Probabilidades

Estadísca I

08/07/2022
REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD NACIONAL
EXPERIMENTAL ¨RAFAEL MARÍA BARALT ¨PROGRAMA
ADMINISTRACION

Profesor:
Juan Castro V.
Integrantes:
Wladimir Fernández
C.I:30.394.380
Annavy azuaje
C.I: 30.231. 522
Sección:
33-17-31

San francisco 2022

 Introducción

En el campo de la Administración se dispone de situaciones bajo estudio, en

áreas de control de calidad, almacén, producción, mercadotecnia, por
mencionar algunas, donde es importante analizar y conocer todos los
resultados posibles que se tienen en un evento con la finalidad de contar con la
información suficiente que permita llevar a la correcta toma de decisiones.

La teoría de la probabilidad es la parte de las matemáticas que se encarga del

estudio de los fenómenos o experimentos aleatorios.
Contenido
Introducción .................................................................................................................................. 1
-Técnicas de conteo: ..................................................................................................................... 5
-Experimento Aleatorio: ................................................................................................................ 5
-Espacio Muestral S-(): ............................................................................................................... 5
-Evento o suceso: .......................................................................................................................... 6
-Tipos de evento o suceso ............................................................................................................. 7
• Evento seguro:....................................................................................................................... 7
• Evento imposible: .................................................................................................................. 7
• Evento simple: ....................................................................................................................... 7
• Evento Mutuamente Excluyentes: ........................................................................................ 8
• Evento no Mutuamente Excluyentes : .................................................................................. 8
• Dependientes: ....................................................................................................................... 8
• Independientes: .................................................................................................................... 8
• Equis-probable: ..................................................................................................................... 8
-Probabilidad: ................................................................................................................................ 8
-Calculo:......................................................................................................................................... 8
-Axiomas ........................................................................................................................................ 8
-Reglas de Probabilidad. ................................................................................................................ 9
-Teorema de Bayes:....................................................................................................................... 9
-La probabilidad aplicada al campo de la administración. ......................................................... 11
-Valor esperado o Esperanza Matemática .................................................................................. 12
-Distribución Binomial ................................................................................................................. 12
-Características: ........................................................................................................................... 13
-Usos de tablas. ........................................................................................................................... 15
-Aplicaciones al campo Administrativo: ...................................................................................... 18
-Distribución de Poisson.............................................................................................................. 18
Características: ............................................................................................................................ 19
Uso de las tablas:......................................................................................................................... 19
Distribuciones continúas de Probabilidades: .............................................................................. 21
-Distribución Normal ................................................................................................................... 22
Distribución normal Estándar: .................................................................................................... 23
Uso de Tablas. ............................................................................................................................. 23
T Student: .................................................................................................................................... 25
Uso de Tabla ................................................................................................................................ 26
-OTRAS DISTRIBUCIONES ............................................................................................................ 28
✓ DISTRIBUCIÓN HIPERGEOMETRICA ..................................................................................... 28
✓ Distribución uniforme ......................................................................................................... 28
Conclusión ................................................................................................................................... 30
Bibliografía .................................................................................................................................. 31
-Técnicas de conteo:

Las técnicas de conteo son estrategias matemáticas usadas en probabilidad y

estadística que permiten determinar el número total de resultados que pueden
haber a partir de hacer combinaciones dentro de un conjunto o conjuntos de
objetos. Este tipo de técnicas se utilizan cuando es prácticamente imposible o
demasiado pesado hacer de forma manual combinaciones de diferentes
elementos y saber cuántas de ellas son posibles.

Este concepto se entenderá de forma más sencilla a través de un ejemplo.

Si se tienen cuatro sillas, una amarilla, una roja, una azul y una verde,
¿cuántas combinaciones de tres de ellas se pueden hacer ordenadas una al
lado de la otra?

Se podría resolver a este problema haciéndolo manualmente, pensando en

combinaciones como azules, rojas y amarillas; azules, amarillas y rojas; rojas,
azules y amarillas, rojas, amarillas y azules… Pero esto puede requerir mucha
paciencia y tiempo, y para eso haríamos uso de las técnicas de conteo, siendo
para este caso necesario una permutación.

-Experimento Aleatorio:
Son aquellos Experimento en los que no se puede predecir sus resultados

Por ejemplo:

✓ Lanzar una moneda: cuando lancemos una moneda puede salir

cara/sello
✓ La tirada de un dado: cuando lancemos unos dados puede salir
(1,2,3,4,5 o 6)
✓ Extraer una bola de cierto color: ya sea blanco, rojo, azul, o verde se
puede considerar un experimento aleatorio ya que no podemos predecir
el resultado.

-Espacio Muestral S-():

Es el conjunto de todos los resultados posibles de un Experimento aleatorio Por Ejemplo:

Lanzar una moneda (): 𝐂𝐚𝐫𝐚, 𝐬𝐞𝐥𝐥𝐨

Lanzar un Dado (): 1, 2, 3, 4, 5, 6

Extraer una bola de cierto color: por decir (3) azules (1) blanco (2) rojos (1)
verde son todo las posibles soluciones.

(): Azul, azul, azul, blanco, rojos, rojos, verde

Aquellos resultados que nos interesan en particular se denominan Eventos.

-Evento o suceso:
Son (1) uno o varios de los posibles resultados ya hablamos que el espacio
Muestral eran todo los resultados si escogemos 1 o varios de eso resultados se
considera como un evento o suceso

Ejemplo 1:

• Evento:(A): lanzar una moneda

Que caiga cara / que caiga cruz Cara la cual se considera un Evento

A= Cara

• Evento: (B): lanzar un dado

Que caiga un múltiplo de 2

B= 2, 4, 6 se considera varios elementos

Que se puede presentar uno o varias de los resultados posibles

Ejemplo 2:

Supongamos que tenemos “2” monedas antes de describir un evento

debemos determinar Espacio Muestral S-() la cual es el espacio muestra
según dicho anterior mente Es el conjunto de todos los resultados posibles las
cuales al lanzar 2 monedas obtendremos los siguiente Resultado.

C: cara - X: sello

S-() CC, XX, CX, XC

El evento puede ser la primara cara

A: CC, CX

Ejemplo 3:

Lanzar una moneda y un dado

A: que la moneda caiga en cara C: cara – X: sello

S-() C1, C2, C3, C4, C5, C6, X1, X2, X3, X4, X5, X6

A= C1, C2, C3, C4, C5, C6

-Tipos de evento o suceso
Tipos de eventos

Los eventos pueden ser:

Tipos de Eventos

Evento seguro Eventos varios

Evento imposible
Mutuamente Evento no
E Excluyente Mutuamente
Evento simple
Excluyente

Dependiente
Independiente
Equi-probable

• Evento seguro:
Es aquel evento en que básicamente los resultados ósea todo los resultados
posibles dentro del espacio Muestral-()

Por ejemplo: obtener un valor menor de 7

Al momento de lanzar un dado pues un evento seguro dado ya obtendremos un

valor menor que 7

• Evento imposible:
Este evento es muy sencillo ya que el concepto lo dice es imposible obtener un
resultado o no lo hay la cual lo representamos con el conjunto vacio

Por ejemplo: lanzar un dado que obtenga un valor de 7 según la teoría y

desde punto de vista es prácticamente es imposible porque no lo hay

• Evento simple:
Es que evento que está Formado por un solo resultado o por un solo elemento

Por ejemplo: lanzar un dado y que salga un 6 la posibilidad es simple ya que

hay un solo 6 ya sea un resultado o elemento
 • Evento Mutuamente Excluyentes: (los eventos no pueden
suceder al mismo tiempo)
• Evento no Mutuamente Excluyentes : (Son aquellos eventos que
si pueden suceder al mismo tiempo)
• Dependientes: (también llamado "Condicional", donde un evento se
ve afectado por otros eventos)
• Independientes: (cada evento no se ve afectado por otros eventos),
• Equis-probable: es cuando tenemos la misma cantidad de
probabilidad de los resultados

-Probabilidad:
El concepto de Probabilidad: Se trata de un número que permite cuantificar la
posibilidad de que ocurra un cierto evento. Fue definido en el siglo XVIII, por
matemáticos tan destacados como Leibniz, Gauss, etc. con la finalidad de
encontrar cábalas que ayuden a ganar en los juegos de azar.

-Calculo:
El cálculo, en matemáticas, hace referencia al procedimiento, con pasos
establecidos, mediante el cual, se puede llegar al resultado de una operación.
Esto, a partir de determinados datos de los cuales puede, o no, conocerse su
valor numérico.

El cálculo, desde otra perspectiva, trata de estimar la magnitud de los cambios

en las variables, así como de determinar medidas como longitudes, áreas,
volúmenes, etc.

-Axiomas
Son verdades tan lógicas o evidentes que no necesitan una demostración ya
que es algo muy lógico y siempre debe dar un resultado positivo

Por ejemplo: A: (espacio Muestral) E: (evento suceso) P: Probabilidad

P(A)= ≥ 0
El lanzamiento de un dado

Regla de Laplace:

P(A)= N° de casos favorables 0

0
N° de casos posibles 6 1, 2, 3, 4, 5, 6 número de casos posibles
 • P(A)= 0 Imposible
Pero supongamos

• 0 < P(A) < 1= se considera un evento probable

• P(A)= 1se considera un evento seguro
P (E)=1

-Reglas de Probabilidad.

1-Regla de suma o adición: (O)

• Para eventos excluyentes (EME):

P (A u B)= P (A) + P (B) X100

Total Total

• Para eventos no excluyentes: (EMNE)

P (A u B)= P (A) + P (B) - P (A Ո B) X100

Total Total Total

2-Regla de multiplicación: (Y)

• Para eventos Dependientes (ED)

P (A Ո B)= P (A Ո B) X100

Total

• Para Eventos independientes (ID)

P (A Ո B)= P(A) X P (B) X100

Total Total

-Teorema de Bayes:
Es una simple aplicación de la probabilidad condicional

P(A/B) P (B/A)

Nos permite relacionar estos 2 elementos Está hecho para aplicarse varias
veces consecutivas, Se aplica o se usa más que todo
 • Medicina
• Tecnología
• Neurología
• Negocios

Por ejemplo si queremos encontrar la probabilidad de (A) dado (B) y ya

conocemos el contrario que es que es (B) dado (A) y conocemos la
probabilidad de (A) y la probabilidad (B) entonces ya podemos hallar esa
probabilidad contraria

P(A/B) P (B/A) X P(A)

P(B)

Una de las formulas que se utiliza es la siguiente

P(A/B)= P (A Ո B) = P(A) X P (B/A)

P (B) P (B)

Ejemplo:

El 0,1% de una población está infectada con una batería y la prueba para
detectar la presencia de la enfermedad da positivo en una persona enferma el
99% de las veces y en una persona sana el 2% de las veces si una persona dio
positivo en la prueba ¿Cuál es la probabilidad de que este infectada?

En este caso como sabemos que tenemos que utilizar el teorema de Bayes
porque tendremos que utilizar la probabilidad condicional

Cuál es la Probabilidad de que este (I) infectado dado que dio Positivo (P)
P (I / P)= P (P/I) X P (I)

P (p)

0,99 x 0,001

¿?

Para hallar las P (p) hacemos lo siguiente

P (I Ո P)= 0.001 x 0,99=0,0099

P (I Ո P)=0,999 x 0,2=0,01998

Ya con los datos obtenidos

P (P/I) X P (I)= 0,0099

• P (p) = (0,0099 + 0,01998) = 0,04721 x 100= 4,721%

Cuál es la probabilidad de que verdad está infectado dado que la prueba dio
positivo 4,721% que quiere decir que la mayoría que salieron infectados no
están infectadas

Una forma de hacer varia veces la prueba el 0.01 ya no debería ir si no

0,04721

-La probabilidad aplicada al campo de la administración.

La distribución de probabilidades permite a las organizaciones conocer todos

los resultados posibles de éxito o fracaso antes de la realización de un
proyecto. Utilizando eficientemente este método, podrán elegir el momento
adecuado para emprender una nueva iniciativa.

Muchas empresas aplican la comprensión de la incertidumbre y probabilidad en

sus prácticas de decisión en sus negocios. Los modelos de probabilidad
pueden ayudar enormemente a las empresas a optimizar sus políticas y tomar
decisiones seguras. Aunque complejos, esos métodos de probabilidad pueden
incrementar la rentabilidad y éxito de una empresa.

La optimización en la ganancia de un negocio depende de cómo un negocio

invierte sus recursos. Una parte importante de invertir es conocer los riesgos
involucrados con cada tipo de inversión.

El servicio al cliente puede ser físico como servicio de ventanilla de un banco o

servicio al cliente virtual como un sistema de Internet. En cualquier caso, los
modelos de probabilidad pueden ayudar a una compañía a crear una política
relacionada al servicio al cliente.
Aunque la teoría del juego es una parte importante de determinar la estrategia
de la compañía, ésta carece de la inclusión de incertidumbre en estos modelos.

-Valor esperado o Esperanza Matemática

La esperanza matemática de una variable aleatoria X, es el número que
expresa el valor medio del fenómeno que representa dicha variable.

La esperanza matemática, también llamada valor esperado, es igual al

sumatorio de las probabilidades de que exista un suceso aleatorio, multiplicado
por el valor del suceso aleatorio. Dicho de otra forma, es el valor medio de un
conjunto de datos.

Cálculo de la esperanza matemática:

La esperanza matemática se calcula utilizando la probabilidad de cada suceso.

La fórmula que formaliza este cálculo se enuncia como sigue:

X1.F(x1)+ X2.F(x2)+….+Xn.F (xn)=∑ 𝒙. 𝒇(𝒙)

Ejemplo:

Sea X el número de autos vendidos en un día en una tienda. Calcular el valor

esperado de X a partir de su función de probabilidad

x 0 1 2 3

F(x) 0,60 0,25 0,10 0,05

M=E(x)= X1.F(x1)+ X2.F(x2)+….+Xn.F (xn)=∑ 𝒙. 𝒇(𝒙)

M=E(x)= 0x0,60 + 1x0,25 + 2x0,10 + 3x0,05

M=E(x)= 0 + 0,25 + 0,20 + 0,15

M=E(x)= 0.6

-Distribución Binomial
Las técnicas de conteo como el diagrama de árbol, las combinaciones o
permutaciones son fórmulas y procesos matemáticos que nos permiten
determinar el total de resultados posibles en un evento o experimento, sin
embargo es importante identificar la técnica correcta a utilizar en la situación
bajo estudio, por lo que se analizan las características y condiciones para
aplicar cada una de ellas para la correcta toma de decisiones Llamamos
experiencia aleatoria dicotómica a aquella que sólo puede tener dos posibles
resultados Éxito o Fracaso

Por ejemplo:

La probabilidad de un cliente nuevo compre un auto es de 0.8 si llegan 3

clientes nuevos (cuál será la probabilidad de que solo 2 cliente compre un auto

Supongamos de la siguiente manera que los primeros 2 cliente les llamen la

atención de comprar un vehículo

En esta la distribución Binomial vamos a obtener solo 2 resultados Éxito o

fracaso según el dato del enunciado la probabilidad de que compre un auto es
de 0,8 para saber para saber la probabilidad de que un cliente no lo compre
aplicaremos la regla del complemento

P(N)=1 – P(S)=0.8 1-0,8=0,2

P(N)=0,2

Este ensayo se realizara 3 veces porque son 3 clientes

Cliente Cliente Cliente

1 2 3
0.8 0.8 0,2 Vamos a emplear la (0,8)2 (0,2)1
regla de la
multiplicación para
evento
independiente que
se multiplica estas
probabilidades
0.8 0,2 0.8 (0,8)2 (0,2)1

0,2 0.8 0.8 (0,8)2 (0,2)1

3(0,8)2 (0,2)1

0,384

-Características:
Cumple las siguientes condiciones

➢ El experimento consta de una secuencia (n) ensayo idénticos en este

caso (n) es 3 ya que proviene de los 3 clientes
 ➢ En cada ensayo hay 2 resultados posibles uno de ellos se llama éxito y
al otro fracaso
➢ La probabilidad de éxito es constante de un ensayo a otro nunca cambia
y se detona por (P), por ello por ello la probabilidad de fracaso será 1 -P
➢ Los ensayos son independientes, de modo que el resultado de
cualquiera de ellos no influye en el resultado de cualquier otro ensayo

Ejemplo 2:

La probabilidad de que a un cliente nuevo le guste comprar un auto es de 0,8

si llegan 5 clientes nuevos cual es la probabilidad de que solo a 2 de ellos
compre un auto:

X=número de clientes nuevos 5 a los que compraran un auto

X~=B(N ; P)=

x=0, 1, 2, 3, 4,5

n=numero de ensayos

n=5

P=probabilidad de éxito

P=0,8
𝑛
➢ F(x)=P(X=x)=( ) 𝑃 𝑥 (1-p)(𝑛 − 𝑥)
𝑥
5
➢ F(2)=P(X=2)=( ) 0,82(1-08)(5 − 2)
2
➢ F(2)=P(X=2)=(¿ ? ) 0,82 (0,2)(3)
➢ F(2)=P(X=2)=(10) 0,82 (0,2)(3)
➢ F(2)=P(X=2)=0,0512 x 100= 5,14%

𝑛
( ) Calcular= n¡
𝑥
X ¡(n-x)¡ 2=10

5 5¡ 5.4.3.2.1
( )= =
2 2¡ (5−2)¡ 2.1.3.2.1
3
-Usos de tablas.
La tabla te permite calcular la probabilidad de obtener x éxitos o menos
en n ensayos independientes, cada uno con una probabilidad de éxito p.

Por ejemplo, vamos a calcular la probabilidad de obtener dos éxitos o menos

en cuatros ensayos con probabilidad de éxito de 0.25:

n = 4 ; x = 2 ; p = 0.25
y ahora buscamos en la tabla:

La probabilidad que buscamos es 0.9492.

Una distribución se denomina Binomial cuando se cumplen las condiciones

siguientes:

• El experimento aleatorio de base se repite n veces, y todos los

resultados obtenidos son mutuamente independientes.
 • En cada prueba se tiene una misma probabilidad de éxito (suceso
A), expresada por p. Asimismo, existe en cada prueba una misma
probabilidad de fracaso (suceso ), que es igual a q = 1 - p.
• El objetivo de la distribución Binomial es conocer la probabilidad de
que se produzca un cierto número de éxitos. La variable aleatoria X,
que indica el número de veces que aparece el suceso A (éxito),
es discreta, y su recorrido es el conjunto {0, 1, 2, 3, ..., n}.

La distribución Binomial se expresa como B (n, p), siendo n el número de veces

que se repite el experimento y p la probabilidad de que se produzca un éxito.

Ejemplo de experimento aleatorio descrito por una distribución Binomial: al tirar

un dado cuatro veces, ¿cuántas veces saldrá el número 6? Este suceso es el
«éxito» del experimento.

Función de probabilidad

La distribución Binomial se caracteriza porque su función de probabilidad viene

dada por la expresión siguiente:

Donde r es el número de éxitos asociado al experimento aleatorio.

En una distribución Binomial B (n, p) se verifica que:

• La probabilidad de que aparezca al menos un éxito en las n repeticiones

es igual a:
 • La probabilidad de que se produzca un éxito como máximo en las n
repeticiones se determina como:

Esperanza, varianza y desviación típica

En una distribución Binomial denotada por B (n, p), donde n es el número de

repeticiones del experimento y p la probabilidad de que se produzca un cierto
suceso (éxito), la esperanza matemática de la variable aleatoria X viene dada
por la expresión siguiente:

Análogamente, la varianza de la variable aleatoria X, al ser ésta de tipo

discreto, se calcula como:

Siendo q la probabilidad de no éxito (fracaso). La desviación típica es, como de

costumbre, la raíz cuadrada de la varianza:

Ajuste de una distribución Binomial

En ocasiones, el cálculo de la probabilidad de una distribución Binomial del tipo

B (n, p) resulta muy complicado. Según demostró el matemático francés
Abraham de Moivre (1667-1754), la probabilidad de una distribución Binomial B
(n, p) puede aproximarse por medio de una distribución normal (ver t56) de tipo
N (np, ), que resulta particularmente adecuada cuando:

El valor de n es muy elevado.

Tanto np y nq son ³ que 5. (Obsérvese que cuanto mayor es n y más se

aproxima p a 0,5 tanto mejor es la aproximación realizada).

Para transformar una distribución Binomial (de variable discreta) en una normal
(de variable continua), es preciso proceder a la siguiente transformación:
-Aplicaciones al campo Administrativo:

En las empresas tenemos muchas situaciones donde se espera que ocurra o

no un evento específico. Éste puede ser de éxito o fracaso sin dar paso a un
punto medio. Por ejemplo, en la producción de un artículo, éste puede salir
bueno o malo. Casi bueno no es un resultado de interés. Para situaciones
como éstas se utiliza la distribución Binomial. En este módulo se describe el
uso de la distribución Binomial para obtener la probabilidad de ocurrencia de
ese evento que representa un resultado esperado. El módulo va dirigido al
estudiantado de Administración de Empresas en sus distintas concentraciones.

-Distribución de Poisson

Es una distribución de probabilidad de una variable aleatoria discreta que nos

proporciona la probabilidad de que ocurra un determinado suceso. Un número
de veces en un intervalo determinado.

Ejemplo: En un hospital de una importante ciudad se está estudiando los

nacimientos de bebés varones. Se sabe que en una semana nace una media
de siete varones. Calcular:

1 Probabilidad de que nazcan 3 varones en una semana

2 Probabilidad de que nazcan menos de 3 varones a la semana

X=nacimientos de bebes varón

µ=7 varones a la semana

e=2,7182

µ𝑘 .𝑒 −µ
P(x=k) 𝑘¡
𝟕𝟑 .𝒆−𝟕
P(x=3)= =0,052 ~ =5,2%
𝟑¡

P(x<3)=P(x=0) + P(x=1) + P(x=2)

𝟕𝟎 .𝒆−𝟕
P(x=0)= =0,001
𝟎¡

𝟕𝟏 .𝒆−𝟕
P(x=1)= =0,006
𝟏¡
 𝟕𝟐 .𝒆−𝟕
P(x=2)= =0,022
𝟐¡

0,001 + 0,006 + 0,022=0,029~= 2,9%

Aproximadamente 2,9% hay menor probabilidad de que nazcan menos varones

a la semana

Características:
. Los sucesos tienen que ser aleatorios.

. Los sucesos que ocurren en nuestro intervalo deben ser independientes.

Porque si no podremos aplicar la distribución de Poisson.

. La distribución de Poisson se caracteriza por las siguientes propiedades:

. Sea una población de tamaño infinito.

. Sea A un suceso que tiene una probabilidad (P), de suceder durante un

periodo de tiempo, longitud, área…….

Uso de las tablas:

Uso de la tabla de Poisson:

Se utiliza para trabajos financieros.

Ejemplo:

En una tienda entran 15 personas por hora. Determina la probabilidad de que

entren.....

Ų = tasa promedio

X = número de éxitos

a) exactamente 20 personas en 1 hora

Ų = 15

X = 20

P(x = 20)= F( 20 ) - F( 19 )

0, 9170 - 0,8752 = 0,0418

b) de 6 a 9 personas en media hora

Ų = 15/2 = 7,5

X = 6, 7, 8,9

P (6 < 9) = F (9) - F (5) =

0,7764 - 0,2414 = 0,5350

C) más de 30 personas en 2 horas

Ų = 15 × 2 = 30

X = 31, 32, 33 hasta infinito

P (x > 30) = 1- F (30) 1 - 0,5484=0,4516

1 - 0,5484 = 0,4516
Distribuciones continúas de Probabilidades:
Las Distribuciones continuas son aquellas encargadas de describir las
probabilidades de los posibles valores de una variable aleatoria continua la cual
va a ser una variable aleatoria con un conjunto de valores posibles que se les
conoce como rango, el cual es infinito, es decir, no se puede contar

➢ Generada por una variable continua(x)

➢ (x) es una variable que puede tomar tantos valores enteros como
fraccionarios, y estos valores están dado desde cero hasta infinito
ejemplo: 0 1 -2 o ½ 1/3 4/5
➢ 𝒇(𝒙) ≥ 𝟎 las probabilidades asociadas a cada uno de los valores que
toma x debe ser mayores o iguales a cero. Dicho que otra forma, la
función de la densidad de probabilidad deberá tomar solo valores
mayores o iguales a cero.
∞
➢ ∫−∞ 𝑓(𝑥)𝑑(𝑥) = 1 la sumatoria de las probabilidades asociadas a cada
uno de los valores que tome (x) debe ser a 1, es decir, el área que se
encuentra definida bajo la función de densidad de probabilidad deberá
ser 1
Ejemplo (1)

➢ La esperanza en matemática esta dado por

∞
∫−∞ 𝑥𝑓(𝑥)𝑑𝑥 = µ
➢ Varianza en matemática
∞
➢ V(x)=∫
−∞
𝑥 − 𝐸(𝑥)2 𝑓(𝑥)𝑑𝑥 = 𝑂2

-Distribución Normal
Distribución continua que describe el comportamiento de ciertas variables
aleatorias, descritas por los parámetros de ų y ó

Una de las aplicaciones de las desviaciones estándar consiste en la regla

empírica. A medida que mayor número de datos se agrega a la muestra de
ciertas variables aleatorias, la distribución de probabilidad va tomando una
forma de campana, una distribución normal o gaussiana.

1 2
−1 𝑥− µ
F(x) e 2
𝑂√2𝜋 𝑂
µ=media

O=desviación estándar

π= 3,1415…

e=2.7182…

F(x)

Área=1 Pr(𝑎 < 𝑋 < 𝑏)

-∞ ∞

a µ b x
Distribución normal Estándar:

Cada curva normal tiene su propio µ y σ; por lo tanto el número de distribución

normal es ilimitado. La distribución normal estándar, o tipificada o reducida, es
aquella que tiene por media el valor cero, μ =0, y por desviación típica la
unidad, σ =1.

Para evitar el cálculo de cada distribución se utiliza una sola curva normal
estándar

Su función de densidad es:

1 −𝑥 2
F(x)= e
√2𝜋 2
Su gráfica es:

La probabilidad de la variable X dependerá del área del recinto sombreado en

la figura. Y para calcularla utilizaremos una tabla.

Tipificación de la variable

Para poder utilizar la tabla tenemos que transformar la variable X que sigue una
distribución N (μ, σ) en otra variable Z que siga una distribución N (0, 1).

𝑋−µ
Z=
σ

Uso de Tablas.
T Student:
La prueba "t" de Student es un tipo de estadística deductiva. Se utiliza para
determinar si hay una diferencia significativa entre las medias de dos grupos.
Con toda la estadística deductiva, asumimos que las variables dependientes
tienen una distribución normal.
Uso de Tabla
Ejemplo:

Sea una empresa que fabrica tornillos para una multinacional reconocida en
Venezuela, dicha compañía afirma que sus productos tienen un promedio de
25 horas de elaboración. Para mantener este promedio se prueban 15 tornillos
cada mes, entonces si el valor T calculado cae entre t-0.01 y t0.01 la empresa
queda satisfecha con su afirmación.

¿Qué conclusiones debería sacar la empresa a partir que una muestra que
tiene una media de 27.5 horas y una desviación estándar de 5 horas?

Para la formula que más a utilizar es la siguiente:

𝑋−µ
t= σ
√𝑛
t: T Student

x: media muestral

µ: media poblacional

σ: desviación estándar de la muestra

√𝑛:tamaño de nuestra muestra

Esta es la formula para hallar el estadistico de prueba de nuestra distribucion
de T student.

µ=25 X=27,5

n=16 σ: 5

𝛼=(0,01)
Indentificar nuestra hipotesis nula y la hipotesis alternativa

Hn=µ 25

Ha= µ ≠25
Ahora identificar el valor critico de nuestra distribucion

α=0,01= 1%

Gl: grado de libertad

Gl= n-1 n=16

16-1=15

Gl=15

Ahora lo vamos a buscar en la tabla prueba de hipotesis

Y nuestro valor critico es de 2.6025

27,5

Region de rechazo Region de rechazo

Region de eceptacion

-2.6025 2.6025
 𝑋−µ 27.5−5 2,5 2,5
t= σ = 5 = 5 = =2
1,25
√𝑛 √16 4
si en este caso -2,6025 < x < 2,6025

2< 2,6025

Se acepta la hipotesis nula y por ende existe suficiente evidencia para

demostrar que el promedio de horas es igual 25 ratificando la afirmacion de
nuestra empresa

-OTRAS DISTRIBUCIONES

✓ DISTRIBUCIÓN HIPERGEOMETRICA

Esta distribución normalmente se plantean en que una población o conjunto "

N" se le extrae una muestra "n" dentro de la cual se espera que "x" las veces
en que ocurre un evento, que también está ocurriendo "k" veces en la
población.

N = población

n = muestra

X = el suceso

K = las veces que ocurre el suceso

✓ Distribución uniforme

Es útil para describir una variable aleatoria con probabilidad contante sobre el
intervalo (a, b)

Una variable aleatoria continua X tiene una distribución uniforme en el intervalo

(a, b) si:

1.- el rango de x es el intervalo (a, b)

2.- la función de densidad de probabilidad

1
F(x)= 𝑏−𝑎, a≤x≤b
0,

En otro caso
 F(x)

1
𝑏−𝑎

a b x

Ejemplo: para determinar si la sexta cuerda de una guitarra se encuentra en

buen estado, se mide su frecuencia de vibración.

Asumimos que la frecuencia ( hz) x tiene una distribución uniforme con A = 80 ,

B = 165

a) escriba la función densidad de probabilidad de x?

X = frecuencia de vibración de la sexta cuerda de una guitarra.

1
F(x)=
85 si 80≤ x ≤165
0

si x < 80 o x >165
b) ¿cuál es la probabilidad de que la frecuencia de vibración sea mayor a 100 hz?

165 1 1
P(x>100)= ∫
100 85
𝑑𝑥 = (165 − 100) = 0.7647
85
c) ¿cuál es la probabilidad de que la frecuencia se encuentre entre 80 y 95 hz?

95 1 1
P (80< x < 95)=∫80 𝑑𝑥 = (95-80)=0,1764
85 85
d) calcule la frecuencia esperada de vibración de la sexta cuerda de una guitarra

𝐴+𝐵 80+165
E(x)= = =122.5 hz
2 2
 Conclusión

La estadística juega un papel muy importante en nuestras vidas, ya que

actualmente ésta se ha convertido en un método muy efectivo para describir
con mucha precisión los valores de datos económicos, políticos, sociales,
psicológicos, biológicos y físicos, además, sirve como herramienta para
relacionar y analizar dichos datos.

La probabilidad tiene la enorme cualidad de representar adecuadamente la

realidad de muchos procesos sociales y naturales, y, por lo tanto, su
conocimiento permite predecir mucho mejor el mundo en que vivimos

Conocer la teoría nos ayuda a enfocar soluciones y conocer la realidad nos

ayuda a contextualizar y a diferenciar soluciones.

Para desarrollar un buen proyecto ambiental siempre es necesario conocer las

bases estadísticas del lugar donde vayamos a trabajar.
 Bibliografía
• https://www.hiru.eus/es/matematicas/distribucion-binomial

• http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/51normal_y_norm

al_estndar.html

• Anderson D. (2019). Estadística para negocios y economía. CENGAGE.

• Lind, D.; Marchal, W. & Wathen, S. (2019). Estadística aplicada a los negocios y

la economía. Mc Graw Hill.

• E. M. Sloand et al., “HIV testing: state of the art”, Journal of the American

Medical Association, 266, 1991, págs. 2.861-2.866.

• https://www.youtube.com/watch?v=bDfCURXoKkU&ab_channel=Matem%C3%

A1ticasprofeAlex

• Kolmogorov A. N. Foundations of the theory of probability. Chelsea

Publishing Company, 1950.

• Mood A. M., Graybill F. A., Boes D. C. Introduction to the theory of

statistics. McGraw Hill, 1983.

• Miller I., Miller M. John E. Freund’s mathematical statistics. Prentice Hall,

1999.

• Ross S. A first course in probability. Macmillan Publishing Company,

1994.

• Wisniewski P. M., Bali G. Ejercicios y problemas de la teor´ıa de las

probabilidades. Trillas, 1998.

• Velasco G., Wisniewski P. Probabilidad y estad´ıstica para ingenier´ıa y

ciencias. Thomson, 2001.