Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 INTRODUCCION
En el capitulo anterior se presentaron los conceptos basicos de probabilidad y los
metodos para ca1cular la probabilidad de un eventQ. En este capitulo se amplla,n
estos conceptos y se exploran form as para calcular las probabilidades de un
evento bajo condiciones un poco mas complicadas. En este capitulo se estudian
las relaciones entre los valores de la variable aleatoria y las probabilidades de que
su ocurrencia pueda resumirse por medio de un mecanismo Hamado dislt"ibuci6n
de probabilidad. La distribucion de probabilidad se puede expresar forma de
tabla, grafica 0 formula. Conocer la distribucion de probabilidades para la
variable aleatoria proporciona al medico y al investigador herramientas podero
sas para simplificar y describir un conjunto de datos, y para llegar a conclusiones
acerca de la poblacion de datos sobre la base de una muestra de datos extraidos
de lapoblacion.
4.2 DISTRIBUCION DE PROBABllIDAD
DE VARIABLES DISCRETAS
Para iniciar el estudio de las distribuciones de probabilidad, se cbnsidera en primer
lugar la distribucion de probabilidad de una variable discreta, la cual se define
comosigue:
83
-----
CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
DEFINICION
La distribucion de probabilidad de una variable aleatoria
discreta es una tabla, unagratica, una fannula u otro
sistelDa utilizado para especificar todos losvalores
posibles de una variable aleatoria discreta junto con sus
probabilidades respectivas.
EJEMPLO 4.2.1
..- - ~
En un articulo de la revistaAmericanJournal o/Obstetrics and Gynecology, Buitendijk y
Bracken (A-I) aseguran que durante 25 afios se ha tornado mayor conciencia de los
efectos potencialmente dafiinos de los medicamentos y quimicos en el desarrollo
de los fetos. En una poblaci6n de mujeres dadas de alta en maternidad, en un
hospital del este de EUA, entre 1980 y 1982, los autores valoraron y estudiaron la
asociaci6n del uso d ~ medicamentos con varias caracteristicas de la madre, por
ejemplo uso de alcohol, tabaco y adicci6n a farmacos. Sus hallazgos sugieren quela
TABIA4.2.1 Prevalenciadel
CODSUIDO de medicmnentos
prescritos y no prescritos durante el
embarazo enUelllujeres dadas de
altadepues del partoenunhospital
del este de EUA
N6mero de medicamentos Frecuencia
o 1425
1 1351
2 793
3 348
4 156
5 58
6 28
7 15
8 6
9 3
FUENTE: Simone Buitendijk y Michael B. Brac
10
ken, "Medication in Early Pregnancy: Prevalence
12
of Use and Relationship to Maternal Characte
ristics", AmericanJournal ofObstetrics and Gyneco
Total 4185
logy, 165,33-40..
mujer que muestra un comportamiento mas propenso a correr riesgos durante e1
embarazo, tambien esta mas propensa a utilizar medicamentos durante el mismo.
La tabla 4.2.1 muestra la prevalencia del consurno de medicamentos prescritos y no
prescritos durante el embarazo entre las mujeres estudiadas.
4.2 DISTRIBUCION DE PRQBABILIDAD DE VARIABLES DISCRETAS 85
TABlA 4.2.2 Distribucion de
probabilldad del nUrnero de
medicamentos consumidos conysin
prescripcion durante el embarazo entre
las mujeres desClitas en el ejemplo 4.2. t
Numero de medicamentos (x) P(X =x)
0 .3405
I .3228
2 .1895
3 .0832
4 .0373
5 .0139
6 .0067
7 .0036
8 .0014
9 .0007
10 .0002
12 .0002
Total 1.0000
Se pretende construir la distribuci6n de probabilidad de la variable discreta
X, donde X = nurnero de rnedicarnentos prescritos y no prescritos consurnidos por
los individuos estudiados.
Soluci6n: Los valores de X son XI = 0, x
2
1, ... , XlI = lOy X 12 = 12. Se calculan las
probabilidades para estos valores dividiendo sus respectivas frecuencias
entre el total, 4185. Asl, porejemplo. P(X x) =1425/4185 =.3405. EI
resultado se rnuestra en la tabla 4.2.2 que representa la distribuci6n de
probabilidades deseada.
Altemativarnente. se puede presentar esta distribuci6n de probabilidad en
forma grafica, como en la figura 4.2.1. En dicha figura, la longitud de cada barra
vertical indica la probabilidad para el valor correspondiente de x.
En la tabla 4.2.2 se observa que los valores de P(X = x) son todos positivos.
rnenores que 1. y la surna de los rnismos es igual a 1. Estas no son caracterfsticas
particulares de este ejernplo, sino que son caracterfsticas para todas las distribu
ciones de probabilidad de variable discreta. Por 10 tanto, se dan las siguientes
propiedades indispensables en unadistribuci6n de probabilidad para una varia
ble discreta:
1) 0.::;; P(X = x).::;; 1
2) LP(X= x) = 1
86 CAPiTULO 4DISTRIBUCIONES DE PROBABILIDAD'
.35
.34
.33
.32
.31
.30
.29
.28
.27
.26
.25
.24
.23
.22
.21
.20
"0 ,19
'"
J,l .18
:0
~ .17
a: .16
,15
.14
.13
.12
.11
.10
.09
.08
.07
.06
.05
.04
" .03
.02
,01
o 2 3 4
x (numero de medicamentos)
FIG,URA 4.2.1 Representaci6n grafica de la distribuci6n de probabilidad de la
tabla 4.2.1.
Tambien se observa que cada una de las probabilidades de la tabla 4.2.2 es la
frecuencia relativa de ocurrencia de cada valor de X.
Cuando se tiene disponible la distribuci6n de probabilidad, es posible hacer afir
maciones acerca de la variable aleatoria X. Se muestra con los siguientes ejemplos.
4.2 DISTRIBUCI6N DE PROBABILIDAD DE VARIABLES DISCRETAS 87
EJEMPLO 4.2.2 .
. . .
esla probabilipad ,que una mujer seleq:ionada aleatoriamente sea una de
las que consumieron tres medicamentos con 0 sin .prescripci6n?
Solucion: Se puede escribir la probabilidad deseada comoP(X = 3). En la tabla
4.2.2 se puede ver que la respuesta es .0832.
EJEMPLO 4.2.3
es la probabilidad de que una mujer seleccionada aleatoriamente haya con
sumido uno 0 dos medicamentos?
Solucion: Para responder a la pregunta, se utiliza la regIa de adici6n para eventos
mutuamente excluyentes. Mediante el uso de la notaci6n de probabili
dad y los resultados de la tabla 4.2.21a respuesta se escribe como P(l u
2) P(l) + P(2) .3228 + .1895 = .5123..
lJiStrihuciOlles acumulqdas. AIgunas veces es mas conveniente con
la distribuci6n de probabilidad acumulada de una variable aleatoria. La distribuci6n de
probabilidadacumuladaparala variable discreta cuya distribuci6n de probabilidad
esta dada en la tabla 4.2.2 puede obtenerse sum'ando sucesivamente las probabili
dades, P(X = x), que aparecen en la ultima columna. La probabilidad acumulada
para Xi se escribe como F(x) P(X:<;; x). Estoda la probabilidad de que X sea menor
o igual a un valor espedfico xi'
La distribuci6n de probabilidad acumulada resultante se muestra en la tabla
4.2.3. La grafica de la distribuci6n de probabilidad acumuladase muestra en la
figura 4.2.2. A una grafica de este tipo se Ie llama ojiva. La grafica de F(x) consiste
solamente en las lineas horizontales. Las lfneas verticales s610 Ie dan una aparien
cia conectada. La longitud de cada linea vertical representa la misma probabilidad
que la de la linea correspondiente en la figura 4.2.1. Por ejemplo, la longitud de la
lfnea vertical en X 3 de la figura 4.2.2 representa la misma probabilidad que
la longitud de la linea levantada en X 3 de la figura 4.2.1, 0 .0832 en la escala
vertical.
AI consultar la distribuci6n de probabilidad acumulada es posible responder
rapidamente a las preguntas de los ejemplos siguientes: .
EJEMPLO 4.2.4
es la probabilidad de que una mujer seleccionada aleatoriamente sea una de
las que consumieron dos 0 menos medicamentos?
.. Solucion: La probahilidad buscadase puede locaJizar directamente en la tabla 4.2.3,
en ellado opuesto a x = 2, donde se observa que es .8528. Es decir, P(x
:<;; 2) = .8528. Tambien se puede localizar la respuesta examinando la
figura 4.2.2 y determinando la altura de la grafica (medida sobre el eje
vertical) arriba .del.valor de:J!: = 2.
88 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
TABlA 4.2.3 Distribucion de probabilidad acumulada del numero
de medicamentos con y sin prescripcion utilizados durante el
embann:o entre las mujeres descritas en el ejetUplo 4.2.1
Numero de medicamentos (x) Frecuencia acumulada P(X:'; 2)
o
1
2
3
4
5
6
7
8
9
10
12
.3405
.6633
.8528
.9360
.9733
.9872
.9939
.9975
.9989
.9996
.9998
1.0000
1.00
.95
.90
.85
.80
.75
.70
.65
.60
.55
.50
r....
.45
.40
.35
.30
.25
.20
.15
.10
.05
2 3 4 5 7 o 8 9 10 11 12
x (numero de medicamenlos)
FIGURA 4.2.2 Distribuci6n deprobabilidad acumulada del numero de medicamentos con 0
sin prescripci6n utilizados durante el embaraZo entre las mujeres descritas en el ejemplo 4.2.1.
39 4.3 DISTRIBUCION BINOMIAL
EJEMPIJO 4.2.5
es la probabilidad de que una mujer seleccionada aleatoriamente sea una de
las que, consumieron menos de dos medicamentos?
SoIudon:Puesto que una mujer que consumio menos de dos medicamentos indica
que consumio uno 0 ninguno, la respuesta es la probabilidad acumulada
para 1, esdecir, P(x < 2) = P(x S 1) == .6633.
EJEMPLO 4.2.6
la probabilidad de que una mujer seleccionada aleatoriamente haya con
sumido cinco 0 mas medicamentos?
Soludon: Para encontrar la respuesta se utiliza el conceptode probabilidad com
plementaria. EI conjunto de mujeres que consumen cinco 0 mas medi
c<:l.mentos es el complemento del conjllllto de mujeres que consumen
menos de cinco (es decir, cuatro 0 menos). La suma de las probabilida
des asociadas coneste conjunto es igual a 1. Esta relacion escrita en
notacion de probabilidad es P(x 2 5) + P(x s ,4) == 1. Por 10 tanto, P(x 2
5) = 1 - P(x s 4) = 1- .9733 = .0267.
EJEIUPLO 4.2.7
es la probabilidad de que una mujer seleccionada aleatoriamente sea una de
las que consumieron entre tres y cinco medicamentos, inclusive?
Soludon: P(x s 5) = .9872 es la probabilidad de que una mujer haya consumido
entre cero y 5 medicamentos, inclusive. Para obtener la probabilidad de
entre 3 y 5, se resta de .9872 la probabilidad de 2 0 menos. La respuesta
escrita en notacion de probabilidad queda como: P(3 S x s 5) P(x s
5) - P(x s 2) = .9872 - .8528 = .1344.
La distribuci6n de probabilidad dada en la tabla 4.2.1 esta desarrollada a partir de
la experiencia real, asi que de encontrar otra variable siguiendo esta distributi6n
, seria s6lo por casualidad. Sin embargo, las distribuciones de probabilidad de mu
chas variables de interes pueden determinarse 0 asumirse sobre la base de conside
raciones te6ricas. En las siguientes secciones, se estudian con detall,e tres de estas
distribuciones te6ricas de probabilidad: binomial, Poisson y normal.
4.3 DISTRIBUCION BINOMIAL
La distribuciOn binomial es una de las distribuciones utilizadas mas ampliamente en
estadistica aplicada. La distribuci6n se deriva de llll procedimiento conocido como
ensayo de Bernoulli, nombrado as! en honor del matematico suizo James Bernoulli
(1654-1705), quien realiz6 contribuciones importantes en el campo de la probabi
lidad, induyehdo, particularmente, la distribucion binomial. Guanda en un proce
so aleatorio 0 experimento, llamado ensayo, puedeocurrir solo uno de dos resultados
mutuamente excluyentes, como vida 0 muerte, enfermo 0 sano, masculino 0 feme
nino, el ensayo se llama ensayo de Bernoulli.
90 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
Proceso de Bernoulli Una secuencia de ensayos deB-ernoulli forma un proce
so de Bernoulli, si se cumplen las siguientes condiciones:
1. En cada ensayo ocurre uno de dos posibles resultados, IIiuWamente excluyentes.
Uno delos posibles resultados.se.denota (arbitrariamente) como un exito y el
otro., como fracaso. ," "
2. La probabilidad de un exito, denotado porp, permanece constante de un
ensayo a otro, y la probabilidad de fracaso, 1 - p, se denota con q.
3. Los ensayos son independientes, es decir, el resultado de alglin ensayo en
particular no es afectado por el resultado de cualquier otro ensayo.
EJEMPLO 4.3.1
Se desea calcular la probabilidadde x exitos en n ensayos de Bernoulli. Por ejem
plo, suponga que en cierta poblacion 52 por ciento de todos los nacimientos que se
registraron son varones. La interpretacion de esto es que la probabilidad del naci
miento de un varon registrado es de .52. Si aleatoriamente se escogen cinco regis
tros de nacimiento dentro de esa poblacion, ~ c u a l es la probabilidad de que
exactamente tres de ellos pertenezcan a varones?
Solucion: Designe la ocurrencia de un registro para el nacimiento de un varon
como "exito", y se aclara que esta es una designaciori arbitraria con fines
de claridad y conveniencia y no refleja ninguna opinion respecto a la
preferencia relativa del nacimiento de varones frente a m:ujeres. La ocu
rrencia de un registro de nacimiento para un varon se designa como
exito, puesto que 10 que se busca son registros de nacimientos de varo
nes. Sise buscasen registros denacimientos de mujeres, estos sedan de
signados como exitos, y el registro de nacimientos de varones sedan
designados como fracasos. .
Tambien es conveniente asignar el numero 1 a un exito (registro
del nacimiento de un varon) y un 0 para un fracasb (registro de naci
miento de una mujer).
El proceso que finalmente resulta en un registro de nacimiento se
considera como un proceso de Bernoulli.
Suponga que, de los cinco registros de nacimiento seleccionados,
resulta esta secuencia de sexos:
VMVVM
En forma codificada se escribe de la siguiente forma: .
. .
10110
Puesto que la probabilidad de un exito ~ e denota conpyla probabi
lidad de un fracaso se denota con q, la probabilidad dela secuencia de los
resultados anteriQres se calcula por medio de la regIa de multiplicacion:
P(l, 0; 1; 1, 0) = pqppq = q2p3
91 4.3 DISTRIBUCION BINOMIAL
La regia de lamultiplicacion resulta adecuada para calcular esta proba
bilidad, puesto que sebusca la probabilidad de un varon, una mujer, un
varon, un varon y una mujer, en ese orden. En otras palabras, se requie
re la probabilidad con junta de cinco eventos. Por razones de sencillez, se
utili zan las comas en lugar de la notacion de interseccion, para separar
10s resultados de los eventos en la expresion de la probabilidad .
. La probabilidad resultante es la de obtener la secuencia espedfica
en el orden en que se muestran. Sin embargo, el interes no esta en el
orden de ocurrencia de los registros. del nacimiento de varones y muje
res, sino, como .se ha manifestado previamente, en la probabilidad de
ocurrencia exacta de tres registros de nacimiento de varones de entre
cinco registros seleccionados aleatoriamente"En lugar de ocurrir en la
secuencia mostrada con anterioridad (secuencia numero I), los tres exi
tos y dos fracasos pueden ocurrir tambien en alguna de las secuencias
adicionales dadas en la tabla adjunta.
Numero Secuencia
2 11100
3 10011
4 11010
5 11001
6 10101.
7 01110
8 00111
9 01011
10 01101
Cada una de estas secuencias tiene la misma probabilidad de ocu
rrir yes igual a q2p3, probabilidad calculada para laprimera secuencia
mencionada.
Cuando se extrae una sola muestra de cinco elementos a partir de
una poblacion espedfica, solo se obtiene una secuencia de exitos 0 fra
casos. La pregunta, ahora, es: ,cual es la probabilidad de obtener la
secuencia numero 1; la secuencia numero 2 ... 0 la secuencia numero 10?
Con la regIa de adicion se sabe que esta probabilidad es igual a la suma
de las probabilidades individuales. En este ejemplo se requiere sumar
las 10 q2p3, 10 que equivale a multiplicar q2p3 por 10. Ahora se puede
responder a la pregunta original: ~ c u a l es la probabilidad de observar
tres exitos (registros de nacimiento de un varon) y dos fracasos (registros
de nacimiento de una mujer) en la muestra aleatoria de 5 elementos
extrafda de la poblacion especificada? Puesto que en Ia poblacion, p =
.52 Y q = (l - P) (1 - .52) .48, la respuesta a la pregunta es:
10(.48)2(.52)310(.2304)(.140608) .32
92 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
Uso de la combinaci6n como procedimiento en maestros grandes
Facilmente se puede anticipar que hacer una lista del numero de secuencias se
hace mas y mas diffcil y tedioso segtin crece el tamano de la muestra, por 10 cual
es necesario un metodo sencillo para contar el numero de secuencias. Este meto
do es proporcionado por la formula de conteo que permite determinar rapida
mente cuantos subcoIYuntos de objetos pueden formarse cuando en diferentes
subconjuntos se utili zan numeros de objetos que componen el conjunto del cual se
extraen. Cuando el orden de los objetos dentro de un subconjunto es inmaterial, el
subconjunto se llama combinacion de objetos. Si un conjunto consta de n objetos y
se pretende formar un subconjunto de x objetos, sin ver el orden de los objetos
dentro del subconjunto, el resultado se llama combinaci6n. Por ejemplo, se define la
combinacion como sigue cuando la combinacion se forma tomando x objetos de un
conjunto de n objetos:
DEFINICION
Una cornbinaci6n de n objetos tornados x a la vez es un
subconjunto desordenado de x de los n objetos.
EI numero de combinaciones de n objetos que imeden formarse tomando x a
la vez esta dado por:
n!
.G
N
=----
(4.3.1)
x!(n-x)!
donde: x!, que se lee x factorial, es el producto de todos los numeros enteros de x
hasta 1. Es decir, xl = x(x - l)(x 2) ... (1). Observe que, por definicion, 01 1.
En el ejemplo se tiene una muestra de n = 5 nacimientos y se tiene n t e n ~ s en
encontrar la probabilidad de que tres de elIos sean nadmientos de varones.
EI numero de secuencias para el ejemplo se caIcula con la ecuacion 4.3.1 como
sigue:
120
10
12
En el ejemplo, x = 3 es el numero de exitos, as! que n - x 2 representa el
numero de fracasos. Luegose escribe la probabilidad de obtener exactamente x
exitos en n ensayos:
j(x) =nGxqn-xpx = nG/jrqn-N para x = 0, 1, 2, ... , n
= 0, en caso contrario (4.3.2)
A esta expresion se Ie llama distribudon binomial. En la ecuacion 4.3.2fix)
P(X = x), donde X es la variable aleatoria, el numero de exitos es n ensayos. Se
93
4.3 DISTRIBUCION BINOMIAL
TABlA 4.3.1 Distribucion
binomial
Numero de exitos, x Probabilidad, f(x)
o "C
o
q"-0pO
1 "C1qn-lpl
2 nC2qn-2p2
x
n
Total 1
utilizaj{x) en Iugar de P(X x) porque es muy compacta y porque es de uso casi
universal.
La distribuci6n binomial se puede presentar en forma tabular como se mues
tra en la tabla 4.3.1.
Se establece que Ia ecuacion 4.3.2 es una distribuci6n de probabilidad al
mostrar 10 siguiente:
1. j{x) 0 para todos los valores reales de x. Esto proviene del hecho de que n y
p no son nfuneros negativos, por 10 que nex' px y (1-p)" -xtampoco 10 son, por
10 tanto sus productos son mayores 0 iguales a cero.
2. 2.,j{x) = 1. Esto se considera cierto al reconocer que 2.,,,C
x
q" -x px es igual a [(1
p) + p]" = I" = 1, que es la expresi6n binomial familiar. Si el binomio (q + p)n
es desarrollado se tiene:
+ ... +nqlpn-l +pn
Si los terminos de la expansion son comparados, termino a termino, con los
fix) de la tabla 4.3.1 se aprecia que son equivalentes, termino a termino,
porque:
f(O):::: c ~ n - O pO
f{l):::: C q"-l pt ::::nqn-lpl
n 1 .
n(n 1)
2
94 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
FJEJ\tIPLO 4.3.2
Otro ejemplo del uso de la distribucion binomial. Suponga que se sabe que 30 por
ciento de cierta poblacion es inmune a alguna enfermedad. Si se escoge una mues
tra aleatoria de 10 elementos de entre esta poblacion, es la probabilidad de
que dicha muestra contenga exactamente cuatro personas inmunes?
Solucion: Se tiene que la probabilidad de elegir una persona inmune es de .3. AI
utilizar la ecuacion 4.3.1 se encuentra que:
f(4) =IOC4 (.7)6(.3)4
= 10! (.1l7649)(.0081)
416!
=.2001
Tabla binomial El calculo de una probabilidad empleando la ecuacion 4.3.1
puede ser una labor tediosa si el tamafio de la muestra es grande. Por fortuna, las
probabilidades para diferentes valores de n, pyx ya estan tabuladas, por 10 que
solo es necesario consultar la tabla conveniente para obtener la probabilidad de
seada. La tabla B del apendice es una de muchas tab las disponibles. Dicha tabla
presenta la probabilidad de que x sea menor 0 igual a alglin valor espedfico. Es
decir, la tabla presenta las probabilidades desde x = 0 hasta alglin
numero positivo especffico de exitos.
El uso de la tabla se muestra utilizando el ejemplo 4.3.2, en el que se requiere
calcular la probabilidad de x = 4 cuando n 10 y P=.3. De acuerdo con el estudio
de la distribticion de probabilidad acumulada de la seccion anterior, se sabe que P(x
4) puede calcularse restando P(X 3) de P(X 4). Si en la tabla B se localiza a p
.3 para n = 10, se encuentra que P(X 4) .8497 y P(X 3) = .6496. La resta del
primero menos el segundo es igual a .8497 .6496 = .2001, 10 cual coincide con el
calculo manual.
Con frecuencia el interes radica no solo en determinar las probabilidades
para valores especfficos de X, sino para intervalos donde la probabilidad de X este
entre, digamos, 5 y 10. Con el siguiente ejemplo se muestra 10 anterior:
r\JEJ\tIPLO 4.3.3
Suponga que se sabe que en cierta poblacion 10 por ciento es daltonica. Si se extrae
una muestra aleatoria de 25 personas de esa poblacion, con la tabla B del apendice,
encuentre la probabilidad de que:
a) Existan cinco 0 menos daltonicos.
Solucion: La probabilidad esta en una de las entradas de la tabla. Sin la necesidad
de sumar ni res tar, la probabilidad P(X 5) = .9666.
b) Existan seis 0 mas daltonicos.
Soluci6n: Esta probabilidad no se puede encontrar directamente en la tabla. Para
encontrar la respuesta, se utiliza el concepto de probabilidades comple
mentarias. La probabilidad de que existan seis 0 mas daltonicos es el
95 4.3DISTRIBUCION BINOMIAL
complemento de la probabilidad de que, existan cinco 0 menos. Es decir,
este con junto es el complemento del con junto especificado en el inciso
a; por 10 tanto: '
P(X?:. 1 - P(X::; 5) == I .9666 .0334
c) Existan entre seis y nueve daltonicos, inclusive.
Soludon: Esta probabilidad se encuentra restando la probabilidad de que X sea me
, nor 0 igual a 5 de la probabilidad de que X sea mayor 0 igual a 9. Es decir:
P(6::; X::; 9) P(X::; 9) - P(X::; 5) .9999 .9666 .0333
d) Existandos, tres 0 cuatro daltonicos:
Soludou:' Esta es la probabilidad de que X este entre 2 y 4, inclusive.
P(X::; X::; 4) P(X::; 4)-P(X::; 1) .9020-.2712 = .6308
Ulilizar la labia B cuandop > .5 La tabla B no da las probabilidades para
valores de p mayores a .5. Sin embargo, pueden obtenerse las probabilidades a
partir de la tabla B replanteando el problema en terminos de probabilidad de fra
caso, I -p, en lugar de en terminos de probabilidadde exito p. Como parte del
se debe pensar, tambien, en terrninos del numero de fracasos, n
x, mas que en terrninos de exitos x. Esta idea se resume de lasiguiente manera:
P(X xln,p> .50) =P(X n-xln,I-p) (4.3.3)
Puesta en palabras, la ecuacion 4.3.3 dice que: "La probabilidad de que X sea
igual a algu.n valor especffico dado el tamano de la muestra y una probabilidad
mayor que .5, es igual ala probabilidad de que X sea igual a n x dado el tamano de
la muestra y la probabilidad de un fracaso I-p". Con la finalidad de utilizar la tabla
binomial, la probabilidad de un fracaso se trato como la probabilidad de un exito.
_Cuando pes mayor que .5, las probabilidades acumuladas pueden obtenerse a par
tir de la tabla B empleando la siguiente relacion:
P(X::; xIn, p > .5) = P(X ?:. n - x In, 1 - p) (4.3.4)
Finalmente, al utilizar la tabla B para calcular la probabilidad de que X sea mayor 0
igual a alguna x cuando P > .5, se utiliza la siguiente relacion:
P(X?:. xln,p > .5) P(X::; n-xln, I-P) (4.3.5)
E,JEMPLO 4.3.4
Encierta comunidad, en una tarde dada, en 85 por cientode las farnilias, alguno de
los miembros esta en casa. Un equipo de investigacion sanitaria selecdona una
muestra aleatoria de 12 familias para realizaruna encuesta via telefonica. Con la
tabla B, calcule la probabilidad de que:
96 CAPITUL04 DISTRIBUCIONES DE PROBABILIDAD
a) EI equipo encuentre a alguien en casa en 7 familias exactamente.
Soluci6n: EI replanteamiento del problema es como sigue: Si en 15 por ciento de
las familias no hay nadie en casa, es la probabilidad de que el
equipo que realiza la encuesta no obtenga respuesta en 5 de 12 llama
das? La respuesta se calcula como sigue:
P(X = 51n= 12, 15) P(Xs 5)-P(Xs 4)
=.9954 - .9761 .0193
b) EI equipo encuentre a alguien en casa en 5 familias 0 menos.
Soluci6n: La probabilidad que se busca es:
P(X S 51n = 12,p =.85) = P(X 212 51n = 12,p =.15)
P(X271n 12,p .15)
= 1 P(Xs 61n 12,p =.15)
= 1 - .9993 .0007
c) EI equipo encuentre a alguien en casa en 80 mas familias.
, .
Soluci6n: La probabilidad que se busca es:
P(X 2 81n = 12,p =.85) = P(X S 41n = 12,p =.15) = .9761
La figura 4.3.1 muestra una representaci6n visual de la soluci6n para los tres incisos
del ejemplo 4.3.4.
N6mero posible Numero posible
de exitos (alguien de fracasos (nadie
en casal = x Condici6n de en casal = n -x, Condici6n de
P(JtxITo) =.85 prohabilidad P(FRACASO) =.15 probabilidad
Inciso b P(X 5112,
6 6
Inciso a
CD P(X == 7112, .85)
Inciso c
P(X 8112, .85)
11
12
0
7112, .15)
P(X == 7112, .15 )
.15)
FIGURA 4.3.1 Representaci6n esquematica de la soluci6n del ejemplo 4.3.4 (dentro de los
6valos se encuentra el numero relevantede exitos y fracasos en cada caso).
FJERCICIOS
EJERCICIOS 97
Parameiros bilWmiales La distribucion binomial dene dos parametros, n y
p. Son parametros en el sentido de que son suficientes para especificar una distri
bucion binomial. La distribucion binomial es en realidad una familia de distribu
ciones con cada uno de los valores posibles de n y p designando a un miembro
diferente de la familia. La media y la variancia de la distribucion binomial son J.l =
np y ()2 = np( 1 - P), respectivamente.
La distribucion binomial, formalmente hablando, es aplicable en situaciones
donde el muestreo se realiza a partir de una poblacion infinita 0 a partir de una
poblacion fin ita con restitucion. Puesto que en la pnictica real las muestras son
normalmente seleccionadas sin restitucion a partir de una poblacion finita, logica
mente surge la pregunta respecto a la conveniencia de una distribucion binomial
en estas cirrunstancias. La conveniencia del uso de esta distribucion depende de
que tan drastico es el efecto de esas condiciones en la invariabilidad de p de un
ensayo a otro. Normalmente se considera que ruando n es pequeno en relacion con
N, el modelo binomial es aderuado. Algunos autores coinciden en que n es peque
no en relacion con N si N es al menos 10 veces mas grande que n.
Se dispone de muchos programas de softwareestadfstico para realizar los
calculos de la probabilidad binomial en computadoras personales. Por ejemplo,
MINITAB calcula las probabilidades individualmente 0 en forma acumulada para
valores espedficos de x, n y p. Suponga que se pretende encontrar las probabili
dades individuales desde x = 0 hasta x = 6 cuando n = 6 Y P .3. Se meten los
numeros desde 0 hasta 6 en la columna 1 y se procede como 10 muestra la figura
4.3.2. Si la pretension es encontrar las probabilidades acumuladas, se procede
como en la figura 4.3.3.
En cada uno de los siguientes ejercicios, suponga que N es suficientemente grande con rela
ci6n any que es posible utilizar la distribuci6n binomial para calcular las probabilidades que
se piden.
4.3.1 Sobre la base del amilisis de datos recolectados por el National Center for Health Statistics,
Najjar y Rowland (A-2) informaron que 25.7 por ciento (redondear a 26 por ciento para
prop6sitos del calculo) de personas adultas de EVA tienen sobrepeso. Si se extrae una mues
tra aleatoria simple de 20 adultos, encuentre la probabilidad de que el numero de personas
con sobrepeso, dentro de la muestra, sean:
a) Exactamente tres personas b) Tres 0 mas personas
c) Menos de tres d) Entre tres y siete, inclusive
4.3.2 Consulte el ejercicio 4.3.1. adultos con sobrepeso se espera encontrar en la mues
tra de 20?
4.3.3 Consulte el ejercicio 4.3.1. Suponga que se extrae una muestra aleatoria simple de cinco
adultos. Con la ecuaci6n 4.3.2 encuentre la probabilidad de que el numero de personas con
sobrepeso en la muestra sea:
a) Cero b) Mas de una
c) Entre uno y tres, inclusive d) Dos 0 menos
e) Cinco
98 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
Datos:
C1: 0 1 2 3 4 5 6
Caja de dialogo:
Comandos de la sesi6n:
Calc> Probability Distributions>
Binomial
MTB >
SUBC>
PDF C1;
BINOMIAL 6 0.3.
Seleccionar Probability. Teclear 6 en Number of
trials. Teclear 0.3 en Probability of success. Se
leccionar Input column y teclear Cl. Clic OK.
Resultados:
Probability Density Function
Binomial with n = 6 and p
x P(X =x)
0.00 0.1176
1.00 0.3025
2.00 0.3241
3.00 0.1852
4.00 0.0595
5.00 0.0102
6.00 0.0007
= 0.300000
FIGURA 4.3.2 Calculo efectuado por el paquete MINITAB de la probabilidad binomial
individual para x = 0 hasta x = 6, cuando n 6 y P .3.
4.3.4 Un informe del National Center for Health Statistics, bas ado en los datos de 1985, afirma
que 30 por ciento de la poblaciDn adulta de EUA son fumadores (A-3). Considere una mues
tra aleatoria simple de 15 adultos seleccionados en ese momento. Encuentre la probabilidad
de que el numero de fumadores en la muestra sean:
a) Tres b) Menos de cinco
c) Entre cinco y nueve, inclusive d) Mas de cinco, pero menos de 10
e) Seis 0 mas
4.3.5 Consulte el ejercicio 4.3.4 y encuentre la media y variancia del numero de fumadores en la
muestra de tamafio 15.
4.3.6 En referencia al ejercicio 4.3.4, suponga que se toma una muestra aleatoria simple de 25
adultos hoy dia y se encuentra que dos son fumadores. tRace sospechar este resultado que el
numero de fumadores ha disminuido desde 1985? iPor que sf 0 por que no?
EJERCICIOS 99
Datos:
C1: 0 1 2 3 4 5 6
Caja de dialogo:
Comandos de la sesi6n:
Calc> Probability Distributions>
MTB > CDF C1;
Binomial
SUBC> BINOMIAL 6 0 3
Seleccionar Cumulative probability. Teclear 6 en
Number of trials. Teclear 0.3 en Probability of
success. Seleccionar Input column y .teclear CI.
Clic OK
Resultados:
Cumulative Distribution Function
Binomial with n = 6 and p = 0.300000
x P(X = x)
0.00 0.1176
1.00 0.4202
2.00 0.7443
3.00 0.9295
4.00 0.9891
5.00 0.9993
6.00 1.0000
FIGURA 4.3.3 Calculo efectuado por el paquete MINITAB de la probabilidad binomial
acumulada para x = 0 hasta x = 6, cuando n = 6 Y P = .3.
4.3.7 La probabiJidad de que una persona que sufre de migrana tenga alivio con un farmaco
especffico es de-,9, Se seleccionan aleatoriamente a tres personas con migrana a las que se les
administra el farmaco. Encuentre la probabilidad de que el numero de personas que logran
alivio sean:
a) Exactamente cero b) Exactamente uno c) Mas de uno
d) Dos 0 menos e) Dos 0 tres f) Exactamente tres
4.3.8 En una investigaci6n realizada entre estudiantes de enfermerfa aspirantes al grade de maes
tria, 75 por ciento declararon que esperaban ser promovidos a un puesto mas alto un mes
despues de obtener el grado, Si este porcentaje representa a toda la poblaci6n, encontrar,
para una muestra de 15, la probabilidad de que el numero de personas que esperan una
promoci6n un mes despues de obtener eI grado sean:
a) Seis b) AI menos siete c) No mas de cinco d) Entre seis y nueve, inclusive
4.3.9 Dado el parametro binomial p = ,8 Yn = 3, muestre mediante el desarrollo binomial dado
en la tabla 4,3.1 que 'i,f(x) = 1.
100 CAPiTULO 4 DlSTRIBUCIONES DE PROBABILIDAD
4.4 DISTRIBUCION DE POISSON
La siguiente distribuci6n discreta a considerar es la distribuci6n de Poisson, Hamada
asf en honor del matematico frances Simeon Denis Poisson (1781-1840), quien
tiene amplio reconocimiento por la publicaci6n de su trabajo en 1837. Esta distri
bud6n ha sido empleada extensamente en biologfa y medicina como modelo de
probabilidad. Haight (1), en el capitulo 7 de sulibro, presenta un repertorio muy
amplio de aplicaciones.
Si x es el numero de ocurrencias de algiin evento aleatorio en un intervalo de
espacio 0 tiempo (0 algiin volumen de materia), la probabilidad de que x ocurra es
dada por
e-l.'),,;
f(x)=--, x=0,1,2... (4.4.1 )
x!
La letra griega A (lambda) es el parametro de la distribuci6n y es el numero
promedio de ocurrencias del evento aleatorio dentro del intervalo (0 volumen). EI
sfmbolo e, es la constante (con cuatro decimales) 2.7183.
Se puede mostrar que fix) ~ 0 para cada x y que r x f (x) 1; por 10 tanto, la
distribuci6n satisface los requerimientos para la distribuci6n de probabilidad.
Proceso tk Poisson Como se ha visto, la distribuci6n binomial resuita de un
conjunto de suposiciones acerca de un proceso impHcito para formar un conjunto
de observaciones numericas. Lo mismo ocurre en el caso de la distribuci6n de Poisson.
Las siguientes afirmaciones describen 10 que se conoce como proceso de Poisson.
1. Las ocurrencias de los eventos son independientes. La ocurrencia de un even
to en un intervalo
l
de espacio 0 tiempo no tiene efecto en la probabilidad de
una segunda ocurrencia del evento en el mismo, 0 en algiin otro intervalo.
2. Te6ricamente, debe ser posible la ocurrencia de un evento en un numero
infinito de veces dentro del intervalo.
3. La probabilidad de una sola ocurrencia del evento en un intervalo dado es
proporcional a la dimensi6n del intervalo.
4. En cualquier fracci6n infinitesimal del intervalo, la probabilidad de mas de
una ocurrencia del eVf"nto es insignificante.
Una caracterfstica interesante de la distribuci6n de Poisson es que la media y
la variancia son iguales.
Cuundo utilizur el modelo de Poisson La distribuci6n de Poisson se em-
plea cuando se cuentan los eventos 0 entidades, distribuidos al azar en espacio 0
tiempo. Es facil intuir cuando cierto proceso obedece a la ley de Poisson, y bajo esta
suposici6n se puede calcular la ocurrencia de eventos 0 entidades en alguna unidad
1 Por comodidad, la distribuci6n de Poisson se estudia en terminos de intervalos, aunque tambien inter
vienen otras unidades como volumen.
101 4.4 DISTRIBUCION DE POISSON
de espacio 0 tiempo. Por ejemplo, suponiendo que la distribuci6n de alglin parasi
to entre miembros individuales huespedes sigue la ley de Poisson, y conociendo el
parametro A, se puede calcular la probabilidad de que al seleccionar aleatoriamente
un huesped individual este produzcax nfunero de parasitos. En el siguiente capitu
lo se aprendera c6mo decidir si es recomendable suponer que un proceso especffi
co obedece la ley de Poisson.
Se consideran los siguientes ejemplos que muestran el uso de la distribuci6n
de Poisson para el calculo de probabilidades:
FJEMPLO 4.4.1
En un estudio de suicidas, Gibbons et al. (A-4) encontraron que la distribuci6n men
sual de adolescentes suicidas en el condado de Cook, Illinois, entre 1977 y 1987
sigui6 una distribuci6n de Poisson con parametro A 2.75. Encuentre la probabili
dad de que un mes seleccionado aleatoriamente sea uno en el que ocurri6 el suici
dio de tres adolescentes.
Solucion: Con la ecuaci6n 4.4.1 se encuentra que la respuesta es:
e-
2
.
75
2.75
3
(.063928)(20.796875)
P(X=3)=:::: .221584
3! 6
FJEMPLO 4.4.2
En referencia al ejemplo 4.4.1, suponga que eI suicidio futuro de adolescentes en la
poblaci6n analizada seguira una distribuci6n de Poisson. ~ C u a l es la probabilidad
de que un mes seleccionado aleatoriamente sea uno en eI que ocurriran tres 0
cuatro suicidios?
Solucion: Puesto que los dos eventos son mutuamente exduyentes, se utiliza la
regIa de la adici6n:
e-
2
.
75
2.75
4
P(X =3) +P(X =4) = .221584+--
4!