Metodos Estadisticos

UNIVERSIDAD AUTÓNOMA GABRIEL RENÉ MORENO
FACULTAD DE CIENCIAS EXACTAS Y TECNOLOGÍA

CARRERA: INGENIERIA CIVIL
GRUPO: CIVIL METÓDICO
DOCENTE: M.B.A. ING. FLAVIO CARREÑO HEVIAVACA
GRUPO DE LA MATERIA: “A”
INTEGRANTES: -LÓPEZ BARRIENTOS DAVID SIMÓN 218152191
-LÓPEZ FUENTES JOSÉ IGNACIO 215022661
-GUZMÁN TORRICO JAVIER ALEJANDRO 218023952
-HURTADO FERRUFINO JOSÉ MARÍA 218025327
-SAHONERO SALAZAR DIEGO ADRIÁN 219048452
-LÓPEZ NÚÑEZ GUSTAVO 217071198

1. Introducción.-
Llamamos Estadística a la parte de

las matemáticas que se ocupa de
obtener conclusiones a partir de
datos observados. Estos datos
pueden corresponder a una serie
de observaciones de cualquier
acontecimiento.
El conjunto parcial sobre el cual

realizamos las observaciones se
llama muestra, mientras que el conjunto global del que queremos sacar
alguna conclusión se llama población o universo.
Una variable x, y o z, puede asumir cualquier valor dentro de un conjunto

llamado dominio. Las variables pueden distinguirse entre discretas y
continuas; una variable es discreta cuando no puede tomar ningún valor
entre dos consecutivos, y es continua cuando puede tomar cualquier valor
dentro de un intervalo.
2. Distribuciones empíricas.-
La función de la distribución empírica

es una manera alternativa de
representar la información completa
de un conjunto de datos numéricos.
Las distribuciones empíricas hacen
referencia a tablas creadas por el
usuario, estas contienen una lista de
valores de porcentajes de probabilidad asociados a cada valor posible.
Ejemplo:
Muestra:
Tabla 1.1
177 124 132 215 130 145 197 222 153 122
200 1 56 148 140 129 188 263 210 120 169
Si lo reagrupamos en forma ascendente tendremos:
Tabla 1.2
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
2.1. La Amplitud de Resultados (AR) es el intervalo entre el valor máximo y

el valor mínimo; por ello, comparte unidades con los datos. Permite
obtener una idea de la dispersión de los datos, cuanto mayor es el rango,
aún más dispersos están los datos.
AR = Rs - Ri
2.2. El Resultado superior (Rs): el resultado superior o número mayor es
el dato de valor más elevado.
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
2.3. El Resultado inferior (Ri): el resultado inferior o número menor es el

dato de valor menos elevado.
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
Ejemplo:
AR = 227 - 120
AR = 107
Cuando el tamaño de muestras es muy grande, la representación
individual de todas las medidas u observaciones no siempre es posible. En
estos casos, los resultados de la muestra pueden ser condensados bajo la
forma de una tabla de frecuencia, como la que vemos a continuación:
FRECUENCIA
FRECUENCIA FRECUENCIA
RANGOS o RELATIVA
ABSOLUTA RELATIVA
CLASES ACUMULADA
(Fa) (Fr)
(Frac)
120-141 7 35% 35%
142-163 4 20% 55%
164-185 2 10% 65%
186-207 3 15% 80%
208-229 4 20% 100%

TABLA DE FRECUENCIAS
2.4. Rangos o Clases: es el número de subconjuntos en que se han

agrupado los datos; cada clase se puede denominar mediante una letra,
un número o alguna característica del subconjunto.
El intervalo de clase es un conjunto de elementos que forman una clase,

conteniendo un límite inferior y un límite superior.
2.4.1. El número de clases

(Nc) es una tabla que
representa el número de
elementos que pertenecen a
cada una de las clases o
categorías en las que se haya
dividido el conjunto de datos
para su estudio.
Al ser usado el número de clases es arbitrario, no debiendo ser, ni muy

pequeño, ni muy grande para no distorsionar las observaciones y
conducirnos a una conclusión incorrecta. Existe una fórmula empírica,
FORMULA DE STURGES, es un criterio utilizado para determinar el
número de clases o intervalos que son necesarios para representar
gráficamente un conjunto de datos estadísticos. Esta regla fue enunciada
en 1926 por el matemático alemán Herbert Sturges, que nos permite
determinar de una forma aproximada el valor del número de clase (Nc):
Nc = 1 + 3,33 log10(n)
Ejemplo:
Nc = 1 + 3,33 log10(20)
Nc = 5,33
El número de clases debe ser un valor entero, por lo tanto si tiene

decimales debe ser redondeado y nos da Nc = 5.
2.5. La Amplitud del Rango (Ar), hace referencia a que tan grande serán
cada uno de los intervalos de clases en cada rango o clase, se lo puede
determinar, de una manera empírica también, de la siguiente forma:
Ar = AR / Nc
Ejemplo:
Ar = 107/ 5
Ar = 21,4; redondeado para facilidad de cálculos: Ar = 21
2.6. Frecuencia Absoluta (Fa): La frecuencia absoluta es el número de

valores que aparecen en un determinado intervalo de clase, para
obtenerla tenemos que mirar nuestra tabla de valores y nuestra tabla de
intervalos de clase simultáneamente así podremos contabilizar con cuanta
frecuencia encontramos valores entre algún intervalo.
Ejemplo:
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
FRECUENCIA
RANGOS o
ABSOLUTA
CLASES
(Fa)
120-141 7
142-163 4
164-185 2
186-207 3
208-229 4
2.7. Frecuencia Relativa (Fr): La frecuencia relativa es el cociente entre la

frecuencia absoluta de un determinado valor y el número total de datos.
Se calcula dividiendo la frecuencia absoluta con el número de datos, se
puede representar en 3 maneras.
Fr=Fa/N
Ejemplo:
FRECUENCIA
RANGOS O FRECUENCIA RELATIVA (Fr)
ABSOLUTA
CLASES
(Fa)
FRACCION DECIMAL PORCENTAJE
120-141 7 7/20 0,35 35%
142-163 4 4/20 0,2 20%
164-185 2 2/20 0,1 10%
186-207 3 3/20 0,15 15%
208-229 4 4/20 0,2 20%

2.8. Frecuencia absoluta acumulada (Fi): La frecuencia absoluta
acumulada es el resultado de ir sumando las frecuencias absolutas de las
observaciones o valores o muestras, etc.
Ejemplo:
FRECUENCIA
FRECUENCIA
RANGOS o ABSOLUTA
ABSOLUTA
CLASES ACUMULADA
(Fa)
(Fi)
120-141 7 7
142-163 4 11
164-185 2 13
186-207 3 16
208-229 4 20
2.9. Frecuencia relativa acumulada (Frac): La frecuencia relativa

acumulada es el cociente entre la frecuencia absoluta acumulada de un
determinado valor y el número total de datos.
Ejemplo:
FRECUENCIA FRECUENCIA RELATIVA ACUMULADA

FRECUENCIA
RANGOS ABSOLUTA (Frac)
ABSOLUTA
O CLASES ACUMULADA
(Fa)
(Fi) FRACCION DECIMAL PORCENTAJE
120-141 7 7 7/20 0,35 35%
142-163 4 11 11/20 0,55 55%
164-185 2 13 13/20 0,65 65%
186-207 3 16 16/20 0,80 80%
208-229 4 20 20/20 1 100%

3. Histograma.-
El histograma es la
representación gráfica de un
grupo de datos estadísticos.
Estos, agrupados en intervalos
numéricos o en función de
valores absolutos; el
histograma es entonces un
gráfico que permite mostrar cómo se distribuyen los datos de una muestra
estadística o de una población. Esto, respecto a alguna variable numérica.
En el histograma se suelen usar barras, cuya altura dependerá de la

frecuencia de los datos, que corresponde al eje Y. En tanto, en el eje X
podemos observar la variable de estudio, para esto, debemos recordar
que en estadística la frecuencia es la cantidad de veces que se repite un
suceso.
3.1. Historia del histograma.-
El término “histograma” fue acuñado en 1891 por el

matemático estadístico inglés Karl Pearson y es un
compuesto de los términos griegos ‘histós’, que
significa ‘tejido’, y ´grámma’, que se traduce al
castellano como ‘letra’, ‘escrito’ o ‘gráfico’.
3.2. Aplicación del histograma.-
Se aplica a todos aquellos estudios en los que es necesario analizar la

pauta de comportamiento de un determinado fenómeno en función de su
frecuencia de aparición.
Por su naturaleza gráfica, el histograma puede ayudar a identificar e

interpretar pautas que son difíciles de ver con una simple tabla de
números y que son de poco valor si no aparecen suficientemente
ordenados y clasificados.
Permite resumir grandes cantidades de datos y comunicar información

clara y sencilla sobre situaciones complejas.
Se usa como herramienta de trabajo tanto para procesos industriales,
como dentro de las actividades habituales de gestión.
3.3. Construcción de un histograma.-
Para construir un histograma de

forma manual una vez tengamos la
tabla de frecuencias se tiene que
tomar en cuenta lo siguiente:
En el eje x ubica los intervalos de

clase (pero en el grafico lo
nombraremos con la marca de
clase); en el eje y ubica la frecuencia.
Según la amplitud del intervalo, será el ancho de la barra. El paso a paso

que venimos tratando es para intervalos de clase del mismo ancho.
3.4. Pasos para construir un histograma.-
 Paso 1: tener los datos.

 Paso 2: determinar el rango.
 Paso 3: determinar el número de clase.
 Paso 4: determinar la amplitud de las clases
 Paso 5: definir los intervalos de las clases.
 Paso 6: determinar la marca de clase.
 Paso 7: determinar las frecuencias.
 Paso 8: construye el histograma.
 Paso 9: interpreta el histograma.
3.5. Tipos de histogramas.-
3.5.1. Histograma en forma de campana.-
El histograma en forma de campana es una curva uniformemente

distribuida, donde el lado izquierdo es igual que el lado derecho. Esto
significa que las muestras que se tomaron siguen o caen dentro del
estándar de la operación dada.
3.5.2. Histograma sesgado a la derecha.-
Este tipo de histograma se desvía de la curva normal, la forma de la

distribución es asimétrica cargada a la derecha.
3.5.3. Histograma sesgado a la izquierda.-
Este tipo de histograma también se desvía de la curva normal, la forma de

la distribución fuera asimétrica cargada a la izquierda.
3.5.4. Histograma de precipicio.-
Un histograma con forma de precipicio o acantilado muestra cierto pico

en la gráfica que no es necesariamente el estándar. Esto puede atribuirse
a un problema en la recolección de datos o en la operación de la máquina.
3.5.5. Histograma dentado.-
Esta es la combinación de varias formas de precipicio o acantilado, lo que

indica que la distribución es irregular.
3.5.6. Histograma isla.-
Este histograma normalmente es el resultado de un pequeño pico aislado

del resto de histograma. Sugiere que podría existir un pequeño grupo de
datos provenientes de una distribución distinta, como podría ser el caso
de laguna anormalidad en el proceso, algún error de medición o la
inclusión de datos de un proceso diferente.
4. Polígono de Frecuencia.-
Un polígono de frecuencias es
una herramienta gráfica que se
emplea a partir de un
histograma de frecuencia (es
decir, otro tipo de gráfico que
expresa las frecuencias
mediante columnas verticales).
Para ello, se unen con una línea
los distintos puntos medios de las columnas del histograma, sin dejar
espacio entre una y otra, logrando así una forma geométrica o polígono.
Con esta herramienta gráfica pueden representarse variables cuantitativas
o distribuciones diferentes, cosa que tradicionalmente no hace un
histograma, de un modo rápido y sencillo. Además cuenta con la virtud de
ser apreciable a simple vista.
5. Medidas de tendencia central.-
Se usan cuando no es conveniente la representación de un fenómeno a

través de una tabla o la enumeración individual de los valores. Una forma
más sintética de presentar un conjunto de observaciones es a través de
una medida de tendencia central, las más usadas son:
5.1. Media Aritmética.-
La media aritmética es el valor obtenido al sumar todos los datos y dividir

el resultado entre el número total de datos. Denotamos la media con el
símbolo y la calculamos de la siguiente manera:
En donde cada representa uno de nuestros datos y N es el número

total de datos que tenemos.
Ejemplo:
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
5.2. La Mediana (Me).-
La mediana es un conjunto es un valor que se encuentra a la mitad de los

otros valores, es decir, que al ordenar los número de menor a mayor, éste
se encuentra justamente en medio entre los que están por arriba.
Algunas características de la media son:
*Las operaciones para calcular el valor son muy sencillas de realizar.
*La medida no depende de los valores de las variables, solamente de su

orden.
*Generalmente, los valores son enteros.
*Se puede calcular aunque los números que se encuentren arriba y abajo
no tengan límites.
Si n es impar
Si n es par
Nota.- el símbolo (˚) indica la posición una vez agrupados en forma

ascendente.
Ejemplo:
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
5.3. La Moda (Mo).-
La moda es el valor que aparece más dentro de un conglomerado. En un

grupo puede haber dos modas y se conoce como bimodal, y más de dos
modas o multimodal cuando se repiten más de dos valores; se llama
amodal cuando en un conglomerado no se repiten los valores.
Por último, se conoce como moda adyacente cuando dos valores

continuos tienen la misma cantidad de repeticiones. En este caso se saca
el promedio de ambos.
Las principales características de la moda son:
*Es una muestra muy clara.
*Las operaciones para determinar el resultado son muy fáciles de

elaborar.
*Los valores que se presentan pueden ser cualitativos y cuantitativos.
Ejemplo:
20 20 13 18 11 13 11 15 23 25
Se trata de un sistema trimodal o multimodal, debido a que tiene más de
dos valores repitentes en el sistema, tiene 3.
6. Medidas de dispersión.-
Para una representación más adecuada de un suceso o evento cualquiera,

es conveniente que asociemos la media, a una medida de dispersión;
debido a que la representación de una distribución sólo a través de su
media (xm) no permite una conclusión correcta con respecto a la misma,
así tenemos:
6.1. La Varianza.-
La Varianza es una medida de dispersión que se utiliza para representar la

variabilidad de un conjunto de datos respecto de la media aritmética de
los mismos. Así, se define como la sumatoria de las desviaciones al
cuadrado con respecto al promedio o a la media, todo esto dividido entre
el número total de observaciones menos 1.
∑( )
σ2 =
Donde σ2 representa la varianza y σ el desvío estándar que es igual a:
√
En las raras ocasiones en que la medida verdadera de la población es
conocida, el denominador n puede ser usado en la relación σ2. Pero, como
la media de la población raramente es conocida, debemos estimarla a
través de la media xm.
Y, para que esta valoración no sea parcial, es necesario el uso del

denominador (n-1).
6.1.1. Desvío estándar.-
Es una medida de dispersión de los datos alrededor de la mediana.

Teóricamente consiste en averiguar en cuanto difiere en promedio cada
observación, del promedio general de las observaciones o del grupo.
Obtenemos la media aritmética posteriormente la vamos restando con
cada uno de los valores, todo los valores que fueron restados los elevamos
al cuadrado y hacemos la sumatoria de todos los valores eso lo dividimos
entre el número de datos menos 1 y sacamos su raíz cuadrada.
Ejemplo:
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
σ2 =
σ2 =
σ2 = 1329,4316 σ √
σ
6.2. Coeficiente de Variación.-
El coeficiente de variación, también denominado como coeficiente de

variación de Pearson, es una medida estadística que nos informa acerca
de la dispersión relativa de un conjunto de datos.
Es decir, nos informa al igual que otras medidas de dispersión, de si una

variable se mueve mucho, poco, más o menos que otra.
Ejemplo:
7. Determinaciones de las medidas centrales y de dispersión para tablas

de frecuencia.-
Dónde:
Fi = frecuencia de la clase i (frecuencia absoluta).
xci =media de la clase i.

xo = origen arbitrario, valor de xci del intervalo de mayor frecuencia.
di = desvió relativo de la clase i en relación a xo donde:
c = intervalo de medias de clases, todas las clases deben tener el mismo

intervalo.
Li = límite inferior de la clase mediana, (clase mediana es aquella donde el
elemento n/2 se sitúa).
Sfa = suma de las frecuencias de las clases anteriores a la clase mediana.
fm = frecuencia mediana.
De ahí resultan las siguientes expresiones:
∑
[ ]
∑ { ∑ }
[√ ]
8. Aplicación de la estadística en Ingeniería Civil.-
En Ingeniería Civil, se puede

inferir que los funcionarios
estadísticos en la ingeniería se
puede utilizar para inferir sobre
los cambios relativos en los
precios de los materiales de
construcción servicios laborales y
otros elementos usados en la
construcción de carreteras,
puentes, acueductos, entre otros para poner al día las situaciones previas
de los costos de construcción, igualmente para determinar el efecto de los
cambios de precio sobre costos actuales de construcción y como ayuda en
la preparación de presupuestos. En conclusión la estadística es una
disciplina aplicada en todos los campos de la actividad humana se
convirtió en el pilar de muchas carreras desde la medicina hasta cualquier
ingeniería y por supuesto en la Ingeniería Civil, que serviría para llevar el
control de todos los materiales que se van a utilizar en una construcción
igualmente la estadística se ocuparía de analizar la cantidad a usar de cada
uno de los materiales.
FACULTAD DE CIENCIAS EXACTAS
METODOS Y TECNOLOGIA U.A.G.R.M.
ESTADISTICOS SEM 2-2020
METODOS ESTADISTICOS
MAT- 370 A
TEMA DE EXPOSICION:
“HISTOGRAMAS Y DISTRIBUCIONES EMPIRICAS”

“GRUPO 1A”
 PAOLA ALEJANDRA GONZALES FUENTES 219022615

 GUSTAVO ADOLFO CHURA RODRIGUEZ 218013272
 IVAN BRIAN SERRANO CALDERON 219050724
 JOSE EDUARDO CONDE RODRIGUEZ 214062384
 IRINA POLINSKI GUTIERREZ 218041535
 EID BRYAN OLIVERA FLORES 218037082
ING. FLAVIO CARREÑO HEVIAVACA

CIV 370-A
TEMA 1
HISTOGRAMA Y DISTRIBUCIONES
EMPÍRICAS
 Introducción
Llamamos estadística a la parte de las matemáticas que se ocupan de obtener
conclusiones a partir de datos observados.
El conjunto parcial donde realizamos las observaciones se llama muestra, mientras
que en el conjunto global del que queremos sacar alguna conclusión se llama
población o universo.
La población o universo puede ser finita o infinita, también cualquier variable ya sea
x, y o z puede asumir cualquier valor dentro de un conjunto llamado dominio.
Histograma
¿Qué es?
Una gráfica de la distribución de un conjunto de medidas. Un Histograma es un
tipo especial de gráfica de barras que despliega la variabilidad dentro de un
proceso. Un Histograma toma datos variables (tales como alturas, pesos,
densidades, tiempo, temperaturas, etc.) y despliega su distribución. Los patrones
inusuales o sospechosos pueden indicar que un proceso necesita investigación
para determinar su grado de estabilidad.
¿Cuándo se utiliza?
Cuando se quiere comprender mejor el sistema, específicamente al:
· Hacer seguimiento del desempeño actual del proceso
· Seleccionar el siguiente producto o servicio a mejorar
· Probar y evaluar las revisiones de procesos para mejorar
· Necesitar obtener una revisión rápida de la variabilidad dentro de un
proceso.

CIV 370-A
Consejos para la Construcción/ Interpretación:

Si las causas de variación son comunes, el Histograma se distribuye normalmente
(simétrico, forma de campana o uni-modal); pero otras posibilidades
(particularmente para procesos fuera de control) es inclinarlo (a la izquierda o
derecha) y/o bi-modal (con dos picos).
Algunos conceptos claves para recordar:

· Los valores en un conjunto de datos casi siempre muestran variación.
Es inevitable en el resultado de cualquier proceso, servicio
administrativo o de manufactura. Es imposible mantener todos los
factores en un estado constante todo el tiempo.
· La variación despliega un patrón. Diferentes fenómenos tendrán

variaciones diferentes, pero siempre hay algún patrón en la variación.
Estos patrones de variación en los datos se llaman distribuciones.
Existen tres características importantes en un Histograma: su centro,
su extensión y su forma.
· Los patrones de variación son difíciles de ver en simpres tablas de
números. Es fácil, por otro lado, concluir de forma errónea que los
datos representan un “final cerrado” en un esfuerzo de solución de
problemas.
· Los patrones de variación son más fáciles de ver cuando los datos se
resumen pictóricamente en un Histograma.
Ejemplos:
Figura 1. Tabla de Datos
Ver en forma amplia

CIV 370-A
Figura 2. Tabla de Frecuencias

CLASES CONTEO TOTAL
44.00 - 44.39 IIII 5
44.40 - 44.79 IIII IIII I 11
44.80 - 45.19 IIII IIII IIII IIII IIII IIII IIII II 37
45.20 - 45.59 IIII IIII IIII IIII IIII IIII IIII 34
45.60 - 45.99 IIII IIII II 12
46.00 - 46.39 IIII IIII IIII 14
46.40 – 46.79 II 2
Figura 3. Ejemplo de Histograma

CIV 370-A
Observaciones y Conclusiones
Observar Concluir
Los datos indican

Simétrico, una distribución
Forma de normal. Se puede
campana concluir que el
(Normal) proceso es
estable.
Observar Concluir
Los datos están

hacia la izquierda
Diagrama de la media. La
(Izquierda) distribución no es
Negativo normal y el
proceso debe ser
investigado.
Observar Concluir
Los datos están

Diagrama hacia la derecha
(Derecho) de la media. La
Positivo distribución no es
normal y debe ser
investigado.

CIV 370-A
 DISTRIBUCIONES EMPIRICAS
Para empezar de hablar de que es una distribución empírica, primero comencemos
a definir cada uno de eso términos por separado:
 Distribuciones: hace referencia a distribución, que es la acción de
distribuir o distribuirse.
 Empírico: es un adjetivo que señala que algo está basado en la
práctica, experiencia y en la observación de los hechos. La palabra
empírico viene del griego “empeirikos”, que significa “experimentado".
En sí, las Distribuciones Empíricas hacen referencia a tablas creadas por el
usuario con una serie de valores obtenidos mediante ensayo u observaciones.
Donde dichos valores deben estar ordenadas de manera ascendente de menor a
mayor y se las coloca en tablas para su mejor representación.
Consideremos que en un laboratorio se hicieron diferentes ensayos para ver la
resistencia de ruptura del hormigón, donde cuyas unidades están en kg/cm2. En
dicho ensayo se obtuvieron los siguientes datos:
267 247 271 296 305 300 276 285 267 289
254 283 290 285 250 265 277 308 287 254

CIV 370-A
Observemos que estos datos no están ordenados de forma ascendente, así que si
lo ordenamos quedaría de la siguiente manera:
247 250 254 254 265 267 267 271 276 277
283 285 285 287 289 290 296 300 305 308
Una vez ya ordenado, podemos decir que la resistencia media de dicho hormigón
vario entre los límites de 247 y el máximo de 308 kg/cm2 y que la Amplitud De
Resultados (AR) fue de: 61 Kg/cm2
Mediante la siguiente formula:
AR =Rs-Ri donde:
AR =308-247 AR = Amplitud de resultados
Rs= Resultado superior (mayor)
AR = 61 kg/cm2 Ri= Resultado Inferior (menor)
Ahora cuando el tamaño de las muestras es muy grande, la representación

individual de todas las medidas u observación no siempre es posible. Y en estos
casos, los resultados de la muestra pueden se condensados bajo la forma de una
tabla de frecuencia, como la que veremos a continuación:
 TABLA DE FRECUENCIAS
Es un dispositivo para agrupar datos y facilitar su interpretación
Rangos o clases Frecuencia Frecuencia Frecuencia
absoluta relativa relativa
(Fa) (Fr) acumulada
(Frac)
247-259 4 20% 20%
260-272 4 20% 40%
273-285 5 25% 65%
286-298 4 20% 85%
299-311 3 15% 100%

CIV 370-A
 Frecuencia absoluta número de veces que se repite el suceso

 La Frecuencia Relativa es una medida estadística que se calcula como el cociente
de la frecuencia absoluta de algún valor de la población/muestra (fi) entre el total
de valores que componen la población/muestra (N).s
 La Frecuencia Relativa Acumulada es el resultado de ir sumando las frecuencias
relativas de las observaciones o valores de una población o muestra.
¿Y COMO LOGRE ELABORAR ESTA TABLA?

 En la parte de rango y clases coloco los datos de muestras que se obtuvo
en la anterior tabla, pero que intervalo uso o en otras palabras de a cuanto
a cuanto irán dichos números. Normalmente es conveniente que el número
oscile entre 6 a 15, o de otra manera lo puedo calcular mediante:
La amplitud de resultado
308-247=61 (y lo debido entre el número de clase.
 El NÚMERO DE CLASES Nc: Es un número arbitrario no debiendo ser ni

muy pequeño ni muy grande para no distorsionar las observaciones y
conducirnos a una conclusión incorrecta. Lo ideal es variar entre los valores
de 5 a 25. Existe una formula empírica, llamada la FORMULA DE STURGES,
que nos permite determinar de una forma aproximada el valor del número de
clase (Nc)
Nc= 1+3.33 log(n)
Siendo n el número de observaciones o tamaño de muestra. Para este

caso sustituyendo n=20 se tiene lo siguiente:
Nc= 1+3.33 log (20)
Nc= 1+3.33log (20)
Nc= 5.33
Y como Nc debe ser un número entero redondeamos y nos da 5
308-247=61/5
= 12.2 redondeando a 12
Donde el 12 me indica el número de intervalos que tendrán, ira de 12 a 12

CIV 370-A
 FRECUENCIA RELATIVA lo cálculo de la siguiente manera:

Donde:
𝑭𝒂
𝑭𝒓 = Fa= Frecuencia absoluta
𝒏
N= número de muestras
Ese resultado me daría en decimales. Pero si lo quiero volver en porcentaje
simplemente lo multiplico por 100 y listo.
 FRECUENCIA RELATIVA ACUMULADA es la Sumatoria de la proporción

de (Fr + Fr ac).
De esta manera es en la cual podemos realizar una tabla de frecuencias.
HISTOGRAMA
En estadística, un Histograma es una representación gráfica de una variable en
forma de barras, donde la superficie de cada barra es proporcional a
la frecuencia de los valores representados. O también podríamos definirlo como un
conjunto de barras rectangulares verticales que su altura es proporcional a
las frecuencias absolutas de cada uno de los intervalos (también se pueden
representar las frecuencias relativas o frecuencias relativas porcentuales).
El histograma permite dar una primera mirada al tipo de distribución de los datos:
 Si las alturas de las barras son similares se dice que tiene una distribución
tipo uniforme
 Si las alturas son mayores en la zona central se dice que tiene forma tipo
campana, y puede ser simétrica o asimétrica con sesgo hacia el lado positivo
o al lado negativo.
(El sesgo es un peso desproporcionado a favor o en contra de una cosa.)
 Si hay barras muy alejadas del grupo, se dice que son datos atípicos
(probablemente estos datos se pueden atribuir a errores de medición y se los
puede descartar pues no pertenecen al grupo que se desea caracterizar.

CIV 370-A
HISTOGRAMA
6
RANGO O MEDIA DE FRECUENCIA
5
CLASE CLASE ABSOLUTA
247-259 253 4 4
260-272 266 4 3
273-285 279 5
2
286-298 292 4
299-311 305 3 1
0
253 266 279 292 305
MEDIAS DE CLASE
DIAGRAMA DE FRECUENCIA
Es una manera de representar el perfil de la distribución de los datos. Se obtiene
uniendo mediante segmentos de recta los puntos (marca de clase, frecuencia)
RANGO O MEDIA DE FRECUENCIA FRECUENCIA FRECUENCIA RELATIVA

CLASE CLASE ABSOLUTA RELATIVA ACUMULADA
247-259 253 4 20% 20%
260-272 266 4 20% 40%
273-285 279 5 25% 65%
286-298 292 4 20% 85%
299-311 305 3 15% 100%
DIAGRAMA DE FRECUENCIA
120%
100%
100% 85%
80% 65%
60%
40%
40%
20%
20%
0%
253 266 279 292 305

CIV 370-A
 MEDIDAS DE TENDENCIA CENTRAL

Las medidas de tendencia central son medidas estadísticas que pretenden resumir
en un solo valor a un conjunto de valores. Representan un centro en torno al cual
se encuentra ubicado el conjunto de los datos. Las medidas de tendencia central
más utilizadas son: media, mediana y moda.
MEDIA
La media es el valor promedio de un conjunto de datos numéricos, calculada

como la suma del conjunto de valores dividida entre el número total de valores. A
continuación se muestra la fórmula de la media aritmética:
Donde x es el valor de la observación i, y N el número total de observaciones.
Supongamos que nuestras calificaciones en la escuela son:
Asignatura Nota
Matemáticas 7
Educación
8
Física
Biología 5
Economía 10
N = número total de asignaturas = 4

Entonces aplicando la fórmula que acabamos de exponer, el resultado sería:
Nuestra nota media será de un 7,5.

CIV 370-A
MEDIANA
La mediana es un estadístico de posición central que parte la distribución en dos,

es decir, deja la misma cantidad de valores a un lado que a otro. Las fórmulas
propuestas no nos darán el valor de la mediana, lo que nos darán será la posición
en la que está dentro del conjunto de datos. Las fórmulas que indica la posición de
la mediana en la serie son las siguientes:
 Cuando el número de observaciones es par:
Mediana = (n/2)º+(n/2+1)º / 2 → Si n es par
 Cuando el número de observaciones es impar:
Mediana = (n+1)º / 2 → Si n es impar
Nota: el símbolo (º) indica la posición una vez agrupado en forma ascendente.
Moda
La moda es el valor que más se repite en una muestra estadística o población. No

tiene fórmula en sí mismo. Lo que habría que realizar es la suma de las repeticiones
de cada valor. Por ejemplo, ¿cuál es la moda de la siguiente tabla de salarios?
Trabajador Salario
1 € 1.236
2 € 1.236
3 € 859
4 € 486
5 € 1.536
6 € 1.536
7 € 1.621
8 € 978
9 € 1.236
10 € 768
La moda sería 1.236€. Si vemos los salarios de los 10 trabajadores, veríamos que
1.236€ se repite en tres ocasiones.

CIV 370-A
 MEDIDAS DE DISPERSIÓN
Son números que proveen información adicional acerca del comportamiento
describiendo numéricamente su dispersión.
RANGO
Es la diferencia entre el mayor valor y el menor valor de los datos de la muestra.
Ejemplo: Si los datos son 2, 6, 11, 8, 11, 4, 7, 5

Entonces el rango es: R = 11 – 2 = 9
VARIANZA MUESTRAL
Esta medida cuantifica las distancias de los datos con respecto al valor de la media
muestral.
El motivo que en el denominador se escriba n – 1 en lugar de n (que parece natural),

se justificará formalmente en el estudio de la Estadística Inferencial.
Ambas fórmulas son equivalentes. Se puede demostrar mediante desarrollo de las

sumatorios

CIV 370-A
DESVIACIÓN ESTÁNDAR MIUESTRAL
Es la raíz cuadrada positiva de la variancia. La desviación estándar muestral o

desviación típica está expresada en las mismas unidades de medida que los datos
de la muestra
 TABLAS DE FRECUENCIAS
La tabla de frecuencias (o distribución de frecuencias) es una tabla que
muestra la distribución de los datos mediante sus frecuencias. Se utiliza
para variables cuantitativas o cualitativas ordinales.
La tabla de frecuencias es una herramienta que permite ordenar los
datos de manera que se presentan numéricamente las características
de la distribución de un conjunto de datos o muestra.

CIV 370-A
CONSTRUCCION DE LA TABLA DE FRECUENCIAS.-

 Construcción de una tabla de frecuencias con datos
agrupados:
Se emplea cuando hay un número alto de datos. Estos se agrupan en
intervalos o clases para facilitar su tabulación y análisis. Está indicado
para representarlos en un histograma.
Como en el caso anterior, se utiliza tanto para variables cuantitativas
como en variables cualitativas ordinales.
Los pasos iniciales para formar una tabla de frecuencias con datos
agrupados están encaminados a determinar el número de intervalos y
definirlos (siempre que no se conozcan de antemano). Los pasos son:
1. Obtener el rango R de los datos. Es la diferencia entre el dato
mayor y el menor del conjunto de valores que toma la variable a
tabular. Se llama también amplitud total.
R = Xmáx – Xmín
2. Fijar cuántos intervalos o clases se desea. Se tiende a que el

número de clases sea impar y que esté entre 5 y 15. Hay dos
maneras de hacerlo:
 A criterio del investigador.
 Mediante el método de Sturges, que emplea la siguiente
fórmula:

CIV 370-A
Donde nint es el número de intervalos, el logaritmo es natural o base 10

y N es el número total de datos. El resultado se redondea al número
entero más próximo.
3. Determinar la amplitud del intervalo o clase I:
Es el resultado de dividir el rango R o amplitud total por el número de

clases o intervalos nint que se han fijado:
Fórmula de la amplitud del intervalo
El valor obtenido en esta división no tiene porqué ser un número entero.

En ese caso, se redondearía al valor entero más próximo. Los dos
redondeos, el que se haya podido hacer en el número de intervalos nint
y el de la amplitud del intervalo I modificarán el valor de la amplitud total
o rango, apareciendo un nuevo valor ajustado, con los valores
definitivos, repartiendo la diferencia entre R’ y R entre los dos extremos
del rango:
4. Formar los diferentes intervalos o clases, partiendo del valor

mínimo del nuevo rango R’. Cada intervalo tendrá unos extremos
a y b separados por la amplitud de clase o intervalo I. En variables
continuas, normalmente los intervalos son cerrados por la
izquierda y abiertos por la derecha, [a, b) en el que b no pertenece
a este intervalo sino que es el valor mínimo del intervalo siguiente.
5. En variables discretas ordinales o en variables continuas en los
que el procedimiento de medición no pueda apreciar más allá de
un valor entero, los intervalos o clases serán cerrados por los
extremos [a, b].

CIV 370-A
6. Cada intervalo está representado por la llamada marca de clase.

Es la media entre sus extremos.
Representará a los valores del intervalo o clase en los cálculos a partir

de la tabla.
7. A partir de la columna de las clases, se formarán las columnas de
las frecuencias, que son las que se describen a continuación y
que son comunes para las tablas de datos no agrupados como en
las de datos agrupados.
TIPOS DE FRECUENCIA:
 Frecuencia absoluta: La frecuencia absoluta (n i) de un valor Xi
es el número de veces que el valor está en el conjunto (X 1, X2,…,
XN).
La suma de las frecuencias absolutas de todos los elementos
diferentes del conjunto debe ser el número total de sujetos N. Si
el conjunto tiene k números (o categorías) diferentes, entonces:
 Frecuencia absoluta acumulada: La frecuencia absoluta

acumulada (Ni) de un valor Xi del conjunto (X1, X2,…,
XN) es la suma de las frecuencias absolutas de los valores
menores o iguales a Xi, es decir:

CIV 370-A
 Frecuencia relativa: La frecuencia relativa (fi) de un valor Xi es

la proporción de valores iguales a Xi en el conjunto de datos (X1,
X2,…, XN). Es decir, la frecuencia relativa es la frecuencia
absoluta dividida por el número total de elementos N:
 Frecuencia relativa acumulada: Definimos la frecuencia relativa

acumulada (Fi) de un valor Xi como la proporción de valores
iguales o menores a Xi en el conjunto de datos (X1, X2,…, XN). Es
decir, la frecuencia relativa acumulada es la frecuencia absoluta
acumulada dividida por el número total de sujetos N:

CIV 370-A

CIV 370-A
>> x=[3 4 5 6 8]; Vector con datos de una muestra

>> cdfplot(x) Gráfico de la distribución empírica acumulada
>> m=mean(x); Media muestral
>> s=std(x); Desviación estándar muestral
>> z=0: 0.1: 10; Puntos para la distribución normal acumulada
>> hold on Para superponer gráficos
>> f=normcdf(z, m, Valores de la distribución normal acumulada para los puntos
s);
Gráfico de la distribución normal acumulada, puntos en negro
>> plot(z, f, '.k')
legend('Distribucion empirica','Distribucion normal',2) Colocar rótulos arriba izquierda
El número 2 indica
que los rótulos se
coloquen arriba a la
izquierda

CIV 370-A
MAT-370
2A
“Probabilidad y Distribución de
Probabilidades”
INTEGRANTES: REGISTRO:
- Yhonatan Mamani Cahuana 219030413
- Said Diaz Espinoza 219017131
- Sebastián Riofrio Choré 219066949
- David Cahuasiri Garrón 219008868
- Jose Gustavo Aima Acapa 219061191
- Ponce Villarroel Deiner Enrique 219066620
DOCENTE: ING. FLAVIO CARREÑO HEVIAVACA
CARRERA: INGENIERIA CIVIL

UNIDAD 2: PROBABILIDADES Y DISTRIBUCIONES DE PROBABILIDADES
OBJETIVOS ESPECÍFICOS:
• Comprensión de los conceptos básicos de probabilidad, sus propiedades.
• Identificación de los tipos de distribuciones de probabilidad.
• Comprensión del concepto de valor esperado y aplicaciones.
INTRODUCCIÓN. -
En el tema anterior, nos preocupamos únicamente en procesar y relatar un conjunto de
valores observados. A partir de esta unidad, el enfoque dado sufre una profunda
modificación, la necesidad de tomar la decisión donde las inseguridades deben ser
tomadas en cuenta.
CONJUNTO DE RESULTADOS POSIBLES. -
Los resultados de un experimento son imprevisibles, pero, es posible caracterizar el
conjunto de todos los resultados posibles.
En la teoría de probabilidades, el espacio muestral o espacio de muestreo (denotado E, S,

Ω o U) consiste en el conjunto de todos los posibles resultados de un experimento
aleatorio, junto con una estructura sobre el mismo.
Por ejemplo, si el experimento consiste en lanzar dos monedas, el
espacio muestral es el conjunto {(cara, cara), (cara, cruz), (cruz,
cara) y (cruz, cruz)}. Un evento o suceso es cualquier subconjunto
del espacio muestral con estructura de σ-álgebra, llamándose a los
sucesos que contengan un único elemento sucesos elementales. En
el ejemplo, el suceso "sacar cara en el primer lanzamiento", o
{(cara, cara), (cara, cruz)}, estaría formado por los sucesos
elementales {(cara, cara)} y {(cara, cruz)}.
Para algunos tipos de experimento puede haber
dos o más espacios de muestreo posibles. Por
ejemplo, cuando se toma una carta de un mazo
normal de 52 cartas, una posibilidad del espacio
de muestreo podría ser el número (del as al rey),
mientras que otra posibilidad sería el palo
(diamantes, tréboles, corazones y picas). Una
descripción completa de los resultados, sin embargo, especificaría ambos valores, número
y palo, y se podría construir un espacio de muestreo que describiese cada carta individual
como el producto cartesiano de los dos espacios de muestreo descritos.
Los espacios de muestreo aparecen de forma natural en una aproximación elemental a la
probabilidad, pero son también importantes en espacios de probabilidad.
VARIABLES ALEATORIAS
La variable aleatoria es una función que asigna un valor numérico (que pueden ser: 1, 2, 3,
4, 5, etc.), al resultado de un experimento aleatorio (como puede ser lazar una moneda al
aire).
supongamos que cada punto del espacio muestral le asignamos un número, así definimos
una función en el espacio muestral. Esta función se llama variable aleatoria (o variable
estocástica) o más precisamente función aleatoria (o función estocástica) comúnmente se
denota por una letra mayúscula como X ó Y. En general una variable aleatoria tiene algún
significado físico, geométrico u otro.
La variable aleatoria al ser una función cuenta con un dominio y un rango. En el dominio
tenemos todos los resultados posibles de nuestro experimento aleatorio y el conjunto de
todos los resultados posibles de este experimento aleatorio se le llama espacio muestral el
cual se lo representa con la letra “S”. Por otro lado, en el rango tendremos números reales
y cada uno de estos números reciben un nombre x1, x2, x3, etc.
EJEMPLO: supongamos que tenemos dos monedas de 5 bs las cuales se lanzan al aire y de
todos los resultados posibles queremos contar el número de escudos.
La variable aleatoria viene a ser el número de escudos la cual llamaremos “X”, y el espacio
muestral viene a ser: {Cara - Cara, Cara - Escudo, Escudo - Cara, Escudo - Escudo}
X = número de escudos
DX = espacio muestral “S” RX = números reales

1. INTRODUCCIÓN A LOS EXPERIMENTOS ALEATORIOS
Un experimento aleatorio (E.A) es una prueba que consiste en repetir un fenómeno
aleatorio con el objetivo de analizarlo y extraer conclusiones sobre su comportamiento.
De la propia definición de experimento aleatorio, así como de la definición de fenómeno
aleatorio, deducimos que se trata del estudio de situaciones dominadas por las leyes del
azar. Ejemplo:
 “LANZAR UNA MONEDA AL AIRE”

2. ESPACIO MUESTRAL
En la teoría de probabilidades, el espacio muestral o espacio de muestreo (denotado
E, S, Ω o U) consiste en el conjunto de todos los posibles resultados de un
experimento aleatorio, junto con una estructura sobre el mismo.
3. UN EXPERIMENTO ALEATORIO COMPUESTO
Es un experimento aleatorio formado por experimentos aleatorios simples. Ejemplo:
 “lanzar dos veces monedas al aire”.
Primer lanzamiento Segundo lanzamiento
c (x,c)
c (c,c)
x
c
(c,x) (x,x)
x
x
Donde:
C=cara E=espacio muestral
X=escudo
Este pequeño grafico que acabamos de hacer, es el diagrama de árbol
4. SUCESOS
En el contexto probabilístico, denominamos suceso a cualquier subconjunto de un
espacio muestral; esto es, a cualquier posible resultado de un experimento aleatorio.
Conceptos de Probabilidad
La probabilidad se refiere a la mayor o menor posibilidad de que ocurra un
suceso. Como medida de la oportunidad o probabilidad con la que pueda ocurrir
es conveniente asignar un numero entre 0 y 1. Si tenemos la certeza de que el
suceso ocurrirá seria de un 100% o 1, y de caso contrario si sabemos que el
suceso no ocurrirá es cero. Ejemplo: si decimos que la probabilidad es de ¼
diríamos que hay un 25% de oportunidad de que ocurra y un 75% de oportunidad
de que no ocurra. Es como decir la probabilidad contra su ocurrencia es del 75%
al 25% o de 3 a 1.
Existen 2 procedimientos por medio de los cuales podemos obtener estimativas
para la probabilidad de un suceso.
1. Enfoque clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un
número total de n maneras posibles, todos igualmente factibles, entonces la probabilidad
del suceso es h/n.
2. Enfoque como frecuencia relativa o a posteriori. Si después de n repeticiones de un
experimento, donde n es muy grande, un suceso ocurre h veces, entonces la probabilidad
del suceso es h/n.
Esto también se llama la probabilidad empírica del suceso.
LOS AXIOMAS DE LA PROBABILIDAD
TEOREMA: necesita demostración
POSTULDO: no se demuestra, pero es base de la teoría
AXIOMA: verdad incuestionable que no necesita demostración
La probabilidad puede ser definida como el numero asociado a un acontecimiento y que
goza de ciertas propiedades llamadas axiomas del cálculo de las probabilidades. Si
representamos por P la función de probabilidad, P(A) la probabilidad de que suceda el
suceso el evento A, P(AUB) la probabilidad de que suceda A o B o ambos, P(A∩B) la
probabilidad de que sucedan simultáneamente los eventos A y B los siguientes axiomas
son validos
a) Para cada evento A, 0≤P(A)≤1

b) P(R)=1 Probabilidad de un evento cierto o verdadero.
c) P(ᴓ)=0 Probabilidad de un evento imposible.

d) Si A y B son eventos mutuamente exclusivos, entonces,
P(AUB)=P(A)+P(B) (Dos eventos son mutuamente exclusivos cuando la realización de
uno impide la realización del otro
Probabilidad condicional e independencia
La noción de probabilidad condicional se emplea en el ámbito de la estadística. La
expresión alude a la probabilidad existente de que suceda un evento A, conociendo que
además ocurre otro evento B.
Es importante tener en cuenta que no es necesario que
exista una relación temporal o causal entre A y B. Esto
quiere decir que A puede producirse antes que B, después o
al mismo tiempo, y que A puede ser el origen o la
consecuencia de B o no tener un vínculo de causalidad.
Debemos resaltar que en el campo de la probabilidad no hay espacio para los conceptos
de relaciones temporales o relaciones causales, aunque pueden jugar un rol determinado
según la interpretación que el observador les dé a los sucesos.
La probabilidad condicional se calcula partiendo de dos sucesos o eventos (A y B) en un
espacio probabilístico, indicando la probabilidad de que ocurra A dado que ha ocurrido B.
Se escribe P (A/B), leyéndose como “probabilidad de A dado B”.
Veamos un ejemplo.
En un grupo de 100 estudiantes, 35 jóvenes juegan al fútbol y al baloncesto, mientras
que 80 de los miembros practican fútbol. ¿Cuál es la probabilidad de que uno de los
estudiantes que juega al fútbol, también juegue al baloncesto o básquet?
Como se puede advertir, en este caso conocemos dos datos: los estudiantes que juegan
al fútbol y al baloncesto (35) y los estudiantes que juegan al fútbol (80).
Evento A: Que un estudiante juegue al baloncesto (x)
Evento B: Que un estudiante juegue al fútbol (80)
Evento A y B: Que un estudiante juegue al fútbol y al baloncesto (35)
P (A / B) = P (A∩B) / P (B)
P (A / B) = 35 / 80
P (A / B) = 0,4375
P (A / B) = 43,75%
Por lo tanto, esta probabilidad condicional indica que la probabilidad de que un
estudiante juegue al baloncesto dado que también juega al fútbol es del 43,75%.
 Probabilidad de eventos independientes
Un evento independiente es un evento que no depende de otro evento que determine su
resultado. Cuando tenemos dos eventos independientes, un resultado no afecta el
resultado del segundo evento.
Si A y B son eventos independientes, P (A y B) = P(A) • P(B). En general, para cualquier
número de eventos independientes, la probabilidad de que todos los eventos sucedan es
el producto de las probabilidades de que sucedan los eventos individuales
Ejemplo:
Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una canica es
eliminada de la caja y luego reemplazada. Otra canica se saca de la caja. ¿Cuál es la
probabilidad de que la primera canica sea azul y la segunda canica sea verde?
Ya que la primera canica es reemplazada, el tamaño del espacio muestral (9) no cambia de
la primera sacada a la segunda así los eventos son independientes.
P (azul luego verde) = P (azul) · P (verde)
 Probabilidad de eventos dependientes
Dos o más eventos serán dependientes cuando la ocurrencia o no-ocurrencia de uno de

ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso,
empleamos entonces, el concepto de probabilidad condicional para denominar la
probabilidad del evento relacionado. La expresión P(A|B) indica la probabilidad de
ocurrencia del evento A sí el evento B ya ocurrió
P (A∩B) = P (A)* P (B / A)
Ejemplo:
Suponga que tenemos 5 canicas azules y 5 canicas rojas en una bolsa. Sacamos una canica,
que puede ser azul o roja. Ahora quedan 9 en la bolsa. ¿Cuál es la probabilidad de que la
segunda canica será roja?
Depende. Si la primera canica fue roja, entonces en la bolsa quedan 4 canicas rojas de 9
así que la probabilidad de sacar una canica roja en la segunda oportunidad es de
4/9. Pero si la primera canica que sacamos es azul, entonces todavía hay 5 canicas rojas
en la bolsa y la probabilidad de sacar una canica roja de la bolsa es de 5/9.
Distribuciones discretas de probabilidad
Una distribución de probabilidades para una variable aleatoria discreta es un listado
mutuamente excluyente de todos los resultados numéricos posibles para esa variable
aleatoria tal que una probabilidad específica de ocurrencia se asocia con cada resultado
Si x es una variable aleatoria discreta, la función dada por f(x) para cada x contenida en el
intervalo de x se denomina función de probabilidad, o distribución de probabilidad, de x.
Una función puede ejercer como la distribución de probabilidad de una variable aleatoria
discreta x si y sólo si sus valores, f(x), cumple las condiciones siguientes:
a) f(x) ≥ 0 para cada valor con tenido en su dominio
b) ∑ f(x) = 1, donde la sumatoria se extiende sobre todos los valores contenidos en su
dominio.
Ejemplo
Calcular la distribución de probabilidad de las puntuaciones obtenidas al lanzar un dado.
x pi
Variable aleatoria discreta

Una variable aleatoria se llama discreta si se puede contar su conjunto de resultados
posibles. Las variables aleatorias discretas son variables aleatorias cuyo intervalo de
valores es finito o contablemente infinito.
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
Las distribuciones de probabilidad de una variable aleatoria
es una función que asigna cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso
ocurra. La distribución de probabilidad está definida sobre el
conjunto de todos los sucesos, cada uno de los sucesos es el
rango de valores de la variable aleatoria.
Variable aleatoria continua

Una variable aleatoria continua es aquella que puede tomar cualquier valor en un
intervalo de valores acotados o no acotados. Generalmente los valores de una variable
aleatoria continua se obtienen de experimentos reales o de mediciones. Por ejemplo, al
realizar los experimentos de medir estaturas, medir pesos, registrar ingresos económicos,
etc.
Una variable aleatoria x y la distribución correspondiente se dicen continuas, si la función
de distribución correspondiente a F(b) puede ser representada por una integral de la
𝑏
forma: F(b)= ∫−∞ 𝑓(𝑥 )𝑑𝑥
Distribución de probabilidad continua
Una distribución de probabilidad continua es una función que asigna a un intervalo de la
variable aleatoria continua x su valor de la probabilidad correspondiente. Es decir, la
probabilidad de que un evento ocurra en el intervalo de la variable. Esto puede ocurrir de
tres formas distintas:
P (𝑎 ≤ 𝑋 ≤ 𝑏 ) P (𝑎 ≤ 𝑋) P (𝑋 ≤ 𝑏 )
𝑏
P(x) P (𝑎 ≤ 𝑋 ≤ 𝑏) = F(b) − F(a) = ∫ 𝑓(𝑥)𝑑𝑥 = 1
𝑎
a b
x
Características de la distribución continua de probabilidad
- Es generada por una variable continua x
∞
F(x) =∫
−∞
𝑓 (𝑥 )𝑑𝑥
- X es una variable que puede tomar tanto valores enteros como fraccionarios, y
estos valores están dados desde hasta infinito.
P(x)
-1 | 0 | 1/2| 1| ∞… x
- P(x) ≥ 0 las probabilidades asociadas a cada uno de los valores que toma x deben ser ..
mayores o iguales a cero. Dicho de otras formas, la función de densidad o área de
probabilidad deberá tomar solo valores mayores o iguales a cero.
Por lo tanto, solo estará representada en el primer y segundo cuadrante del plano de
coordenadas.
P(x) P(x) ≥ 0
II I
II I IV
- La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe
ser igual a 1, es decir, el área que se encuentra definida bajo la función de densidad de
probabilidad deberá ser 1 como máximo que será el 100% de probabilidad.
P(x)
1
0,5
0 b x
𝑎
P (𝑎 ≤ 𝑋 ≤ 𝑏) = F(b) − F(a) = ∫ 𝑓(𝑥)𝑑𝑥 = 1
𝑏
P(x)
100%
a b
x
Esperanza matemática
La esperanza matemática de una variable aleatoria X, es el número que
expresa el valor medio del fenómeno que representa dicha variable.
La esperanza matemática, también llamada valor esperado, es igual al sumatorio
de las probabilidades de que exista un suceso aleatorio, multiplicado por el valor
del suceso aleatorio. Dicho de otra forma, es el valor medio de un conjunto de
datos. Esto, teniendo en cuenta que el término esperanza matemática está
acuñado por la teoría de la probabilidad.
Mientras que en matemáticas, se denomina media matemática al valor promedio

de un suceso que ha ocurrido. En distribuciones discretas con la misma
probabilidad en cada suceso, la media aritmética es igual que la esperanza
matemática.
Ejemplo de esperanza matemática
Vamos a ver un ejemplo sencillo para entenderlo.
Imaginemos una moneda. Dos caras, cara y cruz. ¿Cual sería la esperanza
matemática (valor esperado) de que salga cara?
La esperanza matemática se calcularía como la probabilidad de que, tirando la

moneda un número muy grande de veces, salga cara.
Dado que la moneda solo puede caer en una de esas dos posiciones y ambas
tienen la misma probabilidad de salir, diremos que la esperanza matemática de
que salga cara es una de cada dos, o lo que es lo mismo, el 50% de las veces.
Vamos a hacer una prueba y vamos a tirar una moneda 10 veces. Supongamos
que la moneda es perfecta.
Tiradas y resultado:
1. Cara.
2. Cruz.
3. Cruz.
4. Cara.
5. Cruz.
6. Cara.
7. Cara.
8. Cara.
9. Cruz.
10. Cruz.
¿Cuantas veces ha salido cara (contamos las C)? 5 veces ¿Cuantas veces ha
salido cruz (contamos las X)? 5 veces. La probabilidad de que salga cara será de
5/10=0,5 o, en porcentaje, del 50%.
Una vez ha ocurrido ese suceso podemos calcular la media matemática del
número de veces que ha ocurrido cada suceso. El lado cara ha salido una de cada
dos veces, es decir, un 50% de las veces. La media coincide con la esperanza
matemática.
Cálculo de la esperanza matemática
La esperanza matemática se calcula utilizando la probabilidad de cada suceso. La

fórmula que formaliza este cálculo se enuncia como sigue:
Dónde:
 X = valor del suceso.

 P = Probabilidad de que ocurra.
 i = Periodo en el que se da dicho suceso.
 N = Número total de periodos u observaciones.
No siempre la probabilidad de que ocurra un suceso es la misma, como con las

monedas. Existen infinidad de casos en que un suceso tiene más probabilidad de
salir que otro. Por eso utilizamos en la fórmula la P. Además, al calcular números
matemáticos debemos multiplicar por el valor del suceso. Abajo vemos un
ejemplo.
¿Para qué se utiliza la esperanza matemática?
La esperanza matemática se utiliza en todas aquellas disciplinas en las que la

presencia de sucesos probabilísticos es inherente a las mismas. Disciplinas tales
como la estadística teórica, la física cuántica, la econometría, la biología o los
mercados financieros. Una gran cantidad de procesos y sucesos que ocurren en el
mundo son inexactos. Un ejemplo claro y fácil de entender es el de la bolsa de
valores.
En la bolsa de valores, todo se calcula en base a valores esperados ¿Por qué

valores esperados? Porque es lo que esperamos que suceda, pero no podemos
confirmarlo. Todo se basa en probabilidades, no en certezas. Si el valor esperado
o esperanza matemática de la rentabilidad de un activo es de un 10% anual,
querrá decir que, según la información que tenemos del pasado, lo más probable
es que la rentabilidad vuelva a ser de un 10%. Si solo tenemos en cuenta, claro
está, la esperanza matemática como método para tomar nuestras decisiones de
inversión.
Dentro de las teorías sobre mercados financieros, muchas utilizan este concepto
de esperanza matemática. Entre esas teorías se encuentra la que
desarrolló Markowitz sobre las carteras eficientes.
En números, simplificando mucho, supongamos que las rentabilidades de un

activo financiero son las siguientes:
Rentabilidad en los años 1, 2, 3 y 4.
1. 12%.
2. 6%.
3. 15%
4. 12%
El valor esperado sería el sumatorio de las rentabilidades multiplicadas por su

probabilidad de suceder. La probabilidad de que «suceda» cada rentabilidad es de
0,25. Tenemos cuatro observaciones, cuatro años. Todos los años tienen la
misma probabilidad de repetirse.
Esperanza = ( 12 x 0,25 ) + ( 6 x 0,25 ) + ( 15 x 0,25 ) + ( 12 x 0,25 ) = 3 + 1,5 +

3,75 + 3 = 11,25%
Teniendo en cuenta esta información, diremos que la esperanza de la rentabilidad

del activo es del 11,25%.
MAT 370 -A
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDADES
GRUPO: 2A “INGENIERITAS”
INTEGRANTES:
1-. MERCADO OVANDO CAROL MELYSSA 219064539

2-. ESPINOZA MOCOÑO MARIEL 219062935
3-. FLORES ARIAS ALISON 219063133
4-. GALLARDO RODAS NORELLY 219070997
5-. ANDRADE SALVATIERRA MARIANA 219002738
6-. TERRAZAS CONDORI MELVY ESTELA 219067971
7-. BANEGAS FLORES CARLA ANDREA 219006385
MATERIA: MÉTODOS ESTADÍSTICOS MAT 370-“A”

DOCENTE: ING. FLAVIO CARREÑO HEVIAVACA
FACULTAD DE CIENCIAS EXACTAS Y TECNOLOGÍA

CARRERA DE INGENIERÍA CIVIL

SEM 2_2020
MAT 370 -A
OBJETIVOS ESPECÍFICOS:
Comprensión de los conceptos básicos
de probabilidad, sus propiedades
Identificación de los tipos de
distribución de probabilidad.
Comprensión del concepto de valor
esperado
CONTENIDO:
1. Introducción
2. Conjunto de los resultados posibles
3. Variables aleatorias
4. Probabilidad
5. Axiomas de la probabilidad
6. Probabilidad condicional e independencia
7. Distribuciones discretas de probabilidad
8. Distribuciones continuas de probabilidad
9. Esperanza o Valor esperado

SEM 2_2020
MAT 370 -A
1-. INTRODUCCIÓN
En la vida cotidiana aparecen muchas
situaciones en las que los resultados
observados son diferentes, aunque
las condiciones iniciales en las que se
produce la experiencia sean las
mismas. Por ejemplo, al lanzar una
moneda unas veces resultará cara y
otras cruz. Estos fenómenos,
denominados aleatorios, se ven
afectados por la incertidumbre.
La teoría de la probabilidad pretende ser
una herramienta para modelizar y tratar con situaciones de
este tipo.
El cálculo de probabilidad nos permite calcular el grado de fiabilidad o
error de las conclusiones obtenidas mediante inferencia estadística. La
probabilidad mide o cuantifica la incertidumbre que tenemos sobre el
resultado de un experimento aleatorio.
Se define un experimento aleatorio como cualquier proceso de

observaciones cuyos resultados son no determinísticos, es decir, que existe
más de una posibilidad de resultado.
2.CONJUNTO DE LOS RESULTADOS POSIBLES

En cualquier experimento aleatorio la primera cosa que nos preguntamos
es sobre lo que puede pasar. ¿Qué resultados puede ofrecer y cuáles no?
En este sentido, al conjunto formado por todos los posibles resultados
elementales de un experimento aleatorio se le denomina espacio muestral

SEM 2_2020
MAT 370 -A
de dicho experimento. A este conjunto de los resultados posibles se lo

denomina R, la lectura individual xi puede variar entre 0 y un valor máximo
U, así el conjunto R corresponde a los puntos x1 ,x2 , x3 …xn tal que:
0 ≦ xi ≦ U
Dependiendo de cómo sea este conjunto de los resultados posibles, los
espacios muestrales pueden ser:
 DISCRETO
Cuando R es un conjunto numerable, se subdivide en:
 Espacio muestral discreto finito: consta de un número
determinado de posibles resultados. Como, por ejemplo, al
lanzar un dado y ver qué cara sale, el espacio muestral serán
las seis caras de los dados R = {1,2,3,4,5,6}
 Espacio muestral discreto infinito: consta de un numero
infinito numerable de posibles resultados (por ejemplo, si el
experimento consiste en lanzar una moneda legal, hasta que
aparezca el primer sello, el espacio muestral es: R = {1, 2, 3, - -
-,n}; Ya que el resultado deseado puede ocurrir en la primera,
segunda, tercera, . . .,n tirada.)
 CONTINUO
Consta de un número infinito no numerable de posibles resultados.
(por ejemplo, el peso de una persona al azar)
3.VARIABLE ALEATORIA
Una variable aleatoria es una función que asocia un valor numérico a cada
posible resultado de un experimento aleatorio.
 VARIABLE ALEATORIA DISCRETA Una variable aleatoria es discreta
si toma un número finito o numerable de valores.
 VARIABLE ALEAORIA CONTINUA Una variable aleatoria es continua
si toma un número infinito no numerable de valores (por ejemplo,
en un intervalo de R).
Ejemplos
• X =“número de vehículos que pasan por un determinado lugar, en un
lapso finito de tiempo” es una variable discreta.
• Y = “la cantidad de lluvia caída en un año.” es una variable continua.

SEM 2_2020
MAT 370 -A
4.PROBABILIDAD
Sabemos que la naturaleza aleatoria del experimento impide predecir de
antemano el resultado que obtendremos al llevarlo a cabo. Es decir que
en cualquier experimento aleatorio siempre hay incertidumbre sobre si un
suceso especifico ocurrirá o no. Como medida de la oportunidad o
probabilidad con la que podemos esperar que un suceso ocurra es
conveniente asignar un número entre 0 y 1. Si estamos seguros de que el
suceso ocurrirá decimos que su probabilidad es 100% o 1, pero si estamos
seguros de que el suceso no ocurrirá decimos que su probabilidad es cero.
Por ejemplo, si la probabilidad es de 1/4, diríamos que hay un 25 % de
oportunidad de que ocurra y un 75% de oportunidad de que no ocurra.
Equivale a decir que la probabilidad contra su ocurrencia es del 75% al 25
% o de 3 a1.
En Probabilidad la pregunta se formula del siguiente modo:
¿Qué posibilidad hay de que tenga lugar cada uno de los
sucesos?
La respuesta exige un tercer elemento que nos
proporcione esa información: Una función de conjunto P
que a cada uno de ellos le asocie un valor numérico que
exprese la mayor o menor probabilidad o posibilidad de producirse
cuando se realiza el experimento. Esta función de conjunto se conoce
como medida de probabilidad o simplemente probabilidad.
Existen 2 procedimientos por medio de los cuales podemos obtener
estimativas para la probabilidad de un suceso:
1. Enfoque clásico o a priori. Si un suceso puede ocurrir en h maneras

diferentes de un número total de n maneras posibles, todos igualmente
factibles, entonces la probabilidad del suceso es h/n.
2. Enfoque como frecuencia relativa o a posteriori. Si después de n
repeticiones de un experimento, donde n es muy grande, un suceso
ocurre h veces, entonces la probabilidad del suceso es h/n.
Esto también se llama la probabilidad empírica del suceso.
En la ingeniería se nos presentan todos los días problemas a resolver que

les damos solución estableciendo patrones, estandarizando lo que se tiene
que hacer para resolverlos. Pero en ocasiones tenemos algunos problemas

SEM 2_2020
MAT 370 -A
que se salen de esa estandarización, siendo más complejos por la

dificultad de poder predecir su comportamiento cuando además se tiene
que considerar la interpretación de la naturaleza, que aparentemente no
tienen una solución a primera vista, se puede empezar a dar si se tienen
datos estadísticos que podemos analizar para determinar las tendencias
del problema a resolver y buscar mediante algún modelo probabilístico
común, pronosticar su comportamiento, con el uso del sentido común y
creatividad.
EJEMPLOS APLICADOS EN LA INGENIERIA CIVIL:
 Un ejemplo claro es la prueba de resistencia del concreto en los que
es indispensable tomar ciertos cuidados previos, durante y después
del desarrollo del proceso de vaciado del concreto, en donde la
aplicación de los conceptos de probabilidad y estadística, como es la
Distribución Normal Estándar son la
pequeña gran diferencia en que una
cimentación o una estructura sea de
la calidad requerida.
 También se lo aplica en
el análisis del tiempo de
transporte de los materiales. Estadísticas de entrega del material y
elementos importados.
 En el análisis y probabilidad del tiempo requerido para la
terminación de una obra.

SEM 2_2020
MAT 370 -A
5. AXIOMAS DE LA PROBABILIDAD
Los axiomas de probabilidad son las condiciones mínimas que deben
verificarse para que una función definida sobre un conjunto de sucesos
determine consistentemente sus probabilidades
La probabilidad puede ser definida como el número asociado a un
acontecimiento y que goza de ciertas propiedades llamadas axiomas del
cálculo de las probabilidades:
Si representamos por:
P la función de la probabilidad
P(A) la probabilidad de que suceda el evento A
P(A∪B) la probabilidad de que sucede A o B o ambos
P(A∩B) la probabilidad de que sucedan simultáneamente los eventos A y B
Los siguientes axiomas son válidos:
1) Para cada evento A, 0≤ P(A) ≤1
2) P(R)= 1 (probabilidad de un evento cierto o verdadero
3) P(∅)=0 (probabilidad de un vento imposible)
4) Si A y B son eventos mutuamente exclusivos entonces, P(A∪B) =
P(A)+ P(B) (dos eventos son mutuamente exclusivos cuando la
realización de uno impide la realización del otro).
De estos axiomas pueden ser deducidas dos propiedades importantes:
1 . Si A es el complemento del evento A, entonces: P(A)=1- P(A)

SEM 2_2020
MAT 370 -A
2. Si A y B son eventos cualesquiera, entonces: P(A∪B) = P(A) = P(B)- P(A∩B)
6.- PROBABILIDAD CONDICIONADA E INDEPENDENCIA. -

PROBABILIDAD CONDICIONADA. -
Sea (A, B) un espacio de probabilidad y sean A y B dos sucesos, con P(B) >
0, se define la probabilidad de A condicionada a B mediante la expresión.
𝑃 (𝐴 ∩ 𝐵)
P(A|B) =
𝑃(𝐵)
FORMULA
n° de cosas favorables de x
P(x)=
𝑛° 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
A la anterior expresión se la denomina probabilidad con toda justicia,

porque verifica los tres axiomas que definen el concepto de probabilidad,
como fácilmente puede comprobarse.
INDEPENCIA. –
La información previa que se nos proporcionó sobre el resultado del
experimento modificó la probabilidad inicial del suceso.
la misma que originalmente tenía A. Parecen existir situaciones en
las que la información previa no modifica la probabilidad inicial del
suceso. Observemos que este resultado tiene una consecuencia
inmediata.
P(A ∩ C) = P(A)P(C).
Esta es una situación de gran importancia en probabilidad que
recibe el nombre de independencia de sucesos y que generalizamos
mediante la siguiente definición.
Sucesos independientes
Sean A y B dos sucesos independientes si la probabilidad de uno de
ellos ocurra no depende de que haya ocurrido el otro.
De esta definición se obtiene como propiedad,
P(A|B) = P(A ∩ B) P(B) = P(A)P(B) P(B) = P(A)
y su simétrica P(B|A) = P(B).

SEM 2_2020
MAT 370 -A
Existe equivalencia entre ambas definiciones, aunque a fuerza de

ser rigurosos, hay que matizar que definir el concepto a partir de la
probabilidad condicional exige añadir la condición de que el suceso
condicionante tenga probabilidad distinta de cero.
7.- DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. –

Una distribución discreta describe la probabilidad de ocurrencia de cada
valor de una variable aleatoria discreta. Una variable aleatoria discreta es
una variable aleatoria que tiene valores contables, tales como una lista de
enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la
variable aleatoria discreta puede estar asociado con una probabilidad
distinta de cero. Por lo tanto, una distribución de probabilidad discreta
suele representarse en forma tabular (es cuando se realiza una tabla
donde se explicitan valores, números o datos).
Características de distribución de probabilidad discreta. –

 Es generada por una variable discreta (x).
 (x) es una variable que solo toma valores enteros como los números
naturales que van a partir de cero.
x= 0,1,2,3,4,5,6,7,8,…etc.
 Las probabilidades asociadas a cada uno de los valores que toma (x)
deben ser mayores o iguales a cero.
𝑃(𝑥) ≥ 0
 La sumatoria de las probabilidades asociadas a cada uno de los
valores que toma (x) debe ser igual a 1.
Σ 𝑃(𝑥) = 1
Si una variable aleatoria discreta “x” puede asumir los valores x 1, x2,…. xn,
con probabilidades p1, p2...pn donde:

SEM 2_2020
MAT 370 -A
Σ 𝑃𝑖 = 1 𝑦 𝑃𝑖 ≥ 0
Entonces la variable aleatoria define una distribución discreta de
probabilidad para “x”.
La función de distribución acumulada es representada por la relación:
𝐹 (𝑏) = Σ 𝑃𝑖
𝑥𝑖 ≤ b
La función de distribución acumulativa especifica la probabilidad de que
una variable aleatoria sea menor o igual a un valor dado.
2 propiedades importantes son:
 Los valores de F(x) se encuentran siempre en este intervalo:
0 ≤ F(x) ≤ 1.
 F(x) no es una función decreciente.
Ejemplo. -
Vamos a considerar la variable aleatoria “x” como correspondiendo a la
suma de puntos del lanzamiento de dos dados, pudiendo asumirlos a la
suma de puntos del lanzamiento de dos dados, pudiendo asumir los
valores 2,3, 4,….12. Por intuición sabemos, que las respectivas
probabilidades son:
En caso de lanzar los dados en 36 ocasiones, obtengo los siguientes
resultados:
P (2) =P (12) = 1/36
P (3) =P (11) = 2/36
P (4) =P (10) = 3/36
P (5) =P (9) = 4/36
P (6) =P (8) = 5/36
P (7) = 6/36
La representación gráfica de la distribución “x” será como de las Figuras:

SEM 2_2020
MAT 370 -A
¿Cómo calcular la distribución de probabilidad discreta?

La podemos calcular mediante dos operaciones que son:
 La media
 Desviación estándar para una distribución discreta.
Media. -
 También se le conoce como valor esperado, en una distribución de
probabilidad.
 Registra la ubicación central de los datos.

SEM 2_2020
MAT 370 -A
 Es el valor promedio a largo plazo de la variable de la variable

aleatoria.
Formula:
𝜇 = Σ [ 𝑥 𝑃 (𝑥 ) ]
Donde:
- 𝜇 = 𝑅𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎
- 𝑃 (𝑥 ) = 𝐸𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 (𝑥 )𝑎𝑠𝑢𝑚𝑎 𝑎𝑙𝑔ú𝑛 𝑣𝑎𝑙𝑜𝑟.
Desviación Estándar:
 También se le conoce como varianza.
 La varianza mide el tamaño de la dispersión de una distribución.
 La varianza de una distribución es representada por sigma al
cuadrado.
 La desviación estándar en la raíz cuadrada de la varianza.
Formula:
𝜎 2 = Σ [(𝑥 − 𝜇 )2 𝑃(𝑥 )]
Donde:
- 𝜎 2 = 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎.
- 𝑥 = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑞𝑢𝑒 𝑡𝑜𝑚𝑎 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑥.
- 𝑃 (𝑥 ) =
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑎 𝑐𝑎𝑑𝑎 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑞𝑢𝑒 𝑡𝑜𝑚𝑎 (𝑥 ).
8.-DISTRIBUCIONES CONTINUAS DE PROBABILIDAD.

Una distribución continua describe las probabilidades de los posibles
valores de una variable aleatoria continua. Una variable aleatoria continua
es una variable aleatoria con un conjunto de valores posibles (conocido
como el rango) que es infinito y no se puede contar. Estas suponen la
existencia de cada valor entre medio posible entre dos números.
Se dice que es continua, si su función de distribución es continua, es decir
corresponde a F(b), puede ser representada de la forma:
𝑏
∫ 𝑓 (𝑥 )𝑑𝑥
−∞

SEM 2_2020
MAT 370 -A
9.- ESPERANZA O VALOR ESPERADO

La esperanza matemática, también llamada valor esperado, media
poblacional o media de una variable aleatoria X, es el valor medio del
conjunto de datos que tenemos para analizar, es decir que si tenemos
recopilados un conjunto de datos de sucesos, el valor esperado será la
media de dichos datos.
El valor esperado puede ser definido por
𝑁
𝐸 (𝑥 ) = ∑ 𝑥𝑖 𝑝(𝑥𝑖 )
𝑖=1
Dónde:
 X = valor del suceso.

 P = Probabilidad de que ocurra.
 i = Periodo en el que se da dicho suceso.
 N = Número total de periodos u observaciones
𝐸 (𝑥 ) = 𝑥1 𝑃(𝑥1 ) + 𝑥2 𝑃(𝑥2 ) + 𝑥3 𝑃 (𝑥3 ) … + 𝑥𝑛 𝑃 (𝑥𝑛 )
Es decir, le valor esperado será la sumatoria del valor del suceso por la
probabilidad de que ocurra ese suceso.
La esperanza matemática se utiliza en todas aquellas disciplinas en las que
la presencia de sucesos probabilísticos es esencial en las mismas.
Disciplinas tales como la estadística teórica, la física cuántica, la
econometría, la biología o los mercados financieros. Una gran cantidad de
procesos y sucesos que ocurren en el mundo son inexactos. Es lo que
esperamos que suceda, pero no podemos confirmarlo. Todo se basa en
probabilidades, no en certezas.

SEM 2_2020
MAT 370 -A

SEM 2_2020
MAT370 U.A.G.R.M
UNIVERSIDAD AUTONOMA GABRIEL RENE MORENO

FACULTAD DE CIENCIAS EXCTAS Y TECNOLOGIA
DOCENTE: ING. CARREÑO HEVIAVACA FLAVIO

MATERIA: METODOS ESTADISTICOS
SIGLA: MAT 370
TEMA: DISTRIBUCION DE PROBABILIDADES DISCRETAS

NOMBRE DEL GRUPO: AREA 51
INTEGRANTES:
HOYOS CESPEDES WILFREDO 212039441

URQUIZO CARLA ANDREA 214065448
TAMBO REINAGA CRISTHIAN JOE 218052693
GUZMAN FERNANDEZ DANIEL 212173634
RAMOS ARROYO JHERSSON DAVID 210063858
CANAVIRI COLQUE ALEX 218144148
MUÑOS LLANOS KAREN CORALIA 214017745
MAT370 U.A.G.R.M
INDICE
 INTRODUCION…………………………………………………………………………………
 QUE ES LA PROBABILIDAD……………………………………………….....
 QUE ES LA PROBABILIDAD (EN ESTADISTICAS) ……………………
 QUE ES UNA DISTRUBUCION DISCRETA………………………………
 OBJETIVOS……………………………………………………………………………………………….
 VARIABLES DISCRETAS……………………………………………………………………………
 DISTRIBUCION BINOMIAL……………………………………………………………
 DISTRIBUCION DE POISON …………………………………………………………
 DISTRIBUCION HIPERGEOMETRICA ……………………………………………..
 DISTRIBUCION GEOMETRICAS……………………………………………………..
 DISTRIBUCION DE PASCAL……………………………………………………………
 CONCLUSIONES ………………………………………………………………………………………..
 BIBLIOGRAFIA ……………………………………………………………………………………………
MAT370 U.A.G.R.M
DISTRIBUCION DE PROBABILIDADES DISCRETAS
INTRODUCCION
¿QUÉ ES LA PROBABILIDAD?
La probabilidad es una medida de la

certidumbre asociada a un suceso o
evento futuro, y suele expresare
como un numero entre 0 y 1, o entre
0 porciento 100 porciento. Es
simplemente qué tan posible es que
ocurra un evento determinado.
¿QUÉ ES PROBABILIDAD? (EN ESTADISTICA)

La probabilidad es simplemente qué tan posible es que ocurra un evento determinado. Cuando
no estamos seguros del resultado de un evento, podemos hablar de la probabilidad de ciertos
resultados: qué tan común es que ocurran o si suceden seguido.
Por ejemplo suponemos que tenemos 9 cartas enumeradas del 1 al 9, ¿Cuál es la probabilidad de
sacar la carta con el numero 9?
*La probabilidad de que obtengamos la carta numero 9

P(x=1)= (1/9)1 x (8/9)0 = 1/9 = 0,111
*La probabilidad de que no obtengamos la carta numero 9

P(x=0)= (1/9)0 𝑥 (8/9)1 = 8/9 = 0.888
El propósito de este tema es el de presentar las distribuciones estandarizadas más importantes,

siendo que en este estudiaremos las Distribuciones discretas de probabilidad.
¿QUE ES UNA DISTRIBUCION DISCRETA?
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable
aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene valores
contables, tales como una lista de enteros no negativos.
MAT370 U.A.G.R.M
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
distribución de probabilidad discreta suele representarse en forma tabular.
OBJETIVOS.
 Conocer la teoría de la probabilidad

 Aprender su aplicación
 Compartir conocimientos a través de la tecnología
¿QUÉ ES UNA VARIABLE DISCRETA?

Una variable discreta es aquella variable numérica que solamente puede asumir ciertos valores.
Su característica distintiva es que son contables, por ejemplo, bolsas de cemento, ladrillos de una
construcción, etc.
Una variable discreta siempre es numérica.
Principalmente se divide en 3:
 Distribución binomial
 Distribución poisson
 Distribución hipergeometrica
DISTRIBUCION BINOMIAL
La distribución binomial es una distribución de probabilidad discreta que cuenta el número de

éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí, considerando la
posibilidad de éxito o fracaso. Un experimento de Bernoulli se caracteriza por ser dicotómico,
esto significa, que solo dos resultados son posibles. A uno de estos se denomina «éxito» y tiene
una probabilidad p y al otro, «fracaso», con una probabilidad q = 1 – p
La probabilidad de obtener éxito o fracaso siempre es la misma en cada ocasión.

La distribución binomial suele representarse por:
X~B(n,p)
Considerando la sucesión de experimentos pudiendo que en cada uno de ellos suceda algo o no,
estos experimentos pueden comprender por ejemplo: la descarga de 100 bolsas de cemento en
una ferretería, suponiendo que el trabajador que se encarga de descargar está cansado, va
descargar de la manera más brusca, y en consecuencia, las bolsas van a resultar dañadas.
Probabilidad de que 50 estén sanas
MAT370 U.A.G.R.M
B(n, p)
B (100, 0.5)
Probabilidad de obtener 50 bolsas sanas
Resumiendo, que es lo que caracteriza una distribución binomial:
 Que la variable “X” sea discreta
 Que los resultados del experimento sean dicotomizados (que solo sean dos opciones)
Ejm.- Cara o escudo, etc.
 Que la probabilidad de que suceda un evento “P” sea constante
DISTRIBUCIONES DE POISSON
En teoría la distribución de Poisson es una distribución de probabilidad discreta que expresa, a
partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado
número de eventos durante cierto período de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o sucesos
Cuando una distribución Binomial, tiene un tamaño de muestra (N) muy grande y la probabilidad
de que suceda el evento (P) es muy pequeña, permaneciendo infinito o no – nulo el producto, la
probabilidad de (x) suceso en una muestra (N), más exactamente, llamada una distribución de
poisson, La distribución de poisson posee una expresión.
𝑒 −𝜇.(𝜇)𝑥
Expresión → 𝑝(𝑋 = 𝜆) = x!
Ejemplo:
Si el 2% de ladrillos en una CONSTRUCCION tiene ladrillos defectuosos, obtener la probabilidad
de que 5 de cada 400 ladrillos tengan ladrillos defectuosos.
(X, se puede encontrar como k en algunos libros)
¡Desarrollo del ejemplo!
K=5, 𝛌=400(0.02)= 8
𝑒 −8 .(8)5
P (5;8)= = 0.092
5!
La distribución de poisson, también llamada DISTRIBUCION DE LOS EVENTOS RAROS,

comprende un caso límite de la
Binomial, A medida en que el valor de (p) disminuye, La distribución de poisson, puede ser usada
mejor que la Binomial, cuando se hace una aproximación de esta última, desde que
n.p≤15 y p˂0,10
MAT370 U.A.G.R.M
La distribución de poisson es muy usada en situaciones donde la PROBABILIDAD DE QUE SUCEDA

ES MUY PEQUEÑA, pero ocurre repetidamente, como por EJEMPLOS
La llegada de 2 aviones en un determinado minuto del día en un aeropuerto *su probabilidad es
muy pequeña pero ocurre repetidamente
Entre otros ejemplos, Poisson ha sido empleada en centrales telefónicas en distribuir las llamadas
de los usuarios
En el campo de la ingeniería sanitaria, *en el ser usadas en el estudio* de *LLEGADAS*, como

por EJEMPLO
De clientes a una ventanilla o caja registradoras.
De automóviles en un puesto de gasolina o cruzamiento.
De pacientes en un hospital.
DISTRIBUCION HIPERGEOMETRICA
La distribución hipergeometrica es una distribución discreta que modela el número de eventos
en una muestra de tamaño fijo cuando usted conoce el número total de elementos en la
población de la cual proviene la muestra.
MAT370 U.A.G.R.M
Se puede decir entonces que hay dos factores que se deben cumplir para poder diferenciarla de
una distribución binomial, tiene que ser un número fijo y no amplio, se utiliza para calcular la
probabilidad de una selección aleatoria de un objeto sin repetición
Es una distribución fundamental en el estudio de muestras pequeñas de poblaciones pequeñas
y en el cálculo de probabilidades de juegos de azar. Tiene grandes aplicaciones en el control de
calidad para procesos experimentales en los que no es posible retornar a la situación de partida.
Las consideraciones a tener en cuenta en una distribución hipergeométrica:
 El proceso consta de "n" pruebas, separadas o separables de entre un conjunto de "N"

pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos resultados mutuamente
excluyentes.
 El número de individuos que presentan la característica A (éxito) es "k".
En estas condiciones, se define la variable aleatoria X = “nº de éxitos obtenidos”. La función de

probabilidad de esta variable sería:
Usando la formula descrita arriba procederemos a realizar un ejercicio:

Se tienen 20 trabajadores en una obra de construcción, seleccionan a 13 para continuar en la
siguiente obra, 7 de los
Trabajadores son de bajo rendimiento. ¿Cuál es la probabilidad de contratar a 4 que tengan bajo
rendimiento?
N= 20 trabajadores
K= 13 seleccionados
n = 7 bajo rendimiento
X= 4
13 * 20-13
4 7-4 = 715*35 = 0.32
MAT370 U.A.G.R.M
20 77520
7
RECOMENDACIÓN: • La distribución HIPERGEOMÉTRICA es especialmente útil en todos aquellos

casos en los que se extraigan muestras o se realizan experiencias repetidas sin devolución del
elemento extraído o sin retornar a la situación experimental inicial. CONCLUSIÓN:  El número
de repeticiones del experimento (n) es constante.  Las probabilidades asociadas a cada uno de
los resultados no son constantes.
Distribución Geométrica
Cuando en una sucesión de pruebas queremos saber el número de la prueba en el que ocurre el
primer éxito y si se cumple que:
• Existen solamente dos resultados posibles en cada ensayo, llamado arbitrariamente,
éxitos y fracasos.
• La probabilidad de un éxito, representado por p permanece constante en todos los
intentos.
• Todos los n intentos repetidos son independientes.
Se cumplen las mismas suposiciones que la distribución binomial excepto que n no es fijo.
• Si en pruebas independientes repetidas puede resultar un éxito en una probabilidad p y
en un fracaso con una probabilidad q = 1-p
• Entonces la distribución de probabilidad de la variable aleatoria x (número de la prueba
en la cual ocurre el primer éxito) es la distribución geométrica.
P (x, p) = 𝑝(1 − 𝑝)𝑥−1
Ejemplo:
• Si la probabilidad de un tirador experto dé en el blanco es del 95%
• ¿Cuál es la probabilidad que falle por primera vez en el décimo quinto disparo?
Datos Solución
𝑥 = 15 𝑃(𝑥, 𝑝) = 𝑝(1 − 𝑝)(1 − 𝑝)𝑥−1
𝑝 = 0,05 𝑃(𝑥 = 15) = 0.05(1 − 0.05)15−1 = 0.05(0.95)14
𝑃(𝑥 = 15) = 0.0244
La probabilidad de que falle por primera vez en su décimo quinto tiro es del 2.44 %
Distribución de Pascal
*Se le llama Pascal en honor al matemático Francés Blaise Pascal.
MAT370 U.A.G.R.M
* En 1654 junto a Pierre de Fermat formulo la teoría matemática de la probabilidad fundamental

en los campos de física moderna.
Características
• Es una distribución de probabilidad discreta.
• Generalización de la geométrica.
• se utiliza el proceso en los cuales se necesita la repetición de ensayos hasta conseguir un
número de resultados exitosos y no solo el primer éxito como en la geométrica.
• La variable aleatoria en esta distribución se presenta el número de ensayos necesarios
para obtener el r`esimo éxito si en cada ensayo se obtiene la misma probabilidad
• Sus parámetros son:
E(x) = r/p
V(x) = rq/𝑝2
Su función densidad es:
𝑥 − 1 𝑟 𝑥−𝑟
𝑃 (𝑥 ) = [ ].𝑝 .𝑞
𝑟−1
Ejemplo
Una tropa de niñas vendedoras venden galletas casa por casa, buscan vender 5 cajas al día la
probabilidad de vender una caja por casa es del 40%
• ¿Cuál es la posibilidad de que tengan que visitar exactamente solo 8 casas?
x = números de casas que tienen que visitar para poder vender las 5 cajas
r=5
p= 0.4
• Resolviendo
𝑥−1
• 𝑃(𝑥 = 𝑥 ) = (𝑟−1 ) . 𝑝𝑟 . (1 − 𝑝)𝑥−𝑟
8−1
• 𝑃(𝑥 = 8) = (5−1) . 0.45 . (1 − 0.4)8−5
7
• 𝑃(𝑥 = 8) = 4. (0.4)5 . (0.6)3
• 𝑃(𝑥 = 8) = 0.0774
La probabilidad de que tengan que visitar solo 8 casas es del 7.74%
CONCLUSION
MAT370 U.A.G.R.M
Una vez desarrollado el tema sobre probabilidades se puede llegar a las siguientes conclusiones:
A través de esas construcciones teóricas, se podrá experimentar sobre aquello que la realidad no
permitía; se usa extensamente en áreas como la estadística, la física, la matemática, la ciencia
para lograr conclusiones sobre la probabilidad de sucesos potenciales en sistemas complejos.
Debido a la necesidad de modelar lo observable la probabilidad constituye un importante
parámetro en la determinación de las diversas casualidades obtenidas tras una serie de eventos
esperados dentro de un rango estadístico; un modelo resulta extremadamente útil, siempre que
se corresponda con la realidad que pretende representar o predecir; por ello es necesario
conocer cada distribución de la probabilidad en el casos especifico, sus usos y formas de
aplicarlas. Asimismo la probabilidad mide la frecuencia con la que se obtiene un resultado (o
conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los
resultados posibles, bajo condiciones suficientemente estables.
BIBLIOGRAFIA
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
https://es.slideshare.net/alexanderfloresvalencia/distribucion-
hipergeometrica-28097904
https://www.youtube.com/watch?v=PCt4vvWnRlc
https://www.youtube.com/watch?v=DvhMwb89YW0
UNIVERSIDAD AUTONOMA GABRIEL
RENE MORENO
FACULTAD DE CIENCIAS EXACTAS Y
TECNOLOGIA
CARRERA Ing. Civil
DISTRIBUCION DISCRETA DE PROBABILIDADES

GRUPO: INMUNES 2020
MATERIA: METODOS ESTADISTICOS
DOCENTE: ING FLAVIO CARREÑO HEVIAVACA
SIGLA: MAT-370
INTEGRANTES:
1.- Patiño Falon Jose Ivan
2.- Miranda Astorga Yvan
3.- Senzano Kevin Emanuel
4.- Quichu Arancibia Maycol
5.- Davalos Arriaran Silverio
6.- Bruno Mariscal Bismarck
SANTA CRUZ-BOLIVIA 19-01-2020
DISTRIBUCION DISCRETA DE PROBALIDADES
 DEFINICION:
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una

variable aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que
tiene valores contables, tales como una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
distribución de probabilidad discreta suele representarse en forma tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo,
puede utilizar la distribución discreta de Poisson para describir el número de quejas de
clientes en un día. Supongamos que el número promedio de quejas por día es 10 y usted
desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un día.
x P (X = x)
5 0.037833
10 0.12511
15 0.034718
también puede visualizar una distribución discreta en una gráfica de distribución para
ver las probabilidades entre los rangos.
Gráfica de distribución del número de quejas de clientes

Las barras sombreadas en este ejemplo representan el número de ocurrencias cuando
las quejas diarias de los clientes son 15 o más. La altura de las barras suma 0.08346; por
lo tanto, la probabilidad de que el número de llamadas por día sea 15 o más es 8.35%.
El propósito de este tema es el de presentar las distribuciones estandarizadas más

importantes, siendo que en este estudiaremos las Distribuciones discretas de
probabilidad.
 PRINCIPALES DISTRIBUCIONES DE UNA VARIABLE ALEATORIA DISCRETA
 DISTRIBUCION UNIFORME DISCRETA

 DISTRIBUCION BINOMIAL
 DISTRIBUCION HIPERGEOMETRICA
 DISTRIBUCION GEOMETRICA
 DISTRIBUCION DE PASCAL O DISTRIBUCION BINOMIAL NEGATIVA
 DISTRIBUCION DE POISSON
 DISTRIBUCION UNIFORME DISCRETA

Introducción:
Decimos que una variable aleatoria discreta (X) tiene distribución uniforme cuando la
probabilidad en todos los puntos de masa probabilística es la misma; es decir, cuando
todos los posibles valores que puede adoptar la variable (x1,x2,...,xk) tienen la misma
probabilidad.
Pongamos el socorrido pero útil caso del lanzamiento de un dado. Si definimos una
variable aleatoria (X) como el número resultante tras su lanzamiento, los valores que
puede tomar esa variable aleatoria son {1, 2, 3, 4, 5, 6}. Pues bien, esa variable aleatoria
tiene distribución uniforme si, como es el caso, la probabilidad es la misma para cada
uno de los resultados posibles.
Representación grafica
En vista de lo dicho, la función de cuantía de una variable aleatoria discreta con

distribución uniforme será:
En nuestro sencillo ejemplo del lanzamiento de un dado, la función de cuantía, es
decir, la probabilidad de que salga un resultado determinado será:
La representación gráfica de la función de cuantía es muy sencilla e inmediata.

Suponiendo que x1 < x2 < x3 <.......< xk
Si lanzamos un dado de 6 caras una sola vez

X= resultado de lanzar un dado de 6 caras una sola vez
La probabilidad de que salga los valores es la misma como son 6 valores la probabilidad
será de 1/6, eso quiere decir que es una variable aleatoria, pueden tomar valores del 1
al 6, valores enteros, no puede tomar valores intermedios como 1,5 etc.
valores probabilidad
x=1 1/6
x=2 1/6
x=3 1/6
x=4 1/6
x=5 1/6
x=6 1/6
Esto es una probabilidad uniforme, todos tienen la misma probabilidad de ocurrir

Propiedad de la probabilidad uniforme discreta
𝟏
𝒇(𝒙) = , n= son todos los valores posibles
𝒏
Esperanza o media varianza
 DISTRIBUCION BINOMIAL
Introducción:
La distribución binomial está asociada a experimentos del siguiente tipo:
– Realizamos n veces cierto experimento en el que consideramos sólo la posibilidad de

éxito o fracaso.
– La obtención de éxito o fracaso en cada ocasión es independiente de la obtención de

éxito o fracaso en las demás ocasiones. Siendo p la probabilidad de éxito y q la
probabilidad de fracaso (q=1-p)
– La probabilidad de obtener éxito o fracaso siempre es la misma en cada ocasión.

La distribución binomial se suele representar por B(n, p).
Siendo n el número de intentos y p la probabilidad de éxito.
Distribución binominal por formula
Siendo:
N es el número de pruebas
k es el número de éxitos
p es la probabilidad de éxitos
q= 1-p es la probabilidad de fracaso
Distribución binominal por tabla
Supongamos que lanzamos al aire una moneda trucada. Con esta moneda la
probabilidad de obtener cara es del 30%. La probabilidad que salga cruz será, pues, del
70%. Lanzamos la moneda 10 veces de manera consecutiva. Si queremos calcular la
probabilidad de que observemos 6 caras o menos nos fijamos en la tabla: localizamos
n=10, x=6, p=0.3 y buscamos la intersección: 0.9894
Ejemplos:
1) Un jugador encesta con probabilidad 0.55. Calcula la probabilidad de que al tirar 6

veces enceste:
a) 4 veces. b) todas las veces c) ninguna vez
B (n, p) → B (6.055)
N=6 p=0.55 q=1-0.55= 0.45
6
a) P (x=4) =(4) 0,554 * 0,452 = 15 * 0,554 * 0,452 = 0,2779
6
b) P (x=6) =(6) 0,556 * 0,450 = 1 * 0,556 * 0,450 = 0,0277
6
c) P (x=0) =(0) 0,550 * 0,456 = 1 * 0,550 * 0,456 = 0,0083
2) Un jugador marca el 85% de los penaltis que intenta. Si lanza 8 penaltis calcular la
probabilidad de
a) Marque más de 6 penaltis

b) Marque al menos 6 penaltis
B (n, p) → B (8.085)
85
N=8 p= = 0.85 q=1-p= 0.15
100
a) P (x>6) = P(x=7) + P(x=8) = 0,3847 + 0,2725= 0,6572

8
P (x=7) =(7) 0,857 * 0,151 = 0,3847
8
P (x=8) =(8) 0,858 * 0,150 = 0,2725
b) P (x>6) = P(x=6) + P(x=7) + P(x=8) = 0,2376+0,3847+= 0,2725= 0,8948

8
P (x=6) =( ) 0,856 * 0,152 = 0,2376
6
3) La probabilidad de que un tirador acierte en el blanco es de1/4. Si tira 5 veces
calcular la probabilidad de
a) Que acierte como máximo 2 veces

b) Que acierte alguna vez
B (n, p) → B (5.025)
1
N=5 p=4= 0.25 q=1-p= 0.75
a) P (x≤2) = P(x=0) + P(x=1) + P(x=2) = 0,2373+0,3955+2657= 0,8965

5
P (x=0) =(0) 0,250 * 0,755 = 0,2373
5
P (x=1) =(1) 0,251 * 0,754 = 0,3955
5
P (x=2) =(2) 0,252 * 0,753 = 0,2657
b) P (x≥1) = 1-P(x=0)= 1-0,2373= 0,7627
 DISTRIBUCION HIPERGEOMTRICA
Introducción:
En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta

relacionada con muestreos aleatorios y sin reemplazo.
Esta distribución normalmente se plantea que de una población o conjunto “N”, se

extrae una muestra “N”, dentro de la cual se espera que “x” veces ocurra un evento que
también está ocurriendo “K” veces en la población.
La función de probabilidad de una variable aleatoria con distribución hipergeométrica

puede deducirse a través de razonamientos combinatorios y es igual a;
𝒌 𝑵 −𝒌
( )( )
𝒑(𝒙 = 𝒌) = 𝒙 𝒏 −𝒙
𝑵
( )
𝒏
𝑁 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑛 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑘 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑞𝑢𝑒 𝑐𝑢𝑚𝑝𝑙𝑒𝑛 𝑢𝑛𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎 𝑑𝑒𝑠𝑒𝑎𝑑𝑎
𝑥 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠
Aplicaciones
 Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones

relativamente pequeñas, sin reemplazo.
 Se utiliza en la prueba exacta de Fisher para probar la diferencia entre dos
proporciones y en muestreos de aceptación por atributos, cuando se toman
muestras de un lote aislado de tamaño finito
Ejemplos. -
En una urna hay un total de 12 objetos de los cuales 3 son defectuosos, si se

seleccionaron 4 objetos al azar ¿Cuál es la probabilidad de 2 sean defectuoso?
Datos:
N = 12
K=3
n=4
x=2
Desarrollo
𝟑 𝟏𝟐 −𝟑 𝟑 𝟗
( )( ) ( )( ) (𝟑)(𝟑𝟔)
𝒑(𝒙 = 𝟐) = 𝟐 𝟒 −𝟐 𝒑(𝒙) = 𝟐 𝟐 𝒑(𝒙) =
𝟏𝟐 𝟏𝟐 (𝟒𝟗𝟓)
( ) ( )
𝟒 𝟒
̅̅̅̅
= 𝟎. 𝟐𝟏𝟖
𝑷 = 𝟐𝟏. 𝟖%
3 3! 6 6
( )= = = = 3
2 2! (3 − 2)! 2! × 1! 2
9 9! 362880 362880
( )= = = = 36
2 2! (9 − 2)! 2! × 7! 10080
12 12! 479001600 479001600

( )= = = = 495
4 4! (12 − 4)! 4! × 8! 967690
 DISTRIBUCION GEOMETRICA
Introducción:
En la distribución geométrica lo que se busca es el número de pruebas necesarias para
que ocurra un éxito, es decir el experimento consiste en una serie de pruebas, las
cuales concluyen cuando un éxito es observado
Para que esto se lleve cabo, es necesario que se cumplan las siguientes condiciones:
• Existen solamente 2 posibles resultasen cada ensayo, llamados arbitrariamente

éxitos o fracasos.
• La probabilidad de un éxito representada por “p” permanecerá constante en
todos los intentos
• Todos los “n” intentos repetidos son independientes
Función de probabilidad por distribución geométrica

Para que todo esto suceda debemos tener en cuenta la siguiente formula, donde cada
variable representa lo siguiente:
x = número de intentos que realizaremos en el ensayo. este puede ser x= 1, 2, 3, …, n
p = el porcentaje de probabilidad de que el éxito suceda. Este se representa en

porcentaje, pero a la hora de calcular se lo transforma en un número que este entre el
(0-1) por ejemplo, si tenemos 5%, lo convertiremos en 0,05 para los respectivos
cálculos.
P (x=n) = esta es nuestra incógnita, la cual será representada con números dentro del
intervalo de (0-1), nosotros debemos convertirlo a porcentaje.
P(x=n) = p(1-p)x-1
Ejemplo:
Si la probabilidad de que un tirador experto de en el blanco es del 95. ¿Cuál es la

probabilidad de que falle por primera vez en su decimoquinto disparo?
Analizando este problema tenemos en cuenta que cumple con las 3 condiciones, ya
que solo tenemos éxitos o fracasos, cada disparo es independiente, la probabilidad de
éxito “p” es constante, en este caso del 95%.
Entonces tendremos los siguientes datos:
X = 15 (el número de disparos)
p = 0.05 (como el porcentaje de éxito es del 95%, y nosotros buscamos el fracaso,
usaremos el porcentaje restante o sea 5%)
 DISTRIBUCION DE PASCAL O DISTRIBUCION BINOMIAL NEGATIVA
Introducción:
La distribución de Pascal debe su nombre al matemático francés Blaise Pascal (1623-
1662), uno de los matemáticos que creó las bases de la teoría de la probabilidad.
El número de pruebas necesarias para obtener r éxitos, siendo p la probabilidad de éxito,
es una variable aleatoria que sigue una distribución Pascal de parámetros r y p.
Esta distribución corresponde a una generalización de la distribución geométrica. Vamos
a suponer que un experimento sea continuado, hasta que un determinado evento A
ocurra r veces (en la distribución geométrica r=1).
Si P(A) = p y P (A) = q, en cada repetición x puede ser definido como siendo el número
de repeticiones necesarias para que A ocurra exactamente r veces, y su función densidad
es:
 x  1 r x r
P( x)    p q
 r  1 
X= el # de repeticiones necesarias para un evento suceda

Si en esta expresión hacemos r = 1, tendremos la relación correspondiente a la función
densidad de la distribución geométrica.
Los parámetros de la distribución pascal son:
La distribución pascal puede utilizarse para moldear cualquier proceso de Bernoulli

donde nuestra variable aleatoria es la cantidad de veces que repetimos el experimento:
 La cantidad de repeticiones del experimento, la definimos como la variable x

 La cantidad de éxitos esta fija de antemano, por lo que es un parámetro en esta
distribución. Se denota con r
 La probabilidad de éxito en una repetición del experimento dicotómico es el
parámetro p
En resumen
Variables aleatorias de interés: parámetros

X (la cantidad de repeticiones) r (la cant. De éxitos requeridos)
P (la probabilidad de ocurrencia)
Variable discreta
Valor esperado varianza
V  x   rq / p2
E  x  r / p
𝑟(1 − 𝑝)
𝑉(𝑥) =
𝑝2
Aplicación
El uso de esta distribución se usa en el campo de ingeniería para hallar la probabilidad

de éxito en un proyecto antes de invertir en pruebas y llegar a un punto ya quiebre
para dicho proyecto.
Ejemplo:
Si la probabilidad de que suceda A es 80%. Cuál es el # esperado de repeticiones
necesarias para obtener 4 veces ese evento.
R
P= 80% E  x 
P
R= 4 4
E  x 
0.8
E  x   5 rep.
Ejemplo
Una tropa de niñas vendedoras vende galletas casa por casa, buscan vender 5 cajas al
día la probabilidad de vender una caja por casa es del 40%
¿Cuál es la posibilidad de que tengan que visitar exactamente solo 8 casas?
x = números de casas que tienen que visitar para poder vender las 5 cajas
r=5
p= 0.4
• Resolviendo
𝑥−1
• 𝑃(𝑥 = 𝑥) = ( 𝑟−1) . 𝑝𝑟 . (1 − 𝑝)𝑥−𝑟
8−1
• 𝑃(𝑥 = 8) = (5−1) . 0.45 . (1 − 0.4)8−5
7
• 𝑃(𝑥 = 8) = 4. (0.4)5 . (0.6)3
• 𝑃(𝑥 = 8) = 0.0774
La probabilidad de que tengan que visitar solo 8 casas es del 7.74
Ejemplo:
Se sabe que la probabilidad de un niño que expuesto a una enfermedad contagiosa es

del 0,4. calcule la probabilidad de que el décimo niño estudiado sea el tercero en
contraer la enfermedad.
𝑥 = 10
𝑝 = 0.4
𝑟=3
𝑥−1 𝑟
Para 𝐹(𝑥) = ( ) 𝑝 (1 − 𝑝)𝑥−𝑟
𝑟−1
Reemplazando datos
9
𝐹(𝑥) = ( ) (0.4)𝑟 (1 − 0,4)7
2
Realizando los cálculos 𝐏(𝒙) = 𝟎, 𝟎𝟔𝟒𝟓
Valor media
𝑟 3
𝐸(𝑥) = = = 7,5
𝑝 0,4
Varianza
𝑟(1 − 𝑝) 3(0,6)
𝑉(𝑥) = = = 11,25
𝑝2 (0,4)2
 DISTRIBUCION DE POISSON
Introducción:
En la estadística se bautiza con el nombre de la distribución de poisson a la fórmula o
datos
constantes, con cada cierto rango de tiempo o de unidad para calcular un hecho
probable,
el nombre de poisson se debe al francés poisson que aplica esta fórmula para el estudio
de
las probabilidades de cada cierta unidad que ocurre algún dato constante.
Datos o forma para trabajar con Poisson

1. " k " es el número de ocurrencias del evento o fenómeno (la función nos da la
probabilidad de que el evento suceda precisamente k veces).
2. " λ " es un parámetro positivo que representa el número de veces que se espera que
ocurra el fenómeno durante un intervalo dado. Por ejemplo, si el suceso estudiado
tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad
de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de
distribución de Poisson con λ = 10×4 = 40.
3. " e " es la base de los logaritmos naturales (e = 2,71828…)
Valor constante de confianza:
estos datos son las unidades que tomamos en cuenta cuando tenemos un valor
definido de
unidad o un número dado, en cada tiempo no son más que los valores constantes
dados
para trabajar en los cálculos de las probabilidades de Poisson.
Cuando se practica cada intervalos o número en una función, en repetidas ocasiones y
no
hay falló por as de la unidad, entonces el equilibrio o distribución de poisson, funciona.
Ejemplo de distribución de poisson
Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa,

para
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribución de Poisson. En este caso
concreto, k
es 5 y λ —el valor esperado de libros defectuosos—, es el 2% de 400, es decir, 8. Por lo
tanto, la probabilidad buscada es:
La probabilidad es del 0,092

- Referencias
https://www.sergas.es/Saude-publica/Epidat-4-1--13--Distribuci%C3%B3ns-de-probabilidade
https://www.youtube.com/watch?v=nGca92W6f98
https://www.youtube.com/watch?v=DvhMwb89YW0
https://www.profesor10demates.com/2014/04/la-distribucion-binomial-o-de-
bernoulli_3.html
https://www.youtube.com/watch?v=1ORBCrcRk_g&list=PLunRFUHsCA1zYeaUZH-
fhD7rVhWmv_1LE
https://www.youtube.com/watch?v=fsrzbhBiz3w
https://www.youtube.com/watch?v=ckTxTTxkZpg
https://www.youtube.com/watch?v=14hrsMLTOPk
http://www-eio.upc.edu/teaching/estad/MC/taules/com-usar-taules.pdf

Metodos Estadisticos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodos Estadisticos

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTÓNOMA GABRIEL RENÉ MORENO

FACULTAD DE CIENCIAS EXACTAS Y TECNOLOGÍA

GRUPO: CIVIL METÓDICO

DOCENTE: M.B.A. ING. FLAVIO CARREÑO HEVIAVACA

GRUPO DE LA MATERIA: “A”

INTEGRANTES: -LÓPEZ BARRIENTOS DAVID SIMÓN 218152191

-LÓPEZ FUENTES JOSÉ IGNACIO 215022661

-GUZMÁN TORRICO JAVIER ALEJANDRO 218023952

-HURTADO FERRUFINO JOSÉ MARÍA 218025327

-SAHONERO SALAZAR DIEGO ADRIÁN 219048452

-LÓPEZ NÚÑEZ GUSTAVO 217071198

Llamamos Estadística a la parte de

El conjunto parcial sobre el cual

Una variable x, y o z, puede asumir cualquier valor dentro de un conjunto

La función de la distribución empírica

Si lo reagrupamos en forma ascendente tendremos:

2.1. La Amplitud de Resultados (AR) es el intervalo entre el valor máximo y

2.3. El Resultado inferior (Ri): el resultado inferior o número menor es el

120-141 7 35% 35%

142-163 4 20% 55%

164-185 2 10% 65%

186-207 3 15% 80%

208-229 4 20% 100%

2.4. Rangos o Clases: es el número de subconjuntos en que se han

El intervalo de clase es un conjunto de elementos que forman una clase,

2.4.1. El número de clases

Al ser usado el número de clases es arbitrario, no debiendo ser, ni muy

El número de clases debe ser un valor entero, por lo tanto si tiene

Ar = 21,4; redondeado para facilidad de cálculos: Ar = 21

2.6. Frecuencia Absoluta (Fa): La frecuencia absoluta es el número de

2.7. Frecuencia Relativa (Fr): La frecuencia relativa es el cociente entre la

142-163 4 4/20 0,2 20%

164-185 2 2/20 0,1 10%

186-207 3 3/20 0,15 15%

208-229 4 4/20 0,2 20%

2.9. Frecuencia relativa acumulada (Frac): La frecuencia relativa

FRECUENCIA FRECUENCIA RELATIVA ACUMULADA

142-163 4 11 11/20 0,55 55%

164-185 2 13 13/20 0,65 65%

186-207 3 16 16/20 0,80 80%

208-229 4 20 20/20 1 100%

En el histograma se suelen usar barras, cuya altura dependerá de la

3.1. Historia del histograma.-

El término “histograma” fue acuñado en 1891 por el

3.2. Aplicación del histograma.-

Se aplica a todos aquellos estudios en los que es necesario analizar la

Por su naturaleza gráfica, el histograma puede ayudar a identificar e

Permite resumir grandes cantidades de datos y comunicar información

3.3. Construcción de un histograma.-

Para construir un histograma de

En el eje x ubica los intervalos de

Según la amplitud del intervalo, será el ancho de la barra. El paso a paso

3.4. Pasos para construir un histograma.-

 Paso 1: tener los datos.

3.5. Tipos de histogramas.-

3.5.1. Histograma en forma de campana.-

El histograma en forma de campana es una curva uniformemente

Este tipo de histograma se desvía de la curva normal, la forma de la

3.5.3. Histograma sesgado a la izquierda.-

Este tipo de histograma también se desvía de la curva normal, la forma de

3.5.4. Histograma de precipicio.-

Un histograma con forma de precipicio o acantilado muestra cierto pico

Esta es la combinación de varias formas de precipicio o acantilado, lo que