DISTRIBUCIONES BIDIMENSIONALES

Aquí interesa el estudio estadístico descriptivo de dos características de interés medidas a

individuos que pertenezcan a una población o muestra bajo estudio.
Los datos se recolectan de la forma (X,Y) donde X es una característica de interés con n
modalidades, es decir, X1, X2, X3,X4,......Xn y la variable y (o característica y) con una
modalidad de m categorías, es decir: Y1, Y2, Y3,Y4,......Ym

Así por ejemplo:

Sea X : peso
Sea Y : estatura
Para un grupo de 20 personas

X : peso Y : estatura
X1 Y1
X2 Y2
X3 Y3

Xn Ym

Estos datos parece razonable resumirlos en una tabla de doble entrada . Debido a que dos
variables son continuas, se debe determinar los intervalos o clases para cada variable
(como se hacia en el caso unidimensional).

LOS TIPOS DE DATOS QUE SE PUEDEN ANALIZAR SON:

TIPO VARIABLES (x , y) EJEMPLOS

Cualitativa / cualitativa
Cuantitativa / cualitativa
Cuantitativa / cualitativa
Categórica / categórica Color cabello / sexo
Continua / categórica Peso / color de ojos
Pulsación por minuto /
Discreta /categórica
estado civil
 DISTRIBUCIONES BIDIMENSIONALES

Estos datos se pueden mostrar en una tabla de frecuencias de doble entrada.

Y Total
Y1 Y2 Y3 ............... Ym marginal
X de X
X1 ............... n1·
X2 ............... n2·
X3 ............... n3·
. .
. ............... .
. .
Xn ............... nn·
Total
marginal n·1 n·2 n·3 ............... n·m n··
de Y

X 0 0 0 0 0 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4
Y 0 1 2 3 4 0 1 2 3 4 0 1 2 3 4 0 1 2 3 4 0 1 2 3 4
f 8 19 35 16 3 23 37 22 6 1 35 20 16 2 1 17 4 1 0 0 2 1 1 0 0

Y Total
0 1 2 3 4
X marginal X
8 19 35 16 3
n1· = 81
11
0 8 0,029 27 0,070 62 0,129 78 0,059 81 0,011
0,029 0,099 0,228 0,287 0,298
23 37 22 6 1
1 31 0,085 87 0,137 144 0,081 166 0,022 170 0,003 n2· = 89
0,114 0,322 0,533 0,614 0,629
35 20 16 2 1
2 66 0,129 142 0,074 215 0,059 239 0,007 244 0,003 n3· = 74
0,243 0,525 0,796 0,885 0,903
17 4 1 0 0
3 83 0,062 163 0,014 237 0,003 261 0 266 0 n4· = 22
0,305 0,603 0,877 0,966 0,985
2 1 1 0 0
4 85 0,007 166 0,003 241 0,003 265 0 270 0 n5· = 4
0,312 0,614 0,892 0,981 1

Total n·2 = 81
marginal n·1 = 85 n·3 = 75 n·4 = 24 n·5 = 5 270
Y

11 8+19+35+16+3=81

Explicación

INTERPRETACIÓN DE UNA CELDA

 Existen 16 familias con 2 hijos hombres y 2 hijas
mujeres, que representan el 5,9% del total (270), 215
familias que tienen desde 0 hijos hasta 2 y desde 0
hasta 2 hijas y representan el 79,6% del total de la
población.

a) Considerando el total de hijos (hombres y mujeres) que tiene cada familia ¿cuál es el
promedio de estos en las 270 familias? R.- 2,4 hijos.

b) Obtener las distribuciones marginales para cada variable.

c) En esta muestra de familias ¿Cuántos hijos hombres hay?, ¿hay más hijos hombres
o más hijas mujeres? R.- H = 323 M = 319

d) ¿Cuál es el promedio de hijos varones por familia? R.- 1,2.

e) ¿Cuál es el promedio de hijas por familia? R.- 1,2.

f) Calcule la moda para cada distribución marginal. ¿Qué significa este valor?
R.- moda hijos: 0 moda hijas: 1

g) Calcule la varianza y desviación típica para cada distribución marginal. ¿En cuál de
las variables (X o Y) los datos están más dispersos? R.- 0,9797 y 1,0351.

h) ¿Cuántas familias tienen sólo un hijo hombre, sin importar si tienen o no hijas
mujeres?. R.- 81
i) Obtener la distribución condicional para el número de hijas en las familias que tienen
2 hijos hombres.

j) ¿Cuál es la distribución de los hijos hombres en las familias con una hija mujer?

k) ¿Cuál es el promedio de hijos hombres para las familias que tienen una hija mujer?
R.- 1,16.
l) ¿Cuál es el promedio de hijas en las familias que tienen 2 hijos hombres?
R.- 0,81.

m) ¿Cuál es el promedio de hijos hombres en las familias que no tienen hijas?

R.- 1,84.

DISTRIBUCIONES CONDICIONALES, MEDIAS Y

VARIANZAS CONDICIONALES.
 DISTRIBUCIONES CONDICIONALES: Consiste en conocer la distribución de una
variable, condicionando a la otra algún valor especifico que ésta toma.

Es decir, la distribución condicional de X dado que Y = yj

Distribución
Distribución
condicional (H)
condicional (H)
H (x / y = y j )
X H (x / y = y j )
H ( y / x = xi )
Ejemplo: X1 f ija
Obtenga la distribución condicional de x dado que y = 3 en el X2 fija
ejemplo de las 270 familias. Hay 16 familias con 3
Hayy16
hijos familias con 3
0 hijas X3 fija
hijos y 0 hijas
. .
X H(x/y =3) . .
X1 0 16 f14a . .
X2 1 6 f 24a Total n.j
X3 2 2 f 34a
X4 3 0 f 44a
X5 4 0 f 54a
Total 24

Existen 24 familias
Existen
con 3 hijos24 familias
con 3 hijos

MEDIA CONDICIONAL :
n

M(x/y = yj) =
�X
i =1
i * f ija

n. j

�X * f i
a
14
x1 * f14a + x2 * f 24a + x3 * f34a + x4 * f 44a + x5 * f54a
M(x/y = 3) = i =1
=
n.4 24
0*16 + 1*6 + 2*2 + 3*0 + 4*0 10
= = = 0, 42hijas
24 24
VARIANZA CONDICIONAL:
n

�X i
2
* fija
2
s ( X / Y = y j ) = VAR( X / Y = y j ) =
2 i =1
-�
�M ( X / Y = y j ) �
�
n. j
0*162 + 1*6 2 + 2* 2 2 + 3*0 2 + 4 + 0 2 36 + 16 52
= = = = 2,16
24 24 24

COEFICIENTE DE VARIACIÓN:

M ( X / Y = yJ )
C.V .( X / Y = y J ) =
VAR ( X / Y = yJ )

ANÁLISIS DE REGRESIÓN LINEAL SIMPLE

Es un método estadístico que permite evaluar la relación que existe entre dos
variables, una llamada variable independiente X y la otra llamada variable dependiente Y.
La variable dependiente es una función lineal y es una variable aleatoria , mientras
que la variable independiente toma valores específicos y = f ( x) . A la variable
dependiente “Y” se le llama VARIABLE RESPUESTA y a la variable “X” se le llama
VARIABLE PREDICTORA.
El modelo de regresión lineal simple se caracteriza por tener solamente una
variable independiente.
y = b0 + b1 X i
y Donde: bˆ0 = Y - bˆ1 X

x Covarianza
Covarianza
�� x y
scxy �
xy -
Pero : ˆ n
b1 = =
�x - �
2
scx ( x) 2

n
Pendiente
Indica el tipo de relación entre Pendiente
lasIndica el tipo
variables, esde relación
decir, si el entre
las variables,
valor es decir,
de la relación si el
es positiva
esvalor de la relación
directamente es positiva
proporcional.
es directamente proporcional.

Sean los siguiente datos:

X Y X2 Y2 X *Y Yˆ
3 6 9 36 18 4,61
 4 7 16 49 28 8,34
6 15 36 225 90 15,80
8 24 64 576 192 23,26
21 52 125 886 328

Es directamente
Es directamente
proporcional por
proporcional
ser positiva por
ser positiva
21*52
328 -
bˆ1 = 4 = 55 = 3, 73
(21) 2 14, 75
125 - 52 21
4 bˆ0 = y - bˆ1 * x � bˆ0 = - 3, 73*
4 4
r =1
= 13 - 19,58 = -6,58
b1 > 0
yˆ = -6,58 + 3,73 X i cov > 0

r �1
b1 > 0
cov > 0

b1 < 0
r = -1
cov < 0

r �-1
b1 < 0
-1 �r �1 cov < 0

No hay ninguna
No hayentre
ninguna
bˆ1 = 0
relación las
relación entre las
variables
variables
cov = 0
r =0
Fórmula del coeficiente de Correlación

scxy ei = y1 - yˆi
r=
scx * scy estimación
estimación
Error de
Error de
 Coeficiente de correlación
Es el grado que existe entre la relación de las variables.

Coeficiente de determinación
Indica en que porcentaje (%) la variable independiente explica a la variable dependiente.

( scxy ) 2
r = 2

scx * scy

yˆ = bˆ0 + bˆ1 X i
bˆ = y - bˆ x
0 1
OJO,
OJO,
Esto
Estoestaba
estaba

�xy - �x�y en pizarra.

en pizarra.
scxy n
bˆ1 = =
( �x )
2
scx
�x 2
-
n

PRUEBA DE HIPOTESIS PARA LA PENDIENTE POBLACIONAL

1.- Determinar las hipótesis.

Hipótesis
Hipótesis nula Hipótesis
alternativa
Hipótesis nula H 0 : b1 = 0 v/s H1 : b1 �0 alternativa

Pendiente de la
Pendiente de la
población
población

2.- Prueba de hipótesis o estadista.

( scxy )
2
bˆ1 - b1 scy -
T calculado tc = scx
T calculado
Sbi
Sb1 = n-2
scx
Intervalo de
3.- determinar el nivel de significación ( a ) = 1 - I .C.
Intervalo de
confianza
confianza
 4.- Regla de decisión : rechazar H 0 si y solo si tc �-tt ó tc �tt

Desarrollo

1.- H 0 b1 = 0 ó H1b1 �0

2.- bˆ1 - b1
tc =
( �y )
2
Sb1 scy = �y 2
-
n
scxy = 14, 75
( scxy ) 2
( 52 )
2
scy -
scx scy = 886 -
n-2 4
Sb1 =
scx
scy = 210

scxy = �xy -
�x�y
n
scxy = 55

( �x )
2

scxy = �x 2
-
n
scxy = 14, 75

1,568 3, 728 - 0
= 0, 406 \ tc = = 9,18
3,841 0, 406

Se dice que se
Se dice que se
trabaja con un 95%
3.- a = 0, 05 trabaja con un 95%
de confianza.
de confianza.

4.- Regla de decisión.

95%

0,25 0,25
 -tt = -4,303 tt = 4,303

Intervalo de Confianza para b1

bˆ1 - tt * Sb1 �b1 �bˆ1 + tt * Sb1

�
� � {
bˆ1 - tt * Sb1 , bˆ1 + tt * Sb1 �b1 ��/ bˆ1 - tt * Sb1 �bˆ1 + tt * Sb1 }

EXPERIMENTO

Es cualquier proceso planeado que da lugar a observaciones o a recolección de datos.

EXPERIMENTO ALEATORIO e
Es aquel cuyos resultados no pueden predecirse antes de su realización y por lo tanto,
están sujetos al azar.
Ejemplo:
Lanzamiento de moneda, lanzamiento de un dado.

ESPACIO MUESTRAL S
Es el conjunto integrado por todos los resultados posibles de un experimento.

EVENTOS O SUCESOS E
Corresponde a una sub-colección o subconjunto del S

Diagrama de Venn, el cual

muestra un espacio
muestral y tres eventos.

EVENTO COMPLEMENTARIO

Si E es un evento contenido en un espacio muestral S, entonces el evento

complementario denotado por E c (E complemento) es el que contiene todos los
elementos que están en S pero no en E .

Suponga que E es un evento de algún experimento como un evento E , ocurre o no

ocurre, entonces el S estará compuesto por los eventos de E y E c

S = [E, E c ]

EVENTOS COMPUESTOS

Si E y F (como eventos), son eventos entonces la ocurrencia de E ó F se denota por E �F

ó que ambos ocurran E �F

EVENTOS MUTUAMENTE EXCLUYENTES.

Dos eventos son mutuamente excluyentes cuando no tienen resultados en común

(elementos), es decir, E �F = �
 Ejemplo: suponga que un experimento consiste en examinar 3 fusibles, cada fusible puede
ser defectuoso (D) o no defectuoso (B).

a) Determine la cardinalidad del espacio muestral.(cuantos elementos tiene el espacio

muestral)
Cantidad de
Cantidad de
fusibles
fusibles
23 = 8
Sale bueno o
Sale bueno o
malo
malo

b) Determine el espacio muestral.

B
B
D
B
B
D
D

D
D
B
D
D
B
E

c) Obtenga los siguientes eventos:

E1 = que el primer fusible sea defectuoso

{DBD-DDD-DDB-DBB}
E2 = que a lo mas un fusible sea defectuoso (máximo uno)
{BBD-BDB-BBB-DBB}
E3 = que a lo menos un fusible sea defectuoso
E4 = que a lo sumo dos fusibles sean defectuosos (máximo)
E5 = que ningún fusible sea defectuoso.

Use el diagrama de Venn para ilustrar la siguiente información, sea el espacio muestral
1,2,3,4,5,6,7,8

A = ( 1, 2,3,5 ) S
El evento B = ( 1, 2, 4,6 ) 2
C = ( 1,3, 4, 7 )
5 6
 1
3 4

7
8

CONCEPTO DE PROBABILIDAD

Si un experimento e tiene un espacio muestral S y un evento E está definido en S,

entonces la probabilidad de E P ( E ) es un número real al que se le denomina la
probabilidad de un evento E o simplemente la probabilidad de E .

Ocurre o no

P( E)
Ocurre
ocurre

0 0,5 1

La probabilidad satisface las siguientes propiedades.:

1) 0 �P ( E ) �1 "E �S (para todo evento que pertenece al espacio muestral)

2) P( S ) = 1

3) Para cualquier número finito k de eventos mutuamente excluyentes definidos en S

�k � k
P�U Ei�= �P( Ei )
�i =1 � i =1

TEOREMAS DE PROBABILIDAD BÁSICA

TEOREMA 1
Si f (fi) es un conjunto vacío entonces la probabilidad de f es 0.
TEOREMA 2
Si A y B se definen en S y si A �B = 0 entonces A y B se dice que son mutuamente
excluyentes y la probabilidad de que ocurra A o B es: P ( A �B ) = P ( A ) + P ( B )
TEOREMA 3
Si A y B se definen en S y si A �B distinto de cero

{ 1, 2,3, 4,5, 6} P ( A �B ) = P ( A ) + P ( B ) - P ( A �B )
A { 1,3,5}
- =
1
3 2 4
+
6
=

6 6 6
4

B { 1, 6}
6

A �B = { 1,3,5, 6}
4
P ( A �B ) =
6
TEOREMA 4

P ( Ec ) = 1- P ( E ) 4 2
c el complemento de
Sea E E en S , entonces la P ( E ) = 1- P ( E
1- =
c
) 6 6

PROBABILIDAD CONJUNTA, MARGINAL Y CONDICIONAL

SEXO
B1 B2 Total
HABITO hombres mujeres

A1 n11 = 2 n12 = 3 n11 + n12 = 5

fumar

A2 n21 = 5 n22 = 1 n21 + n22 = 6

no fumar

Total n11 + n21 = 7 n12 + n22 = 4 n = 11

Fórmula general

nij
P ( Ai �B j ) =
n

Suponga que se elige una persona y

se quiere saber si ésta fuma y sea hombre.
n 2
P ( A1 �B1 ) = 11 .... = 18%
n 11
AAesto
Si fuma y sea mujer estoseselelellama
llama
n 3 PROBABILIDAD
P ( A1 �B2 ) = 12 .... = 27,3% PROBABILIDAD
CONJUNTA
n 11 CONJUNTA
 Que no fume y sea hombre
n 5
P ( A2 �B1 ) = 21 .... = 45,5%
n 11
Que no fume y sea mujer
n 1
P ( A2 �B2 ) = 22 .... = 9,1%
n 11

Suponga que se desea conocer la probabilidad de algún ai P ( Ai ) sin importar si es

hombre o mujer ( B j ) sin importar los ( Ai ) .

Ejemplo :

n11 + n12 5
P ( A1 ) = = = 45,5% 2
n 11
�n ij
n +n 6
P ( A2 ) = 21 22 = = 54,5% P ( Ai ) = j =1
Probabilidad
Probabilidad
que sea
n 11 n
que sea
hombre
hombre 2
n +n 7
P ( B1 ) = 11 21 = = 63, 6%
AAesto
estoseselelellama
PROBABILIDAD
llama �n ij
P ( Bj ) =
n 11 PROBABILIDAD i =1
MARGINAL
MARGINAL
n12 + n22 4 n
P ( B2 ) = = = 36, 4%
n 11
Probabilidad
Probabilidad
que sea
que sea
mujer
mujer

Suponga que ahora que se elige aleatoriamente una persona y es mujer, cual es la
probabilidad de que no fume.
AAesto
estoseselelellama
llama
n22 1 PROBABILIDAD
P ( A2 / B2 ) = = = 25% PROBABILIDAD
CONDICIONAL
n12 + n22 4 CONDICIONAL

n22 1
P ( B2 / A2 ) = nij
P ( Ai / A j ) =
= = 16, 7%
n21 + n22 6
2

�n
j =1
ij

TEOREMA DE BAYES

El Teorema de Bayes nos permite calcular la Regla de la multiplicación

probabilidad de un evento que no se conoce a
partir de eventos anteriores, para entender este
teorema consideremos que un articulo es P ( A / B ) * P ( A ) = P ( A �B )
manufacturado a través de dos máquinas.

MÁQUINA MÁQUINA
A B
  Se sabe que la Maq A produce el 40% de la producción total y la Maq B el 60%, se
sabe también que la taza de efecto de la Maq A es de un 2% y la Maq B un 4%.
 Obtenga la probabilidad de que el articulo sea defectuoso y venga de la Maq A.
 La probabilidad de que venga de la Maq B sabiendo que es NO defectuoso.

P ( B / Dc ) = ? P ( A ) * P ( D / A ) = P ( D �A )
0, 4*0, 02
0, 08
8%
P ( A) * P ( D c / A ) = P ( A �D c )
0, 4*0,98
ARTICULO 0,392
39,2%

P ( B ) * P ( D / B ) = P ( B �D )
0,6 * 0,04
0,024
24%

P ( B ) * P ( DC / B ) = P ( B �D 2 )
0,6 * 0,96 TEOREMA DE
TEOREMA DE
BAYES
0,57 BAYES

57%

P ( B �DC ) P ( B �DC )
P ( B / DC ) = P ( B / DC ) =
P( D C
) P ( A �DC ) + P ( B �D C )

0,57
P ( B / DC ) =
0,392 + 0,57

= 0,592

= 59,2%
Distribución de probabilidades: existen discretas y continuas, las discretas se encuentran
la Bernoulli, Poison, hipergeométrica, multinomial y la geométrica entre otras.

Entre las distribuciones continuas las más importantes son La Normal, Uniforme,
Exponencial, entre otras.

DISTRIBUCIÓN BINOMIAL

En estadística la Distribución Binomial es una distribución de probabilidad discreta del

número de éxitos en una secuencia de “n” experimentos independientes, cada uno de los
cuales tiene probabilidad “p” de ocurrir. La distribución Bernoulli es una distribución
binomial con n = 1 (el número de ensayos es igual a 1). Su distribución de probabilidad
está dada por la siguiente función matemática.

�n � x n - x
b ( n, p, q, x ) = � �p q A B C D
�x �
donde
4!
�n� n! 4C2 = =6
� �= ncx = 2!2!
�x � ( n - x ) ! x! =
2! 3*4
=6
2! 2
Responde a
Responde a p = probabilidad que ocurra (éxito)
combinatori q = probabilidad que no ocurra
combinatori
a
a
siempre que p � q = 1-p

Por ejemplo:
La distribución binomial se usa para encontrar la probabilidad de sacar 5 caras y 7 sellos
en 12 lanzamientos.

Sea x la variable aleatoria salga sello

n = 12
x=7
b = (12, 0.5, 0.5, x = 7) =
�n �
�
�12 �
� 12C7 * 0,57 * 0,55
�x � = 0,1933
� � = 19,33 %
�7 �

Probabilidad de que a lo más salgan dos sellos. 12C 0*0,50 *0,512

P( x �2) = P( x = 0) + P( x = 1) + P( x = 2) 12C1*0,51 *0,511

k = 5 ; l = 400
= 0,00024 + 0,0029 + 0,016 2%C=2*0,5
12 p 2 *0,510
= 0,0193
n = 400 � E ( x ) = m = n * p
2
= 400* =8
Probabilidad de que por lo menos salga un sello. 100
e -8 85
= = 0, 092 � 9, 2%
P ( x �1) = 1 - P ( x < 1)
5!
P ( x �2 ) = 1 - P ( x < 2 )
= 1 - P ( x = 0) = 1 - P ( x �1)
= 1 - 0,00024 P ( x = 0 ) + P ( x = 1) �
= 1- �
� �
l =5 x=0
= 0,99976
e -5 *50
= 99,98% ( p = 0) = = 0, 0067
0!
La
e -5 *51
m ( x) = E ( x) = n * p
( p = 1) = = 0, 0337
 1!
= 12*0,5 e -5 *52
=6 ( p = 2) = = 0, 0846
2!
e-5 *53
VAR ( x ) = s 2 ( x ) = n * p * q ( p = 3) = = 0,140
 3!
= 12*0,5*0,5 e -5 *54
=3 ( p = 4) = = 0,1754
4!
1 ( x -m ) 2
1 - � i
s ( x) = s = 3 f ( x, m , s )
2

2
= *e 2 s
2p
m ( x) 6
CV ( x ) = =
 s ( x) 3

Se tiene la siguiente información :

s = 1, 732 , q = 0,5

Calcular:
 a) P ( x = 1)

b) La probabilidad de que a lo más salga un sello.

c) La probabilidad de que a lo menos salga un sello.

SOLUCIÓN:

Sabemos que
a) P ( x = 1; p = 0,5; q = 0,5; n = 12 ) = nC1 p q
1 11

VAR ( x ) = s ( x ) = n * p * q
2
= 12C1*0,51 *0,511
s = n* p*q = 12C1*0,512

�= s = 1,732 1 shi nCr 1*0, ^ 1

s 2 = (s )
2

s2 =3 = 2,92*10-03

\s 2 = n * p * q shift EN
3 = n* p*q
3 = n *0,5*0,5
Dos veces
= 0, 0029
3
=n = 2,9%
( 0, 5)
2

n = 12

1
b) P ( x �1) = �P ( xi ) 0,0049
x =0

= P ( x = 0 ) + P ( x = 1)
= 0, 002 + 0, 0029
= 0, 0049 0 1 2 3 4 5 6 7 8 9 10 12

= 0, 49%
 1

c)c)

P ( x > c ) = 1 - P ( x �c )
P ( x �c ) = 1 - P ( x < c )

a)a)

==

==0,598
0,598
==59,8%
59,8%

b)b)
Ejercicio :

Un fabricante de marcos para ventana sabe por experiencia que un 5% de la producción

==0,315
0,315
tendrá algún tipo de defecto menor que requerirá un ligero ajuste. Cual es la probabilidad
de que una muestra de 10 marcos para ventana
==31,5% ...
31,5%
a) ninguno necesite arreglo 0
b) por lo menos uno requerirá ajustes de 1 a 10
c)c)c) mas de dos necesitarán arreglos de 3 a 10

==0,0746
0,0746
==7,46%
7,46%
 DISTRIBUCION DE PROBABILIDADES PARA UNA VARIABLE ALEATORIA
DISCRETA POISSON

e-l l x
f ( x, l ) =
x!

l = promedio de ocurrencias en un periodo de tiempo determinado

x = es la variable aleatoria bajo estudio.
Ejemplo:
a) Si el 2% de los libros encuadernados en cierto taller tienen encuadernación
defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados en este
taller tengan encuadernación defectuosa.

k = 5 ; l = 400 ( 0, 02 ) =8

2% = p n = 400 � E ( x ) = m = n * p
l = 400*0, 02
2
= 400* =8
100

e-l l x e -8 85
P ( x = 5) = = = 0, 092 � 9, 2%
x! 5!

b) probabilidad de que a lo más dos (2) sean defectuosas.

P ( x �2 ) = P ( x = 0 ) + P ( x = 1) + P ( x = 2 )
e -8 *80 e -8 *81 e -8 *82
= + +
0! 1! 2!
= 0, 00033 + 0, 00268 + 0, 011
= 0, 01401
= 1, 4%

c) la probabilidad de que a lo menos 2 sean defectuosos.

P ( x �2 ) = P ( x = 2 ) + P ( x = 3) + .........
P ( x �2 ) = 1 - P ( x < 2 )
= 1 - P ( x �1)
P ( x = 0 ) + P ( x = 1) �
= 1- �
� �
= 1 - [ 0,00301]
= 0,99699
= 99, 7%

Ejercicio :
Suponga que estamos investigando la seguridad de un cruce peligroso, los archivos de
la policía indican una media de 5 accidentes por mes.
El número de accidentes está distribuido conforme a una distribución de Poisson, se
pide calcular:

a) l = 5 x=0
 e -5 *50
( p = 0) = = 0, 0067
0!
e -5 *51
( p = 1) = = 0,0337
1!
e -5 *52
( p = 2) = = 0, 0846
2!
e -5 *53
( p = 3) = = 0,140
3!
e -5 *54
( p = 4) = = 0,1754
4!

x p ( x) P ( x)
0 0,0067 0,0067
1 0,0337 0,0404
2 0,0846 0,1244
3 0,140 0,2644
4 0,1754 0,4394

DISTRIBUCIÓN DE PROBABILIDADES PARA UNA VARIABLE ALEATORIA

CONDICIONAL DE X

DISTRUBUCIÓN NORMAL

1 ( x -m ) 2
1 - � i
f ( x, m , s 2 ) = *e 2 s
2p
x : N ( m ,s 2 )

Z : N ( 0,1)
Mide la desviación de los datos respecto a la media.