TÉCNICAS DE CONTEO

1. FACTORIAL (n!)
Producto ordenado de los números enteros positivos, desde el que indica el signo
factorial, hasta llegar a 1.
Ejemplo:
* Tres factorial 3! = (3) (2) (1) = 6
* n factorial n! = (n) (n-1) ...(3) (2) (1) = (n-1)!n
Por definición 0! = 1
1! = 1
2. PERMUTACIONES (INTERESA EL ORDEN)
Objetos a y b, no es igual que a sea primero y b segundo, esto es (ab) ≠ (ba), hay dos
permutaciones
Son todas las ordenaciones diferentes utilizando todos los elementos a la vez.
Ejemplo
Tres elementos 1, 2, 3
muestras de dos sin repetición son: (1,2). (1,3), (2,3), (2,1), (3,1), (3,2)
con repetición sería: (1,2). (1,3), (2,3), (2,1), (3,1), (3,2), (1,1), (2,2), (3,3)
 TÉCNICAS DE CONTEO
2. PERMUTACIONES (INTERESA EL ORDEN)
Permutaciones con repetición: nPk = nk
n!
Permutaciones sin repetición: nPk = (n k)!

Considere el siguiente ejemplo de ingeniería de transporte:

Se desea conducir un vehículo, en secuencia, desde un punto inicial a

cada una de las cinco ciudades, y desea comparar las distancias y las
velocidades medias de las diferentes rutas. Cuántas rutas diferentes
sería necesario comparar?

C1 , C2 , C3 , C4 ,C 5
 TÉCNICAS DE CONTEO

3. COMBINACIONES (NO INTERESA EL ORDEN)

n
Combinaciones sin repetición n!
n Cr
k
k! (n - k)!

Combinaciones con repetición (n k -1)!

n(C R )k
(n -1)!k!
Ejemplo: De un equipo multidisciplinario, formado por un economista, un
ingeniero, un psicólogo ¿Cuántos comités de dos profesionales pueden
formarse?
3! 3x2x1 6 Primer comité : Economista, Ingeniero
C23 C3 3 Segundo comité : Ingeniero, psicólogo
2!(3 2)! (2x1)(1)! 2 Tercer comité : Economista, psicólogo
Ejemplo
Para la comida un paciente de un hospital puede elegir una de cuatro carnes,
dos de cinco vegetales, y uno de tres postres. ¿Cuántas comidas diferentes
puede elegir el paciente, si selecciona el número especificado de cada
grupo?

Solución
¿Son combinaciones o permutaciones?; son combinaciones, por que si se
toman las muestras (carne, vegetal, postre) son iguales, esto es no importa
el orden y es sin repetición.

Entonces por el principio de la multiplicación, tenemos: A x B x C =

4 x 10 x 3 = 120 formas de combinar su comida.
Ejemplo

Para la comida un paciente de un hospital puede elegir una de cuatro carnes,

dos de cinco vegetales, y uno de tres postres. ¿Cuántas comidas
diferentes puede elegir el paciente, si selecciona el número especificado
de cada grupo?

Solución
¿Son combinaciones o permutaciones?; son combinaciones, por que si se
toman las muestras (carne, vegetal, postre) son iguales, esto es no
importa el orden y es sin repetición.

Entonces por el principio de la multiplicación, tenemos: A x B x C

= 4 x 10 x 3 = 120 formas de combinar su comida.
PROBLEMAS DE APLICACIÓN:

1. La cerradura de la bóveda de un banco consiste en tres discos, cada uno con

30 posiciones, para que la bóveda se abra cuando está cerrada, cada uno
de los tres discos debe de estar en la posición correcta.
a) ¿Cuántas “combinaciones de discos” diferentes posibles existen para esta
cerradura?
b) ¿Cuál es la probabilidad de que usted si seleccionó aleatoriamente una
posición en cada disco, sea capaz de abrir la bóveda del banco?
2. Un jardinero tiene seis filas disponibles en su jardín para plantar tomates,
berenjenas, pimientos, pepinos, frijoles y lechugas. Cada verdura dispondrá
únicamente de una fila. ¿Cuántas formas hay de situar estas verduras en su
jardín?

3. Un estudiante tiene 7 libros que desearía acomodar en un portafolios. Sin

embargo, sólo 4 libros quepan en el portafolio. Sin importar el arreglo,
¿cuántas formas hay de colocar cuatro libros en su portafolio?
 DEFINICIONES BÁSICAS DE PROBABILIDAD

DETERMINÍSTICO *Suma de dos números

EXPERIMENTO
Proceso que puede
repetirse y obtener un
resultado, llamado
espacio muestral:
Bajo las mismas
condiciones los
resultados son los
mismos cuantas veces
se repita.
ALEATORIO
Los resultados no se
pueden predecir a pesar
de repetir bajo las
mismas condiciones
naturales.
*Lanzar una piedra desde
una determinada altura.
* Lanzar un dado
* Concebir un hijo
* Lanzar una moneda

EVENTO
Puntos muestrales

A = Sexo de un niño al ser concebido = {H, M} n( ) = 2

B = Observar el número de caras que aparece al lanzar 3 monedas
= {sss, ccc, csc, ccs, ssc, css, scc, scs} n( ) = 8
 Experimento
Es la observación de un fenómeno.
Ejemplo:
a.Lanzamiento de un dado correcto
sobre una superficie plana.
b.Evaluación del estado de salud de
una persona.
c. Calentar el agua a 100 ºC.
d. Soltar un objeto.
 Tipos de experimento:
Experimento determinístico: En este
caso la observación del fenómeno nos
conduce a un solo resultado. Ejemplos:
• En el experimento (c) el único resultado es
el vapor.
• En el experimento (d) el único resultado
que se obtiene es que el objeto se cae.
 Tipos de experimentos:
• EXPERIMENTO ALEATORIO:
Es aquel fenómeno que bajo las mismas
condiciones experimentales se obtienen dos o
más posibles resultados diferentes

Ejemplos:
1: Evaluar el estado de salud de una persona
elegida al azar de una población: s (sano) ó e
(enfermo)
2: Evaluar el estado de salud de tres personas
elegidas al azar de una población:(sss) ó (sse) ó
(ses) ó (ess) ó (see) ó (ese) ó (ees) ó (eee)
 ESPACIO MUESTRAL ASOCIADO A UN
EXP. ALEATORIO:

• ES EL CONJUNTO DE TODOS LOS

POSIBLES RESULTADOS DE UN
EXPERIMENTO ALEATORIO

Ejemplos:

1= {s , e}

2= {(sss), (sse), (ses), (ess), (see), (ese),

(ees), (eee)}
 EVENTO ó SUCESO : denotado por: A, B,..

ES UN SUBCONJUNTO DEL ESPACIO MUESTRAL

Ejemplo.- : Evaluar el estado de salud de tres
personas elegidas al azar de una población. Un
espacio muestral asociado a este experimento es:
: {(sss), (sse), (ses), (ess), (see), (ese), (ees), (eee)}
Definamos los siguientes eventos:
• A: Que una persona resulte enferma
A={(sse),(ses),(ess)}; n(A)= 3
• B: Que al menos dos personas resulten enfermas
B={(see),(ese),(ees),(eee) ; n(B)= 4
• C: Que la segunda persona resulte enferma
C={ (ses); (see); (ees); (eee)}; n(C)= 4
 … … … … ….
• D: Que al menos 4 personas resulten enfermas
D={ } = ; n(D) = 0 (EVENTO IMPOSIBLE)

B: Ocurra a lo más un enfermo (COMPLEMENTO DEL

EVENTO B)
B={(e,s,s),(s,e,s),(s,s,e),(s,s,s) ; n(B) = 4

• E: A lo más 3 personas resulten enfermas

E={(sss);(sse);(ses);(ess);(see);(ese);ees);eee)}=
n(E) = n( ) = 8 (EVENTO SEGURO)

• F: Que las 3 personas resulten sanas)

F={(s,s,s)}; n(F)=1 (EVENTO ELEMENTAL
 PROBABILIDAD DE UN EVENTO

n(A) Nº de resultados favorables

P( A) B = Obtener 2 caras n(B) 3
P(B)
n(Ω) Nº de resultados posibles n(B) = 3 Y n( ) = 8 n(Ω) 8

AXIOMAS DE PROBABILIDAD
1. P(A) 0
2. 0 < P(A) < 1
3. P( ) = 1
4. Si A y B son mutuamente excluyentes
A B
P(A U B) = P(A)+P(B)
En general:
P(A1 U A2 U.... U An) = P(A1)+P(A2)+....+P(An)
5. Probabilidad de la Adición de Eventos
a) Si A y B no son mutuamente excluyentes A B
P(A U B) = P(A)+P(B) - P(A ∩ B)
 PROBABILIDAD DE UN EVENTO

AXIOMAS DE PROBABILIDAD B
A
C
b) Si A, B y C no son mutuamente excluyentes

P(A U B U C) = P(A)+P(B)+P(C) - P(A ∩ B) - P(B ∩ C) - P(A ∩ C) + P(A ∩ B∩ C)

NOTA.- AC
A
P(A U AC) = P(A) U P(AC) = 1

Ejemplo: Un 15% de los pacientes atendidos en un hospital son hipertensos, un

10% son obesos y un 3% son hipertensos y obesos. ¿Qué probabilidad hay de
que elegido un paciente al azar sea obeso o hipertenso?
A = {obeso} B = {hipertenso}
A ∩ B = {hipertenso y obeso}
A U B = {obeso o hipertenso}
P(A) = 0,10; P(B) = 0,15; P(A ∩ B) = 0,03
P(A U B) = 0,10 + 0,15 - 0,03 = 0,22
 PROBABILIDAD DE UN EVENTO

Hallar la probabilidad de sacar una suma de 8 puntos al lanzar un

dado.
El espacio muestral es:
 Tablas de contingencia y diagramas de Venn

Existen varias formas en que puede observarse un espacio muestral particular. El

primer método implica asignar los eventos apropiados a una tabla de
clasificaciones cruzadas (tabla de contingencia).

Ejemplo: 400 empleados son objeto de estudio a través de una encuesta para
medir la satisfacción. Dentro del análisis se determina la siguiente tabla de
contingencia.
Tabla 1

Podemos ver que la tabla de contingencia proporciona una clara presentación del
número de resultados posibles de las variables relevantes.
¿Porcentaje de empleados satisfechos con su trabajo?
¿Porcentaje de trabajadores que sienten que no progresan en su organización
pero aun así están satisfechos?
La segunda forma de presentar el espacio muestral es usando un Diagrama de
Venn. Este diagrama representa gráficamente los diversos eventos como
“uniones” e “intersecciones” de círculos.

Para desarrollar un diagrama de Venn, A y B deben estar definidos. No importa

qué evento se define como A o B, siempre y cuando seamos consistentes en
evaluar los diversos eventos.
• PROBABILIDAD CONDICIONAL P (A/B)
La probabilidad condicional está referida a la posibilidad de que ocurra un
evento (A) dada la condición de que otro evento (B) ya ocurrió. Es decir, en
este caso ya no nos referimos al espacio muestral total, sino al subespacio
conformado por el evento condicional. En este caso el nuevo espacio
muestra es B y la única posibilidad de que ocurra A es que se den ambos.

Ejemplo: Se sabe que el 50% de la población fuma y que el 10% fuma y es

hipertensa. ¿Cuál es la probabilidad de que un fumador sea hipertenso?
A = {ser hipertenso} B = {ser fumador}
A ∩ B = {ser hipertenso y fumador}
P(A|B) = 0,10/0,50 = 0,20
Ejemplo: La investigación de las quejas de los consumidores referentes a
productos realizada por la Federal Trade Comisión (FTC, Comisión
Federal de comercio de Estados Unidos) Ha generado gran interés por
parte de los fabricantes en la calidad de sus productos. Un fabricante
de procesadores de alimentos realizó un análisis de un gran número
de quejas de los consumidores y determinó que entraban en las seis
categorías que se muestran en la tabla 2. si se recibe una queja de un
consumidor, ¿Qué probabilidad hay de que la causa de la queja sea el
aspecto del producto, dado que la queja se origino durante el periodo
de garantía?
Tabla 2: Distribución de quejas por producto
 Solución :
Sea A el evento de que la causa de una queja en particular fue el aspecto del
producto, y con B el evento de que la queja se presentó durante el periodo de
garantía. Observando la tabla veremos que el (18 + 13 + 32)% = 0.63 % de las
quejas se presentaron durante la vigencia de la garantía; por tanto; por tanto,
P(B) = 0.63. El porcentaje de quejas debidas a la apariencia que ocurrieron
durante el periodo de garantía (el evento A ∩ B) es el 32%, por tanto, P (A ∩ B)
= 0.32.
Con base en estos valores de probabilidad, podemos calcular la probabilidad
condicional P(A/B) de que la cusa de una queja sea la causa aspecto, dado que
la queja ocurrió durante el periodo de garantía:

Así podemos ver que un poco más de la mitad de las quejas que
ocurrieron durante el periodo de garantía se debieron a rayones,
abolladuras u otras imperfecciones en la superficie de los procesadores
de alimentos.
Ejemplo:
***************************************************************
SEXO OCUPACION
Desempleados Empleados TOTAL
D D’
***************************************************************
Hombres H 40 460 500
Mujeres H’ 260 140 400
****************************************************************
TOTAL 300 600 900
*****************************************************************
Se elige un adulto al azar, cuál es la probabilidad de que:
a. Esté desempleado
b. Esté desempleado dado que es mujer
c. Esté desempleado dado que es varón
SOLUCION:
n(D H’) 260
a. P (D/M) = ---------------- = ------------ = 0.65
n(H’) 400
Interpretación:
Al elegir un adulto al azar, la probabilidad de que este desempleado dado
que es mujer es de 0.65.
 EJEMPLO: Se dispone de 110 historias clínicas,
pertenecientes a pacientes masculinos y femeninos
agrupados por su nivel de hemoglobina.

Sexo M F
Estado (Masculino) (Femenino) Total
A (Anémico) 50 30 80
N
(Normal) 10 20 30
Total 60 50 110

Dado que la historia clínica corresponde a un paciente

anémico, ¿cuál es la probabilidad que sea mujer?
SOLUCION
n(F A) 30
P(F/A) = ----------- = ------ = 0.375
n(A) 80
 VARIABLE ALEATORIA
Es una variable cuyo valor es un número determinado por el resultado de un
experimento aleatorio, se denota por letras mayúsculas: X, Y, Z... y sus valores
individuales por su correspondiente letra minúscula, si X (es una variable
aleatoria) v.a., entonces sus valores son: X1,X2,..., Xn
Si a cada valor de la variable aleatoria le asociamos su probabilidad obtenemos
la distribución de probabilidad de dicha variable.
Ejemplo: Sea un experimento el lanzamiento de una moneda 2 veces y anotemos
los resultados obtenidos en la cara superior.
Podemos definir la variable aleatoria Y como el número de caras obtenido en los
2 lanzamientos. Así, los valores que toma la variable pueden ser 0, 1, 2
dependiendo de los resultados del experimento.

ESPACIO MUESTRAL VARIABLE ALEATORIA

CC 2
CS 1
SC 1
SS 0
 DISTRIBUCIONES DE PROBABILIDAD
Luego la distribución de probabilidad de esta variable será:
VARIABLE PROBABILIDAD
ALEATORIA Y P(Y)
0 1/4
1 2/4
2 1/4
TOTAL 1

Variable aleatoria discreta: Distribución Binomial

Distribución Poissón
Distribución Hipergeométrica
Variable aleatoria continua: Distribución Normal
Distribución T- Student
Distribución chi- cuadrado
Distribución F- Snedecor
 DISTRIBUCIÓN BINOMIAL
Esta distribución considera variables que se obtienen a partir de la repetición de
un experimento simple, conocido como experimento Bernoulli. Este experimento
tiene únicamente dos resultados posibles llamados “éxito” o “fracaso”.
La distribución binomial, asigna probabilidades a la variable aleatoria definida
como el número de éxitos obtenidos en el total de repeticiones del experimento.

La función que asigna dichas probabilidades es:

n x n-x
P(X X) f(X) Cx P q término individual
n n x n-x
P(X X) C x P q término acumulativ o
x

Donde p es la probabilidad de éxito, q la diferencia de p

n = número de ensayos
x = resultados que se desea obtener o éxitos
p (X = x) = probabilidad de obtener x éxitos
 DISTRIBUCIÓN BINOMIAL
Los supuestos de la distribución binomial son:
1. La variable, en cada repetición, sólo toma dos valores
2. Las repeticiones son independientes
3. La probabilidad de éxito es constante
4. Todas las repeticiones son idénticas

Si un experimento cumple con estas cuatro condiciones, podemos utilizar la

Distribución Binomial para asignar probabilidades a sus resultados.

Ejemplo.- Estos experimentos aleatorios Son:

*Lanzamiento de una moneda al aire : Cara o sello
*Nacimiento de un ser humano con respecto al sexo: Hombre o Mujer
*Estado de salud de una persona: Sano o enfermo
*Situación ocupacional de una persona: Ocupado o desocupado
Debe cumplir que p + q = 1 ( por definición de probabilidad)
 DISTRIBUCIÓN BINOMIAL
Uso de la tabla Binomial:
Muchas veces la aplicación de la fórmula binomial resulta sumamente larga y
tediosa, sobre todo cuando n es muy grande, entonces es muy práctico
utilizar la tabla estadística de la distribución Binomial.
Ejemplo
Generalmente el 40 % de los alumnos desaprueban un examen de
estadística. ¿Cuál es la probabilidad de que en un grupo de 20,
desaprueben:
a) Exactamente 10 alumnos
b) 5 o más alumnos
c) Más de 10 alumnos
d) Menos de 10 alumnos
e) 10 o menos alumnos
f) Entre 6 y 10 alumnos.
 DISTRIBUCIÓN BINOMIAL
Solución:
a) Exactamente 10 alumnos desaprueben: x = 10, n = 20
Tablas estadísticas de Pedro Díaz, Pág.19 localizamos:

n x .01 .02 ............ .40 .45 .50 x

. 10 0+ 0+ ……… 098 145 176 10

. . . . .
. . . . .
. . . . .

20 10 ……………… 117 159 176 10

P(x = 10) = 0.117 = 11.7% de que desaprueben exactamente 10 alumnos.

 DISTRIBUCIÓN BINOMIAL
Solución
a) 5 o más alumnos desaprueben (términos acumulativos)
En la pág 26 de la tabla estadística localizamos n = 20, x = 5, p = .40
P(X 0.949, la probabilidad de que desaprueben 5 o más alumnos es de 94.9%
b) Más de 10 alumnos. P(x > 10) = P (x 11) = 0.128 = 12.8%
c) Menos de 10 alumnos: P (x < 10) = 1 – P (x 10) = 1 – 0.245 = 0.775 = 77.5%
d) 10 o menos alumnos: P (x 10) = 1 – P (x 11) = 1 – 0.128 = 0.872 = 87.2%
e) Entre 6 y 10 alumnos. P( 6 x 10) = P(x 6) – P(x 11) = 0.874 – 0.128 = 0.746
La probabilidad de que desaprueben entre 6 y 10 alumnos es de 74.6%
Propiedades de la distribución Binomial
La media aritmética, la desviación estándar y la varianza en una
distribución binomial, se obtiene a través de:
MEDIA: = n x p
DESVIACIÓN ESTÁNDAR: σ n.p.q
VARIANZA: σ2 = n.p.q
 DISTRIBUCIÓN POISSON

Otra distribución a considerar debido, a su importancia, es la distribución de

Poisson. Proporciona un modelo para la frecuencia relativa de eventos que
ocurren en una unidad de tiempo, área, volumen, etc.
Ejemplo. El número de trabajos nuevos presentados a una computadora en un
minuto dado.
Al igual que la distribución binomial, esta distribución considera la repetición de
un experimento simple. La diferencia, en este caso, es que el número de
repeticiones es muy grande y la probabilidad de éxito es muy pequeña.
La función que asigna dichas probabilidades es:
e λλx
P( X x)
x!
Donde x = 0, 1, 2, … y > 0 es una constante.
e = 2.718 , constante
= número promedio de ocurrencias en un tiempo t, área o volumen
 DISTRIBUCIÓN POISSON
PROPIEDADES DE LA DISTRIBUCIÓN DE POISSON

1. El número promedio de ocurrencias de eventos en una unidad de medida

(intervalo de tiempo, una región específica, volumen, etc.) es conocido e igual
a
2. La ocurrencia de los eventos continuos son independientes.
3. La media aritmética, la desviación estándar y la varianza en una distribución
de Poisson, se obtiene a través de:
MEDIA : =
DESVIACIÓN ESTÁNDAR :
VARIANZA : 2 =
4. Si n es bastante grande : = n.p
 DISTRIBUCIÓN POISSON

Ejemplo 1:
Supóngase que el 2 % de la población en promedio sean zurdos. Hallar la
probabilidad que en 100 personas haya:
a) 3 o más zurdos.
P = 2 % = 0.02, n = 100 = (0.02)(100) = 2
P (x 3) = 1 - P ( x 2 ) = 1 - 0.677 = 0.323 = 32.3 %
b) exactamente 3 zurdos
c) 3 o menos zurdos

Ejemplo 2:
Suponga que el manuscrito de un texto de ingeniería tiene un total de 50 errores en
las 500 páginas del material. Los errores están distribuidos aleatoriamente a lo largo
del texto. Cuál es la probabilidad de que:
Una página seleccionada aleatoriamente no tenga errores.
Solución
Probabilidad de cometer error 50 / 500 = 0.1
a) = np reemplazando = (1)(0.1) = 0.1
P ( x = 0 ) = = 0.984 = 98.4% e 0.1 0.10
P(X 0) 0.984 98.4%
0!
 DISTRIBUCIÓN POISSON
APROXIMACIÓN DE LA DISTRIBUCIÓN DE POISSON A LA BINOMIAL

Cuando n es relativamente grande y p pequeña, la probabilidades binomiales y

poisson se relacionan.
Donde los términos binomiales individuales se reemplazan por los
correspondientes valores de Poisson con λ = np
REGLA PRÁCTICA
i) Si n 20 ; p 0.05
ii) Si n 100, la aproximación es generalmente excelente a condición de que
np 10
 DISTRIBUCIÓN HIPERGEOMÉTRICA
El experimento consiste en extraer al azar y sin sustitución n elementos de un
conjunto de N elementos, r de los cuales son S (éxitos) y (N – r) de los cuales F
(fracasos).
El tamaño de la muestra n es grande en comparación con el número N de
elementos de la población , es decir , n/N > .05
La variable aleatoria hipergeométrica y es el número de resultados S en la
muestra de n elementos.
r N r
La distribución de probabilidad es: P( y) y n y
, y Máximo 0,n (N r) ,...,
N
Donde: n

N = Nº total de elementos
r = Nº de resultados de S en los N elementos
n = Nº de elementos extraídos
Y = Nº de resultados S en los n elementos
 PROPIEDADES DE LA DISTRIBUCIÓN HIPERGEOMÉTRICA

• La media y la varianza de una variable aleatoria

hipergeométrica son, respectivamente,

nr 2 r(N r)n(N n)
;
N N 2 (N 1)
Ejemplo:
Se realiza un experimento para seleccionar un catalizador
apropiado para la producción comercial de etilendiamina
(EDA), un producto que se utiliza en jabones. Suponga que un
ingeniero químico selecciona al azar tres catalizadores para
probarlos dentro de un grupo de 10 catalizadores, seis de los
cuales tienen baja acidez y cuatro de los cuales son muy
ácidos.
a.Calcule la probabilidad de que no se escogerá un catalizador
muy ácido.
b. Calcule la probabilidad de que se escoja exactamente un
catalizador muy ácido.
Solución: N = 10, n = 3, r = 4, entonces:
4 10 4
0 3 0 1
P (0 ) 0 .1 6 7
10 6
3
 DISTRIBUCIÓN NORMAL

Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio

nombre indica su extendida utilización, justificada por la frecuencia o normalidad con la que
ciertos fenómenos tienden a parecerse en su comportamiento a esta distribución.

La importancia de la distribución normal se debe principalmente a que hay muchas

variables asociadas a fenómenos naturales que siguen el modelo de la normal:

•Caracteres morfológicos: de individuos (personas, animales, plantas,...) de una especie,

.ejm. tallas, pesos, envergaduras, diámetros, perímetros,...
•Caracteres fisiológicos: efecto de una misma dosis de un fármaco, o de una misma
cantidad de abono.
•Caracteres sociológicos: consumo de cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
•Caracteres psicológicos: por ejemplo: cociente intelectual, grado de adaptación a un
medio,...
•Valores estadísticos muestrales: la media.
•Otras distribuciones como la binomial o la de Poisson son aproximaciones normales, ...
 DISTRIBUCIÓN NORMAL
FUNCIÓN DE DENSIDAD

(x )2
media 3.1416
1 2
Desv.típica
f (x) e 2 e 2.7182
2 2 x a b s cis a
var ianza

Parámetros

N( , ): para cada valor de y tendremos una función de densidad distinta, por lo tanto
la expresión N ( , 2) representa una familia de distribuciones normales.
 DISTRIBUCIÓN NORMAL
FUNCIÓN DE DISTRIBUCIÓN

• Puede tomar cualquier valor (- , + )

• Son más probables los valores cercanos a uno central que llamamos media
• La distribución es simétrica.
• Conforme nos separamos de ese valor , la probabilidad va decreciendo de
forma más o menos rápida dependiendo de un parámetro , que es la
desviación típica.

x (x )2
1 2 2
F (X ) P(X x) e d x, x
2
 DISTRIBUCIÓN NORMAL
TIPIFICACIÓN O ESTANDARIZACIÓN

Característica de la distribución normal tipificada (reducida,

estándar)
•No depende de ningún parámetro
•Su media es 0, su varianza es 1 y su desviación típica es 1.
•La curva f(x) es simétrica respecto del eje X
 DISTRIBUCIÓN NORMAL
MANEJO DE TABLAS. CASOS MÁS FRECUENTES

Por ejemplo:
P(Z 2.75) = 0.99702

Por ejemplo:
P(Z > 1.40) = 1- P(Z 1.40)
= 1 – 0.91924 = 0.08076
Otra forma de cálculo:
P(Z > 1.40) = P (Z - 1.40)
= 0.08076
 DISTRIBUCIÓN NORMAL

Ejemplo de aplicación

Suponga que un consultor estaba investigando el tiempo que emplearon los obreros de
una planta automotriz en montar una parte específica después de su entrenamiento
para realizar la tarea usando un enfoque de aprendizaje individual.
El consultor determinó que el tiempo en segundos invertido por los obreros entrenados
con este método para montar la parte se distribuirá normalmente con una media de
75 segundos y una desviación estándar de 6 segundos. Cuál es la probabilidad de
que un obrero fabril seleccionado aleatoriamente pueda montar la parte en:
a. menos de 62 segundos
b. En menos de 75 segundos o en más de 81 segundos
c. Entre 75 y 81 segundos
d. En más de 81 segundos
e. ¿Cuántos segundos debe transcurrir antes de que el 50% de los obreros
monten la parte?
f. Cuál es el alcance del primer cuartil (en segundos) para que los obreros
monten la parte.
 DISTRIBUCIÓN NORMAL
Aproximación a la normal de la ley binomial

Se puede demostrar (teorema central del límite) que una v.a. discreta con
distribución binomial, se puede aproximar mediante una distribución normal
si n es suficientemente grande y p no está ni muy próximo a 0 ni a 1. Como el
valor esperado y la varianza de X son respectivamente np y npq, El convenio
que se suele utilizar para poder realizar esta aproximación es:

Ejemplo
Durante cierta epidemia de gripe, enferma el 30% de la población. En un
aula con 200 estudiantes de Ingeniería, (a) ¿cuál es la probabilidad de que
al menos 40 padezcan la enfermedad? (b) calcular la probabilidad de que
haya 60 estudiantes con gripe.
 DISTRIBUCIÓN NORMAL

a) La v.a. que contabiliza el número de alumnos que padece la gripe es

Realizar los cálculos con la ley binomial es muy engorroso, ya que intervienen
números combinatorios de gran tamaño, y potencias muy elevadas. Por ello
utilizamos la aproximación normal de X, teniendo en cuenta que se verifican las
condiciones necesarias para que el error sea aceptable
Así aproximando la v.a. discreta binomial X, mediante la v.a. continua normal
XN tenemos:
 DISTRIBUCIÓN NORMAL

b) También es necesario calcular P(X = 60). Esta probabilidad se calcula

exactamente como:

Para calcular la probabilidad buscada. Por ejemplo, podemos aproximar P (X

= 60 ) por el valor de la función de densidad de XN en ese punto, la
posibilidad es considerar un intervalo de longitud 1centrado en el valor 60
del que deseamos hallar su probabilidad y hacer:
LA DISTRIBUCIÓN t