Estadistica Tema 3

Universidad de las Fuerzas Armadas ESPE Unidad de Educación a Distancia
Estadística
Probabilidades y distribución de probabilidad
Probabilidad y distribución de probabilidad

1
Índice Pág.
3.1. Teoría de probabilidades 3
3.2. Teorema de Bayes y diagrama de árbol 14
3.3. Técnicas de conteo 17
3.4. Distribuciones de probabilidad discreta

y continua 19
Recursos complementarios 33
Bibliografía 34

2
3.1. Teoría de probabilidades

En la naturaleza y en la vida cotidiana se presentan fenómenos cuyo
resultado se lo da anticipadamente a través de la aplicación de leyes o
fórmulas, sin embargo, existen otros cuyo resultado no puede ser anticipado
con certeza, sino que existe una probabilidad de que un cierto resultado se dé.
Para dar una explicación matemática a aquellos resultados que podrían
aparecer se desarrolló lo que se llama Teoría de la Probabilidad.
En general, la probabilidad es la posibilidad de que algo pase. Es decir,

una probabilidad provee una descripción cuantitativa de la posibilidad de
ocurrencia de un evento particular y se puede pensar que es su frecuencia
relativa en una serie larga de repeticiones de una prueba, en la que uno de los
resultados es el evento de interés.
Terminología
Para una mejor comprensión, se utilizan ciertas definiciones generales:
a) Experimento: Es un proceso que genera un conjunto de datos, ya

sean estos cualitativos o cuantitativos, en su mayoría los resultados
dependen del azar, siendo imposible pronosticar con exactitud.
Ejemplos:
 Registrar el tiempo de los competidores en una carrera
 Medir los cambios en la bolsa de valores
 Lanzar un dado
b) Evento: Son todos los resultados posibles de un experimento u otra
situación que genere incertidumbre. Podemos clasificar los eventos dos
tipos:
Los elementales (aquellos que constan de un solo resultado)
Los compuestos (que consisten en dos o más resultados)

3
Ejemplo:
Al lanzar un dado, el evento “sale uno” es un evento elemental
porque es un único evento posible; mientras que el evento “sale impar”
es un evento compuesto porque está formado de los eventos
elementales “sale uno”, “sale tres” y “sale cinco”.
Debemos indicar que dos eventos son mutuamente excluyentes

si cuando ocurre un evento los otros no pueden ocurrir y viceversa. Por
ejemplo, al lanzar una moneda al aire, si cae y “sale cruz” ya no puede
darse el evento “sale cara”.
c) Espacio Muestral: Es el conjunto de todos los resultados posibles de

un experimento, se le identifica con el simbolo Ω.
Ejemplos:
En el experimento: Lanzar la moneda, el espacio muestral sería:

evento “cae cruz” y evento “cae cara”.
En el experimento: Registre el tipo de sangre de una persona. El

espacio muestral está formado por cuatro eventos, los mismo que son
mutuamente excluyentes: “sangre tipo A”, “sangre tipo B”, “sangre tipo
AB”, “sangre tipo O”.
Clasificación de la Probabilidad
Existen tres maneras básicas de estudiar a la probabilidad, sin embargo,

representan planteamientos conceptuales para el estudio de la teoría de
probabilidades generando que los expertos no logren ponerse de acuerdo en el
más apropiado. Estos son:
a) El planteamiento clásico: Supóngase un suceso E, que de un total de

4
n casos posibles, todos igualmente posibles, puede presentarse en h

de los casos. Entonces la probabilidad de aparición del suceso (es decir
la probabilidad de ocurrencia) viene dada por:
número de casos favorables

P(E) =
número de casos posibles
La probabilidad de NO aparición del suceso (llamada no

ocurrencia del suceso) viene dada por:
𝑃𝑃 (𝑛𝑛𝑛𝑛 𝐸𝐸) = 1 − 𝑝𝑝 (𝐸𝐸)
Esta relación se da partiendo de que la probabilidad de un evento A

es una función que cumple con:
 Para todo evento A: 0 ≤ 𝑃𝑃(𝐴𝐴) ≤ 1

 P(Ω) = 1
b) El planteamiento como frecuencia relativa: La definición anterior de

probabilidad tiene el inconveniente que las palabras “igualmente
posibles” son poco concretas generando en efecto circular porque se
define a la probabilidad en términos de ella misma. Se ha generado
entonces una definición con mucho más rigor en donde la probabilidad
empírica de un suceso se toma como la frecuencia relativa de la
aparición del suceso, cuando el número de observaciones es muy
grande. La probabilidad por sí mismo es el límite de la frecuencia
relativa cuando el número de observaciones crece indefinidamente.
número de veces que ocurrio un evento en el pasado

P( E ) =
número total de observaciones
A pesar de ser práctica, esta definición tiene problemas desde el

punto de vista matemático ya que no puede existir un número límite
generándose una moderna teoría de probabilidades en donde la

5
probabilidad es un concepto NO definido como ocurre con el punto y la

línea en geometría.
c) El planteamiento subjetivo: Está basado en las creencias de las

personas que efectúan la estimación de la probabilidad definiéndose
como la probabilidad asignada a un evento por parte de un individuo,
basada en la evidencia que tenga disponible.
Las asignaciones de probabilidades subjetivas se dan con más

frecuencias cuando los eventos se presentan una sola vez o un número
muy reducido de veces.
Ejemplo de probabilidad clásica:
Si se lanza al aire una moneda equilibrada, cuál será la probabilidad de que

se obtenga una cruz o cara:
a) Cruz es: P(cruz) = 1/2 porque 1 de las 2 alternativas.
b) Cara es: P(cara) = 1/2 porque 1 de las 2 alternativas.
Ejemplo de probabilidad empírica:
Suponga que en un experimento se realizan 1000 ensayos y se produjo

un evento E en 200 ocasiones. ¿Cuál es la probabilidad de que en un ensayo
cualquiera se produzca el evento E?
R: P(E) =200/1000 = 1/5 = 0.20
Relación entre la probabilidad y la teoría de conjuntos
El estudio de las reglas de probabilidad está estrechamente relacionado

6
con la teoría de conjuntos, para ello se asimila un evento con un conjunto.
En conjuntos En probabilidades
U = Conjunto universo S ó Ω = Espacio muestral.

A = Subconjunto de U E = Evento
φ = Conjunto vacío φ = Evento nulo
A = Complemento de A E = Evento contrario de E
A =U − A ⇒ U = A∪ A
Axiomas de Kolmogorov
1. P(E) ≥ 0 La probabilidad de un evento es un número comprendido

entre 0 y 1
2. P(S) = 1 La probabilidad del espacio muestral es 1
3. P(E1 ó E2 ó …ó En) = P(E1) + P(E2)+… +P(En) donde E1, E2,,… son eventos
mutuamente excluyentes.
Propiedades de las probabilidades
1. P(φ ) = 0
2. 0 ≤ P(E) ≤ 1
3. P( A) = 1 − P( A) ⇒ P( A) + P( A) = P( A ∪ A) = P( S ) = 1
4. Si A ⊆ B ⇒ P( A) ≤ P( B)
5. P( A ∪ B) = P( A) + P( B) − P( A ∩ B) )

7
Diagramas de Venn
Conjunto Universo
Conjunto A
Complemento de A es la parte
del universo que no es A
Conjuntos A y B disjuntos
Conjuntos A y B secantes o
Solapados
Reglas de probabilidad
• Regla especial de adición

8
Se aplica cuando los eventos son mutuamente excluyentes o disjuntos
Para un par de eventos A, B: P(A o B) = P(A) + P(B)
Para tres eventos A, B, C : P(A o B o C) = P(A) + P(B) + P(C)
En el ejemplo de las 3 bolas rojas, 2 blancas y 5 azules, calcular la

probabilidad de que al sacar una bola de la urna esta sea:
a) Roja o Blanca: P(roja o blanca) = P(roja) +P(blanca) = 3/10 + 2/10 = ½
b) Blanca o azul: P(blanca o azul) =P(blanca) + P(azul) = 2/10 + 5/10 =

7/10
• Regla general de la adición
Se aplica para calcular la probabilidad de ocurrencia de uno u otro evento

que no sean mutuamente excluyentes. (la fórmula es válida también para
eventos mutuamente excluyentes dado que P(A y B) = 0 )
Para los eventos A, B: P(A o B) = P(A) + P(B) – P(A y B)
Ejemplo: Un estudiante está tomando Algebra y Castellano, si la probabilidad

de que apruebe algebra es 0.75, la de que apruebe Castellano es 0.90 y la
probabilidad de que apruebe Algebra y Castellano es 0.70. Se pregunta cuál
es la probabilidad de que apruebe Algebra o Castellano.
P(A o C) = P(A) + P(C) – P(A y C)
= 0.75 + 0.90 - 0.70 = 0.95
Para resolver estos problemas debe realizar un diagrama de Venn como el de

9
la figura.
• Regla especial de la multiplicación
Se aplica para calcular la probabilidad conjunta de ocurrencia de

eventos independientes.
Para dos eventos A y B: P(A y B) = P(A) P(B)
Para tres eventos A, B y C: P(A y B y C) = P(A) P(B) P(C)
Ejemplo: Se lanza un dado por dos ocasiones, ¿cuál es la probabilidad de que

en los dos lanzamientos caiga en 3?
P(3, 3) = P(3) P(3) = (1/6) (1/6) = 1/36
Obsérvese que el resultado del segundo lanzamiento es

independiente del primero.
• Probabilidad condicional
Es la probabilidad de que ocurra un evento B, dado que ya ocurrió un evento

A. o también la probabilidad de que ocurra un evento A dado que ya ocurrió el
evento B. Esto se escribe:

10
P( A y B) P( A y B)
P( B / A) = P( A / B) =
P( A) P( B)
Si se cumple que P( A / B) = P( A) los eventos o sucesos A y B son

estadísticamente independientes
• Regla general de la multiplicación
Se aplica para calcular la probabilidad conjunta de eventos

dependientes, es decir, cuando la ocurrencia de uno de ellos está
condicionada a la ocurrencia del otro.
P(A y B) = P(A) P(B/A) o también P(A y B) = P(B) P(A/B)
Estas fórmulas y las de la probabilidad condicional están relacionadas,

ya que las unas se obtienen de las otras mediante despejes.
Tomemos el ejemplo de las 3 bolas rojas, 2 blancas y 5 azules y

supongamos que se desea calcular la probabilidad de que al sacar una bola y
luego otra, la primera sea roja y la segunda blanca:
 3  2  6 1
P(R y B) = P( R) P( B / R) =     = =
 10   9  90 15
Obsérvese que la probabilidad de que la primera vez salga roja es 3 /10,

pero al haber sacado una roja ahora nos quedan en total 9 bolas, de las cuales
2 son blancas.
Calculemos ahora la probabilidad de sacar una bola roja y una azul:
Como no se indica el orden tendremos que:
 3  5   5  3  1
P(R y A) = P(R, A) + P(A, R) =     +     =
 10   9   10   9  3

11
Tabla de contingencia o matriz de probabilidad
Los problemas de probabilidades se resuelven fácilmente usando una

tabla de contingencia o matriz de probabilidad, en ella se pueden leer las
probabilidades a priori y las probabilidades conjuntas o de intersección.
Además permite calcular fácilmente las probabilidades de la unión de eventos y
las condicionales, tal como se ilustra a continuación.
Ejemplo: El personal que labora en una empresa está formado por hombres y
mujeres que trabajan en las siguientes secciones: Gerencia, Profesional y
Técnica, cuyos datos se resumen en la siguiente tabla:
Sección Género
Hombre Mujer
Gerencia 8 3
Profesional 24 16
Técnica 50 35
Complete esta tabla de contingencia y luego suponiendo que se elige al azar

un empleado calcule las siguientes probabilidades.
a) La probabilidad de que sea mujer.
b) La probabilidad de que sea hombre y trabaje en la sección técnica
c) La probabilidad de de que trabaje en Gerencia o en la sección profesional
d) La probabilidad de que trabaje en gerencia, dado que sea mujer.
e) La probabilidad de que sea hombre dado que trabaje en la Sección técnica.
Solución:
A la tabla de los datos le añadimos una fila y una columna para los totales

12
parciales de las filas y de las columnas. En la celda del extremo inferior

derecho se coloca el total horizontal y vertical.
Sección Género Total
Hombre Mujer
Gerencia 8 3 11
Profesional 24 16 40
Técnica 50 35 85
Total 82 54 136
a) P(Mujer) = 54/136
b) P(Hombre y Técnica) = 50/136
c) P (Gerencia o Profesional) = P(Gerencia) + P(Profesional) = 11/136 +

40/136 = 51/136
d) P(Gerencia/ Mujer) = 3/54 En la columna de MUJER vemos que 3 de las 54

trabajan en gerencia. También se puede aplicar la fórmula de la
probabilidad condicional.
P(Gerencia y Mujer ) 3 / 136 3

P (Gerencia / Mujer ) = = =
P( Mujer ) 54 / 136 54
e) P(Hombre/ Técnica) = 50/85 En la fila TECNICA se ve que 50 de los 85

técnicos son hombres.
Aplicando la fórmula:
P( Hombre y Tecnica) 50 / 136 50 10

P( Hombre / Tecnica) = = = =
P(Tecnica) 85 / 136 85 17

13
3.2. Teorema de Bayes y diagramas de árbol
En la siguiente gráfica sea S el espacio muestral y sean los eventos

A1 , A2 , A3 , A4 mutuamente excluyentes y
colectivamente exhaustivos, de modo que:
S = A1 ∪ A2 ∪ A3 ∪ A4
Y sea el evento B tal que:
B = ( A1 ∩ B) ∪ ( A2 ∩ B) ∪ ( A3 ∩ B) ∪ ( A4 ∩ B)
Entonces la probabilidad de que ocurra B viene dada por:
P( B) = P( A1 y B ) + P( A2 y B ) + P( A3 y B ) + P( A4 y B) ; luego:
P( B) = P( A1 ) P( B / A1 ) + P( A2 ) P( B / A2 ) + P( A3 ) P( B / A3 ) + P( A4 ) P( B / A4 )
Esta es la probabilidad total de que ocurra B.
De la probabilidad condicional sabemos que:
P( A y B) P( A y B)
P( B / A) = P( A / B) =
P( A) P( B)
De aquí se tiene que:
P( AyB) = P( A / B) P( B) = P( B / A) P( A)
Es decir:
P( A / B) P( B) = P( B / A) P( A)
Si ahora suponemos que P(A1) es una probabilidad a priori, P(B/A1) es

la probabilidad condicional de que ocurra B dado que ocurrió A1; y pensemos
que se quiere calcular la probabilidad a posteriori de que ocurra A1 dado que

14
ocurrió B, simplemente despejemos P(A1/B); según la fórmula anterior.
P( A1 ) P( B / A1 )
P( A1 / B) =
P( B)
Donde P(B) es la probabilidad total de B, sustituyendo P(B) en el

denominador se obtiene la fórmula del Teorema de Bayes.
P( A1 ) P( B / A1 )
P( A1 / B) =
P( A1 ) P( B / A1 ) + P( A2 ) P( B / A2 ) + P( A3 ) P( B / A3 ) + P( A4 ) P( B / A4 )
Diagrama de ärbol
Un diagrama de árbol es una herramienta que se utiliza para

determinar todos los posibles resultados de un experimento aleatorio (su uso
es más característico en el Teorema de Bayes).
El diagrama de árbol es una representación gráfica de los posibles

resultados del experimento, el cual consta de una serie de pasos, donde cada
uno de estos tiene un número finito de maneras de ser llevado a cabo.
Para la construcción de un diagrama en árbol se partirá poniendo una

rama para cada una de las posibilidades, acompañada de su probabilidad.
Cada una de estas ramas se conoce como rama de primera generación.
En el final de cada rama de primera generación se constituye a su vez,

un nudo del cual parten nuevas ramas conocidas como ramas de segunda
generación, según las posibilidades del siguiente paso, salvo si el nudo
representa un posible final del experimentó (nudo final).
Hay que tener en cuenta que la construcción de un árbol no depende de

tener el mismo número de ramas de segunda generación, estas salen de cada
rama de primera generación y la suma de probabilidades de las ramas de cada
nudo debe ser 1.
Existe un principio sencillo de los diagramas de árbol que hace que

éstos sean mucho más útiles para los cálculos rápidos de probabilidad:

15
multiplicamos las probabilidades si se trata de ramas adyacentes (contiguas).
Ejemplos
Una universidad está formada por tres facultades:
• La 1ª con el 50% de estudiantes.

Las mujeres están repartidas uniformemente, siendo un 60% del total en

cada facultad.
¿Probabilidad de encontrar una alumna de la primera facultad?

16
¿Probabilidad de encontrar un alumno varón?
Pero también podría ser lo contrario.
3.3. Técnicas de conteo

Las técnicas de conteo son aquellas que son usadas para enumerar
eventos difíciles de cuantificar. Son utilizados de manera común en
probabilidades.
1.- Fórmula de la multiplicación: Si hay m formas de realizar una cosa y n

formas de hacer otra, habrán mxn formas de realizar ambas en conjunto. Esta
regla se extiende a 3, 4 o más acciones.
Ejemplo: Un joven tiene 3 pares de zapatos, 4 pantalones y 5 camisas. ¿De

cuantas maneras puede vestirse?
N = 3x4x5 = 60 (puede vestirse de 60 formas)
Ejemplo: ¿De cuantas maneras puede usted colocar 4 libros en un estante?
El libro que va a colocar en primer lugar puede elegir de 4 maneras, le quedan
3 libros, entonces el que va a colocar en la segunda posición puede elegirse de
3 maneras; le quedan 2 para la tercera posición; y una vez colocado el tercero
le queda 1 para la cuarta posición; es decir: No. de formas = 4x3x2x1 = 24 = 4 !

17
n!
2.- Permutaciones: n Pr = Nos da el número de arreglos de r
(n − r )!
objetos tomados de un grupo de n objetos. Un arreglo se diferenciará de otro
por el orden de sus elementos, por ejemplo ab y ba son diferentes.
Ejemplo: Cuantos números de 2 cifras se pueden escribir usando los dígitos

1, 2 y 3 bajo la condición de que no haya dígitos repetidos.
3!
3 P2 = =6
(3 − 2) !
Los números de dos cifras construidos con los dígitos 1, 2 y 3 son
efectivamente 6, tal como usted puede ver:
12 13 21 23 31 32
n!
3.- Combinaciones: nCr =
r !( n − r ) !
Las combinaciones son arreglos de r objetos tomados de un grupo de n
objetos, donde no importa el orden de ellos.
Ejemplo: Con los dígitos 1, 2 y 3, cuantas sumas diferentes se puede tener,

tomando dos a dos, bajo la condición de que no haya dígitos repetidos.
Observe que en este caso no importa el orden porque por ejemplo las sumas
1+2 y 2+1 son las mismas, entonces el número de sumas distintas son:
 3 3!
3 C 2 =   = =3
 2  2 ! 1!
Ejemplo: ¿Cuantas combinaciones de dos letras se pueden formar con las

letras A, B, C y D?
4! 4 x3 x 2 !
4 C2 = = =6
2 ! 2 ! 2 x1x 2 !
Estas combinaciones son: AB AC AD BC BD y CD.

18
Obsérvese que como combinación AB y BA es la misma, pero no como

permutación.
3.4. Distribuciones de probabilidad discreta y

continua
El objetivo fundamental de la Estadística es inferir las propiedades de
una población de la observación de una muestra o subconjunto de ésta. La
construcción y estudio de los modelos estadísticos, con variables discretas o
continuas, están entonces íntimamente ligados al cálculo de probabilidades y
por consiguiente con las distribuciones de probabilidad que se generan.
Distribuciones de probabilidad
En estadística descriptiva se observó a las distribuciones de frecuencias

como una forma útil de resumir variaciones en los datos observados. Las
distribuciones de probabilidad están relacionadas con las distribuciones de
frecuencias. De hecho, podemos pensar que una distribución de probabilidad
es una distribución de frecuencias teórica.
Una distribución de frecuencias teórica es una distribución de

probabilidades que describe la forma en que se espera varíen los resultados.
Como estas distribuciones representan las expectativas de que algo suceda,
resultan modelos útiles para hacer inferencias y tomar decisiones en
condiciones de incertidumbre.
Como existen variables discretas y continuas se puede hablar entonces de

distribuciones de probabilidad discreta y distribuciones de probabilidad
continua.

19
Distribuciones de probabilidad discreta
La distribución de probabilidad binomial es una distribución de

probabilidad discreta, en la cual solo hay dos resultados posibles en cada
ensayo: éxito o fracaso y los ensayos son independientes entre sí. La variable
aleatoria cuenta el número de éxitos (x) en n ensayos. La probabilidad de éxito
en un ensayo se representa por Π y permanece contante en todos los ensayos.
𝐹𝐹ó𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏: 𝑃𝑃(𝑥𝑥 ) = 𝐶𝐶𝑛𝑛𝑥𝑥 𝜋𝜋 𝑥𝑥 (1 − 𝜋𝜋)𝑛𝑛−𝑥𝑥
n!
nCr =
r !( n − r ) !
Ejemplo: Se estima que 20% de las personas de un país están afectadas por
una enfermedad. Se selecciona al azar a 9 personas. Determinar la
probabilidad de que 6 de ellas estén afectadas por la enfermedad.
En este ejemplo: p o 𝜋𝜋 = 0.2, n = 9 y x o r =6
P(2) = 9C6(0.2)6(0.8)9-6 = 0.0028 9C6= 9!/(6!*(9-6)!)= 84
Otra distribución de variable discreta que se va a examinar es la

distribución hipergeométrica En la distribución binomial, la probabilidad de
éxito permanece constante en cada ensayo mientras que en la distribución
hipergeométrica esto no ocurre ya que el muestreo se realiza sin reemplazo. Si
se selecciona una muestra de una población finita sin reemplazo y si el tamaño
de muestra n es mayor al 5% del tamaño de la población N, se aplica la
distribución hipergeométrica. S es el número de éxitos en la población y x el
número de éxitos en las muestra.
𝐶𝐶𝑆𝑆𝑥𝑥 𝐶𝐶𝑁𝑁−𝑆𝑆
𝑛𝑛−𝑥𝑥
𝐹𝐹ó𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 ℎ𝑖𝑖𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡: 𝑃𝑃(𝑥𝑥 ) =
𝐶𝐶𝑁𝑁𝑛𝑛
Ejemplo: Una empresa tiene 50 empleados en la sección de ensamblado. 40

20
de ellos pertenecen al sindicato. Se eligen al azar 5 empleados para formar un

comité. ¿Cuál es la probabilidad de que 4 de ellos formen parte del sindicato?
En este ejemplo: N = 50 S= 40 n = 5 X = 4
P(4) = (4C40)(50-40C5-4)/50C5 = 0.431
Distribuciones de probabilidad continua
Las distribuciones de probabilidad continua resultan de medir una

variable continua. En este tipo de distribuciones generalmente se desea
conocer el porcentaje de observaciones que se encuentran dentro de cierto
margen. Es importante señalar que una variable aleatoria continua tiene un
número infinitos de valores dentro de cierto intervalo en particular.
La distribución de probabilidad uniforme es la más simple de una

variable aleatoria. Tiene forma rectangular y queda definida por el valor máximo
b y el valor mínimo a. La altura de la distribución es constante e igual a 1/(b-a).
1 𝑎𝑎 + 𝑏𝑏 (𝑏𝑏 − 𝑎𝑎)2
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝑢𝑢𝑐𝑐𝑐𝑐ó𝑛𝑛 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢: 𝑃𝑃 (𝑥𝑥 ) = 𝑐𝑐𝑐𝑐𝑐𝑐: 𝜇𝜇 = 𝑦𝑦 𝜎𝜎 = �
𝑏𝑏 − 𝑎𝑎 2 12
Ejemplo:
Una distribución uniforme se define en el intervalo de 6 a 10. Hallar la

media y calcular la probabilidad de un valor mayor a 7.
En este ejemplo, a = 6 y b= 10, entonces µ = (a+b)/2 = 8
P (X>7) = (10-7)/(10-6) = 3/4 = 0.55 (basta con dividir las longitudes de

los segmentos ya que la altura es la misma para ambas áreas)
La distribución normal se la identifica como la piedra angular de la

21
estadística moderna. Esto se debe en parte al papel que desempeña en el

desarrollo de la teoría estadística y en parte al hecho de que las distribuciones
de datos observados frecuentemente tienen el mismo patrón general que las
distribuciones normales. Las aplicaciones de la distribución normal son muy
numerosas en diferentes disciplinas académicas, en la industria y en las
empresas. Observe que en cada caso se debe realizar un gráfico de la curva
normal y ubicar la media y el o los valores de X. Luego, se debe calcular el
valor normal estándar Z. Con el valor de Z, se busca el valor del área gracias a
la tabla de áreas bajo la curva normal. Por simetría, el valor del área
correspondiente para un valor negativo de Z es el mismo que para su
correspondiente valor positivo de Z. Es indispensable que sepa usar
correctamente dicha tabla. El rango percentilar es el porcentaje de datos
que se encuentra por debajo de un valor determinado (el área a la izquierda
de un valor dado en la curva normal).
𝑥𝑥 − 𝜇𝜇
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛: 𝑧𝑧 =
𝜎𝜎
Ejemplo: Una distribución normal tiene media 10 y desviación estándar 2.

Determinar la proporción de datos que se encuentra:
��
(𝑋𝑋−𝜇𝜇)
a) entre 10 y 12 𝑍𝑍 = z= (12-10)/2 = 1  P = 0.3413
𝜎𝜎
b) por encima de 12 z= (12-10)/2 = 1  P = 0.5 – 0.3413 = 0.1587
c) por debajo de 12 z= (12-10)/2 = 1  P = 0.3413 + 0.5 = 0.8413
En este ejemplo, el rango percentilar es 84.13
d) entre 7 y 11 (un valor menor y otro mayor a la media, se suman las áreas)
z1 = (7-10)/2 = -1.5  0.4332
z2 = (11-10)/2 = 0.5  0.1915 P = 0.4332 + 0.1915 = 0.6247

22
e) entre 11.5 y 13.5 (dos valores mayores (o menores) a la media, se restan las
áreas)
z1 = (11.5-10)/2 = 0.75  0.2734
z2 = (13.5-10)/2 = 1.75  0.4599 P = 0.4599 – 0.2734 = 0.1865 (el resultado

de p siempre debe ser positivo)
• Cuando se debe calcular porcentajes, multiplicar la proporción por 100:

(p)x100
• Cuando se debe calcular cantidades, realizar p x n, donde n = tamaño

de la muestra
RESUMEN:
Distribuciones de probabilidad discreta

Variable aleatoria: discreta y continua
Media, varianza y desviación estándar de una distribución de probabilidad
Media o valor esperado: µ = ∑ ( X . P( X ) )
Varianza: [
σ 2 = ∑ ( X − µ )2 .P( X ) ]
Puede usar la fórmula alterna.
σ 2 = ∑ X 2 P (X ) − µ 2
Desviación estándar: σ = σ2
Distribución de probabilidad binomial :

23
Características
1. Solo tiene dos resultados posibles en cada ensayo de un experimento: Éxito
o fracaso
2. La variable aleatoria es el resultado del conteo del número de éxitos en n

ensayos.
3. La probabilidad de éxito en cada ensayo es siempre igual en cada ensayo.
4. Los ensayos son independientes.
Fórmula:
P ( X )= n C x p x ( 1 − p ) n − x
Tablas de probabilidad binomial
Se las usa para calcular las probabilidades binomiales para n desde 1 a 15
Media de una distribución binomial: µ = np
Varianza de una distribución binomial: σ 2 = n p (1 − p)
Desviación estándar: σ = n p (1 − p )
Probabilidad acumulada.
Se calcula sumando las probabilidades de cada uno de los eventos

involucrados.
Distribución de probabilidad de Poisson.
Características
1. La variable aleatoria es el número de veces que ocurre un evento en un

intervalo dado.

24
2. La probabilidad de que ocurra un evento es proporcional al tamaño del

intervalo.
3. Los intervalos no se superponen y son independientes.
Fórmula:
λ X e −λ
P (X ) = Donde: λ=np
x!
Nota: en los ejercicios de probabilidad acumulada, se suman las probabilidades

de cada uno de los eventos involucrados.
Distribución hipergeométrica
Esta distribución se refiere a los experimentos estadísticos que consisten

en tomar una muestra sin reemplazo, de un conjunto finito el cual contiene
algunos elementos considerados “éxitos” y los restantes son considerados
“fracasos”.
Tomar una muestra sin reemplazo significa que los elementos son
tomados uno a uno, sin devolverlos. Podemos concluir entonces que los
ensayos ya no pueden ser considerados independientes porque la probabilidad
de “éxito“al tomar cada nuevo elemento es afectada por el resultado de los
ensayos anteriores debido a que la cantidad de elementos de la población está
cambiando.
Sean:
N : Cantidad de elementos de elementos del que se toma la muestra.

K : Cantidad de elementos existentes que se consideran " exitos"
n : Tamaño de la muestra.
X : Variable aleatoria discreta (cantidad de resultados considerados exitos)
x = 0,1,2,3,........, n Valores que puede tomar X .

25
K  N − K

 x
 
 n−x 

P (X ) =    
N
 n
 
 
Ejemplo.
Una caja contiene 9 pelotas de tenis, de las cuales 4 están en buen estado
y las restantes defectuosas. Se toma una muestra eligiendo al azar tres
pelotas. Calcule la probabilidad que en la muestra se obtengan:
a) Ninguna pelota en buen estado.
b) Al menos una pelota en buen estado.
c) No más de dos pelotas en buen estado.
Este es un experimento de muestreo sin reemplazo, por lo tanto es un

26
experimento hipergeometrico con:
N=9 ; K=4 ; n=3 ; x : Cantidad de pelotas en buen estado en la muestra. (

Variable aleatoria discreta ).
 4 9 − 4

 x
 
3 − x

P (X ) =     , x = 0,1,2,3
9

 3

 
 4 9 − 4

0 
3 − 0
a)  
P ( X = 0) =     = 0.119
9
 
 
 3
b) P(X>=1) = 1 - P(X<1)=1-P(0)=1- 0.119 = 0.881.
c) P(X<=2) = P(X=0)+P(x=1)+P(X=2).
 4 9 − 4  4 9 − 4  4 9 − 4
         
 0   3 − 0   1   3 − 1   2   3 − 2 
= + + = 0.119 + 0.4762 + 0.3571 = 0.9523
9 9 9
     
 3  3  3
Familia de distribuciones de probabilidad normal.
Tenga presente que la distribución de probabilidad normal estándar

N(0,1), es aquella en la que μ = 0 y σ=1
Una distribución normal cualquiera N(μ, σ) se convierte en una distribución

normal estándar N(0,1) mediante el cálculo del valor normal z el cual expresa el
número de desviaciones estándar de la distribución normal dada.

27
x−µ
Valor normal estándar: z=
σ
Cálculo de áreas bajo la curva normal
Una vez calculado el valor z para un X, μ y σ dados, se usa la tabla.
Para encontrar el área bajo la curva normal estándar, comprendida entre

la media µ y el valor z. Tenga presente que a z le corresponde la primera
columna y la primera fila; mientras que el área bajo la curva o probabilidad se
lee en la intersección de la fila con la columna. Por ejemplo para z = 1.84 nos
situamos en la fila 1.8 y en la columna 0.04, allí leemos 0.467, este es el valor
del área bajo la curva o la probabilidad.
Problema inverso
El otro uso de la tabla de distribución normal estándar, es aquel en el

que dada una probabilidad (área bajo la curva normal estándar) hay que buscar
el valor z correspondiente; y a partir de este se puede a su vez calcular el X de
la distribución normal dada. Para ello recuerde signo de z, el cual será negativo
si se halla a la izquierda de la media y positivo en caso contrario.
Ejemplo
Un estudio del INEC determinó que la media del gasto mensual en

alimentación de una familia integrada por cuatro personas es de $480 y que
este rubro sigue una distribución normal con una desviación estándar de $100.
Si se elige al azar una familia:

28
a) ¿Cuál es la probabilidad de que esta gaste entre $ 480 y $ 580?
b) ¿Cuál es la probabilidad de que gaste entre $300 y $480?
c) ¿Cuál es la probabilidad de que gaste entre $300 y $580?
d) ¿Cuál es la probabilidad de que gaste un mínimo de $650?
e) ¿Cuál es el gasto mínimo del 12% de las familias que mas gastan?
Solución
En este caso: μ = 480, σ = 100
580 − 480
a) X = 580, luego: z = =1
100
Para z = 1 la probabilidad es 0.3413; Por tanto: P (480 < X ≤ 580) =

0.3413
300 − 480
b) X = 300, luego: z = = −1.80 Para usar la tabla tomamos z =
100
1.80 cuyo valor del área o de la probabilidad es 0.4641
Por tanto: P (300 < X ≤ 480) = 0.4641
Observe que el área se halla a la izquierda
de la media.
c) Para responder c) observe que la probabilidad de que esta familia gaste

entre $300 y $580 es la suma de las probabilidades calculadas en a) y b),
es decir:

29
P(300 < X ≤ 580) = P(300 < x ≤ 480) + P(480 < x ≤ 580)
= 0.3413 + 0.4641 = 0.8054
650 − 480
d) X = 650, luego: z = = 1.7 Para z = 1.70 la probabilidad es
100
0.4554
Esta es el área entre la media y x = 650, pero se pide la probabilidad de

que gaste un mínimo de $650, significa que puede tener un gasto de $650
o más.
Por tanto la probabilidad se obtendrá restando
0.4554 de 0.5. es decir:
P (650 < X) = 0.5 – P (480 < X≤ 650)=0.0446 = 0.5 – 0.4554
e) El 12% de los que más gastan corresponde al área sombreada, entonces el

área entre la media y la x es: 0.5 – 0.12 = 0.38. En la tabla buscamos el valor
del área más cercano a 0.38, en este caso hay dos valores equidistantes de
0.38, que son: 0.3790 y 0.3810, el primero se halla a 0.0010 por debajo y el
segundo a 0.0010 por arriba; cuando esto sucede, se escoge el más alto, de lo
contrario se escogerá aquel que sea más cercano.
En este caso escogemos A(z) = 0.3810, cuyo valor de z es: z = +1.18

por encontrarse a la derecha de la media. Si se encontrara a la izquierda, se
tomará z con signo negativo.
A continuación, de la fórmula de z se despeja x y se calcula su valor:

30
x−µ
z= ⇒ x = σ ⋅ z + µ = 100(1.18) + 480 = 598
σ
Entonces este 12% de familias gastará como mínimo $598
Es decir: X ≥ 598
Aproximación de la distribución normal a la binomial
Una aplicación importante de la distribución normal es: La distribución

normal como una aproximación de la distribución binomial, Se aplica
cuando n sea grande, entendiéndose como grande cuando n>25y además se
cumpla con la condición de que: n p > 5 y nq > 5
Como la distribución normal es continua y la binomial discreta, se debe

aplicar el factor de corrección por continuidad.
Regla práctica: Una idea sencilla que permite una correcta aplicación
de la corrección por continuidad, es la de pensar que la gráfica de la
distribución normal está formado por un conjunto de rectángulos, cada uno de
los cuales se forma al fundir varillas (Las varillas están separadas unas de
otras) las cuales al fundirse formarían una sola lámina continua, de manera que
por ejemplo la varilla 6 al fundirse formará el rectángulo que va desde 5.5 hasta
6.5.
Entonces es fácil comprender que para x ≥ 6, se incluye el resultado de

la fundición de la varilla 6, por lo que irá desde 5.5; para X > 6, no se incluye
el resultado de la fundición de la varilla 6, por lo que irá desde 6.5; Para x < 15,
el resultado de la fundición de la varilla 15 no se incluye, por lo que se tomará
hasta 14.5; etc
Lo dicho es equivalente a las siguientes

31
Reglas para aplicar el factor de corrección por continuidad
Valores a determinar Correcciones
X> +0.5
X≥ -0.5
X< -0.5
X≤ +0.5
≤ x ≤ -0.5 Y +0.5
< x < +0.5 Y -0.5
X= -0.5 Y +0.5
Ejemplo. Suponga una distribución binomial con n = 40, p = 0.55. Calcular:
a) La media y la desviación estándar de la variable aleatoria.
b) La probabilidad de que x ≥ 25
c) La probabilidad de que X < 15
d) La probabilidad de que 15 ≤ x ≤ 25
Solución
a) μ = np = 40x0.55 = 22; σ= n p (1 − p ) = 9.9 = 3.14
b) Para calcular P(x ≥ 25) , hay que tomar X = 24.5

32
24.5 − 22
z= = 0.796178 ≈ 0.80 cuya probabilidad
3.14
es 0.2881, entonces: P(x ≥ 25) = 0.5 - 0.2881 = 0.2119
c) Para calcular P(X < 15), hay que tomar x = 14.5
14.5 − 22
z= = −2.3885 ≈ −2.39 , A(z = 2.39) = 0.4916
3.14
Entonces: P(X < 15) = 0.5 - 0.4916 = 0.0084
d) Para encontrar P(15 ≤ x ≤ 25) binomial , al aplicar
las correcciones de continuidad se debe calcular
P(14.5 ≤ x ≤ 25.5) = P(14.5 ≤ x ≤ 22) + P(22< x ≤ 25.5)
= 0.4916 + 0.3665 = 0.8581
Recursos complementarios
Video de explicación de probabilidades.

33
https://www.youtube.com/watch?v=2y6zs8o-YWg
Video de explicación de distribuciones discretas.
https://www.youtube.com/watch?v=C4FEzyO91gw
Video de explicación de distribución normal (distribución continua)
https://www.youtube.com/watch?v=3_OnV00jfoA
Bibliografía
Webster, A. (2012). Estadística Aplicada para la Administración y Economía.

Estados Unidos: Irwin.
Galindo, E. (1999). Estadística para la Administración y la Ingeniería. Ecuador:

34
Gráfica Mediavilla Hnos.
Spiegel, M., Stevens, L (2009). Estadística (Serie Schaum). México: McGraw-

Hill/interamericana Editores.
Gorgas J., Cardiel N., Zamorano J., (2011). Estadística Básica para
Estudiantes de Ciencias. España: Facultad de Ciencias Físicas/Universidad
Complutense de Madrid

35

Estadistica Tema 3

Cargado por

Copyright:

Formatos disponibles

Estadistica Tema 3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica Tema 3

Cargado por

Copyright:

Formatos disponibles

Universidad de las Fuerzas Armadas ESPE Unidad de Educación a Distancia

Probabilidad y distribución de probabilidad

3.1. Teoría de probabilidades 3

3.2. Teorema de Bayes y diagrama de árbol 14

3.3. Técnicas de conteo 17

3.4. Distribuciones de probabilidad discreta

Probabilidad y distribución de probabilidad

3.1. Teoría de probabilidades

En general, la probabilidad es la posibilidad de que algo pase. Es decir,

Para una mejor comprensión, se utilizan ciertas definiciones generales:

a) Experimento: Es un proceso que genera un conjunto de datos, ya

Los elementales (aquellos que constan de un solo resultado)

Los compuestos (que consisten en dos o más resultados)

Probabilidad y distribución de probabilidad

Debemos indicar que dos eventos son mutuamente excluyentes

c) Espacio Muestral: Es el conjunto de todos los resultados posibles de

En el experimento: Lanzar la moneda, el espacio muestral sería:

En el experimento: Registre el tipo de sangre de una persona. El

Existen tres maneras básicas de estudiar a la probabilidad, sin embargo,

a) El planteamiento clásico: Supóngase un suceso E, que de un total de

Probabilidad y distribución de probabilidad

n casos posibles, todos igualmente posibles, puede presentarse en h

número de casos favorables

La probabilidad de NO aparición del suceso (llamada no

𝑃𝑃 (𝑛𝑛𝑛𝑛 𝐸𝐸) = 1 − 𝑝𝑝 (𝐸𝐸)

Esta relación se da partiendo de que la probabilidad de un evento A

 Para todo evento A: 0 ≤ 𝑃𝑃(𝐴𝐴) ≤ 1

b) El planteamiento como frecuencia relativa: La definición anterior de

número de veces que ocurrio un evento en el pasado

A pesar de ser práctica, esta definición tiene problemas desde el

Probabilidad y distribución de probabilidad

probabilidad es un concepto NO definido como ocurre con el punto y la

c) El planteamiento subjetivo: Está basado en las creencias de las

Las asignaciones de probabilidades subjetivas se dan con más

Ejemplo de probabilidad clásica:

Si se lanza al aire una moneda equilibrada, cuál será la probabilidad de que

a) Cruz es: P(cruz) = 1/2 porque 1 de las 2 alternativas.

b) Cara es: P(cara) = 1/2 porque 1 de las 2 alternativas.

Ejemplo de probabilidad empírica:

Suponga que en un experimento se realizan 1000 ensayos y se produjo

R: P(E) =200/1000 = 1/5 = 0.20

Relación entre la probabilidad y la teoría de conjuntos

El estudio de las reglas de probabilidad está estrechamente relacionado

Probabilidad y distribución de probabilidad

con la teoría de conjuntos, para ello se asimila un evento con un conjunto.

U = Conjunto universo S ó Ω = Espacio muestral.

φ = Conjunto vacío φ = Evento nulo

A = Complemento de A E = Evento contrario de E

1. P(E) ≥ 0 La probabilidad de un evento es un número comprendido

2. P(S) = 1 La probabilidad del espacio muestral es 1

Propiedades de las probabilidades

Probabilidad y distribución de probabilidad

• Regla especial de adición

Probabilidad y distribución de probabilidad

Se aplica cuando los eventos son mutuamente excluyentes o disjuntos

Para un par de eventos A, B: P(A o B) = P(A) + P(B)

Para tres eventos A, B, C : P(A o B o C) = P(A) + P(B) + P(C)

En el ejemplo de las 3 bolas rojas, 2 blancas y 5 azules, calcular la

a) Roja o Blanca: P(roja o blanca) = P(roja) +P(blanca) = 3/10 + 2/10 = ½