PROBABILIDAD

Y DISTRIBUCIÓN
MUESTRAL
El mundo de las probabilidades

El economista colombiano Ciro Martínez (2008), en su trabajo Estadística y muestreo, señala que:
El concepto de probabilidad puede ser interpretado como algo indefinible, pero utilizado para
expresar, de algún modo, un grado de creencia que uno tiene de la ocurrencia de un suceso;
nos referimos a algo que puede suceder con base en la experiencia que se tenga. Cuando
observamos o escuchamos el estado del tiempo, o sea los pronósticos meteorológicos sobre
la posibilidad de buen tiempo o la presencia de lluvias fuertes o ligeras, gran nubosidad, vientos
fuertes o en calma; los hinchas de diferentes equipos de futbol discuten frecuentemente sobre
la posibilidad de clasificación o de ganar el campeonato; algo similar ocurre con los que juegan
lotería o apuestan en las carreras de caballos; todos ellos son pronósticos que hacemos con
la esperanza de que sucedan. (p. 178)

Servicio Nacional de Aprendizaje - SENA 2014

¡Hola, Jorge! ¿Listo para desempolvar algunos libros de matemática
y estadística?

Sí, precisamente estaba repasando algunos conceptos de estadística

sobre probabilidades y distribuciones muestrales. No soy muy
fuerte en este campo y necesito dominar muy bien el tema para
poder analizar y organizar los datos que recolectamos en
Colchones El Buen Descanso.

No te preocupes, lo importante es tener claridad sobre estos

conceptos y su pertinencia y utilidad para este proceso de
diagnóstico, antes de comenzar el análisis de los datos.

Así es, comprender la teoría de las probabilidades nos puede ayudar

a obtener o determinar la frecuencia de un evento mediante la
realización de experimentos aleatorios. Esto puede ser de gran
utilidad para el empresario cuando se requiera determinar algún
tipo de sistema a implementar en la organización. Gracias a esta
teoría es posible conocer los posibles resultados de una situación
si se tienen condiciones estables para la observación.

Tienes razón, igualmente, conocer diferentes técnicas de coteo y

de distribución de muestras nos puede ayudar a enumerar eventos
que son difíciles de cuantificar. Comencemos entonces a explorar
el fascinante mundo de las probabilidades.
 i Probabilidades y posibilidades

En el campo de la estadística, el concepto de probabilidad se puede aplicar de múltiples formas para

lograr resolver problemas en diferentes áreas, como la economía, las ciencias sociales, las ciencias
físicas, la industria, el comercio y el gobierno, con la particularidad de que en cada una de ellas, este
concepto presentará unas características específicas. En los estudios estadísticos, se hace referencia
constantemente a dos nociones de gran importancia, estas son:
Posibilidad

Probabilidades y posibilidades Posibilidad

En este apartado, se hará una aproximación a la definición de probabilidad abordada desde los
puntos de vista de diferentes métodos o teorías relacionadas con la lógica y la matemática. Como
lo dice Martínez (2008), si bien no es posible definir de manera concreta o exacta el concepto
de probabilidad, sí se puede obtener una definición aproximada que permita comprender su
naturaleza e importancia dentro del campo de los estudios estadísticos.

Definición de probabilidad según el método axiomático

Según el método axiomático, se hace referencia a la probabilidad de ocurrencia de un evento. Esta

probabilidad se concibe como un número comprendido entre 0 y 1. Este concepto guarda estrecha
relación con la noción de frecuencias relativas, donde 0 < hi< 1. Para comprender mejor esta noción,
se observará el siguiente ejemplo tomado del libro Estadística y muestreo (2008):

Supongamos que se lanza 100 veces una moneda, anotamos el número de veces que sale cara y las
veces que sale sello; los resultados fueron los siguientes:

Frecuencia absoluta: Cara 56 veces Sello 44 veces

Frecuencia relativa: 56/100 44/100

Probabilidad: p=56% (éxito) q=44% (fracaso)

Se puede establecer una escala de valores comprendidos entre 0 y 1. La probabilidad igual a uno
corresponde al límite superior, el cual se considera como la certeza absoluta; para el otro extremo
igual a 0 se habla de imposibilidad absoluta.
Definición de probabilidad según el método empírico o práctico

El método empírico concibe la probabilidad de un suceso como

“aquel número al cual se aproxima cada vez más la frecuencia
relativa de la ocurrencia de un suceso, cuando las veces que se
repite el experimento que origina ese suceso es lo bastante
grande” (Martínez, 2008).

El autor señala que esta noción del concepto de probabilidad

se relaciona con el experimento de Quetelet, matemático
considerado el padre de la estadística moderna y quien observó
que la probabilidad de un suceso tiende a estabilizarse en un
punto, cuando el número de experimentos aumenta.
Fuente: (Fotolia, s.f.)

Definición de probabilidad según el método empírico o práctico

En el caso del método descrito anteriormente, se habla

generalmente de las nociones de probabilidad empírica
y probabilidad teórica. La primera de ellas se establece
mediante la ejecución de un determinado número de
experimentos, siguiendo la fórmula:

P = número de casos favorables/número de casos posibles

Por ejemplo, al tirar una moneda, se quiere que salga sello:
Casos favorables: 1 (que salga sello)
Casos posibles: 2 (puede salir cara o sello)
Probabilidad = 1 / 2 = 0,5 (o 50%, la probabilidad se
representa en porcentaje)
Fuente: (Fotolia, s.f.)
Definición de probabilidad según el método clásico

Según este método, la probabilidad de ocurrencia de un suceso está

dada por el cociente de la división del número de casos favorables
o resultados exitosos que pueden salir de una prueba, entre el
total de casos posibles (cantidad empírica). Para determinar la
probabilidad, se hace uso de la siguiente fórmula:

Número de casos exitosos

P=
Total de casos posibles

Fuente: (Fotolia, s.f.)

Otras definiciones de probabilidad

Probabilidad a priori Probabilidad objetiva Probabilidad con base en las

y subjetiva frecuencias relativas

Es aquella que se puede determinar
de antemano, sin necesidad de
realizar el experimento. Ejemplo: la
probabilidad de que aparezca cara
en el lanzamiento de una moneda,
se sabe de antemano que es igual a
0,5." (Martínez, 2008).
Según Martinez (2008), se denomi-
nan así porque se obtienen de la
experiencia luego de observar las
repeticiones de un evento o suceso
concreto. La probabilidad subjetiva
depende de la percepción o criterio
personal que se tenga sobre la
ocurrencia de un hecho, p.ej.,
¿perderá la selección de fútbol en el
Este tipo de probabilidad parte de
la observación de la ocurrencia de
un fenomeno en el pasado para
determina qué tan probable es que
vuelva a ocurrir en el futuro. Se
calcula así:
Número de veces de
ocurrencia del evento

=
próximo partido? Probabilidad de en el pasado
ocurrencia
Número total
de observaciones
Definición de probabilidad estadística

Tareasplus. (Productor) (2014). Definición de Probabilidad: Introducción. [Vídeo]. Disponible en

https://www.youtube.com/watch?v=3VSOtDzYZSM

1
i Probabilidad: técnicas de conteo

Contar el número de posibles arreglos de elementos dentro de uno o varios conjuntos o

muestras puede convertirse en una tarea un poco compleja; no obstante, se puede hacer uso
de algunas técnicas de conteo existentes para facilitar la enumeración de eventos que pueden
resultar difíciles de cuantificar. A continuación, se mencionarán algunas de estas técnicas, pero
vale la pena resaltar que, en esta ocasión, se profundizará en las dos últimas por ser las de
mayor relevancia en lo que respecta los estudios estadísticos:

• Principio de la multiplicación
• Principio aditivo
• Principio de la suma o adición
• Principio de permutación
• Principio de combinación
Combinaciones
Las combinaciones, junto con las permutaciones, son dos
fórmulas que permiten simplificar el conteo de conjuntos
muestrales. El criterio que se utiliza para diferenciarlas es si
el orden en que están agrupados o combinados los elementos
del conjunto es importante o no.

En el caso de las combinaciones, en lo que respecta al

arreglo de los elementos, no importa el orden en el que
estos estén dispuestos. Para calcular una combinación, se
utiliza la siguiente fórmula:
Fuente: (Fotolia, s.f.)

Donde

n!
nCr =
n: número de elementos
(n-r) !r! r: número de elementos tomados del conjunto

Se desea combinar las cuatro primeras letras del alfabeto A, B, C,

D. ¿Cuántas combinaciones se podrán hacer?

Solución: una sola combinación, ya que al no importar el orden de

colocación da lo mismo ABCD=ADBC=ACBD=CBAD=DACB= etc.

4! 4! 4!
4C4 == = =1
(4-4) !4! (0) !4! (1) 4!
Si se fueran a combinar esas 4 letras de dos en dos, se tendría:

AB=BA ;AC=CA ; BC=CB ; BD=DB ; CD=DC ;AD=DA

Se pueden combinar de 6 maneras:

4!
4C2 == 6
(4-2) !2!

En este mismo ejercicio, al combinar las letras de 3 en 3,el resultado

sería: ABC = BCA = CBA = ACB = BAC = CAB

ABD = ADB = BDA = BAD = DAB = DBA
ACD = ADC = CAD = CDA = CDA = CAD
BCD = BDC = CBD = CDB = DBC = DCB

En total, se pueden combinar de 4 maneras, mediante la aplicación

de la fórmula será:

4! 4!
4C34 == =
(4-3) !3! 1 !3!
Permutaciones
Recordando el criterio mencionado anteriormente, una
permutación es el arreglo de los elementos dentro de un
conjunto donde se mantiene un orden específico, es decir
que el orden en esta distribución de elementos sí importa.
Los elementos del conjunto deben incluirse en su totalidad
y no se pueden repetir.

• La permutación se simboliza por:

Pn = n! o como nPn = n! y se lee como “permutaciones
de n elementos tomados de n en n”.
• El símbolo n! se lee como n factorial.

Consideremos nuevamente un ejemplo tomado de Martínez (2008): Fuente: (Fotolia, s.f.)

8!=8x7x6x5x4x3x2x1 se puede escribir también:

8!=8x7x6x5!

Supongamos que se tienen los siguientes números naturales 1, 2, 3,

4 y se quiere formar cifras de 4 dígitos. Según la anterior fórmula,
se tendrá que:

4P4=P4=4!= 4X3X2X1=24

Ahora, en la primera línea del salón de clases se tienen colocados

8 pupitres y se quiere sentar a 8 alumnos; ¿de cuántas maneras
diferentes se podrán colocar?

8P8=P8=8!=40.320
Permutaciones con repetición

Cuando uno o varios elementos están repetidos, el cálculo de las

permutaciones varía.

La fórmula que se debe aplicar es:

n!
Pn (r) =
r!

Tomando nuevamente un ejemplo de Martínez (2008), se observa

lo siguiente:

¿Cuántas palabras se pueden formar con las letras de la palabra

Barranquilla?

Primero, contamos el número de letras, para determinar el

valor de n, en este caso n=12; luego, las letras repetidas; A se
repite 3 veces (r1 = 3); R dos veces (r2 = 2) y la L dos veces
(r3 = 2). Aplicando la fórmula se tendrá:

12! 12x11x10x9x8x7x6x5x4x3!
P12(r:3,2,2) == = 19.958.400
3!2!2! 3!x2x1x2x1
Variaciones

En las permutaciones,cuando no se utilizan todos los elementos,

sino solo una parte de ellos, se denominan como variaciones,
cuya fórmula está dada así:

nPr = nVr = n! / (n-r)!

Ahora, si de los 8 pupitres colocados en la primera línea del

salón del ejemplo anterior, se quiere determinar de cuántas
maneras se puede ordenar a 5 alumnos, se tendrá:

8! 8! 8x7x6x5x4x3!
8P5 == == 6.720 maneras
(8-5)! 3! 3!

1
i Probabilidad de eventos
En lo que respecta a la teoría de las probabilidades, se entiende como evento o suceso al conjunto de
posibles resultados que pueden presentarse como consecuencia de un experimento aleatorio. En pocas
palabras, el término hace referencia a la ocurrencia de aquellos sucesos sobre la cual no se puede tener
ninguna certeza o seguridad, aun observando la repetición del mismo evento muchas veces.

Eventos excluyentes

Espacio muestral S
Una serie de sucesos que se catalogan como mutuamente
excluyentes no pueden ocurrir de manera simultánea en un
mismo espacio de tiempo, es decir que la ocurrencia de uno Evento A Evento B
de los sucesos excluye la ocurrencia de otros.

P= p1+p2+p3+… .......... +pn

Figura 1. Representación gráfica de sucesos
mutuamente excluyentes

El cálculo de la probabilidad de estos eventos se denomina probabilidad aditiva y se determina

sumando la probabilidad de ocurrencia de cada evento:

Siendo p1, p2, p3…….pn las distintas probabilidades de ocurrencia de n eventos mutuamente
excluyentes, la probabilidad (P) de que uno de estos eventos se presente en un solo ensayo, estará
dada por la suma de las probabilidades para cada evento

P= p1+p2+p3+………+pn

Un ejemplo de sucesos mutuamente excluyentes sería el siguiente:

Si un solo dado es lanzado al aire y el jugador puede ganar si obtiene el punto 1 o si obtiene
el punto 6, entonces en tal caso estamos hablando de dos sucesos que son «mutuamente
excluyentes entre sí», porque en un solo lanzamiento del dado no pueden aparecer los dos
eventos al mismo tiempo (o cae 1, o cae 6, o cae cualquier otro resultado del dado) (Eye in
the sky, s.f.).
Entonces, si se quiere calcular la probabilidad de ganar, se tiene que el evento de que salga el punto 1
tiene una probabilidad de ocurrencia de 1/6 (evento A), al igual que el evento de que aparezca el punto
6 (evento B). La probabilidad de ganar se calculará mediante la fórmula:

Tomando la fórmula para resolver el caso del

ejemplo, se tendría el siguiente resultado:

P(A,B) = P(A)+P(B) = 1/6+1/6 = 2/6 P(A o B) = P(A) + P(B)

P (A o B o C) = P(A) + P(B) + P(C)

Lo anterior significa que el jugador para poder
ganar en el lanzamiento del dado tiene 2 eventos También se presenta como:
a su favor sobre 6 eventos o resultados posibles. P(A U B) = P(A) + P(B)
Donde U significa unión.

Eventos compatibles o no excluyentes

Ahora, una serie de eventos no excluyente serán aquellos

sucesos compatibles, donde la ocurrencia de uno no
excluye la aparición de otros. Un ejemplo de eventos
mutuamente no excluyentes sería:

Un mazo normal de 52 cartas es mezclado, un jugador

puede ganar una cantidad de dinero si al extraer la
primera carta saca un As o cualquier carta de
diamantes. En este caso ambos sucesos no son
mutuamente excluyentes, ya que, si se extrae un
As, este puede ser un As de diamante, con lo cual
ambos eventos se estarían presentando de manera
simultánea sin excluirse el uno al otro. Fuente: (Fotolia, s.f.)
En este caso la probabilidad de uno de los dos eventos se halla así:

P(A o B) = P(A) + P(B) – P(A y B)

Ahora, tomando la fórmula para resolver el caso del ejemplo

anterior, se tendría el siguiente resultado:

P(A o B) = P(A) + P (B) - P(A n B)

4 13 1 4
P(A o B) = + - =
52 52 52 13

Es decir que la probabilidad de que el jugador saque un As o

una carta de diamantes es de 4 oportunidades entre 13.

Eventos independientes

Se dice que dos o más eventos son independientes, si la

probabilidad de presentación de ninguno de ellos queda
influenciada por la presentación del otro.

Si el resultado de un evento no afecta al otro, se dice

que son independientes, por lo tanto se efectuará la
multiplicación de las probabilidades para cada evento:

P=p1xp2xp3x………x pn
Fuente: (Fotolia, s.f.)
 Las probabilidades de
que se obtengan dos
Reyes, cada uno de una Para comprender mejor el concepto de eventos
baraja diferente seria de independientes, se analizará el siguiente ejemplo:
1 en 100.
“¿Qué probabilidad tendremos de obtener dos
Reyes sacando una carta de una baraja y la otra
de una segunda baraja?” (Martínez, 2008)

P(A y B) = P(A) P(B)

4 13 16 1
P= + - =
40 40 1.600 100

Ahora, se tomará un segundo ejemplo para ilustrar mejor este fenómeno:

“Supongamos que se dispone de tres barajas de 40 cartas cada una. Se desea extraer tres cartas,
una de cada baraja; ¿cuál es la probabilidad de obtener un as y un rey de oros y un seis de copas?”
(Martínez, 2008)

Solución:

En la primera baraja se tienen 4 ases, siendo: P(A) = 4/40

En la segunda baraja se tiene un rey de oros: P(B) = 1/40
Y en la tercera baraja hay un seis de copas: P(C) = 1/40

Observamos que los resultados son independientes, pues ninguno de ellos se ve afectado por la
aparición del otro; en estos casos aplicamos la regla especial de la multiplicación, siendo:

4 1 1 4 16
P(A y B y C) = x x == 0,0000625
40 40 40 64.000 16.000
Eventos dependientes

Según Martínez (2008):

Se dice que los eventos son dependientes, si la ocurrencia o no

ocurrencia de un evento en cualquier prueba afecta la probabilidad
de otros eventos en otras pruebas, es decir que la probabilidad del
segundo evento depende del primer evento, el del tercero de lo
que haya sucedido en el primero y segundo y así sucesivamente.

Para calcular esta probabilidad, se utiliza la siguiente fórmula:

P=p1xp2xp3x………x pn

Fuente: (Fotolia, s.f.)

¿Cuáles la probabilidadde obtener3 ases, sacando sucesivamente

tres cartas de una baraja española, sin volverlas a incluir (sin
reposición) en el montón?

Solución:

4
P1 =
40
3
P2 =
39
2
P3 =
38
4 3 2 24 1
P= xx = =
40 39 38 59280 2.470
Eventos condicionales

La probabilidad condicional es aquella que determina la ocurrencia

de un evento sujetándola a la aparición de otro suceso o evento.
Es decir, la probabilidad de que un evento ocurra si otro ya lo ha
hecho anteriormente.

En la regla de la multiplicación, la probabilidad conjunta de A y B

se calcula mediante la aplicación de la fórmula P(A y B) = P(A)
P(B|A) = P(A n B) de donde se puede despejar la fórmula para la
probabilidad condicional de un evento:

P(A y B) P(A n B)
P(B|A)==
P(B) P(B)

“Se encuentra en una facultad que del 70% de los alumnos

matriculados, el 70% son mujeres y el 18%, mujeres estudiantes
de economía. Si elegimos un estudiante al azar y resulta que es
mujer, ¿cuál es la probabilidad de que esté estudiando economía?”
(Martínez, 2008)

Solución:

(P(AnB) ) 0,18
P(B|A)== =0,2571=25,71%
P(B) 0,70
 Figura 2. Retrato del reverendo Thomas Bayes
Fuente: (Hablando de ciencia, s.f.)

La fórmula general para Para ilustrar la aplicación de este teorema se utilizará el siguiente
aplicar el teorema es: ejemplo:

Se tiene 3 recipientes; el primero contiene 6 bolas azules y 2 rojas;

el segundo 4 azules y 4 rojas y el tercero 6 azules. Se selecciona una
de las tres urnas al azar y de ella se extrae una bola que resulta ser
azul. Con la anterior información, ¿cuál es la probabilidad de que
el recipiente escogido sea el primero? ¿Sea el tercero? (Martínez,
2008, p. 209)

P(A1|B)
P(A1)P(B|A1)
=

P(A1)P(B|A1)+P(A2)P(B|A2)+ ..... +P(An)P(B|An)

Resolviendo el problema
planteado en el ejemplo 1
P(A1) =
anterior se tiene: 3

1
P(A2) =
3
1
P(A3) =
3
6 3
P(B A1) = =
8 4

4 1
P(B A2) = =
8 2
6
P(B A3) = = 1
6

La probabilidad de que la
bola azul provenga del
primer recipiente será:

P(A1 B)
P(A1)P(B|A1)
=
P(A1)P(B |A1)+P(A2)P(B |A2) +P(A3)P(B|A3)

(1/3) (3/4) 1
P(A1|B) = =
1 1 1 3
(1/3) (3/4) + + (1)
3 2 3

= 0,33
 La probabilidad de que
provenga del tercer
recipiente:

(1/3) (1) 4
P(A3 B) = =
1 1 1 9
(1/3) (3/4) + + (1)
3 2 3

= 0,44

1
i Distribución de probabilidades
En el campo de los estudios estadísticos, la distribución de una probabilidad se refiere a toda la
escala de valores que podría generarse como resultado de un experimento si éste se llevase a cabo.

La distribución de una probabilidad señala la posibilidad de ocurrencia de un evento en el futuro,

constituyendo así una herramienta de vital importancia para los estudios prospectivos, en tanto
que permite diseñar escenarios posibles de eventos futuros teniendo en cuenta tendencias actuales
de múltiples fenómenos naturales.

Dado que toda distribución de probabilidad puede adoptar diferentes valores, se dice que es
generada por una variable aleatoria x, la cual puede ser de dos tipos: variable aleatoria discreta y
variable aleatoria continua.

Distribución binomial

También denominada como método exacto, corresponde a una distribución de variable aleatoria discreta.

De acuerdo con Martínez (2008), se puede suponer “que si durante repetidos ensayos, siendo p la
probabilidad de éxito en un solo ensayo, la cual debe permanecer fija, y q la probabilidad de fracaso,
entonces la probabilidad P de que se obtenga x éxitos en n ensayos, es el término del desarrollo
binomial de (q+p)n” (p.219).

La fórmula a aplicar en este caso es:

P(x) = ( x) p q x n-x

Donde

n= número de ensayos
x= número de éxitos
p= probabilidad de éxito en cada ensayo
q= probabilidad de fracaso en cada ensayo
Martínez (2008), también establece que los criterios que debe satisfacer una experiencia binomial son:

a) Debe existir un número fijo de pruebas repetidas (n)

b) Cada una de las n pruebas debe tener dos resultados, favorable o desfavorable. En el caso
de la moneda, será: cara o sello, por lo tanto, son mutuamente excluyentes.
c) La probabilidad de éxito de un acontecimiento es fija, algo similar sucede con la probabilidad
de fracaso.
d) Las pruebas son independientes, ya que el resultado de un ensayo, no afecta el resultado
del otro.
e) Nos interesa el número de éxitos en n pruebas. (p.220)

Figura 3. Gráfica de una distribución binomial (n=0.5) para n= 20, 40, 60, 80 y 100.

Para comprender mejor Una institución universitaria establece nuevos métodos de

este concepto, se
analizará el siguiente aprendizaje y de evaluación,con el resultado donde el 85%
ejemplo: de sus alumnos aprueban todas las asignaturas.
Supongamos que se seleccionan 8 estudiantes de dicho
plantel, ¿cuál es la probabilidad para los siguientes
escenarios?

a) exactamente 3 aprueben todas las asignaturas

b) exactamente 3 pierdan alguna asignatura
c) por los menos dos pierdan alguna asignatura (Martínez,
2008, p. 224)
La probabilidad de que 3 P = 0,85 (aprobar) n =8 X=3
aprueben será:

83
P(x =3) = () (0,85)3 (0,15)5 =0,0026= 0,26%

• Se busca en la primera columna de la tabla, donde aparece

el valor de n=8 (ver tabla).
• Luego, en la segunda columna el valor de x.
• Se localiza 0,85 en el renglón de p; se observa que se llega
a 0,50, y se toma su complemento 0,15.
• Se observa que en la tabla al frente de 5 y en la columna
0,15 aparece 0,0026.

Como se pide que 3

aprueben, es lo mismo
que decir que 5 pierdan
alguna asignatura,
siendo n=8; p=0,15;
X=5.

( 5)
8
P(x =5) = (0,15)5 (0,85)3 =0,0026= 0,26%

El resultado es igual al anterior.

 La probabilidad de que
exactamente 3 pierdan
alguna asignatura será
n=8 P = 0,15 q = 0,85
X=3

( 3) (0,15)
8
3
P(x =3) = (0,85) 5= 0,0839 = 8,39%

• Al frente de 5 y debajo de la columna 0,15 aparece

el valor de 0,0839 (ver tabla).

La probabilidad de que
por lo menos dos pierdan
alguna asignatura ser:á
n=8 P = 0,15 q = 0,85

X = 2,3,4,5,6,7,y 8

P(x >2) = 1 - [P (x=0) + P(x=1)]

= 1 - [0,2725 + 0,3847]
= 1 – 0,6572 = 0,3428 = 34,28%
Tabla 1.

Distribución binomial. Cuando n = 8

n x .05 .10 .15 .20 .25 .30 .35 .40 .45 .50

8 0 .6634 .4305 .2725 .1678 .1001 .0576 .0319 .0168 .0084 .0039

1 .2793 .3825 .3847 .3355 .2670 .1977 .1373 .0896 .0548 .0312

2 .0515 .1488 .2376 .2936 .3115 .2965 .2587 .2000 .1569 .1094

3 .0054 .0331 .0839 .1468 .2076 .2541 .2786 .2787 .2568 .2188

4 .0004 .0046 .0185 .0459 .0865 .1361 .1875 .2322 .2627 .2734

5 .0000 .0004 .0026 .0092 .0231 .0467 .0808 .1239 .1719 .2188

6 .0000 .0000 .0002 .0011 .0038 .0100 .0217 .0413 .0703 .1094

7 .0000 .0000 .0000 .0001 .0004 .0012 .0033 .0079 .0164 .0312

8 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0007 .0017 .0039

Fuente: tomado de Martínez, C. (2008). Estadística y muestreo. Bogotá: Ecoe

Distribución Poisson

Es una de las distribuciones más importantes de la variable discreta. Se aplica principalmente cuando
se abordan experimentos donde se presentan eventos catalogados como “raros”, es decir eventos
con una probabilidad mínima de ocurrencia (p) en un numero de observaciones (n) grande.

Algunos ejemplos de este tipo de distribución según Martínez (2008), serían:

 Número de reclamaciones o solicitudes
a una compañía de seguros en un
determinado período.

Número de personas que llegan a un

almacén, banco o aeropuerto en un
tiempo determinado.

Número de defectos en piezas similares

en el material, ya sea por centímetro
cuadrado o centímetro lineal.

Número de llamadas telefónicas

por minuto.

De la distribución probabilística de Poisson se dice que:

Es una distribución binomial cuando n es grande, por lo general mayor de cincuenta, y p,

la probabilidad de éxito de un suceso, se acerca a cero, mientras que q la probabilidad de
fracaso se aproxima a 1, de tal manera que el producto de np, simbolizado por lambda λ,
sea menor o igual a 5, debe utilizarse la distribución de Poisson. No sólo el hecho de que
p sea muy pequeña, sino también cuando p es tan grande que se aproxima a 1, y λ 5, en
ambos casos, se puede aplicar esta distribución. (Martínez, 2008, p. 235)
 La fórmula general para
P(x) = X!
aplicar el teorema es:

Donde

e= 2,71828 (base de los logaritmos neperianos)

λ= np
X= número de casos favorables
P(x)= probabilidad que se va a calcular para

Ahora se observarán los

siguientes ejemplos para
comprender mejor la
aplicación de esta
distribución probabilística.

Si el 1% de las bombillas fabricadas por una compañía son

defectuosas, hallar la probabilidad de que, en una muestra
de 100 bombillas, 3 sean defectuosas.

= 100 (0,01) =1 X=3

3 -1
P(x =3) = 1 e = 1(0,36788) = 0,06131
3! (3)(2)(1)

= 6,13%
 Ahora se observarán los
siguientes ejemplos para
comprender mejor la
aplicación de esta
distribución probabilística.
Si la probabilidad de que una persona adquiera la
enfermedad como consecuencia de una vacuna contra
la misma, es 0,0002, ¿cuál es la probabilidad de que la
adquieran exactamente 5 personas en una población de
10.000 vacunados?

= 10,000 (0,0002) =2 X=5 5!=5x4x3x2x1=120

25 e -2 32(0,313534)
P(x =5) = = = 0,03609
5! 120

= 3,61%

P(x=5) =3,61%

Distribución normal

“Corresponde a una distribución de variable aleatoria continua, que se extiende sobre un campo
de variabilidad infinito” (Martínez, 2008). La distribución normal de una probabilidad está dada
por la siguiente función:

Donde

Y = N e
Ejercicio de aplicación

A continuación, se analizará paso por paso el ejemplo que Martínez (2008) plantea en su libro sobre
estadística y muestreo para ilustrar el concepto de distribución normal:

… el experimento de lanzar 12 monedas, nos permite elaborar una tabla de frecuencias teóricas o
probabilísticas, con lo cual se obtendrán las probabilidades de aparición de 0 caras, 1 cara, 2 caras. 12
caras, con los resultados se podrá calcular la media, la varianza y la desviación típica, al igual como lo
hacíamos en la estadística descriptiva a fin de compararlo con los resultados obtenidos a través de la
distribución binomial, donde:

Los resultados son los siguientes (ver tabla):

Tabla 2
Distribución de frecuencias

Variable Frecuencia Probabilidad

Variable discreta
2

continua esperada o P(x) Xi n i Xi n i

Número teórica n i
Xi-1 - X i de caras X i

(-0,5) -- 0,5 0 1 1/4.096 = 0,000244 0 0

0,5 -- 1,5 1 12 12/4.096 = 0,002930 12 12
1,5 -- 2,5 2 66 66/4.096 = 0,016113 132 264
2,5 -- 3,5 3 220 220/4.096 = 0,053711 660 1.980
3,5 -- 4,5 4 495 495/4.096 = 0,120850 1.980 7.920
4,5 -- 5,5 5 792 792/4.096 = 0,193359 3.960 19.800
5,5 -- 6,5 6 924 924/4.096 = 0,225586 5.544 33.264
6,5 -- 7,5 7 792 792/4.096 = 0,193359 5.544 38.808
7,5 -- 8,5 8 495 495/4.096 = 0,120850 3.960 31.680
8,5 -- 9,5 9 220 220/4.096 = 0,053711 1.980 17.820
9,5 -- 10,5 10 66 66/4.096 = 0,016113 660 6.600
10,5 -- 11,5 11 12 12/4.096 = 0,002930 132 1.452
11,5 -- 12,5 12 1 1/4.096 = 0,000244 12 144

Σ 4.096 1,000 = 1,000000 24.576 159.744

Fuente: tomado de Martínez, C. (2008). Estadística y muestreo. Bogotá: Ecoe

 ( xini) 24.576
X= = =6
N 4.096

( xini)
= x = 24.576 -36=39-36=3
2
S2 =
N 4.096

Ejercicio de aplicación

Con los datos de la tabla anterior, se realizará ahora un histograma de frecuencias, teniendo en cuenta
que el número de aparición de caras corresponde a una variable discreta y al no tener intervalos, se
deberá colocar cada valor de la variable en el centro del rectángulo; al unir los puntos medios en la
parte superior de cada rectángulo, se obtendrá una curva, conocida con los nombres de curva normal,
curva de Gauss, curva de error o curva de probabilidad.

Es importante recordar que la variable en una distribución binomial es discreta y que se debe
transformar en una variable continua, cuando se requiere utilizar la distribución normal; dado que la
amplitud del intervalo siempre va a ser uno (c=1), se divide entre 2 (c/2), siendo igual a 0,5.Ahora,
al restarlo se establece el límite inferior y al sumarlo se obtiene el límite superior de cada intervalo,
de esta manera se elaboró la primera columna de la tabla 1.

Con la variable continua se elabora el histograma y el polígono de frecuencias:

Se utilizarán las siguientes

fórmulas para el
desarrollo del ejercicio:
Ejercicio de aplicación

Ejercicio de aplicación

A continuación, se observan algunas de las condiciones que debe cumplir una curva norma o
probabilística según Martínez (2008):

• La curva es simétrica.
• El área bajo la curva es igual al 100%.
• La curva no toca el eje horizontal (x) ya que es asintótica, se prolonga indefinidamente.
• La media µ se localiza en el centro, es decir, cada parte es igual al 50%.
• X toma valores de menor a mayor, es decir, de izquierda a derecha.
• Al estandarizar, convertir los valores de x en valores de z, ésta tendrá una media µz = 0 y z =1
y z tomará valores desde -3 hasta +3 que cubre un área del 99,7% casi igual al 100%.
• La variante estadística Z=(x-µ)
•
• es una medida de las desviaciones estándar o de las llamadas unidades estandarizadas, conocida
como desviación normal. (p. 249)
1
i Distribuciones muestrales

La muestra que se utilizará para analizar y estimar las características de una población debe ser
representativa. La selección de dicha muestra puede atender diferentes criterios, como la
disponibilidad de tiempo, los recursos a utilizar, el conocimiento y habilidad para tomar la muestra,
entre otros elementos. A continuación, se describirán algunos métodos utilizados para la selección
de muestras.

Distribuciones muestrales
Muestreo aleatorio simple

En este tipo de muestreo, se presenta la misma posibilidad de selección a cada elemento o la

muestra dentro de la población.

El muestro aleatorio simple se puede plantear bajo dos puntos de vista:

• Sin reposición de los elementos: la misma unidad no puede ser seleccionada más de
una vez, esto hace variar la probabilidad de obtener una determinada muestra.
• Con reposición: el elemento extraído es devuelto al universo, donde en la población
de tamaño N se pueden realizar extracciones de n elementos.

Ejemplo: tomar una muestra de tamaño 80 y si hay más de 6 artículos defectuosos

se rechaza el lote.
 Fuente 5: Representación gráfica del muestreo aleatorio simple

Distribuciones muestrales
Muestreo estratificado

La asignación es igual, proporcional y óptima, garantizando la representatividad, reduciendo el error de

la muestra al formar grupos o subpoblaciones más o menos homogéneas, en cuanto a su composición
interna o heterogénea cuando se comparan los estratos entre sí.

N = N 1 + N 2 + ... N K

Distribuciones muestrales

Muestreo doble

Se realiza cuando el resultado del estudio de la primera muestra no es decisivo, entonces se extrae
una segunda de la misma población y las dos muestras son combinadas para analizar los resultados.

Está definido por:

n1= tamaño de la primera muestra

n2= tamaño de la segunda muestra
N= tamaño de lote
c1= número de aceptación para la primera muestra
c2= número de aceptación para las dos muestras
 Muestreo doble

El siguiente ejemplo de
Martínez (2008) ilustrará
mejor este último
concepto.
Con el plan N=3000, n1=80, c1=1, n2=80, c2=4; del lote de 3000
piezas se toma una muestra inicial de 80 y con base a la información
aportada por esta primera muestra se toma una de las tres decisiones
siguientes:

• Aceptar el lote, cuando la cantidad de unidades defectuosas

sea menor o igual que 1 (c1).
• Rechazar el lote, cuando el número de piezas defectuosas sea
mayor que 4 (c2).
• Tomar una segunda muestra de 80 unidades, cuando el número
de piezas defectuosas detectadas en la primera muestra sea
mayor que 1 (c1) pero no exceda de 4 (c2). Si al sumar la
cantidad de unidades defectuosas en las dos muestras, esta
no es mayor que 4 (c2), el lote es aceptado, pero si es mayor
que 4 (c2), entonces el lote es rechazado.

Recursos bibliográficos

• Álvarez, S. (2000). Estadística aplicada: teoría y problemas. Madrid: Editorial CLAGSA.

• EcuRed. (s.f.). Medidas de dispersión. Consultado el 19 de agosto de 2014, en http://www.
ecured.cu/index.php/Medidas_de_dispersi%C3%B3n
• Martínez, C. (2005). Estadística y muestreo. Bogotá: Ediciones Ecoe.
• Naiman, A., Rosenfeld, R. & Zirkel, G.(1987). Introducción a la Estadística. Mexico D.F.:
McGraw-Hill.
• Quesada,V. & López, I. (1989). Curso y Ejercicios de Estadística. Méxco: Alhambra.
• Ruíz, M., Morcillo M.C., García, J. & Castillo, C.(2000). Curso de probabilidad y estadística.
Málaga : Universidad de Málaga .
• Sarabia, A. & Mate Jiménez, C. (1993). Problemas de Probabilidad y Estadística: elementos
teóricos, cuestiones, aplicaciones con Statgraphics. Madrid: CLAGSA, D.L.
• Walpole, R., Myers, R. & Myers, S. (1998). Probabilidad y Estadística para Ingenieros. México
D.F.: Prentice Hall Hispanoamericana.
 GLOSARIO

Muestreo: técnica para la selección de una muestra a partir de un población.

Probabilidad: mide la mayor o menor posibilidad de que se dé un resultado o suceso
cuando se realiza un experimento aleatorio. La probabilidad toma valores expresados
en porcentajes o valores entre 0 y 1.
Variable continua: es aquella que se agrupa de manera parcial por categorías, ya que por
su naturaleza puede tener un valor cualquiera durante una escala numérica continua.
Variable discreta: es aquella que se congrega naturalmente por categorías, ya que la
variable sólo puede tomar valores determinados o enteros
Variable: corresponde a una característica que puede ser medible en varios individuos,
y que puede adoptar diferentes valores.
Varianza: es una medida de dispersión definida como el promedio de las distancias
al cuadrado que van de las observaciones la media.
Créditos

Líder de línea de producción

Alba Lucía Ramírez

Asesoría pedagógica
Ingrid Flórez

Guionización
Ingrid Flórez

Equipo técnico-pedagógico
Carolina Díaz
Carolina Calderón
Jorge Ardila
Carlos Ríos

Diseño gráfico
Carolina Gómez
Catalina Perea

Desarrollo multimedia
Andrés Salcedo
Mapa conceptual

Probabilidad

Es el grado de creencia
sobre la ocurrencia de
un suceso

Distribución de
Técnicas de conteo Probabilidad de eventos Técnicas de muestreo
probabilidades

Eventos excluyentes Distribución binomial

Eventos compatibles
Combinación Permutación Eventos dependientes
Eventos independientes
Eventos condicionales
Distribución Poisson Muestreo aleatorio simple
Distribución normal Muestreo estratificado
Muestreo doble

El arreglo de los Sí importa el orden de

elementos se hace sin los elementos dentro
importar el orden. del conjunto.