UNIVERSIDAD PERUANA UNIN

ESCUELA ACADEMICO PROFESIONAL DE PSICOLOGA

ESTADSTICA
Mg. ROSA PADILLA CASTRO

PROBABILIDADES
CONTENIDO
Introduccin
Tcnicas de Conteo
Definiciones bsicas de Probabilidad
Axiomas de Probabilidad
Probabilidad Condicional
Probabilidad Total
Teorema de Bayes
Variable aleatoria
Media o esperanza matemtica de una variable
aleatoria
Varianza y desviacin tpica de una variable
aleatoria


PROBABILIDADES
INTRODUCCIN
La estadstica moderna se caracteriza por hacer uso de la
estadstica inferencial. Esta incluye un conjunto de
tcnicas que tienen el propsito de inferir o inducir leyes
de comportamiento de una poblacin a partir del estudio
de una muestra. La induccin es posible debido a que
suponemos que los datos muestrales siguen un modelo
terico de comportamiento, llamado comnmente
Modelo matemtico, el cual tiene como elemento bsico
al clculo de probabilidades.
PROBABILIDADES

OBJETIVO

Desarrollar una comprensin de los conceptos
bsicos de probabilidad que son la base necesaria
para el estudio de distribuciones de probabilidad e
inferencia estadstica.
PROBABILIDADES
TCNICAS DE CONTEO
Cada experimento involucra un nmero de resultados
favorables y un nmero total de resultados. En muchas
instancias, sin embargo, debido al gran nmero de
posibilidades, no es factible enumerar cada uno de los
resultados, en este caso se han desarrollado tcnicas de
conteo:
1. rbol de decisin.
Es una representacin grfica de un experimento que consta de r pasos,
donde cada uno de los pasos tiene un nmero finito de maneras de ser
llevado a cabo.
Ejemplo: Un producto (por ejemplo, hardware para un sistema de
computadora) se puede embarcar a travs de cuatro
aerolneas diferentes, y cada aerolnea puede transportar los
embarques por tres rutas distintas. Cuntas formas distintas de
embarcar el producto existen?
TCNICAS DE CONTEO
Solucin: Una representacin grfica de las diferentes formas de embarcar el
producto nos ayudar a contarlas, esto es el rbol de decisin.
Existen 12 formas distintas de embarcar el producto
NOTA INTERESANTE:
Si se quiere saber CUANTOS = usar el Principio de Multiplicacin
Si se quiere saber CUALES = construir el Diagrama de rbol
TCNICAS DE CONTEO
2. FACTORIAL (n!)
Producto ordenado de los nmeros enteros positivos, desde el que indica el signo
factorial, hasta llegar a 1.
Ejemplo:
* Tres factorial 3! = (3) (2) (1) = 6
* n factorial n! = (n) (n-1) ...(3) (2) (1) = (n-1)!n
Por definicin 0! = 1
1! = 1
3. PERMUTACIONES (INTERESA EL ORDEN)
Se entiende como cambio de lugar, esto es si se tienen dos objetos a y b, no es igual
que a sea primero y b segundo, esto es (ab) (ba), hay dos permutaciones. Ejemplo
Tres elementos 1, 2, 3, muestras de dos:
sin repeticin sera: (1,2). (1,3), (2,3), (2,1), (3,1), (3,2)
con repeticin sera: (1,2). (1,3), (2,3), (2,1), (3,1), (3,2), (1,1), (2,2), (3,3)
PROBABILIDADES
TCNICAS DE CONTEO
3. PERMUTACIONES (INTERESA EL ORDEN)
Permutaciones con repeticin: nPk = n
k
Permutaciones sin repeticin: nPk =
)! (
!
k n
n

Considere el siguiente ejemplo:

Un educador en asuntos sanitarios tiene tres carteles para exhibir uno junto
al otro en la pared del vestbulo de un centro de salud, en cuntas formas
diferentes puede colocar los carteles?

Solucin:
Por ejemplo A = cartel # 1, B cartel # 2 y C cartel # 3, entonces: A B C # B A C,
y sin repeticin, aqu importa el orden, son permutaciones con:

n = 3, k = 3


6 ! 3
)! 3 3 (
! 3
3
3
= =

= P
TCNICAS DE CONTEO
4. COMBINACIONES (NO INTERESA EL ORDEN)
k)! - (n k!
n!
C
n
k
r n
=
|
|
.
|

\
|
=
k! 1)! - (n
1)! - k (n
n(CR)k
+
=
Combinaciones sin repeticin
Combinaciones con repeticin
Ejemplo: De un equipo multidisciplinario, formado por un economista, un
ingeniero, un psiclogo Cuntos comits de dos profesionales pueden
formarse?
3
2
6
)! 1 )( 1 2 (
1 2 3
)! 2 3 ( ! 2
! 3
3
3
2
= = =

= C
x
x x
C
Primer comit : Economista, Ingeniero
Segundo comit : Ingeniero, psiclogo
Tercer comit : Economista, psiclogo
Ejemplo
Para la comida un paciente de un hospital, puede elegir una de cuatro
carnes, dos de cinco vegetales, y uno de tres postres. Cuntas comidas
diferentes puede elegir el paciente, si selecciona el nmero especificado de
cada grupo?.Nota el paciente no puede repetir dos platos de la misma
comida.

Solucin
Son combinaciones o permutaciones?; son combinaciones, por que si se
toman las muestras (carne, vegetal, postre) son iguales, esto es no importa
el orden y es sin repeticin.
Entonces por el principio de la multiplicacin, tenemos: A x B x C =
4 x 10 x 3 = 120 formas de combinar su comida.
EXPERIMENTO
Proceso que puede
repetirse y obtener un
resultado, llamado
espacio muestral: O
DETERMINSTICO
Bajo las mismas
condiciones los
resultados son los
mismos cuantas veces
se repita.
DEFINICIONES BSICAS DE PROBABILIDAD
ALEATORIO
Los resultados no se
pueden predecir a pesar
de repetir bajo las
mismas condiciones
* Suma de dos nmeros
naturales.
* Lanzar una piedra desde
una determinada altura.
* Lanzar un dado
* Concebir un hijo
* Lanzar una moneda
A = Sexo de un nio al ser concebido O = {H, M} n(O) = 2
B = Observar el nmero de caras que aparece al lanzar 3 monedas
O = {sss, ccc, csc, ccs, ssc, css, scc, scs} n(O) = 8
EVENTO
Puntos muestrales
PROBABILIDADES
PROBABILIDAD DE UN EVENTO
) (
) (
) (
n
A n
A P =
N de resultados favorables

N de resultados posibles
Evento o Suceso:
Es un subconjunto del espacio muestral y se denota por letras maysculas.
B = Obtener 2 caras
n(B) = 3 Y n(O) = 8
AXIOMAS DE PROBABILIDAD
1. P(A) > 0
2. 0 < P(A) < 1
3. P(O) = 1

4. Probabilidad de la Adicin de Eventos

Si A y B son mutuamente excluyentes
P(A U B) = P(A)+P(B)
En general:
P(A1 U A2 U.... U An) = P(A1)+P(A2)+....+P(An)
Si A y B no son mutuamente excluyentes
P(A U B) = P(A)+P(B) - P(A B)
A B B
O
B A
O

8
3
) (
) (
) ( = =
n
B n
B P
PROBABILIDAD DE UN EVENTO
Si A, B y C no son mutuamente excluyentes
P(A U B U C) = P(A)+P(B)+P(C) - P(A B) - P(B C) - P(A C) + P(A B C)

NOTA.-
P(A U A
C
) = P(A) U P(A
C
) = 1
AXIOMAS DE PROBABILIDAD
B
A
O
C
A
C

A
Ejemplo: Un 15% de los pacientes atendidos en un hospital son hipertensos, un
10% son obesos y un 3% son hipertensos y obesos. Qu probabilidad hay de
que elegido un paciente al azar sea obeso o hipertenso?
A = {obeso} B = {hipertenso}
A B = {hipertenso y obeso}
A U B = {obeso o hipertenso}
P(A) = 0,10; P(B) = 0,15; P(A B) = 0,03
P(A U B) = 0,10 + 0,15 - 0,03 = 0,22
PROBABILIDADES
PROBABILIDAD DE UN EVENTO
Si A, B y C no son mutuamente excluyentes
P(A U B U C) = P(A)+P(B)+P(C) - P(A B) - P(B C) - P(A C) + P(A B C)

NOTA.-
P(A U A
C
) = P(A) U P(A
C
) = 1
AXIOMAS DE PROBABILIDAD
B
A
O
C
A
C

A
Ejemplo: Un 15% de los pacientes atendidos en un hospital son hipertensos, un
10% son obesos y un 3% son hipertensos y obesos. Qu probabilidad hay de
que elegido un paciente al azar sea obeso o hipertenso?
A = {obeso} B = {hipertenso}
A B = {hipertenso y obeso}
A U B = {obeso o hipertenso}
P(A) = 0,10; P(B) = 0,15; P(A B) = 0,03
P(A U B) = 0,10 + 0,15 - 0,03 = 0,22
PROBABILIDADES
EJEMPLO .-

En una comunidad, se evalu el estado de nutricin de 100 nios menores
de 5 aos de edad, obtenindose los siguientes resultados:
*********************************************************
SEXO ESTADO de NUTRICION
Normal Malnutrido TOTAL
*********************************************************
Hombres 40 15 55
Mujeres 20 25 45
********************************************************
TOTAL 60 40 100
********************************************************
Se elige un nio al azar, cul es la probabilidad de que sea hombre o su
estado de nutricin sea normal ?

SOLUCION

H: Sea hombre
N: Tenga estado nutricional normal

P(HUN) = P(H) + P(N) - P(HN)
P(HUN) = 55/100 + 60/100 - 40/100 = 0.75
EJEMPLO.-
Se recolect informacin sobre el peso del recin nacido y si la madre
fum o no durante el embarazo. Los datos se presentan a continuacin:
FUMA
CIGARRILLOS PESO R N.
TOTAL
BAJO NORMAL
SI 30 10 40
NO 20 140 160
TOTAL 50 150 200
Cul es la probabilidad de que un recin nacido tenga bajo peso o sea
normal?
SOLUCION

B : Tenga bajo peso al nacer
N : Tenga peso normal

P( B N ) = P( B ) + P( N )
P( B N ) = 50 / 200 + 150 / 200 = 1

PROBABILIDAD CONDICIONAL P(A/B)
La probabilidad condicional est referida a la posibilidad de que ocurra un
evento (A) dada la condicin de que otro evento (B) ya ocurri. Es decir, en
este caso ya no nos referimos al espacio muestral total, sino al subespacio
conformado por el evento condicional. En este caso el nuevo espacio
muestra es B y la nica posibilidad de que ocurra A es que se den ambos.
Ejemplo: Se sabe que el 50% de la poblacin fuma y que el 10% fuma y es
hipertensa. Cul es la probabilidad de que un fumador sea hipertenso?

A = {ser hipertenso} B = {ser fumador}
A B = {ser hipertenso y fumador}
P(A|B) = 0,10/0,50 = 0,20
PROBABILIDADES
Ejemplo: La investigacin de las quejas de los consumidores referentes a
productos realizada por la Federal Trade Comisin (FTC, Comisin
Federal de comercio de Estados Unidos), ha generado gran inters por
parte de los fabricantes en la calidad de sus productos. Un fabricante
de procesadores de alimentos realiz un anlisis de un gran nmero
de quejas de los consumidores y determin que entraban en las seis
categoras que se muestran en la tabla 2. si se recibe una queja de un
consumidor, Qu probabilidad hay de que la causa de la queja sea el
aspecto del producto, dado que la queja se origino durante el periodo
de garanta?
Tabla 2: Distribucin de quejas por producto
Tablas de contingencia
Solucin :
Sea A el evento de que la causa de una queja en particular fue el
aspecto del producto, y con B el evento de que la queja se present
durante el periodo de garanta. Observando la tabla veremos que el
(18 + 13 +32)% = 0.63 % de las quejas se presentaron durante la
vigencia de la garanta; por tanto; por tanto, P(B) =0.63. El porcentaje
de quejas debidas a la apariencia que ocurrieron durante el periodo
de garanta (el evento A B) es el 32%, por tanto, P (A B) =0.32.
Con base en estos valores de probabilidad, podemos calcular la
probabilidad condicional P(A/B) de que la cusa de una queja sea la
causa aspecto, dado que la queja ocurri durante el periodo de
garanta:
PROBABILIDADES
As podemos ver que un poco ms de la mitad de las quejas que ocurrieron
durante el periodo de garanta se debieron a rayones, abolladuras u otras
imperfecciones en la superficie de los procesadores de alimentos.

Ejemplo:
***************************************************************
SEXO OCUPACION
Desempleados Empleados TOTAL
D D
***************************************************************
Hombres H 40 460 500
Mujeres H 260 140 400
****************************************************************
TOTAL 300 600 900
*****************************************************************
Se elige un adulto al azar, cul es la probabilidad de que:
a. Est desempleado
b. Est desempleado dado que es mujer
c. Est desempleado dado que es varn
SOLUCION:
n(DH) 260
a. P (D/M) = ---------------- = ------------ = 0.65
n(H) 400
Interpretacin:
Al elegir un adulto al azar, la probabilidad de que este desempleado dado que es
mujer es de 0.65.

EJEMPLO: Se dispone de 110 historias clnicas,
pertenecientes a pacientes masculinos y femeninos
agrupados por su nivel de hemoglobina.
M F
Estado (Masculino)
(Femenino
) Total
A (Anmico) 50 30 80
N
(Normal) 10 20 30
Total 60 50 110
Dado que la historia clnica corresponde a un paciente
anmico, cul es la probabilidad que sea mujer?
SOLUCION
n(FA) 30
P(F/A) = ----------- = ------ = 0.375
n(A) 80
Sexo
Probabilidad Total
Llamamos sistema completo de sucesos a una familia de sucesos A
1
, A
2
, ...,A
n
que cumplen:
Son incompatibles dos a dos,
La unin de todos ellos es el suceso seguro,
Sea A
1
, A
2
, ...,A
n
un sistema completo de sucesos tales que la probabilidad de
cada uno de ellos es distinta de cero, y sea B un suceso cualquier del que se
conocen las probabilidades condicionales P(B/A
i
), entonces la probabilidad del
suceso B viene dada por la expresin:
) / ( ). ( ... ) / ( ). ( ) / ( ). ( ) (
2 2 1 1 n n
A B P A P A B P A P A B P A P B P + + + =
| =
j i
A A
E A
i
n
i
=
=1

Ejemplo:
Una compaa dedicada al transporte pblico explota tres lneas de una
ciudad, de forma que el 60% de los autobuses cubre el servicio de la primera
lnea, el 30% cubre la segunda y el 10% cubre el servicio de la tercera lnea.
Se sabe que la probabilidad de que, diariamente, un autobs se avere es del
2%, 4% y 1%, respectivamente, para cada lnea. Determine la probabilidad de
que, en un da, un autobs sufra una avera.

Probabilidad Total
Solucin
El suceso "sufrir una avera" (Av) puede producirse en las tres lneas, (L
1
, L
2
,
L
3
). Segn el teorema de la probabilidad total y teniendo en cuenta las
probabilidades del diagrama de rbol adjunto, tenemos:
) / ( ). ( ) / ( ). ( ) / ( ). ( ) (
3 3 2 2 1 1
L Av P L P L Av P L P L Av P L P Av P + + =
P(Av) = 0.6 x 0.02 +0.3 x 0.04 + 0.1 x 0.01 = 0.025
Probabilidad Total
Ejemplo: Una empresa del ramo de la alimentacin
elabora sus productos en cuatro factoras: F
1
, F
2
, F
3
y F
4
.
El porcentaje de produccin total que se fabrica en cada
factora es del 40%, 30%, 20% y 10%, respectivamente, y
adems el porcentaje de envasado incorrecto en cada
factora es del 1%, 2%, 7% y 4%. Tomamos un producto de
la empresa al azar. Cul es la probabilidad de que se
encuentre defectuosamente envasado?

Solucin:
P(de que se encuentre defectuosamente envasado) =
0.028
Teorema de Bayes
Sea A
1
, A
2
, ...,A
n
un sistema completo de sucesos, tales que
la probabilidad de cada uno de ellos es distinta de cero, y sea
B un suceso cualquier del que se conocen las probabilidades
condicionales P(B/A
i
), entonces la probabilidad P(A
i
/B) viene
dada por la expresin:




Nota:
En los problemas relacionados con la probabilidad, y en
particular con la probabilidad condicionada, as como con la
probabilidad total y el teorema de Bayes, es aconsejable que,
con la informacin del problema, se construya una tabla de
contingencia o un diagrama de rbol.
) / ( ). ( ... ) / ( ). ( ) / ( ). (
) / ( ). (
) / (
2 2 1 1 n n
i i
i
A B P A P A B P A P A B P A P
A B P A P
B A P
+ + +
=
Teorema de Bayes
Ejemplo: Tres mquinas, A, B y C, producen el 45%, 30% y 25%,
respectivamente, del total de las piezas producidas en una fbrica.
Los porcentajes de produccin defectuosa de estas mquinas son
del 3%, 4% y 5%.
Seleccionamos una pieza al azar:
Calcule la probabilidad de que sea defectuosa.
Tomamos, al azar, una pieza y resulta ser defectuosa; calcular la
probabilidad de haber sido producida por la mquina B.
Qu mquina tiene la mayor probabilidad de haber producido la
citada pieza defectuosa?

Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa".
La informacin del problema puede expresarse en el diagrama de
rbol adjunto.




diagrama de rbol
Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por
la propiedad de la probabilidad total,

P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C) P(D/C) =
P(D) = 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038

Debemos calcular P(B/D). Por el teorema de Bayes,




) / ( ). ( ) / ( ). ( ) / ( ). (
) / ( ). (
) / (
C D P C P B D P B P A D P A P
B D P B P
D B P
+ +
=
Teorema de Bayes




Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D) ya
calculado. Aplicando el teorema de Bayes, obtenemos:








316 . 0
38
12
05 . 0 25 . 0 04 . 0 30 . 0 03 . 0 45 . 0
04 . 0 30 . 0
) / ( = =
+ +
=
x x x
x
D B P
355 . 0
380
135
05 . 0 25 . 0 04 . 0 30 . 0 03 . 0 45 . 0
03 . 0 45 . 0
) / ( = =
+ +
=
x x x
x
D A P
329 . 0
380
125
05 . 0 25 . 0 04 . 0 30 . 0 03 . 0 45 . 0
05 . 0 25 . 0
) / ( = =
+ +
=
x x x
x
D C P
La mquina con mayor probabilidad de haber producido la pieza
defectuosa es A
Teorema de Bayes

El 20% de los empleados de una empresa son ingenieros y otro 20% son
economistas. El 75% de los ingenieros ocupan un puesto directivo y el 50% de
los economistas tambin, mientras que los no ingenieros y los no economistas
solamente el 20% ocupa un puesto directivo. cul es la probabilidad de que
un empleado directivo elegido al azar sea ingeniero?








Rpta: 0.405
VARIABLE ALEATORIA
Es una variable cuyo valor es un nmero determinado por el resultado de un
experimento aleatorio, se denota por letras maysculas: X, Y, Z... y sus valores
individuales por su correspondiente letra minscula, si X (es una variable
aleatoria) v.a., entonces sus valores son: X1,X2,..., Xn
Si a cada valor de la variable aleatoria le asociamos su probabilidad obtenemos
la distribucin de probabilidad de dicha variable.

Ejemplo: Sea un experimento el lanzamiento de una moneda 2 veces y anotamos
los resultados obtenidos en la cara superior.
Podemos definir la variable aleatoria Y como el nmero de caras obtenido en los
2 lanzamientos. As, los valores que toma la variable pueden ser 0, 1, 2
dependiendo de los resultados del experimento.
PROBABILIDADES
VARIABLE
ALEATORIA Y
PROBABILIDAD
P(Y)
0
1
2
1/4
2/4
1/4
TOTAL 1
Luego la distribucin de probabilidad de esta variable ser:
PROBABILIDADES
ESPACIO
MUESTRAL
VARIABLE
ALEATORIA
CC
CS
SC
SS
2 (caras)
1(cara)
1(cara)
0(cara)
PROBABILIDADES
Media o esperanza de una variable aleatoria

=
= + + =
n
i
i i n n
x P X x P X x P X x P X
1
2 2 1 1
) ( ) ( . ... ) ( . ) ( .
Se llama media o esperanza de una variable aleatoria
x y se representa por:
Ejemplo:
Si lanzamos dos monedas. Si salen dos caras recibimos 3 dlares, si sale
una cara recibimos 1 dlar, y si no sale ninguna cara pagamos 5 dlares
Cul es la ganancia media del juego?
Solucin: Hallamos la funcin de probabilidad de la ganancia X en dlares:

xi 3 1 -5
Px(xi) 1/4 1/2 1/4
PROBABILIDADES
ESPACIO
MUESTRAL
Resultados al
lanzar dos
monedas
CC
CS
SC
SS
2 (caras)
1(cara)
1(cara)
0(cara)
VARIABLE
ALEATORIA Y
PROBABILIDAD
P(Y)
0
1
2
1/4
2/4
1/4
TOTAL 1
Hallamos la funcin de probabilidad de la ganancia X en dlares:

xi 3 1 -5
Px(xi) 1/4 1/2 1/4
Solucin: Determinamos el espacio muestral del experimento de lanzar dos monedas,
luego definimos su variable aleatoria y calculamos la probabilidad para cada variacin

=
= + + =
n
i
i i n n
x P X x P X x P X x P X
1
2 2 1 1
) ( ) ( . ... ) ( . ) ( .
Reemplazamos valores en la frmula de la media o esperanza de la variable xi
PROBABILIDADES
La ganancia media del juego es la media o esperanza de x:

Cuando en un juego la ganancia esperada
se llama juego justo, Si es un juego con
ventaja y si es un juego en desventaja

+ + = ) ( . ) ( . ) ( .
3 3 2 2 1 1
x P X x P X x P X
0 4 / 1 * 5 2 / 1 * 1 4 / 1 * 3 = + + =
0 =
0 >
0 s
PROBABILIDADES
Varianza y desviacin tpica de una variable aleatoria

Se llama varianza de una variable aleatoria x y se
representa por al valor:
A partir de la varianza se define la desviacin tpica como la
raz cuadrada de la varianza.
2
o
2
1
2
2 2
2
2
2 1
2
1
2
) ( .
) ( . ... ) ( . ) ( .

= + + =

=
n
i
i i
n n
x P X
x P X x P X x P X
PROBABILIDADES
Ejemplo: Hallar la varianza y la desviacin tpica de la variable
aleatoria x, dada por la funcin de probabilidad:

Solucin:
Calculamos la media

Varianza:



Desviacin tpica

x
i
0 1 2 3
P(x
i
) 0.1 0.2 0.4 0.3
9 . 1 3 . 0 * 3 4 . 0 * 2 2 . 0 * 1 1 . 0 * 0 = + + + =
= + + + = 89 . 0 9 . 1 3 . 0 * 3 4 . 0 * 2 2 . 0 . 1 1 . 0 * . 0
2 2 2 2 2 2
o
94 . 0 89 . 0 = = o
DISTRIBUCIONES DE PROBABILIDAD

VARIABLE
ALEATORIA Y
PROBABILIDAD
P(Y)
0
1
2
1/4
2/4
1/4
TOTAL 1
Variable aleatoria discreta: Distribucin Binomial
Distribucin Poissn
Distribucin Hipergeomtrica
Variable aleatoria continua: Distribucin Normal
Distribucin T- Student
Distribucin chi- cuadrado
Distribucin F- Snedecor
Luego la distribucin de probabilidad de esta variable ser:
PROBABILIDADES
DISTRIBUCIN BINOMIAL
Esta distribucin considera variables que se obtienen a partir de la repeticin de
un experimento simple, conocido como experimento Bernoulli. Este experimento
tiene nicamente dos resultados posibles llamados xito o fracaso.
La distribucin binomial, asigna probabilidades a la variable aleatoria definida
como el nmero de xitos obtenidos en el total de repeticiones del experimento.
La funcin que asigna dichas probabilidades es:
o acumulativ ino trm
x - n

x

n
x
n
x
X) P(X
individual trmino
x - n

x

n
x
f(X) X) P(X
q
P C
q
P C

= >
= = =
Donde p es la probabilidad de xito, q la diferencia de p
n = nmero de ensayos
x = resultados que se desea obtener o xitos
p (X = x) = probabilidad de obtener x xitos
PROBABILIDADES
DISTRIBUCIN BINOMIAL
Los supuestos de la distribucin binomial son:
1. La variable, en cada repeticin, slo toma dos valores
2. Las repeticiones son independientes
3. La probabilidad de xito es constante
4. Todas las repeticiones son idnticas

Si un experimento cumple con estas cuatro condiciones, podemos utilizar la
Distribucin Binomial para asignar probabilidades a sus resultados.

Ejemplo.- Estos experimentos aleatorios Son:
* Lanzamiento de una moneda al aire : Cara o sello
* Nacimiento de un ser humano con respecto al sexo: Hombre o Mujer
* Estado de salud de una persona: Sano o enfermo
* Situacin ocupacional de una persona: Ocupado o desocupado
Debe cumplir que p + q = 1 ( por definicin de probabilidad)
PROBABILIDADES
DISTRIBUCIN BINOMIAL
Uso de la tabla Binomial:
Muchas veces la aplicacin de la frmula binomial resulta sumamente larga y
tediosa, sobre todo cuando n es muy grande, entonces es muy prctico
utilizar la tabla estadstica de la distribucin Binomial.
Ejemplo
Generalmente el 40 % de los alumnos desaprueban un examen de
estadstica. Cul es la probabilidad de que en un grupo de 20,
desaprueben:
a) Exactamente 10 alumnos
b) 5 o ms alumnos
c) Ms de 10 alumnos
d) Menos de 10 alumnos
e) 10 o menos alumnos
f) Entre 6 y 10 alumnos.
PROBABILIDADES
DISTRIBUCIN BINOMIAL
Solucin:
a) Exactamente 10 alumnos desaprueben: x = 10, n = 20
Tablas estadsticas de Pedro Daz, Pg.19 localizamos:
n x .01 .02 ............ .40 .45 .50 x
.
.
.

.

10
.
.

.

0+ 0+
.
.

.

098 145 176
.
.

.

10
.
.

.


20 10 117 159 176 10
P(x = 10) = 0.117 = 11.7% de que desaprueben exactamente 10 alumnos.
PROBABILIDADES
DISTRIBUCIN BINOMIAL
Solucin
a) 5 o ms alumnos desaprueben (trminos acumulativos)
En la pg 26 de la tabla estadstica localizamos n = 20, x = 5, p = .40
P(X > 0.949, la probabilidad de que desaprueben 5 o ms alumnos es de 94.9%
b) Ms de 10 alumnos. P(x > 10) = P (x > 11) = 0.128 = 12.8%
c) Menos de 10 alumnos: P (x < 10) = 1 P (x > 10) = 1 0.245 = 0.775 = 77.5%
d) 10 o menos alumnos: P (x s10) = 1 P (x > 11) = 1 0.128 = 0.872 = 87.2%
e) Entre 6 y 10 alumnos. P( 6s x s10) = P(x > 6) P(x >11) = 0.874 0.128 = 0.746
La probabilidad de que desaprueben entre 6 y 10 alumnos es de 74.6%
Propiedades de la distribucin Binomial
La media aritmtica, la desviacin estndar y la varianza en una
distribucin binomial, se obtiene a travs de:
MEDIA: = n x p
DESVIACIN ESTNDAR:
VARIANZA:
2
= n.p.q
q p n . . =
PROBABILIDADES
DISTRIBUCIN POISSON
Otra distribucin a considerar debido, a su importancia, es la distribucin de
Poisson. Proporciona un modelo para la frecuencia relativa de eventos que
ocurren en una unidad de tiempo, rea, volumen, etc.
Ejemplo. El nmero de trabajos nuevos presentados a una computadora en un
minuto dado.
Al igual que la distribucin binomial, esta distribucin considera la repeticin de
un experimento simple. La diferencia, en este caso, es que el nmero de
repeticiones es muy grande y la probabilidad de xito es muy pequea.
La funcin que asigna dichas probabilidades es:
!
) (
x
e
x X P
x
= =
Donde x = 0, 1, 2, y > 0 es una constante.
e = 2.718 , constante
= nmero promedio de ocurrencias en un tiempo t, rea o volumen
PROBABILIDADES
DISTRIBUCIN POISSON
PROBABILIDADES
1. El nmero promedio de ocurrencias de eventos en una unidad de medida
(intervalo de tiempo, una regin especfica, volumen, etc.) es conocido e igual
a
2. La ocurrencia de los eventos continuos son independientes.
3. La media aritmtica, la desviacin estndar y la varianza en una distribucin
de Poisson, se obtiene a travs de:
MEDIA : =
DESVIACIN ESTNDAR :
VARIANZA : o
2
=
4. Si n es bastante grande : = n . p
PROPIEDADES DE LA DISTRIBUCIN DE POISSON
o =
DISTRIBUCIN POISSON
PROBABILIDADES



98.4% 0.984
! 0
1 . 0
) 0 (
0 1 . 0
= = = =

e
X P
Ejemplo 1:
Supngase que el 2 % de la poblacin en promedio sean zurdos. Hallar la
probabilidad que en 100 personas haya:
a) 3 o ms zurdos.
P = 2 % = 0.02, n = 100 = (0.02)(100) = 2
P (x s 3) = 1 - P ( x > 2 ) = 1 - 0.677 = 0.323 = 32.3 %
b) exactamente 3 zurdos
c) 3 o menos zurdos
Ejemplo 2:
Suponga que el manuscrito de un texto de ingeniera tiene un total de 50 errores en
las 500 pginas del material. Los errores estn distribuidos aleatoriamente a lo largo
del texto. Cul es la probabilidad de que:
Una pgina seleccionada aleatoriamente no tenga errores.
Solucin
Probabilidad de cometer error 50 / 500 = 0.1
a) = np reemplazando = (1)(0.1) = 0.1
P ( x = 0 ) = = 0.984 = 98.4%

DISTRIBUCIN POISSON
PROBABILIDADES
Cuando n es relativamente grande y p pequea, la probabilidades binomiales y
poisson se relacionan.
Donde los trminos binomiales individuales se reemplazan por los
correspondientes valores de Poisson con = np
REGLA PRCTICA
i) Si n s 20 ; p s 0.05
ii) Si n > 100, la aproximacin es generalmente excelente a condicin de que
np s 10

APROXIMACIN DE LA DISTRIBUCIN DE POISSON A LA BINOMIAL
DISTRIBUCIN HIPERGEOMTRICA
PROBABILIDADES
El experimento consiste en extraer al azar y sin sustitucin n elementos de un
conjunto de N elementos, r de los cuales son S (xitos) y (N r) de los cuales F
(fracasos).
El tamao de la muestra n es grande en comparacin con el nmero N de
elementos de la poblacin , es decir , n/N > .05
La variable aleatoria hipergeomtrica y es el nmero de resultados S en la
muestra de n elementos.
La distribucin de probabilidad es:




Donde:
N = N total de elementos
r = N de resultados de S en los N elementos
n = N de elementos extrados
Y = N de resultados S en los n elementos



| |,..., ) ( , 0 , ) ( r N n Mximo y
n
N
y n
r N
y
r
y P =
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
La media y la varianza de una variable aleatoria
hipergeomtrica son, respectivamente,

) 1 (
) ( ) (
;
2
2

= =
N N
n N n r N r
N
nr
o
Se realiza un experimento para seleccionar un catalizador apropiado
para la produccin comercial de etilendiamina (EDA), un producto que se
utiliza en jabones. Suponga que un ingeniero qumico selecciona al azar tres
catalizadores para probarlos dentro de un grupo de 10 catalizadores, seis de los
cuales tienen baja acidez y cuatro de los cuales son muy cidos.
a. Calcule la probabilidad de que no se escoger un catalizador muy cido.
b. Calcule la probabilidad de que se escoja exactamente un catalizador muy
cido.
Solucin: N = 10, n = 3, r = 4, y=0, entonces:
167 . 0
6
1
3
10
0 3
4 10
0
4
) 0 ( = =
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= P
DISTRIBUCIN NORMAL
PROBABILIDADES
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su propio
nombre indica su extendida utilizacin, justificada por la frecuencia o normalidad con la que
ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin.

La importancia de la distribucin normal se debe principalmente a que hay muchas
variables asociadas a fenmenos naturales que siguen el modelo de la normal:

Caracteres morfolgicos: de individuos (personas, animales, plantas,...) de una especie,
.ejm. tallas, pesos, envergaduras, dimetros, permetros,...
Caracteres ambientales: Ruido medido en decibeles, monxido de carbono, etc.
Caracteres fisiolgicos: efecto de una misma dosis de un frmaco, o de una misma
cantidad de abono.
Caracteres sociolgicos: consumo de cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
Caracteres psicolgicos: por ejemplo: cociente intelectual, grado de adaptacin a un
medio,...
Valores estadsticos muestrales: la media.
Otras distribuciones como la Binomial o la de Poisson son aproximaciones normales, ...

DISTRIBUCIN NORMAL
PROBABILIDADES

2
2
2
) (
2
1
) (
o

t o

=
x
e x f
FUNCIN DE DENSIDAD
ianza
tpica Desv
media
var
.
2
=
=
=
o
o

abscisa x
e
=
=
=
7182 . 2
1416 . 3 t
N(,o): para cada valor de y o tendremos una funcin de densidad distinta, por lo tanto
la expresin N (,o
2
) representa una familia de distribuciones normales.
Parmetros
DISTRIBUCIN NORMAL
PROBABILIDADES

+ < < = s =
}

x dx e x X P X F
x x
,
2
1
) ( ) (
2
2
2
) (
o

t o
FUNCIN DE DISTRIBUCIN
Puede tomar cualquier valor (-, + )
Son ms probables los valores cercanos a uno central que llamamos media
La distribucin es simtrica.
Conforme nos separamos de ese valor , la probabilidad va decreciendo de
forma ms o menos rpida dependiendo de un parmetro o, que es la
desviacin tpica.
DISTRIBUCIN NORMAL
PROBABILIDADES
TIPIFICACIN O ESTANDARIZACIN
Caracterstica de la distribucin normal tipificada (reducida,
estndar)
No depende de ningn parmetro
Su media es 0, su varianza es 1 y su desviacin tpica es 1.
La curva f(x) es simtrica respecto del eje X
DISTRIBUCIN NORMAL
PROBABILIDADES
MANEJO DE TABLAS. CASOS MS FRECUENTES
Por ejemplo:
P(Z 2.75) = 0.99702
Por ejemplo:
P(Z > 1.40) = 1- P(Z 1.40)
= 1 0.91924 = 0.08076
Otra forma de clculo:
P(Z > 1.40) = P (Z - 1.40)
= 0.08076
s
DISTRIBUCIN NORMAL
PROBABILIDADES
Ejemplo de aplicacin

Suponga que un consultor estaba investigando el tiempo que emplearon los obreros de
una planta automotriz en montar una parte especfica despus de su entrenamiento
para realizar la tarea usando un enfoque de aprendizaje individual.
El consultor determin que el tiempo en segundos invertido por los obreros entrenados
con este mtodo para montar la parte se distribuir normalmente con una media de
75 segundos y una desviacin estndar de 6 segundos. Cul es la probabilidad de
que un obrero fabril seleccionado aleatoriamente pueda montar la parte en:
a. menos de 62 segundos
b. En menos de 75 segundos o en ms de 81 segundos
c. Entre 75 y 81 segundos
d. En ms de 81 segundos
e. Cuntos segundos debe transcurrir antes de que el 50% de los obreros
monten la parte?
f. Cul es el alcance del primer cuartil (en segundos) para que los obreros
monten la parte.
DISTRIBUCIN NORMAL
PROBABILIDADES
Aproximacin a la normal de la ley binomial
Se puede demostrar (teorema central del lmite) que una v.a. discreta con
distribucin binomial, se puede aproximar mediante una distribucin normal
si n es suficientemente grande y p no est ni muy prximo a 0 ni a 1. Como el
valor esperado y la varianza de X son respectivamente np y npq, El convenio
que se suele utilizar para poder realizar esta aproximacin es:


Ejemplo
Durante cierta epidemia de gripe, enferma el 30% de la poblacin. En un
aula con 200 estudiantes de Ingeniera, (a) cul es la probabilidad de que
al menos 40 padezcan la enfermedad? (b) calcular la probabilidad de que
haya 60 estudiantes con gripe.
DISTRIBUCIN NORMAL
PROBABILIDADES
a) La v.a. que contabiliza el nmero de alumnos que padece la gripe es
Realizar los clculos con la ley binomial es muy engorroso, ya que intervienen
nmeros combinatorios de gran tamao, y potencias muy elevadas. Por ello
utilizamos la aproximacin normal de X, teniendo en cuenta que se verifican las
condiciones necesarias para que el error sea aceptable.
As aproximando la v.a. discreta binomial X, mediante la v.a. continua normal
XN tenemos:
DISTRIBUCIN NORMAL
PROBABILIDADES
b) Tambin es necesario calcular P(X = 60). Esta probabilidad se calcula
exactamente como:

Para calcular la probabilidad buscada. Por ejemplo, podemos aproximar P (X
= 60 ) por el valor de la funcin de densidad de XN en ese punto, la
posibilidad es considerar un intervalo de longitud 1 centrado en el valor 60
del que deseamos hallar su probabilidad y hacer:

LA DISTRIBUCIN t
PROBABILIDADES
La distribucin t, al igual que la distribucin normal Z, es
importante en problemas en los cuales se estima la media verdadera
() a partir de la media de la muestra . La distribucin t, a diferencia
de la distribucin Z , no requiere el conocimiento de la desviacin
estndar poblacional (o
2
); todo lo que se requiere para la t es que
la muestra sea tomada de una poblacin normalmente distribuida y
que esta muestra tenga una media (x)y una desviacin estndar (s)