ESTADÍSTICA BÁSICA

Subdirección de innovación y Servicios tecnológicos - SIST

SEGUNDO DÍA
Estadísticos: Katherin Holguin Agudelo/Gustavo Adolfo Gómez Escobar
SEGUNDO DÍA
 DESARROLLO DEL CURSO
Primer día
• Conceptos Básicos.
– Generalidades Tercer Día
– Definiciones • Muestras aleatorias
• Estadística descriptiva. – Muestra aleatorias
– Representación de los datos – Distribución del promedio muestral y TLC
– Medidas de tendencia central – Distribución t de Student y Grados de libertad.
– Medidas de dispersión
• Estimación de la media por intervalos de confianza
– Medidas de posición
– Nivel de confianza
– Intervalos de confianza para la media: Distribución normal
Segundo Día
– Intervalos de confianza para la media: Distribución t-Student
• Nociones de probabilidad
– Funciones y operaciones con funciones.
– Conceptos básicos
• Variables aleatorias
– Funciones de distribución.
– Funciones de densidad
• Distribuciones de probabilidad.
– Rectangular, Triangular, Normal y t-student.
 NOCIONES DE
PROBABILIDAD
FUNCIONES Y OPERACIONES CON FUNCIONES
REPASO

• Funciones
• Representación
• Derivadas e integrales
FUNCIONES
Cualquier medida puede expresarse mediante una relación
funcional

Y= 𝑓(𝑋1 , 𝑋2 , 𝑋3 ,…, 𝑋𝑛 )

Magnitud de salida Magnitudes de entrada

del mesurando a que permiten obtener
determinar el valor del mesurando

Se relacionan mediante la función 𝑓

(Modelo matemático)
Ejemplos:

Y= 𝑋 2 Y= cos(𝑋)

Graficar en el
Graficar en el
intervalo de
intervalo de
(-10,10)
(0º,360º)
Densidad de un cuerpo a
Presión en función de la
partir de su masa y
fuerza y el área 𝑃 = 𝐹/𝐴
volumen 𝜌 = 𝑚/𝑉

Determinación de la proteína en leche en polvo

𝑉 ∙𝐶 ∙𝑀 ∙𝑓𝑐∙𝑟𝑒𝑝
%𝑃𝑟𝑜𝑡𝑒𝑖𝑛𝑎 = 𝑐𝑜𝑛𝑠𝑢 𝐻𝐶𝑙 𝑁
𝑚𝑚𝑢𝑒𝑠𝑡𝑟𝑎

%𝑃𝑟𝑜𝑡𝑒𝑖𝑛𝑎 : Contenido de proteína en leche en polvo [g 100 g-1]

𝑉𝑐𝑜𝑛𝑠𝑢 : Volumen consumido de la disolución de HCl (Vpunto final – Vblanco) [L]

𝐶𝐻𝐶𝑙 : Concentración de la disolución de HCl [mol L-1]

𝑀𝑁 : Masa molar del nitrógeno [g mol-1]

𝑚𝑚𝑢𝑒𝑠𝑡𝑟𝑎 : Masa de muestra de leche [g]

𝑟𝑒𝑝 : Factor adimensional de repetibilidad
𝑓𝑐 : Factor de conversión de nitrógeno a proteína (6,38 para leche en polvo)

Tomado de ESTIMACIÓN DE LA INCERTIDUMBRE EN

MEDICIONES QUÍMICAS: UN EJEMPLO PRÁCTICO Y SIMPLE,
Ingeniería 23 (1): 123-135, ISSN: 2215-2652; 2013. San José,
Costa Rica
DERIVADAS E INTEGRALES
Y cuál es su relación
En matemática, la derivada de una función con la metrología y
mide la rapidez con la que cambia el valor de el cálculo de
dicha función, según cambie el valor de sus incertidumbre??
variables .

Una integral es la herramienta para calcular

“El área bajo la curva” de una función.
DERIVADAS ÚTILES

Constante Funciones
exponenciales
𝑑𝑓
𝑓 𝑋 =𝑘 → =0 𝑑𝑓
𝑑𝑋
𝑓 𝑋 = 𝑋𝑛 → = 𝑛𝑋 𝑛−1
𝑑𝑋

𝑑𝑓 𝑑𝑓
𝑓 𝑋 =4 → =0 𝑓 𝑋 = 𝑋5 → = 5𝑋 4
𝑑𝑋 𝑑𝑋
 DERIVADAS DE SUMAS, RESTAS, PRODUCTOS Y COCIENTES DE FUNCIONES

𝑑𝑓 𝑑𝑓
𝑓 𝑋 = 𝑘𝑋 → =𝑘 𝑓 𝑋 =𝑢+𝑣 → = 𝑢′ + 𝑣’
𝑑𝑋 𝑑𝑋

𝑑𝑓
𝑓 𝑋 = 120𝑋 → = 120
𝑑𝑋
𝑓 𝑋 = 𝑋 3 + 𝑋 5 → 𝑑𝑓 = 3𝑋 2 + 5𝑋 4
𝑑𝑋

𝑑𝑓
𝑓 𝑋 = 𝑢𝑣 → = 𝑢′ 𝑣 + 𝑢𝑣′ 𝑢 𝑑𝑓 𝑢′ 𝑣 − 𝑢𝑣′
𝑑𝑋
𝑓 𝑋 = → =
𝑣 𝑑𝑋 𝑣2

𝑓 𝑋 = 𝑥2 − 1 𝑥3 + 3𝑥 3𝑥 3 + 𝑥 + 2
𝑓 𝑋 =
5𝑥 2 + 1
𝑑𝑓
= 2x x3 + 3x + x2 − 1 (3x2+3)
𝑑𝑋 𝑑𝑓 9𝑥 2 + 1 5𝑥 2 + 1 − (3𝑥 3 + 𝑥 + 2)(10𝑥)
=
𝑑𝑋 (5𝑥 2 + 1)2
Integrales útiles o anti derivada
“si me pongo los zapatos, puedo quitármelos otra vez”

𝑥 𝑛+1
𝑘 𝑑𝑥 = 𝑘𝑥 + 𝐶 𝑥 𝑛 𝑑𝑥 = +𝐶
𝑛+1

4 𝑑𝑥 = 4𝑥 + 𝐶 𝑥 2 𝑑𝑥 = 1 𝑥 3 + 𝑐
3
DERIVADAS PARCIALES

Al evaluar el peso o efecto en la determinación del mensurando con

respecto a cada una de las magnitudes de entrada, produce lo que se
denomina coeficientes de sensibilidad

Para obtener este coeficiente se usa el procedimiento básico que es

derivar parcialmente. Cuando tenemos funciones con dos variables por
ejemplo x y y derivar parcialmente es mantener constante una de ellas para
medir la razón de cambio de una de las variables respecto a la otra.
 DERIVADAS PARCIALES

%𝑃𝑟𝑜𝑡𝑒𝑖𝑛𝑎 : Contenido de proteína en leche en

polvo [g 100 g-1] 𝑉𝑐𝑜𝑛𝑠𝑢 ∙ 𝐶𝐻𝐶𝑙 ∙ 𝑀𝑁 ∙ 𝑓𝑐 ∙ 𝑟𝑒𝑝
%𝑃𝑟𝑜𝑡𝑒𝑖𝑛𝑎 =
𝑚𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑉(𝑐𝑜𝑛𝑠𝑢 ) : Volumen consumido de la disolución de HCl
(Vpunto final – Vblanco) [L]

𝐶𝐻𝐶𝑙: Concentración de la disolución de HCl [mol L-1]

𝜕%𝑃𝑟𝑜𝑡𝑒𝑖𝑛𝑎 𝐶𝐻𝐶𝑙 ∙𝑀𝑁 ∙𝑓𝑐∙𝑟𝑒𝑝
𝑀𝑁: Masa molar del nitrógeno [g mol-1]  =
𝜕𝑉𝑐𝑜𝑛𝑠𝑢 𝑚𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑚𝑚𝑢𝑒𝑠𝑡𝑟𝑎: Masa de muestra de leche [g]

𝑟𝑒𝑝 : Factor adimensional de repetibilidad 𝜕%𝑃𝑟𝑜𝑡𝑒𝑖𝑛𝑎 𝜕%𝑃𝑟𝑜𝑡𝑒𝑖𝑛𝑎

=? =?
𝑓𝑐 : Factor de conversión de nitrógeno a proteína 𝜕𝐶𝐻𝐶𝑙 𝜕𝑚𝑚𝑢𝑒𝑠𝑡𝑟𝑎
(6,38 para leche en polvo)
Y las integrales??
CONCEPTOS BÁSICOS DE
PROBABILIDAD
¿PARA QUÉ?
Se presentan las siguientes situaciones:

1 Suponga que usted va a participar en un juego en el que se lanza un dado

“honesto” y si el resultado obtenido es mayor que 1 gana $50.000 pero si es inferior
o igual a 1 pierde $100.000.
¿Participaría en un juego con estas características?
 ¿PARA QUÉ ?
Se presentan las siguientes situaciones:

2 A una persona cercana a usted le van a aplicar un medicamento que administrado en una
concentración superior a 5.0 𝑚𝑔/𝑐𝑚3 puede poner en riesgo su vida.
Es necesario administrarle 4.0 𝑚𝑔/𝑐𝑚3 , sin embargo le informan que el instrumento para
medir la concentración puede equivocarse en 2 𝑚𝑔/𝑐𝑚3 , es decir, que una indicación de
4.0 𝑚𝑔/𝑐𝑚3 en realidad puede corresponder a 2.0 𝑚𝑔/𝑐𝑚3 mínimo o puede ser máximo
6 𝑚𝑔/𝑐𝑚3 . ¿Permitiría la administración de dicho medicamento al paciente?
ALEATORIEDAD
La aleatoriedad se asocia a todo proceso cuyo resultado no es previsible más
que en razón de la intervención del azar. El resultado de todo suceso aleatorio
no puede determinarse en ningún caso antes de que este se produzca.
INTRODUCCIÓN
Imaginemos que lanzamos un dado cuyos 6 lados solo tienen un punto.

Ahora imaginemos que lanzamos un dado cuyos 6 lados tienen un número de

puntos diferentes.

Si lanzamos el dado rojo ¿Cuántos puntos saldrán?

Si lanzamos el dado verde ¿Cuántos puntos saldrán?

EXPERIMENTOS
En la actividad “lanzar el dado rojo y determinar el número de puntos que muestra el lado
superior” siempre se obtendrá el mismo resultado (1). A este tipo de actividades se les
conoce como:

EXPERIMENTO DETERMINISTA
Corresponde una actividad que al ser realizada bajo las mismas condiciones siempre
tendrá el mismo resultado, es decir, se puede predecir lo que ocurrirá.
EXPERIMENTOS

EXPERIMENTO ALEATORIO
Se define como toda actividad que al ser realizada bajo las mismas condiciones, por lo
general, tiende a proporcionar resultados diferentes. En un experimento Aleatorio,
conservando las mismas condiciones experimentales, los resultados no se pueden
predecir, con exactitud, para ninguna repetición.

La Probabilidad se centra en el estudio de este tipo de experimentos.

ESPACIO MUESTRAL

Al realizar el experimento aleatorio “lanzar el dado verde y registrar el

número de puntos” ¿qué resultados se pueden obtener?

El conjunto de posibles resultados {1, 2, 3, 4, 5, 6} se conoce

como ESPACIO MUESTRAL y se representa por la letra 𝑆

ESPACIO MUESTRAL
Conjunto de posibles resultados obtenidos al realizar un experimento aleatorio.
ESPACIO MUESTRAL CONTINUO

Existen otro tipo de experimentos aleatorios en los que solo se sabe que el
resultado se encuentra en un intervalo.

Ejemplo: Se utiliza una balanza para pesar

partículas metálicas.

¿Cuál sería el espacio muestral S?

𝑆 = 𝑥: 0 < 𝑥 < ∞
EVENTO O SUCESO ALEATORIO
Cuando el espacio muestral es infinito, saber que un experimento aleatorio
produce resultados en un espacio tan grande no es muy informativo. Se
estudian entonces eventos o sucesos aleatorios.

Evento aleatorio
Corresponde a un subconjunto del espacio muestral y se representa por letras
mayúsculas 𝐴, 𝐵, 𝐶, ….
EJEMPLO
Si se realiza el experimento aleatorio “medir la longitud en el punto de 10 mm” utilizando
un comparador de caratula, solo se sabe que los resultados se encuentran en el intervalo
de 0 mm hasta valores infinitos (en teoría). Es decir el espacio muestral es:

𝑆 = [0, +∞).

Sería mejor estudiar subconjuntos del espacio muestral 𝑆 como el evento

𝐴 = [9.99, 10.01], en vez de todo el espacio muestral.
EJEMPLO

Experimento ¿Es aleatorio el experimento? Espacio muestral 𝑺 Evento de interés

Lanzar una piedra La piedra cae

NO La piedra cae
hacia arriba al suelo
al suelo

Determinar el error en
masa convencional de [−∞, +∞] [−0.50, 0.50]
una pesa de 1 kg SI

Nota: como no se sabe con exactitud el valor mínimo y máximo de un error de medición siempre se
considerara que este se mueve en el rango de los números reales, es decir, entre −∞ y +∞.
PROBABILIDAD

¿Cómo cuantificamos las “posibilidades” de ocurrencia de un evento?

¿Cómo se denomina el resultado de esa cuantificación?

DEFINICIÓN
Corresponde a un número real en el intervalo de 0 a 1 asociado a la ocurrencia de un
evento aleatorio 𝐴.
¿Cómo se calcula la probabilidad?

CALCULO DE PROBABILIDADES

La probabilidad asociada a un evento aleatorio 𝐴, representada por 𝑃(𝐴), equivale a la

frecuencia relativa de la ocurrencia del evento 𝐴, así:

Número de casos favorables al evento 𝐴

𝑃 𝐴 =
Número total de casos
 EJEMPLO
1 A unos jugadores les interesaría cuantificar la probabilidad de ocurrencia del evento:

𝐴 = “El resultado de lanzar el un dado es superior a 1”.

La probabilidad asociada a este evento la podemos determinar sin necesidad de realizar el

experimento “Lanzar el dado”, ya que conocemos el espacio muestral del experimento.

Número casos posibles en que el dado puede resultar mayor que 1 5

𝑃 𝐴 = = = 0.83 (83%)
Número total de casos 6

Si el dado “no es honesto” y las probabilidad de que salga “1” al lanzar el dado es 90%
¿participaría en el juego?

No fue necesario realizar el experimento para obtener la probabilidad. En este caso se dice
que la probabilidad se obtuvo por el método clásico.
 EJEMPLO
2 Se tienen 10 mediciones de la concentración de un medicamento en 𝑚𝑔/𝑐𝑚3 . Los
datos obtenidos fueron : 4.01, 3.95, 4.15, 3.85, 3.86, 4.10, 5.5, 3.90, 4.00, 4.85, con
estos datos es posible aproximar la probabilidad del evento:
𝐵 = “Probabilidad de que la concentración del medicamento es superior a
5 𝑚𝑔/𝑐𝑚3 ”

1
𝑃 𝐵 = = 0.10 (10%)
10

En este caso para obtener la probabilidad fue necesario realizar el experimento.

Cuando la probabilidad se calcula a partir del conteo de resultados obtenidos al realizar el

experimento se dice que la probabilidad se obtuvo a través del método
frecuentista.

Nota: para obtener la probabilidad por este método el número de realizaciones del experimento debe
ser suficientemente “grande”, es decir, 𝑛 → +∞
Hagamos ejercicios
EJERCICIOS
Determine las siguientes probabilidades con base en el conjunto de datos “3” de 100
indicaciones de longitud en el punto 3 mm con un comparador de caratula.(PRIMER
DÍA):

Con 𝐵 = “Cual es la probabilidad de obtener una indicación sea inferior a 3.0009

mm”

Número de casos favorables al evento B

𝑃 𝐵 =
Número total de casos

72
𝑃 𝐵 = = 72%
100
2. 𝑃 𝐶 =
Con 𝐶 = “Cual es la probabilidad de obtener una indicación entre 2.9977 mm y 3.0021 mm”
 EJERCICIOS
Determine las siguientes probabilidades con base en el conjunto de
datos “5”, conjunto de cables.(PRIMER DÍA):

1. 𝑃 𝐵 =
Con 𝐵 = “La longitud de los cables es mayor a 20 mm”

2. 𝑃 𝐶 =
Con 𝐶 = “La longitud del cable que es menor que 80 mm o mayor que 100
mm”
VARIABLES ALEATORIAS
¿POR QUÉ REALIZAR UN EXPERIMENTO
ALEATORIO?

Del experimento “lanzar un dado” nos pueden interesar los siguientes resultados
• Resultado mostrado en la cara superior,
Si se realiza varias veces este experimento:
• ¿cuantas veces el resultado es un número par?

Del experimento “medir la presión de un manómetro en un laboratorio” nos

pueden interesar los siguientes resultados
• La diferencia con respecto a un valor de referencia (error),
• El resultado de la indicación,
• La variabilidad entre las indicaciones
VARIABLE ALEATORIA

Es cualquier característica o variable que interese estudiar y que

su observación provenga de un experimento aleatorio.

Variable aleatoria
Es una función 𝑋 que a cada elemento del espacio muestral 𝑆 del
experimento aleatorio le hace corresponder un número real.
EJEMPLO
Experimento “lanzar una moneda dos veces”

Variable aleatoria 𝑿: Número de sellos en los dos lanzamientos.

S
X
CC 0
CS 1
SC 2
SS
VARIABLES ALEATORIAS DENTRO DE LA
ESTIMACIÓN DE LA INCERTIDUMBRE

En la estimación de incertidumbre, las magnitudes

corresponden a variables aleatorias y la
incertidumbre en si misma es una variable aleatoria.
RANGO DE UNA VARIABLE ALEATORIA

Conjunto de valores que puede tomar una variable

aleatoria 𝑋. A este conjunto lo denotamos como 𝑅𝑋 y es
un subconjunto de los números reales ℝ.
 EJEMPLO
Se tiene la variable aleatoria 𝑿 = “Indicación de la temperatura por un termómetro digital”.

El experimento aleatorio asociado a esta variable es “Registrar la temperatura indicada”.

El espacio muestral asociado a este experimento y el intervalo de valores de la variable aleatoria son:

𝑆 = (−∞, +∞) 𝑅𝑋 = (−∞, +∞)

-20,5 -20,5
-5.5 -5.5
-0.4 -0.4
0.0 0.0
10.3 10.3
25.1 25.1

El espacio muestral asociado a este experimento y el intervalo de valores que

puede tomar la variable aleatoria 𝑋 coinciden.
𝑆 = 𝑅𝑋 = {𝑋: −∞ ≤ 𝑥 ≤ +∞}
VARIABLE ALEATORIA CONTINUA

DEFINICIÓN
Una variable aleatoria 𝑋 es continua cuando puede tomar cualquier valor en un intervalo
finito o infinito.

Si el espacio muestral especificado como dominio es numerable, decimos que la

variable es de tipo discreto.

Discretas Continuas
• Número de veces que
• Volumen
cae cara al lanzar una
• Masa
moneda
• Fuerza
• Número de artículos
• Temperatura
defectuosos
En el momento de realizar mediciones se deben tener en cuenta
factores como:

• Condiciones ambientales no controladas

• Errores propios del patrón de medición
• Características de repetibilidad

¿Estos factores tienen una probabilidad de ocurrencia?.

FUNCIÓN DE DENSIDAD DE PROBABILIDAD

DEFINICIÓN

La función de densidad de probabilidad 𝑓 de una variable aleatoria continua 𝑋 describe la

probabilidad relativa según la cual dicha variable aleatoria tomará determinado valor.

Propiedades:

• 𝑓 𝑥 ≥0
• El área total encerrada bajo la curva es igual a 1
+∞
𝑓 𝑥 𝑑𝑥 = 1
−∞
• La probabilidad de que 𝑋 tome un valor en el intervalo (𝑎, 𝑏) es igual a
𝑏
𝑃 𝑎≤𝑋≤𝑏 = 𝑓 𝑥 𝑑𝑥
𝑎
FUNCIÓN DE DENSIDAD DE PROBABILIDAD

𝑓(𝑥)

𝑎 𝑏

𝑏
𝑃 𝑎≤𝑋≤𝑏 = 𝑓 𝑥 𝑑𝑥
𝑎
CALCULO DE PROBABILIDADES

Para calcular probabilidades asociadas a una variable aleatoria continua

se pueden usar cualquiera de las siguientes fórmulas:

𝑏
• 𝑃 𝑋≤𝑏 = −∞
𝑓 𝑥 𝑑𝑥 = 𝐹 𝑏 Función de probabilidad acumulada

𝑏
• 𝑃 𝑎≤𝑋≤𝑏 = 𝑎
𝑓 𝑥 𝑑𝑥 = 𝐹 𝑏 − 𝐹(𝑎)

+∞
• 𝑃 𝑋≥𝑎 = 𝑎
𝑓 𝑥 𝑑𝑥 = 1 − 𝐹(𝑎)
FUNCIÓN DE DISTRIBUCIÓN ACUMULADA

La función de distribución acumulada 𝐹(𝑥) corresponde a la probabilidad

𝑃(𝑋 ≤ 𝑥).
𝑥
𝑃 𝑋≤𝑥 = 𝑓 𝑡 𝑑𝑡
−∞

Si se simboliza 𝑃 𝑋 ≤ 𝑞𝛼% = 𝛼, donde 𝑞𝛼% es el percentil 𝛼% (valor que deja por debajo de si al 𝛼%
de los datos)

Describe la probabilidad de que X tenga un valor menor o igual que x .

FUNCIÓN DE DENSIDAD DE PROBABILIDAD

𝑓(𝑥)

𝑞𝛼

𝑃 𝑋 ≤ 𝑞𝛼%
 EJEMPLO

Sea Q = “Error de exactitud en mediciones de fuerza por compresión en el punto de 80 kN”. Este
valor viene dado en %.

Suponga que la función de densidad de probabilidad (fdp) asociada a esta variable aleatoria es:

2
𝑓 𝑞 = 2 1≤𝑞≤2
𝑞

• Comprueba que 𝑓 𝑞 es una fdp,

• Realice la gráfica de la fdp,
• Determine la probabilidad de que el error de exactitud se encuentre entre 1.2% y 1.8%
SOLUCIÓN

• Para que 𝑓 𝑞 sea una fdp, 𝑓 𝑞 debe ser mayor que cero para todo q.
• El área bajo la curva de 𝑓 𝑞 es igual a 1

+∞ 2
2
𝑓 𝑞 𝑑𝑞 = 𝑑𝑞 = 1
−∞ 1 𝑞2

• La gráfica de la fdp:
La probabilidad de que el error de
exactitud se encuentre entre 1.2% y 1.8%
corresponde al área que esta debajo de la
curva de la fdp.

Se calcula así:

1.8
2
𝑃 1.2 ≤ 𝑄 ≤ 1.8 = 𝑑𝑞 = 0.56
1.2 𝑞2

2
2∗ 𝑞−2 𝑑𝑞 = − + c
𝑞

1.8
2
= −1.1111 − 1.6667 = 0.556
1.2 𝑞2
 DISTRIBUCIÓN ACUMULADA DE
PROBABILIDAD

2
𝑓 𝑞 = 𝑞2 1≤𝑞≤2
Función de densidad de probabilidad 𝑓 𝑞 =
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

+∞ 𝑄
2 −2
𝐹 𝑄 = 𝑓 𝑞 𝑑𝑞 = 𝑑𝑞 = +2
−∞ 1 𝑞2 𝑄

0 𝑞≤1
−2
Función de densidad de probabilidad acumulada F 𝑄 = 𝑄
+2 1<𝑞<2
1 𝑞≥2
EJERCICIO
Determine las siguientes probabilidades

• 𝑃 𝑄 ≥ 1.4

• 𝑃 1.1 ≤ 𝑄 ≤ 1.9

• 𝑃 𝑄 ≤ 1.5
EJERCICIO

Q F(Q) 1,00
0 0.0000 0,90
1 0.0000 0,80
0,70
1.1 0.1818 0,60
1.2 0.3333

F(Q)
0,50
1.3 0.4615 0,40

1.4 0.5714 0,30

0,20
1.5 0.6667 0,10
1.6 0.7500 0,00
1.7 0.8235 0 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2
Q
1.8 0.8889
1.9 0.9474
2 1.0000
EJERCICIOS
Si se define la variable aleatoria 𝑋 = “Indicación en mm de un comparador de
caratula en el punto de 3 mm”.

10
1. Compruebe que la función de densidad de probabilidad 𝑓 𝑥 = 𝑥 para
3
2.950 ≤ 𝑥 ≤ 3.050 es una función de densidad de probabilidad.

2. Calcule las siguientes probabilidades

• 𝑃 𝑋 ≤ 3.0010
• 𝑃 𝑋 > 2.9807
• 𝑃(2.9900 < 𝑋 ≤ 3.00005)
 VALOR ESPERADO
El valor esperado de una variable aleatoria continua 𝑋, corresponde al número
𝐸(𝑋) que formaliza la idea de valor medio de un fenómeno aleatorio.

El valor esperado se define de acuerdo al tipo de variable aleatoria:

Para una variable aleatoria continua 𝑋 con fdp 𝑓(𝑥) se tiene:

+∞
𝐸 𝑋 =𝜇= 𝑥𝑓 𝑥 𝑑𝑥
−∞
VARIANZA
En teoría de probabilidad la varianza de una variable aleatoria es una medida
de dispersión definida como la esperanza del cuadrado de la desviación de
dicha variable respecto a su media.

Sea 𝑋 una variable aleatoria con media 𝜇. La varianza para esta variable
aleatoria se define de la siguiente forma:

𝑉 𝑋 = 𝜎 2 = 𝐸[ 𝑋 − 𝜇 2 ] = 𝐸 𝑋 2 − 𝜇2

Con 𝐸 𝑋 2
+∞
𝐸 𝑋2 = 𝑥 2 𝑓 𝑥 𝑑𝑥
−∞

La desviación estándar es: 𝜎 = 𝑉 𝑋

 EJEMPLO
El valor esperado de la variable aleatoria 𝑋 = “Error de indicación de
longitud (en mm) de un instrumento de medición de longitud”, con fdp
igual a:

𝑓 𝑥 = 12𝑥 2 para − 0.50 ≤ 𝑥 ≤ 0.50

Se calcula de la siguiente forma:

+∞ 0.50
𝐸 𝑋 = 𝑥𝑓 𝑥 𝑑𝑥 = 𝑥 12𝑥 2 𝑑𝑥
−∞ −0.50

0.50
12𝑥 4
=
4
−0.50

= 3 0.50 4 − 3 −0.50 4 =0
Mientras que la varianza se calcula de la siguiente forma:

𝜎 2 = 𝐸 𝑋 2 − 𝜇2

Con
+∞ 0.50
2
𝐸 𝑋 = 𝑥 2 𝑓 𝑥 𝑑𝑥 = 𝑥 2 12𝑥 2 𝑑𝑥
−∞ −0.50

0.50
12𝑥 5
=
5
−0.50

12 5
12 5
= 0.50 − −0.50
5 5

= 0.15
Por tanto la varianza es:

𝜎 2 = 0.15 − 02 = 0.15

La desviación estándar es:

𝜎= 𝜎 2 = 0.15 = 0.39

Es decir, se espera un error de indicación de 0 mm con una dispersión

entre las observaciones de 0.39 mm.
 ¿Por qué son importantes la varianza y el valor
esperado?

La varianza y el valor esperado son parámetros que caracterizan las

distribuciones de probabilidad de las variables aleatorias. Si sabemos
el tipo de distribución y sus parámetros es posible conocer la forma
de la función de densidad y realizar cálculo de probabilidades.
DISTRIBUCIONES DE
PROBABILIDAD
MODELOS PROBABILÍSTICOS DE USO FRECUENTE
EN LA ESTIMACIÓN DE LA INCERTIDUMBRE DE
MEDICIÓN

Una distribución de probabilidad es una función que Distribuciones

describe la relación entre el resultado de un evento y Estimación de Incertidumbre
su frecuencia de ocurrencia.
Normal
Se pueden emplear para representar gráficamente
las funciones de medición y evaluar su
t-student
comportamiento. Con base en conocimientos
anteriores se pueden realizar proyecciones de los
resultados de las mediciones a través del
Triangular
conocimiento de las distribuciones de probabilidad.
Rectangular o uniforme
DISTRIBUCIÓN RECTANGULAR

f(q)

0,8 1,1 1,3 1,6 1,8 2,1 2,3

q
 ¿CUÁNDO USAR LA DISTRIBUCIÓN
RECTANGULAR?

1 Solo se dispone de dos valores como en las especificaciones de fabrica o

condiciones ambientales de un laboratorio de metrología. Por ejemplo:

• Temperatura ambiente en un laboratorio:

25 °𝐶 ± 2 °𝐶
• Especificaciones del patrón en mediciones de corriente
continua: ±0.00105 𝑉

2 Se dispone de un solo valor como en algunos reportes de la resolución de un

instrumento de medición. Por ejemplo:
• Resolución de termómetro digital: 0.01 °𝐶
En esos casos es recomendable asumir que el dato que nos
proporcionan viene de una variable con una distribución
rectangular en donde la densidad es igual para todos los puntos y
la probabilidad observada en intervalos de igual longitud es la
misma.
 FUNCIÓN DE DENSIDAD DE LA DISTRIBUCIÓN
UNIFORME

Se dice que la variable aleatoria 𝑋 tiene

1
distribución rectangular o uniforme en el 𝑏−𝑎
intervalo (𝑎, 𝑏), denotada por
𝑋 ∼ 𝑈(𝑎, 𝑏), si su fdp es la siguiente:

1
𝑓 𝑥 = 𝑏−𝑎 𝑎≤𝑥≤𝑏
0 e𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑎 𝑏
VALOR ESPERADO Y VARIANZA DE LA DISTRIBUCIÓN
RECTANGULAR

La media poblacional o valor esperado es:

𝑏
1 𝑎+𝑏
𝜇= 𝑥 𝑑𝑥 = ,
𝑎 𝑏−𝑎 2

Mientras que la varianza es:

𝑏 2 2
2 2
1 𝑎+𝑏 𝑏−𝑎
𝜎 = 𝑥 𝑑𝑥 − =
𝑎 𝑏−𝑎 2 12

La desviación estándar es:

𝑏−𝑎 2 𝑏−𝑎
𝜎= =
12 2 3
APLICACIÓN

En los laboratorios de metrología en los que es necesario controlar la

temperatura se emplea la siguiente notación para representar los valores que
toma la temperatura mientras se realizan mediciones:

𝑇 ± 𝐸max

Es decir, la temperatura en ese laboratorio siempre se encuentra entre

(𝑇 − 𝐸max , 𝑇 + 𝐸max )

Se puede suponer que esta variable tiene distribución rectangular con

parámetros 𝑎 = 𝑇 − 𝐸max y 𝑏 = 𝑇 + 𝐸max .
APLICACIÓN

La variable 𝑋 = “Temperatura en un laboratorio con condiciones ambientales

controladas” se puede denotar por 𝑋 ∼ 𝑈(𝑇 − 𝐸max , 𝑇 + 𝐸max ) con
función de densidad igual a:
1
𝑇 − 𝐸max ≤ 𝑥 ≤ 𝑇 + 𝐸max
𝑓 𝑥 = 2𝐸max
0 e𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
La media y la varianza para esta variable aleatoria es:

2
𝐸max 2
𝜇 = 𝑇, 𝜎 =
3
La desviación estándar en este caso es:
𝐸max
𝜎=
3
 APLICACIÓN RESOLUCIÓN DE UN
INSTRUMENTO

La resolución de un instrumento de
medición es de 𝑒 mm. Varianza:

La variable 𝑅 = “Resolución de un e 𝑒2
2
𝜇= , 𝜎 =
instrumento de medición” se puede 2 12
representar por 𝑅 ∼ 𝑈(0, 𝑒).
Desviación estándar:
Esta variable tiene la siguiente fdp
𝑒
1 𝜎=
0≤𝑟≤𝑒 2 3
𝑓 𝑟 = 𝑒
0 e𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
 EJERCICIO
Asuma que la resolución de un micrómetro centesimal 𝑟 sigue la
distribución rectangular de parámetros 𝑎 = 0 y 𝑏 = 0.01, es decir,
𝑅~𝑈(0, 0.01).

• Determine la fdp y calcule 𝜇 y 𝜎 para esta variable aleatoria,

𝜇 = 0.005, 𝜎 2 = 8.33𝑒 − 6

Desviación estándar:
𝜎 = 0,0028
EJERCICIO

Un recipiente volumétrico de 10 ml tiene un error máximo permitido de

± 0.02 ml. Al considerar los posibles valores del volumen que contiene la
medida de acuerdo al valor del error máximo permisible se puede decir
que el volumen se encuentra entre:

10.00 𝑚𝑙 − 0.02 𝑚𝑙 ≤ 𝑉 ≤ 10.00 𝑚𝑙 + 0.02 𝑚𝑙

Indique la variable aleatoria de interés y su distribución de probabilidad

asociada y determine la media y la desviación estándar en este caso.
EJERCICIO

10.00 𝑚𝑙 − 0.02 𝑚𝑙 ≤ 𝑉 ≤ 10.00 𝑚𝑙 + 0.02 𝑚𝑙

En resumen…
Se asume una distribución rectangular cuando:

• Se cuenta con muy poca información y no se conoce el

comportamiento de frecuencias o tendencia a algún
valor especifico de la variable analizada
• En la resolución de un instrumento digital o la
apreciación de la lectura de un instrumento analógico.
 DISTRIBUCIÓN TRIANGULAR

Para asumir que una variable aleatoria 𝑋 tiene distribución triangular se deben
conocer tres valores:
• un valor mínimo 𝑎,
• un valor máximo 𝑏 y
• un valor central más probable (moda o “palpito inspirador”) 𝑐.

Se asume distribución triangular cuando:

¿CUÁNDO USAR LA DISTRIBUCIÓN
TRIANGULAR?

Se asume distribución triangular cuando:

1 Solo se dispone de poca información (un valor máximo, un valor mínimo y una
moda.

2 Es costoso realizar mediciones.

3 Se puede asumir en casos específicos y se debe demostrar el motivo de su

elección. Si se asume incorrectamente distribución triangular en una variable
aleatoria se subestimará la desviación estándar por lo que se debe tener
cuidado en su aplicación.
FUNCIÓN DE DENSIDAD DE LA DISTRIBUCIÓN
TRIANGULAR

Una variable aleatoria 𝑋 tiene distribución de probabilidad triangular con

parámetros 𝑎 , 𝑏 y 𝑐 , denotada por 𝑋~𝑇𝑟(𝑎, 𝑏, 𝑐) si su función de
probabilidad es la siguiente:

2 𝑥−𝑎
𝑎≤𝑥≤𝑐
𝑏−𝑎 𝑐−𝑎
𝑓 𝑥 = 2 𝑏−𝑥
𝑐<𝑥≤𝑏
𝑏−𝑎 𝑏−𝑐
𝑜 e𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde 𝑎 representa el valor mínimo, 𝑏 el valor máximo y 𝑐 el más probable
(moda).
 GRAFICA FDP

2 𝑥−𝑎 2 𝑏−𝑥
𝑏−𝑎 𝑐−𝑎 𝑏−𝑎 𝑏−𝑐
f(x)

a c b
Valor esperado: x Varianza:
:

𝑎+𝑏+𝑐 2
𝑎2 + 𝑏2 + 𝑐 2 − 𝑎𝑏 − 𝑎𝑐 − 𝑏𝑐
𝜇= 𝜎 =
3 18
CASO ESPECIAL DE LA DISTRIBUCIÓN
TRIANGULAR

Se dispone de un valor central 𝑐 y los valores máximo y mínimo se

encuentran a una distancia 𝑟 del valor central tanto a la izquierda como a la
derecha:

f(x)

c–r c c+r
x
Caso Especial
En este caso la desviación estándar de la variable aleatoria 𝑋 ∼ 𝑇𝑟(𝑐 − 𝑟, 𝑐 + 𝑟, 𝑐) es:

2
𝑎2 + 𝑏2 + 𝑐 2 − 𝑎𝑏 − 𝑎𝑐 − 𝑏𝑐
𝜎 =
18
𝑐 − 𝑟 + 𝑐 + 𝑟 2 + 𝑐2 − 𝑐 − 𝑟 𝑐 + 𝑟 − 𝑐 − 𝑟 𝑐 − 𝑐 + 𝑟 𝑐
2
=
18
2 2
3𝑟 𝑟
= =
18 6
Por tanto,
𝑟
𝜎=
6
EJEMPLO
En el ejemplo del recipiente volumétrico de 10 ml (error máximo permitido
de ±0.02 ml), podría considerarse que la variable aleatoria 𝑉 se distribuye
triangular con parámetros 𝑎 = 9.98, c = 10 y b = 10.02.

2 𝑥−𝑎 2 𝑏−𝑥 2 𝑥 − 9.98

9.98 ≤ 𝑥 ≤ 10
𝑏−𝑎 𝑐−𝑎 𝑏−𝑎 𝑏−𝑐 10.02 − 9,98 10 − 9.98
f(x)

𝑓 𝑥 = 2 10.02 − 𝑥
10 < 𝑥 ≤ 10.02
10.02 − 10 10.02 − 10
0 𝐸𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

a c b
x
 EJERCICIO

En el ejemplo del recipiente volumétrico de 10 ml (error máximo permitido de ±0.02 ml), podría
considerarse que la variable aleatoria 𝑉 se distribuye triangular con parámetros 𝑎 = 9.98, c = 10 y b =
10.02. Por tanto,
Calculo de la media:
 EJEMPLO

En el ejemplo del recipiente volumétrico de 10 ml (error máximo permitido de ±0.02 ml),

podría considerarse que la variable aleatoria 𝑉 se distribuye triangular con parámetros 𝑎 =
9.98, c = 10 y b = 10.02.

Si los valores correspondientes a volúmenes cercanos a 10 ml se presentan con mayor

frecuencia que los próximos a 9.98 ml o 10.2 ml, entonces 𝑉 ∼ 𝑇𝑟(9.98, 10.02, 10).

La media y la varianza para esta variable aleatoria son:

9.98 + 10.02 + 10
𝜇= = 10
3

0.02
𝜎=
6
= 0.082
En resumen…
Se asume una distribución triangular cuando:

• Se tiene información disponible sobre alguna medida

de tendencia del mensurando. Se puede pensar que el
valor nominal es más probable que los extremos.
• Se tiene alguna intuición acerca de que la distribución
de la variable está dentro de un rango y es simétrica
DISTRIBUCIÓN NORMAL
 DISTRIBUCIÓN NORMAL

Una variable aleatoria 𝑋 tiene distribución normal, denotada por 𝑋 ∼ 𝑁(𝜇, 𝜎), si su
función de densidad de probabilidad es de la siguiente forma:

1 1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2 𝜎 − ∞ ≤ 𝑥 ≤ +∞
𝜎 2𝜋

La distribución normal se caracteriza por:

• La forma de la distribución es semejante a una campana.

• Se define a través de dos parámetros: E X = 𝜇 y 𝑉 𝑋 = 𝜎 2
• La media, la mediana y la moda coinciden.
• La distribución es simétrica.
CURVA O CAMPANA DE GAUSS
CÁLCULO DE PROBABILIDADES A PARTIR DE LA
DISTRIBUCIÓN NORMAL

Para determinar la probabilidad de que 𝑎 ≤ 𝑋 ≤ 𝑏 de una

variable aleatoria 𝑋 ∼ 𝑁(𝜇, 𝜎), se debe calcularla siguiente
integral definida:

𝑏 1 𝑥−𝜇 2
1 −
𝑃 𝑎≤𝑋≤𝑏 = 𝑒 2 𝜎 𝑑𝑥
𝑎 𝜎 2𝜋
 EJEMPLO

Para determinar probabilidades con Excel® se utiliza la siguiente función:

P X ≤ b = distr. norm. n(b, 𝜇, 𝜎, VERDADERO)

Si se asume que el error de medición de cierta magnitud sigue una distribución normal 𝑋 ∼ 𝑁(5, 0.5)
determine la probabilidad de que el error de medición 𝑋 se encuentre entre 4.7 y 5.2 utilizando
Excel®:

𝑃 4.7 ≤ 𝑋 ≤ 5.2 = 𝑃 𝑋 ≤ 5.2 − 𝑃 𝑋 ≤ 4.7

= distr. norm. n 5.2, 5, 0.5, VERDADERO − distr. norm. n 4.7, 5, 0.5, VERDADERO
= 0.381169
 Media
diferente,
varianza igual

Varianza
diferente media
igual
Distribución Normal Estándar
La variable aleatoria
𝑋−𝜇
𝑍=
𝜎
Tiene distribución normal estándar, denotada 𝑍 ∼ 𝑁(0,1). La función de
densidad de probabilidad asociada a esta variable es:

1 𝑧2
−
𝑓 𝑧 = 𝑒 2 − ∞ ≤ 𝑧 ≤ +∞
2𝜋

Toda variable aleatoria 𝑋 ∼ 𝑁(𝜇, 𝜎) se puede transformar a una distribución

normal estándar. A este proceso se le denomina estandarización.
Cálculo de probabilidades a partir de la distribución Normal
Estándar
Para determinar probabilidades asociadas a una variable aleatoria 𝑋 ∼ 𝑁(𝜇, 𝜎), se
recomienda:
𝑋−𝜇
• Hacer 𝑍 =
𝜎

• Aplicar las siguientes igualdades a las probabilidades buscadas:

𝑏−𝜇 𝑎−𝜇
– 𝑃 𝑎≤𝑋≤𝑏 =𝑃 𝑍≤ −𝑃 𝑍 ≤
𝜎 𝜎
𝑏−𝜇
– 𝑃 𝑋≤𝑏 =𝑃 𝑍≤
𝜎
𝑎−𝜇
– 𝑃 𝑋 ≥𝑎 =1−𝑃 𝑍 ≤
𝜎

• Basados en la tabla para la distribución normal

estándar dada en el archivo de Excel Distribuciones.xlsx
Ejemplo
Se tiene la variable aleatoria 𝑋 = “error de indicación en m de un
instrumento de medición empleado para determinar la longitud en 1 mm”
donde 𝑋 ∼ 𝑁(20m, 5m). Determinar la probabilidad de que el error de
indicación se encuentre entre 10 m y 30 m.

La probabilidad solicitada se puede expresar en términos matemáticos de la

siguiente forma:

30 − 20 10 − 20
𝑃 10 ≤ 𝑋 ≤ 30 = 𝑃 𝑍 ≤ −𝑃 𝑍≤
5 5

= 𝑃 𝑍 ≤ 2 − 𝑃 𝑍 ≤ −2
Buscando la probabilidad acumulada para 𝑍 = −2 y 𝑍 = 2 en la tabla dada
en la hoja “Distribución normal el archivo de Excel Distribuciones de
Probabilidad.xlsx se tiene
𝑃 10 ≤ 𝑋 ≤ 30 = 0.9772 − 0.0228 = 0.9545

Es decir, la probabilidad de que el error de indicación se encuentre entre 10

m y 30 m es igual 95.45%.

𝑃 12 ≤ 𝑋 ≤ 27 = 0.9192 − 0.0548 = 0.8644

Es decir, la probabilidad de que el error de indicación

se encuentre entre 12 m y 27 m es igual 86.44%.
¿Cuándo usar la distribución Normal?
Se asume distribución normal cuando:

1 Cuando se conocen los parámetros media y desviación. Esto supone que se han
hecho mediciones sobre una muestra de tamaño considerable del mensurando

2 Cuando en los certificados de calibración se encuentra la incertidumbre

expandida y se relaciona el factor de cobertura.
3 En la práctica se usa para estimar la incertidumbre tipo A
Características de la distribución t-student

Distribución Normal

Distribución t-student

Distribución t-student menos

de 30 datos
Distribución t-student
La distribución t-student se caracteriza por:

• Tiene mayor área en los extremos que la distribución normal

• También tiene forma de campana

• Existe una distribución t diferente para cada tamaño de muestra, se

mantiene el valor de la media pero cambia el valor de la desviación
estándar
• Es más ancha y aplanada por lo que tiene mayor dispersión alrededor de
la media