PROBABILIDADES Y DISTRIBUCIONES TEÓRICAS

El Papel de la probabilidad.
El estudio de la probabilidad nos permite una mejor comprensión de la
inferencia estadística.
Sin algún conocimiento de probabilidad no se puede apreciar la verdadera
interpretación del análisis de datos mediante los métodos estadísticos. Los
elementos de probabilidades nos permiten cuantificar la confianza en
nuestras conclusiones.
Con frecuencia la naturaleza del estudio científico señalara el papel que
juegan la probabilidad y el razonamiento deductivo de la inferencia
estadística.

Veamos un ejemplo.
En estudio que se realizó en una relación simbiótica entre las raíces de los
árboles y un hongo en la que se transfiere minerales del hongo a los árboles
y azucares de los árboles a los hongos, se plantaron 20 árboles de roble rojo
con el hongo Pisolithus tinctorus. Todos se plantaron en el mismo tipo de
suelo y recibieron la misma cantidad de luz solar y agua. La mitad no recibe
nitrógeno en el momento de plantarlas y la otra mitad recibe 368 ppm de
nitrógeno en forma de NaNO3. Los pesos de los tallos, que se registran en
gramos, al final de 140 días son los siguientes.

Sin Nitrógeno Con Nitrógeno

0.32 0.47 0.26 0.52
0.53 0.43 0.43 0.75
0.28 0.36 0.47 0.79
0.37 0.42 0.49 0.86
0.38 0.62
0.43 0.46

El propósito de este experimento es determinar si el uso del nitrógeno tiene

influencia en el crecimiento de los tallos.
La apariencia general de los datos puede sugerirnos que en promedio el uso
del nitrógeno aumenta el peso del tallo.
Cuatro observaciones con N son considerablemente más grandes que
cualquiera de las observaciones sin N. La mayor parte de las observaciones
sin N parece estar por debajo del centro de los datos. La apariencia del
conjunto de datos parecería indicar que el N es efectivo.
Pero ¿Cómo se puede cuantificar esto?
¿Cómo se puede resumir toda la evidencia visual aparente en un
significado?
En este caso se puede utilizar los fundamentos de la teoría de la
probabilidad. Las conclusiones se pueden resumir en una declaración de la
probabilidad o valor P. El problema gira alrededor de la probabilidad de que
datos como estos se puedan observar dado que el N no tiene efecto, en
otras palabras, dado que ambas muestras se generaron a partir de la misma
población. Suponga que esta probabilidad es pequeña 0.03, esta seria con
certeza suficiente evidencia de que el uso del N en realidad influye (aparente
mente aumenta) el peso promedio del tallo.
Como vimos los elementos de probabilidad proporcionan un resumen que el
científico o el ingeniero puede usar como evidencia sobre la cual tomar una
decisión.

Probabilidad.
Espacio muestral:
El estadístico a menudo trata con datos experimentales, conteos o
mediciones representativos o quizás datos categóricos que se pueden
clasificar de acuerdo con algún criterio. Cualquier registro de información ya
sea de un tipo u otro es una observación.
En general se utiliza la palabra experimento para describir cualquier proceso
que genere un conjunto de datos. Estamos interesados en las observaciones
que se obtienen por la repetición de un experimento varias veces. En la
mayor parte de los casos los resultados dependerán del azar y por tanto no
se pueden predecir con certeza.
El conjunto de todos los resultados posibles de un experimento estadístico se
llama espacio muestral y se representa por el símbolo S.
Cada resultado del espacio muestral se llama elemento, miembro o
simplemente punto muestral.
Si el espacio muestral es finito podemos listar los puntos separados por
coma y encerrarlos en paréntesis.
Ej: Cuando pare una vaca.
S= {H, M} donde H corresponde a hembra y M a macho.
En algunos experimentos es útil listar los elementos del espacio muestral de
forma sistemática mediante un diagrama de árbol.
Ejemplo: Supongamos que sembramos 3 macetas con una semilla, cada
maceta se revisa y se observa si germina o no. Para listar los elementos del
espacio muestral construimos el diagrama del árbol. Las diversas
trayectorias a lo largo de las ramas del árbol dan los distintos puntos
muéstrales. Al comenzar la primera trayectoria obtenemos el punto muestral
GGG que indica la posibilidad de que las 3 macetas revisadas hayan
germinado. Si observamos las demás trayectorias el espacio muestral es:
S= {GGG, GGN, GNG, GNN, NGG, NGN, NNG, NNN}
 Primera 2 da 3 ra
Pto
Maceta Maceta Maceta
Muetral

Diagrama de árbol.

Los espacios muestrales con un numero grande o infinito de puntos

muéstrales se describen mejor mediante un enunciado o regla. Por ejemplo,
si los resultados de un experimento por todas las plantas de caña en un área
de:7m x 4m
S= {x | x es una plantación con mas de 300 plantas}

Describir el espacio muestral mediante el método de la regla o listando los

elementos dependerá del problema específico. El método del enunciado
tiene ventajas prácticas, para los experimentos donde el listado se vuelve
tedioso.

Eventos:
En el ejemplo de la germinación pudiéramos interesarnos en el evento de
que el número de plantas germinadas sea mayor que 1. Esto ocurrirá si el
resultado es un elemento del subconjunto.

A= {GGN, GNG, NGG, GGG} del espacio muestral S.

Para cada evento asignamos una colección de puntos muestrales que
constituye un subconjunto del espacio muestral.

Definición: Un evento es un subconjunto de espacio muestral.

Definición: El complemento de un evento A con respecto a S es el

subconjunto de todos los elementos de S que no están en A. Denotamos el
complemento de A mediante el símbolo A´.
El complemento del ejemplo anterior.
A´= {GNN, NGN, NNG, NNN}

Consideremos ciertas operaciones con eventos que tendrán como resultado

la formación de menos eventos. Estos eventos nuevos serán subconjuntos
del mismo espacio muestral como los eventos dados. Suponga que en el
lanzamiento de un dado A es el evento de que ocurra un número par y B el
evento de que aparezca un número mayor que 3.
A= {2, 4, 6} B= {4, 5, 6} son subconjunto del mismo espacio muestral.
S= {1, 2, 3, 4, 5, 6}.

Nótese que A y B ocurrirán ambos en el lanzamiento de un dado si el

resultado es un elemento del subconjunto {4, 6} que es precisamente la
intersección de A y B.
Definición:
La intersección de 2 eventos A y B denotada mediante el símbolo A  B es
el elemento que contiene a todos los que son comunes a A y a B.

Definición:
Dos eventos A y B son mutuamente excluyentes o disjuntos si AB =Ø; es
decir, si A y B no tiene elementos en común.

Definición:
La unión de dos eventos A y B, que se denota mediante el símbolo A  B, es
el evento que contiene todos los elementos que pertenecen a A o a B o a
ambos.

Si M= {X / 3 < X < 9} y N {y / 5 < y < 12} entonces MN= {Z / 3 < Z < 12}.

La relación entre eventos y el correspondiente espacio muestral se puede

ilustrar de forma grafica mediante diagramas de Venn. En un diagrama de
Venn representamos el espacio muestral como un rectángulo y los eventos
trazados dentro del rectángulo con circulo.

S
B
A
7 6
2
1
4 3
Eventos representados por varias regiones:
A  B = regiones 1 y 2 5
B  C = regiones 1 y 3 C
A  C = regiones 1, 2, 3, 4, 5, 7
B´  A = regiones 4 y 7
A  B C = regiones 1
(A  B)  C1 = regiones 2, 6 y 7

Conteo de puntos de la muestra.

Uno de los problemas que el estadístico debe considerar e intentar evaluar
es el elemento de posibilidad asociado con la ocurrencia de ciertos eventos
cuando se lleva a cabo un experimento. Estos problemas pertenecen al
campo de la probabilidad. En muchos casos debemos ser capaces de
resolver un problema de probabilidad mediante el conteo del número de
puntos en el espacio muestral sin listar realmente cada elemento. El principio
fundamental del conteo a menudo denominado regla de multiplicación se
establece como sigue.

Teorema:
Si una operación se puede llevar a cabo de n 1, formas, y para cada una de
estas se puede realizar una segunda operación de n 2 formas, entonces las 2
operaciones se pueden ejecutar juntas de n 1 n2 formas.
Ejemplo: ¿Cuantos puntos muestrales hay en el espacio muestral cuando se
lanza un par de dados?
El primer dado puede caer en cualquiera de n 1 = 6 maneras.
El segundo dado también puede caer en cualquiera de n 2 = 6 formas.
Por tanto, el par de dados puede caer en.
N1 n2 = (6) (6) = 36 formas posibles.

Un genetista ofrece a una empresa la elección para la compra de vacas

Holstein Cebú, Charolais, Jersey, de uno, dos y 3 partos ¿de cuantas formas
diferentes puede ordenar el comprador estos animales?
Solución:
Como n1 = 4 y n2 = 3 el comprador debe elegir entre
n1 n2 = (3 X 4) = 12 posibilidades.
Esto se puede verificar además del ejemplo anterior mediante la construcción
del diagrama de árbol y el conteo de diversas trayectorias a lo largo de las
ramas.

Razas Números de partos

Un parto
Holstein Dos partos
Tres partos
Uno
Cebú Dos
Tres
Uno
Charolais Dos
Tres
Uno
Jersey Dos
Tres

Teorema:
Si una operación se puede ejecutar en n 1 formas y si para cada una de estas
se puede llevar a cabo una segunda operación de n 2 formas, y para cada una
de las primeras dos se puede realizar una tercera operación en n 3 formas y
así sucesivamente, entonces la serie de k operaciones se puede realzar en
n1 n2…….. nk formas.

Ejemplos: ¿Cuantos números pares de 3 dígitos se pueden formar a partir

de los dígitos 1, 2, 5, 6, 9 si cada dígito se puede usar solo una vez?

Como el numero debe ser par tenemos solo 2 elecciones N 1 = 2 elecciones

para la posición de las unidades.
Para las centenas tenemos N 2 = 4 elecciones y entonces N 3 = 3 elecciones
para las demás.
Por tanto podemos formar:
N1 N2 N3 = (2X4) (3) = 24 números pares de 3 dígitos.

Con frecuencia nos interesamos en un espacio muetral que contiene como

elementos a todas las posibles ordenaciones o arreglos de un grupo de
objetos. Por ejemplo queremos saber cuantas ordenaciones son posibles
para sacar 2 semillas rugosas de un bolso de un total de 20. Los diferentes
arreglos se llamean permutaciones.

Definición.
Una permutación es un arreglo de todo o parte de un conjunto de objetos.

Considere 3 flores: roja, blanca, rosada. Las permutaciones posibles son:

RBD, RDB, BRD, BDR, DRB, DBR. De esta forma vemos que hay 6 arreglos
distintos. Con el uso de teorema podemos llegar a la respuesta sin realmente
listar las diferentes ordenaciones. Hay N 1 = 3 elecciones para la primera
posición, N2 = 2 para la segunda, lo que deja solo N 3 = 1 elección para la
ultima posición lo que da un total de.
N1 N2 N3 = (3) (2) (1) = 6 permutaciones.
En general, N objetos distintos se pueden arreglar en:
N (N – 1) (N – 2) ……. (3) (2) (1) formas.
Representamos este producto mediante el símbolo N 1 que se lee “N
factorial”. Tres objetos se pueden arreglar en 3! = (3) (2) (1) = 6 maneras. Por
definición 1! = 1 y 0! = 1
El número de permutaciones de N objetos distintos en N!

El número de permutaciones de 4 vacas H, C, CH, J será 4! = 24.

Consideremos ahora el número de permutaciones que son posibles al tomar
las 4 vacas, 2 a la vez. Estas serían HC, HCR, HJ, CH, CRH, JH, CCR,
CRC, CJ, JC, CRJ, JCR. De acuerdo con el teorema tenemos dos posiciones
para llenar con N1 = 4 elecciones para la primera y después N 2=3 elecciones
para la segunda con un total de:
N1 N2 = (4) (3) = 12 permutaciones. En general, N objetos distintos tomados
de r a la vez se puede arreglar en:
N (n – 1) (n – 2)…. (n – r + 1) formas. Representaciones este producto
mediante el símbolo.
n!
nPr =  n  r !

Como resultado tenemos el teorema siguiente.

{El número de permutaciones de N objetos distintos tomados de r a la vez es
n!
nPr =  n  r !

Ejemplo: Se sacan 2 bolsas de tierra de un total de 20

Encuentre el número de puntos muestrales en el espacio S.

20!
20 P2 = 18!
= (20) (19) = 380

En muchos problemas nos interesamos en el número de formas de

seleccionar r objetos de n sin importar el orden.
Estas selecciones se llaman combinaciones. Una combinación es realmente
una partición con 2 celdas, una celda contiene los r objetos seleccionados y
la otra contiene los (n – r) objetos restantes.

El numero de tales combinaciones, denotado por.

n  n


 r  n  r 



Por lo general se reduce a 
 

r 
Teorema: El número de combinaciones de n objetos distintos toreados de r a
la vez es:

n n!
  
 r  r! n  r !

Ejemplo: De 4 vacas Holstein y 3 Cebú encuentre las asociaciones que se

pueden formar que consistan en 2H y una Cebú.

Solución:
 4 4!
El número de formas de seleccionar 2H de 4 es  2   2! 4  2!  6
 

 3 3!
El numero de formas de seleccionar una cebú de 3 es   
1  1! 3  1!
3

Al usar la regla de multiplicación del teorema con n 1 = 6 y n2 = 3 podemos

formar. N1 N2 = (6) (3) = 18 asociaciones con 2 H y 1 Cebú.

Probabilidad de evento.
En este capítulo consideramos solo aquellos experimentos para los que el
espacio muestral contiene un número finito de elementos. La probabilidad de
la ocurrencia de un evento que resulta de un experimento estadístico se
evalúa por medio de un conjunto de números reales denominados pesos o
probabilidades que van de 0 a 1.
Para todo punto en el espacio muestral asignamos una probabilidad tal que
la suma de todas las probabilidades es 1.
En muchos experimentos como el nacimiento de un ternero todos los puntos
muestrales tienen la misma posibilidad de ocurrencia y se le asignan
probabilidades iguales para puntos fuera del espacio muestral, para eventos
que no es posible que ocurran, asignamos una probabilidad de cero.

Para encontrar la probabilidad de un evento A sumamos todas las

probabilidades que se asignan a los puntos muestales de A y se denota por
P (A).
Definición: La probabilidad de un elemento A es la suma de los pesos de
todos los puntos muestrales en A. Por tanto.

0 ≤ P (A) ≤ 1, P (Ø) = 0 y P (S) = 1

Ejemplo: Si paren 2 vacas ¿Cuál es la probabilidad que nazca por lo menos

1 macho?
El espacio muestral para este experimento es:
S = {MM, MH, HM}.
Si A representa el evento de que nazca al menos 1 macho entonces:
A = {MM, MH, HM} y P (A) = 1 + 1 + 1 = 3
4 4 4 4

Si el espacio muestral para un experimento contiene N elementos, los

cuales tienen la misma probabilidad de ocurrencia, asignamos una
probabilidad igual a 1/N a cada uno de los puntos. La probabilidad de
cualquier evento A que contenga n de estos N puntos muestrales es
entonces la razón de número de elementos en A al número de elementos en
S.

Teorema: Si un experimento puede tener como resultado cualquiera de N

diferentes resultados igualmentes probables, y si exactamente n de estos
resultados corresponde al evento A entonces la probabilidad del evento A es.

n
P (A) = N

Se tiene un grupo de bolsas con suelo de diferentes tipos, los que contienen
6 suelo ferralítico, 4 fersialítico y 3 pardo. Si se hace una selección aleatoria
de una de las bolsas encuentre la probabilidad de sacar.
a) Uno ferralítico.
b) Un fersialítico o un pardo.

Solución:
Fr, Fs y P representan los eventos de que la persona seleccione,
respectivamente, un ferralítico, un fersialítico o un pardo. El número total de
bolsas es 13, los cuales tienen la misma probabilidad de ser seleccionados.

(a) Como 6 de los 13 bolsas son ferralíticos, la probabilidad del evento Fr

seleccionar un suelo ferralítico es:
6
P (Fr) = 13

(b) Como 7 de las bolsas son fersialíticos o pardos:

7
P (Fs  P) = 13

Si resultados de un experimento no tienen igual probabilidad de ocurrencia,

las probabilidades se deben asignar sobre la base de un conocimiento previo
de evidencia experimental. Por ejemplo para estimar la probabilidad de un
día lluvioso en un mes, tomamos los resultados previos en esto. De acuerdo
con la definición de frecuencia relativa de la probabilidad, las probabilidades
verdaderas serían las fracciones de los días lluviosos que ocurren a largo
plazo.

Reglas aditivas:
A menudo es más fácil calcular la probabilidad de un evento a partir del
conocimiento de las probabilidades de otros eventos. Esto puede ser cierto si
el evento en cuestión se puede representar como la unión de otros dos
eventos o como el complemento de algún evento. Veremos a continuación
algunas leyes importantes que con frecuencia a simplifican el cálculo de las
probabilidades.
La 1ra se denomina regla aditiva, se aplica a uniones de eventos.

Teorema: Si A y B son cualesquiera dos eventos, entonces

P (AB) = P (A) + P (B) – P (AB)

Prueba. Considere el diagrama de Venn siguiente. P (AB) es la suma de

las probabilidades de los puntos muestrales en AB. Ahora bien P(A) + P (B)
es la suma de todas las probabilidades en A mas la suma de todas las
probabilidades en B. Por tanto, sumamos dos veces las probabilidades en
(AB). Como estas probabilidades se suman a p (AB) debemos restar esta
probabilidad una vez para obtener la suma de las probabilidades en AB que
es P (AB).

Regla aditiva de probabilidades.

Corolario: Si A y B son mutuamente excluyentes, entonces.

P (AB) = P (A) + P (B)

El corolario 1 es un resultado inmediato del teorema pues si A y B son

mutuamente excluyentes AB = Ø y entonces P (AB) = P (Ø) = 0 en
general escribimos:
Corolario 2
Si A1, A2, A3………, An son mutuamente excluyentes, entonces.
P (A, A2 …….. An) = P (A1) + P (A2) + ….. + P (An).

Corolario 3
Si A1, A2……… An es una partición de un espacio muestral S, entonces.
P (A1 UA2 U......... An) = P (A1) + P (A2) +……..+ P (An)
= P (S)
=1
Teorema: El teorema se extiende de forma análoga.
Para 3 eventos A, B y C, P (ABC) = P(A) + P (B) + P (C) – P (AB) - P
(AC) – (BC) + P (ABC).

Ejemplo: La probabilidad de que Alternaria solani afecte el cultivo del tomate

es de 2/3 y la probabilidad de que Phytophtora infestans lo afecte es 4/9. Si
la probabilidad de que ambos fitopatógenos afecten a la vez el cultivo es de
¼ ¿Cual es la Probabilidad de que el tomate sea afectado a la vez por los
dos hongos?

Respuesta:
Si A es el evento de ser afectada por Alternaria y P el evento ser afectado
por Phytophtora entonces por la regla de adición tenemos.

2 4 1 31
P (AP) = P (A) + P(P) – P (AP) =   
3 9 4 36

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

4 1 13
P (AB) = P (A) + P (B) =  
6 18 18

Cuál es la probabilidad de obtener una bolsa con suelo ferralítico o suelo

pardo al seleccionar 1 bolsa de suelo si se tiene 6 ferralíticos, 4 fersialítico y
3 pardos.
6
Sea A el evento de obtener bolsas con suelo ferralítico P (A) = 13 . Sea B el
 3
evento de obtener bolsas con suelo pardo P (B) = 13
. Los eventos A y B

son mutuamente excluyentes y no pueden ocurrir en la misma selección. Por

tanto.
6 3 9
P (AB) = P (A) + P (B) = 13  13  13

Este resultado también se podría obtener al contar el número total de puntos

para el evento AB y escribir
n 9
P (AB) = N 
13
El teorema y sus tres corolarios ayudarán a una mejor comprensión de la
probabilidad y su interpretación. Los corolarios 1 y 2 sugieren un resultado
muy intuitivo que trata con la probabilidad de ocurrencia de al menos uno de
un número de eventos, sin que puedan ocurrir dos de ellos simultáneamente.
La probabilidad de que ocurra al menos 1 es la suma de las probabilidades
de ocurrencia de los eventos individuales. El tercer corolario simplemente
establece que el valor más alto de una probabilidad (1) se asigna a todo el
espacio muestral.
A menudo es más difícil la probabilidad que ocurra un evento que calcular la
probabilidad de que el evento no ocurra. Si este es el caso para algún evento
A, simplemente encontramos primero P (A) y después con el uso del
teorema encontramos P (A) por sustracción.
Teorema
Si A y A son eventos complementarios, entonces P (A)+ P (A)=1
Probabilidad condicional
La probabilidad de que un evento B ocurra cuando se sabe que ya ocurrió un
evento A se llama Probabilidad condicional y se denota por P(B/A)
(probabilidad de que ocurra B dado que ocurrió A) o simplemente “la
probabilidad de B da do A”.
Definición
La probabilidad condicional de B dado A que se denota con P(B/A) se define
como:
P( A  B)
P(B/A)= P ( A)
si P(A)  0
Ejemplo:
Los datos representan una muestra independiente de conejillos de india enfermos que se dividieron
en dos grupos: tratados y no tratados y se analizó la supervivencia en ambos grupos
muertos vivos 
Tratados 9 15 24
No tratados 15 20 25
 24 25 49

Uno de estos animales se seleccionará al azar. Nos interesamos en los

eventos siguientes:
T: se elige un conejillo tratado
M: El elegido está muerto
9 3 P(M  T ) 24
P(T/M)= 24 = 8 podemos aplicar P( M )
donde P(M)= 49
9
y P(M  T )  49
Si P(B/A)≠P(B) indica que B depende de A.
Si P(B/A)= P(B) los eventos A y B son independientes.
De aquí:
9 / 49 9 3
P (T/M)= 24 / 49  24  8

Eventos independientes
P(A/B)=P(A)
La ocurrencia de B no tiene impacto e las probabilidades de ocurrencia de A.
Aquí la ocurrencia de A es independiente de la ocurrencia de B.
Definición
Dos eventos A y B son independientes sí y solo sí P(B/A)=P(B) y
P(A/B)=P(A).
De otra forma A y B son dependientes.
Reglas multiplicativas
La siguiente regla multiplicativa nos permite calcular la probabilidad de que
ocurran dos eventos.
Teorema
Si en un experimento pueden ocurrir los eventos A y B entonces P (AB)=
P(A) P(B/A)
Así la probabilidad de que ocurran A y B es igual a la probabilidad de que
ocurra A multiplicada por la probabilidad de que ocurra B dado que ocurre A.
Como los eventos AB = BA=P(B) P(A/B)
Teorema
Dos eventos A y B son independientes sí y solo sí P (AB)=P(A) P (B)
Por tanto, para obtener la probabilidad de que ocurran dos eventos
independientes simplemente calculamos el producto de sus probabilidades
individuales.
Ejemplo:
La probabilidad de que germinen las semillas de soya traídas de Granma es
de 0,98 y la probabilidad de que germinan las de Ciego de Ávila es de 0,92,
encuentre la probabilidad de que los dos tipos de semillas germinen.
P (AB)=P(A) P (B)= =0,98*0,92=0,9016
Variables aleatorias y distribuciones de probabilidad
Concepto de Variable Aleatoria
La estadística se encarga de realizar inferencias acerca de las poblaciones y
sus características. Se llevan experimentos cuyos resultados se encuentran
sujetos al azar. La prueba de germinación de las semillas es un ejemplo de
experimento estadístico, término que se utiliza para describir cualquier
proceso mediante el cual se generan varias observaciones al azar a menudo
es importante asignar una descripción detallada de cada posible resultado
cuando se siembran 3 semillas se pueden escribir como:
S={GGG, GGN, GNG, NGG, GNN, NGN, NNG, NNN}
Donde G denota germina y N no germina.
Estamos interesados en el número que no germina. De esta forma a cada
punto en el espacio muestral se le asignará un valor numérico de 0,1,2 ó 3.
Estos valores son, por supuesto cantidades aleatorias determinadas por el
resultado del experimento. Se puede ver como valores que toma la variable
aleatoria X, el número de plantas que no germinan cuando se siembran tres
semillas.
Definición
Una variable aleatoria es una función que asocia un número real con cada
elemento del espacio muestral.
Utilizaremos una letra mayúscula, digamos X para denotar una variable
aleatoria y su correspondiente minúscula, x en este caso para uno de sus
valores.
En el ejemplo anterior de germinación, la variable aleatoria x toma el valor 2
para todos los elementos en el subconjunto.
E={NNG, NGN, GNN}
Del espacio muestral S. Es decir cada valor posible de x representa un
evento que es un subconjunto del espacio muestral para el experimento
dado.
Ej. Se cruzan plantas con flores rojas y otra con flores blancas. La F1 se
cruzó entre sí y se obtuvo una planta con flores rojas (RR); 2 con flores
rosadas Rr y una con flores blancas.
Espacio muestral X
RR 1
Rr 2
rr 1
Definición.
Si un espacio muestral contiene un número finito de posibilidades o una serie
interminable con tantos elementos como números enteros existen, se llama
espacio muestral discreto.
Los resultados de algunos experimentos estadísticos no pueden ser ni finitos
ni contables ej. Si obtenemos el rendimiento del cultivo del tomate en
diferentes parcelas experimentales. Supongamos que el peso se mide con
algún grado de precisión, entonces tenemos un número infinito de pesos en
el espacio muestral que no se pueden igualar con los números enteros.

Definición.
Si un espacio muestral contiene un número infinito de posibilidades igual al
número de puntos en un segmento de línea, se llama espacio muestral
continuo.
Una variable aleatoria se llama V.A.D si se puede contar su conjunto su
conjunto de resultados posibles.
Cuando una variable aleatoria puede tomar valores en una escala continua,
se le denomina V.A.C.
En la mayor parte de los problemas prácticos, las V.A.C representan datos
medidos, como son todos los posibles pesos, alturas, temperaturas,
distancias o períodos de vida, mientras que las V.A.D representan datos
contados como el número de plantas germinadas.

Distribuciones discretas de probabilidad.

Una V.A.D toma c/u de sus valores con cierta probabilidad. En el caso del
cruzamiento de flores rojas y blancas.
S x P(x)
rr 0 0.25
Rr 1 0.50
RR 2 0.25
1.00
Los valores de x agotan todos los casos posibles y por ello las probabilidades
suman 1.
Con frecuencia es conveniente representar todas las probabilidades de una
V.A x mediante una fórmula. Tal fórmula necesariamente sería una función
de los valores numéricos x que denotaremos con f(x), g(x), r(x) y así
sucesivamente.
Por tanto escribiremos f(x)=P(X=x) es decir f(2)=P(X=2).
El conjunto de pares ordenados (x, f(x)) se llama distribución de probabilidad
de la V.A.D x.

Efinición.
El conjunto de pares ordenados (x, f(x)) es una función de probabilidad,
función de masa de probabilidad o distribución de probabilidad de la V.A.D x
si para cada resultado posible de x.
1.- f(x)≥0
2.- Σ f(x)=1
3.- P(X=x)= f(x)
En el ejemplo de la probabilidad la determinamos por la definición clásica de
probabilidad pero a veces tenemos funciones que nos permiten llegar al
mismo resultado, como es la función de probabilidad vista, en este caso
tenemos:
 2 

 x 
P(x)= 2



2
para x = 0, 1, 2 tenemos que:
2

 x
 2
2 2

 P( x)     
2
2
2
1
x 0 x 0 2 2
En ocasiones no solo nos interesa hallar la probabilidad de que una V.A.D
tome un valor determinado, sino que tome valores menores o iguales que un
cierto valor real t, por lo que resulta conveniente definir una función que
exprese las probabilidades para estos sucesos, la cual se denomina función
de distribución y la expresamos como

F(t)=P(x≤t)= x t
P( x)

Si se desea hallar la probabilidad de que la V.A tome un valor mayor que t se

tiene
P(x>t)=1-P(x≤t)=1- F(t)
Ya que se cumple que .
ΣP(x)=1 que es lo mismo que decir
P(x>t) + P(x≤t)=1
Para calcular la probabilidad en el intervalo (a,b) se tiene que .
P(a<x≤b)= F(b)-F(a)
Lo cual puede se puede plantear para otros intervalos cerrados o
semiabiertos.

Distribuciones contínuas de probabilidad.

Para el caso de una V.C se puede definir también una función f(x) que si bien
no representa en este caso P(X=x), ayudará al cácculo de probabilidades de
sucesos de sucesos o eventos asociados a esta variable. La función antes
mencionada se denomina función de densidad.
Una función de densidad de probabilidad se construye de modo que el área
bajo su curva limitada por el eje x sea igual a 1 cuando se calcula en el rango
de x para el que se define f(x). Si este rango de x es un intervalo finito,
siempre es posible extender el intervalo para incluir a todo el conjunto de
números reales al definir f(x) como cero en todos los puntos de las partes
extendidas del intervalo. En la siguiente figura la probabilidad de que x tome
un valor entre a y b es igual al área sombreada bajo la función de densidad
entre las ordenadas en x=a y x=b y del cálculo integral es dada por:
b

P(a<x<b)=  f  x dx
a

Definición.
La función f(x) es una función de densidad de probabilidad para la V.A.C x
definida en el conjunto de números reales R si:
1.- f(x)≥0 para toda x € R.


2.-  
f ( x ) dx  1.

3.- P(a<x<b)=  f  x dx

a

Ej. Los siguientes datos corresponden

oSix  2 
 
f(x)  1

18
 3  2 x  ; si 2  x  4 


o, x  4
 


f(x)≥ por lo tanto, podemos considerarla como una función de densidad y

podemos calcular la probabilidad siguiente:
     1818 10  94
3
1
P  2  x  3    3  2 x  dx  1 3x  x2
3

2
18 18 2

Integrando en todo el recorrido de la variable tenemos que:



f ( x)dx   0dx  

2 1
4

2 18


3  2 x  dx   0dx 
4
1
18
3x  x
2
   281810  18
4

2 18
1

En el caso de la V.A.C la función de distribución se puede expresar como:

F(t)=P(x≤t)=P(-∞<x≤t)=  f  x  dx




Luego se puede escribir que:

F(t)=  f  x dx
t

Valor esperado o esperanza matemática de una V.A.

Definición.
El valor esperado de una V.A (o de cualquier función de una V.A), se obtiene
hallando el valor medio de la función para todos los valores posibles de la
variable, este valor esperado es la media teórica o ideal.
El valor esperado de una V.A x se representa generalmente por E(x) o por μ
y se puede expresar como:

 xP ( x ) sixesdiscreta
Μ=E(x)  

 
xf ( x ) sixescontinua

El valor esperado o media teórica posee propiedades análogas a las

desarrolladas para la media aritmética.
Ejemplo.
Calcular el valor esperado en el caso del cruzamiento de flores rojas y
blancas.
2
1 1 1 1 1
E(x)=  xP( x)  0 * 4  1* 2  2 * 4  2  2  1
x 0

Esto significa que al cruzar 2 plantas podemos obtener como promedio una
planta con un alelo dominante.
Para el ej de la V.A.C.

1  3 x 2 x 
  181  482  1283  122  163 
4 4 2 3
1
18
1
E(x)=  x (3  2 x)dx   3x  2 x dx  
18 2
2

18  2


3 
 4

2
2

1  36 112  83
= 18     3.07
 2 3  27
Varianza de una V.A.
Definición.
Si x es una V.A con valor esperado E(x), la varianza de x se representa por
V(x) o σ2 y se puede expresar como:

 
x  E

 x   P ( x ) sixesdiscreta 
2


2
σ =V(x)= 
 

 x  E  x   f ( x ) sixescontinua 
2


  
  

Aquí se puede obtener la desviación típica o estándar de la V.A mediante la
raíz con signo positivo de la varianza y se denota por σ.
Se cumplen las propiedades de la varianza ya conocidas.

Distribuciones teóricas de probabilidad.

Introducción
Ya abordamos las distribuciones empíricas de frecuencia, que son
distribuciones obtenidas por observaciones tomadas de la experiencia.
Ahora nos ocuparemos de las distribuciones teóricas de probabilidad las
cuales son modelos teóricos establecidos basados en las probabilidades y
que utilizaremos si las características del problema planteado son las
requeridas para el uso de estas.
Distribución binomial.
Un experimento a menudo consiste en pruebas repetidas, cada una con dos
posibles resultados que se pueden catalogar como éxito o fracaso.
Ej al sembrar una semilla puede germinar o no. Podemos elegir cualquiera
de estos resultados como éxito.Los ensayos que se repiten son
independientes y la probabilidad de éxito permanece constante entre cada
uno de ellos. El proceso se denomina proceso de Bernoulli. Cada ensayo se
llama experimento de Bernoulli.
Proceso de bernoulli.
Si se habla con exactitud, el proceso de Bernoulli debe tener las siguientes
propiedades:
1.- El experimento consiste en N pruebas que se repiten.
2.- Cada prueba produce un resultado que se puede clasificar como éxito o
fracaso.
3.- La probabilidad de un éxito que se denota por p, permanece constante en
cada prueba.
4.- Las pruebas que se repiten son independientes.
Considere el conjunto de experimentos de Bernoulli en el que se siembran 3
semillas al azar y se observa si germinan o no. El número de éxitos de una
variable aleatoria que toma valores de cero a 3: los 8 resultados posibles y los valores
correspondientes de x son:
Resultado x
NNN 0
NGN 1
NNG 1
GNN 1
NGG 2
GNG 2
GGN 2
GGG 3
Suponemos que el 25 % no germina.
 3  1  3  9
P(NGN)=P(N)P(G)P(N)=  4  4  4   64
   
Cálculos similares dan las probabilidades para los demás resultados posibles. La distribución de
probabilidad de x es por tanto.
x 0 1 2 3
F(x) 27/64 27/64 9/64 1/64
El número de éxitos de experimentos Bernoulli se denomina V.A binomial. La
distribución de probabilidad de esta variable aleatoria discreta se llama
distribución binomial y sus valores se denotarán como b(x;n,p), pues
dependen del número de pruebas y de la probabilidad de éxito en una
prueba dada.
De esta forma, para la distribución de probabilidad de x
1 9
P(x=2)= f(2) = b(2; 3, 4 )  24
Generalicemos ahora la ilustración anterior para obtener una fórmula para
b(x; n,p). Deseamos encontrar una fórmula que de la probabilidad de x éxitos
en n pruebas para un experimento binomial. Primero considere la
probabilidad de k éxitos en (n-r) fracasos en un orden específico.
Como las pruebas son independientes, podemos multiplicar todas las
probabilidades que corresponden a los diferentes resultados. Cada éxito
ocurre con probabilidad p y cada fracaso con probabilidad q=1-p. Por tanto,
la probabilidad para un orden específico es p xqn-x. Debemos determinar ahora
el número total de puntos muestrakles en el experimento que tiene x éxitos y
(n-x) fracasos. Este número es igual al número de particiones de n resultados
n
en 2 grupos con x en un grupo y n-x en el otro y se escribe   x

 . Como

estas particiones son mutuamente excluyentes sumamos las probabilidades
de todas las diferentes particiones para obtener la fórmula general o
n
simplemente multiplicamos pxqn-x por   x

 .

Distribución binomial.
Un experimento de Bernoulli puede tener como resultado un éxito con
probabilidad p y un fracaso con probabilidad q=1-p. Entonces la distribución
de probabilidad de una V.A.B x, el número de éxitos en n pruebas
independientes es:
 n  x n-x
B(x; n,p) = 
 x
 p q
 x= 0,1,2…n
La distribución binomial, llamada así por la relación que tiene con el
desarrollo del binomio
n
 n  x nx n n! x nx
n
(p + q) = x0  x p q  x0 x!(n  x)! p q

Ej. En una plantación la presentación de plantas con flores rojas es igual a ¼.
Cuál será la probabilidad de que al tomar 6 plantas al azar.
a) Ninguna planta posea flores rojas.
b) 5 plantas posean flores rojas.
c) A lo sumo 2 posean flores rojas.
d) Por lo menos 3 posean flores roj.
Datos
 N=6
P= ¼
Q= 1- p= 1- ¼= ¾
X= 0
0 6

a) P(x=0)=
6! 1 *3 = 0.1780
0!(6  0)!
4 4
b) P(x≤2) = p(x=0) + p(x=1) + p(x=2) = 0.1780 + 0.3560 + 0.2966=
0.8306.
c) p(x≥3) = p(x=3) + p(x=4) + p(x=5) + p(x=6) o también.
p(x≥3) = 1 - p(x≤2).
Estos resultados podemos obtenerlos también por el desarrollo del
binomio
(p + q )6= p6+p5q + p4q2 +p3q3 +p2q4 +pq5 + p6.
Los coeficientes los obtenemos a partir del triángulo de Pascal.
Para n=6 1; 6; 15; 20; 15; 6; 1
p6+6 p5q +15 p4q2 +20 p3q3 +15 p2q4 +6 pq5 + q6.
a) Ninguna planta.
q6=0.756
b) 5 plantas.
6 p5q = 6(0.25)5 * 0.75.
c) A lo sumo 2
q + 6 pq5 +15 p2q4
6

d) Por lo menos 3.
20 p3q3 +15 p2q4 +6 pq5 + q6.
Ejercicio.
Una distribuidora de semillas ha determinado a partir de numerosos ensayos
que el 5 % de un grupo grande de semillas no germina; vende las semillas en
paquetes de 20, garantizando la germinación del 90 %.
a) ¿Cuál es la probabilidad de que un paquete dado no cumpla la
garantía?
b) ¿Cuál es la probabilidad de que el número de semillas que no germina
en un paquete sea menor de 5 y mayor de 2?.
c) Solución.
d) A) x cantidad de semillas que no germinan en un paquete.
e) (x= 0, 1, 2, 3, 4…n)
f) En el inciso (a) se reduce a contestar cual es la probabilidad que en
una muestra de 20 unidades encontremos mas de 2 semillas
defectuosas.
(0.90)(20)= 18 semillas que germinan.
Por tanto si más de 2 semillas no germinan en el paquete no cumplirá la
garantía. Aplicando la fórmula binomial.
Sea x número de semillas que no germinan.
P(x>2)= 1 – p(x≤2).
 p(x≤2) = p(x=0) + p(x=1) + p(x=2) x= 0, 1, 2
p= 0.05 probabilidad de que no germine.
Q= 1 – p = 0.95 probabilidad de que germine.
p(x=0)= 0.3585
p(x=1) = 0.3773
p(x=2) = 0.1887
p(x≤2) =0.9245
y P(x>2)= 1 –0.9245 = 0.0755
b) p(2 < x < 5)= p(x=3) + p(x=4)
p(x=3) = 0.0755
p(x=4) = 0.0026
p(2 < x < 5)=0.0781
El valor esperado de la distribución binomial está dado por μ = np.
La varianza σ2 = npq.
La desviación típica o estándar es: σ = npq
Distribución de Poisson.
Muchas veces el número de repeticiones del experimento es muy grande y la
aplicación de la fórmula binomial se hace muy laboriosa. Cuando esto ocurre
existe una distribución teórica que se aproxima a la binomial, que se aplica
cuando p es muy pequeña, la cual se conoce como distribución de Poisson y
se define por:

P(x)=  e
x 

donde x=0, 1, 2… e= 2.7183 y λ= np.

x!
¿Qué probabilidad existe de que al tomar 100 plantas nos encontremos 2 ó 3
con frutos sin semillas si la frecuencia de plantas con frutos sin semillas en la
plantación es de 3 por cada 100?.
Estamos en presencia de una variable aleatoria discreta por lo tanto
tendremos que decidir entre la distribución binomial y la de Poisson para dar
respuesta al problema.
La práctica plantea que la aproximación de la distribución binomial a la
distribución de Poisson es buena generalmente cuando.
np≤5 y n≥50 ó p<0.10
En el ejemplo.
N= 100.
P = 3/100= 0.03
np = 3
Utilizamos Poisson.
P(2 ó 3) = P(2) + p(3) sucesos excluyentes.

2 3

P(2)= 3 e = 0.2241
2!
 3 3

P(3)= 3e = 0.2241
3!
P(2 ó 3) = 0.2241 + 0.2241 = 0.4482
Existe una probabilidad de 0.4482 de que al tomar 100 plantas nos
encontremos 2 ó 3 que tendrán frutos sin semillas.

Distribución normal.
Esta distribución fue introducida por C. F Gauss.
Muchas de las técnicas utilizadas en estadística aplicada se basan en la
distribución normal o de Gauss.
distribución normal o de Gaus

Una de las más importantes distribuciones de frecuencias en la Estadística es la

distribución normal. Muchos de los procedimientos de los capítulos posteriores estarán
basados en esta distribución. Su gráfica es la de una curva simétrica, acampanada que se
extiende indefinidamente en ambas direcciones, positiva y negativa. Su utilización es la
misma que la de cualquier otra curva de distribución.
Definición.
Se dice que una variable x se distribuye normalmente si su función de
densidad está dada por:
1 ( x ) 2
1 
f ( x)  e 2 2
 2
Donde σ >0
- ∞<x<∞
La función de densidad como se observa depende de los parámetros μ y σ
que representan la media y la desviación típica de la distribución
respectivamente.
donde:
 : constante aproximadamente 3.1416
e: constante aproximadamente 2.7183
 : Parámetro (es igual a la desviación típica de la distribución de la población. Diferentes
curvas normales pueden tener distintas desviaciones típicas, esto es, distintos valores
para  , sin embargo para una distribución dada  es constante).
 : parámetro (es igual a la medida de la distribución de la población. Diferentes curvas
normales pueden tener diferentes medias, sin embargo para una distribución dada,  es
constante).
X: abscisa (característica medible o puntuación marcada sobre el eje horizontal).
y: ordenada (altura de la curva correspondiente a un determinado valor de x).
GRÁFICO

Propiedades de la curva normal

-Carácter simétrico, las desviaciones en ambos sentidos son iguales.
-La curva normal es infinita, es decir a partir de una desviación igual al triplo de la
desviación tipica (3  ) la curva se prolonga indefinidamente tendiendo a cero.
-En una curva normal el valor de la media coincide exactamente con la moda y la mediana
( X = Mo = Md).
-Con el uso de la curva normal se puede calcular la probabilidad de obtener
observaciones mayores o menores a un valor dado, o también entre dos valores
determinados.

Para calcular el área bajo la curva utilizamos la integral de la función antes descrita, pero
como este proceso es bastante engorroso, la distribución normal se ha transformado a
una nueva escala Z que se denomina curva normal estandarizada o tipificada.

X 
Z=


El área total encerrada entre la curva y el eje de las abcisas es igual a la unidad pues
representa la suma de todas las frecuencias relativas.
Los valores de Z están tabulados para valores negativos y positivos.
Es importante tener en cuenta a la hora de calcular áreas tener en cuenta que el área bajo
la curva es 1.
Ejemplos.
Dada una media igual a 100 cm y una desviación típica igual a 30. ¿ Cual será la
probabilidad de que un valor escogido al azar esté entre 100 y 130?.

 : =100.
X= 130
X 
Z=

130  100 30  x
Z= 
15 15
100 130
Z=2

El valor de Z=2 equivale a 0.9772 en la tabla, pero ese valor es acumulativo en la tabla
desde –infinito hasta 2 por tanto como conocemos que hasta el valor de 100, hay un área
de 0.5, restamos 0.9772-0.5= 0.4772.
o sea hay una probabilidad de 0.4772 de hallar valores comprendidos entre la media 100
y 130.
En esta ocasión se determinó directamente el valor de la probabilidad, porque la tabla z
nos dará las áreas positivas interiores.

Ejemplo
Determinar la probabilidad que tienen de presentarse los valores entre la media de 100
cm del ejemplo anterior y el valor de clase de 70 cm

x 
70 100
 = 100
x = 70
 = 15

x 70  100  30
z= = = = -2 A = 0.0228 0.5 - 0.0228 = 0.4772
 15 15
El valor negativo de z nos señala que el área buscada se encuentra a la izquierda de la
media, no considerándose este signo para ir a la tabla. En ella encontraremos la
probabilidad de 0.4772 para z = 2, o sea, que al igual que en el ejemplo anterior, los
valores comprendidos entre 70 y 100 tienen una probabilidad de 0.4772 de presentarse.

Ejemplo
En una población que tiene una media igual a 50 kg y desviación típica igual a 10 kg.
¿Cuál es la probabilidad de que existe de que al tomar valores al azar sean mayores que
60 kg?
 = 50 kg
x = 60 kg
 = 10 kg
x
z=

60  50 10
z= = =1
10 10 A = 0.8413
Para este valor de z la tabla nos da una probabilidad de 0.8413
1-0.8413= 0.1587 Probabilidad de que al tomar valores al azar sean mayores que 60.

ACTIVIDAD PRÁCTICA
Título: Distribuciones teóricas de probabilidades.

Contenido:
Concepto de variable aleatoria.
Variable aleatoria discreta
Variable aleatoria continúa.
Distribuciones teóricas discretas.
Distribución binomial
Distribución de Poisson.

Objetivos
Aplicar las distribuciones teóricas de probabilidad para VAD a problemas sencillos de la
especialidad
Usar las tablas de la distribución binomial y la de Poisson.

Como abordar el estudio del contenido.

Las distribuciones teóricas de probabilidad son modelos teóricos establecidos basados
en las probabilidades. Estas posibilitan describir adecuadamente algunos fenómenos
aleatorios que se presentan con frecuencia en la práctica.
Al realizar el estudio de esta parte del contenido debe tener dominio de algunos
conceptos estudiados en la parte de probabilidades. Es necesario estudiar los
conceptos de variable aleatoria discreta y continua, características de la distribución
binomial, de Poisson y la normal.
 En el caso de la distribución binomial es necesario buscar probabilidades para el caso
de la fórmula como por el desarrollo del binomio ya que este es un contenido utilizado
en genética.

Distribución binomial.
Muchos problemas en la teoría de las probabilidades consisten en pruebas
independientes de un experimento cuyos resultados posibles pueden clasificarse en dos
categorías éxitos o fallos. Tales experimentos que solo tienen 2 resultados posibles son
llamados pruebas de Bernoulli.
La distribución binomial debe su nombre a la relación que tiene con el binomio (p+q) n

Esta distribución está relacionada con la distribución de Bernoulli.

La probabilidad de éxito se denota por p mientras que la de fallo por q de forma que
p+q=1.

Distribución de Poisson.
Es una aproximación a la binomial cuando n sea muy grande y p pequeña.
Si el número de pruebas es grande los cálculos que lleva consigo la fórmula binomial son
muy largos.
La práctica plantea que la aproximación de la distribución binomial a la distribución de
Poisson es buena generalmente cuando:
Np ≤ 5 y n ≥ 50 o p < 0.10

Parámetros de la distribución.

Es importante al estudiar analizar la relación existente entre la distribución binomial y la de

Poisson, cuando debemos aplicar cada una de ellas.
Debe estudiar detenidamente cada uno de los ejemplos y problemas tipos de este tema
prestando especial atención al uso de las tablas.

Ejercicios resueltos.
1.- Una variedad de cierta especie vegetal produce de cada 100 plantas germinadas, 10
que no producen frutos. Cual será la probabilidad de que en una muestra aleatoria de 6
plantas haya 2 con esa característica.
Solución:
Los resultados pueden ser
- Plantas que producen frutos.
- Plantas que no producen frutos.
Variable aleatoria discreta (# de plantas que no producen frutos X=2).
10
Probabilidad de ocurrencia del suceso p= =0.1
100
p+q=1
q=1-p
q=1-0.1=0.9
Existen 6 repeticiones.
Datos
P=0.1
Q=0.9
N=6
X=2
n!
P( x)  p x * q n x
x!( n  x )!
 6!
P(x=2)= 0.12 * 0.9 6  2
2!(6  2)!

P(X=2)=0.0984
La probabilidad de que en una muestra aleatoria de 6 plantas hayan 2 que no producen
frutos es de 0.0984 ó 9.84 %.

2.-¿Cual es la probabilidad de que en el parto de 5 vacas nazcan 3 terneros machos?

N=5
X=3
P=0.5
Q=1-p=1-0.5=0.5

n!
P(x=3)= p x q n x
X !(n  x )!
5!
P(x=3)= 0.530.55 3 =0.3125
3!(5  3)!

Podemos resolver esto también por el desarrollo del binomio.

Desarrollo del binomio (p+q)5.
En la línea que corresponde a n=5, aparecen los siguientes valores en el triángulo: (Ver
anexo 1) 1, 5, 10, 10, 10, 5, 1.Desarrollando el binomio tendremos:

P5+ 5p4 q+ 10p3 q2 + 10p2 q3 + 5 pq4 + q5.

sería entonces 10p3 q2= 10*0.53*0.52=0.3125.

2.- Cual es la probabilidad de que al tomar 100 plantas nos encontremos 2 o 3 con frutos
sin semillas si la frecuencia de aparición de plantas con frutos sin semillas es de 3 por
cada 100.
N=100.
3
p= =0.03
100

np=100*0.03=3 como 3 < 5 utilizamos Poisson.

x * e  
P(x)=
x!
P(2 o 3)= P(2) + P(3)

32 * e 3
P(x=2)= =0.2241
2!

33 * e 3
P(x=2)= = 0.2241
3!
P(2 o 3)= 0.2241 + 0.2241=0.4482
Existe una probabilidad de o.4482 que al tomar 100 plantas nos encontremos 2 ó 3 con
frutos sin semillas.

Ejercicios propuestos.
1.-En una plantación la presentación de frutos rugosos es de 0.35. Cuál será la
probabilidad de que al tomar 7 plantas al azar.
A lo sumo 2 tengan esa característica.
Por lo menos 3 tengan esa característica.
2.-Si una variedad de cierta especie vegetal produce de cada 100 plantas germinadas8
que no producen frutos. Cuál será la probabilidad de que en una muestra aleatoria de 60
plantas hayan 2 con esa característica negativa
En una plantación la presentación de plantas con flores rojas es igual a ¼ . Cuál será la
probabilidad de que al tomar 6 plantas.
a)Dos plantas presenten flores rojas.
b)Entre dos y cuatro presenten flores rojas.
c) Alo sumo dos presenten flores rojas.
d)Por lo menos tres presenten flores rojas.
3.- Si se toman al asar 8 huevos de una gallina halle la probabilidad de obtener.
a)5 pollitos machos
b)Entre dos y 5 pollitos hembras
c) A lo sumo tres Hembras
4.- La probabilidad de que una enfermedad se manifieste en animales de cierta edad es
de 0,003.
a)Si se seleccionan 800 animales halle la probabilidad de que de dos a cuatro animales
contraigan la enfermedad.
b)Por lo menos tres contraigan la enfermedad.
5.- Calcule la media, la varianza y la desviación típica de una variable binomial
conociendo que n=12 y q= ¾

Título: Distribuciones teóricas de probabilidades.

Contenido:
Concepto de variable aleatoria.
Variable aleatoria discreta
Variable aleatoria continúa.
Distribución normal

Objetivos
Aplicar la distribución normal a problemas sencillos de la especialidad
Usar las tablas de la distribución normal.

La distribución normal es importante en la teoría y en la práctica de la estadística.

Ejercicios resueltos.
1.- Halle el área bajo la curva normal en cada uno de los casos siguientes:
a) Entre Z=0 y Z=1.2.
Z=1.2 A=0.8849
Z=0 A=0.5000
R= 0.3849 es el área entre 0 y 1.2
b) Entre Z=-0.68 y Z=0.
Z=0 A=0.5000
Z=-0.68 A=0.2487
R= 0.2513
c) Entre Z=-0.46 y Z=2.21
Z=-2.21 A=0.9864
Z=-0.46 A=0.3228
R= 0.6636
d) Entre Z=0.81 y Z=1.94
Z=1.94 A=0.9738
Z=0.81 A=0.7910
R= 0.1828

Ejercicios propuestos
1.- Halle las probabilidades siguientes:
a)P(Z> 1.95)
b)P(- 2.04< Z> 1.03)
c) P(Z> -0.69)
d)P(- 3.03< Z< 1.53)
e)P(Z< 1.21)
2.- En una distribución normal con µ= 22 y σ2= 25. Halle
a)P(X≥23.5)
b)P(X≥10)
c) P(X≥23)
d)P(8≤ X ≤ 21
e)P(25 ≤ X ≤ 30)
f) P(X ≤ 20)
g)P(X ≤ 25)
3.- Si el rendimiento de 300 parcelas experimentales se distribuye normalmente, con
media de 68 kg y desviación típica de 3 kg.
a)Calculé cuantas parcelas tienen rendimientos mayores de 72 kg.
b)Menores o iguales de 64 kg.
c) Entre 65 y 71 kg.
d)Cuál es la probabilidad de encontrar parcelas con rendimientos entre 65 y 71 kg.