Anda di halaman 1dari 31

PROBABILIDADES Y DISTRIBUCIONES TERICAS

El Papel de la probabilidad.
El estudio de la probabilidad nos permite una mejor comprensin de la
inferencia estadstica.
Sin algn conocimiento de probabilidad no se puede apreciar la verdadera
interpretacin del anlisis de datos mediante los mtodos estadsticos. Los
elementos de probabilidades nos permiten cuantificar la confianza en
nuestras conclusiones.
Con frecuencia la naturaleza del estudio cientfico sealara el papel que
juegan la probabilidad y el razonamiento deductivo de la inferencia
estadstica.
Veamos un ejemplo.
En estudio que se realiz en una relacin simbitica entre las races de los
rboles y un hongo en la que se transfiere minerales del hongo a los rboles
y azucares de los rboles a los hongos, se plantaron 20 rboles de roble rojo
con el hongo Pisolithus tinctorus. Todos se plantaron en el mismo tipo de
suelo y recibieron la misma cantidad de luz solar y agua. La mitad no recibe
nitrgeno en el momento de plantarlas y la otra mitad recibe 368 ppm de
nitrgeno en forma de NaNO
3
. Los pesos de los tallos, que se registran en
gramos, al final de 140 das son los siguientes.

Sin Nitrgeno Con Nitrgeno
0.32 0.47 0.26 0.52
0.53 0.43 0.43 0.75
0.28 0.36 0.47 0.79
0.37 0.42 0.49 0.86
0.38 0.62
0.43 0.46
El propsito de este experimento es determinar si el uso del nitrgeno tiene
influencia en el crecimiento de los tallos.
La apariencia general de los datos puede sugerirnos que en promedio el uso
del nitrgeno aumenta el peso del tallo.
Cuatro observaciones con N son considerablemente ms grandes que
cualquiera de las observaciones sin N. La mayor parte de las observaciones
sin N parece estar por debajo del centro de los datos. La apariencia del
conjunto de datos parecera indicar que el N es efectivo.
Pero Cmo se puede cuantificar esto?
Cmo se puede resumir toda la evidencia visual aparente en un
significado?
En este caso se puede utilizar los fundamentos de la teora de la
probabilidad. Las conclusiones se pueden resumir en una declaracin de la
probabilidad o valor P. El problema gira alrededor de la probabilidad de que
datos como estos se puedan observar dado que el N no tiene efecto, en
otras palabras, dado que ambas muestras se generaron a partir de la misma
poblacin. Suponga que esta probabilidad es pequea 0.03, esta seria con
certeza suficiente evidencia de que el uso del N en realidad influye (aparente
mente aumenta) el peso promedio del tallo.
Como vimos los elementos de probabilidad proporcionan un resumen que el
cientfico o el ingeniero puede usar como evidencia sobre la cual tomar una
decisin.
Probabilidad.
Espacio muestral:
El estadstico a menudo trata con datos experimentales, conteos o
mediciones representativos o quizs datos categricos que se pueden
clasificar de acuerdo con algn criterio. Cualquier registro de informacin ya
sea de un tipo u otro es una observacin.
En general se utiliza la palabra experimento para describir cualquier proceso
que genere un conjunto de datos. Estamos interesados en las observaciones
que se obtienen por la repeticin de un experimento varias veces. En la
mayor parte de los casos los resultados dependern del azar y por tanto no
se pueden predecir con certeza.
El conjunto de todos los resultados posibles de un experimento estadstico se
llama espacio muestral y se representa por el smbolo S.
Cada resultado del espacio muestral se llama elemento, miembro o
simplemente punto muestral.
Si el espacio muestral es finito podemos listar los puntos separados por
coma y encerrarlos en parntesis.
Ej: Cuando pare una vaca.
S= {H, M} donde H corresponde a hembra y M a macho.
En algunos experimentos es til listar los elementos del espacio muestral de
forma sistemtica mediante un diagrama de rbol.
Ejemplo: Supongamos que sembramos 3 macetas con una semilla, cada
maceta se revisa y se observa si germina o no. Para listar los elementos del
espacio muestral construimos el diagrama del rbol. Las diversas
trayectorias a lo largo de las ramas del rbol dan los distintos puntos
mustrales. Al comenzar la primera trayectoria obtenemos el punto muestral
GGG que indica la posibilidad de que las 3 macetas revisadas hayan
germinado. Si observamos las dems trayectorias el espacio muestral es:
S= {GGG, GGN, GNG, GNN, NGG, NGN, NNG, NNN}
Primera 2 da 3 ra
Pto
Maceta Maceta Maceta
Muetral

Diagrama de rbol.
Los espacios muestrales con un numero grande o infinito de puntos
mustrales se describen mejor mediante un enunciado o regla. Por ejemplo,
si los resultados de un experimento por todas las plantas de caa en un rea
de:7m x 4m
S= {x | x es una plantacin con mas de 300 plantas}
Describir el espacio muestral mediante el mtodo de la regla o listando los
elementos depender del problema especfico. El mtodo del enunciado
tiene ventajas prcticas, para los experimentos donde el listado se vuelve
tedioso.
Eventos:
En el ejemplo de la germinacin pudiramos interesarnos en el evento de
que el nmero de plantas germinadas sea mayor que 1. Esto ocurrir si el
resultado es un elemento del subconjunto.
A= {GGN, GNG, NGG, GGG} del espacio muestral S.
Para cada evento asignamos una coleccin de puntos muestrales que
constituye un subconjunto del espacio muestral.
Definicin: Un evento es un subconjunto de espacio muestral.
Definicin: El complemento de un evento A con respecto a S es el
subconjunto de todos los elementos de S que no estn en A. Denotamos el
complemento de A mediante el smbolo A.
El complemento del ejemplo anterior.
A= {GNN, NGN, NNG, NNN}
Consideremos ciertas operaciones con eventos que tendrn como resultado
la formacin de menos eventos. Estos eventos nuevos sern subconjuntos
del mismo espacio muestral como los eventos dados. Suponga que en el
lanzamiento de un dado A es el evento de que ocurra un nmero par y B el
evento de que aparezca un nmero mayor que 3.
A= {2, 4, 6} B= {4, 5, 6} son subconjunto del mismo espacio muestral.
S= {1, 2, 3, 4, 5, 6}.
Ntese que A y B ocurrirn ambos en el lanzamiento de un dado si el
resultado es un elemento del subconjunto {4, 6} que es precisamente la
interseccin de A y B.
Definicin:
La interseccin de 2 eventos A y B denotada mediante el smbolo A B es
el elemento que contiene a todos los que son comunes a A y a B.
Definicin:
Dos eventos A y B son mutuamente excluyentes o disjuntos si AB =; es
decir, si A y B no tiene elementos en comn.
Definicin:
La unin de dos eventos A y B, que se denota mediante el smbolo A B, es
el evento que contiene todos los elementos que pertenecen a A o a B o a
ambos.
Si M= {X / 3 < X < 9} y N {y / 5 < y < 12} entonces MN= {Z / 3 < Z < 12}.
La relacin entre eventos y el correspondiente espacio muestral se puede
ilustrar de forma grafica mediante diagramas de Venn. En un diagrama de
Venn representamos el espacio muestral como un rectngulo y los eventos
trazados dentro del rectngulo con circulo.
Eventos representados por varias regiones:
A B = regiones 1 y 2
B C = regiones 1 y 3
S
B
A
C
6 7
2

1
4 3
5
A C = regiones 1, 2, 3, 4, 5, 7
B

A = regiones 4 y 7
A B C = regiones 1
(A B) C
1
= regiones 2, 6 y 7
Conteo de puntos de la muestra.
Uno de los problemas que el estadstico debe considerar e intentar evaluar
es el elemento de posibilidad asociado con la ocurrencia de ciertos eventos
cuando se lleva a cabo un experimento. Estos problemas pertenecen al
campo de la probabilidad. En muchos casos debemos ser capaces de
resolver un problema de probabilidad mediante el conteo del nmero de
puntos en el espacio muestral sin listar realmente cada elemento. El principio
fundamental del conteo a menudo denominado regla de multiplicacin se
establece como sigue.
Teorema:
Si una operacin se puede llevar a cabo de n
1
, formas, y para cada una de
estas se puede realizar una segunda operacin de n
2
formas
,
entonces las 2
operaciones se pueden ejecutar juntas de n
1
n
2
formas.
Ejemplo: Cuantos puntos muestrales hay en el espacio muestral cuando se
lanza un par de dados?
El primer dado puede caer en cualquiera de n
1
= 6 maneras.
El segundo dado tambin puede caer en cualquiera de n
2
= 6 formas.
Por tanto, el par de dados puede caer en.
N
1
n
2
= (6) (6) = 36 formas posibles.
Un genetista ofrece a una empresa la eleccin para la compra de vacas
Holstein Ceb, Charolais, Jersey, de uno, dos y 3 partos de cuantas formas
diferentes puede ordenar el comprador estos animales?
Solucin:
Como n
1
= 4 y n
2
= 3 el comprador debe elegir entre
n
1
n
2
= (3 X 4) = 12 posibilidades.
Esto se puede verificar adems del ejemplo anterior mediante la construccin
del diagrama de rbol y el conteo de diversas trayectorias a lo largo de las
ramas.
Razas Nmeros de partos
Un parto
Holstein Dos partos
Tres partos
Uno
Ceb Dos
Tres
Uno
Charolais Dos
Tres
Uno
Jersey Dos
Tres
Teorema:
Si una operacin se puede ejecutar en n
1
formas y si para cada una de estas
se puede llevar a cabo una segunda operacin de n
2
formas, y para cada una
de las primeras dos se puede realizar una tercera operacin en n
3
formas y
as sucesivamente, entonces la serie de k operaciones se puede realzar en
n
1
n
2
.. n
k
formas.
Ejemplos: Cuantos nmeros pares de 3 dgitos se pueden formar a partir
de los dgitos 1, 2, 5, 6, 9 si cada dgito se puede usar solo una vez?
Como el numero debe ser par tenemos solo 2 elecciones N
1
= 2 elecciones
para la posicin de las unidades.
Para las centenas tenemos N
2
= 4 elecciones y entonces N
3
= 3 elecciones
para las dems.
Por tanto podemos formar:
N
1
N
2
N
3
= (2X4) (3) = 24 nmeros pares de 3 dgitos.
Con frecuencia nos interesamos en un espacio muetral que contiene como
elementos a todas las posibles ordenaciones o arreglos de un grupo de
objetos. Por ejemplo queremos saber cuantas ordenaciones son posibles
para sacar 2 semillas rugosas de un bolso de un total de 20. Los diferentes
arreglos se llamean permutaciones.
Definicin.
Una permutacin es un arreglo de todo o parte de un conjunto de objetos.
Considere 3 flores: roja, blanca, rosada. Las permutaciones posibles son:
RBD, RDB, BRD, BDR, DRB, DBR. De esta forma vemos que hay 6 arreglos
distintos. Con el uso de teorema podemos llegar a la respuesta sin realmente
listar las diferentes ordenaciones. Hay N
1
= 3 elecciones para la primera
posicin, N
2
= 2 para la segunda, lo que deja solo N
3
= 1 eleccin para la
ultima posicin lo que da un total de.
N
1
N
2
N
3
= (3) (2) (1) = 6 permutaciones.
En general, N objetos distintos se pueden arreglar en:
N (N 1) (N 2) . (3) (2) (1) formas.
Representamos este producto mediante el smbolo N
1
que se lee N
factorial. Tres objetos se pueden arreglar en 3! = (3) (2) (1) = 6 maneras. Por
definicin 1! = 1 y 0! = 1
El nmero de permutaciones de N objetos distintos en N!
El nmero de permutaciones de 4 vacas H, C, CH, J ser 4! = 24.
Consideremos ahora el nmero de permutaciones que son posibles al tomar
las 4 vacas, 2 a la vez. Estas seran HC, HCR, HJ, CH, CRH, JH, CCR,
CRC, CJ, JC, CRJ, JCR. De acuerdo con el teorema tenemos dos posiciones
para llenar con N
1
= 4 elecciones para la primera y despus N
2
=3 elecciones
para la segunda con un total de:
N
1
N
2
= (4) (3) = 12 permutaciones. En general, N objetos distintos tomados
de r a la vez se puede arreglar en:
N (n 1) (n 2). (n r + 1) formas. Representaciones este producto
mediante el smbolo.
nPr =
( )!
!
r n
n

Como resultado tenemos el teorema siguiente.


{El nmero de permutaciones de N objetos distintos tomados de r a la vez es
nPr =
( )!
!
r n
n


Ejemplo: Se sacan 2 bolsas de tierra de un total de 20
Encuentre el nmero de puntos muestrales en el espacio S.
20 P
2
=
! 18
! 20
= (20) (19) = 380

En muchos problemas nos interesamos en el nmero de formas de
seleccionar r objetos de n sin importar el orden.
Estas selecciones se llaman combinaciones. Una combinacin es realmente
una particin con 2 celdas, una celda contiene los r objetos seleccionados y
la otra contiene los (n r) objetos restantes.
El numero de tales combinaciones, denotado por.

( )

,
_

r n r
n
Por lo general se reduce a

,
_

r
n
Teorema: El nmero de combinaciones de n objetos distintos toreados de r a
la vez es:

( ) ! !
!
r n r
n
r
n

,
_



Ejemplo: De 4 vacas Holstein y 3 Ceb encuentre las asociaciones que se
pueden formar que consistan en 2H y una Ceb.
Solucin:
El nmero de formas de seleccionar 2H de 4 es
( )
6
! 2 4 ! 2
! 4
2
4

,
_



El numero de formas de seleccionar una ceb de 3 es
( )
3
! 1 3 ! 1
! 3
1
3

,
_


Al usar la regla de multiplicacin del teorema con n
1
= 6 y n
2
= 3 podemos
formar. N
1
N
2
= (6) (3) = 18 asociaciones con 2 H y 1 Ceb.
Probabilidad de evento.
En este captulo consideramos solo aquellos experimentos para los que el
espacio muestral contiene un nmero finito de elementos. La probabilidad de
la ocurrencia de un evento que resulta de un experimento estadstico se
evala por medio de un conjunto de nmeros reales denominados pesos o
probabilidades que van de 0 a 1.
Para todo punto en el espacio muestral asignamos una probabilidad tal que
la suma de todas las probabilidades es 1.
En muchos experimentos como el nacimiento de un ternero todos los puntos
muestrales tienen la misma posibilidad de ocurrencia y se le asignan
probabilidades iguales para puntos fuera del espacio muestral, para eventos
que no es posible que ocurran, asignamos una probabilidad de cero.

Para encontrar la probabilidad de un evento A sumamos todas las
probabilidades que se asignan a los puntos muestales de A y se denota por
P (A).
Definicin: La probabilidad de un elemento A es la suma de los pesos de
todos los puntos muestrales en A. Por tanto.
0 P (A) 1, P () = 0 y P (S) = 1
Ejemplo: Si paren 2 vacas Cul es la probabilidad que nazca por lo menos
1 macho?
El espacio muestral para este experimento es:
S = {MM, MH, HM}.
Si A representa el evento de que nazca al menos 1 macho entonces:
A = {MM, MH, HM} y P (A) = 1 + 1 + 1 = 3
4 4 4 4

Si el espacio muestral para un experimento contiene N elementos, los
cuales tienen la misma probabilidad de ocurrencia, asignamos una
probabilidad igual a 1/N a cada uno de los puntos. La probabilidad de
cualquier evento A que contenga n de estos N puntos muestrales es
entonces la razn de nmero de elementos en A al nmero de elementos en
S.
Teorema: Si un experimento puede tener como resultado cualquiera de N
diferentes resultados igualmentes probables, y si exactamente n de estos
resultados corresponde al evento A entonces la probabilidad del evento A es.
P (A) =
N
n
Se tiene un grupo de bolsas con suelo de diferentes tipos, los que contienen
6 suelo ferraltico, 4 fersialtico y 3 pardo. Si se hace una seleccin aleatoria
de una de las bolsas encuentre la probabilidad de sacar.
a) Uno ferraltico.
b) Un fersialtico o un pardo.
Solucin:
Fr, Fs y P representan los eventos de que la persona seleccione,
respectivamente, un ferraltico, un fersialtico o un pardo. El nmero total de
bolsas es 13, los cuales tienen la misma probabilidad de ser seleccionados.
(a) Como 6 de los 13 bolsas son ferralticos, la probabilidad del evento Fr
seleccionar un suelo ferraltico es:
P (Fr) =
13
6
(b) Como 7 de las bolsas son fersialticos o pardos:
P (Fs P) =
13
7

Si resultados de un experimento no tienen igual probabilidad de ocurrencia,
las probabilidades se deben asignar sobre la base de un conocimiento previo
de evidencia experimental. Por ejemplo para estimar la probabilidad de un
da lluvioso en un mes, tomamos los resultados previos en esto. De acuerdo
con la definicin de frecuencia relativa de la probabilidad, las probabilidades
verdaderas seran las fracciones de los das lluviosos que ocurren a largo
plazo.
Reglas aditivas:
A menudo es ms fcil calcular la probabilidad de un evento a partir del
conocimiento de las probabilidades de otros eventos. Esto puede ser cierto si
el evento en cuestin se puede representar como la unin de otros dos
eventos o como el complemento de algn evento. Veremos a continuacin
algunas leyes importantes que con frecuencia a simplifican el clculo de las
probabilidades.
La 1
ra
se denomina regla aditiva, se aplica a uniones de eventos.
Teorema: Si A y B son cualesquiera dos eventos, entonces
P (AB) = P (A) + P (B) P (AB)
Prueba. Considere el diagrama de Venn siguiente. P (AB) es la suma de
las probabilidades de los puntos muestrales en AB. Ahora bien P(A) + P (B)
es la suma de todas las probabilidades en A mas la suma de todas las
probabilidades en B. Por tanto, sumamos dos veces las probabilidades en
(AB). Como estas probabilidades se suman a p (AB) debemos restar esta
probabilidad una vez para obtener la suma de las probabilidades en AB que
es P (AB).
Regla aditiva de probabilidades.
Corolario: Si A y B son mutuamente excluyentes, entonces.
P (AB) = P (A) + P (B)
El corolario 1 es un resultado inmediato del teorema pues si A y B son
mutuamente excluyentes AB = y entonces P (AB) = P () = 0 en
general escribimos:
Corolario 2
Si A
1
, A
2
, A
3
, A
n
son mutuamente excluyentes, entonces.
P (A, A
2
.. A
n
) = P (A
1
) + P (A
2
) + .. + P (A
n
).
Corolario 3
Si A
1
, A
2
A
n
es una particin de un espacio muestral S, entonces.
P (A
1
UA
2
U......... A
n
) = P (A
1
) + P (A
2
) +..+ P (A
n
)
= P (S)
= 1
Teorema: El teorema se extiende de forma anloga.
Para 3 eventos A, B y C, P (ABC) = P(A) + P (B) + P (C) P (AB) - P
(AC) (BC) + P (ABC).
Ejemplo: La probabilidad de que Alternaria solani afecte el cultivo del tomate
es de 2/3 y la probabilidad de que Phytophtora infestans lo afecte es 4/9. Si
la probabilidad de que ambos fitopatgenos afecten a la vez el cultivo es de
Cual es la Probabilidad de que el tomate sea afectado a la vez por los
dos hongos?
Respuesta:
S
Si A es el evento de ser afectada por Alternaria y P el evento ser afectado
por Phytophtora entonces por la regla de adicin tenemos.

P (AP) = P (A) + P(P) P (AP) =
36
31
4
1
9
4
3
2
+

Otro ej:
La probabilidad de que el agua reaccione con el sodio es de 4/6 y que
reaccione el sodio con el alcohol es de 1/18. El grupo hidroxilo que est
presente en ambas sustancias es comn encontrarlo en compuestos de
origen vegetal y animal Cul es la probabilidad de que el sodio reaccione
con el agua o con el alcohol?
Solucin:
Sea A la probabilidad de que el sodio reaccione con el agua B la
probabilidad de que el sodio reaccione con el alcohol.

P (AB) = P (A) + P (B) =
18
13
18
1
6
4
+

Cul es la probabilidad de obtener una bolsa con suelo ferraltico o suelo
pardo al seleccionar 1 bolsa de suelo si se tiene 6 ferralticos, 4 fersialtico y
3 pardos.
Sea A el evento de obtener bolsas con suelo ferraltico P (A) =
13
6
. Sea B el

evento de obtener bolsas con suelo pardo P (B) =
13
3
. Los eventos A y B

son mutuamente excluyentes y no pueden ocurrir en la misma seleccin. Por
tanto.
P (AB) = P (A) + P (B) =
13
9
13
3
13
6
+

Este resultado tambin se podra obtener al contar el nmero total de puntos
para el evento AB y escribir
P (AB) =
13
9

N
n
El teorema y sus tres corolarios ayudarn a una mejor comprensin de la
probabilidad y su interpretacin. Los corolarios 1 y 2 sugieren un resultado
muy intuitivo que trata con la probabilidad de ocurrencia de al menos uno de
un nmero de eventos, sin que puedan ocurrir dos de ellos simultneamente.
La probabilidad de que ocurra al menos 1 es la suma de las probabilidades
de ocurrencia de los eventos individuales. El tercer corolario simplemente
establece que el valor ms alto de una probabilidad (1) se asigna a todo el
espacio muestral.
A menudo es ms difcil la probabilidad que ocurra un evento que calcular la
probabilidad de que el evento no ocurra. Si este es el caso para algn evento
A, simplemente encontramos primero P (A) y despus con el uso del
teorema encontramos P (A) por sustraccin.
Teorema
Si A y A

son eventos complementarios, entonces P (A)+ P (A)=1


Probabilidad condicional
La probabilidad de que un evento B ocurra cuando se sabe que ya ocurri un
evento A se llama Probabilidad condicional y se denota por P(B/A)
(probabilidad de que ocurra B dado que ocurri A) o simplemente la
probabilidad de B da do A.
Definicin
La probabilidad condicional de B dado A que se denota con P(B/A) se define
como:
P(B/A)=
) (
) (
A P
B A P
si P(A) > 0
Ejemplo:
Los datos representan una muestra independiente de conejillos de india
enfermos que se dividieron en dos grupos: tratados y no tratados y se analiz
la supervivencia en ambos grupos
muertos vivos

Tratados 9 15 24
No tratados 15 20 25

24 25 49
Uno de estos animales se seleccionar al azar. Nos interesamos en los
eventos siguientes:
T: se elige un conejillo tratado
M: El elegido est muerto
P(T/M)=
24
9
=
8
3
podemos aplicar
) (
) (
M P
T M P
donde P(M)=
49
24

y P(M
) T
49
9
Si P(B/A)P(B) indica que B depende de A.
Si P(B/A)= P(B) los eventos A y B son independientes.
De aqu:
P (T/M)=
8
3
24
9
49 / 24
49 / 9

Eventos independientes
P(A/B)=P(A)
La ocurrencia de B no tiene impacto e las probabilidades de ocurrencia de A.
Aqu la ocurrencia de A es independiente de la ocurrencia de B.
Definicin
Dos eventos A y B son independientes s y solo s P(B/A)=P(B) y
P(A/B)=P(A).
De otra forma A y B son dependientes.
Reglas multiplicativas
La siguiente regla multiplicativa nos permite calcular la probabilidad de que
ocurran dos eventos.
Teorema
Si en un experimento pueden ocurrir los eventos A y B entonces P (AB)=
P(A) P(B/A)
As la probabilidad de que ocurran A y B es igual a la probabilidad de que
ocurra A multiplicada por la probabilidad de que ocurra B dado que ocurre A.
Como los eventos AB = BA=P(B) P(A/B)
Teorema
Dos eventos A y B son independientes s y solo s P (AB)=P(A) P (B)
Por tanto, para obtener la probabilidad de que ocurran dos eventos
independientes simplemente calculamos el producto de sus probabilidades
individuales.
Ejemplo:
La probabilidad de que germinen las semillas de soya tradas de Granma es
de 0,98 y la probabilidad de que germinan las de Ciego de vila es de 0,92,
encuentre la probabilidad de que los dos tipos de semillas germinen.
P (AB)=P(A) P (B)= =0,98*0,92=0,9016
Variables aleatorias y distribuciones de probabilidad
Concepto de Variable Aleatoria
La estadstica se encarga de realizar inferencias acerca de las poblaciones y
sus caractersticas. Se llevan experimentos cuyos resultados se encuentran
sujetos al azar. La prueba de germinacin de las semillas es un ejemplo de
experimento estadstico, trmino que se utiliza para describir cualquier
proceso mediante el cual se generan varias observaciones al azar a menudo
es importante asignar una descripcin detallada de cada posible resultado
cuando se siembran 3 semillas se pueden escribir como:
S={GGG, GGN, GNG, NGG, GNN, NGN, NNG, NNN}
Donde G denota germina y N no germina.
Estamos interesados en el nmero que no germina. De esta forma a cada
punto en el espacio muestral se le asignar un valor numrico de 0,1,2 3.
Estos valores son, por supuesto cantidades aleatorias determinadas por el
resultado del experimento. Se puede ver como valores que toma la variable
aleatoria X, el nmero de plantas que no germinan cuando se siembran tres
semillas.
Definicin
Una variable aleatoria es una funcin que asocia un nmero real con cada
elemento del espacio muestral.
Utilizaremos una letra mayscula, digamos X para denotar una variable
aleatoria y su correspondiente minscula, x en este caso para uno de sus
valores.
En el ejemplo anterior de germinacin, la variable aleatoria x toma el valor 2
para todos los elementos en el subconjunto.
E={NNG, NGN, GNN}
Del espacio muestral S. Es decir cada valor posible de x representa un
evento que es un subconjunto del espacio muestral para el experimento
dado.
Ej. Se cruzan plantas con flores rojas y otra con flores blancas. La F1 se
cruz entre s y se obtuvo una planta con flores rojas (RR); 2 con flores
rosadas Rr y una con flores blancas.
Espacio muestral X
RR 1
Rr 2
rr 1
Definicin.
Si un espacio muestral contiene un nmero finito de posibilidades o una serie
interminable con tantos elementos como nmeros enteros existen, se llama
espacio muestral discreto.
Los resultados de algunos experimentos estadsticos no pueden ser ni finitos
ni contables ej. Si obtenemos el rendimiento del cultivo del tomate en
diferentes parcelas experimentales. Supongamos que el peso se mide con
algn grado de precisin, entonces tenemos un nmero infinito de pesos en
el espacio muestral que no se pueden igualar con los nmeros enteros.
Definicin.
Si un espacio muestral contiene un nmero infinito de posibilidades igual al
nmero de puntos en un segmento de lnea, se llama espacio muestral
continuo.
Una variable aleatoria se llama V.A.D si se puede contar su conjunto su
conjunto de resultados posibles.
Cuando una variable aleatoria puede tomar valores en una escala continua,
se le denomina V.A.C.
En la mayor parte de los problemas prcticos, las V.A.C representan datos
medidos, como son todos los posibles pesos, alturas, temperaturas,
distancias o perodos de vida, mientras que las V.A.D representan datos
contados como el nmero de plantas germinadas.
Distribuciones discretas de probabilidad.
Una V.A.D toma c/u de sus valores con cierta probabilidad. En el caso del
cruzamiento de flores rojas y blancas.
S x P(x)
rr 0 0.25
Rr 1 0.50
RR 2 0.25
1.00
Los valores de x agotan todos los casos posibles y por ello las probabilidades
suman 1.
Con frecuencia es conveniente representar todas las probabilidades de una
V.A x mediante una frmula. Tal frmula necesariamente sera una funcin
de los valores numricos x que denotaremos con f(x), g(x), r(x) y as
sucesivamente.
Por tanto escribiremos f(x)=P(X=x) es decir f(2)=P(X=2).
El conjunto de pares ordenados (x, f(x)) se llama distribucin de probabilidad
de la V.A.D x.

Efinicin.
El conjunto de pares ordenados (x, f(x)) es una funcin de probabilidad,
funcin de masa de probabilidad o distribucin de probabilidad de la V.A.D x
si para cada resultado posible de x.
1.- f(x)0
2.- f(x)=1
3.- P(X=x)= f(x)
En el ejemplo de la probabilidad la determinamos por la definicin clsica de
probabilidad pero a veces tenemos funciones que nos permiten llegar al
mismo resultado, como es la funcin de probabilidad vista, en este caso
tenemos:
P(x)=
2
2
2

,
_

x
para x = 0, 1, 2 tenemos que:
1
2
) (
2
2
2
2
2
2
0
2
0
2

,
_


x x
x
x P
En ocasiones no solo nos interesa hallar la probabilidad de que una V.A.D
tome un valor determinado, sino que tome valores menores o iguales que un
cierto valor real t, por lo que resulta conveniente definir una funcin que
exprese las probabilidades para estos sucesos, la cual se denomina funcin
de distribucin y la expresamos como

F(t)=P(xt)=

t x
x P ) (
Si se desea hallar la probabilidad de que la V.A tome un valor mayor que t se
tiene
P(x>t)=1-P(xt)=1- F(t)
Ya que se cumple que .
P(x)=1 que es lo mismo que decir
P(x>t) + P(xt)=1
Para calcular la probabilidad en el intervalo (a,b) se tiene que .
P(a<xb)= F(b)-F(a)
Lo cual puede se puede plantear para otros intervalos cerrados o
semiabiertos.
Distribuciones contnuas de probabilidad.
Para el caso de una V.C se puede definir tambin una funcin f(x) que si bien
no representa en este caso P(X=x), ayudar al ccculo de probabilidades de
sucesos de sucesos o eventos asociados a esta variable. La funcin antes
mencionada se denomina funcin de densidad.
Una funcin de densidad de probabilidad se construye de modo que el rea
bajo su curva limitada por el eje x sea igual a 1 cuando se calcula en el rango
de x para el que se define f(x). Si este rango de x es un intervalo finito,
siempre es posible extender el intervalo para incluir a todo el conjunto de
nmeros reales al definir f(x) como cero en todos los puntos de las partes
extendidas del intervalo. En la siguiente figura la probabilidad de que x tome
un valor entre a y b es igual al rea sombreada bajo la funcin de densidad
entre las ordenadas en x=a y x=b y del clculo integral es dada por:
P(a<x<b)=
( )dx x f
b
a

Definicin.
La funcin f(x) es una funcin de densidad de probabilidad para la V.A.C x
definida en el conjunto de nmeros reales R si:
1.- f(x)0 para toda x R.
2.-


. 1 ) ( dx x f
3.- P(a<x<b)=
( )dx x f
b
a

Ej. Los siguientes datos corresponden


f(x)
( )

'

< < +

4 ,
4 2 ; 2 3
18
1
2
x o
x si x
oSix

f(x) por lo tanto, podemos considerarla como una funcin de densidad y
podemos calcular la probabilidad siguiente:
( ) ( ) ( )
]
( )
9
4
18
10 18
3
18
1
2 3
18
1
3 2
3
2
3
2
2

+ + < <
x
x dx x x P

Integrando en todo el recorrido de la variable tenemos que:
( ) ( )
]
1
18
18
18
10 28
3
18
1
0 2 3
18
1
0 ) (
4
2
2 4
2 4
2

+ + + +


x
x dx dx x dx dx x f
En el caso de la V.A.C la funcin de distribucin se puede expresar como:
F(t)=P(xt)=P(-<xt)=
( )


dx x f
Luego se puede escribir que:
F(t)=
( )dx x f
t


Valor esperado o esperanza matemtica de una V.A.
Definicin.
El valor esperado de una V.A (o de cualquier funcin de una V.A), se obtiene
hallando el valor medio de la funcin para todos los valores posibles de la
variable, este valor esperado es la media terica o ideal.
El valor esperado de una V.A x se representa generalmente por E(x) o por
y se puede expresar como:
=E(x)


nua sixesconti x xf
eta sixesdiscr x xP
) (
) (

El valor esperado o media terica posee propiedades anlogas a las
desarrolladas para la media aritmtica.
Ejemplo.
Calcular el valor esperado en el caso del cruzamiento de flores rojas y
blancas.
E(x)=

+ + +
2
0
1
2
1
2
1
4
1
* 2
2
1
* 1
4
1
* 0 ) (
x
x xP
Esto significa que al cruzar 2 plantas podemos obtener como promedio una
planta con un alelo dominante.
Para el ej de la V.A.C.
E(x)=
( )
]
,
_

,
_

+ + +

3
16
2
12
3
128
2
48
18
1
3
2
2
3
18
1
2 3
18
1
) 2 3 (
18
1
4
2
3 2
4
2
2
4
2
x x
dx x x dx x x

=
07 . 3
27
83
3
112
2
36
18
1

,
_

Varianza de una V.A.


Definicin.
Si x es una V.A con valor esperado E(x), la varianza de x se representa por
V(x) o
2
y se puede expresar como:

2
=V(x)=
( )]
( )]

'


nua sixesconti x f E x
eta sixesdiscr x P E x
x
x
) (
) (
2
2

Aqu se puede obtener la desviacin tpica o estndar de la V.A mediante la
raz con signo positivo de la varianza y se denota por .
Se cumplen las propiedades de la varianza ya conocidas.
Distribuciones tericas de probabilidad.
Introduccin
Ya abordamos las distribuciones empricas de frecuencia, que son
distribuciones obtenidas por observaciones tomadas de la experiencia.
Ahora nos ocuparemos de las distribuciones tericas de probabilidad las
cuales son modelos tericos establecidos basados en las probabilidades y
que utilizaremos si las caractersticas del problema planteado son las
requeridas para el uso de estas.
Distribucin binomial.
Un experimento a menudo consiste en pruebas repetidas, cada una con dos
posibles resultados que se pueden catalogar como xito o fracaso.
Ej al sembrar una semilla puede germinar o no. Podemos elegir cualquiera
de estos resultados como xito.Los ensayos que se repiten son
independientes y la probabilidad de xito permanece constante entre cada
uno de ellos. El proceso se denomina proceso de Bernoulli. Cada ensayo se
llama experimento de Bernoulli.
Proceso de bernoulli.
Si se habla con exactitud, el proceso de Bernoulli debe tener las siguientes
propiedades:
1.- El experimento consiste en N pruebas que se repiten.
2.- Cada prueba produce un resultado que se puede clasificar como xito o
fracaso.
3.- La probabilidad de un xito que se denota por p, permanece constante en
cada prueba.
4.- Las pruebas que se repiten son independientes.
Considere el conjunto de experimentos de Bernoulli en el que se siembran 3
semillas al azar y se observa si germinan o no. El nmero de xitos de una
variable aleatoria que toma valores de cero a 3: los 8 resultados posibles y
los valores correspondientes de x son:
Resultado x
NNN 0
NGN 1
NNG 1
GNN 1
NGG 2
GNG 2
GGN 2
GGG 3
Suponemos que el 25 % no germina.
P(NGN)=P(N)P(G)P(N)=
64
9
4
3
4
1
4
3

,
_

,
_

,
_


Clculos similares dan las probabilidades para los dems resultados
posibles. La distribucin de probabilidad de x es por tanto.
x 0 1 2 3
F(x) 27/64 27/64 9/64 1/64
El nmero de xitos de experimentos Bernoulli se denomina V.A binomial. La
distribucin de probabilidad de esta variable aleatoria discreta se llama
distribucin binomial y sus valores se denotarn como b(x;n,p), pues
dependen del nmero de pruebas y de la probabilidad de xito en una
prueba dada.
De esta forma, para la distribucin de probabilidad de x
P(x=2)= f(2) = b(2; 3,
24
9
)
4
1

Generalicemos ahora la ilustracin anterior para obtener una frmula para


b(x; n,p). Deseamos encontrar una frmula que de la probabilidad de x xitos
en n pruebas para un experimento binomial. Primero considere la
probabilidad de k xitos en (n-r) fracasos en un orden especfico.
Como las pruebas son independientes, podemos multiplicar todas las
probabilidades que corresponden a los diferentes resultados. Cada xito
ocurre con probabilidad p y cada fracaso con probabilidad q=1-p. Por tanto,
la probabilidad para un orden especfico es p
x
q
n-x
. Debemos determinar ahora
el nmero total de puntos muestrakles en el experimento que tiene x xitos y
(n-x) fracasos. Este nmero es igual al nmero de particiones de n resultados
en 2 grupos con x en un grupo y n-x en el otro y se escribe

,
_

x
n
. Como estas
particiones son mutuamente excluyentes sumamos las probabilidades de
todas las diferentes particiones para obtener la frmula general o
simplemente multiplicamos p
x
q
n-x
por

,
_

x
n
.
Distribucin binomial.
Un experimento de Bernoulli puede tener como resultado un xito con
probabilidad p y un fracaso con probabilidad q=1-p. Entonces la distribucin
de probabilidad de una V.A.B x, el nmero de xitos en n pruebas
independientes es:
B(x; n,p) =

,
_

x
n
p
x
q
n-x
x= 0,1,2n
La distribucin binomial, llamada as por la relacin que tiene con el
desarrollo del binomio
(p + q)
n
=
q p q p
x n
n
x
x x n x
n
x
x n x
n
x
n

,
_

0 0
)! ( !
!
Ej. En una plantacin la presentacin de plantas con flores rojas es igual a .
Cul ser la probabilidad de que al tomar 6 plantas al azar.
a) Ninguna planta posea flores rojas.
b) 5 plantas posean flores rojas.
c) A lo sumo 2 posean flores rojas.
d) Por lo menos 3 posean flores roj.
Datos
N=6
P=
Q= 1- p= 1- =
X= 0
a) P(x=0)=
4
3
4
1
6 0
*
)! 0 6 ( ! 0
! 6

= 0.1780
b) P(x2) = p(x=0) + p(x=1) + p(x=2) = 0.1780 + 0.3560 + 0.2966=
0.8306.
c) p(x3) = p(x=3) + p(x=4) + p(x=5) + p(x=6) o tambin.
p(x3) = 1 - p(x2).
Estos resultados podemos obtenerlos tambin por el desarrollo del
binomio
(p + q )
6
= p
6
+p
5
q + p
4
q
2
+p
3
q
3
+p
2
q
4
+pq
5
+ p
6
.
Los coeficientes los obtenemos a partir del tringulo de Pascal.
Para n=6 1; 6; 15; 20; 15; 6; 1
p
6
+6 p
5
q +15 p
4
q
2
+20 p
3
q
3
+15 p
2
q
4
+6 pq
5
+ q
6
.
a) Ninguna planta.
q
6
=0.75
6
b) 5 plantas.
6 p
5
q = 6(0.25)
5
* 0.75.
c) A lo sumo 2
q
6
+ 6 pq
5
+15 p
2
q
4
d) Por lo menos 3.
20 p
3
q
3
+15 p
2
q
4
+6 pq
5
+ q
6
.
Ejercicio.
Una distribuidora de semillas ha determinado a partir de numerosos ensayos
que el 5 % de un grupo grande de semillas no germina; vende las semillas en
paquetes de 20, garantizando la germinacin del 90 %.
a) Cul es la probabilidad de que un paquete dado no cumpla la
garanta?
b) Cul es la probabilidad de que el nmero de semillas que no germina
en un paquete sea menor de 5 y mayor de 2?.
c) Solucin.
d) A) x cantidad de semillas que no germinan en un paquete.
e) (x= 0, 1, 2, 3, 4n)
f) En el inciso (a) se reduce a contestar cual es la probabilidad que en
una muestra de 20 unidades encontremos mas de 2 semillas
defectuosas.
(0.90)(20)= 18 semillas que germinan.
Por tanto si ms de 2 semillas no germinan en el paquete no cumplir la
garanta. Aplicando la frmula binomial.
Sea x nmero de semillas que no germinan.
P(x>2)= 1 p(x2).
p(x2) = p(x=0) + p(x=1) + p(x=2) x= 0, 1, 2
p= 0.05 probabilidad de que no germine.
Q= 1 p = 0.95 probabilidad de que germine.
p(x=0)= 0.3585
p(x=1) = 0.3773
p(x=2) = 0.1887
p(x2) =0.9245
y P(x>2)= 1 0.9245 = 0.0755
b) p(2 < x < 5)= p(x=3) + p(x=4)
p(x=3) = 0.0755
p(x=4) = 0.0026
p(2 < x < 5)=0.0781
El valor esperado de la distribucin binomial est dado por = np.
La varianza
2
= npq.
La desviacin tpica o estndar es: =
npq
Distribucin de Poisson.
Muchas veces el nmero de repeticiones del experimento es muy grande y la
aplicacin de la frmula binomial se hace muy laboriosa. Cuando esto ocurre
existe una distribucin terica que se aproxima a la binomial, que se aplica
cuando p es muy pequea, la cual se conoce como distribucin de Poisson y
se define por:
P(x)=
! x
e
x


donde x=0, 1, 2 e= 2.7183 y = np.
Qu probabilidad existe de que al tomar 100 plantas nos encontremos 2 3
con frutos sin semillas si la frecuencia de plantas con frutos sin semillas en la
plantacin es de 3 por cada 100?.
Estamos en presencia de una variable aleatoria discreta por lo tanto
tendremos que decidir entre la distribucin binomial y la de Poisson para dar
respuesta al problema.
La prctica plantea que la aproximacin de la distribucin binomial a la
distribucin de Poisson es buena generalmente cuando.
np5 y n50 p<0.10
En el ejemplo.
N= 100.
P = 3/100= 0.03
np = 3
Utilizamos Poisson.
P(2 3) = P(2) + p(3) sucesos excluyentes.
P(2)=
! 2
3 2
3 e

= 0.2241
P(3)=
! 3
3 3
3 e

= 0.2241
P(2 3) = 0.2241 + 0.2241 = 0.4482
Existe una probabilidad de 0.4482 de que al tomar 100 plantas nos
encontremos 2 3 que tendrn frutos sin semillas.
Distribucin normal.
Esta distribucin fue introducida por C. F Gauss.
Muchas de las tcnicas utilizadas en estadstica aplicada se basan en la
distribucin normal o de Gauss.
distribucin normal o de Gaus
Una de las ms importantes distribuciones de frecuencias en la Estadstica es la
distribucin normal. Muchos de los procedimientos de los captulos posteriores estarn
basados en esta distribucin. Su grfica es la de una curva simtrica, acampanada que se
extiende indefinidamente en ambas direcciones, positiva y negativa. Su utilizacin es la
misma que la de cualquier otra curva de distribucin.
Definicin.
Se dice que una variable x se distribuye normalmente si su funcin de
densidad est dada por:
Donde >0
- <x<
La funcin de densidad como se observa depende de los parmetros y
que representan la media y la desviacin tpica de la distribucin
respectivamente.
donde:
:
constante aproximadamente 3.1416
e: constante aproximadamente 2.7183
:
Parmetro (es igual a la desviacin tpica de la distribucin de la poblacin. Diferentes
curvas normales pueden tener distintas desviaciones tpicas, esto es, distintos valores
para

, sin embargo para una distribucin dada

es constante).
:
parmetro (es igual a la medida de la distribucin de la poblacin. Diferentes curvas
normales pueden tener diferentes medias, sin embargo para una distribucin dada,

es
constante).
X: abscisa (caracterstica medible o puntuacin marcada sobre el eje horizontal).
2
) (
2
1
2
2
1
) (

x
e x f
y: ordenada (altura de la curva correspondiente a un determinado valor de x).
GRFICO
Propiedades de la curva normal
-Carcter simtrico, las desviaciones en ambos sentidos son iguales.
-La curva normal es infinita, es decir a partir de una desviacin igual al triplo de la
desviacin tipica (3

) la curva se prolonga indefinidamente tendiendo a cero.


-En una curva normal el valor de la media coincide exactamente con la moda y la mediana
( X = Mo = Md).
-Con el uso de la curva normal se puede calcular la probabilidad de obtener
observaciones mayores o menores a un valor dado, o tambin entre dos valores
determinados.
Para calcular el rea bajo la curva utilizamos la integral de la funcin antes descrita, pero
como este proceso es bastante engorroso, la distribucin normal se ha transformado a
una nueva escala Z que se denomina curva normal estandarizada o tipificada.
Z=

X
El rea total encerrada entre la curva y el eje de las abcisas es igual a la unidad pues
representa la suma de todas las frecuencias relativas.
Los valores de Z estn tabulados para valores negativos y positivos.
Es importante tener en cuenta a la hora de calcular reas tener en cuenta que el rea bajo
la curva es 1.
Ejemplos.
Dada una media igual a 100 cm y una desviacin tpica igual a 30. Cual ser la
probabilidad de que un valor escogido al azar est entre 100 y 130?.
:
=100.
X= 130
Z=

X
Z=
15
30
15
100 130

Z=2

x
100 130
El valor de Z=2 equivale a 0.9772 en la tabla, pero ese valor es acumulativo en la tabla
desde infinito hasta 2 por tanto como conocemos que hasta el valor de 100, hay un rea
de 0.5, restamos 0.9772-0.5= 0.4772.
o sea hay una probabilidad de 0.4772 de hallar valores comprendidos entre la media 100
y 130.
En esta ocasin se determin directamente el valor de la probabilidad, porque la tabla z
nos dar las reas positivas interiores.
Ejemplo
Determinar la probabilidad que tienen de presentarse los valores entre la media de 100
cm del ejemplo anterior y el valor de clase de 70 cm
x

70 100

= 100
x = 70

= 15
z =

x
=
15
100 70
=
15
30
= -2 A = 0.0228 0.5 - 0.0228 = 0.4772
El valor negativo de z nos seala que el rea buscada se encuentra a la izquierda de la
media, no considerndose este signo para ir a la tabla. En ella encontraremos la
probabilidad de 0.4772 para z = 2, o sea, que al igual que en el ejemplo anterior, los
valores comprendidos entre 70 y 100 tienen una probabilidad de 0.4772 de presentarse.
Ejemplo
En una poblacin que tiene una media igual a 50 kg y desviacin tpica igual a 10 kg.
Cul es la probabilidad de que existe de que al tomar valores al azar sean mayores que
60 kg?

= 50 kg
x = 60 kg

= 10 kg
z =

x
z =
10
50 60
=
10
10
= 1
A = 0.8413
Para este valor de z la tabla nos da una probabilidad de 0.8413
1-0.8413= 0.1587 Probabilidad de que al tomar valores al azar sean mayores que 60.
ACTIVIDAD PRCTICA
Ttulo: Distribuciones tericas de probabilidades.
Contenido:
Concepto de variable aleatoria.
Variable aleatoria discreta
Variable aleatoria contina.
Distribuciones tericas discretas.
Distribucin binomial
Distribucin de Poisson.
Objetivos
Aplicar las distribuciones tericas de probabilidad para VAD a problemas sencillos de la
especialidad
Usar las tablas de la distribucin binomial y la de Poisson.
Como abordar el estudio del contenido.
Las distribuciones tericas de probabilidad son modelos tericos establecidos basados
en las probabilidades. Estas posibilitan describir adecuadamente algunos fenmenos
aleatorios que se presentan con frecuencia en la prctica.
Al realizar el estudio de esta parte del contenido debe tener dominio de algunos
conceptos estudiados en la parte de probabilidades. Es necesario estudiar los
conceptos de variable aleatoria discreta y continua, caractersticas de la distribucin
binomial, de Poisson y la normal.
En el caso de la distribucin binomial es necesario buscar probabilidades para el caso
de la frmula como por el desarrollo del binomio ya que este es un contenido utilizado
en gentica.
Distribucin binomial.
Muchos problemas en la teora de las probabilidades consisten en pruebas
independientes de un experimento cuyos resultados posibles pueden clasificarse en dos
categoras xitos o fallos. Tales experimentos que solo tienen 2 resultados posibles son
llamados pruebas de Bernoulli.
La distribucin binomial debe su nombre a la relacin que tiene con el binomio (p+q)
n

Esta distribucin est relacionada con la distribucin de Bernoulli.
La probabilidad de xito se denota por p mientras que la de fallo por q de forma que
p+q=1.
Distribucin de Poisson.
Es una aproximacin a la binomial cuando n sea muy grande y p pequea.
Si el nmero de pruebas es grande los clculos que lleva consigo la frmula binomial son
muy largos.
La prctica plantea que la aproximacin de la distribucin binomial a la distribucin de
Poisson es buena generalmente cuando:
Np 5 y n 50 o p < 0.10
Parmetros de la distribucin.
Es importante al estudiar analizar la relacin existente entre la distribucin binomial y la de
Poisson, cuando debemos aplicar cada una de ellas.
Debe estudiar detenidamente cada uno de los ejemplos y problemas tipos de este tema
prestando especial atencin al uso de las tablas.
Ejercicios resueltos.
1.- Una variedad de cierta especie vegetal produce de cada 100 plantas germinadas, 10
que no producen frutos. Cual ser la probabilidad de que en una muestra aleatoria de 6
plantas haya 2 con esa caracterstica.
Solucin:
Los resultados pueden ser
- Plantas que producen frutos.
- Plantas que no producen frutos.
Variable aleatoria discreta (# de plantas que no producen frutos X=2).
Probabilidad de ocurrencia del suceso p=
100
10
=0.1
p+q=1
q=1-p
q=1-0.1=0.9
Existen 6 repeticiones.
Datos
P=0.1
Q=0.9
N=6
X=2
x n x
q p
x n x
n
x P

*
)! ( !
!
) (

P(x=2)=
2 6 2
9 . 0 * 1 . 0
)! 2 6 ( ! 2
! 6


P(X=2)=0.0984
La probabilidad de que en una muestra aleatoria de 6 plantas hayan 2 que no producen
frutos es de 0.0984 9.84 %.
2.-Cual es la probabilidad de que en el parto de 5 vacas nazcan 3 terneros machos?
N=5
X=3
P=0.5
Q=1-p=1-0.5=0.5
P(x=3)=
x n x
q p
x n X
n

)! ( !
!
P(x=3)=
3 5 3
5 . 0 5 . 0
)! 3 5 ( ! 3
! 5

=0.3125
Podemos resolver esto tambin por el desarrollo del binomio.
Desarrollo del binomio (p+q)
5
.
En la lnea que corresponde a n=5, aparecen los siguientes valores en el tringulo: (Ver
anexo 1) 1, 5, 10, 10, 10, 5, 1.Desarrollando el binomio tendremos:
P
5
+ 5p
4
q+ 10p
3
q
2
+ 10p
2
q
3
+ 5 pq
4
+ q
5
.
sera entonces 10p
3
q
2
= 10*0.5
3
*0.5
2
=0.3125.
2.- Cual es la probabilidad de que al tomar 100 plantas nos encontremos 2 o 3 con frutos
sin semillas si la frecuencia de aparicin de plantas con frutos sin semillas es de 3 por
cada 100.
N=100.
p=
100
3
=0.03
np=100*0.03=3 como 3 < 5 utilizamos Poisson.
P(x)=
!
*
x
e
x


P(2 o 3)= P(2) + P(3)
P(x=2)=
! 2
* 3
3 2
e
=0.2241
P(x=2)=
! 3
* 3
3 3
e
= 0.2241
P(2 o 3)= 0.2241 + 0.2241=0.4482
Existe una probabilidad de o.4482 que al tomar 100 plantas nos encontremos 2 3 con
frutos sin semillas.
Ejercicios propuestos.
1.-En una plantacin la presentacin de frutos rugosos es de 0.35. Cul ser la
probabilidad de que al tomar 7 plantas al azar.
A lo sumo 2 tengan esa caracterstica.
Por lo menos 3 tengan esa caracterstica.
2.-Si una variedad de cierta especie vegetal produce de cada 100 plantas germinadas8
que no producen frutos. Cul ser la probabilidad de que en una muestra aleatoria de 60
plantas hayan 2 con esa caracterstica negativa
En una plantacin la presentacin de plantas con flores rojas es igual a . Cul ser la
probabilidad de que al tomar 6 plantas.
a)Dos plantas presenten flores rojas.
b)Entre dos y cuatro presenten flores rojas.
c) Alo sumo dos presenten flores rojas.
d)Por lo menos tres presenten flores rojas.
3.- Si se toman al asar 8 huevos de una gallina halle la probabilidad de obtener.
a)5 pollitos machos
b)Entre dos y 5 pollitos hembras
c) A lo sumo tres Hembras
4.- La probabilidad de que una enfermedad se manifieste en animales de cierta edad es
de 0,003.
a)Si se seleccionan 800 animales halle la probabilidad de que de dos a cuatro animales
contraigan la enfermedad.
b)Por lo menos tres contraigan la enfermedad.
5.- Calcule la media, la varianza y la desviacin tpica de una variable binomial
conociendo que n=12 y q=
Ttulo: Distribuciones tericas de probabilidades.
Contenido:
Concepto de variable aleatoria.
Variable aleatoria discreta
Variable aleatoria contina.
Distribucin normal
Objetivos
Aplicar la distribucin normal a problemas sencillos de la especialidad
Usar las tablas de la distribucin normal.
La distribucin normal es importante en la teora y en la prctica de la estadstica.
Ejercicios resueltos.
1.- Halle el rea bajo la curva normal en cada uno de los casos siguientes:
a) Entre Z=0 y Z=1.2.
Z=1.2 A=0.8849
Z=0 A=0.5000
R = 0.3849 es el rea entre 0 y 1.2
b) Entre Z=-0.68 y Z=0.
Z=0 A=0.5000
Z=-0.68 A=0.2487
R = 0.2513
c) Entre Z=-0.46 y Z=2.21
Z=-2.21 A=0.9864
Z=-0.46 A=0.3228
R = 0.6636
d) Entre Z=0.81 y Z=1.94
Z=1.94 A=0.9738
Z=0.81 A=0.7910
R = 0.1828
Ejercicios propuestos
1.- Halle las probabilidades siguientes:
a)P(Z> 1.95)
b)P(- 2.04< Z> 1.03)
c) P(Z> -0.69)
d)P(- 3.03< Z< 1.53)
e)P(Z< 1.21)
2.- En una distribucin normal con = 22 y
2
= 25. Halle
a)P(X23.5)
b)P(X10)
c) P(X23)
d)P(8 X 21
e)P(25 X 30)
f) P(X 20)
g)P(X 25)
3.- Si el rendimiento de 300 parcelas experimentales se distribuye normalmente, con
media de 68 kg y desviacin tpica de 3 kg.
a)Calcul cuantas parcelas tienen rendimientos mayores de 72 kg.
b)Menores o iguales de 64 kg.
c) Entre 65 y 71 kg.
d)Cul es la probabilidad de encontrar parcelas con rendimientos entre 65 y 71 kg.