UNIVERSIDAD VERACRUZANA

FACULTAD DE MEDICINA VETERINARIA Y

ZOOTECNIA
EXPERIENCIA EDUCATIVA
BIOESTADSTICA I
PROBABILIDAD
CATEDRATICO:
ING.RUBEN GARCIA GONZALEZ
Probabilidad
La teora de la probabilidad proporciona la
base para la inferencia estadstica.
Definicin: La probabilidad es la
posibilidad de que ocurra un evento en
particular.
Clases de probabilidades
Objetiva
Probabilidad clsica a priori
Probabilidad clsica emprica o a posteriori
(llamada probabilidad de frecuencia relativa)
Subjetiva
Probabilidad objetiva
La probabilidad objetiva se calcula a partir
de un conocimiento previo o informacin
real.
Probabilidad subjetiva
Esta se refiere a la probabilidad de la
ocurrencia de un evento asignada por una
persona en particular. Esta probabilidad
puede ser muy diferente a la probabilidad
subjetiva asignada por otra persona.
La probabilidad subjetiva esta basada
normalmente en una combinacin de la
experiencia, opinin personal y el anlisis
de una situacin en particular.
Probabilidad clsica a priori
Definicin: Si un evento puede ocurrir de
N maneras mutuamente excluyentes e
igualmente probables y si m de estas
posee una caracterstica E, la
probabilidad de que ocurra E es igual a
m/N. Si P(E) simboliza la probabilidad de
ocurrencia del evento E se tiene:
P(E) = m / N
Ejemplo
Cual es la probabilidad de que al tirar un
dado, este caiga 3.
m = 1 (resultados favorables)
N = 6 (resultados posibles)
P(3) = 1/6
Probabilidad clsica emprica o de
frecuencia relativa
Definicin: Si un proceso se repite un gran
nmero de veces n, y si algn evento
resultante con la caracterstica E ocurre
m veces, la frecuencia relativa de
ocurrencia de E, fr= m/n, ser
aproximadamente igual a la probabilidad de
ocurrencia del evento E.
P(E) = m / n
Ejemplo
Si la siguiente tabla de
frecuencias muestra
los pesos en Kg. de 10
pollo y se escoge al
azar uno de ellos, que
probabilidad se tiene
de que este pese
2.0Kgs.
.Tabla
x f fr = P(x)
1.5 1 0.1
1.7 2 0.2
2.0 4 0.4
2.3 2 0.2
2.5 1 0.1
P(2.0) = 4/10 = 0.4
Conceptos bsicos
Experimento. Un experimento es un
proceso mediante el cual obtenemos una
observacin.
Experimento aleatorio. Es aquel cuyos
resultados no pueden predecirse antes de su
realizacin, y por lo tanto estn sujetos al
azar.
Espacio muestral. Es el conjunto M
integrado por todos los resultados posibles
de un experimento.
Por ejemplo al tirar un dado se tienen seis
resultados posibles, por lo tanto su espacio
muestral es:
M = {1,2,3,4,5,6}
Conviene destacar que, dado un espacio
muestral, pueden construirse diversos
espacios muestrales. Por ejemplo, del
experimento de tirar el dado, el espacio
muestral para los resultados mayores de tres
seria:
M = {4,5,6}
Evento. Un evento es un subconjunto del
espacio muestral. Cada forma posible de
acontecimiento se conoce como un evento
Al tirar el dado se podran establecer los
siguientes eventos:
A = {4} ; B = {4 6) ; C = {2 < x < 5)
Axiomas de probabilidad
Primer axioma. Dado un proceso o
experimento con n resultados posibles
mutuamente excluyentes (llamados
eventos), E
1
,E
2
,...E
n
; a la probabilidad de
ocurrencia de cualquier evento P(E
i
) se le
asigna un nmero real que varia entre 0 y 1.
0 P(E
i
) 1
Segundo axioma. La suma de las
probabilidades de todos los resultados
posibles mutuamente excluyentes de un
experimento o suceso, es igual a 1.Esta
propiedad se conoce como de
exhaustividad: P(E
i
) =1
P(E1) + P(E2) + P(E3) +....+ P(En) = 1
Para el caso de los pollos se tiene:
P(1.5)+P(1.7)+P(2.0)+P(2.3)+P(2.5) = 1
0.1 + 0.2 + 0.4 + 0.2 + 0.1 = 1
Tercer axioma. Si consideramos dos
eventos mutuamente excluyentes, E
i
y
E
j
. La probabilidad de que ocurra E
i

E
j
es igual a la suma de sus
probabilidades individuales (funcin
aditiva).
P(E
i
E
j
) = P(E
i
) + P(E
j
)
Ejemplo. La probabilidad de escoger al azar
un pollo que pese 2.0 2.5 Kg. es:
P(2.0 2.5)= P(2.0) + P(2.5) =0.4 + 0.1= 0.5
Teora de conjuntos
Esta teora es una herramienta matemtica
de gran utilidad en muchas ramas de la
matemtica incluyendo la probabilidad.
Conjunto. Es cualquier coleccin de
conceptos o de objetos perfectamente
especificados. Se representan por una letra
mayscula y sus elementos entre llaves.
A= {a,e,i,o,u};B = {x/x sea una consonante)
Elemento. Los objetos que integran a un conjunto
se les conoce como elementos del conjunto. En
caso de letras se utilizan minsculas.
A = { a,e,i,o,u}; B = { 1,2,3,4}
C = {Pedro,Pablo}
Si un elemento pertenece o no a un conjunto se
representa con los smbolos siguiente:
(Es un elemento del conjunto)
(No es un elemento del conjunto)
1B (uno es un elemento del conjunto B)
e B(e no es un elemento del conjunto B)
Formas de representar un conjunto
Forma tabular. Esta se caracteriza por especificar
o enumerar cada uno de los elementos que
integran al conjunto.
A = {a,e,i,o,u}; B = {Pedro,Pablo}
Forma descriptiva.Esta se caracteriza por indicar
las cualidades o caractersticas que deben tener los
elemento del conjunto.
A = {x/x sea una vocal)
Se lee: El conjunto A formado por los elemento
x tales que x sea una vocal.
Igualdad de conjuntos
Dos conjuntos A y B son iguales si y slo si
tienen los mismos elementos.Entonces A=B
A= {1,2,3,4}; B = {3,2,1,4}; C ={6,1,3,2,4}
A = B (iguales)
A C (diferentes)
Subconjunto
Sea A y B dos conjuntos. Si todo elementos de A
es tambin un elemento de B, diremos que A es un
subconjunto de B. Simblicamente se indicar :
A B (A es subconjunto de B)
En caso contrario se indicar:
A B (A no es un subconjunto de B)
A= {1,2,3,4}; B = {3,2,1,9}; C ={6,1,3,2,4}
A C (A es subconjunto de C)
A B (A no es subconjunto de B)
Conjunto vaco
Es el conjunto que carece de elementos, se
denota por el smbolo .
Ejemplo:
A = {x/x es un felino con diez patas)
A =
Conjunto finito
Es aquel cuyos elementos pueden contarse y
terminar de contarse.
G = {x/x es una vocal}
F = {x/x es un alumno del grupo 201}
Conjunto infinito
Es aquel cuyos elementos pudren contarse
pero no terminar de contarse.
Ejemplo :
H = {x/x es un nmero par}
Z = {x/x sea una estrella}
Conjuntos ajenos
Son aquellos que no tienen ningn elemento
comn o sea que son mutuamente
excluyentes.
A = {1,2,3,4} ; B = {7,8,9,6}
Conjunto universal
Es el conjunto formado por todos los
elementos en que se tiene inters. Puede ser
tan grande como sea necesario y se
representara por la letra U.
U = {x/x sea un ro}
A = {x/x sea un ro de Veracruz}
A U
Diagramas de Venn Euler
Los conjuntos, sus relaciones y las
operaciones algebraicas que con ellos se
realizan pueden representarse grficamente
mediante lo que llamamos Diagramas de
Venn Euler o simplemente Diagramas de
Venn.
En un diagrama de Venn Euler, el conjunto
universal se representa por un rectngulo, y
los conjuntos de inters por crculos.
Representacin en diagrama de Venn-Euler
D C ; C B ; B y D son ajenos , A U
U
A B
C
D
Operaciones bsicas de conjuntos
Unin
Interseccin
Diferencia
Complemento
Unin de dos conjuntos
A B
La unin de dos conjuntos A y B, es el
nuevo conjunto formado por todos los
elementos de A y de B. Se representa
mediante el smbolo
A B = {x/xA xB}
(A B) = (B A)
A (A B)
B (A B)
Diagrama de Venn Euler
A B
A
B
U
U
A B
Sean A = {1,2,3,4} y B = {2,4,6,8}; C={3,4,5,6}
U = {1,2,3,4,5,6,7,8,9}
Determinar: AB y (ABC)
AB = {1,2,3,4,6,8} (ABC) = {1,2,3,4,5,6,8}
A B
C
U
A B
A
B
C
U
A B C
Interseccin de dos conjuntos
A B
La interseccin de dos conjuntos A y B, es
el nuevo conjunto formado por todos los
elementos comunes de A y de B. Se
representa mediante el smbolo
A B = {x/xA y xB}
(A B) = (B A)
(A B) A
(A B) B
Diagrama de Venn Euler
A B
A
B
U
U
A B
Sean A = {1,2,3,4} y B = {2,4,6,8}; C={3,4,5,6}
U = {1,2,3,4,5,6,7,8,9}
Determinar: A B y (A B C)
A B = {2,4} (A B C) = {4}
A B (A B C)
A B
C
U A
B
C
U
Diferencia
A - B
La diferencia de un conjuntos A respecto a
un conjunto B, es el nuevo conjunto
formado por todos los elementos del
conjunto A que no pertenezcan al conjunto
B. Se representa mediante el smbolo -
A - B = {x/xA y xB}
(A - B) (B - A)
(A - B) A
(B - A) B
Diagrama de Venn Euler
A - B
A
B
U
A - B
U
Sean A = {1,2,3,4} y B = {2,4,6,8}; C={3,4,5,6}
U = {1,2,3,4,5,6,7,8,9}
Determinar: A-C y (B-C)
A-C = {1,2} (B-C) = {2,8}
A B
C
U
A - C
A
B
C
U
B - C
Complemento de un conjuntos
A
El complemento de un conjunto A, es el
nuevo conjunto formado por todos los
elementos de conjunto Universal que no
pertenezcan al conjunto A. Se representa
mediante el smbolo A
A = {x/xU y xA}
A = U - A
Diagrama de Venn Euler del A
A
U
A
Reglas de conteo
Las tcnicas de conteo son tiles para
calcular la probabilidad de un evento,
cuando es grande el nmero de resultados
favorables y posibles de ocurrencia.
Reglas de conteo bsicas
Primera. Si un experimento puede ocurrir
de k maneras posibles y mutuamente
excluyentes y este experimento se repite
n veces, el nmero de resultados posibles
ser:
k
n
Ejemplo
Si se tira un dado (de seis lados) en dos
ocasiones, cul es el nmero de resultados
posibles.
k = 6
n = 2
k
n
= 6 = 36
Segunda. Si un experimento tiene k1
resultado posible, un segundo experimento
k
2
resultados posibles y el ensimo
experimento tiene Kn resultados posibles, el
nmero de resultados posibles de ellos
estar dado por:
(k
1
)(k
2
)........(k
n
)
Si en el men de un restaurante se pueden
seleccionar cuatro aperitivos, diez platos
principales, tres bebidas y seis postres, el
total de cenas posibles sera:
(4)(10)(3)(6) = 720
Tercera. El nmero de formas en que se
pueden ordenar todos los n objetos es:
n! = n(n-1)(n-2)(n-3).......(3)(2)(1)
n! = n(n-1)!
n! Se denomina n factorial
0! = 1
1! = 1
Calcular el nmero de formas en que se
pueden ordenar seis libros en un librero.
6! = (6)(5)(4)(3)(2)(1) = 720
Diagrama de rbol
De cuantas formas se pueden ordenar los
libros A, B y C (3! = 6)
A
B
C
B
C
A
C
A
B
C
B
C
A
B
A
Permutaciones de n objetos tomados de r en r
n
P
r
En muchos casos se necesita conocer el nmero de
formas en las que se pude colocar en orden un
subconjunto de todo el grupo de objetos. Cada
posible arreglo se conoce como permutacin.
En las permutaciones nos interesa el orden que
guardan los objetos y se calcula de la manera
siguiente:
n
P
r
= n! / (n-r)!
Ejemplo: Calcular el nmero de arreglos
ordenados de cuatro libros seleccionados de
entre seis libros:
6
P
4
= 6! / (6-4)! = 6! / 2! = 360
Hay 360 formas de ordenar seis libros tomados de
cuatro en cuatro.
Nmero de permutaciones de 3 objetos
tomados de 2 en 2
Objetos A, B y C
A - B
A - C
B - A
B - C
C - A
C - B
Combinaciones de n objetos tomados
de r en r
Las combinaciones nos da el nmero de formas de
seleccionar r objetos de n objetos, sin tomar en
cuenta el orden.
Se puede representar como
n
C
r
y ser igual:
Calcular el nmero de combinaciones que se pueden hacer
con seis libros tomados de cuatro en cuatro.
6
C
4
= 6! / 4!(6-4)! = 6! / 4!2! = 15
n
C
r
= n! / r!(n-r)!
Nmero de combinaciones de 3 objetos
tomados de 2 en 2
Objetos A, B y C
A -B
A -C
B -C
Nmero de permutaciones de n objetos
cuando no todos son distintos es:
Donde: x
1
+x
2
+..+x
k
= n
n = Nmero de objetos
x
1
,x
2
,...x
k
= Nmero de objetos repetidos de cada clase.
n!
n
P
x1,x2,...xk
= --------------------
x
1
! .x
2
!........x
k
!
Ejemplo
Si se tienen 3 banderas rojas, 2 verdes y 1
blanca, cuantas seales distintas pueden
hacerse:
6!
6
P
3,2,1
= -------------- = 60
3! 2! 1!
Probabilidad de un evento
La probabilidad de un evento esta dada de la
siguiente manera:
P(E)= n(E) / n(M)
n(E) = Nmero de resultados favorables
n(M) =Nmero de resultados posibles.
Probabilidad marginal P(Ei)
Se conoce como probabilidad marginal, aquella que
es obtenida mediante el nmero total de resultados
posibles del espacio muestral n(M) como
denominador.
Si se tira un dado que probabilidad se tiene de que
salga 4
P(4) = 1 / 6
P(E
i
) = n(E
i
) / n(M)
Ejemplo
Considerese la siguiente tabla que da la
relacin del nmero de cerdas clasificadas
en base a su origen y su capacidad
productiva.
Capacidad productiva
Origen Buena(B) Mala(A) Total
Sur(S) 139 71 210
Norte(N) 21 42 63
Total 160 113 273
Determinar las siguientes probabilidades.
P(S)= n(S) / n(M) = 210/273 = 0.769
P(N)= n(N) / n(M) = 63/273 = 0.231
P(B)= n(B) / n(M) = 160/273 = 0.586
P(A)= n(A) / n(M) = 113/273 = 0.414
P(B N) = n(B N) / n(M)= 21 / 273=0.077
P(A B) = n(A B) / n(M) = 273 / 273 =1
Regla de la adicin (E
i
E
j
)
La regla de la adicin se puede presentar
para dos tipos distintos de eventos:
Eventos no mutuamente excluyentes
Eventos mutuamente excluyentes
Eventos no mutuamente excluyentes
Dado dos eventos no mutuamente excluyentes E
i
y E
j
, La
probabilidad de que el evento E
i
o el evento E
j
o ambos ocurra, es
igual a la probabilidad de que el evento E
i
ocurra ms la
probabilidad de que el evento E
j
ocurra menos la probabilidad de
que ambos ocurran simultneamente.
P(E
i
E
j
) = P(E
i
) + P(E
j
) - P(E
i
E
j
)
P(E
i
)
P(E
j
)
1
P(E
i
E
j
)
P(E
i
E
j
)
1
Eventos mutuamente excluyentes
Dado dos eventos mutuamente excluyentes E
i
y E
j
, La
probabilidad de que el evento E
i
o el evento E
j
o ambos ocurra,
es igual a la probabilidad de que el evento E
i
ocurra ms la
probabilidad de que el evento E
j
ocurra.
P(E
i
E
j
) = P(E
i
) + P(E
j
)
P(E
i
)
P(E
j
)
1 1
P(E
i
E
j
)
Ejemplo
Supongase que en un grupo de 502 personas
se determino que la distribucin de los
grupos sanguneos era la siguiente.
Grupo Sexo
sanguneo Masculino Femenino Total
O 113 113 226
A 103 103 206
B 25 25 50
AB 10 10 20
Total 251 251 502
Ejemplo
Si del ejemplo del tipo sanguneo se toma al
azar una persona, que probabilidad se tiene
de que esta sea de tipo sanguneo A o B
P(A B) = P(A) + P(B)
= 206 / 502 + 50 / 502
= 0.410 + 0.099 = 0.509
Ejemplo
Si del ejemplo del tipo sanguneo se toma al
azar una persona, que probabilidad se tiene
de que esta sea femenina o de tipo
sanguneo A.
P(F A) = P(F) + P(A) - P(F A)
= 251 / 502 + 206 / 502 - 103 / 502
= 0.50 + 0.41 - 0.205 = 0.705
Probabilidad condicional P(Ei/Ej)
Cuando se calcula la probabilidad de un
evento con un subconjunto del espacio
muestral como denominador, el resultado es
una probabilidad condicional.
P(E
i
/E
j
) = n(E
i
E
j
) / n(E
j
) donde E
j
>0
Se lee, Probabilidad de que ocurra el evento
E
i
dado que ocurre E
j
.
Ejemplos en base a la tabla de las cerdas
P(B / N) = n(B N) / n(N) = 21 / 63 = 0.333
P[(B N) / S] = n[(B N) (S)] / n(S)
= 139 / 210 = 0.6619
P[(S - A) / B] = n[(S - A) B] / n(B)
= 139 / 160 = 0.8687
Otro concepto de la probabilidad
condicional
Si en la formula anterior se divide el
numerador y denominador por n(M), se tiene
que:
n(E
i
E
j
) / n(M) P(E
i
E
j
)
P(E
i
/ E
j
)= ------------------------- = -------------
n(E
j
) / n(M) P( E
j
)
P(E
j
) > 0
Definicin: La probabilidad condicional de
E
i
dado E
j
, es igual a la probabilidad
conjunta de (E
i
E
j
) entre la probabilidad
de (E
i
), siempre que la probabilidad de (E
j
)
no se cero.
Ejemplo: De la tabla de las cerdas determinar
P(B / N) = P(B N) / P(N) = 0.077 / 0.231=0.333
Regla de la multiplicacin
La regla de la multiplicacin se puede
presentar para dos tipos distintos de
eventos:
Eventos dependientes
Eventos independientes
Eventos dependientes
Dado dos eventos dependientes E
i
y E
j
,
la probabilidad de que el evento E
i
y el
evento E
j
ocurran simultneamente, es
igual a la probabilidad de que el evento E
j

ocurra por la probabilidad condicional de
que el evento E
i
ocurra dado que ocurre el
evento E
j
.
P(E
i
E
j
) = P(E
j
) * P(E
i
/ E
j
)
Ejemplo en base a la tabla de las cerdas
Si se escoge al azar de una piara una cerda,
sabiendo que la probabilidad de que sea
buena productiva es de 0.586, de que sea
buena productora dado que es originaria del
norte es de 0.333, y que sea originaria del
norte es de 0.231.Que probabilidad se tiene
de que la cerda escogida sea buena y del
norte.
P(B N) = P(N) * P(B / N)= 0.231*0.333=0.077
Eventos independientes
Dado dos eventos independientes E
i
y
E
j
, la probabilidad de que el evento E
i
y
el evento E
j
ocurran simultneamente, es
igual a la probabilidad marginal de que el
evento E
i
ocurra por la probabilidad
marginal de que el evento E
j
ocurra.
P(E
i
E
j
) = P(E
i
) * P(E
j
)
Condicin de independencia
Dos eventos E
i
y E
j
son independientes
si se cumple que:
P(E
i
/ E
j
) = P(E
i
)
Tomando como referencia la tabla del tipo
sanguneo anterior:
Podr decirse que el sexo y el grupo sanguneo
son independientes?
P(M/O) = 113 / 226 = 0.5
P(M) = 251 / 502 = 0.5
Dado que la probabilidad condicional es igual a la
probabilidad marginal, las dos caractersticas son
independientes.
Determinar la probabilidad conjunta de ser
masculino y tipo sanguneo O.
P(M O) = P(M) * P(O) = 0.50 * 0.45=0.225
Probabilidad del complemento de un
evento
Dado que la probabilidad de un evento es
igual a uno menos la probabilidad de su
complemento, se tiene que:
P(E) = 1 - P(E)
Esto se deduce de la tercera propiedad de la
probabilidad, ya que el evento (E) y su
complemento (E) son mutuamente
excluyentes.
Ejemplo: De la tabla anterior que
probabilidad se tiene de que al escoger una
persona al azar esta no sea de tipo
sanguneo B.
P(M) = 1 (Espacio muestral o universo)
P(B) = 1 - P(B) = 1 - 50/502 = 0.90
P(B)
P(B)
Ejercicios Complementarios
Una rata es colocada en una caja con tres botones de color: rojo, azul y
amarillo. Cul es la probabilidad de que las dos veces pulse la roja
Cul es la probabilidad de que pulse la primera vez o la segunda o ambas
la tecla azul?
9
5
9
1
9
6
9
1
3
2
9
1
3
1
3
1
) (
:
) ( ) ( ) ( ) (
2 Pr
9
1
3
1
3
1
) ( ) ( ) (
3
1
) ( ;
3
1
) ( ;
3
1
) (
) (
1 Pr
:
2 1
2 1 2 1 2 1
2 1 2 1
2 1
= = = + =
+ =
= = =
= = =

A A P
do Sustituyen
A A P A P A P A A P
egunta
R P R P R R P
A P A P R P
R R P
egunta
Datos
Sabemos que la probabilidad de que en una ruleta salga 10 veces seguida
el color rojo es muy pequea. Habiendo salido 9 veces seguida el rojo, un
jugador apuesta al negro. Qu probabilidad tiene de ganar?
5 . 0
5 . 0
5 . 0
) ... (
) ... (
) ... / (
: Pr
5 . 0 ) ( 5 . 0 ) (
9
10
9 2 1
9 2 1 10
9 2 1 10
= =
=


=
= =
R R R P
R R R N P
R R R N P
egunta
N P y R P
I
En un asignatura se ha decidido aprobar a aquellos que aprueben uno de
los dos parciales. Con este criterio aprob el 80%, sabiendo que el primer
parcial lo aprob el 60% y el segundo el 50%. Cul hubiera sido el
porcentaje de aprobados, si se hubiera exigido aprobar ambos parciales?
Si A1 es el suceso aprobar el primer parcial y A2 aprobar el segundo
parcial, se tiene:
3 . 0 8 . 0 5 . 0 6 . 0
) ( ) ( ) ( ) (
: Pr
5 . 0 ) ( 6 . 0 ) ( ; 8 . 0 ) (
:
2 1 2 1 2 1
2 1 2 1
= + =
= + =
= = =
A A P A P A P A A P
egunta
A P y A P A A P
Datos
La probabilidad de resolver correctamente alguna de las dos tareas de
bioestadstica es de 0.45. La de resolver la primera es de 0.40 y la segunda
de 0.30. La resolucin de las dos tareas es independiente?
Si V1 es el suceso de resolver la tarea 1 y V2 la de resolver la tarea 2
ntes independie son no to lo Por
Como
V P V P V V P
V V P V P V P V V P
egunta
V P y V P V V P Datos
tan
12 . 0 25 . 0 :
12 . 0 3 . 0 4 . 0 ) ( ) ( ) (
25 . 0 45 . 0 3 . 0 4 . 0 ) ( ) ( ) ( ) (
: Pr
3 . 0 ) ( 4 . 0 ) ( ; 45 . 0 ) ( :
2 1 2 1
2 1 2 1 2 1
2 1 2 1

= = =
= + = + =
= = =
Teorema de Bayes
En el ao 1763, dos aos despus de la muerte de
Thomas Bayes (1702-1761), se public una
memoria en la que aparece, por vez primera, la
determinacin de la probabilidad de las causas a
partir de los efectos que han podido ser observados.
El clculo de dichas probabilidades recibe el
nombre de teorema de Bayes.
Sea A1, A2, ...,An una particin de sucesos, tales que
la probabilidad de cada uno de ellos es distinta de
cero, y sea B un suceso cualquier cuya probabilidad es
diferente de cero, del que se conocen las
probabilidades condicionales P(B/Ai). entonces la
probabilidad P(Ai/B) viene dada por la expresin:
( )
( )
n i para
A P
A
B
P
A P
A
B
P
B
A
P
n
i
i
i
i
i
i
,..., 2 , 1 ....
*
*
1
=

=
Particin
Se llama particin al conjunto de sucesos A
i
mutuamente excluyentes que conforman a un espacio
muestral (M). Es decir que A
1
U A
2
U ... U An = M
y A
i
A
j
= para toda i j.
Regla de la probabilidad total:
Si un conjunto de sucesos A
i
forman una particin del
espacio muestral y P(A
i
) 0 para toda A
i
, para
cualquier otro suceso B se cumple que:
Demostracin de la Regla de la
probabilidad total
B=B = B (A
1
A
2
... A
n
) = (B A
1
) (B A
2
) ... (B A
n
)
como los A
i
son mutuamente excluyentes, tambin lo son B A
i
, por lo tanto segn el
axioma 2
P(B) = p(B A
1
) + p(B A
2
) + ... + p(B A
n
)
y como P(B A
i
) = P(A
i
) P(B|A
i
) se obtiene la regla de la probabilidad total
Ejemplo
La prevalencia de infarto cardaco para hipertensos es del 0,3% y para no
hipertensos del 0,1%. Si la prevalencia de hipertensin en una cierta poblacin
es del 25% Cul es la prevalencia del infarto en esa poblacin?
Presin
A1 = {ser hipertenso} A2 = {no serlo} estos sucesos constituyen una particin
B = {padecer infarto}
datos: P(B|A1) = 0,003; P(B|A2) = 0,001; P(A1) = 0,25, evidentemente P(A2)
=0,75
P(B)= P(B|A1)* P(A1)+ P(B|A2)* P(A2)
P(B) = 0,003x0,25 + 0,001 x 0,75 = 0,0015
A1
A2
B +
B-
Infarto
Aplicacin
una prueba diagnstica para la diabetes
tiene un CFP de 4% y un CFN del 5%. Si la
prevalencia de la diabetes en la poblacin
donde se usa es del 7% cul es la
probabilidad de que sea diabtico un
individuo en el que la prueba d positiva? y
de que no lo sea uno en el que d
negativo?.
t+u+r+s u t
s d c +
r b a -
Prueba
E NE
Patrn de oro
P(+|NE) = 0,04 por lo tanto P(-|NE) = 0,96
P(-|E) = 0,05 por lo tanto P(+|E) = 0,95
P(E) = 0,07 por lo tanto P(NE) = 0,93
UNIVERSIDAD VERACRUZANA
FACULTAD DE MEDICINA VETERINARIA Y
ZOOTECNIA
MATERIA DE BIOESTADISTICA
DISTRIBUCIONES PROBABILISTICAS
CATEDRATICO:
ING.RUBEN GARCIA GONZALEZ
Distribuciones de probabilidad de
variables aleatorias
Una distribucin de probabilidad, es una
tabla, grfica, frmula o cualquier otro
medio que se utilice para especificar todos
los valores posibles de una variable
aleatoria junto con su probabilidad
respectiva.
Propiedades de una distribucin de
probabilidad
0 P(X = x
i
) 1
P(X = x
i
) = 1
Concepto:
P(X = x
i
) Probabilidad del evento x
i

P(X x
i
) Probabilidad acumulada hasta el
evento x
i

Distribucin de probabilidad del tiro de un dado

Grfico
Tabla
x P(X= x
i
) P(X x
i
)
1 1/6 1/6
2 1/6 2/6
3 1/6 3/6
4 1/6 4/6
5 1/6 5/6
6 1/6 6/6
Distribucin Probabilistica
0.000
0.050
0.100
0.150
0.200
1 2 3 4 5 6
Valor de la variable "x"
0.000
0.200
0.400
0.600
0.800
1.000
1.200
P(X=x)
P(X<=x)
P(X x
i
) P(X= x
i
)
Ejemplos
Determinar las siguientes probabilidades respecto al tirar
un dado de que salga el valor indicado.
Usando la columna de Probabilidad puntual P(X= xi)
P(X= 2)= 1/6
P(2 X 4)= P(X=2)+P(X=4) = 1/6 + 1/6 = 1/3
Usando la columna de probabilidad acumulada P(X xi)
P(X=2) = P(X 2) - P(X 1)= 2/6 -1/6 = 1/6
P(2 X 4) = P(X 4) - P(X 1)= 4/6 - 1/6 = 3/6
P(X>3)= 1 - P(X 3) = 1 - 3/6 = 3/6
P(2>X 5) = P(x 1) + P(X 5)= P(x 1) +1-P(x 4)
= 1/6 + 1 -4/6 = 3/6
Distribuciones de probabilidad importante
De variables discretas:
De Bernoulli
Binomial
Poisson
Hipergeomtrica
Multinomial
De variables continuas
Normal
Normal estndar
t de Student
F de Fisher
Ji- cuadrada
Distribucin de Bernoulli
Consiste en realizar un experimento aleatorio una
sola vez y observar si cierto suceso ocurre o no,
siendo p la probabilidad de que esto sea as (xito)
y q =1-p el que no lo sea (fracaso). En realidad no
se trata ms que de una variable dicotmica, es
decir que nicamente puede tomar dos
modalidades. Podramos por tanto definir este
experimento mediante una v.a. discreta X que
toma los valores X=0 si el suceso no ocurre, y X=1
en caso contrario y se denota por:
Para una v.a. de Bernouilli, tenemos que su
funcin de probabilidad f(x) es:
y su funcin de distribucin F(x):
Un ejemplo tpico de este tipo de variables
aleatorias consiste en lanzar una moneda al
aire y considerar la v.a.
Proceso de Bernoulli. Es toda secuencia de
ensayos de Bernoulli con las siguientes
caractersticas.
Cada ensayo conduce a uno de dos resultados
posibles, mutuamente excluyentes. A uno de
estos resultados, arbitrariamente se le denomina
como Exito y al orto como Fracaso.
La probabilidad de xito, denotada por p ,
permanece constante de ensayo a ensayo. La
probabilidad de fracaso denotada por q ser
igual a (1 - p)
Los ensayos son independientes, es decir, el
resultado de uno, no interfiere con el de otro.
Hay n ensayos, donde n es constante.
Distribucin Binomial
Esta distribucin es de las ms importantes ya que
se encuentra con mayor frecuencia en la
estadstica aplicada. La distribucin binomial se
obtiene a partir de un proceso conocido como
ensayo de Bernoulli.
Para determinar la funcin de probabilidad f(x) haremos el
siguiente razonamiento:
Si p y q son las probabilidades de xito y fracaso en
cada ensayo, entonces la probabilidad de obtener x
xitos y (n-x) fracasos en algn orden especifico es:
p
x
. q
n-x
en base a la regla de la multiplicacin. Si el
nmero de resultados favorables para x xitos esta dado
por las nCx combinaciones, la probabilidad total de que
en n ensayos se obtengan x xitos y n-x fracasos
estar dada por la frmula siguiente que conoce como
distribucin de probabilidad o funcin de probabilidad
Binomial:
para toda x
i
= 0,1...n
p = probabilidad de xito
n = nmero de ensayos
( )
1
1 . . ) , ; (

=
n
x
x n
p p C p n x f
El nombre de distribucin binomial es debido a
que para x
i
= 0,1,2,...,n; los valores de las
probabilidades son los trminos sucesivos del
desarrollo binomial de:
(p + q )
n
En realidad la ecuacin obtenida anteriormente de
la distribucin binomial, define una familia de
distribuciones de probabilidad donde cada
miembro es caracterizado por valores especficos
de los parmetros p y n.
La distribucin binomial tiene una media igual a
np y variancia igual a npq
Determinacin de la distribucin de probabilidad
binomial del problema siguiente
Suponga que el 40% de los nacimientos en
las perras es de machos, si una pare cinco
cachorros, determinar la distribucin de
probabilidad .
b(X=xi; n,p).
Datos:
n = 5
p = 0.4
q = 0.6
x = 0,1,2,3,4,5
Tabla de distribucin de probabilidad
para n = 5 y p = 0.40
x b(x; n,p)
0 0.07776
1 0.2592
2 0.3456
3 0.2304
4 0.0768
5 0.01024
Distribucin binomial
para n = 5 y p = 0.40
Distribucin de probabilidad puntual
0.07776
0.2592
0.3456
0.2304
0.0768
0.01024
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0 1 2 3 4 5
# de exitos
b(x; n,p)
b(X=x; n,p)
Comportamiento de la
distribucin binomial al variar el
parmetro p
Distribucin binomial
para n = 5 y p = 0.50
Distribucin de probabilidad puntual
0.03125
0.15625
0.3125 0.3125
0.15625
0.03125
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0 1 2 3 4 5
# de exitos
b(x; n,p)
b(X=x; n,p)
Distribucin binomial
para n = 5 y p = 0.10
Distribucin de probabilidad puntual
0.59049
0.32805
0.0729
0.0081
0.000450.00001
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 1 2 3 4 5
# de exitos
b(x; n,p)
b(X=x; n,p)
Distribucin binomial
para n = 5 y p = 0.90
Distribucin de probabilidad puntual
1E-05 0.00045
0.0081
0.0729
0.32805
0.59049
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 1 2 3 4 5
# de exitos
b(x; n,p)
b(X=x; n,p)
Observacin
En la practica profesional, se usan las distribuciones de
probabilidad acumulada llamada funcin de distribucin F(x)
para cualquier calculo de la probabilidad de un evento.
Existen ya tablas probabilsticas para la mayora de las
distribuciones de probabilidad acumulada ms comunes.
En el caso de la distribucin binomial las hay que abarcan
distintos valores de sus parmetros n y p.
Distribucin de probabilidad acumulada
para n = 5 y p = 0.40
x b(X<=x; n,p)
0 0.0778
1 0.3370
2 0.6826
3 0.9130
4 0.9898
5 1.0000
Parmetros n = 5 y p = 0.40
Distribucin de probabilidad acumulada
0
.
0
7
7
8
0
.
3
3
7
0
0
.
6
8
2
6
0
.
9
1
3
0
0
.
9
8
9
8
1
.
0
0
0
0
0
0.2
0.4
0.6
0.8
1
1.2
0 1 2 3 4 5 6
# de xitos
b(X<=x; n,p)
b(X<=x; n,p)
Clculo de las siguientes probabilidades del
ejemplo anterior usando la distribucin
acumulada.
Dado n=5 y p=0.4
b(x = 3)= b(x 3)- b(x 2)
= 0.9130 - 0.6826 = 0.2304
b(x < 3) = b(x 2) = 0.6826
b(x 3) = 0.9130
b(x > 3) = 1 - b(x 3)= 1 - 0.9130 = 0.087
b(x 3) = 1 - b(x 2) = 1 - 0.6826 = 0.3174
Continuacin
b(2 x 4) = b(x 4) - b(x 1) = 0.9898 - 0.3370 = 0.6528
b(2 < x < 4) = b(x 3) - b(x 2) = 0.9130 - 0.6826 = 0.2304
b(2 < x 4) = b(x 4) - b(x 2) = 0.9898 - 0.6826 = 0.3072
b(2 x < 4) = b(x 3) - b(x 1) = 0.9130 - 0.3370 = 0.5760
b(2 > x > 4) = b(x 1) + 1 - b(x 4) = 0.3370 + 1 - 0.9898 = 0.3472
Aplicacin de la distribucin binomial en
la gentica poblacional
Supngase que el color de los ojos del
conejo depende del alelo dominante
A(rojo) y del recesivo a (negro). Si los
progenitores de una camada tienen los
siguientes pares de alelos, Aa y Aa, calcular
la probabilidad genotpica y fenotpica de la
camada.
Clculo
Datos: la probabilidad de xito p(rojos) es
de 0.5 y por lo tanto la probabilidad de
fracaso q(negros) es tambin 0.5
Los arreglos posibles con los alelos de las
cras en base a los progenitores son:
A - A (Homocigoto dominante)
A - a (Heterocigoto)
a - A (Heterocigoto)
a - a (Homocigoto recesivo)
Desde el punto de vista binomial los parmetros de
la distribucin de probabilidad son :
n = 2
p = 0.5 y q = 1- p = 0.5
M={aa,Aa,AA) espacio muestral de los xitos
Tabla de distribucin
x b(X=x;n,p) P-G P-F
0(aa) 0.25 0.25 0.25(negros)
1(Aa) 0.50 0.50
2(AA) 0.25 0.25 0.75(rojos)
----------- -------- ------------
1.00 1.00 1.00
Clculo a partir del binomio
(p + q) = p + 2pq + q (los trminos son las probabilidades
genotpicas)
(A + a) = AA + 2Aa + aa (los trminos son los genotipos)
Las probabilidades genotpicas en base a la regla de la
multiplicacin de eventos independientes para una p=P(A)=0.5 y
q=P(a)=0.5 son:
(p + q) = (0.5)(0.5) + 2(0.5)(0.5) + (0.5)(0.5)
= 0.25 + 0.5 + 0.25
Puede observarse que se obtienen los mismos resultados que la
tabla de distribucin binomial.
Distribucin de probabilidad de Poisson
Esta distribucin es un modelo para experimentos
en donde los eventos ocurren en intervalos de
tiempo o espacio y nos interesa el nmero
promedio de ocurrencias en el intervalo. Ejemplos
especficos de fenmenos que pueden
representarse por este modelo tenemos: El nmero
de leucocitos por unidad de volumen, el nmero
de roedores por manzana en la ciudad, el nmero
de aves muertas por da en una granja avcola, ect.
Caractersticas del modelo de Poisson
El promedio de xitos en un intervalo es una
constante , que no cambia de intervalo a
intervalo.
La variancia de la distribucin es tambin igual a
.
La probabilidad de que se tengan dos o ms xitos
en el mismo punto del intervalo es cero.
El nmero de xitos en un intervalo I
j
es
independiente del nmero de xitos en otro
intervalo I
k
, donde I
j
I
k
= .
Definicin
Una variable aleatoria X tiene una distribucin de Poisson si
su funcin de probabilidad esta dada por:
Para x = 0,1,2,3,..
Donde e es una constante igual a 2.71828 (base de los
logaritmos neperianos)
El parmetro de la distribucin es , el nmero promedio de
xitos en el intervalo.
Para cada valor de se tiene una distribucin distinta.
!
) ; (
x
e
x f
x

=
Distribucin de probabilidad de Poisson para =5
x P(X = x)
0 0.0067
1 0.0337
2 0.0842
3 0.1404
4 0.1755
5 0.1755
6 0.1462
7 0.1044
8 0.0653
9 0.0363
10 0.0181
11 0.0082
12 0.0034
13 0.0013
14 0.0005
15 0.0002
16 0.0000
Distribucin grfica de Poisson para =5
Distribucin de Probabilidad de Poisson
0.0000
0.0200
0.0400
0.0600
0.0800
0.1000
0.1200
0.1400
0.1600
0.1800
0.2000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
# de xitos "x"
P( X = x)
P(X = x)
= 10
Distribucin de Probabilidad de Poisson
0.0000
0.0200
0.0400
0.0600
0.0800
0.1000
0.1200
0.1400
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
# de xitos "x"
P( X = x)
P(X = x)
= 15
Distribucin de Probabilidad de Poisson
0.0000
0.0200
0.0400
0.0600
0.0800
0.1000
0.1200
# de xitos "x"
P( X = x)
P(X = x)
Distribucin de probabilidad acumulada de Poisson
para =5
x P(X <=x)
0 0.0067
1 0.0404
2 0.1247
3 0.2650
4 0.4405
5 0.6160
6 0.7622
7 0.8666
8 0.9319
9 0.9682
10 0.9863
11 0.9945
12 0.9980
13 0.9993
14 0.9998
15 0.9999
16 1.0000
Distribucin para =5
Distribucin de probabilidad acumulada de Poisson
0.0000
0.2000
0.4000
0.6000
0.8000
1.0000
1.2000
0 2 4 6 8 10 12 14 16 18
# de xitos "x"
P ( X <= x)
P(X <=x)
Problema
En un estudio sobre roedores en una gran ciudad,
se encontr que el promedio de ellos por manzana
era de cinco(). Si se escoge al azar una manzana
de esa ciudad, que probabilidad se tiene de que se
encuentren:
Ms de cinco roedores
P(X>5) = 1 - P(X 5) = 1 - 0.1660 = 0.8340
Entre 3 y 6 roedores
P(3 x 6) = P(x 6) - P(x 2)
= 0.7622 - 0.1247 = 0.6375
Distribucin Hipergeomtrica
La distribucin Binomial se gener al
realizar n ensayos o repeticiones de un
experimento Bernoulli, es decir, en el cual
hay dos resultados posibles. Las
probabilidades asociadas a cada repeticin
se supusieron constantes, y se supuso
adems que las repeticiones eran
independientes.
La distribucin Hipergeomtrica esta basada en el mismo tipo de
experimento, pero con la diferencia de que las repeticiones o ensayos
no son independientes, es decir, que si E
i
y E
j
son los xitos en el
primero y segundo ensayo, la P(E
i
/ E
j
)P(E
i
).
Para ilustrar la situacin, consideremos lo siguiente:
Se tiene una poblacin de N elementos clasificados en una de dos
categoras mutuamente excluyentes (xito y fracaso).
Dentro de la poblacin se encuentran a xitos y (N-a) fracasos.
Se realizar un experimento de n(tamao de la muestra)
repeticiones o ensayos sin remplazo.
Se desea obtener x xitos en la muestra.
Para respondernos la pregunta anterior haremos el siguiente
razonamiento, basndonos en el concepto de probabilidad de un
evento visto anteriormente:
P(E) = m /n
m= Nmero de resultados favorables.
n = Nmero de resultados posibles.
El nmero de formas de seleccionar x xitos de a xitos en la
poblacin esta dada por el nmero de combinaciones
a
C
x

El nmero de formas de seleccionar n-x fracasos de N-a

fracasos en la poblacin esta dada por el nmero de combinaciones

(N-a)
C
(n-x)

Por lo tanto, aplicando la segunda regla de las tcnicas de

conteo, el nmero de formas de seleccionar x xitos y (n-
x) fracasos en la muestra n estar dado por el producto de
a
C
x
x
(N-a)
C
(n-x)
que es el nmero de resultados favorables
necesarios para el clculo de la probabilidad.
El nmero de resultados posibles de los n ensayos est
dado por las combinaciones de
N
C
n

Por lo tanto la probabilidad de que en n ensayos se
obtengan x xitos ser:
n N
x n a N x a
C
C C
n a N x f
) ( ) (
) , , ; (

=
La frmula calculada se conoce como funcin
Hipergeomtrica, expresada de la manera siguiente:
Para x = 0,1,2,....,a
La media de la distribucin es:
La variancia es:
n N
x n a N x a
C
C C
n a N x f
) ( ) (
) , , ; (

=
N = Tamo de la poblacin
a = N de exitos en la poblacin
n = Tamao de la muestra
x = N de exitos en la muestra
) 1 (
) )( (
1 1
2
2

=
N N
n N a N na
N
n N
N
a N
N
a
n
N
n N
npq
N
a
n np = =
Problema
Se tiene en un corral a 50 aves, de las cuales
20 son hembras.Si una persona escoge al
azar 5 de ellas que probabilidad se tiene de
que le salgan 2 hembras si el muestro es sin
remplazo.
Datos:
N=50 ; n = 5 ; a = 20 ; x = 2
(N-a) = (50-20) = 30
Clculo
20C2 * 30C3
h(2;50,5,20) = ----------------------- = 0.3640
50C5
La probabilidad de obtener 4 hembras es:
20C4 * 30C1
h(4;50,5,20) = ---------------------- = 0.0686
50C5
Clculo de la distribucin de probabilidad puntual
para N=50, n=5, a=20
x h(X=x)
0 0.0673
1 0.2587
2 0.3641
3 0.2341
4 0.0686
5 0.0073
Distribucin hipergeomtrica
N=50, n=5, a=20
Distribucin de probabilidad
0.0673
0.2587
0.3641
0.2341
0.0686
0.0073
0.0000
0.0500
0.1000
0.1500
0.2000
0.2500
0.3000
0.3500
0.4000
0 1 2 3 4 5
# de xitos "x"
h(X=x)
h(X=x)
Distribucin hipergeomtrica acumulada
para N = 50, n = 5, a = 20
x h(X<=x)
0 0.0673
1 0.3259
2 0.6900
3 0.9241
4 0.9927
5 1.0000
Distribucin hipergeomtrica para los parmetros N
= 50, n = 5 y a = 20
Distribucin de probabilidad acumulada
0
.
0
6
7
3
0
.
3
2
5
9
0
.
6
9
0
0
0
.
9
2
4
1
0
.
9
9
2
7
1
.
0
0
0
0
0.0000
0.2000
0.4000
0.6000
0.8000
1.0000
1.2000
0 1 2 3 4 5 6
# de xitos "x"
h(X<=x)
h(X<=x)
Distribucin de probabilidad
Multinomial
Esta distribucin es una generalizacin de la
distribucin binomial cuando cada ensayo
tiene ms de dos resultados posibles.
Funcin multinomial, muestreo con
reemplazo (poblacin infinita)
( )
k
x
K
x x
k
k k
p p p
x x x
n
n p p x x P ... .
! !.. !
!
; .. ; ..
2 1
2 1
2 1
1 1
=
Donde:
n = Nmero de ensayos o tamao de la muestra.
pk = Probabilidad de xito de cada una de las clases en la poblacin.
x = Nmero de xitos de cada clase deseados en la muestra.
Problema
En una poblacin rural, el 20% de los habitantes son blancos,
el 60% negros y 20% mestizos. Si se escoge al azar seis
personas para formar una mesa directiva, que probabilidad se
tiene de que dos sean blancas, una sea mestiza y tres sean
negras.
Datos:
n = 6
p1 = 0.2 ; p2 = 0.6 ; p3 = 0.2
x1 = 2 ; x2 = 3 ; x3 = 1
103 . 0 ) 2 . 0 ( ) 6 . 0 ( ) 2 . 0 (
! 1 ! 3 ! 2
! 6
) 6 ; 2 . 0 , 6 . 0 , 2 . 0 ; 1 , 3 , 2 (
3 2
=

= P
Distribucin multinomial para muestro
sin reemplazo (poblacin finita)
Esta distribucin es una generalizacin de la
distribucin Hipergeomtrica cuando cada
ensayo tiene ms de dos resultados posibles.
Funcin de probabilidad
Donde:
n N
x a x a x a
k k
C
C C C
n N a a a x x f
k k
...
) , , ,... , ; .. (
2 2 1 1
2 1 1

=
N = Tamo de la poblacin
a = N de exitos de las clases en la poblacin
n = Tamao de la muestra
x = N de exitos de las clases en la muestra
Problema
En una granja avcola hay para la venta 45 pollos, de los
cuales hay 10 chicos, 15 medianos y 20 grandes. Si una
persona escoge al azar 10 de ellos, que probabilidad tiene de
que salgan 3 chicos, 5 medianos y 2 grandes.
Datos:
n = 10
a1 = 10; a2 =15; a3 = 20
x1 = 3 ; x2 = 5 ; x3 = 2
0214 . 0 ) 10 ; 45 ; 20 , 15 , 10 ; 2 , 5 , 3 (
10 45
2 20 5 15 3 10
=

=
C
C C C
f
Aproximacin de la distribucin de
Poisson a la Binomial
Esto es factible cuando n nmero de
ensayos es relativamente grande y p la
probabilidad de xito es pequea.
Una regla prctica admisible es utilizada si
n 20 y si p 0.05; si n 100, la
aproximacin es generalmente excelente a
condicin de que np 10.
Problema
Se sabe que el 5% de una vacuna sale
defectuosa. Calcular la probabilidad de que
2 de 100 vacunas salgan defectuosas.
Este problema es binomial, pero como cumple
de que n 100 y np 10, se pude aproximar con
el modelo de Poisson, por lo tanto:
= np = 100*0.05 = 5
P(X=2) = P(X 2) - P(X 1) = 0.125-0.040 = 0.085
Funcin de densidad y funcin de
probabilidad de variables continuas
A diferencia de las variables aleatorias
discretas que slo pueden tomar valores
enteros, las variables aleatorias continuas
pueden tomar valores sobre una escala
continua.
Funcin de densidad f(x) de una variable
aleatoria continua
a b
f(x)
La funcin de densidad se utiliza en la ciencia estadstica con el propsito
de conocer cmo se distribuyen las probabilidades de un evento en relacin
al resultado del evento. En este caso se llama funcin de densidad de
probabilidad.
Propiedades de las funciones de densidad
de variables continuas
El rea bajo la curva es igual a uno, como lo fue
en el histograma.
La frecuencia relativa de ocurrencia de los valores
entre dos puntos a y b cualesquiera sobre el
eje de las x es igual al rea total limitada por la
curva, el eje de las x y las lneas perpendiculares
levantadas en los dos puntos a y b sobre el eje
de las x.
La probabilidad de cualquier valor especfico de la
variable aleatoria es cero.
Definicin
Una funcin no negativa f(x) recibe el nombre de
distribucin de densidad (llamada a veces funcin
de probabilidad) de la variable aleatoria continua
X si el rea total limitada por su curva y el eje
x es igual a uno y si la subrea bajo la curva
limitada por la curva, el eje x y las
perpendiculares trazadas en dos puntos
cualesquiera a y b, da la probabilidad de que la
variable aleatoria continua X este entre los puntos
a y b.
Funcin de distribucin de probabilidad
F(x)
( ) ( ) ( )dx x f x X P x F
i
x
i i i


= =
-
x
i
f(xi)
F(x)
Distribucin Normal
Entre las distribuciones de densidad de variables
aleatorias de tipo continuo destaca por su gran
importancia la llamada Distribucin Normal o
campana de Gauss, de acuerdo con Carl Gauss
(1777 - 1855).
Esta distribucin es de gran importancia debido a
que es un modelo adecuado para una gran
diversidad de situaciones en el mundo real y su
papel en la teora estadstica y muchas tcnicas de
inferencia.
Definicin
Una variable aleatoria X se distribuye
normalmente si su funcin de densidad es:
Para - < x <
= Media poblacional
= Desviacin estndar
e = 2.71828
= 3.1416
2
2
2
) (
2
1
) (

=
x
e x f
Distribucin Normal

Parmetros de la distribucin normal

Los parmetros de la distribucin son y
Como en todas las distribuciones antes
estudiadas, esta funcin representa a una
familia de distribuciones. Cada par de
valores y determinan una funcin de
densidad distinta.
Dos distribuciones normales donde
1
<
2
y las
1
=
2
f1(x)
f2(x)
1
2
x
1 2
Dos distribuciones normales donde

1
=
2
y las
1
<
2
f1(x)
f2(x)
1 = 2
2
1
Propiedades de la distribucin normal
Es simtrica alrededor de la
La media, mediana y moda tienen el mismo
valor por ser simtrica.
El rea bajo la curva entre los intervalos:
68%
2 95%
3 99%
Distribucin normal
-4 -3 -2 -1 0 1 2 3 4

=Md=Mo
Distribucin Normal de Probabilidad
a b
1 -(x- ) / 2
f(X) = ------------ e
(2 )
Distribucin Normal Estndar o Unitaria
Como se menciono anteriormente, la
funcin de densidad normal representa a
toda una familia de distribuciones
caracterizadas por los parmetros y .
El miembro ms importante de esta familia
es la distribucin normal estndar o unitaria,
llamada as por tener una media igual a cero
y una desviacin estndar igual a uno.
Determinacin de la funcin de densidad
normal estndar.
Sustituyendo en la funcin de densidad normal los
valores de = 0, = 1 y (x - )/ = z se tiene:
Para - <z<
Donde z es la variable aleatoria resultante en
mltiplos de la desviacin estndar .
2
2
2
1
) (
z
e z f

=

Distribucin Normal Estndar

z1
1 -z / 2
f(z) = ------------ e
(2 )
z2 Z= 0 ( - ) ( + )
= 0
= 1
a b
x
z
Clculo de la probabilidad
Para determinar la probabilidad de que la
variable aleatoria z tome los valores
comprendidos entre z
1
y z
2
, es necesario
determinar el rea delimitada por la curva,
el eje de las z y los lmites z
1
y z
2
integrando la funcin de densidad entre
estos lmites.
En la prctica esto no es necesario ya que
existe una tabla que nos da el rea
acumulada para los distintos valores de z.
P(Z z)
Problema
Un veterinario observa que la ganancia de peso
diario de un hato sometido a una racin balanceada
se rige aproximadamente como una distribucin
normal, con una media de1Kg/da y una desviacin
estndar de 0.25Kgs.Si un animal del hato es
escogido al azar, que probabilidad se tiene de:
Hallar 0.900Kgs o menos de ganancia de peso
Hallar ms de 0.900Kgs de ganancia de peso
Hallar entre 0.750 y 1.250Kgs. de ganancia de peso
Hallar 0.900Kgs o menos de
ganancia de peso
P(X 0.900)
Datos: = 1.000Kgs ; = 0.250Kgs
Transformar el valor de x a z
z = (0.900-1.000)/0.250 = -0.4
Plantear la probabilidad en funcin de z y buscar
el rea correspondiente en la Tabla de distribucin
normal estndar.
P(Z -0.4) = 0.3446
Distribucin Normal Estndar
= 1.000
=0.250
x
P(X 0.9)
Z= -0.4
z
P(Z -0.4)
X = 0.9
0.3446
Hallar ms de 0.900Kgs de ganancia
de peso
P(X>0.900) = 1 - P(X 0.900)
Transformar los valores de x a z
z = (0.900-1.000)/0.250 = - 0.4
P(Z> -0.4) = 1 - P(Z -0.4) = 1 - 0.3446 = 0.6554
Distribucin Normal Estndar
= 1.000
=0.250
x
P(X 0.9)
Z= -0.4
z
P(Z -0.4)
X = 0.9
0.6554
0.3446
Hallar entre 0.750 y 1.250Kgs. de
ganancia de peso
P(0.750 X 1.250) = P(X 1.250) - P(X 0.750)
Transformacin de x a z
z = (0.750-1.000)/0.250 = - 1
z = (1.250 - 1.000)/0.250 = 1
P(-1 z 1) = P(z 1) - P(z -1)
= 0.8413 - 0.1587 = 0.6826
Distribucin Normal Estndar
= 1.000
=0.250
x
Z= -1
z
X = 0.750
Z= 1
X = 1.250
P(0.750 x 1.250)
0.6826
La distribucin normal como
aproximacin a la binomial
El uso de la distribucin normal para
resolver un problema binomial es vlido
cuando el tamao de muestra es grande
n30 y la probabilidad de xito es elevada.
Pasos a seguir en el proceso
Se plantea la probabilidad deseada como binomial.
P(xi X xj)
Dado que el problema original corresponde a una
variable discreta y la normal a una variable continua, es
necesario llevar a cabo una correccin por continuidad
de la manera siguiente:
P(xi-0.5 X xj+0.5)
A partir del paso anterior, se procede a resolver el
problema bajo el procedimiento de la distribucin
normal, para lo cual se necesita conocer los parmetros:
media y desviacin estndar de la distribucin binomial
para utilizarlos en la distribucin normal.
x = n*p
S=(n*p*q)
En una granja avcola, el 40% de los pollos que se producen en las
incubadoras salen hembras. Si se incuban 1000 huevos, Qu
probabilidad se tiene de que nazcan entre 385 y 415 hembras?
Planteamiento del problema binomial
P(385 X 415)
Correccin por continuidad:
P(385-0.5 X 415+0.5)
Planteamiento normal
P(384.5 X 415.5) = P(X 415.5)-P(X 384.5)
Parmetros:
x = n*p = 1000*0.4 = 400
S=(n*p*q) = (1000*0.4*0.6) = 15.5
Valores de z
Z
384.5
= (384.5-400)/15.5 = -1.00
Z
415.5
= (415.5-400)/15.5 = 1.00
Planteamiento en z: P(-1 Z 1) = P(Z 1) P(Z -1) = 0.6826
Por lo tanto: P(385 X 415) = 0.6826
Conclusin: Se tiene una probabilidad de 0.6826 de que nazcan
entre 385 y 415 hembras de los 1000 nacimientos.
Distribucin t
Supngase que se toma una muestra aleatoria de una
poblacin normal con media y varianza . Si x es la media
de una muestra aleatoria de tamao n observaciones,
entonces la distribucin
es el valor de una variable aleatoria con distribucin normal
estndar.
Ahora supngase que la varianza de la poblacin es
desconocida. Si n es grande n30 , esto no plantea ningn
problema, sin embargo, si n < 30 pero se considera que la
muestra proviene de una poblacin con distribucin normal,
puede probarse que :
n
x
z

=
Si x es la media de una muestra aleatoria de tamao
n tomada de una poblacin normal que tiene media
y varianza , entonces
es el valor de una variable aleatoria con distribucin
t y parmetro = n-1 grados de libertad.
n
s
x
t

=
Grados de libertad
Para definir grados de libertad se har referencia a la varianza
muestral:
Esta frmula est basada en n-1 grados de libertad (n). Esta
terminologa resulta del hecho de que si bien s est basada en
n cantidades, la suma de las diferencias x
1
-x , x
2
-x ,.., x
n
-x es
cero, as que, para determinar s slo es necesario determinar
n-1 diferencias ya que la ltima saldra por diferencia.
Por ejemplo, si n=4
x
1
-x = 8, x
2
-x =-6 y x
4
-x = -4, entonces
automticamente tenemos x3-x = 2, as que
slo tres de los cuatro valores de xi-x estn
libremente determinados, de aqu que se
tengan tres grados de libertad en el clculo.
Su simbologa =nu o (gl).
La media y la varianza de la distribucin t son =0 y
= (-2) para > 2, respectivamente.
La siguiente figura presenta la grfica de varias
distribuciones t.
La apariencia general de la distribucin t es
similar a la de la distribucin normal
estndar: ambas son simtricas y
unmodales, y el valor mximo de la
ordenada se alcanza en la media =0. Sin
embargo, la distribucin t tiene colas ms
amplias que la normal; esto es, la
probabilidad de las colas es mayor que en la
distribucin normal. A medida que el
nmero de grados de libertad tiende a
infinito, la forma lmite de la distribucin t
es la distribucin normal estndar.
Aplicacin
Se acostumbra representar con t

el valor t
por arriba del cual se encuentra un rea
igual a . Como la distribucin t es
simtrica alrededor de una media de cero,
tenemos t
1-
= -t

;es decir, el valor t que

deja un rea de 1- a la derecha y por tanto
un rea de a la izquierda, es igual al valor
t negativo que deja un rea de en la cola
derecha de la distribucin. Esto es, t
0.95
= -
t
0.05
, t
0.99
=-t
0.01
, etc.
Ejemplo:
El valor t con = 14 grados de libertad que deja un
rea de 0.025 a la izquierda, y por tanto un rea de
0.975 a la derecha, es
t
0.975
=-t
0.025
= -2.145
Ejemplo:
Encuentre la probabilidad de t
0.025
< t < t
0.05.
Solucin:

Como t
0.05
deja un rea de 0.05 a la derecha, y t
0.025
deja un rea de 0.025 a la
izquierda, encontramos un rea total de 1-0.05-0.025 = 0.925.
P( t
0.025
< t < t
0.05
) = 0.925
Distribucin ji-cuadrada
La distribucin , tiene diferentes aplicaciones en la inferencia
estadstica y una de las ms relevantes es la de llevar a cabo la
estimacin o prueba de hiptesis en cuanto a la varianza de una
poblacin a partir de una muestra aleatoria obtenida de una poblacin
normal.
Teorema: Si s es la varianza de una muestra aleatoria de tamao n
tomada de una poblacin normal cuya varianza es , entonces
es el valor de una variable aleatoria que tiene la distribucin ji-
cuadrada con parmetro = n-1 grados de libertad.
( )
2
2
2
1

s n
=
A diferencia de la distribuciones normal y t de Student, la
distribucin ji-cuadrada no es simtrica y slo toma valores
positivos, por lo tanto es necesario tabular los valores

1-
Ejemplo: Determinar los valores para las reas = 0.05 y
1-= 0.95 con =19 grados de libertad.

=10.1
1
=30.14
=0.05
1- =0.95
Distribucin F
La distribucin F es de grn utilidad en la estadstica cuando se tiene
interes en conocer si dos muestras provienen de poblaciones que tienen
varianzas iguales. Si es as, las dos varianzas muestrales deben ser muy
semejantes; es decir, su razn debe ser muy cercano a 1. Para
determinar si su razn es muy grande o muy pequea, recurrimos a la
teora dada en el siguiente teorema:
Si s
1
y s
2
son las varianzas de muestras aleatorias independientes de
tamao n
1
y n
2
, respectivamente, tomadas de dos poblaciones normales
que tienen la misma varianza, entonces
es el valor de una variable aleatoria que tiene distribucin F con
parmetros
1
= n1-1 y
2
= n2-1 grados de libertad del numerador y
del denominador respectivamente
2
2
2
1
s
s
F =
A semejanza de la distribucin ji- cuadrada, la distribucin
F tambin es asimtrica y dado que es la razn de dos
valores positivos, F siempre ser positiva.
Ejemplo: Si dos muestras aleatorias independientes de
pollos de tamao n1=7 y n2=13 se toman de una poblacin
normal, Cul es la probabilidad de que la varianza de la
primera sea al menos tres veces ms grande que la de la
segunda?
De lo anterior se tiene que:
De la tabla se tiene que para 6 y 12 grados de libertad del
numerador y del denominar respectivamente, el valores
F
(0.95,6,12)
= 3, por lo tanto la probabilidad deseada es 0.05
rea = 0.05
F
(6,12)
=3
3
2
2
2
1
= =
s
s
F
Para determinar el valor de F cola izquierda se utiliza la misma tabla
para la cola derecha, slo que se calcula de la manera siguiente:
F
(/2,1,2) F
(1-/2,1,2)
( )
( ) 1 ; ; 2 / 1
; ; 2 /
2
2
2 1
1

=
F
F