Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Papel de La Probabilidad
Papel de La Probabilidad
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.
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.
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.
Definición:
Dos eventos A y B son mutuamente excluyentes o disjuntos si AB =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 MN= {Z / 3 < Z < 12}.
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
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.
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.
Definición.
Una permutación es un arreglo de todo o parte de un conjunto de objetos.
20!
20 P2 = 18!
= (20) (19) = 380
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 !
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
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.
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.
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.
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 (ABC) = P(A) + P (B) + P (C) – P (AB) - P
(AC) – (BC) + P (ABC).
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 (AP) = P (A) + P(P) – P (AP) =
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 (AB) = P (A) + P (B) =
6 18 18
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 (AB)=
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 AB = BA=P(B) P(A/B)
Teorema
Dos eventos A y B son independientes sí y solo sí P (AB)=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 (AB)=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.
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)
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.
2
18 18 2
f ( x)dx 0dx
2 1
4
2 18
3 2 x dx 0dx
4
1
18
3x x
2
281810 18
4
2 18
1
xP ( x ) sixesdiscreta
Μ=E(x)
xf ( x ) sixescontinua
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.
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
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
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.
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
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.
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 %.
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)!
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
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
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.
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.