INSTITTUTO POLITECNICO

NACIONAL
CECyT 11 WILFRIDO MASSIEU
PROBABILIDAD Y ESTADISTICA
TRABAJO DE INVESTIGACION
HERNANDEZ MORENO ENRIQUE
ALEXENY
6IV12
TELECOMUNICACIONES

ANALISIS COMBINATORIO Y
PROBABILDAD
El anlisis combinatorio estudia las distintas formas de
agrupar y ordenar los elementos de un conjunto, sin tener en
cuenta la naturaleza de estos elementos. Los problemas de
arreglos y combinaciones pueden parecer aburridos y quiz se
piense que no tienen utilidad pero los teoremas del anlisis
combinatorio son la base del clculo de la probabilidad. La
probabilidad se encarga de los arreglos y las combinaciones
que determinan el nmero de formas diferentes en que un
acontecimiento puede suceder. El anlisis combinatorio tiene
aplicaciones en el diseo y funcionamiento de la tecnologa
computacional as como tambin en las ciencias. La teora
combinatoria se aplica en las reas en donde tengan
relevancia las distintas formas de agrupar elementos. El
origen del anlisis combinatorio se le atribuye a los trabajos
de Pascal (1596 1650) y Fermat (1601 - 1665) que
fundamentan el clculo de probabilidades. Leibiniz (1646
1716) public en 1666 Disertatio de Arte Combinatoria. El
mayor impulsor de esta rama fue Bernulli quien en sus
trabajos incluye una teora general de permutaciones y
combinaciones. Resumiendo, El objeto del Anlisis
combinatorio o Combinatoria es el estudio de las distintas
ordenaciones que pueden formularse con los elementos de un
conjunto, de los distintos grupos que pueden formarse con
aquellos elementos y de las relaciones entre unos y otros
grupos.

CONTEO
Para calcular la cantidad de elementos que tienen los
conjuntos formados con ciertas reglas, sin que sea necesario

saber enumerarlos uno a uno se utiliza el principio

fundamental del conteo. Este principio establece que si un
evento puede tener lugar de m maneras diferentes y, luego
de sucedido ste, un segundo evento puede suceder de p
maneras distintas, el nmero de formas diferentes en que
pueden realizarse los dos eventos es:
mp

PROBLEMAS
1.- Si en una reunin hay 3 hombres y 4 mujeres, de cuntas
maneras es posible seleccionar una pareja hombre-mujer?
R= 4 + 4 + 4 = 12 o 3(4) = 12
2.- Consideremos el conjunto A = { 5,4,3,2,1 }, cuntos
nmeros de cinco cifras diferentes se pueden formar con los
elementos del conjunto A ?
R= 5(4)(3)(2)(1) = 120.
3.- El juego de placas de un automvil consta de tres dgitos
de los cuales el primero no es cero, seguidas de tres letras
diferentes. Cuntos juegos de placas pueden formarse? (se
consideran 26 letras y 10 dgitos).
R= 9(10)(10)(26)(26)(26) =15'818,400.
4. Katherine tiene 6 pantalones y 5 blusas. De cuantas
maneras distintas puede ponerse una blusa y un pantaln? (6)
(5) = 30

5.-De cuantas maneras se pueden ubicar 10 personas en una

camioneta si solo uno de ellos sabe manejar P9= 9!=
9*8*7*6*5*4*3*2*1= 362880

PERMUTACIONES
Dados n objetos diferentes n a , a , a , , a 1 2 3 , de
cuntas maneras es posible ordenarlos? Por ejemplo, para los
elementos , , , hay 6 ordenaciones: , , , ,
, . En el caso general se tendrn n maneras de escoger
un elemento que ocupar el primer lugar, n 1 maneras de
elegir el que ocupar el segundo lugar, n 2 formas de
escoger el que ocupa el tercer lugar y as sucesivamente
hasta tener una forma de elegir el que ocupa el ltimo lugar.
Por lo tanto, la cantidad de maneras de ordenar n elementos
diferentes es: n(n 1)(n 2)1 = n!. Cada ordenacin de los
n objetos se llama una permutacin simple de los n elementos
y la cantidad de estas permutaciones se representa Pn . De
esta manera P n! n = . Es decir, las permutaciones son las
agrupaciones de los p elementos tomados a la vez, de manera
que dos agrupaciones difieran entre s en el orden de los
elementos. Se puede concluir, a partir de lo anterior, que las
permutaciones son un caso particular de ordenaciones,
cuando se consideran todos los elementos del conjunto.

Problemas

1.-Cuntos son los anagramas (transposiciones de letras) de la palabra

PRCTICO?
R= P, R, A, C, T, I, C, O = !8 = 40,320
2.- Cuntos son los anagramas de la palabra PRCTICO que comienzan
y terminan en consonante?
R=Como la palabra tiene ocho letras y hay tres vocales, la consonante
inicial puede ser elegida de 5 maneras. Al empezar con una consonante,
la consonante final slo puede elegirse de 4 formas. Las restantes
pueden ser arregladas entre esas dos consonantes de p6= 6!= 720
formas. La respuesta es: 5(4)( !6 ) =14,400 .
3.- En un parque, de cuntas maneras pueden sentarse cinco chicos y
cinco chicas en cinco bancas para dos, de modo que en cada banca
queden un chico y una chica?
R=El primer chico puede escoger un lugar de 10 formas, el segundo de
8 maneras, el tercero de 6 modos, el cuarto de 4 formas y el quinto de 2
maneras. Colocados los chicos, debemos colocar las 5 chicas en los 5
lugares que sobran, lo que puede ser hecho de P5 = 5!= 120 formas. La
respuesta es: 10(8)(6)(4)(2)( !5 ) = 460,800 .
4.- Con las cifras 2, 2, 2, 3, 3, 3, 3, 4, 4; cuntos nmeros de nueve
cifras se pueden formar?
m=9

a=3

b=4

c=2

a+b+c=9

S entran todos los elementos.

S importa el orden.
S se repiten los elementos.

5.- Se ordenan en una fila 5 bolas rojas, 2 bolas blancas y 3 bolas azules.
Si las bolas de igual color no se distinguen entre s, de cuntas formas
posibles pueden ordenarse?

REGLA DE BAYES
El teorema de Bayes, en la teora de la probabilidad, es una proposicin
planteada por el filsofo ingls Thomas Bayes ( 1702-1761) en
1763, que expresa la probabilidad condicional de un evento

aleatorio A dado B en trminos de la distribucin de probabilidad

condicional del evento B dado A y la distribucin de probabilidad
marginal de slo A.
En trminos ms generales y menos matemticos, el teorema de Bayes
es de enorme relevancia puesto que vincula la probabilidad de A dado B
con la probabilidad de B dado A. Es decir que sabiendo la probabilidad
de tener un dolor de cabeza dado que se tiene gripe, se podra saber (si
se tiene algn dato ms), la probabilidad de tener gripe si se tiene un
dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del
teorema en cuestin para la ciencia en todas sus ramas, puesto que
tiene vinculacin ntima con la comprensin de la probabilidad de
aspectos causales dados los efectos observados.

Sea
un conjunto de sucesos mutuamente
excluyentes y exhaustivos, y tales que la probabilidad de cada uno de
ellos es distinta de cero (0). Sea B un suceso cualquiera del que se
conocen las probabilidades condicionales
probabilidad

. Entonces, la

viene dada por la expresin:

donde:
son las probabilidades a priori.
es la probabilidad de

en la hiptesis

son las probabilidades a posteriori.

FORMULA DE BAYES
Con base en la definicin de Probabilidad condicionada, obtenemos
la Frmula de Bayes, tambin conocida como la Regla de Bayes:

Esta frmula nos permite calcular la probabilidad condicional

de cualquiera de los eventos
, dado . La frmula
muchas especulaciones filosficas y controversias".

"ha originado

PROBABILIDAD CONDICIONADA
Es la probabilidad de que ocurra un evento A, sabiendo que tambin
sucede otro evento B. La probabilidad condicional se escribe P(A|B), y se
lee la probabilidad de A dado B.
No tiene por qu haber una relacin causal o temporal
entre A y B. A puede preceder en el tiempo a B, sucederlo o pueden
ocurrir simultneamente. A puede causar B, viceversa o pueden no tener
relacin causal. Las relaciones causales o temporales son nociones que
no pertenecen al mbito de la probabilidad. Pueden desempear un
papel o no dependiendo de la interpretacin que se le d a los eventos.
Un ejemplo clsico es el lanzamiento de una moneda para luego lanzar
un dado. Cul es la probabilidad de obtener una cara (moneda) y luego
un 6 (dado)? Pues eso se escribira como P (Cara | 6).
EJEMPLOS
Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente,
del total de las piezas producidas en una fbrica. Los porcentajes de
produccin defectuosa de estas mquinas son del 3%, 4% y 5%.
a. Seleccionamos una pieza al azar; calcula la probabilidad de que
sea defectuosa.
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la
probabilidad de haber sido producida por la mquina B.
c. Qu mquina tiene la mayor probabilidad de haber producido la
citada pieza defectuosa?
Solucin:
Sea D= "la pieza es defectuosa" y N= "la
pieza no es defectuosa". La informacin del
problema puede expresarse en el diagrama
de rbol adjunto.
a. Para calcular la probabilidad de que la
pieza elegida sea defectuosa, P(D), por
la propiedad de la probabilidad total,
P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C)
P(D/C) =

= 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038

b. Debemos calcular P(B/D). Por el teorema de Bayes,

c. Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D)

ya calculado. Aplicando el teorema de Bayes, obtenemos:

La mquina con mayor probabilidad de haber producido la pieza

defectuosa es A

2.- Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1
negra y C con 2 bolas rojas y 3 negras. Escogemos una urna al azar y
extraemos una bola. Si la bola ha sido roja, cul es la probabilidad de haber
sido extrada de la urna A?
Solucin:

Llamamos
R= "sacar bola roja"
N=y"sacar bola negra". En el
diagrama de rbol adjunto pueden verse las distintas
probabilidades de ocurrencia de losRsucesos
o N para cada
una de las tres urnas.
La probabilidad pedida
P(A/R)
es . Utilizando teorema
el
de
Bayes, tenemos:

3.- El 20% de los empleados de una empresa son ingenieros y otro 20%
son economistas. El 75% de los ingenieros ocupan un puesto directivo y
el 50% de los economistas tambin, mientras que los no ingenieros y los
no economistas solamente el 20% ocupa un puesto directivo. Cul es la
probabilidad de que un empleado directivo elegido al azar sea ingeniero?

5.- La probabilidad de que haya un accidente en una fbrica que dispone

de alarma es 0.1. La probabilidad de que suene esta s se ha producido
algn incidente es de 0.97 y la probabilidad de que suene si no ha
sucedido ningn incidente es 0.02

En el supuesto de que haya funcionado la alarma, cul es la

probabilidad de que no haya habido ningn incidente?

Sean los sucesos:

I = Producirse incidente.
A = Sonar la alarma.

DISTRIBUCION DE PROBABILIDAD DISCRETA

Distribuciones de Probabilidad La estadstica inferencial tiene como problema

general establecer las propiedades de un fenmeno aleatorio estudiando una
parte del mismo. Para esto es necesario conocer la distribucin de probabilidad

de la variable aleatoria que se esta estudiando. Esto puede ser complicado si

no existe otra alternativa que deducir tericamente la funcin de probabilidad.
Afortunadamente, existen numerosos modelos de probabilidad, muchos de los
cuales, aunque hayan sido generados con otros fines, pueden ser usados para
describir el comportamiento de la mayora de las variables aleatorias que son
estudiadas en las ciencias naturales. Los modelos de distribuciones de
probabilidad se clasifican de acuerdo con la naturaleza de la variable aleatoria
en modelos probabilsticos discretos y continuos. En este punto es necesario
enfatizar que el esfuerzo que se haga en entender las propiedades de estos
modelos permitir a, por una parte, comprender mejor el funcionamiento de los
mtodos de inferencia estadstica y por otro lado, contar con ms y mejores
criterios para elegir el modelo apropiado en la aplicacin de algn mtodo
estadstico.

MODELOS PROBABILISTICOS DISCRETOS

Modelo de Bernoulli
Una gran cantidad de situaciones que se presentan en distintos campos de
accin tienen en comn algunas cosas. Por ejemplo: lanzar una moneda y
determinar si sale cara en cada lanzamiento; lanzar un dado y verificar cada
vez si sale un nmero par; elegir aleatoriamente un individuo y determinar su
sexo; determinar si un elemento es metlico; etc. Todos estos experimentos y
otros similares reciben el nombre genrico de Ensayos de Bernoulli, y tienen las
siguientes caractersticas: 1. Cada vez que se repite el experimento se
producen 2 resultados mutuamente excluyentes. Estos resultados se
identifican generalmente como xito y fracaso. 2. Cada vez que se repite el
experimento la probabilidad de ocurrencia del xito p o del fracaso q no
cambian. 3. Los resultados son independientes. El hecho de que ocurra un
fracaso o un xito, no afecta la probabilidad de ocurrencia de un nuevo
resultado al repetir el experimento. En consecuencia, el espacio muestra para
los distintos ensayos de Bernoulli esta formado por dos resultados, xito (E) y
fracaso (F), es decir S = {E, F}. Si definimos la variable aleatoria X = nmero
de xitos en un ensayo entonces tendremos el siguiente rango espacial, RX =
{0, 1}. Si p es la probabilidad de xito y 1 p la de fracaso, entonces sabemos
que la funcin probabilidad debe cumplir que P(X = 0) = p 0 (1 p) 1 y P(X =
1) = p 1 (1p) 0 . Por lo tanto, se deduce que la funcin de probabilidad para la
distribucin de Bernoulli es p(x) = p x (1 p) 1x El valor esperado y la
varianza de esta distribucin son: = p y 2 = pq respectivamente.

Modelo Binomial

Un experimento binomial consta de varios ensayos de Bernoulli, por ej, lanzar

una moneda n veces y determinar si sale cara en cada lanzamiento. En cada
repeticin del experimento se mantienen las propiedades de los ensayos de
Bernoulli y que la variable aleatoria que los caracteriza es el nmero de veces
que ocurre el xito (o el fracaso) en n repeticiones del experimento. La funcin
de probabilidad para este tipo de variable la vamos a deducir a partir del
siguiente ejemplo. Ejemplo: En una investigacin de cierta parasitosis,
pequeas dosis de una vacuna experimental se inyectaron en ratones de
laboratorio. Los resultados encontrados demostraron que 4 de cada 20 ratones
mueren a causa de la vacuna. Si la misma dosis de la vacuna se aplica a 4
ratones, cual es la probabilidad de que mueran x ratones?. 1. En primer lugar,
se verifica que se trata de un ensayo de Bernoulli. Tiene 2 resultados posibles:
ratn muere (xito); ratn sobrevive (fracaso). La probabilidad de xito es p =
1/5 y del fracaso es q = 4/5 (invariantes). El experimento se repiti 5 veces (n
= 4). 2. El espacio muestra consta de 16 resultados. Si se representa con m el
evento morir y con s el evento sobrevivir, entonces
S=

ssss sssm, ssms, smss, msss ssmm; smsm, mssm, smms, msms, mmss
smmm, msmm,
mmsm, mmms mmmm

La variable aleatoria X = nmero de ratones muertos genera el rango espacial

RX = {0, 1, 2, 3, 4}.
3. Si p = probabilidad de morir y q = probabilidad de sobrevivir; la probabilidad
con la cual ocurrirn los resultados del espacio muestral S son:

4. Puede observarse que los valores de p estn elevados a una potencia que
coincide con el valor de x de la variable aleatoria, mientras que los de q estn
elevados a una potencia que es igual a 4x. Observar que 4 tambin es el
nmero de repeticiones del experimento, por lo que una expresin general
seria
p x q nx 31

5. Tambin puede verse que cada termin est multiplicado por un coeficiente
que representa el nmero de secuencias diferentes de cmo pueden morir x
ratones. Este nmero no es otra cosa que el nmero de permutaciones de n
elementos diferentes, siendo x elementos de una clase (ratones que mueren) y
nx de otra clase (ratones que sobreviven). Esto tambin se conoce como
combinatoria nCx y viene descripto por la siguiente formula

Por lo tanto, la funcin de probabilidad del modelo binomial puede ser

expresada de la siguiente manera

Su aplicacin permitir a calcular la probabilidad de que un resultado ocurra x

veces en n repeticiones. Para finalizar con el ejemplo, podemos utilizar la
formula encontrada para calcular las probabilidades:

Distribucin de probabilidades El conjunto de pares ordenados [xi ; p(xi) ]

genera una distribucin binomial, nombre que se le da porque los sucesivos
trminos de la distribucin de probabilidad son semejantes a los obtenidos con
la expansin del binomio de Newton (p + q) n . Cuando una variable aleatoria
se distribuye en forma binomial con parmetros n y p se puede representar
mediante la siguiente expresin: X : b(n; p). La forma de la distribucin
binomial cambia para cada combinacin de valores diferentes de n y/o p. En la
figura puede verse un ejemplo de dicha variacin cuando se toma n = 10 y
diferentes valores de p

Funcin de probabilidad acumulada

La funcin de probabilidad acumulada para el modelo binomial puede
escribirse como

Para facilitar la aplicacin de la distribucin binomial, existen tablas con las

probabilidades acumuladas. A continuacin damos un ejemplo de dichas
tablas. La tabla tiene tres entradas, el valor del parmetro p (probabilidad de
xito), el valor de n (nmero de repeticiones) y el valor de x (nmero de
xitos).

Modelo de Poisson
Esta distribucin fue introducida por el maten tico francs
S.D. Poisson en 1837. El modelo de Poisson, a semejanza del
binomial, consta de varios ensayos de Bernoulli. La diferencia
estriba en que el modelo binomial sirve para calcular la
probabilidad de ocurrencia de un resultado particular en un
nmero finito de repeticiones, mientras que con el modelo de
Poisson se determina la probabilidad de ocurrencia de un
determinado evento en el tiempo o el espacio y no en un
nmero definido de repeticiones del experimento. En estos
eventos que se producen aleatoriamente en el espacio o el
tiempo, la frecuencia de ocurrencia de un evento es tan baja
con relacin a la frecuencia de no ocurrencia que se
consideran como sucesos raros. Tratar de describir la
distribucin de una variable aleatoria de este tipo mediante el
modelo binomial seria imprctico puesto que el nmero de
ensayos tendra que ser extraordinariamente grande para que
ocurriera el resultado esperado.
Caractersticas:
En este tipo de experimentos los xitos buscados son
expresados por unidad de rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora,
minuto, etc, etc.

- # de bacterias por cm2 de cultivo

- # de llamadas telefnicas a un conmutador por hora,
minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes,
etc, etc.
Para determinar la probabilidad de que ocurran x xitos por
unidad de tiempo, rea, o producto, la frmula a utilizar sera:

donde:
p(x, l) = probabilidad de que ocurran x xitos, cuando el
nmero promedio de ocurrencia de ellos es l
l = media o promedio de xitos por unidad de tiempo, rea o
producto
e = 2.718
x = variable que nos denota el nmero de xitos que se desea
que ocurra
1.- Si un banco recibe en promedio 6 cheques sin fondo por
da, cules son las probabilidades de que reciba, a) cuatro
cheques sin fondo en un da dado, b) 10 cheques sin fondos
en cualquiera de dos das consecutivos?
Solucin:
a)
x = variable que nos define el nmero de cheques sin
fondo que llegan al banco en un da cualquiera = 0, 1, 2,
3, ....., etc, etc.
l = 6 cheques sin fondo por da

e = 2.718

b)
x= variable que nos define el nmero de cheques sin fondo
que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......,
etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al
banco en dos das consecutivos
Nota: l siempre debe de estar en funcin de x siempre o dicho
de otra forma, debe hablar de lo mismo que x.

2.-En la inspeccin de hojalata producida por un proceso

electroltico continuo, se identifican 0.2 imperfecciones en
promedio por minuto. Determine las probabilidades de
identificar a) una imperfeccin en 3 minutos, b) al menos dos

imperfecciones en 5 minutos, c) cuando ms una imperfeccin

en 15 minutos.
Solucin:
a)
x = variable que nos define el nmero de
imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2,
3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3
minutos en la hojalata

b)
x = variable que nos define el nmero de
imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2,
3, ...., etc., etc.
l = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos
en la hojalata

=1-(0.367918+0.367918) = 0.26416

c)
x = variable que nos define el nmero de
imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2,
3, ....., etc., etc.

l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15

minutos en la hojalata

=0.0498026 + 0.149408 = 0.1992106

A continuacin se mencionan las caractersticas

principales de 3 modelos discretos usados
comnmente.
Modelo geomtrico
Supongamos que ensayos independientes, cada uno teniendo
probabilidades p, son realizados hasta que un evento dado
ocurre por primera vez, sin lmite en el nmero de ensayos
realizados. Si un evento es observado por primera vez
despus de x ensayos, significa que fallo x 1 veces, es
decir, esto pasa con probabilidad (1 p) x1 . Cuando el
evento finalmente ocurre, lo hace con probabilidad p.
Entonces puede verse que la funcin probabilidad vendr
dada por

Cualquier variable aleatoria cuya probabilidad venga dada por

esta ecuacin se dice que es una variable aleatoria
geomtrica. El valor esperado para esta distribucin es =
1/p, mientras que la varianza es 2 = (1 p)/p2 .

Modelo binomial negativo

Supongamos que ensayos independientes, cada uno teniendo

probabilidades p, son realizados hasta que un total de r
eventos exitosos se han acumulado. Para que el r-esimo
evento ocurra en el ensayo x, debe haber habido r1 xitos
en los primeros x1 ensayos y el x-esimo ensayo debe ser
un xito. Por lo que la funcin de probabilidad es

Cualquier variable aleatoria cuya probabilidad venga dada por

esta ecuacin se dice que es una variable aleatoria binomial
negativa con parmetro (r, p). Observar que una variable
aleatoria geomtrica es una binomial negativa con parmetro
(1, p). El valor esperado para esta distribucin es = r/p,
mientras que la varianza es 2 = r(1 p)/p2 .

Modelo hipergeomtrico
Supongamos que una muestra de tamao n es elegida
aleatoriamente (sin remplazar) de una urna que contiene N
pelotas, de las cuales m son blancas y N m son negras. Si
llamamos X el nmero de pelotas blancas seleccionadas,
entonces

Cualquier variable aleatoria cuya probabilidad venga dada por esta

ecuacin se dice que es una variable aleatoria hipergeomtrica. El valor
esperado para esta distribucin es = nm/N, mientras que la varianza
es 2 = Nn N1 np(1 p) con p = m/N. Observar que si el nmero N
de pelotas es considerablemente grande comparado con n, entonces el
nmero de pelotas blancas elegidas tiene aproximadamente una funcin

de probabilidad binomial (el cual es un experimento que se realiza con

remplazos).

PROBLEMAS
1.- Se lanza un par de dados. Se define la variable aleatoria X
como la suma de las puntuaciones obtenidas. Hallar la funcin
de probabilidad, la esperanza matemtica y la varianza

2.- Un jugador lanza un dado corriente. Si sale nmero primo, gana

tantos cientos de euros como marca el dado, pero si no sale nmero
primo, pierde tantos cientos de euros como marca el dado. Determinar
la funcin de probabilidad y la esperanza matemtica del juego.

 = 16.667

3.- Si una persona compra una papeleta en una rifa, en la que

puede ganar de 5.000 un segundo premio de 2000 con
probabilidades de: 0.001 y 0.003. Cul sera el precio justo a
pagar por la papeleta?
R= = 5 00 0 0 .0 01 + 2 00 0 0 .0 03 = 11

4.-

Sea X una variable aleatoria discreta cuya funcin de

probabilidad es:

A) Calcular, representar grficamente la funcin de

distribucin

B) Calcular las siguientes probabilidades:

(X < 4 .5 )
p (X < 4 .5 ) = F (4 .5 ) = 0.9
p (X 3 )
p (X 3 ) = 1 - p(X < 3 ) = 1 - 0 .4 = 0.6
p (3 X < 4 .5 )
p (3 X < 4 .5 ) = p (X < 4 .5 ) - p(X < 3 ) = 0 .9 - 0 .4 = 0.5

Distribucin de probabilidades continas

En teora de la probabilidad una distribucin de probabilidad se llama continua si
su funcin de distribucin es continua. Puesto que la funcin de distribucin de

una variable aleatoria X viene dada por

, la definicin
implica que en una distribucin de probabilidad continua X se cumple P[X = a] = 0
para todo nmero real a, esto es, la probabilidad de que X tome el valor a es cero
para cualquier valor de a. Si la distribucin de X es continua, se llama a X variable
aleatoria continua.
En las distribuciones de probabilidad continuas, la distribucin de probabilidad es
la integral de la funcin de densidad, por lo que tenemos entonces que:
Mientras que en una distribucin de probabilidad
discreta un suceso con probabilidad cero es imposible, no se da el caso en una
variable aleatoria continua. Por ejemplo, si se mide la anchura de una hoja de
roble, el resultado 3,5 cm es posible, pero tiene probabilidad cero porque hay
infinitos valores posibles entre 3 cm y 4 cm. Cada uno de esos valores individuales
tiene probabilidad cero, aunque la probabilidad de ese intervalo no lo es. Esta
aparente paradoja se resuelve por el hecho de que la probabilidad de que X tome
algn valor en un conjunto infinito como un intervalo, no puede calcularse
mediante la adicin simple de probabilidades de valores individuales.
Formalmente, cada valor tiene una probabilidad infinitesimal que estadsticamente
equivale a cero.
Existe una definicin alternativa ms rigurosa en la que el trmino "distribucin de
probabilidad continua" se reserva a distribuciones que tienen funcin de densidad
de probabilidad. Estas funciones se llaman, con ms precisin, variables
aleatorias absolutamente continuas (vase el Teorema de Radon-Nikodym). Para
una variable aleatoria Xabsolutamente continua es equivalente decir que la
probabilidad P[X = a] = 0 para todo nmero real a, en virtud de que hay un
incontables conjuntos de medida de Lebesgue cero (por ejemplo, el conjunto de
Cantor).
Una variable aleatoria con la distribucin de Cantor es continua de acuerdo con la
primera definicin, pero segn la segunda, no es absolutamente continua.
Tampoco es discreta, ni una media ponderada de variables discretas y
absolutamente continuas.
En aplicaciones prcticas, las variables aleatorias a menudo ofrece una
distribucin discreta o absolutamente continua, aunque tambin aparezcan de
forma natural mezclas de los dos tipos.

Modelo Normal

La distribucin normal fue introducida pro el matemtico francs Abraham De

Moivre en 1733. De Moivre, quien us esta distribucin para aproximar las
probabilidades conectadas con lanzar una moneda, la llamo curva exponencial
con forma de campana. Su utilidad, sin embargo, fue demostrada en 1809,
cuando el famoso matemtico alemn Karl Friedrich Gauss la us como una
parte integral de su aproximacin para predecir la ubicacin de objetos
astronmicos. Como resultado, resulto comn despus de esto que la
denominaran distribucin Gaussiana. Durante la segunda mitad del siglo XIX, la
mayora de los estadistas comenzaron a creer que la mayora de los conjuntos
de datos tenan histogramas con la forma de campana de una distribucin
gaussiana, por lo que comenz a ser aceptado que es normal para cualquier
conjunto de datos con forma de campana estar descripto por esta curva. Como
resultado de esto, y siguiendo el camino del estadista britnico Karl Pearson, la
gente comenz a referirse a la distribucin gaussiana como la curva normal. La
funcin de probabilidad de la distribucin normal sirve de modelo para una
gran cantidad de variables continuas naturales, tales como la temperatura, la
humedad, la precipitacin, la altura, el peso, la concentracin, el coeficiente de
inteligencia, los errores instrumentales, etc. Igualmente, la distribucin de
muchos estadsticos tiende hacia la distribucin normal, por lo cual esta
distribucin adquiere una gran importancia en el anlisis de datos mediante la
inferencia estadstica. Una variable aleatoria X se encuentra distribuida
normalmente si su funcin de probabilidad es la siguiente:

Esta funcin esta caracterizada por 2 parmetros: la media y la

desviacin estndar . El valor de define la posicin de la distribucin
y el valor de define la forma de la distribucin. La distribucin normal
es simtrica, con un valor mximo para x = y presenta dos puntos de
inflexin para x = . En la figura de la derecha pueden verse dichos
puntos, como as tambin las reas contenidas por los intervalos
definidos por 1, 2 y 3 desviaciones estndar alrededor de . La funcin
de probabilidad f(x) tiende a cero a medida que x tiende a , por lo
que las dos colas de la distribucin se aproximan asintticamente a
cero. Cuando una variable aleatoria sigue la distribucin normal se
indica X : N(; ). Por tratarse de un modelo para variables continuas, la
probabilidad de que la variable se encuentre en un intervalo se obtiene
integrando la funcin f(x) entre los limites del intervalo.

Igualmente se pude calcular la probabilidad

utilizando la funcin acumulativa (x) (En el caso de distribuciones discretas,
los valores de la funcin acumulativa estn tabulados para diferentes valores
de los parmetros que caracterizan estas distribuciones. Esto no es posible en
el caso de la distribucin normal porque al ser aplicable a variables continuas
existen infinitos valores de y .
Afortunadamente, esta situacin se resolvi tabulando las probabilidades
acumuladas para una nica distribucin, con valores de y especficos, y
mediante el procedimiento de tipificacin se puede transformar cualquier
variable normal en esta variable estndar o patrn. La variable que se
selecciono como estndar es aquella cuya funcin tiene como parmetros =
0 y = 1, por lo cual se le denomino variable normal estndar, unitaria o
tipificada, identificndose con la letra Z para diferenciarla de las otras variables
cuyas distribuciones de probabilidad tienen = 0 y = 1 .

La funcin de probabilidad de la variable Z es la siguiente:

La probabilidad de encontrar un valor de Z en un intervalo dado, se obtiene

calculando el rea que se encuentra entre la curva y el intervalo definido en el
eje de coordenadas. Pero en lugar de integrar f(z) entre los limites del
intervalo, esta rea se puede calcular utilizando la tabla de la funcin
acumulada (z) , que proporciona los valores de integracin entre y un
dado valor de Z.