República Bolivariana De Venezuela
Ministerio Del Poder Popular Para La Educación Universitaria
Universidad Nacional Experimental De Los Llanos Occidentales
“Ezequiel Zamora”
Extensión - Esteller
Nociones de
Probabilidad
Estudiantes:
Ariana Alcalá
Nadexsa Molina
Facilitador: Lic. Luis Duran.
Carrera: Contaduría Pública.
Píritu, Enero 2025.
DISTRIBUCIÓN DE PROBABILIDAD CONTINÚAS
Son funciones que describen la probabilidad de que una variable aleatoria continua tome un valor
dentro de un determinado rango. A diferencia de las distribuciones discretas, donde se definen
probabilidades exactas para valores específicos (como el número de caras al lanzar una moneda),
en las distribuciones continuas se trabaja con intervalos de valores y pueden tomar cualquier valor
dentro del rango (por ejemplo, la altura de una persona).
Características clave:
* Función de densidad de probabilidad (f.d.p.): Representa la probabilidad relativa de que la
variable aleatoria tome un valor particular.
* Área bajo la curva: La probabilidad de que la variable aleatoria caiga en un intervalo específico
es igual al área bajo la curva de la f.d.p. en ese intervalo.
* Probabilidad en un punto: La probabilidad de que una variable continua tome un valor exacto es
cero.
DISTRIBUCIÓN NORMAL: LA CURVA DE CAMPANA
La distribución normal, también conocida como distribución gaussiana o curva de campana, es una
de las distribuciones de probabilidad continua más importantes y comunes en estadística.
Describe una gran cantidad de fenómenos naturales y sociales, desde las alturas de las personas
hasta los resultados de exámenes estandarizados.
Características clave de la distribución normal:
* Forma de campana: Su gráfica tiene una forma característica de campana, siendo simétrica
respecto a su valor central.
* Media, mediana y moda coinciden: El punto más alto de la curva corresponde a la media,
mediana y moda de la distribución.
* Desviación estándar: Define el ancho de la curva. Una desviación estándar más grande indica
una distribución más dispersa.
Parámetros de la distribución normal:
* Media (μ): Indica el centro de la distribución.
* Desviación estándar (σ): Mide la dispersión de los datos alrededor de la media.
Propiedades importantes:
* Simétrica: La curva es simétrica respecto a la media.
* Asintótica al eje de las abscisas: La curva se acerca al eje de las x pero nunca lo toca.
* Área bajo la curva: El área total bajo la curva es igual a 1.
* Regla empírica (68-95-99.7): Aproximadamente el 68% de los datos se encuentran dentro de
una desviación estándar de la media, el 95% dentro de dos desviaciones estándar y el 99.7%
dentro de tres desviaciones estándar.
¿Cuándo utilizar la distribución normal?
* Datos continuos: Cuando la variable de interés puede tomar cualquier valor dentro de un
intervalo.
* Datos simétricos: Cuando los datos se distribuyen de manera simétrica alrededor de la media.
* Teorema del límite central: Cuando se trabaja con muestras grandes, incluso si la población
original no es normal.
Uso de la Tabla de la Distribución Normal
La tabla de la distribución normal estándar es una herramienta fundamental en estadística para
calcular probabilidades asociadas a una variable aleatoria normal. Esta tabla nos proporciona el
área bajo la curva normal estándar (con media 0 y desviación estándar 1) desde el infinito negativo
hasta un valor específico de z.
¿Por qué es importante la tabla?
* Estandarización: Nos permite transformar cualquier variable normal con media μ y desviación
estándar σ en una variable normal estándar (Z) utilizando la siguiente fórmula:
Z = (X - μ) / σ
Donde:
Z: Valor estandarizado
X: Valor de la variable original
μ: Media de la población
σ: Desviación estándar de la población
* Cálculo de probabilidades: Una vez estandarizada la variable, podemos utilizar la tabla para
encontrar el área bajo la curva, lo que equivale a calcular la probabilidad de que la variable Z sea
menor o igual a un valor específico.
¿Cómo se utiliza la tabla?
* Estandarizar el valor: Calcular el valor z correspondiente al valor x de la variable original.
* Buscar en la tabla: Encontrar el valor z en la tabla y leer el área correspondiente. Esta área
representa la probabilidad de que Z sea menor o igual a z.
* Interpretar el resultado: El área encontrada representa la probabilidad buscada.
DISTRIBUCIÓN T DE STUDENT
La distribución t de Student es una distribución de probabilidad muy utilizada en estadística,
especialmente cuando se trabaja con muestras pequeñas y se desconoce la desviación estándar de
la población. A diferencia de la distribución normal, la t de Student tiene "colas más gordas", lo
que significa que hay una mayor probabilidad de obtener valores extremos.
¿Por qué utilizamos la distribución t de Student?
* Muestras pequeñas: Cuando el tamaño de la muestra es reducido (generalmente menor a 30), la
distribución t de Student es más apropiada que la normal.
* Desviación estándar poblacional desconocida: Al no conocer la desviación estándar de la
población, utilizamos la desviación estándar muestral para estimarla, y la distribución t nos
permite ajustar por esta incertidumbre.
¿Cuándo utilizamos la distribución t de Student?
* Intervalos de confianza para la media: Cuando queremos construir un intervalo de confianza
para la media de una población y la desviación estándar poblacional es desconocida.
* Pruebas de hipótesis para la media: Cuando queremos realizar una prueba de hipótesis sobre la
media de una población y la desviación estándar poblacional es desconocida.
* Comparación de medias de dos muestras independientes: Cuando queremos comparar las
medias de dos grupos independientes y las desviaciones estándar poblacionales son desconocidas.
Uso de la Tabla T de Student
La tabla T de Student es una herramienta estadística utilizada para determinar los valores críticos
de la distribución t, que es particularmente útil en situaciones donde se trabaja con muestras
pequeñas (n < 30) y la desviación estándar de la población es desconocida.
¿Cómo se estructura la tabla T de Student?
La tabla T está organizada en filas y columnas.
* Filas: Cada fila corresponde a un grado de libertad. El grado de libertad está relacionado con el
tamaño de la muestra (generalmente es n-1, donde n es el tamaño de la muestra).
* Columnas: Las columnas representan diferentes niveles de significancia. Los niveles de
significancia más comunes son 0.10, 0.05 y 0.01.
¿Cómo utilizar la tabla T de Student?
* Determinar el nivel de significancia (α): Este es el nivel de riesgo que estás dispuesto a aceptar.
Por ejemplo, un α de 0.05 es común.
*Calcular los grados de libertad (df): Para una prueba de una media, df se calcula como el tamaño
de la muestra (n) menos 1: df = n - 1
*Encontrar el valor crítico t: Con la α establecida y los grados de libertad calculados, puedes
buscar el valor correspondiente en la tabla t.
- Para una prueba bilateral, divide α entre 2.
- Para una prueba unilateral, usa el valor de α directamente.
*Realizar la prueba: Una vez que tienes el valor crítico t, puedes comparar con el estadístico t
calculado de tu muestra para tomar decisiones sobre la hipótesis.
PROBABILIDAD
La probabilidad es una medida numérica que describe la posibilidad de que ocurra un evento. Se
expresa como un número entre 0 y 1, donde:
* 0: Indica que el evento es imposible.
* 1: Indica que el evento es seguro.
* Entre 0 y 1: Indica la probabilidad de que el evento ocurra.
Axiomas de probabilidad
Son los principios fundamentales que rigen el cálculo de probabilidades. Fueron formalizados por
Kolmogorov y son los siguientes:
* No negatividad: La probabilidad de cualquier evento es siempre mayor o igual a cero. P(A) ≥ 0
* Certeza: La probabilidad del espacio muestral (el conjunto de todos los posibles resultados) es
igual a 1. P(S) = 1
probabilidad de que ocurra uno u otro es igual a la suma de sus probabilidades individuales. P(A ∪
* Aditividad: Si dos eventos son mutuamente excluyentes (no pueden ocurrir al mismo tiempo), la
B) = P(A) + P(B) si A ∩ B = ∅
Conceptos Claves
* Experimento Aleatorio: Es aquel en el que, a pesar de repetirse en las mismas condiciones, el
resultado no puede predecirse con certeza antes de realizarlo. La probabilidad nos ayuda a
cuantificar la posibilidad de que ocurra un determinado resultado.
* Espacio muestral (S): Conjunto de todos los posibles resultados de un experimento. Se
representa con la letra S.
* Evento: Subconjunto del espacio muestral. Es un resultado o conjunto de resultados de interés.
* Suceso: Resultado o conjunto de resultados posibles dentro de un experimento aleatorio.
Tipos de Probabilidad:
La probabilidad es un campo vasto, y existen diversos tipos de probabilidad para modelar
diferentes situaciones.
1. Probabilidad Clásica o Matemática:
* Definición: Se basa en la idea de equiprobabilidad, es decir, que todos los resultados posibles
tienen la misma probabilidad de ocurrir.
* Fórmula: P(A) = Número de casos favorables / Número de casos posibles
2. Probabilidad Frecuencial:
* Definición: Se obtiene a partir de la repetición de un experimento y se calcula como la
proporción de veces que ocurre un evento entre el número total de ensayos.
3. Probabilidad Subjetiva:
* Definición: Se basa en el grado de creencia o juicio de un individuo sobre la ocurrencia de un
evento.
4. Probabilidad Condicional:
* Definición: Es la probabilidad de que ocurra un evento A, dado que otro evento B ya ha ocurrido.
* Notación: P(A|B)
* Fórmula: P(A|B) = P(A ∩ B) / P(B)
5. Probabilidad Bayesiana:
* Definición: Se basa en el teorema de Bayes y permite actualizar las probabilidades a medida que
se obtiene nueva información.
* Fórmula: P(A|B) = (P(B|A) * P(A)) / P(B)
Otros tipos de Probabilidad:
* Probabilidad binomial: Modela experimentos con dos posibles resultados (éxito o fracaso) en un
número fijo de ensayos independientes.
* Probabilidad de Poisson: Modela el número de ocurrencias de un evento en un intervalo de
tiempo o espacio dado.
* Probabilidad geométrica: Modela el número de ensayos necesarios para obtener el primer éxito
en una secuencia de ensayos de Bernoulli.
* Probabilidad hipergeométrica: Se utiliza cuando se extraen muestras sin reemplazo de una
población finita.
Aplicaciones
La teoría de la probabilidad tiene aplicaciones en una amplia variedad de campos, como:
* Estadística: Para el análisis de datos y la inferencia estadística.
* Finanzas: Para la valoración de activos y la gestión de riesgos.
* Ciencias naturales: Para modelar fenómenos aleatorios.
* Ingeniería: Para el diseño de sistemas confiables.
Anexos