Está en la página 1de 39

Probabilidades

Las probabilidades se originaron en los juegos de azar y son importantes en estadsticas, especialmente
en inferencia, ya que la confiabilidad de las conclusiones basadas en datos muestrales se expresan
en trminos probabilsticos.
Existen varias definiciones o enfoques del concepto de probabilidad, dentro de las cuales:
Probabili
Probabilidades

Definicin subjetiva: basada en un concepto


personal, subjetivo. Se basan en la creencia e ideas
en que se realiza la evaluacin de las probabilidades y
se define como en aquella que un evento asigna el
individuo basndose en la evidencia disponible (el
individuo asigna la probabilidad en base a su
experiencia).

Definicin frecuentista: basada en las frecuencias


relativas de datos histricos y la probabilidad que
se asigna despus de tener los datos

Clsica: basada en que los resultados de un


experimento son igualmente posibles. Probabilidad
se asigna despus de tener los datos. Probabilidad
es la caracterstica de un evento, que hace que
existan razones para creer que ste se realizar.

dad: CASOS FAVORABLES


____________________
CASOS POSIBLES
En general se puede decir que probabilidad es la verosimilitud o posibilidad medida entre 0 y 1 de que
ocurra un suceso o evento incierto
Ejemplo: el experimento consiste en lanzar simultneamente 3 monedas.
Entonces, el espacio muestral (conjunto de todos los resultados posibles de un experimento) se puede
determinar con apoyo de un diagrama de rbol:

En la teora de probabilidades, el espacio muestral o espacio de muestreo ( o U) consiste en


el conjunto de todos los posibles resultados individuales de un experimento aleatorio.

Este espacio muestral tiene 8 resultados posibles o puntos muestrales. Un suceso o evento es un
subconjunto del espacio muestral
A: [el nmero de sellos sea impar]
B: [CCS, CSC, SCC, SSS]
A es un suceso o evento que A<
Ensayo: cada una de las repeticiones de un experimento realizadas en las mismas condiciones y
en forma independiente una de otra

Algunas reglas y teoremas bsicos de probabilidades


Sean a, b y c sucesos del mismo espacio muestral , entonces:
1.- REGLA DE LA ADICIN: (unin)
P (AUB): P (A)+P(B)-P(AnB) probabilidad conjunta
Probabilidad d que ocurra A o B, o ambos, es decir, de que ocurra al menos uno de los dos
sucesos
P (AUB)= P(A) + P(B) (CASO PARTICULAR)
Pues P (AnB)=0 cuando los sucesos a y B son mutuamente excluyentes

Esta regla expresa la probabilidad de que ocurran dos o ms sucesos a la vez, P ( A


U B).
Puede presentarse de dos formas: para conjuntos
mutuamente excluyentes. Veamos:

con interseccin y

Para conjuntos con Interseccin:

Esto se debe a que sumamos la probabilidad de A ms


la probabilidad de B , pero como ya habamos sumado la
interseccin, entonces la restamos.

Para conjuntos Mutuamente excluyentes:

para

conjuntos

En este caso, no hay ningn problema en sumar ambas probabilidades.

Ejemplo 1: Se lanzan un dado. Usted gana $ 3000 pesos si el resultado es


divisible por tres Cul es la probabilidad de ganar ?

par

Lo que primero hacemos es definir los sucesos:


Sea A = resultado par: A = {2, 4, 6}
Sea B = resultado divisible por 3: B = {3, 6} . Ambos sucesos tienen interseccin?
Luego,

Ejemplo 2 : Se tiene una baraja de cartas ( 52 cartas sin jokers), Cul es la probabilidad
de sacar una Reina un As ?
Sea A = sacar una reina

y sea B = sacar un as,

entonces:

REGLA DE LA MULTIPLICACIN (INTRSECCIN)


P (AnB): P(A) P (B/A) probabilidad condicional
Probabilidad de que A y B ocurran simultneamente
P(AnB): P(A) P(B) caso particular cuando los sucesos A y B son independientes
Pues P(B/A): P(B)
Probabilidad condicional:
P(B/A): P(AnB):P(A), P(A) distinto de 0 Probabilidad de que ocurra B dado que ha ocurrido A

De

la

despejar

definicin

de probabilidad

condicional se

tienen

los

siguientes

resultados

al

Las relaciones
cual es til para:
Calcular

son casos especiales de la llamada Regla de la multiplicacin, la

probabilidades

de

intersecciones

de

eventos

con

base

en

probabilidades condicionales.
Esta regla de manera general se puede expresar como:
Sea

eventos tales que

. Entonces

Ejemplo
1. (Inspeccin de Lotes)
Un lote contiene
items de los cuales
son defectuosos. Los items son seleccionados
uno despues del otro para ver si ellos son defectuosos. Suponga que dos items son
seleccionados sin reemplazamiento(Significa que el objeto que se selecciona al azar se deja
por fuera del lote). Cal es la probabilidad de que los dos items seleccionados sean
defectuosos?.
Solucin
Sea los eventos

entonces dos items seleccionados seran defectuosos, cuando ocurre el evento


es la interseccin entre los eventos

que

. De la informacin dada se tiene que:

as probabilidad de que los dos items seleccionados sean defectuosos es

Ahora suponga que selecciona un tercer item, entonces la probabilidad de que los tres items
seleccionados sean defectuosos es

La regla de adicin y multiplicacin tambin se puede ampliar de manera similar para ms de dos
sucesos
I REGLA DEL COMPLEMENTO (relacin de los sucesos complementarios)
P (A) +P (A):

P (A) = 1-P (A)

P (A): 1-P (A)

Ejemplo: Se sabe que en un lugar el 40% de las personas tiene sobrepeso, el 5% tiene diabetes y
el 3% tiene ambos. Cul es la probabilidad de que una de dichas personas seleccionadas al azar
tenga al menos una de las dos caractersticas?

Una caja contiene 17 rollos de pelculas fotogrficas, de los cuales 13 estn buenos (no
defectuosos) y 4 estn malos (defectuosos). Cul es la probabilidad de sacar de la caja3 rollos
buenos en forma sucesiva si:
a.- cada rollo es sacado sin reemplazo (sin reposicin)
b.-Cada rollo es sacado con reemplazo (con reposicin)

Un dispositivo consta de 3 componentes independientes A, B Y C. El dispositivo se considera


defectuoso si uno o ms componentes lo son. La probabilidad de que el componente A sea
defectuoso es 0.002, que B sea defectuoso es 0.003 y que C sea defectuoso es 0.008
-Cul es la probabilidad de que el dispositivo sea defectuoso
- Cul es la probabilidad de que el dispositivo sea defectuoso debido slo a una falla del
componente A

Teorema de Bayes
Se debe a Thomas Bayes (1702-1761) clrigo y matemtico ingls.
Este teorema es una ampliacin de la probabilidad condicional, y en las ciencias de la salud se
puede utilizar para la evaluacin de las pruebas (test o exmenes) de diagnstico o de preseleccin.
Consideremos los siguientes sucesos o eventos mutuamente excluyentes y exhaustivos (no
existen otros sucesos y sus probabilidades suman 1)
D: El sujeto tiene la enfermedad
D: el sujeto no tiene la enfermedad
T+: El resultado de una prueba de diagnstico es positivo
T-: El resultado de una prueba de diagnstico es negativo
Interesa principalmente determinar la probabilidad de D dado T+
P (D/T+): es decir, la probabilidad de que un sujeto con resultado positivo en una prueba de
diagnstico tenga realmente la enfermedad
Se define:
Un falso negativo resulta cuando un sujeto realmente positivo da negativo, es decir, la condicin o
enfermedad est presente, pero la prueba no detecta su presencia. En smbolos: P(T-/D)
Un falso positivo resulta cuando un sujeto realmente negativo da positivo, es decir, la condicin o
enfermedad no est presente, pero la prueba detecta su presencia. En smbolos: P(T+/D)
La sensibilidad de una prueba es la probabilidad de que dicha prueba conduzca a un resultado
positivo dado que el sujeto sea realmente positivo. En smbolos: P (T+/D)
La especificidad de una prueba es la probabilidad de que dicha prueba conduzca a un resultado
negativo supuesto o dado que el sujeto sea efectivamente negativo o sano. En smbolos: P (T-/D)
El valor predictivo positivo de una prueba es la probabilidad de que un sujeto sea realmente
positivo o enfermo dado que el resultado de una prueba ha sido positivo. En smbolos: P (D/T+)
El valor predictivo negativo de una prueba es la probabilidad de que un sujeto sea realmente
negativo o sano dado que el resultado de la prueba sido negativo. En smbolos: P(D/T-)
Para determinar o estimar el valor predictivo positivo o negativo de una prueba de diagnstico se
puede aplicar el teorema de Bayes, conociendo la sensibilidad y especificidad de una prueba y
conociendo tambin la tasa de prevalencia de la enfermedad de la poblacin general

Para el valor predictivo positivo el teorema de Bayes se expresa:

Cabe sealar que el sujeto puede o no tener la enfermedad y dar resultado positivo en una prueba,
entonces:

En trminos epidemiolgicos:

De manera similar para el valor predictivo negativo, se obtiene

En trminos epidemiolgicos:

El teorema de Bayes constituye una prueba importante de diagnstico, ya que relaciona el valor
predictivo de una prueba con su sensibilidad y especificidad, as como con el predominio de la
enfermedad en la poblacin sometida a la prueba

Ejemplo: En la siguiente tabla 2x2 aparecen los resultados de la evaluacin de una prueba de
diagnstico, en la que participaron una muestra aleatoria de 600 individuos con la enfermedad y una
segunda muestra aleatoria independiente de 1200 individuos sin la enfermedad.

Calcular la sensibilidad de la prueba


Calcular la especificidad de la prueba
El valor predictivo positivo si la tasa de prevalencia en la poblacin general es de 0.05

El teorema de Bayes tambin se puede ampliar o generalizar para situaciones en que los sujetos
se ubican en ms de dos grupos diferentes. En efecto si A1 A2, A3.An son n sucesos
mutuamente excluyentes y exhaustivos y B es otro suceso con P(B) distinta de cero, entonces:

En esta aplicacin el inters se centra en calcular la probabilidad de la causa conociendo el efecto

El Teorema de Bayes viene a seguir el proceso inverso al que hemos visto en el Teorema de la
probabilidad total:
Teorema de la probabilidad total: a partir de las probabilidades del suceso A (probabilidad de que llueva o de
que haga buen tiempo) deducimos la probabilidad del suceso B (que ocurra un accidente).
Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las
probabilidades del suceso A (estaba lloviendo o haca buen tiempo?).
La frmula del Teorema de Bayes es:

Tratar de explicar estar frmula con palabras es un galimatas, as que vamos a intentar explicarla con un
ejemplo. De todos modos, antes de entrar en el ejercicio, recordar que este teorema tambin exige que

el suceso A forme un sistema completo.

Ejercicio 1: El parte meteorolgico ha anunciado tres posibilidades para el fin de semana:


a) Que llueva: probabilidad del 50%.
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.
Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 10%.
b) Si nieva: probabilidad de accidente del 20%
c) Si hay niebla: probabilidad de accidente del 5%.
Resulta que efectivamente ocurre un accidente y como no estabamos en la ciudad no sabemos que tiempo
hizo (nev, llovo o hubo niebla). El teorema de Bayes nos permite calcular estas probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se
denominan "probabilidades a priori" (lluvia con el 60%, nieve con el 30% y niebla con el 10%).
Una vez que incorporamos la informacin de que ha ocurrido un accidente, las probabilidades del suceso A
cambian: son probabilidades condicionadas P (A/B), que se denominan "probabilidades a posteriori".
Vamos a aplicar la frmula:

a) Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el da del accidente (probabilidad a posteriori) es del
71,4%.

b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%.

c) Probabilidad de que hubiera niebla:

La probabilidad de que hubiera niebla es del 7,1%.

Distribucin de probabilidad:
Es similar a una distribucin de frecuencias en la que se asignan probabilidades a todos los
posibles valores numricos que puede asumir una variable aleatoria
Esquema de tabla de distribucin de probabilidad

Esta distribucin se puede describir mediante su media aritmtica o promedio que en este caso
mejor se denomina VALOR ESPERADO O ESPERANZA O ESPECTATIVA, que es como un
promedio a largo plazo, despus de haber realizado un numero infinito o suficientemente grande de
veces un experimento aleatorio
Simblicamente est dado por:

Como es habitual, la dispersin o variabilidad de la distribucin se determina mediante la varianza


y la desviacin estndar, que en su forma mas sencilla estn dadas por:

Respecto al valor esperado, respecto a los juegos de azar se dice:

Existen varias distribuciones de probabilidad, tanto para variable discreta como continua. Entre las
discretas cabe sealar la distribucin binomial, la de Poisson, hper geomtrica, Pascal, etc. Entre las
continuas cabe sealar la distribucin normal, la exponencial, la uniforme, la gamma, etc. Nosotros
estudiaremos las siguientes:

I.- Distribucin binomial:


Es una importante distribucin discreta de probabilidad.
Se dice que una variable aleatoria X tiene distribucin binomial si se verifican las siguientes
caractersticas denominadas supuestos de BERNOULLI (en honor al matemtico suizo JAMES
BERNOULLI (1654-1705)
-

Se realizan n ensayos o pruebas o repeticiones de un experimento que tiene solo dos


resultados posibles denominados arbitrariamente XITO y FRACASO. Por ejemplo: persona viva o
muerte, sana o enferma, etc.
La probabilidad de que ocurra un xito , denotada por p, es la misma o constante para todas y
cada una de las repeticiones del experimento, es decir: P(xito)=p ; P(fracaso): 1-p
Las repeticiones o ensayos son estadsticamente independientes, es decir, los resultados de
ensayos sucesivos no influyen entre s

En las condiciones sealadas, la probabilidad de obtener exactamente x xitos en n ensayos, est


dada por la siguiente funcin o modelo de probabilidad:

La funcin de probabilidad de la distribucin binomial , tambin denomi nada funcin de la


distribucin de Bernoulli , es:

n es el nmero de pruebas.

k es el nmero de xi tos.

p es l a probabil idad de xito.

q es l a probabil idad de fracaso.

El nmero combinatorio
Ejemplo:

La l ti ma novel a de un autor ha teni do un gran xi to, hasta el punto de que el 80% de los
lectores ya la han l ei do. Un grupo de 4 ami gos son aficionados a la lectura:

1Cul es la probabi li dad de que el grupo hayan l ei do la novel a 2 personas?

n = 4

p = 0.8

q = 0.2

B(4, 0.8)

2Y cmo mxi mo 2?

Un a di st ri bu ci n bin om ia l o de B er nou ll i ti ene l as si gui ente s ca ract er s ti c as :

1. En ca da pr ueb a del e xp eri me nto sl o son po si bl e s do s r es ul ta do s : xi to y f ra cas o .


2. L a pro ba bi l i da d de x it o es co ns tant e , e s d eci r, qu e no var a d e un a pr ue ba a ot ra.
Se re pr es enta p or p .

3. L a pro ba bi l i da d de fr aca so ta mbi n es c on st ante , Se r ep re sent a por q ,

q = 1 p

3. El resu lt ado obteni d o en c ad a pr ueb a e s in de p en di e nt e de l os re sul ta do s obte ni dos


ante ri or mente .

5. L a v ar ia bl e al ea to ri a bin om ia l , X , ex pr es a el nm er o de xi to s ob te ni do s en
l as n pr ueb as . Por tant o, l os val o re s que pu ede tom ar X s on: 0, 1, 2 , 3 , 4, ..., n .

La di st ri bu ci n bim om ia l s e ex pr es a por B(n , p)

Clculo de probabilidades en una distribucin binomial

n e s el nme ro de p rue ba s.

k es el n mer o d e xi to s.

p e s l a p ro ba bi l i dad de xi to.

q e s l a p ro ba bi l i dad de f raca so.

El nme ro c ombi n atori o

Ej em pl o

La l ti ma n ovel a d e un a utor ha teni do un gran xi to, ha st a el punto de q ue el 8 0% de l os


l ector es ya l a h an l ei do. Un g ru po de 4 ami go s so n afi ci on ad os a l a l ectu ra:

1. C ul e s l a p ro ba bi l i dad de q ue el gr up o h ayan l ei do l a n ovel a 2 per so na s?

n = 4

p = 0 .8

q = 0 .2

B( 4, 0. 8)

2. Y al meno s 2?

Parmetros de la distribucin binomial


Medi a

Vari a nza

Des vi a ci n t pi c a

Ej em pl o

La p rob abi l i d ad de qu e un a rt cul o p rod uci do po r un a f ab ri c a s ea def ect uos o es 0. 02 . Se


envi un c ar ga me nto de 10 .0 00 a rt cul os a uno s al ma cene s. H al l ar el n mer o es pe rado de
ar t cul o s defe ctu oso s, l a var i a nza y l a de sv i a ci n t pi ca .

Ejemplo Por registros existentes, se sabe que el 30% de las personas de una comunidad tiene o
sufre hipertensin. Si se examina una muestra de 8 de dichas personas Cu es la probabilidd de
que haya exactamente 3 con hipertensin?

En algunos casos resulta ms adecuado determinar probabilidades aplicando la regla del


complemento
Considerando nuestro ejemplo. Cul es la probabilidad que haya al menos una persona con
hipertensin?

El valor esperado o esperanza, la varianza y desviacin estndar, de una distribucin binomial, en


trminos prcticos, tambin puede obtenerse como sigue:

Considerando nuestro ejemplo, cual es el numero esperado de personas con hipertensin? Cul
es la varianza y desviacin estndar?, si se considera una muestra con n=50 personas

Tambin existen tablas especiales de distribucin binomial

II LA DISTRIBUCIN DE POISSON
Es otra importante distribucin de probabilidad discreta. Se debe al matemtico francs SIMEON
POISSON (1781-1840) que se utiliza para determinar la probabilidad de sucesos a lo largo de un
intervalo temporal o espacial
Por ejemplo, describir el numero de pacientes por hora que ingresa a un hospital, numero de
sucesos de adolescentes por ao, numero de leucocitos por gota de sangre, numero de partculas
por deposito emitidas por una sustancia radioactiva, etc.
Se dice que una variable aleatoria X tiene distribucin de Poisson si se verifican las siguientes
condiciones:
1.-La probabilidad de que ocurra un suceso es constante para dos intervalos de tiempo o espacio
cualesquiera
La ocurrencia de un suceso en cualquier intervalo es estadsticamente independiente de su
ocurrencia en cualquier otro intervalo.
En las condiciones sealadas, la probabilidad de obtener exactamente x exitos esta dada por la
siguiente funcin o modelo de probabilidad

Una caracterstica o probabilidad o propiedad importante de la distribucin de Poisson es que el valor


esperado y la varianza son ambas iguales al parmetro__.

Si___ es pequea, la distribucin de Poisson es asimtrica o sesgada a la derecha:

Si __ crece, la distribucin de Poisson es aproximadamente simtrica

Cuando el numero de ensayos n es grande y la probabilidad de xito p es pequea (criterio deseable


np< o igual a 7), se puede utilizar la aproximacin de Poisson para resolver problemas de
distribucin binomial, y en tal cado ____ =np

Tambien existen tablas especiales de la distribucin de Poisson


Las distribucin de Poisson parte de la distribucin binomial:
Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy elevado de
veces y la probabilidad de xito "p" en cada ensayo es reducida, entonces se aplica el modelo
de distribucin de Poisson:
Se tiene que cumplir que:
" p " < 0,10
" p * n " < 10
La distribucin de Poisson sigue el siguiente modelo:

Vamos a explicarla:
El nmero "e" es 2,71828
" " = n * p (es decir, el nmero de veces " n " que se realiza el experimento multiplicado por la
probabilidad " p " de xito en cada ensayo)
" k " es el nmero de xito cuya probabilidad se est calculando
Veamos un ejemplo:
La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan
300 viajes, cual es la probabilidad de tener 3 accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces
aplicamos el modelo de distribucin de Poisson.

Luego,
P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%

Otro ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que entre
800 recien nacidos haya 5 pelirrojos?

Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recien nacidos es del 4,6%.

La distribucin normal
Es la ms importante distribucin continua de probabilidad, denominada tambien distribucin
Gaussiana (en honor al alemn Karl gauss (1777-1855)) La funcion o densidad de probabilidad de la
distribucin normal esta dada por:

Los dos parmetros de la distribucin son la media aritmtica o promedio y ___ y la desviacin
estndar ___
La distribucin normal es la base de la inferencia estadstica (se dice que es su piedra angular)
Caractersticas de la distribucin normal:
1.- Tiene forma de de campana (es campaniforme) y es simtrica respecto a la media o promedio __
2.-El rea total bajo la curva sobre el eje horizontal la unidad (1) Entonces por simetra de la
distribucin normal:

3.-Considerando la media aritmtica __ y la desviacin estndar ___ para el rea bajo la curva se
verifica aproximadamente lo siguiente (regla emprica)

4.- Los parmetros ___ y ___ determinan la distribucin normal. Entonces por cada valor diferente de
___ y ___ se genera una distribucin normal distinta, de la que se desprende que la distribucin
normal es una familia de distribuciones
Un ejemplo para 3 distribuciones normales con la misma media o promedio pero desviacin estandar
diferente

El miembro mas importante de la familia de distribuciones normales se denomina distribucin normal


estndar (o tpica o unitaria), la que tiene media o promedio ___=0 y desviacin estndar d=1. Se
simboliza N (0,i) y se lee normal cero a uno
Esta expresin se obtiene a partir de la expresin anterior cuando la variable aleatoria

Grficamente

L distribucin normal estndar esta tabulada (TABLA A) con lo que se evita tener que integrar para
calcular distintas reas bajo la curva

Se estandariza o tipifica la variable en estudio X mediante

Z: se denomina variable normal estndar (o tpica) e indica cuantas unidades de desviacin estndar
se sita X por arriba o por debajo del promedio o media aritmtica
Ejemplo: El tiempo utilizado por los alumnos del curso M en realizar una activad acadmica esta
distribuido en forma aproximadamente normal, con un promedio de 40 minutos y desviacin estndar
de 6 minutos
En este caso la variable aleatoria continua es:
X: tiempo en minutos utilizado en ealizar la actividad academica

Cual es la probabilidad que uno de dichos alumnos, seleccionado al azar, utilice un tiempo entre 33
y 45 minutos en realizar la actividad acadmica?

Qu porcentaje de dichos alumnos utiliza un tiempo sobre 48 minutos en realizar la actividad


acadmica?

Cul es la probabilidad de que uno de dichos alumnos, seleccionado al azaar, utilice un tiempo
entre 32.60 y 37.80 minutos?

Si Francisco es uno de dichos alumnos que utiliz 51 minutos en realizar la actividad acadmica,
cul es su rango porcentual y qu significa

En general, los RP permiten ubicar o situar a un sujeto dentro del grupo al cual pertenece.
Si el 64% de dichos alumnos utiliz un tiempo bajo cierto valor en realizar la actividad acadmica,
Cul es ese valor y qu significa?

Se desea elegir a uno de dichos alumnos cuyo tiempo utilizado en realizar la actividad acadmica se
sita en el 8% inferior de la distribucin Cul es el tiempo mximo que debe utilizar?

Cul es el tiempo correspondiente al percentil 25 y qu significa?

Una distribucin normal de media y desviacin tpica se designa


por N(, ). Su grfica es la campana de Gauss :

El rea del recinto determinado por la funcin y el eje de abscisas es


igual a la unidad .

Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a
0.5 a la izquierda y otra igual a 0.5 a la derecha .

La probabilidad equivale al rea encerrada bajo la curva.

Distribucin normal estndar


N(0, 1)

La distribucin normal estndar, o tipificada o reducida, es aquella


que tiene por media el val or cero, =0, y por desviacin tpica la unidad,
=1.

La probabilidad de la variable X depender del rea del recinto


sombreado en la figura . Y para cal cularla utilizaremos una tabla .

Tipificacin de la variable

Para poder utilizar la tabla tenemos que transformar la variable X que si gue
una di stri bucin N(, ) en otra vari abl e Z que si ga una distri bucin N(0, 1).

Clculo de probabilidades en distribuciones


normales
La tabla nos da las probabilidades de P(z k) , siendo z la variable
tipificada.

Estas probabilidades nos dan la funcin de distribucin (k).

(k) = P(z k)

Bsqueda en la tabla de valor de k

Unidades y dcimas en la columna de la izquierda.

Cntesimas en la fila de arri ba.

P(Z a)

P(Z > a) = 1 - P(Z a)

P(Z a) = 1 P(Z a)

P(Z > a) = P(Z a)

P(a < Z b ) = P(Z b) P(Z a)

P(b < Z a ) = P(a < Z b )

Nos encontramos con el caso inverso a los anteriores, conocemos el valor


de la probabilidad y se trata de hallar el valor de la absci sa. Ahora tenemos que
buscar en la tabla el valor que ms se aproxime a K .

P(a < Z b ) = P(Z b) [ 1 P(Z a)]

p = K

Para calcular la variable X nos vamos a la frmula de la tipificacin.

Aproximacin de la binomial por la normal


Teorema de Moivre
Si:

np 0 y nq 0.

La distribucin

binomial

B(n,

p) se

puede

aproxi mar

medi ante

una distribucin norma l:

Ejercicios
En una ciudad se estima que la temperatura mxima en el mes de junio si
una di stri bucin normal, con media 23 y desviacin tpica 5. Calcular el nmero
de das del mes en los que se espera al canzar mximas entre 21 y 27.

La medi a y los que de los pesos de 500 estudi antes de un colegio es 70 kg


y

la

desvi acin

tpica

kg.

Suponiendo

normalmente, hallar cuntos estudiantes pesan:

1. Entre 60 kg y 75 kg.

que

los

pesos

se

distri buyen

2. Ms de 90 kg.

3. Menos de 64 kg.

4. 64 kg.

5. 64 kg o menos.

Se supone que los resultados de un examen si guen una distribucin normal


con media 78 y desvi acin tpi ca 36. Se pide:

1. Cul es la probabilidad de que una persona que se presenta el examen


obtenga una califi cacin superior a 72?

2. Calcular la proporcin de estudiantes que tienen puntuaciones que


exceden por lo menos en cinco puntos de la puntuaci n que marca la frontera
entre el Apto y el No-Apto (son declarados No-Aptos el 25% de los estudiantes
que obtuvieron las puntuaciones ms bajas).

3. Si se sabe que la califi cacin de un estudiante es mayor que 72 cul es


la priori dad de que su califi cacin sea, de hecho, superior a 84?

Tras un test de cultura general se observa que las puntuaciones obtenidas


siguen una di stri bucin una distribucin N(65, 18). Se desea clasifi car a los
examinados

en

tres

grupos

(de

baja

cultura

general,

de

cultura

general

aceptable, de excelente cultura general) de modo que hay en el primero un 20%


la poblacin, un 65% el segundo y un 15% en el tercero. Cules han de ser las
puntuaciones que marcan el paso de un grupo al otro?

Baja cultura hasta 49 puntos.

Cultura aceptable entre 50 y 83.

Excelente cultura a parti r de 84 puntos.

Varios test de inteligencia dieron una puntuacin que si gue una ley normal
con media 100 y desvi acin tpica 15.

1. Determinar el porcentaje de poblacin que obtendra un coeficiente


entre 95 y 110.

2. Qu intervalo centrado en 100 contiene al 50% de la poblacin?

3. En una poblacin de 2500 indi viduos cuntos individuos se esperan que


tengan un coeficiente superior a 125?

En una ciudad una de cada tres familias posee telfono. Si se eligen al azar
90 familias, cal cular la probabilidad de que entre ellas haya por lo menos 30
tipos se han telfono.

En un examen tipo test de 200 preguntas de eleccin mltiple, cada


pregunta

tiene

una

respuesta

correcta

una

incorrecta.

Se

aprueba

si

se

contesta a ms de 110 respuestas correctas. Suponiendo que se contesta al azar,


cal cul ar la probabilidad de aprobar el examen.

Un estudio ha mostrado que, en un cierto barri o, el 60% de los hogares


tienen al menos dos televi sores Se elige al azar una muestra de 50 hogares en el
citado barrio. Se pide:

1. Cul es la probabilidad de que al menos 20 de los citados hogares


tengan cuando menos dos televisores?

2. Cul es la probabilidad de que entre 35 y 40 hogares tenga cuando


menos dos televisores?

INTRODUCCIN AL MUESTREO

Uso de la tabla 6-3 (una parte de una tabla ms amplia)


Muestreo aleatorio simple
1.-

Procedimiento:
a.- enumerar la poblacin con nmeros de tantas cifras segn sea su tamao

b.-De la tabla 6-3 elegir nmeros de dos cifras comenzando en cualquier parte de ella y
recorrindola sistemticamente
Por ejemplo conjunto en la fila 5 columna 24

c.- Registrar el valor de la variable para los alumnos elegidos, con lo que se obtienen los
datos. A partir de estos datos se realizan los clculos de las estadsticas muestrales, como
por ejemplo ___, ___, etc

Muestreo sistemtico
El mismo ejemplo
M=72 alumnos
N=8 alumnos
Procedimiento
A.- Determinar razn d muestra

B.- de la tabla 6-3 se elige un nmero de 1 a k 8de 1 a 9)

Por ejemplo, sali 5, entonces con punto punto de inicio aleatorio o arranque 5 y razn de
muestreo 9 se tiene que:

C.- Registrar la variable en la que se obtienen los datos, etc, etc

MUESTREO ESTRATIFICADO
Supongamos que se desea realizar un estudio sobre remuneraciones (generalmente alta
dispersin o variabilidad, es adecuado estratificar) mensuales de las personas que trabajan
en una clnica

MUESTREO DE RACIMO O POR CONGLOMERADOS


Es el opuesto del estratificado