REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DE EDUCACIÓN SUPERIOR

UNIVERSIDAD NACIONAL EXPERIMENTAL
“SIMÓN RODRÍGUEZ”
NUCLEO, MATURÍN. ESTADO MONAGAS.

Probabilidad

Facilitadora: Integrante:

Ingrid Betancourt Karen Márquez C.I. 20.935.686

Sección “G”

Maturín, Octubre 2013

1. Distribución de probabilidad

Una distribución de probabilidad indica toda la gama de valores que pueden

representarse como resultado de un experimento. Una distribución de probabilidad
es similar al distribución de frecuencias relativas .Si embargo, en vez de describir
el pasado, describe la probabilidad que un evento se realice en el futuro,
constituye una herramienta fundamental para la prospectiva, puesto que se puede
diseñar un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenómenos naturales.
Una distribución de probabilidad indica toda la gama de valores que pueden
representarse como resultado de un experimento si éste se llevase a cabo.

Es decir, describe la probabilidad de que un evento se realice en el futuro,

constituye una herramienta fundamental para la prospectiva, puesto que se puede
diseñar un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenómenos naturales.
Toda distribución de probabilidad es generada por una variable (porque puede
tomar diferentes valores) aleatoria x (porque el valor tomado es totalmente al
azar), y puede ser de dos tipos:

Toda distribución de probabilidad es generada por una variable aleatoria x, la que

puede ser de dos tipos:
1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar
diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y
discreta porque solo puede tomar valores enteros y un número finito de ellos.

Ejemplos:
x Variable que nos define el número de burbujas por envase de vidrio que son
generadas en un proceso dado.
X 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
x Variable que nos define el número de productos defectuosos en un lote de 25
productos.
X 0, 1, 2, 3,....,25 productos defectuosos en el lote
X Variable que nos define el número de alumnos aprobados en la materia de
probabilidad en un grupo de 40 alumnos.
X 0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre serán enteros, nunca fraccionarios.

2. Distribución binominal

En estadística, la distribución binomial es una distribución de probabilidad

discreta que mide el número de éxitos en una secuencia de n ensayos de Bernoulli
independientes entre sí, con una probabilidad fija p de ocurrencia del éxito entre
los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotómico, esto
es, sólo son posibles dos resultados. A uno de estos se denomina éxito y tiene
una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p.
En la distribución binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número de
éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de
Bernoulli.
Para representar que una variable aleatoria X sigue una distribución binomial de
parámetros n y p, se escribe:

La distribución binomial es la base del test binomial de significación estadística.

Propiedades
- La muestra se compone de un número fijo de observaciones n
- Cada observación se clasifica en una de dos categorías, mutuamente
excluyentes (los eventos no pueden ocurrir de manera simultánea. Ejemplo: Una
persona no puede ser de ambos sexos) y colectivamente exhaustivos (uno de los
eventos debe ocurrir. Ejemplo: Al lanzar una moneda, si no ocurre cruz, entonces
ocurre cara). A estas categorías se las denomina éxito y fracaso.
- La probabilidad de que una observación se clasifique como éxito, p, es constante
de una observación o otra. De la misma forma, la probabilidad de que una
observación se clasifique como fracaso, 1-p, es constante en todas las
observaciones.
- La variable aleatoria binomial tiene un rango de 0 a n
Ecuación:
PX=n!X!n-X!·pX·1-pn-X
Donde
PX=Probabilidad de X éxitos, dadas y
n = Número de observaciones
p = Probabilidad de éxitos
1-p = Probabilidad de fracasos
X = Número de éxitos en la muestra (= 0, 1, 2, 3, 4,………)
Ejemplo ilustrativo N° 1
Determine P(X=5) para n = 6 y p = 0,83
Solución:
Aplicando la ecuación se obtiene:
PX=n!X!n-X!·pX·1-pn-X
PX=5=6!5!6-5!·0,835·1-0,836-5=0,4018
En Excel se calcula de la siguiente manera:
a) Se escribe los datos y se inserta la función DISTR.BINOM. Clic en Aceptar. Los
argumentos de la función escribir como se muestra en la figura:
b) Clic en Aceptar
Ejemplo ilustrativo N° 2
Determinar P(X=4) para n =5 y p = 0,45
Solución:

Se puede aplicar la ecuación para cada probabilidad, pero para ahorrar tiempo se
recomienda encontrar las probabilidades con lectura en la tabla de probabilidades
binomiales. Realizando la lectura en la tabla de la distribución binomial para
P(X=0) con n=5 y p=0,5 se obtiene 0,0503. Continuando con la respectivas
lecturas en la tabla se obtiene: 0,2059 para P(X=1), 0,3369 para P(X=2), 0,2757
para P(X=3) y 0,1128 para P(X=4),
Por lo tanto PX=4=0,0503+0,2059+0,3369+0,2757+0,1128=0,9816

Ejemplo, se tira una moneda 10 veces: ¿cuantas caras salen? Si no ha salido

ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor
2; si todas han sido cara la variable toma el valor 10. La distribución de
probabilidad de este tipo de distribución sigue el siguiente modelo,
n!
P( X  x )  P k Q n k PQ 1
k! (n  k )!

Ejemplo, ¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10

veces?. k es el número de aciertos. En este ejemplo k igual a 6 (en cada acierto
decíamos que la variable toma el valor 1: como son 6 aciertos, entonces k=6), n es
el número de ensayos. En nuestro ejemplo son 10, P es la probabilidad de éxito,
es decir, que salga cara al lanzar la moneda. Por lo tanto P=0,5. Entonces,
10!
P( X  6)  0.5 6 0.510 6  0.205
6! (10  6)!

Luego, P(x=6) = 0,205, es decir, se tiene una probabilidad del 20,5% de obtener 6
caras al lanzar 10 veces una moneda.

3 Función de densidad y su característica

En la teoría de la probabilidad, la función de densidad de

probabilidad, funciónde densidad o una variable_aleatoria continua describe la
probabilidad relativa según la cual dichavariable aleatoria tomará determinado
valor. La probabilidad de que la variable aleatoria caiga en una región
específica del espacio de posibilidades estará dada por la integral de la
densidad de esta variable entre uno y otro límite de dicha región. La función de
densidad de probabilidad (FDP o PDF en inglés) es no-negativa a lo largo de
todo su dominio y suintegral sobre todo el espacio es de valor unitario.
Una función de densidad de probabilidad caracteriza el comportamiento probable
de una población en tanto especifica la posibilidad relativa de que una variable
aleatoria continua X tome un valor cercano a x.
Una variable aleatoria X tiene densidad f, siendo f una función no
negativa integrable de Lebesgue, si:

Por lo tanto, si F es la función de distribución acumulativa de X, entonces:

y (si f es continua en x)

Intuitivamente, puede considerarse f(x) dx como la probabilidad de X de caer en

el intervalo infinitesimal [x, x + dx].
Se define como el cociente entre la probabilidad de X de tomar un valor en
el intervalo [x, x + dx] y dx, siendo dx un infinitésimo. La mayoría de las funciones
de densidad de probabilidad requieren uno o más parámetros para especificarlas
totalmente. Recíprocamente respecto de la definición ya desarrollada, pueden
hacerse las siguientes consideraciones.
La probabilidad de que una variable aleatoria continua X quede ubicada entre los
valores a y b está dada por el desenvolvimiento en el intervalo de la FDP; de los
valores comprendidos en el rango entre a y b.

La FDP es la derivada (cuando existe) de la función de distribución:

Así, si F es la función de distribución acumulativa de X, entonces:

 y (si f es continua en x)

CARACTERISTICAS
De las propiedades de la función de densidad se siguen las siguientes
propiedades de la fdp (a veces visto como pdf del inglés):

 para toda .
 El área total encerrada bajo la curva es igual a 1:

 La probabilidad de que tome un valor en el intervalo es el área bajo

la curva de la función de densidad en ese intervalo o lo que es lo mismo, la
integral definida en dicho intervalo. La gráfica f(x) se conoce a veces
como curva de densidad.

Algunas FDP están declaradas en rangos de a , como la de

la distribución normal.

4. Distribución Normal
Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su
propio nombre indica su extendida utilización, justificada por la frecuencia o
normalidad con la que ciertos fenómenos tienden a parecerse en su
comportamiento a esta distribución. Muchas variables aleatorias continuas
presentan una función de densidad cuya gráfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un
mismo valor de p y valores de n cada vez mayores, se ve que sus polígonos de
frecuencias se aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribución normal se debe principalmente a que
hay muchas variables asociadas a fenómenos naturales que siguen el modelo de
la normal.
 Caracteres morfológicos de individuos (personas, animales, plantas,…) de una
especie, p. ejm. Tallas, pesos, envergaduras, diámetros, perímetros…
 Caracteres fisiológicos, por ejemplo; efecto de una misma dosis de un fármaco,
o de una misma cantidad de abono.
 Caracteres sociológicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen.
 Caracteres psicológicos, por ejemplo: cociente intelectual, grado de adaptación
a un medio……
 Errores cometidos al medir ciertas magnitudes.
 Valores estadísticos maestrales, por ejemplo: la media.
 Otras distribuciones como la binomial o la de Poisson son aproximaciones
normales…
Y en general cualquier característica que se obtenga como suma de muchos
factores.

Ejemplo
Ejemplo 1.- El tiempo medio en realizar una misma tarea por parte de los
empleados de una empresa se distribuye según una distribución normal, con
media de 5 días y desviación típica 1 día. Calcular el porcentaje de empleados que
realizan la tarea en un tiempo inferior a 7 días.

t1 = -y t2 = (7 -5)/1 = 2
En la tabla la probabilidad acumulada para el valor 2 (equivalente a un tiempo
inferior a 7 días.). Esta probabilidad es 0,9772. Por lo tanto, el porcentaje de
empleados que realizan la tarea en un tiempo inferior a 7 días es del 97,7%.

5. Tipificación de la normal

Como ya debes saber, para calcular probabilidades con variables que siguen la
distribución normal se usan tablas. Pero, puesto que sería imposible tener una
tabla para cada posible distribución normal, como habrás visto en el apartado
anterior, solamente tenemos la tabla de la distribución normal estándar.
Necesitaremos, pues, ser capaces de transformar las
variables X "normales" N(µ,s) que encontremos en variables Z que sigan una
distribución normal estándar N(0,1). Este proceso se llama "tipificación de la
variable".
Llamamos tipificación de una distribución normal N(μ, σ) al proceso de efectuar
el siguiente cambio de variable:

De esta manera una pregunta sobre la variable X se transforma en una pregunta

sobre la variable normal estándar Z:

Una vez tipificada la variable, la contestación a las preguntas se hace con la

tabla de la distribución normal estándar que hemos estudiado en el apartado
anterior. Veamos algún ejemplo:
Ejemplo
Supongamos que las alturas de los pinos de una plantación siguen una
distribución normal de media μ=175 cm y de desviación típica σ=12.
a) ¿Qué porcentaje no superan los 181 cm?,
b) ¿Y cuál es el porcentaje de los que superan los 200 cm?
c) ¿Y el porcentaje de los que miden menos de 160 cm?
d) ¿Qué tanto por ciento están entre 165 cm y 185 cm?
e) Si se plantaron un total de 1350 pinos, ¿Cuántos medirán entre 165 y 185 cm?
¿Y cuántos medirán más de 2 metros?
Las alturas de los pinos se distribuyen de acuerdo con la normal N(175, 12):

a)
Luego el 69,15% de los pinos superan los 181 cm.
b)

Luego sólo pasan de 200 cm un 1,88%.

 c)
Luego sólo un 10,56% son más bajos de 160 cm.

d)
Luego el porcentaje de los que miden entre 165 cm y 1865 cm es del 59,34%.
e) E 59,32 % de los 1350 pinos, que son 801 pinos, medirán entre 165 y 185
cm. Mientras que el 1.88% de los 1350 pinos, que son 25 pinos pasarán de los
2 m de altura.

6 Aproximación de la normal

El teorema del límite central establece que si se tienen n variables aleatorias,

X1, X2, ..., Xn, independientes y con idéntica distribución de media µ y
varianza σ, a medida que crece n, la suma (y la media) de estas variables
tiende a seguir una distribución normal.

El teorema del límite central, explicado de forma intuitiva, afirma que cualquiera
que sea la distribución común de un conjunto de variables aleatorias,
suponiendo que su varianza sea finita, la suma y la media de un número
elevado de estas variables tenderá a distribuirse de manera similar a una
variable normal.

La función de distribución normal se usa extensamente en computación científica y

estadística. Por consiguiente, ha sido implementada de varias formas.
Abramowitz y Stegun (1964) dan la conocida como "mejor aproximación de
Hastings" para Φ(x) con x > 0 con un error absoluto
|ε(x)| < 7.5·10−8 (algoritmo 26.2.17):

donde ϕ(x) es la función de densidad de la distribución normal estándar,

y las constantes son b0 = 0.2316419, b1 = 0.319381530, b2 = −0.356563782, b3 =
1.781477937, b4 = −1.821255978, b5 = 1.330274429.
La Biblioteca Científica GNU calcula valores de la función de distribución normal
estándar usando aproximaciones por funciones racionales a trozos. Otro método
de aproximación usa polinomios de tercer grado en intervalos. 10 El artículo sobre
el lenguaje de programación bc proporciona un ejemplo de cómo computar la
función de distribución en GNU bc.
Para una discusión más detallada sobre cómo calcular la distribución normal,
véase la sección 3.4.1C. de The Art of Computer Programming (El arte de la
programación por ordenador), de Knuth.

7. Escala de notas basadas en la curva normal

La curva normal es un instrumento matemático de amplia utilización en el ámbito

de la estadística. Abordaremos los conceptos probabilístico que ayudaran a
comprender la naturaleza de la distribución normal y comprobaremos sus múltiples
aplicaciones al problema de la inferencia estadística, introducimos aquí algunas
ideas al respecto que pueden sernos útiles en el estudio de la distribución de
frecuencias de un grupo.
La curva normal es una curva teórica definida por la siguiente función matemática:
El interés que en este momento tiene para nosotros la curva normal estriba en que
la distribución de muchas variables consideradas en las ciencias de la educación
se aproxima frecuentemente a ellas. En efecto, para una amplia variedad de
variables, la curva normal es una muy buena aproximación a la distribución de
frecuencias obtenida cuando contamos con un elevado número de puntuaciones.

Curtosis.
El coeficiente de curtosis mide cuan 'puntiaguda' es una distribución respecto de
un estándar. Este estándar es una forma acampanada denominada 'normal', y
corresponde a una curva de gran importancia en estadística.
El coeficiente de curtosis está definido por:

De acuerdo a su valor, la 'puntudez' de los datos puede clasificarse

en tres grupos:
Leptocúiticos, con valores grandes para el coeficiente.
Mesocúiticos, con valores medianos para el coeficiente.
Platicúiticos, con valores pequeños para el coeficiente.
Las siguientes figuras muestran gráficamente los tres tipos de cuivas de acuerdo a
la definición anterior:
Una curva Mesocúrtica tiene un Coeficiente de Cuitosis cercano a cero. Una
Leptocúitica, un valor notoriamente mayor que cero y una Platicúitica valores
menores que cero.
Cuando aludíamos al concepto de curtosis, avanzábamos la idea de que un
polígono de frecuencias podía aproximarse mediante una curva. Nos detendremos
ahora a examinar esta afirmación. Supongamos que tenemos una variable,
medida en escala de intervalos, cuya distribucción de frecuencia puede ser
representada por un histograma, sobre el que es posible trazar el correspondiente
polígono de frecuencias. A medida que aumentemos el número de intervalos,
disminuirá su amplitud y las bañas del histograma se estrecharan. Si continuamos
aumentando

El número de intervalo hasta el límite, es decir, cuando este número tiende a ser
infinito, nos encontramos con que la línea quebrada que dibuja las bañas del
histograma acaba asimilándose a una cuiva.

Pues bien, siempre que dispongamos de un numeroso grupo de individuos, esa

curva a la que tiende el polígono de frecuencias se aproxima a la curva normal
para una gran diversidad de variables: edad de los sujetos, puntuación obtenida
en numerosas pruebas de rendimiento educativo...

Para las variables cuyas distribuciones de frecuencias siguen

el modelo de la curva normal, los valores de [i y a conesponden respectivamente a
la media de un gran numero de puntuaciones recogidas para esas variables y a la
desviación típica de las mismas. A esos dos valores se les denomina parámetros
de la distribución. Si una variable X se distribuye normalmente con
media |.i y desviación típica o. diremos que sigue una distribución N (n, a).

Para cada valor de la media y cada valor de la desviación típica,

tendremos una curva normal distinta. Se trata de una familia de
curvas que tienen un aspecto similar y coinciden en una serie de
características:

 El valor máximo de la curva coincide con la media de la distribución

 La curva es simétrica respecto al eje vertical que pasa por la media.
 Los extremos de la curva se acercan asintóticamente al eje de abcisas.
 Los puntos de inflexión se encuentran en ¡i + o, |i - o.
 En el caso de que las puntuaciones de una variable que se distribuye
normalmente se encuentren tipificadas, la curva normal es mesocúitica.
Cuando transformamos las puntuaciones de una variable que se distribuye
normalmente N (p, o) en puntuaciones típicas, tendremos un nuevo conjunto de
puntuaciones con media 0 y desviación típica 1. Estas puntuaciones también se
distribuyen normalmente N (0,1), y la función que define a esta curva normal,
denominada curva normal unitaria, quedará expresada del siguiente modo:

Al representar una variable tipificada que se distribuye normalmente, puede

observarse que la mayor parte de las puntuaciones se encuentran comprendidas
entre los valores que van de -3 a +3