2 , 0
) (
) (
) / ( A P
B P
B A P
B A P = = =
=
= = = 2 , 0 4 , 0 . 5 , 0 ) ( ). ( ) ( B P A P B A P Son sucesos independientes

4.2 DISTRIBUCIONES DE PROBABILIDAD

Definiciones y conceptos
Variable aleatoria: Es aquella cuyos valores surgen asignando nmeros a
los resultados de un experimento aleatorio. Como los valores que asumen las
variables aleatorias surgen de cuantificar eventos, podemos asignar una
probabilidad a cada valor de la variable aleatoria. Es decir, si se tiene una
variable X, cuyos posibles valores X
1
, X
2
, ........... , X
n
, a los cuales
podemos asociarles una probabilidad p
1
, p
2
, .............. p
n
, decimos que ha
quedado definida una variable aleatoria.
Las variables aleatorias pueden ser discretas o continuas
Distribuciones discretas
Las distribuciones discretas son aquellas en las que la variable puede
tomar un nmero determinado de valores, provienen de espacios muestrales
discretos cuya caracterstica principal es que surgen del hecho de contar.
23

_____________________________________________________________________


Se representan por el conjunto de nmeros enteros, los naturales y el cero, no
admiten en la observacin valores de la variable con decimales. Por ejemplo: si
se tira un dado puede salir un nmero de 1 al 6; en una ruleta el nmero puede
tomar un valor del 1 al 32; una familia puede no tener hijos (0 hijos) o puede tener
1, 2, 3, ..10 hijos, nunca podran tener 1,5 hijos.
Como los valores de probabilidad surgen de cuantificar todos los resultados
posibles de un experimento aleatorio, la suma de las probabilidades debe se igual
a uno:
1 ) (
1
=
=
n
i
i
x p

Funcin de distribucin de probabilidad: para estas variables es una
funcin que acumula probabilidades de manera similar a las frecuencia
acumuladas en una tabla de frecuencias relativas y se simboliza:
F (u) = P (x s u)
Se lee: probabilidad de que la variable tome un valor menos o igual a u.

Distribuciones continuas
Las distribuciones continuas son aquellas que presentan un nmero infinito de
posibles soluciones, provienen de espacios muestrales continuos cuya
caracterstica principal es que surgen del hecho de medir.
Se representan por el conjunto de nmeros reales, admiten infinitos valores
intermedios como puntos en un segmento de lnea, con la particularidad que la
probabilidad que una variable aleatoria continua asuma un valor exacto tiende a
cero. Por ejemplo: el peso medio de los alumnos de una clase puede tomar
24

_____________________________________________________________________


infinitos valores dentro de cierto intervalo (de 42 a menos de 45 kg, de 45 a
menos de 48, etc.); la esperanza media de vida de una poblacin (72,5 aos,
75,13 aos, 72, 51234 aos).
Al tener la variable infinitos valores, se puede calcular la probabilidad que valores
particulares de la variable aleatoria ocurran dentro de ciertos rangos o intervalos
considerando la funcin matemtica que se conoce con el nombre de funcin de
densidad de probabilidad: f (x).
Si X es una variable aleatoria continua, cuyo campo de variabilidad es el
intervalo: a s x s b, siendo a y b dos nmeros reales fijos, la probabilidad en este
intervalo se define:

En las variables aleatorias continuas tambin se pueden calcular una funcin
de distribucin que acumula probabilidades y se define como:
}
= = s s
u
a
dx x f u F u X a P ) ( ) ( ) (

F(u) est representada por el rea comprendida entre el eje x, la funcin de
densidad f(x) y las ordenadas f(a) y f(b), pero tambin la podemos representar
como la funcin de probabilidad acumulada; de all que F(a) = f(a) y F(b) = 1
1 ) ( ) ( = = s s
}
b
a
dx x f b X a P
f(x)
) ( b X a P s s
25

_____________________________________________________________________


Las distribuciones quedan definidas a travs de sus parmetros: esperanza
matemtica, varianza y desvo estndar.

Sigamos

ACTIVIDAD DE APRENDIZAJE
No hay aprendizaje sin actividad! Responda las siguientes
consignas.
1. Defina espacio muestral. De al menos un ejemplo

2. Qu implica en probabilidades, obtener un 1 como resultado

3. Cundo dos eventos son mutuamente excluyentes. De un ejemplo

4. A qu se llama eventos independientes.

26

_____________________________________________________________________


5. Qu requisito debe darse para que, dados dos eventos, se pueda calcular
una probabilidad condicionada.

6. Si dos eventos son independientes, a qu es igual la probabilidad
conjunta de ambos?

4.2.1.- DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

4.2.1.1.- Uniforme discreta:
Cuando la variable aleatoria discreta asume cada uno de sus valores con idntica
probabilidad la distribucin de dicha variable recibe el nombre de distribucin
discreta uniforme.
. , , , ,
1
) ; (
2 1 k
x x x x con
k
k x f = =
Por ejemplo: Si seleccionamos un empleado de un grupo de 8 para supervisar
determinado proyecto, eligiendo aleatoriamente una placa numerada de un box
que contiene 8 fichas numeradas del 1 al 8. Cul sera la frmula para la
distribucin de probabilidad de X que representa el nmero de la placa que se
saca?. Cul sera la probabilidad que el nmero que se saque sea menor que
6?
. 8 , , 2 , 1 ,
8
1
) 8 ; ( = = x con x f
27

_____________________________________________________________________


P(x < 6) = P(x 5) = 625 , 0
8
5
8
1
8
1
8
1
8
1
8
1
= = + + + +

La media aritmtica de una distribucin uniforme discreta est dada por:

k
x
k
i
i
=
=
1

La varianza de una distribucin uniforme discreta est dada por:

k
x
k
i
i
2
1 2
) (
o

=

=

1.4.2.1.2.- Binomial Proceso de Bernoulli:
El proceso de Bernoulli es aquel modelo que sigue un experimento que se realiza
una sola vez y que puede tener dos soluciones: xito (acierto) o fracaso:
Cuando es xito (acierto) la variable toma el valor 1
Cuando es fracaso la variable toma el valor 0
Por ejemplo: Variables dicotmicas como la probabilidad de salir cara al lanzar
una moneda al aire (sale cara o no sale); probabilidad de acertar una quiniela (o
aciertas o no aciertas), o dicotomizadas probabilidad de ser admitido en una
universidad (o lo admiten o no lo admiten).
Al hablar de dos soluciones nicamente se trata de sucesos
complementarios:
A la probabilidad de xito se le denomina "p"
A la probabilidad de fracaso se le denomina "q" = 1 - p
28

_____________________________________________________________________


Verificndose que: p + q = 1
Veamos algunos ejemplos:
a) Probabilidad de salir cara al lanzar una moneda al aire:
P (cara) = p = 0,5
P (cruz) = q = 0,5 p + q = 0,5 + 0,5 = 1

b) Probabilidad de ser admitido en la universidad:
P (admitido) = p = 0,25
P (no admitido) = q = 0,75 p + q = 0,25 + 0,75 = 1

c) Probabilidad de acertar a la quiniela:
P (acertar) = p = 0,001
P (no acertar) =q = 0,999 p + q = 0,001 + 0,999 = 1

La distribucin de Bernoulli se aplica cuando se realiza una sola vez un
experimento que tiene nicamente dos posibles resultados (xito o fracaso), por
lo que la variable slo puede tomar dos valores: el 1 y el 0

.14.2.1.3.- Distribucin discreta binomial:
La distribucin binomial parte de la distribucin de Bernoulli:
La distribucin binomial se aplica cuando se repite un nmero "n" de veces el
experimento de Bernoulli, siendo cada ensayo independiente del anterior. La
variable puede tomar valores entre:
29

_____________________________________________________________________


0: si todos los experimentos han sido fracaso
n: si todos los experimentos han sido xitos
En general, las condiciones que debe cumplir son:
- El experimento consiste en n intentos repetidos.
- Los resultados de cada uno de los intentos pueden clasificarse como
un xito o como un fracaso.
- La probabilidad de xito, representada por p, permanece constante
para todos los intentos.
- Los intentos repetidos son independientes.
La distribucin de probabilidad para este tipo de distribucin basada en
experimentos de Bernoulli, donde estudiamos el comportamiento de la variable
aleatoria binomial X, el nmero de xitos en n experimentos independientes,
sigue el siguiente modelo:

k n k
k n
q p C k x P

= = . . ) ( con k = 0,1,2,,n

Recuerde que:

)! !.(
!
k n k
n
C
k n
=

Ejemplo de distribucin binomial. En cierto sector de una empresa el 75% de
los accidentes se deben a la falta de sealizacin adecuada Cul es la
30

_____________________________________________________________________


probabilidad de que dentro de los prximos 8 accidentes, exactamente 4 se
deban a la falta de sealizacin?
"k" es el nmero de xitos. En este ejemplo " k " igual a 4 (en cada xito decimos
que la variable toma el valor 1: como son 4 xitos, entonces k = 4)
"n" es el nmero de intentos. En el caso planteado n = 8
"p" es la probabilidad de xito, es decir, que los accidentes de deban a la falta de
sealizacin adecuada. Por lo tanto p = 0,75
La frmula quedara: 08652 , 0 25 , 0 . 75 , 0 .
)! 4 8 !.( 4
! 8
) 4 (
) 4 8 ( 4
=
= =

x P
O sea, que la probabilidad de que 4 de los prximos 8 accidentes se deban a la
falta de sealizacin es del 8,652%.

31

_____________________________________________________________________


A nuestro problema tambin lo solucionamos con el Excel, vamos a insertar
funcin:

Elegimos en seleccionar una categora de funciones, a las estadsticas, y dentro
de las estadsticas, escogemos a la DISTR.BINOM.
Ingresamos la informacin del problema y listo. P(X=4) = 0,086517334
32

_____________________________________________________________________


En una distribucin binomial, tenemos que:

Continuando con el ejemplo anterior si queremos conocer Cul es la
probabilidad de que menos de 4 accidentes se deban a la razn antes indicada?
33

_____________________________________________________________________


En este caso nos pide P(x<4) al ser una variable discreta sera:
P(x 3) = P(x=0) + P(X=1) + P(X=2) + P(X=3)
Lo podemos obtener directamente de la tabla acumulada (ver anexo tablas
estadsticas) F(3) = 0,0273

1.4.2.1.4.- Poisson Experimentos de Poisson:
Cuando la variable aleatoria X representa el nmero de resultados durante un
intervalo de tiempo dado o una regin especfica nos encontramos frente a
experimentos de Poisson.
Generalmente cuando en una distribucin binomial se realiza el experimento un
nmero "n" muy elevado de veces y la probabilidad de xito "p" en cada ensayo
es reducida, entonces se aplica el modelo de distribucin de Poisson.
El proceso de Poisson tiene las siguientes caractersticas:
- El nmero de ocurrencias en dos intervalos de tiempo disjuntos son
independientes.
- La probabilidad de exactamente una ocurrencia en un intervalo de tiempo
muy pequeo es proporcional a la longitud del intervalo y no depende del
intervalo en particular.
- La probabilidad de tener ms de una ocurrencia en un intervalo de tiempo
particular muy pequeo es despreciable.

No olvide que los objetivos de cada Unidad guiarn su estudio
hacindoselo ms agradable porque sabe dnde debe (quiere) llegar.
Sigamos

34

_____________________________________________________________________


La distribucin de probabilidad para este tipo de distribucin basada en
experimentos de Poisson, donde estudiamos la variable aleatoria binomial X, el
nmero de resultados que ocurren en un intervalo de tiempo dado o en una
regin especfica, sigue el siguiente modelo:
!
) (
. ) (
k
t
e k x P
k
t

= = con k = 0,1,2,,n
t = t o =
2

Recuerde que:
e = 2,71828

t
= es el nmero promedio de resultados por unidad de tiempo o regin.
k " es el nmero de xito cuya probabilidad se est calculando

Ejemplo de Poisson: Si en promedio, llegan tres operarios por minuto al servicio
de comidas de la fbrica durante la hora del almuerzo.
a) Cul es la probabilidad de que en un minuto dado, lleguen exactamente dos
operarios? Y
Datos:
t
= 3 operarios por minuto
K = 2
224 , 0
! 2
) 3 (
. ) 2 (
2
3
= = =

e x P

O sea, que la probabilidad de que lleguen exactamente 2 operarios es del 22,4%.

35

_____________________________________________________________________


Para resolver esto utilizado Excel. De las funciones estadsticas, seleccionamos
la funcin POISSON.

Ingresamos la informacin que tenemos: y listo, tenemos el resultado:
P(X=2) = 0,2240
36

_____________________________________________________________________


Continuando con el ejemplo:
b) Cul es la probabilidad de que lleguen ms de dos operarios en un minuto
dado?
P(X>2) = ?
Con el Excel encontraremos P(X 2) y hacemos el siguiente clculo:
P(X > 2 ) = 1 - P(X 2)
Entonces:
P(X>2) = 1 0,4232 = 0,5768

37

_____________________________________________________________________


Utilizando nuevamente el Excel:

Lea atentamente el siguiente concepto:
Algunas veces nos encontramos con muestras de tamao bastante grande y con
probabilidades de xito, a las que hemos llamado p, muy pequeas. En estos
casos, la distribucin de Poisson resulta apropiada para obtener una buena
aproximacin al resultado que se obtendra si se aplicara la distribucin binomial.
38

_____________________________________________________________________


En general, se usa como regla que cuando n > 30 y adems n.p < 5 n.q < 5,
se puede obtener de la distribucin de Poisson aproximaciones apropiadas a la
distribucin binomial.
Cuando se utiliza la distribucin de Poisson para aproximar el modelo binomial,
los parmetros se definen como:
= = = p n X E ) ( o =
2
o =
Ejemplo: La probabilidad de tener un accidente de trnsito es de 0,02 cada vez
que se viaja. Si se realizan 200 viajes, cul es la probabilidad de tener
exactamente 3 accidentes?
Como la probabilidad p es menor que 0,1, y el producto n.p es menor que 5,
entonces aplicamos el modelo de distribucin de Poisson.
! 3
4
. ) 3 (
3
4
= = e X P
Luego, P (x = 3) = 0,1953
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 200 viajes es del
19,53%

1.4.2.1.5.- Hipergeomtrica:
Las distribucin hipergeomtrica es el modelo que se aplica cundo tenemos k
xitos en un total de N experimentos posibles, del siguiente tipo:
Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo
hay tan slo dos posibles resultados: xito o fracaso. Pero se diferencia de la
distribucin binomial en que los distintos ensayos son dependientes entre s:
39

_____________________________________________________________________



Continuamos

Si en un proceso de seleccin del personal con 5 postulantes experimentados y 3
novatos, si en un primer ensayo saco un experimentado, en el segundo ensayo
hay un postulante experimentado menos por lo que las probabilidades son
diferentes (hay dependencia entre los distintos ensayos).
Un experimento hipergeomtrico tiene las siguientes caractersticas:
- Una muestra aleatoria de tamao n se selecciona sin reemplazo de un
total de N unidades totales.
- k unidades del total N pueden clasificarse como xitos y N-k como
fracasos.
La distribucin de probabilidad basada en experimentos Hipergeomtricos, donde
estudiamos la variable aleatoria hipergeomtrica X, el nmero de xitos en una
muestra aleatoria de tamao n seleccionada de N resultados posibles, de
los cuales k son xitos y N-k fracasos, sigue el siguiente modelo:
n N
x n k N x k
C
C C
k n N x h x X P

= = =
.
) , , ; ( ) ( con k = 0,1,2,,n

Tener en cuenta que:
N
k n.
=
40

_____________________________________________________________________


) 1 .( . .
1
2
N
k
N
k
n
N
n N
= o

Ejemplo de hipergeomtrica: en una reunin hay 20 personas: 14 invitados y 6
de la casa. Se eligen 3 personas al azar Cul es la probabilidad de que las 3
sean de la casa?

0175 , 0
.
) 3 (
3 20
0 14 3 6
= = =
C
C C
x P

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas
sean de la casa es slo del 1,75%.
Para resolver esto utilizado Excel. De las funciones estadsticas, seleccionamos
la funcin DISTR.HIPERGEOM.
41

_____________________________________________________________________


Ingresamos la informacin que tenemos: y listo, tenemos el resultado:
P(X=3) = 0,0175
42

_____________________________________________________________________


Lea atentamente los siguientes conceptos:

Una distribucin binomial se detecta por los datos n intentos, p
probabilidad:

Una distribucin poisson se detecta por los datos t

Una distribucin hipergeomtrica se detecta por los datos k xitos, N-K
fracasos.

43

_____________________________________________________________________


1.4.2.1.6.- Multinomial:
La distribucin multinomial es similar a la distribucin binomial, con la diferencia
de que en lugar de dos posibles resultados en cada ensayo, puede haber
mltiples resultados:
.... . . .
!... !. !.
!
,...) , (
3
3
2
2
1
1
3 2 1
3 3 2 2 , 1 1
x x x
p p p
x x x
n
x X x X x X P = = = =
Por ejemplo: En una exposicin, el 20% de los asistentes son espaoles, el 30%
franceses, el 40% italiano y el 10% portugueses. En un pequeo grupo se han
reunido 4 invitados: cual es la probabilidad de que 2 sean espaoles y 2
italianos?
Aplicando el modelo:
0384 , 0 1 , 0 . 4 , 0 . 3 , 0 . 2 , 0 .
! 0 !. 2 !. 0 !. 4
! 4
) 0 , 2 , 0 2 (
0 2 0 2
4 3 2 , 1
= = = = = = X X X X P
Por lo tanto, la probabilidad de que el grupo est formado por personas de estos
pases es tan slo del 3,84%.
1.4.2.1.7.- Hipergeomtrica multivariada:
Es similar a la distribucin hipergeomtrica, con la diferencia de que en la urna,
en lugar de haber nicamente elementos de dos colores, hay de diferentes
colores.
La distribucin hipergeomtrica multivariada sigue el siguiente modelo:
n N
x N X N x N
C
C C C
x X x X x X P
... . .
,...) , (
3 3 2 2 1
1
3 3 2 2 , 1 1
= = = =
Ejemplo: Si en un refrigerador hay 12 envases de refrescos de los cuales son 3
de manzana, 5 de naranja y 4 de uva, cual es la probabilidad de que al surtir un
44

_____________________________________________________________________


pedido de 7 envases tomados al azar 2 sean de manzana, 4 de naranja y 1 de
uva?
7 12
3 4 4 5 2 3
) 1 3 , 4 2 , 2 1 (
C
C C C
X X X P

= = = = = 0,0758
La probabilidad que el pedido sea surtidos con 2 envases de manzana, 4 de
naranja y uno de uva es de 7,58%

consignas.

1. Proporcione ejemplos de espacios muestrales discretos

2. Proporcione ejemplos de espacios muestrales continuos

Si finaliz con la tarea, contine con la lectura.

45

_____________________________________________________________________


4.2.2.- DISTRUBUCIONES CONTINUAS DE PROBABILIDAD

4.2.2.1.- Uniforme continua:
La distribucin uniforme es aquella que puede tomar cualquier valor dentro
de un intervalo, todos ellos con la misma probabilidad.
Es una distribucin continua porque puede tomar cualquier valor y no
nicamente un nmero determinado (como ocurre en las distribuciones
discretas). La funcin de densidad, aquella que nos permite conocer la
probabilidad que tiene cada punto del intervalo, viene definida por:
o |
=
1
) (x f , con o x < |
Podemos ejemplificar diciendo: el precio medio del litro de gasoil durante el
prximo ao se estima que puede oscilar entre 2,40 y 3,60 $. Podra ser, por
tanto, de 2,43 $, o de 2,434 $, o de 2,4345 $, o de 2,43455 $, etc. Hay infinitas
posibilidades, todas ellas con la misma probabilidad.
o |
=
1
) (x f , con o x < |

Donde: |: es el extremo superior (en el ejemplo, 3,60 $)
o: es el extremo inferior (en el ejemplo, 2,40 $)
Por lo tanto, la funcin de distribucin del ejemplo sera:
8333 , 0
20 , 1
1
40 , 2 60 , 3
1
) ( = =
= x f
46

_____________________________________________________________________


Es decir, que el valor final est entre 2,40 $ y 2,50 $ tiene un 8,33% de
probabilidad, que est entre 2,50 y 2,60, otro 8,33%, etc.
El valor medio de esta distribucin se calcula:
2
) (
| o
+
= = x E
$ 00 , 3
2
60 , 3 40 , 2
=
+
=
Por lo tanto, el precio medio esperado del gasoil para el prximo ao es de $ 3,00
La varianza en una distribucin uniforme continua ser:
12
) (
) (
2
2
o |
o

= = x VAR
2
2
2
$ 12 , 0
12
) 40 , 2 60 , 3 (
=
= o

consignas.

1. Cmo ser la grfica de una distribucin uniforme continua?

47

_____________________________________________________________________


2. En este caso es lo mismo P (X< 6 ) que P(X 6), por qu?

Si finaliz con la tarea, contine con la lectura.

4.2.2.2.- Normal:
La teora de probabilidades se basa en el estudio de este tipo de distribuciones,
es el modelo de distribucin ms utilizado en la prctica, ya que una multitud de
fenmenos se comportan segn una distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen formando una
campana de Gauss, en torno a un valor central que coincide con el valor medio
de la distribucin
Distribucin normal

Valor medio
La funcin de densidad de la variable aleatoria normal X, con media y
varianza
2
, es:
2
) (
2
1
.
. 2
1
) (
o
o t
=
x
e x f

48

_____________________________________________________________________


Donde ... 14159 , 3 = t y e = 2,71828
A no asustarse la aplicacin en la prctica es de clculo sencillo, utilizando
la tabla de la distribucin normal.
Caractersticas de la Distribucin Normal:
- La Moda, que es el punto donde la curva tiene su mximo valor, sobre el
eje horizontal, ocurre en x = .
- La curva es simtrica respecto de su eje vertical donde tiene la media .
- La curva posee sus puntos de inflexin en x = , entonces es cncava
hacia abajo si - < X < + y es cncava hacia arriba en cualquier otro
punto.
- La curva normal es asinttica en cualquiera de las dos direcciones
alejndose de la media, se acerca al eje horizontal, sin tocarlo.
- El rea total bajo la curva y por encima del eje horizontal es igual a uno.-
La distribucin normal viene definida por dos parmetros:
X ~ N ( ,
2
)
: como ya lo expusimos es el valor medio de la distribucin y precisamente all
es donde se sita el centro de la curva (de la campana de Gauss).
2
: es la varianza, indica si los valores estn ms o menos alejados del valor
central: si la varianza es baja los valores estn prximos a la media; si es alta,
entonces los valores estn muy dispersos.
Cuando la = 0 y = 1 se denomina normal estndar, y su ventaja reside en
tablas donde se recogemos la probabilidad acumulada para cada punto de la
curva. Adems, toda distribucin normal se puede transformar en una normal
estndar empleando una frmula de transformacin
49

_____________________________________________________________________


Para transformarla en una normal estndar se crea una nueva variable (Z) que
ser igual a la anterior (X) menos su media y dividida por su desviacin estndar
(que es la raz cuadrada de la varianza).
o

=
X
Z

Esta nueva variable se distribuye como una normal tipificada, permitindonos,
por tanto, conocer la probabilidad acumulada en cada valor: Z ~ N (0, 1)
Trabajar con la distribucin normal estndar tiene la ventaja, de que las
probabilidades o reas para cada valor bajo la curva se encuentran en una tabla.
Por ejemplo: tenemos una variable aleatoria que sigue el modelo de una
distribucin normal con= 10 y
2
= 4. Transformarla en una normal estndar. X
~ N (10, 4)
o

=
X
Z
2
10
=
X
Z

Distribuciones Normal Estndar
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
50

_____________________________________________________________________


0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861

Metodologa de trabajo de la Tabla Normal:
La columna de la izquierda indica el valor estndar Z (entero y primer decimal)
cuya probabilidad acumulada queremos conocer. La fila superior nos indican el
segundo decimal del valor que estamos consultando.
Por ejemplo: si queremos conocer la probabilidad acumulada en el valor 1,88.
Entonces buscamos en la columna de la izquierda el valor 1,8 y en la primera fila
el valor 0,08. La casilla donde se intersectan es su probabilidad acumulada
(0,9699, es decir 96,99 %).
51

_____________________________________________________________________


Nota: la tabla nos da probabilidades acumuladas, es decir, la que va desde el
inicio de la curva por la izquierda hasta dicho valor. No nos da la probabilidad
concreta en ese punto. En una distribucin continua en el que la variable puede
tomar infinitos valores, la probabilidad en un punto concreto es prcticamente
despreciable.

Ejemplo Tabla Normal 1:
La probabilidad acumulada en el valor Z = 0,85: la respuesta es 0,8023

Ejemplo Tabla Normal 2:
El tiempo medio que los empleados de una empresa trabajan en una maquina en
particular, se distribuye segn una distribucin normal, con media 5 hs. y
desviacin estndar de 1 hs. Calcular el porcentaje de empleados que trabajan
menos de 7 hs. en la mquina.
Lo primero que vamos a hacer es transformar esa distribucin en una normal
estndar, para ello se crea una nueva variable (Z) que ser igual a la anterior (X)
menos su media y dividida por la desviacin estndar:

52

_____________________________________________________________________


Recuerde que:
o

=
X
Z en nuestro ejemplo ser 2
1
5 7
=
= Z
Esta nueva variable Z se distribuye como una normal estndar. Ahora podemos
consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a la
probabilidad de empleados que trabajan menos de 7 hs. en la mquina). Esta
probabilidad es 0,97725 o sea que el porcentaje de empleados que trabajan
menos de 7 hs. en la mquina es del 97,725%.

- EJERCICIOS RESUELTOS-

I.- La renta media de los habitantes de un pas es de 40.000 $/ao, con una
varianza de 150 millones de pesos. Se supone que se distribuye segn una
distribucin normal. Calcular:

a) Porcentaje de la poblacin con una renta inferior a 30 mil $; Lo primero que
hacemos es estandarizar los valores:
o

=
X
Z en nuestro ejemplo ser 8165 , 0
45 , 12247
40000 30000
=
= Z
(*) Recordemos que el denominador es la desviacin estndar (raz cuadrada de
la varianza)
El valor de Z equivalente a 30 mil $ es -0,816, o sea P (X < 30) = P (Z < -0,8165)
Ahora tenemos que buscar cul es la probabilidad acumulada hasta ese valor. Si
bien la tabla de slo abarca valores positivos, este problema tiene fcil solucin,
ya que la distribucin normal es simtrica respecto al valor medio.

53

_____________________________________________________________________


Entonces P (Z < -0,8165) = P (Z > 0,8165)
Como la probabilidad que hay de un valor hacia delante es igual a 1 (100%)
menos la probabilidad acumulada hasta dicho valor:
P (Z> 0,8165) = 1 - P (Z < 0,8165) = 1 - 0,7925 = 0,2075
De donde, el 20,75% de la poblacin tiene una renta inferior a 30 mil $.
b) Renta a partir de la cual se sita el 10% de la poblacin con mayores ingresos.
Vemos en la tabla el valor de la variable Z cuya probabilidad acumulada es el 0,9
(90%), lo que quiere decir que por encima se sita el 10% superior.
Ese valor corresponde a Z 1,282. Ahora calculamos la variable normal X
equivalente a ese valor de la normal estandarizada:

o Z X + = en nuestro ejemplo ser 23 , 701 . 55 45 , 12247 . 282 , 1 40000 = + = X

De donde, aquellas personas con ingresos superiores a 55.701,23 $ constituyen
el 10% de la poblacin con renta ms elevada.

c) Ingresos mnimo y mximo que encierra al 60% central de la poblacin.
Buscamos en la tabla el valor de la variable normalizada Z cuya probabilidad
acumulada es el 0,8 (80%). Como tenemos el 60% al centro, a cada lado queda
un 20%, hasta la media la probabilidad acumulada es del 50%, quiere decir que
entre la media y este valor de Z hay un 30% de probabilidad.
54

_____________________________________________________________________


Por otra parte, al ser la distribucin normal simtrica, entre -Z y la media hay otro
30% de probabilidad. En definitiva, el segmento (-Z, Z) encierra al 60% de
poblacin con renta media.

Continuamos

El valor de Z que acumula el 80% de la probabilidad es aproximadamente 0,842,
por lo que el segmento viene definido por (-0,842, +0,842). Ahora calculamos los
valores de la variable X correspondientes a estos valores de Z.
Los valores de X son 29.687,65 y 50.312,35. Por lo tanto, las personas con
ingresos superiores a 29.687,65 $ e inferiores a 50.312,35 $ constituyen el 60%
de la poblacin con un nivel medio de ingresos.
II.- La vida media de los habitantes de un pas es de 68 aos, con una varianza
de 25. Se hace un estudio en una pequea ciudad de 10.000 habitantes:

a) Cuntas personas superarn previsiblemente los 75 aos?
Calculamos el valor estndar de la normal equivalente a 75 aos
4 , 1
5
68 75
=
= Z

Por lo tanto P (X > 75) = P (Z > 1,4) = 1 - P (Z < 1,4) = 1 - 0,9192 = 0,0808
De aqu que el 8,08% de la poblacin (808 habitantes) vivirn ms de 75 aos
55

_____________________________________________________________________


b) Cuntos vivirn menos de 60 aos?
Calculamos el valor de la normal tipificada equivalente a 60 aos
6 , 1
5
68 60
=
= Z
Por lo tanto P (X < 60) = P (Z < -1,6) = P (Z > 1,6) = 1 - P (Z < 1,6) = 0,0548
Entonces, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a
esta edad.

No hay aprendizaje sin actividad!

EJERCICIOS PROPUESTOS:
III.- El consumo medio anual de cerveza de los habitantes de un pas es de 59
litros, con una varianza de 36. Se supone que se distribuye segn una
distribucin normal.
a) Si usted presume de buen bebedor, cuntos litros de cerveza tendra que
beber al ao para pertenecer al 5% de la poblacin que ms bebe?

56

_____________________________________________________________________


b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho
qu podra argumentar en su defensa?

IV.- A un examen de admisin se han presentado 2.000 aspirantes. La nota
media ha sido un 5,5, con una varianza de 1,5.

a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir
organizando una fiesta para celebrar su xito?

b) Va a haber una 2 oportunidad para el 20% de notas ms altas que no se
hayan clasificados. A partir de que nota se podr participar en este repechaje?

57

_____________________________________________________________________


Recuerde la importancia de elaborar un cuadro resumen que lo ayude a la
interpretacin del contenido.

Responda ahora a las siguientes consignas.

1. Cules son las caractersticas de una curva normal?

2. Qu se entiende por el proceso de estandarizacin?

Continuamos

4.3.3.- Exponencial:
A pesar de que la distribucin Normal puede utilizarse para resolver muchos
problemas en ingeniera y ciencias, existen an numerosas situaciones que
requieren diferentes tipos de funciones de densidad, tales como la exponencial y
la gamma y algunas otras como la weibull, etc., etc., en este modulo solo
trataremos sobre el uso de la exponencial.
La distribucin exponencial es un caso especial de la distribucin gamma, ambas
tienen un gran nmero de aplicaciones. Las distribuciones exponencial y gamma
juegan un papel importante tanto en teora de colas como en problemas de
confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el
tiempo de falla de los componentes y sistemas elctricos, frecuentemente
involucran la distribucin exponencial. La relacin entre la gamma y la
exponencial permite que la distribucin gamma se utilice en tipos similares de
problemas.
58

_____________________________________________________________________


La variable aleatoria x tiene una distribucin exponencial, con parmetro |, si su
funcin de densidad es:

|
|
x
x x f

= .
1
) ( , con x>0 . f(x) = 0 en cualquier otro caso.

donde | > 0

La media y la variancia de la distribucin exponencial son:

= | y o
2
= |
2

La media de la distribucin exponencial es el parmetro , el recproco del
parmetro en la distribucin de Poisson. Como mencionamos oportunamente se
dice con frecuencia que la distribucin de Poisson no tiene memoria, lo cul
implica que las ocurrencias en perodos de tiempo sucesivos son independientes.
Aqu el parmetro importante es el tiempo promedio entre eventos. En teora
de la confiabilidad, donde la falla de un equipo concuerda con el proceso de
Poisson, recibe el nombre de tiempo promedio entre fallas. Muchas
descomposturas de equipo siguen el proceso de Poisson, y entonces la
distribucin exponencial es aplicable.

En el siguiente ejemplo se muestra una aplicacin simple de la distribucin
exponencial en un problema de confiabilidad. La distribucin binomial tambin
juega un papel importante en la solucin.

Ejemplo 1) Suponga que un sistema contiene cierto tipo de componente cuyo
tiempo de falla en aos est dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla 5. Si 5 de estos
59

_____________________________________________________________________


componentes se instalan en diferentes sistemas, cul es la probabilidad de que
al menos 2 continen funcionando despus de 8 aos?

La probabilidad de que un determinado componente est funcionando an
despus de 8 aos es:

2 , 0 .
5
1
) 8 (
5
8
8
5
~ = = >

}
e dt e x P
t
donde la integral se evala desde 8 hasta .

Si x representa el nmero de componentes funcionando despus de 8 aos.
Entonces mediante la distribucin Binomial,

n = 5
p = 0.20 = probabilidad de que un componente est funcionando despus de 8
aos
q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8
aos

P(x > 2 ) = P (x=2) + P (x=3) + P (x=4)+ P (x=5) = 1 P (x = 0, 1)

2627 , 0 07373 , 1 } ) 8 , 0 ( ) 2 , 0 ( ) 8 , 0 ( ) 2 , 0 ( { 1
4 1
1 5
5 0
0 5
= = + C C

Ejemplo 2) El tiempo que transcurre antes de que una persona sea atendida en
una cafetera es una variable aleatoria que tiene una distribucin exponencial con
una media de 4 minutos. Cul es la probabilidad de que una persona sea
atendida antes de que transcurran 3 minutos en al menos 4 de los 6 das
siguientes?

60

_____________________________________________________________________


5276 , 0 1 .
4
1
) 3 (
4
3
4
1
3
0
.
4
1
~ = = = s

}
e dt e T P
t
c la integral se evala de 0 a 3

Si x es el nmero de das en que un cliente es atendido antes de que transcurran
3 minutos x = 0, 1, 2,...,6 das
p = probabilidad de que un cliente sea atendido antes de que transcurran 3
minutos en un da cualquiera = 0,5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3
minutos en un da cualquiera = 1- p = 0,4724

= + } ) 4724 , 0 ( ) 5276 , 0 ( ) 4724 , 0 ( ) 5276 , 0 (
0 6
6 6
1 5
5 6
C C 0,11587 + 0,02157 = 0,13744

Consulte a su tutor por intermedio de la PLATAFORMA EDUCATIVA
INTERACTIVA.

No hay aprendizaje sin actividad!

En una investigacin sobre la cantidad de visitantes que utilizarn los sistemas de
elevacin de autosillas, se considera que sigue una distribucin normal, con
media de 30 visitantes hora con una desviacin estndar de 5 horas:

7. Podramos obtener que probabilidad hay de que utilicen el sistema
menos de 35 visitantes, como?

61

_____________________________________________________________________


8. Y ms de 35 visitantes, como lo hara?

9. El gerente nos pregunta que valores encierra el 80% central, como lo
calculamos?

10. Y para conocer el valor por encima del cual se encuentra el 5% de mayor
concurrencia?

Si obtuvimos los valores necesarios del ejemplo planteado, es que la
herramienta est comenzando a sernos til, afiancemos los conceptos ms
importantes y habremos maximizado nuestros conocimientos.

Recuerde la importancia de elaborar un cuadro resumen que lo ayude a la
interpretacin del contenido.

Responda ahora a las siguientes consignas.

1. Cuntos tipos de distribuciones de probabilidad conoce, y qu las
diferencia: _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
_ _ _ _ _ _ _ _ _

2. La exponencial es una distribucin _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
_ _ _ , _ _ _ _ _
_ _ _ _ _ _
62

_____________________________________________________________________


3. La media y la varianza son iguales en la distribucin de _ _ _ _ _ _ _ _ _ _
_ _ _

4. Cmo se determina si una variable aleatoria tiene distribucin normal o
no: _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
_ _._ _ _ _ _

5. Cmo expondra un ejemplo de una distribucin uniforme continua _ _ _
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _._ _ _
_ _ _ _ _

6. Si utilizamos la distribucin multinomial es porque estamos en presencia
de:_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
_ _ _ _ _

7. Si la variable aleatoria X solo puede tomar valores enteros, entonc
x

es un nmero entero.

8. Al hablar de k xitos y N-k fracasos A qu distribucin nos estamos
refiriendo? _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
_ _ _

9. Exponga la frmula que utilizamos para el proceso de estandarizacin: _
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
_ _ _ _ _ _

10. Qu condiciones debe cumplir una distribucin para aplicar lo del
punto anterior? _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
_ _ _ _ _ _ _ _ _ _

63

_____________________________________________________________________


BIBLIOGRAFIA

1. BERENSON Mark y LEVINE David, Estadstica Bsica en Administracin.
Conceptos y Aplicaciones. 6 Edicin. Pearson -Prentice-Hall (2006)
2. VALIENTE, Stella Maris PASCUAL, Mnica. Temas de Estadstica y
Probabilidades. Edicin de las autoras. Bs. As., Mar del Plata. 1999
3. MONTGOMERY, DOUGLAS RUNGER, GEORGE C. "Probabilidad y
Estadstica Aplicadas a la Ingeniera" (2. Ed) McGraw-Hill. 2003.
4. MILTON,J SUSAN & ARNOLD,JESSE C Probabilidad Y Estadistica con
aplicaciones para ingeniera y ciencias computacionales(Editorial McGraw-
Hill) (4 edicin - 2004).
5. WALPOLE-MYERS. Probabilidad y Estadstica " McGRAW-HILL. 1992
6. JAY. L. DEVORE Probabilidad y Estadstica para ingeniera y ciencias
(Paraninfo)
7. MEYER, Paul L. "Probabilidad y Aplicaciones Estadsticas". De. Fondo
Educativo Interamericano. Mxico. 1.986.
8. CRAMER, Harold. Teora de Probabilidades y Aplicaciones" De. Aguilar -
Madrid 1966
9. CRISTOFOLLI MARIA Y BELLIARD MATAS, Manual de Estadstica con
Excel, Omicron System S.A. (2003)
10. FREEMAN, Howard G. " Introduccin a la Teora Matemtica de las
Probabilidades y a la Estadstica. De. Mc. Graw-Hill. Mxico. 1.993.

64

_____________________________________________________________________


RESUMEN DE LA UNIDAD DIDCTICA
El anlisis y la interpretacin, constituyen los eslabones necesarios para
obtener los indicadores de un conjunto de datos que nos provee la estadstica,
herramienta de gran utilidad para distintas ramas del estudio de los hechos.
Cuando calculamos una media poblacional o muestral, la interpretamos y luego
observamos si existe mucha o poca variabilidad respecto de ella, ya tenemos
indicadores resmenes de estos conjuntos de datos.
Con el agregado de la Asimetra, ya podemos concluir acerca del anlisis
de este conjunto de datos a los cuales sumados la interpretacin, tenemos
informacin para ser presentada a terceros.

CONCLUSIN
Estimado alumno: En este mdulo, se ha plasmado, lo
que creemos que es lo mnimo que debe conocer un
profesional de Seguridad de Higiene Laboral sobre su
principal objeto de trabajo...
Queda como inquietud individual, la profundizacin de
estos conocimientos por medio de la bibliografa
sugerida o la constante actitud atenta a lo largo de los
aos de actividad que les espera.
No obstante, debemos recordar, que la Estadstica est
siempre presente desde el primer acto de nuestro da:
me abrigo hoy porque hay probabilidad que haga
fro????
...Y tal vez por ello es que creemos tan importante, el
uso de la herramienta, para discernir acerca de que
camino elegir.
La formacin que buscamos debe aplicarse al servicio
del ser humano, nuestro prjimo, en vas de lograr sus
anhelos y felicidad.
Si logramos comprender sto, estamos construyendo
un futuro mejor.
C.P.N. Vicente Niziolek
65

_____________________________________________________________________


Aprovechen este material para el que hemos trabajado, buscando explicitar de la
manera ms clara conceptos, ideas y ejemplos de la herramienta ms usada por
el hombre en todas las ciencias: LA ESTADSTICA.

Hemos llegado al final del MDULO PROBABILIDADES Y ESTADSTICA.

Suerte y xitos!!!
Para Reflexionar:

"La confianza en uno mismo y la rpida decisin son el preludio del xito".
Jos Marti, escritor cubano

Unidad 4 Probabilidades

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Unidad 4 Probabilidades

Încărcat de

Drepturi de autor:

Formate disponibile

1

S-ar putea să vă placă și