Distribución de Probabilidad

ESTADSTICA APLICADA
UNIDAD I PROBABILIDAD
Aporta procedimientos para asignar la posibilidad de ocurrencia a cada resultado viable que
pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y saber
si un suceso es ms probable que otro.
Probabilidad
Implica conocer
Implica
conocer
Teorema de
Conceptos Probabilidad Teorema de
Probabilidad
Bsicos Condicional Bayes
Total
A. CONCEPTOS BSICOS
Probabilidad
Es la posibilidad de ocurrencia o no ocurrencia de un suceso o evento, cuando se realiza un
experimento aleatorio. Su valor es un nmero, comprendido entre 0 y 1.
Experimentos deterministas o No Aleatorios
Son los experimentos cuyo resultado podemos

predecir antes de que se realicen y pueden
describirse por una frmula matemtica, fsica o
qumica.
Ejemplo
Si dejamos caer una piedra desde una ventana
sabemos, sin lugar a dudas, que la piedra bajar.
Si la arrojamos hacia arriba, sabemos que subir
durante un determinado intervalo de tiempo; pero
despus bajar.
Experimentos Aleatorios
Es la accin que realiza el investigador para obtener un

suceso. No se puede predecir el resultado, ya que ste
depende del azar.
Ejemplo
Si deseamos obtener sello, lanzamos una moneda. No
sabemos de antemano si saldr cara o sello.
Para obtener una carta de espadas, extraemos una
carta de una baraja, tampoco sabemos el resultado que
vamos a obtener.
Mg. Carmen Olga Rodrguez Pajares 1

ESTADSTICA APLICADA
Evento o Suceso
Es el resultado de un experimento aleatorio. Por ejemplo: Al

lanzar una moneda: Obtener cara, sello.
Al tirar un dado: Se obtenga nmero par, mltiplo de 3, 5.
Espacio muestral
Es el conjunto de todos los posibles resultados de una

experiencia aleatoria, se representa por . Por ejemplo: El
espacio muestral del lanzamiento de una moneda: = {Cara,
Sello}.
Espacio muestral del lanzamiento de un dado: = {1, 2, 3, 4, 5, 6}.
Variable aleatoria
Son aquellas que pueden asumir diferentes valores, como resultado de un experimento
aleatorio. Las variables aleatorias pueden ser discretas o continuas.
Definicin clsica de probabilidad
Si un experimento aleatorio se puede realizar de TC maneras posibles y mutuamente

excluyentes; y CF de ellos tiene una caracterstica A, entonces la probabilidad que se obtenga
un resultado con caracterstica A es:
Donde:
P(A) = Probabilidad de ocurrencia del Evento A
CF = N posibilidades que poseen la caracterstica A (Casos Favorables)
TC = N posibilidades que se puede dar el Experimento A (Total de Casos)
Principios de Probabilidad:
La distribucin de probabilidad, cumple con las siguientes propiedades:
a) La probabilidad de ocurrencia de cada resultado numrico de la variable aleatoria X, es
un valor entre 0 y 1
b) La suma de las probabilidades para todos los resultados numricos posibles de la

variable aleatoria X, debe ser igual a 1
c) La probabilidad del espacio muestral es 1

P() = 1
d) La probabilidad de un suceso imposible es 0
P( ) = 0
e) La probabilidad de ocurrencia de un suceso contrario es:
P(A) = 1 - P(A)

ESTADSTICA APLICADA
Para interpretar los valores de probabilidad obtenidos podemos utilizar la lnea de valores de
probabilidad:
Tan probable
Improbable como improbable Certeza
0 0,25 0,5 0,75 1
Muy poco probable Poco probable Probable Muy Probable
Cuando se asignan valores de probabilidad a todos los valores numricos posibles de una
variable aleatoria X, ya sea mediante un listado o una funcin matemtica, se obtiene como
resultado una distribucin de probabilidad.
Ejemplos: Determinar los elementos de probabilidad para cada uno de los siguientes casos:
1. Obtener seis al lanzar un dado
Experimento Aleatorio: Lanzar un dado

Suceso: S = Obtener seis
Espacio Muestral: = 1, 2, 3, 4, 5, 6
Casos Favorables: CF = 1
Total de Casos: TC = 6
Probabilidad:
La probabilidad de obtener seis al lanzar un dado es 16,67%. Es muy poco probable que
este suceso ocurra.
2. Obtener carta de espadas al extraer una carta de una baraja de 52 cartas
Experimento Aleatorio: Extraer una carta de una baraja

Suceso: S = Obtener carta de espadas
Espacio Muestral: = 1, 2, 3, K
1, 2, 3, K
1, 2, 3, K
1, 2, 3, K
Casos Favorables: CF = 13
Total de Casos: TC = 52
Probabilidad:
La probabilidad de obtener carta de espadas al extraer una carta de una baraja es 25%.
Es muy poco probable que este suceso ocurra.

ESTADSTICA APLICADA
Reglas de Adicin y Multiplicacin
Si A y B son sucesos independientes
Regla de Adicin:
P(A B) = P(A) + P(B)

o
A B
Regla de Multiplicacin:
P(A B) = P(A) x P(B)

y
Ejemplo: La probabilidad de que un hombre viva 20 aos ms es 1/4 y la de que su mujer viva
20 aos ms es 1/3. Calcular la probabilidad de que:
a) Ninguno viva 20 aos ms. Viva No Viva

P(M No Viva y H No Viva) = 2/3 x 3/4 = 6/12 M 1/3 2/3 =1
b) Solo uno de ellos viva 20 aos ms. H 1/4 3/4 =1
P(M Viva y H No Viva o H Viva y M No Viva ) = 1/3 x 3/4 + 1/4 x 2/3 = 3/12 + 2/12 = 5/12
c) Ambos vivan 20 aos ms.
P(M Viva y H Viva) = 1/3 x 1/4 = 1/12
d) Construya la distribucin de probabilidad de la variable aleatoria: Xv.a.: Vivir 20 aos ms
X P(X) Observamos que al sumar las

probabilidades de los tres posibles
Ninguno viva 20 aos ms 0 6/12
eventos de la variable aleatoria:
Slo uno viva 20 aos ms 1 5/12 Vivir 20 aos ms, se obtiene 1,
es decir, hemos construido la
Ambos vivan 20 aos ms 2 1/12
distribucin de probabilidad de la
Total 12/12 = 1 variable indicada.
Ejemplo: Las posibilidades de que David y Juliana ganen una beca para estudiar en el extranjero
son 0.68 y 0.72 respectivamente. Construya la distribucin de probabilidad de la variable aleatoria:
ganar la beca.

ESTADSTICA APLICADA
X P(X)
0
1
2
Total
B. PROBABILIDAD CONDICIONAL
Si A y B son dos eventos de un espacio muestral , entonces la probabilidad condicional que

ocurra el evento A dado que (si se sabe que) ocurri el evento B es:
Para la frmula planteada, la probabilidad condicional se da cuando la ocurrencia de un evento

A depende de la ocurrencia de otro evento B. Es decir es la probabilidad que ocurra el evento A
dado que ocurri el evento B.
Ejemplo: Se dispone de 11 cuentas bancarias, pertenecientes a clientes masculinos y

femeninos agrupados por su tipo de cuenta.
Gnero
Femenino Masculino Total
Tipo Cuenta
Clsica 3 5 8
Otra 2 1 3
Total 5 6 11
Si se extrae una cuenta al azar, Cul es la probabilidad que esta.
a) Sea una cuenta clsica?
Es Probable
Es Probable d) Dado que es otro tipo de cuenta, sea
un cliente femenino?
b) Sea una cuenta clsica de un cliente
mujer?
Es Probable
e) Si se trata de una cliente mujer, la
Es Poco Probable cuenta sea clsica?
c) Sea un cliente varn, dado que la
cuenta es clsica?
Es Probable

ESTADSTICA APLICADA
f) Dado que es otro tipo de cuenta, sea

un cliente varn?
Es Poco Probable
h) Se trata de una cliente mujer?
Es Poco Probable
g) Sea cuenta clsica, de un cliente
varn? Es Poco Probable
Ejemplo: Se encuest a un grupo de profesionales que practican algn deporte y se obtuvo la

siguiente tabla de contingencia:
Deporte Edad
Total
que practica 31 - 35 36 - 40 41 - 45 46 - 50
Futbol 28 32 21 16 97
Bsquet 19 13 8 7 47
Natacin 12 8 4 3 27
Total 59 53 33 26 171
Si se elige al azar, un profesional encuestado, cul es la probabilidad que:

a) Practique Natacin
b) Su edad vare de 36 a 40 aos y practique Bsquet
c) Tenga entre 46 y 50 aos
d) Si practica Ftbol, tenga entre 31 y 35 aos

ESTADSTICA APLICADA
e) Dado que su edad flucta entre 41 y 45 aos, practique natacin
Ejemplo: Se evalu a un grupo de estudiantes de nivel primario, aplicndoles un test de

Autoestima y registrando sus respectivos niveles de Logro Acadmico. Se obtuvo la siguiente
tabla de contingencia:
Nivel Nivel Logro Acadmico

Total
Autoestima En Inicio En proceso Alcanzado
Baja 18 13 6 37
Media 15 16 9 40
Alta 7 14 17 38
Total 40 43 32 115
Si se elige al azar, un estudiante, cul es la probabilidad que:
a) Tenga un Bajo nivel de Autoestima
b) Su logro acadmico se encuentre En Inicio y tenga Autoestima Media
c) Dado que su nivel de Autoestima es Alta, su logro acadmico se encuentre Alcanzado
d) Si su nivel de logro acadmico est En Proceso, su nivel de Autoestima sea Baja
e) Haya Alcanzado el Logro Acadmico

ESTADSTICA APLICADA
C. TEOREMA DE PROBABILIDAD TOTAL:
Si A1, A2, ..., An son sucesos incompatibles dos a dos y cuya unin es todo el espacio muestral,
entonces la probabilidad de cualquier otro suceso B es:
A3
A1
B
A4
A2
Ejemplo: En una empresa comercializadora, los empleados trabajan en dos reas: Ventas y
Logstica. El 90% de los empleados trabaja en Ventas y el resto en Logstica. El 30% de los que
trabajan en Ventas son varones y de los que trabajan en Logstica son varones el 40%. Al elegir
un empleado al azar, cul es la probabilidad de que sea mujer?
Varones
0,3
Ventas
0,9 P (Mujer) = 0,9 x 0,7 + 0,1 x 0,6 =
0,7 Mujeres
Varones 0,63 + 0,06 = 0,69

0,4
69%
0,1 Logstica
Es probable
Mujeres
0,6
Ejemplo: En una estantera hay 60 novelas y 20 libros de poesa. Una persona A elige un libro al
azar de la estantera y se lo lleva. A continuacin otra persona B elige otro libro al azar.
59/79 Novela Cul es la probabilidad de que el libro
seleccionado por B sea una novela?
Novela
60/80
20/79 Poesa
Novela
60/79
20/80 Poesa
Poesa
19/79
Es muy probable

ESTADSTICA APLICADA
Ejemplo: De una caja que contiene 3 fichas verdes y 4 blancas, Nicols extrae tres fichas, una
despus de la otra, sin reponerlas en la caja. Cul es la probabilidad de que dos de las fichas
extradas sean blancas?
Ejemplo: El 45% de los accidentes de trnsito que se producen durante los fines de semana, se
deben al consumo excesivo de alcohol, el 37% a la imprudencia del conductor (sobrio) y el resto a
otras causas, (imprudencia del peatn, falla mecnica...etc.). Los accidentes son fatdicos: si se
produjo por el consumo excesivo de alcohol, el 39%; cuando la causa es la imprudencia del
conductor, el 20% y si se debi a otras causas, el 5%. Si se produjo un accidente de trnsito, cul
es la probabilidad de que tenga resultado fatdico.

ESTADSTICA APLICADA
D. TEOREMA DE BAYES
Se refiere al clculo de probabilidad condicional del evento A, dado que ha ocurrido el evento
B. La importancia especial del Teorema de Bayes consiste en que se aplica en el contexto de
eventos secuenciales, permitiendo determinar la probabilidad condicional de un evento que ha
ocurrido en la primera posicin secuencial, dado que se ha observado un evento especfico en
la segunda posicin secuencial.
La regla de Bayes para dos eventos secuenciales es:
La frmula general del Teorema de Bayes es:
Ejemplo: Un analista de una empresa manufacturera, estima que la probabilidad de que una
empresa competidora tenga planes para comenzar a fabricar equipo nuevo en los prximos
tres aos es de 0,30. Si la empresa de la competencia tiene esos planes, definitivamente se
construira una nueva instalacin fabril, pero en el caso no tuviera esos planes existe la
probabilidad de 60% de que se construya la instalacin fabril por otras razones. Suponga que
se observa que la empresa de la competencia ha comenzado a trabajar en la nueva fbrica.
Cul es la probabilidad de que la empresa haya decidido fabricar el nuevo equipo?
SC: Construir nueva instalacin

fabril
SP: Si tiene planes de fabricar

equipo nuevo 0
NC: No construir nueva instalacin

0,30 fabril
0,70 SC: Construir nueva instalacin

fabril
NP: No tiene planes de fabricar

equipo nuevo 0,60
0,40
NC: No construir nueva instalacin

fabril

ESTADSTICA APLICADA
42%
Es poco probable que la empresa haya decidido fabricar el nuevo equipo
Ejemplo: Si hay un aumento en las inversiones de capital el siguiente ao, la probabilidad de que
aumente el precio del acero estructural es 0,90. Si no hay aumentos en esta clase de inversiones, la
probabilidad de aumento del precio de acero es de 0,30. En forma global, se estima que existe una
probabilidad del 65% de que aumenten el siguiente ao las inversiones de capital. Suponga que de
hecho, aumentan los precios del acero estructural en el siguiente ao. Cul es la probabilidad de
que haya habido un aumento en las inversiones de capital?
SAP: Si hay aumento de

precio del acero
0,90
SAI: Si hay aumento en
las inversiones de capital
el siguiente ao 0,10
NAP: No hay aumento de precio

0,65 del acero
0,35 SAP: Si hay aumento de

precio del acero
NAI: No hay aumento en

las inversiones de capital 0,30
el siguiente ao
0,70
NAP: No hay aumento de precio

del acero

ESTADSTICA APLICADA
84,78%
Es muy probable que haya habido un aumento en las inversiones de capital
Ejemplo: Ochenta por ciento del material de vinil que se recibe del vendedor A es de calidad
excepcional, en tanto que solo el cincuenta por ciento del material del vendedor B es de calidad
excepcional. Sin embargo, la capacidad de fabricacin del vendedor A es limitada y, por esa razn, solo
el cuarenta por ciento del vinil que la empresa adquiere proviene de este vendedor. El sesenta por
ciento restante se compra al vendedor B. Se inspecciona un embarque de vinil que acaba de llegar y se
encuentra que es de excepcional calidad. Cul es la probabilidad de que provenga del vendedor A?

ESTADSTICA APLICADA
Ejemplo: Se fabrica gasolina en tres refineras con niveles diarios de produccin de 400000, 800000, y
1200000 litros, respectivamente. La proporcin de la produccin que est por debajo de las
especificaciones de octanaje en las tres refineras es 0,03; 0,05 y 0.04, respectivamente; se determina
que un tanque transportador de gasolina lleva gasolina que se encuentra por debajo de las
especificaciones de octanaje y, por lo tanto, la gasolina se devuelve para su mejor refinacin.
Determine la probabilidad de que el tanque transportador haya sido llenado en cada una de las tres
refineras.

ESTADSTICA APLICADA
DISTRIBUCIN DE PROBABILIDAD
Distribuciones de
Probabilidad
Implica conocer
Implica
conocer
Discretas: Continuas:
Binomial Normal Estndar
Poisson T de Student
A. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE ALEATORIA DISCRETA
Para una variable aleatoria discreta, se pueden enlistar todos los valores numricos posibles de
la variable, en una tabla con las probabilidades correspondientes.
Entre las distribuciones de probabilidad de variable aleatoria discreta, tenemos:
Distribucin Binomial
Es aplicable como modelo a diversas situaciones de toma de decisiones, siempre y cuando

pueda suponerse que el proceso de muestreo se ajusta a un proceso Bernoulli. Un proceso
Bernoulli es un proceso de muestreo en el que:
a) Slo son posibles dos resultados mutuamente excluyentes en cada ensayo u

observacin. Por conveniencia, a estos resultados se les denomina: xito y fracaso.
b) Los resultados del conjunto de ensayos u observaciones, constituyen eventos
independientes.
c) La probabilidad de xito, que se denota mediante p, permanece constante de un ensayo
a otro. Es decir, el proceso es estacionario.
La frmula para determinar la probabilidad de un nmero determinado de xitos X para una

distribucin binomial:
Donde:
n: Nmero de ensayos o tamao de p: Probabilidad de xito
muestra q: Probabilidad de fallo (q = 1 p)
X: Nmero de xitos
Para calcular el valor esperado (media aritmtica) y la desviacin estndar de una

distribucin binomial se utilizan las siguientes frmulas:

ESTADSTICA APLICADA
Ejemplos:
1. La probabilidad de que un prospecto de ventas elegido al azar realice una compra es de
0.20. Si un vendedor visita a seis prospectos. Calcule la probabilidad de que:
a. Realice exactamente cuatro ventas
p = 0,2 q = 0,8 n=6 X=4
b. Logre cuatro o ms ventas

X = 4, 5 y 6 p = 0,2 n=6
c. Calcular el valor esperado y la desviacin estndar asociadas con la realizacin de

visitas a 15 prospectos:
n = 15 p = 0,2 q = 0,8
Si un vendedor visita a quince

prospectos, se espera que realicen la
compra, de 1 a 5 de ellos.
2. Un agente de seguros vende plizas a cinco personas de la misma edad y que disfrutan
de buena salud. Segn las tablas actuales, la probabilidad de que una persona en estas
condiciones viva 30 aos o ms es 2/3. Hllese la probabilidad de que, transcurridos 30
aos, vivan:
a. Al menos dos personas
n=5 p = 2/3 q = 1/3 X = 2, 3, 4, 5
Utilizando el principio del suceso inverso: P() = 1
e) La probabilidad de ocurrencia de un suceso contrario es: 0 1 2 3 4 5

P(A) = 1 - P(A)
X<2 X2

ESTADSTICA APLICADA
b. Exactamente una persona

n=5 p = 2/3 q = 1/3 X=1
3. La probabilidad de que un artculo producido por una fbrica sea defectuoso es 0,02. Se
envi un cargamento de 10 000 artculos a unos almacenes. Hallar el nmero esperado
de artculos defectuosos y la desviacin estndar.
n = 10 000 p = 0,02 q = 0,98
Si se enva un cargamento de 10 000

artculos a unos almacenes, se espera
de 186 a 214 artculos defectuosos.
4. Debido a las elevadas tasas de inters, una empresa reporta que el 30% de sus
cuentas por cobrar de otras empresas estn vencidas. Si un contador toma una muestra
aleatoria de cinco de esas cuentas, determine la probabilidad de que como mximo, dos
cuentas estn vencidas
a) Determine el nmero esperado de cuentas por cobrar, si la muestra tomada es de

12 cuentas:

ESTADSTICA APLICADA
Distribucin de Poisson
Puede utilizarse para determinar la probabilidad de que ocurra un nmero designado de

eventos, cuando stos ocurren en un continuo de tiempo y espacio. A un proceso como este se
le denomina proceso Poisson; es similar al proceso Bernoulli, excepto en que los eventos
ocurren en un continuo (por ejemplo, en un intervalo de tiempo), en vez de ocurrir en ensayos u
observaciones fijas. Se supone que los eventos son independientes y que el proceso es
estacionario. La frmula para determinar la probabilidad de un nmero determinado de xitos
X, en una distribucin Poisson es:
Donde es el nmero promedio a largo plazo de eventos para el tiempo o dimensin

especfico de inters y es la constante 2.7183 que es la base de los logaritmos naturales.
Puede determinarse el valor esperado (media aritmtica) y la varianza de una distribucin
de Poisson con las siguientes frmulas:
Ejemplos:
1. Un departamento de reparacin de maquinaria recibe un promedio de cinco solicitudes de

servicio por hora. Calcular la probabilidad de que en una hora seleccionada al azar, se
reciban:
a. Tres solicitudes: Observamos que y X estn en la misma unidad de medida: hora
= 5 sol / hora X = 3 sol / hora
b. Menos de tres solicitudes
= 5 sol/hora X = 0, 1, 2 sol/hora
2. En promedio, 12 personas hacen preguntas cada hora a un consultor de cuentas corrientes

en un banco local. Determinar la probabilidad de que acudan menos de tres personas en
un periodo de diez minutos.
Observamos que y X no estn en la misma unidad de medida: hora y 10 mn.
= 12 pers./ hora X = 0, 1, 2 pers./ 10 min
En este caso, se debe convertir a la unidad en que est dada X, aplicando la regla
de tres simple directa: (1 hora 60 mn)
Pers. Mn.
12 60
10

ESTADSTICA APLICADA
= 2 pers./ 10 mn X = 0, 1, 2 pers./ 10 min
3. En promedio, cada rollo de 500 metros de acero laminado tiene dos defectos. Un defecto
es una raspadura o alguna otra irregularidad que afectara el uso de ese segmento de la
hoja de acero en el producto terminado. Cul es la probabilidad de que un segmento
especfico de 100 metros no tenga ningn defecto?
B. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE ALEATORIA CONTINUA
Para una variable aleatoria continua no es posible enlistar todos los posibles valores de la
variable, por lo tanto, las probabilidades se determinan a travs de una funcin matemtica y
se grafican mediante una funcin de densidad de probabilidad o curva de probabilidad. Entre
las ms usadas tenemos la distribucin normal, la T de Student y la Chi-Cuadrado.
Distribucin Normal y Normal estandarizada
Una variable aleatoria continua, X, sigue una distribucin normal de media y desviacin
tpica , y se designa por N(, ), si se cumplen las siguientes condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin matemtica de la
curva de Gauss:
Curva de la distribucin normal
a) Es simtrica respecto a la media . f) El rea del recinto determinado por la

b) Tiene un mximo en la media . funcin y el eje de abscisas es igual a
c) Crece hasta la media y decrece a la unidad.
partir de ella.
d) En los puntos y + presenta
puntos de inflexin. 1
e) El eje de abscisas es una asntota de la
curva.

ESTADSTICA APLICADA
g) 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 0,5 0,5
derecha.
La probabilidad equivale al rea encerrada bajo la curva. En el siguiente grfico, observaremos

las probabilidades generadas por la media aritmtica y la desviacin estndar:
P( - < X + ) = 0,6826 = 68,26 %
P( - 2 < X + 2) = 0,954 = 95,4 %

- 3 - 2 - + + 2 + 3
P( - 3 < X + 3) = 0,997 = 99,7 %
68,26%
95,4%
99,7%
Distribucin normal estndar: N(0, 1)
La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por media el
valor cero, = 0, y por desviacin tpica la unidad, =1.
Su funcin de densidad es:
Tipificacin o estandarizacin de la variable

Para poder utilizar la tabla de la distribucin normal estndar, tenemos que transformar la
variable X que sigue una distribucin N(, ) en otra variable Z que siga una distribucin
N(0, 1), usando:
Para estandarizar:
Para desestandarizar:
X1 X2 X
=0 Z

ESTADSTICA APLICADA
Ejemplos:
1. Los ingresos mensuales de los trabajadores de una empresa, tienen un comportamiento
normal cuya media es S/. 2100 y desviacin estndar S/. 450. Qu porcentaje de
trabajadores tienen ingresos:
a. Menores de S/. 2350 P(X < 2350)

El valor observado en la tabla, corresponde
al rea sombreada con lneas verdes en el
siguiente grfico:
El rea a
0,2123
la
= 2100 izquierda
X = 2350 de es
igual a 0,5
Los datos: 0,5
= 2100 = 450 X = 2350
= 2100 X = 2350 X
Estandarizamos el valor de X, usando:
=0 Z = 0,56 Z

Para calcular la probabilidad o porcentaje
de trabajadores que tienen ingresos
menores de S/2350:
Observamos el valor de probabilidad, en la
tabla de la distribucin normal estndar, P(X < 2350) = 0,5 + 0,2123 = 0,7123
incluida al final del mdulo:
71,23%
Z 0,06
0,5 0,2123 El 71,23% de los trabajadores tienen
ingresos menores de S/ 2350
b. Ms de S/. 2250 P(X > 2250)

al sealado por la flecha:
0,1293
= 2100
X=
= 2100 = 450 2250X = 2250 = 2100
X = 2250
Estandarizamos el valor de X, usando:
0,5 0,5

Para calcular el porcentaje solicitado:
P(X > 2250) = 0,5 - 0,1293 = 0,3707
El valor de probabilidad: 37,07%
Z 0,03 El 37,07% de los trabajadores tienen

ingresos mayores de S/ 2250
0,3 0,1293

ESTADSTICA APLICADA
c. Entre S/ 1480 y S/ 2370 P(1480 < X < 2370)
Los valores observados en la tabla, son los

sealados por las flechas:
0,4162 0,2257
= 2100
X = 1480 X = 2370
1 2
= 2100 X
= 2100 = 450 X1 = 1480 X2 = 2370 X = 1480
1
X = 2370
2
Estandarizamos los valores de X1 y X2,

usando: Z = -1,38 = Z = 0,6 Z
1 2
0


P(1480 < X < 2370) = 0,4162 + 0,2257 =

= 0,6419
El valor de probabilidad:
64,19%
0,08 0,00 El 64,19% de los trabajadores tienen
1,3 0,4162 0,6 0,2257 ingresos entre S/ 1480 y S/ 2370
d. Entre S/ 2400 y S/ 2700 P(2400 < X < 2700)

al sealado por la flecha:
0,4082
0,2486
= 2100
X = 2400
1
X = 2700
2
= 2100 = 450 X1 = 2400 X2 = 2700

= 2100
Estandarizamos los valores de X1 y X2, X = 2400
1 X = 2700
usando: 2
=0
Z = 0,67 Z = 1,33
1 2

P(2400 < X < 2700) = 0,4082 - 0,2486 =
El valor de probabilidad:
= 0,1596
0,07 0,03 15,96%
0,6 0,2486 1,3 0,4082 El 15,96% de los trabajadores tienen

ingresos entre S/ 2400 y S/ 2700

ESTADSTICA APLICADA
e. El 20% inferior de los ingresos mensuales, hasta qu monto llegan?

P(X< ) = 0,20
Desestandarizamos el valor Z encontrado,
usando:
20% 30%
Tenemos en cuenta los valores de la Media

=0
Z=- aritmtica y la desviacin estndar:
Ubicamos dentro de la tabla al rea = 2100 = 450

sealada en el grfico (0,30), aproximando
al valor ms cercano (0,2995). Observamos Reemplazamos:
el valor Z correspondiente, el cual debe ser
negativo, ya que se encuentra ubicado a la
izquierda de = 0:
X = 1722
Z 0,04
El 20% inferior de los ingresos
0,8 0,30 0,2995 mensuales llegan hasta S/ 1722
Z = - 0,84
f. El 15% superior de los ingresos a partir de qu monto se producen?

P(X> ) = 0,15
Z = 1,04
Desestandarizamos el valor Z encontrado,
usando:
35% 15%
Tenemos en cuenta los valores de la Media

=0
aritmtica y la desviacin estndar:
Z=
= 2100 = 450
Ubicamos dentro de la tabla al rea
sealada en el grfico (0,35), aproximando Reemplazamos:
al valor ms cercano (0,3508). Observamos
el valor Z correspondiente, el cual debe ser
positivo, ya que se encuentra ubicado a la
derecha de = 0: X = 2568
Z 0,04 El 15% superior de los ingresos

mensuales se producen a partir de S/ 2568
1,0 0,35 0,3508

ESTADSTICA APLICADA
2. NEUMA Per, es una empresa que produce llantas para automviles en nuestro pas. La
vida til de estas llantas se distribuye aproximadamente como una normal con media y
desviacin estndar iguales a 51500 y 1610 Km respectivamente. Si la empresa fija una
garanta de 48000 Km. Qu porcentaje de esta produccin necesitar ser reemplazada?
3. El tiempo de duracin de los focos de alumbrado elctrico producidos por una

compaa elctrica tiene una distribucin normal con una media de 1000 horas y una
desviacin estndar de 750 horas. Determinar la probabilidad de que:
a. Un foco tomado al azar se queme antes de las 950 horas de funcionamiento
b. Un foco que queme entre 920 y 1120 horas de funcionamiento.

ESTADSTICA APLICADA
c. El 30% superior del tiempo de duracin de los focos a cuntas horas

corresponde?
4. Los pesos de las impresoras Inkjet se distribuyen normalmente con media 1.5 kg. y
desviacin estndar 0.3 kg. Determine:
a. El porcentaje de impresoras que pesan entre 1.4 y 1.65 Kg.
b. Si la produccin es de 5000 impresoras, Cuntas pesan ms de 1.75 Kg?

ESTADSTICA APLICADA
5. La vida til de un componente elctrico tiene una distribucin normal con media 2000 horas
y desviacin estndar 200 horas. A qu cantidad de horas corresponde el 10% superior de
la duracin de los componentes?
6. El tiempo que se requiere para reparar cierto tipo de transmisin automotriz en un taller
mecnico tiene distribucin normal con media 45 min. y desviacin estndar 8 min. El
gerente de servicio planea hacer que se inicie la reparacin de la transmisin de los
automviles de los clientes diez minutos despus de que se recibe el vehculo, y le dice al
cliente que el automvil estar listo en una hora. Cul es la probabilidad de que el gerente
est equivocado?

ESTADSTICA APLICADA
7. Del aeropuerto al centro de la ciudad se puede llegar mediante dos caminos. Si se viaja por
el camino A, el tiempo est distribuido normalmente con media 27 minutos y desviacin
estndar de 5 minutos. Si se viaja por el camino B el tiempo est distribuido normalmente
con media 25 minutos y desviacin estndar de 12 minutos, Por cul camino es preferible ir
al centro de la ciudad si se dispone de 30 minutos?
8. Usted debe decidir acerca de qu sistema se debe utilizar en una gran empresa. El sistema
XX tiene un rendimiento promedio de 110 000 horas con una desviacin estndar de 25000
horas, en cambio, el sistema YY tiene un rendimiento promedio de 120 000 horas con una
desviacin estndar de 40 000 horas. Basndose en criterios netamente probabilsticos Cul
sistema elige, si dicho sistema debe tener un rendimiento mnimo de 125 000 horas, Cul
sera su decisin? Justifique su respuesta.

ESTADSTICA APLICADA
Distribucin T de Student
En los casos en que no se conoce la desviacin estndar de la poblacin () y se utiliza como
estimador la desviacin estndar (S) de una muestra de dicha poblacin, no es posible
estandarizar la variable aleatoria usando:
Donde Z: Tiene una distribucin normal estndar con = 0 y = 1
En este caso debemos utilizar el estadstico:
Donde t: Tiene una distribucin T de Student con = 0 y n 1 grados

de libertad
Donde: S es la desviacin estndar muestral, calculada con n-1 grados de libertad
Para calcular la probabilidad de una variable aleatoria que tiene una distribucin T de Student,
debemos conocer la forma de la distribucin (Unilateral o Bilateral), el nivel de significancia ( )
y los grados de libertad (n 1), donde n es el tamao de la muestra.
Ejemplos:
1. Hallar el valor t de student si se tiene una muestra de 28 elementos, un nivel de
significancia de 5%. Asumir que la distribucin es unilateral derecha.
Observar el grfico en la parte superior de Ubicar el valor en la tabla

Datos
la tabla correspondiente
n = 28
n 1 = 27 = 0,05
n 0,05
= 0,05 n-1 27 1,7033
t = 1,7033
El valor t de student es t = 1.7033
2. Si la muestra es de 25 elementos, la distribucin unilateral izquierda y el nivel de confianza

es 99%, hallar el valor t de student.

Datos
n = 25
n 1 = 24
NC = 99% = 0,01
n 0.01
= 0,01 n-1 24 2,4922
t = - 2,4922
El valor t de student es t = - 2,4922

ESTADSTICA APLICADA
3. La distribucin es bilateral y se cuenta con 16 elementos, siendo el nivel de significancia

10%, hallar los valores t de student.

Datos
n = 16
/2 = 0,05 /2 = 0,05
n 1 = 15
= 0,10 n 0,10
t = - 1,7531 n-1 15 1,7531
/2 = 0.05
Los valores t de student son t = - 1,7531 y t = 1,7531
4. Si el valor t es 2,5176 en una distribucin unilateral derecha y el nivel de significancia 1%,

hallar el tamao de la muestra.

Datos
= 0,01
= 0,01
n 0,01
t = 2,5176
t = 2,5176 n-1 21 2,5176
Los grados de libertad n 1 = 21

n = 21 + 1 n = 22
5. La distribucin es bilateral y se cuenta con 21 elementos, siendo el nivel de confianza 98%,

hallar los valores t de student.

Datos
n = 21
n 1 = 20
/2 = 0,01 /2 = 0,01
NC = 98%
n 0,02
= 0,02
t = - 2,5280 t = 2,5280 n-1 20 2,5280
/2 = 0.01
Los valores t de student son t = - 2,5280 y t = 2,5280

ESTADSTICA APLICADA
Ejercicios:
1. Hallar el valor t de student si se tiene una muestra de 23 elementos, un nivel de

significancia de 2,5%. Asumir que la distribucin es unilateral izquierda.
Datos Grfico Valor en la tabla
2. La distribucin es bilateral con un nivel de significancia de 2% y una muestra de 19

elementos, hallar los valores t de student.
3. Si la muestra es de 30 elementos, la distribucin unilateral izquierda y el nivel de

confianza es 95%, hallar el valor t de student.
4. Si el valor t es 2,0930 en una distribucin bilateral y el nivel de significancia 5%, hallar

el tamao de la muestra.

ESTADSTICA APLICADA
5. La muestra contiene 12 elementos, la distribucin es unilateral y el valor t = 4,0247,

hallar el nivel de significancia.
6. Hallar el nivel de confianza si la muestra est formada por 28 elementos, la distribucin

es unilateral derecha y el valor t =2,0518.
7. El nivel de confianza es 98%, en una distribucin bilateral, siendo uno de los valores t =
-2,4999. Hallar el tamao de la muestra.
8. El nivel de significancia es 2%, la distribucin bilateral y uno de los valores t = 2,4620.

Hallar n.

ESTADSTICA APLICADA
Tabla de valores de la distribucin de probabilidad Normal

Estndar
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0 0,004 0,008 0,012 0,016 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,091 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,148 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,17 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,195 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,219 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,258 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,291 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,334 0,3365 0,3389
1 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,377 0,379 0,381 0,383
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,398 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,437 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,475 0,4756 0,4761 0,4767
2 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,483 0,4834 0,4838 0,4842 0,4846 0,485 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,489
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,492 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,494 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,496 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,497 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,498 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,499 0,499

Distribución de Probabilidad

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribución de Probabilidad

Cargado por

Copyright:

Formatos disponibles

ESTADSTICA APLICADA

Son los experimentos cuyo resultado podemos

Es la accin que realiza el investigador para obtener un

Mg. Carmen Olga Rodrguez Pajares 1

Es el resultado de un experimento aleatorio. Por ejemplo: Al

Es el conjunto de todos los posibles resultados de una

Definicin clsica de probabilidad

Si un experimento aleatorio se puede realizar de TC maneras posibles y mutuamente

b) La suma de las probabilidades para todos los resultados numricos posibles de la

c) La probabilidad del espacio muestral es 1

Mg. Carmen Olga Rodrguez Pajares 2

0 0,25 0,5 0,75 1

Muy poco probable Poco probable Probable Muy Probable

1. Obtener seis al lanzar un dado

Experimento Aleatorio: Lanzar un dado

2. Obtener carta de espadas al extraer una carta de una baraja de 52 cartas

Experimento Aleatorio: Extraer una carta de una baraja

Mg. Carmen Olga Rodrguez Pajares 3

Reglas de Adicin y Multiplicacin

Si A y B son sucesos independientes

P(A B) = P(A) + P(B)

P(A B) = P(A) x P(B)

a) Ninguno viva 20 aos ms. Viva No Viva

b) Solo uno de ellos viva 20 aos ms. H 1/4 3/4 =1

c) Ambos vivan 20 aos ms.

P(M Viva y H Viva) = 1/3 x 1/4 = 1/12

d) Construya la distribucin de probabilidad de la variable aleatoria: Xv.a.: Vivir 20 aos ms

X P(X) Observamos que al sumar las

Mg. Carmen Olga Rodrguez Pajares 4

Si A y B son dos eventos de un espacio muestral , entonces la probabilidad condicional que

Para la frmula planteada, la probabilidad condicional se da cuando la ocurrencia de un evento

Ejemplo: Se dispone de 11 cuentas bancarias, pertenecientes a clientes masculinos y

Si se extrae una cuenta al azar, Cul es la probabilidad que esta.

a) Sea una cuenta clsica?

Mg. Carmen Olga Rodrguez Pajares 5

f) Dado que es otro tipo de cuenta, sea

Ejemplo: Se encuest a un grupo de profesionales que practican algn deporte y se obtuvo la

Si se elige al azar, un profesional encuestado, cul es la probabilidad que:

b) Su edad vare de 36 a 40 aos y practique Bsquet

c) Tenga entre 46 y 50 aos

d) Si practica Ftbol, tenga entre 31 y 35 aos

Mg. Carmen Olga Rodrguez Pajares 6

e) Dado que su edad flucta entre 41 y 45 aos, practique natacin

Ejemplo: Se evalu a un grupo de estudiantes de nivel primario, aplicndoles un test de

Nivel Nivel Logro Acadmico

Si se elige al azar, un estudiante, cul es la probabilidad que:

a) Tenga un Bajo nivel de Autoestima

b) Su logro acadmico se encuentre En Inicio y tenga Autoestima Media

c) Dado que su nivel de Autoestima es Alta, su logro acadmico se encuentre Alcanzado

d) Si su nivel de logro acadmico est En Proceso, su nivel de Autoestima sea Baja

e) Haya Alcanzado el Logro Acadmico

Mg. Carmen Olga Rodrguez Pajares 7

C. TEOREMA DE PROBABILIDAD TOTAL:

Varones 0,63 + 0,06 = 0,69

Mg. Carmen Olga Rodrguez Pajares 8

Mg. Carmen Olga Rodrguez Pajares 9

La frmula general del Teorema de Bayes es:

SC: Construir nueva instalacin

SP: Si tiene planes de fabricar

NC: No construir nueva instalacin

0,70 SC: Construir nueva instalacin

NP: No tiene planes de fabricar

NC: No construir nueva instalacin

Mg. Carmen Olga Rodrguez Pajares 10