Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadística
Ing. Jose Granizo Ph.D.
Ing. Eduardo Hernández MSc.
CAPÍTULO II
TEORÍA DE LAS PROBABILIDADES
1. Definición y axiomas de probabilidad
2. Teorema de la probabilidad total y Teorema de Bayes
3. Permutaciones y combinaciones
4. Distribuciones de probabilidad
▪ Distribución binomial
▪ Distribución normal Distribución multinomial
▪ Distribución de Poisson
▪ Distribución de Weibull
▪ Distribución Gamma
CAPÍTULO II
TEORÍA DE LAS PROBABILIDADES
1. Definición y axiomas de probabilidad
2. Teorema de la probabilidad total y Teorema de Bayes
3. Permutaciones y combinaciones
4. Distribuciones de probabilidad
▪ Distribución binomial
▪ Distribución normal Distribución multinomial
▪ Distribución de Poisson
▪ Distribución de Weibull
▪ Distribución Gamma
DEFINICIÓN Y AXIOMAS DE PROBABILIDAD
La teoría elemental de probabilidades surgió en el siglo XVII en los trabajos de
Pascal, Fermat, y Huygens. Su desarrollo inicial se debe a la investigación de los
juegos de azar. En la actualidad la teoría de las probabilidades se ha convertido
en una ciencia sin la cual no puede desarrollarse la experimentación, la
astronomía, la estadística matemática, la teoría de la información, el control
estadístico de la calidad, la ingeniería de la confiabilidad, etc.
TIPOS DE EXPERIMENTOS
Deterministas
Si se repiten en las mismas
condiciones se puede conocer el
resultado.
▪ Dejar caer un objeto desde cierta
altura y ver el tiempo que tarda en
caer
▪ Calentar agua y ver a qué
temperatura hierve
▪ Recorrer determinada distancia
siempre a la misma velocidad y ver
el tiempo que tardas
TIPOS DE EXPERIMENTOS
Estocásticos
Aunque se repitan en las mismas
condiciones no se puede predecir
el resultado
▪ Tirar un dado y ver que número
sale
▪ Lanzar una moneda al aire y ver
si sale cara o cruz
▪ Extraer una carta de una baraja y
ver de qué palo es.
DEFINICIÓN Y AXIOMAS DE PROBABILIDAD
Espacio muestral
Es el conjunto de posibles resultados de un experimento aleatorio.
Se simboliza con la E
𝑆𝑖 𝐸 = 𝑥1 , 𝑥2 , … , 𝑥𝑛 𝑦 𝑃 𝑥1 = 𝑃 𝑥2 = ⋯ = 𝑃 𝑥𝑛
DEFINICIÓN Y AXIOMAS DE PROBABILIDAD
Regla de Laplace
DEFINICIÓN Y AXIOMAS DE PROBABILIDAD
Regla de Laplace
LEY DE LOS GRANDES NÚMEROS
La probabilidad de un suceso es el número alrededor
del cual tiende a estabilizarse la frecuencia relativa del
suceso, cuando aumenta mucho el número de veces
que se realiza el experimento.
𝑁𝑠
𝑃 𝐴 = lim
𝑁 → +∞ 𝑁
Donde:
𝑵𝑺 = Número de veces que ocurre el evento
𝑵 = Numero de repeticiones del experimento
𝑃 𝑆 = lim 𝑓𝑟 (𝑆)
𝑁 → +∞
DEFINICIÓN Y AXIOMAS DE PROBABILIDAD
Definición axiomática de Probabilidad
a) P(R U N) = 0,33
b) P(R' U A') = 1,00
c) P(A') = 0,73
d) P(B) = 0,40
e) P(R U B U A) = 0,80
Ahora si A y B son dos sucesos del espacio muestral, A es estadísticamente
independiente del suceso B, si se cumple que 𝑃 𝐴/𝐵 = 𝑃 𝐴
𝑃 𝐴∩𝐵 =𝑃 𝐴 ∙𝑃 𝐵
Pero si 𝑃 𝐴/𝐵 ≠ 𝑃 𝐴 ∙ 𝑃 𝐵 ; Entonces el suceso A es dependiente del suceso B
Ejemplo Se arroja un dado una sola vez el suceso B es la salida de un numero par y
suceso A salida de un 6, el suceso B es favorecido por 3 casos y el suceso 𝐴 ∩ 𝐵, un solo
caso.
𝑃 𝐴∩𝐵 1/6 1 𝑬
Entonces tendremos que: 𝑃 𝐴/𝐵 = = = 𝐴 1
𝑃 𝐵 3/6 3
2 𝐵
6
4
𝐴 ∩ 𝐵 = 𝑥 ∈ 𝐸 Τ𝑥 ∈ 𝐴 𝑦 𝑥 ∈ 𝐵
3
5
PROBABILIDAD CONDICIONAL E INDEPENDENCIA DE SUCESOS
SUCESOS COMPUESTOS
½ S
RTA: P(C;C) = ½ x ½ = ¼ (VER GRÁFICAMENTE)
METODO: elijo el camino que lleva a lo planteado (en este caso, que salga Cara y
Cara. Luego, multiplico o divido según las 2 reglas antes vistas.
DIAGRAMA DE ARBOL
Ejemplo: calcule la probabilidad de sacar una carta de copa, luego una de espada y por
último una de oro de un mazo de 40 cartas (sin reposición).
(sabrán entender por qué dibujo solo 2 cartas en la 2° extracción y solo 1 en la 3°….)
C
C
E
E
¼ C O
O 3°
¼ E carta B
¼ B
¼ O C
1° carta Camino a seguir para sacar
B E 1° una de Copa, 2° una de
O Espada y 3° una de Oro
2° carta
B
1 10 10 25
RTA: 𝑃 𝐶; 𝐸; 𝑂 = 4 ∙ 39 ∙ 38 = 1482 = 0,1687 = 16,87%
DIAGRAMA DE ARBOL
Ejemplo: en el mismo caso anterior, calcule la probabilidad de sacar una carta de copa,
luego una de espada y por último una de oro o de basto.
C
C
E
E
¼ C
O O
¼ E B
¼ B
¼ O C
B E
Una “o” la otra, cualquiera de las 2.
O Como están en el mismo nivel, se
suman. La suma esta relacionada con
B la unión, en este caso (O U B).
1 10 10 10 25
RTA: 𝑃 𝐶; 𝐸; 𝑂𝑈𝐵 = ∙ ∙ + = = 0,3374 = 33,74%
4 39 38 38 741
SUCESOS COMPUESTOS
SUCESOS COMPUESTOS
TEOREMA DE LA PROBABILIDAD TOTAL
Dados 𝑛 sucesos, 𝐴1 , 𝐴2 , … , 𝐴𝑛 que son incompatibles 𝐴1 𝐴2 𝐸
𝐸 ≡ 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙
𝐴3
𝐸 = 𝐴1 ∪ 𝐴2 ∪ ⋯ ∪ 𝐴𝑛
𝐴1 , 𝐴2 , … , 𝐴𝑛 ⊂ 𝐸 / ቊ 𝐴 ∩ 𝐴 = ∅, ∀ 𝑖 ≠ 𝑗
𝑖 𝑗 (𝑠𝑢𝑐𝑒𝑠𝑜𝑠 𝒊𝒏𝒄𝒐𝒎𝒑𝒂𝒕𝒊𝒃𝒍𝒆𝒔 𝑑𝑜𝑠 𝑎 𝑑𝑜𝑠)
HE = 5 ME = 2 7 5 7 2 5 2 𝟕
∙ + ∙ = + =
25 7 25 7 25 25 𝟐𝟓
H: varón b) 𝑃 𝑆 = 𝑃 𝑆 ∩ 𝐻 + 𝑃 𝑆 ∩ 𝑀
M: mujer
10 8 𝟏𝟖
S: sano + =
25 25 𝟐𝟓
E: enfermo
TEOREMA DE LA PROBABILIDAD TOTAL
Ejemplo: Un médico ha observado que el 40% de sus pacientes fuma y de estos, el
75% son hombres. Entre los que no fumas, el 60% son mujeres.
a) Calcular la probabilidad de que un paciente seleccionado al azar sea mujer.
b) Calcular la probabilidad de que un paciente seleccionado al azar fume y sea hombre.
a)
b)
TEOREMA DE BAYES
El teorema de Bayes se utiliza para calcular la probabilidad de un suceso
teniendo información de antemano sobre ese suceso. Por eso, a esta
probabilidad se le llama "a posteriori".
El teorema de Bayes entiende la probabilidad de forma inversa a como lo Thomas Bayes (1702 - 1761)
hace el teorema de la probabilidad total.
𝐴1 𝐴2 𝐸
El teorema de la probabilidad total calcula la probabilidad de un suceso B
condicionado al resultado de un suceso A. Sin embargo, Bayes, calcula la 𝐵
probabilidad de un suceso A condicionado al resultado de un suceso B.
𝐴𝑖 : es lo que yo quiero calcular Probabilidad de que
(la incógnita del problema) ocurran ambos 𝐴𝑖 y 𝐵
𝐴3
𝑃(𝐴𝑖 ∩ 𝐵) 𝑃 𝐴𝑖 𝑃 𝐵/𝐴𝑖
𝑃 𝐴𝑖 /𝐵 = =
𝑃(𝐵) 𝑃 𝐴1 ∙ 𝑃 𝐵/𝐴1 + 𝑃 𝐴2 ∙ 𝑃 𝐵/𝐴2 + ⋯ + 𝑃 𝐴𝑛 ∙ 𝑃 𝐵/𝐴𝑛
𝐵 : es lo que yo sé
Probabilidad de que
(lo que ya sucedió) ocurra el evento 𝐵
(Probabilidad total)
TEOREMA DE BAYES
Ejemplo: en una aula hay 15 alumnos varones de los cuales 5 están enfermos,
y 10 alumnas mujeres de las cuales 2 están enfermas. Se sabe que un
estudiante esta enfermo, calcule la probabilidad de que sea varón.
E=25
HS = 10 MS = 8
𝑃(𝐻∩𝐸)
HE = 5 ME = 2 𝑃 𝐻/𝐸 =
𝑃(𝐸)
5
25 5
= 7 =
7
H: varón 25
M: mujer
S: sano
E: enfermo
TEOREMA DE BAYES
V: vaca VS = 14 OS = 20 YS = 8 E = 60
O: oveja Pre
6 10 2
Y: yegua
Ejemplo: El Sr. Oroz tiene un traje gris y uno azul; tiene cuatro camisas: blanca,
azul, crema y rayada ¿De cuantas maneras distintas se puede vestir, utilizando
estas prendas, si todas las prendas combinan bien?
Solución: Con el primer traje puede usar las cuatro camisas, con el segundo traje
también puede usar las cuatro camisas.
CAMISAS
TRAJE NÚMERO MULTIPLICA NÚMERO DE NÚMERO DE
BLANCA AZUL CREMA RAYADA DE TRAJES R CAMISAS COMBINACIONES
AZUL (A, B) (A, A) (A, C) (A, R)
GRIS (G, B) (G, A) (G, C) (G, R) 2 X 4 = 8
Permutaciones y Combinaciones
Una joven se levanta por la mañana y al
abrir su armario se da cuenta que tiene:
❑ 2 pantalones:
❑ 4 camisas:
❑ 2 pares de zapatos:
Entonces, lo primero que dice es NO
TENGO QUE PONERME!!!
VARIACIONES
Sin repetición - SÍ influye el orden en que colocas los MISMOS elementos
o con repetición - No intervienen todos los elementos m ≠ n; m < n; m > n
m≠n
𝑛
2 𝑉𝑅𝑚 = 𝑚𝑛
3 𝑃𝑛 = 𝑛!
m=n 𝑛 ,𝑛 .⋯,𝑛 𝑛!
4 𝑃𝑛 1 2 𝑘 =
𝑛1 ! 𝑛2 ! ⋯ 𝑛𝑘 !
𝑛 =
𝑚 𝑚!
5 𝐶𝑚 =
𝑛 𝑛! 𝑚 − 𝑛 !
𝑛 =
𝑚+𝑛−1 !
6 𝐶𝑅𝑚
𝑛! 𝑚 − 1 !
Permutaciones y Combinaciones
A cual pertenece cada uno de los siguientes casos:
COMBINACIÓN 𝐶𝑛𝑚 =
𝑚
=
𝑚!
SIN REPETICIÓN 𝑛 𝑛! 𝑚 − 𝑛 !
12
20 + 12 − 1 ! 31 !
𝐶𝑅20 = = = 141120525
12! 20 − 1 ! 12! 19 !
Permutaciones y Combinaciones
Con las cifras 1, 2, 3, 4, 5, 6 ¿Cuántos números distintos de 4 cifras se puede formar sin
repetir?
❑ ¿Influye el orden de colocación? SI
❑ ¿Intervienen todos los elementos? NO
❑ ¿Se pueden repetir los elementos? NO
1 2 3 4
VARIACIÓN 𝑚!
4 3 2 1 SIN REPETICIÓN
𝑉𝑚𝑛 =
𝑚−𝑛 !
6 · 5 · 4 · 3
1 2 3 4 ¿Cuántos elementos tengo? m = 6
2 3 4 5 ¿De cuánto en cuánto los voy a tomar? n = 4
3 4 5 6 m < n; m > n
4 5 6
5 6 4
6! 6!
𝑉6 = = = 360
6 6 − 4 ! 2!
Permutaciones y Combinaciones
Con las cifras 1, 2, 3, 4, 5, 6 ¿Cuántos números distintos de 4 cifras se puede formar?
❑ ¿Influye el orden de colocación? SI
❑ ¿Intervienen todos los elementos? NO
❑ ¿Se pueden repetir los elementos? SI
6 · 6 · 6 · 6
1 1 1 1 ¿Cuántos elementos tengo? m = 6
2 2 2 2 ¿De cuánto en cuánto los voy a tomar? n = 4
3 3 3 3 m < n; m > n
4 4 4 4
5 5 5 5 𝑉𝑅64 = 64 = 1296
6 6 6 6
Permutaciones y Combinaciones
Con la palabra AMOR ¿Cuántas palabras con o sin sentido pueden formarse?
❑ ¿Influye el orden de colocación? SI
❑ ¿Intervienen todos los elementos? SI
❑ ¿Se pueden repetir los elementos? NO
AMOR MAOR OAMR RAMO
AMRO MARO OARM RAOM PERMUTACIÓN
AOMR MOAR OMAR RMAO SIN REPETICIÓN 𝑛𝑃𝑛 = 𝑛!
AORM MORA OMRA RMOA
ARMO MRAO ORAM ROMA
AROM MROA ORMA ROAM
¿Cuántos elementos tengo? m = 4
¿De cuánto en cuánto los voy a tomar? n = 4
4 · 3 · 2 · 1
A M O R 𝑛𝑃4 = 4! = 4 ∙ 3 ∙ 2 ∙ 1 = 24
M O R
¿Cuántas saldrían con la palabra LOVE?
O R
R
Permutaciones y Combinaciones
¿Cuántas palabras, con o sin sentido, puedo formar con las letras de la palabra ARMELAR?
❑ ¿Influye el orden de colocación? SI
❑ ¿Intervienen todos los elementos? SI
❑ ¿Se pueden repetir los elementos? SI
2. La suma de las probabilidades asignadas a todos los valores de la variable aleatoria debe
ser 1.
FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA DISCRETA
Esta función de la variable aleatoria X tiene de recorrido Rx el conjunto finito {0 , 1, 2}
X = Número de caras 𝑓
𝑥𝑖 0 1 2
(+, +) 0 = x1 f(x1) = 1/4 𝑃 𝑋 = 𝑥𝑖 1/4 1/2 1/4
(C, +)
1 = x2 f(x2) = 1/2
(+, C)
(C, C) 2 = x3 f(x3) = 1/4
0 ≤ 𝑓 𝑥𝑖 ≤ 1
𝑛
𝑓 𝑥𝑖 = 1
𝑖=1
FUNCIÓN DE DISTRIBUCIÓN DE UNA VARIABLE
ALEATORIA DISCRETA
La función de distribución de una variable discreta X es la función que asigna a cada número
real 𝑥 la probabilidad de que X tome un valor menor o igual que 𝑥.
𝑥𝑖 0 1 2
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑃(𝑋 = 𝑥𝑖 ) = 𝑓(𝑥𝑖 ) 𝑃 𝑋 = 𝑥𝑖 1/4 1/2 1/4
𝑥𝑖 ≤𝑥 𝑥𝑖 ≤𝑥 𝑃 𝑋 ≤ 𝑥𝑖 1/4 3/4 1
𝐹 𝑥<0 =0 𝑠𝑖 𝑥 < 0 𝐹 𝑥
1
𝐹 0 =𝑓 0 =4 𝑠𝑖 0 ≤ 𝑥 < 1
𝐹 𝑥 = 3
𝐹 1 =𝑓 0 +𝑓 1 =4 𝑠𝑖 1 ≤ 𝑥 < 2
𝐹 𝑥 ≥2 =𝑓 0 +𝑓 1 +𝑓 2 =1 𝑠𝑖 𝑥 ≥ 2
𝑥𝑖 0 1 2
𝑃 𝑋 = 𝑥𝑖 1/4 1/2 1/4
𝑥 ∙ 𝑃 𝑋 = 𝑥𝑖 0 1/2 1/2
FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA DISCRETA
¿Cuál es la función de probabilidad y la función de distribución correspondiente al
experimento “número obtenido” al lanzar un dado?
x1 = 1 f(x1) = 1/6
x2 = 2 f(x2) = 1/6
x3 = 3 f(x3) = 1/6
x4 = 4 f(x4) = 1/6
x5 = 5 f(x5) = 1/6
x6 = 6 f(x6) = 1/6
𝒙𝒊 2 3 4 5 6 7 8 9 10 11 12
f 1 2 3 4 5 6 5 4 3 2 1
𝑃 𝑋 = 𝑥𝑖 1/36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36
𝑥𝑖 ∙ 𝑓 𝑥𝑖 0,056 0,167 0,333 0,556 0,833 1,167 1,111 1,000 0,833 0,611 0,333
𝜇 = 𝐸 𝑋 = 𝑥𝑖 ∙ 𝑓 𝑥𝑖 = 7
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Si los valores de la variable X fuera un aserie de valores continuas el polígono de
las frecuencias relativas de cualquier muestra, también es una curva continua y
se caracteriza por una función 𝑓 𝑥 que se define como una función de densidad
de probabilidad continua y gráficamente puede representarse de la siguiente
manera.
Proporciona además un medio para determinar la probabilidad en un intervalo
𝑎<𝑥<𝑏
De lo cual se puede determinar las siguientes condiciones.
0 ; 𝑠𝑖 𝑥<0
𝐹 𝑥 = ቐ0,2𝑥 ; 𝑠𝑖 0 ≤ 𝑥 ≤ 5
1 ; 𝑠𝑖 5<𝑥
Calcular:
a. 𝑃 𝑋 ≤ 2 = 𝐹 2 =
b. 𝑃 𝑋 ≤ 3 = 𝐹 3 =
c. 𝑃 𝑋 > 2 = 1 − 𝐹 2 =
d. 𝑃 2 ≤ 𝑋 ≤ 3 = 𝐹 3 − 𝐹 2 =
𝑥
𝐹 𝑥 =𝑃 𝑋≤𝑥 = −∞ 𝑓(𝑡) 𝑑𝑡
Función de distribución acumulativa
La variable aleatoria continua tiene la siguiente función de densidad de probabilidades:
0,25 ; 𝑠𝑖 0 ≤ 𝑥 ≤ 4
𝑓 𝑥 =ቊ
0 ; 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Calcular:
a. 𝑃 1 ≤ 𝑋 ≤ 3 =
b. 𝑃 𝑋 = 1 =
c. 𝑃 1 < 𝑋 ≤ 3 =
d. 𝑃 1 < 𝑋 ≤ 4 = 1,2
1
𝑏
𝐹 𝑥 =𝑃 𝑎≤𝑋≤𝑏 = 𝑥𝑑 )𝑥(𝑓 𝑎 0,8
3 0,6
𝐹 𝑥 =𝑃 1≤𝑋≤3 = 1 0,25 𝑑𝑥 0,4
𝐹 𝑥 = [0,25 𝑥]13 = 0,25 ∙ 3 − (0,25 ∙ 1) 0,2
𝐹 𝑥 = 0,5 0
-1,5 -0,5 0,5 1,5 2,5 3,5 4,5
Función de distribución acumulativa
La variable aleatoria continua tiene la siguiente función de densidad de probabilidades:
0,25 ; 𝑠𝑖 0 ≤ 𝑥 ≤ 4
𝑓 𝑥 =ቊ
0 ; 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Media o valor esperado
∞
𝜇 = 𝐸 𝑋 = −∞ 𝑥 ∙ 𝑓(𝑥) 𝑑𝑥
0 4 ∞
𝜇= −∞ 𝑥 ∙ 0 𝑑𝑥 + 0 𝑥 ∙ 0,25 𝑑𝑥 + 4 𝑥 ∙ 0 𝑑𝑥
1 2 4
𝜇 = 0,25 ∙ 𝑥 ቚ =2
2 0
Varianza 1,2
∞ 2
𝜎 = 𝑉 𝑋 = −∞ 𝑥 ∙ 𝑓(𝑥) 𝑑𝑥 − 𝜇2
2
1
4 1 3 4 4 0,8
𝜎2 = 0 𝑥 2 ∙ 0,25 𝑑𝑥 − 𝜇2 = 0,25 ∙ 𝑥 ቚ −4=
3 0 3 0,6
Desviación estándar 0,4
4 2 0,2
𝜎= 𝜎2 = = 0
3 3
-2 -1 0 1 2 3 4 5
Distribución binominal
Describe la probabilidad de una variable dicotómica (éxito, fracaso) e
independiente.
Aplicación
Se utiliza en situaciones cuya solución tiene dos posibles resultados.
▪ Al nacer un/a bebé puede ser varón o hembra.
▪ En el deporte un equipo puede ganar o perder.
▪ Un tratamiento médico puede ser efectivo o inefectivo.
▪ Vivo / muerto; enfermo / sano; verdadero / falso
▪ Prueba múltiple 4 alternativas: correcta o incorrecta.
▪ Algo puede considerarse como Éxito o Fracaso
• “Experimentos de Bernoulli”
• Usos:
• Estimación de proporciones
• Pruebas de hipótesis de proporciones
Propiedades de un experimento de Bernoulli
1. En cada prueba del experimento sólo hay dos posibles resultados: Éxitos o
Fracasos.
2. El resultado obtenido en cada prueba es independiente de los resultados
obtenidos en pruebas anteriores.
3. La probabilidad de un suceso elemental (p) es constante y no varía de una
prueba a otra.
4. La probabilidad del complemento (1- p) es q .
1 − 𝑝; 𝑠𝑖 𝑥 = 0
𝑓 𝑥 =𝑃 𝑋=𝑥 =ቊ
𝑝; 𝑠𝑖 𝑥 = 1
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 ; 𝑥 = 0; 1
𝑋~𝐵𝑒 𝑝
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 ; 𝑥 = 0; 1
𝑋~𝐵𝑒 𝑝
𝑥=0
𝑓 0 = 𝑃 𝑋 = 0 = 𝑝0 (1 − 𝑝)1−0
𝑓 0 =𝑃 𝑋 =0 =1−𝑝
𝑥=1
𝑓 1 = 𝑃 𝑋 = 1 = 𝑝1 (1 − 𝑝)1−1
𝒇 𝟏 =𝑷 𝑿=𝟏 =𝒑
Ejemplo
Cuando se lanza un dado hay una probabilidad de 1/6 de que salga un 5. Sea X = 1 si el
dado cae en 5 y X = 0 si cae en cualquier otro número. ¿Cuál es la distribución de X?
1 − 𝑝; 𝑠𝑖 𝑥 = 0 1
𝑓 𝑥 =𝑃 𝑋=𝑥 =ቊ
𝑝; 𝑠𝑖 𝑥 = 1 0,9 0,8333
0,8
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 ; 𝑥 = 0; 1
𝑋~𝐵𝑒 𝑝 0,7
0,6
Fracaso {1, 2, 3, 4, 6} Éxito {5}
0,5
𝑥 0 1
0,4
𝑓 𝑥 =𝑃 𝑋=𝑥 1 − 𝑝 = 5/6 𝑝 = 1/6 0,3
5/6; 𝑠𝑖 𝑥 = 0 0,2 0,1667
𝑓 𝑥 =𝑃 𝑋=𝑥 =ቊ
1/6; 𝑠𝑖 𝑥 = 1 0,1
0
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 1/6𝑥 (5/6)1−𝑥 ; 𝑥 = 0; 1
0 1
𝑋~𝐵𝑒 1/6
La Distribución Binomial
• Ejemplo distribución probabilidad discreta.
• Formada por serie experimentos Bernoulli.
• Resultados de cada experimento son mutuamente
excluyentes.
• Para construirla necesitamos:
1. La cantidad de pruebas n
2. La probabilidad de éxitos p
3. Utilizar la función matemática P(X = x).
La función P(X = x)
Función de la distribución Binomial:
𝑛
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑥
𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑛
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑥
𝑝 𝑥 (𝑞)𝑛−𝑥
• x = número de aciertos.
• n = número de experimentos.
• p = probabilidad de éxito, como por ejemplo, que salga "cara" al lanzar la
moneda.
• 1 - p = “q” → probabilidad de fracaso
• Excel =DISTR.BINOM.N (x , n, p, acumulado)
• Acumulado = falso : solo para 𝑓 𝑥 = 𝑃 𝑋 = 𝑥
• Acumulado = Verdadero : para 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥
Permutaciones y Combinaciones
m = número de elementos
𝑚!
n = de cuánto en cuánto se toman 1 𝑉𝑚𝑛 =
𝑚−𝑛 !
m≠n
𝑛
2 𝑉𝑅𝑚 = 𝑚𝑛
3 𝑃𝑛 = 𝑛!
m=n 𝑛 ,𝑛 .⋯,𝑛 𝑛!
4 𝑃𝑛 1 2 𝑘 =
𝑛1 ! 𝑛2 ! ⋯ 𝑛𝑘 !
𝑛 =
𝑚 𝑚!
5 𝐶𝑚 =
𝑛 𝑛! 𝑚 − 𝑛 !
𝑛 =
𝑚+𝑛−1 !
6 𝐶𝑅𝑚
𝑛! 𝑚 − 1 !
Ejemplo 1
La probabilidad de que a un cliente nuevo le guste el servicio de lavado es de 0,8. Si llegan 5
clientes nuevos, ¿Cuál es la probabilidad de que a 2 de ellos les guste el servicio de lavado?
X = número de clientes nuevos que les guste el servicio xi 0 1 2 3 4 5
𝑋~𝐵(𝑛; 𝑝) f(xi) 0,0003 0,0064 0,0512 0,2048 0,4096 0,3277
F(xi) 0,0003 0,0067 0,0579 0,2627 0,6723 1,0000
𝑋~𝐵(5; 0,8)
0,5
x = 0; 1; 2; 3; 4; 5 f(xi) 0,4096
0,4
X=2 0,3277
0,3
n : número de ensayos 0,2048
n=5 0,2
0,0512
0,1 0,0064
p : probabilidad de éxito 0,0003
P = 0,8 0,0
0 1 2 3 4 5
1,0000
𝑛! 1,0
𝑛
𝐶𝑥𝑛 = 𝑥
= 𝑥! 𝑛−𝑥 !
F(xi)
0,8 0,6723
0,6
5 5! 5∙4∙3!
𝐶25 = 2
= = = 10 0,4
2! 3 ! 2∙3!
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑛𝑥 ∙ 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 0,2627
10!
𝑓 6 =𝑃 𝑋=6 = 0,56 (1 − 0,5)10−6
6! 10 − 6 !
P (X = 6) = 0,205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es
de 20,5% .
Ejemplo 3
¿Probabilidad de obtener cuatro veces el número 3 al lanzar un dado ocho
veces?
▪ El número de aciertos x es 4.
▪ El número de experimentos n son 8
▪ Probabilidad de éxito p = 1/6 ( 0,1666)
La fórmula queda:
𝑛!
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !
8!
𝑓 4 =𝑃 𝑋=4 = 1/64 (1 − 1/6)8−4
4! 8 − 4 !
P (X = 4) = 0,026
Es decir, probabilidad de obtener cuatro veces el números 3 al tirar un dado 8
veces es de 2,6%.
Tabla o Excel?
Excel =DISTR.BINOM.N(x , n,
p, acumulado)
Acumulado = falso:
para 𝑓 𝑥 = 𝑃 𝑋 = 𝑥
=DISTR.BINOM.N(6; 10; 0,3;
FALSO)
Acumulado = Verdadero:
para 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥
=DISTR.BINOM.N(6; 10; 0,3;
VERDADERO)
Media, Varianza, y Desviación Estandar en Distribución Binomial
= n p
= n pq
2
= n pq
Al adivinar al azar un examen de 100 preguntas multiples, cada una con 4 posibles
respuestas:
= 100 1 4 = 25
2 = 100 1 4 3 4 = 18.8
= 100 1 4 3 4 = 4.3
En resumen
• La distribución binomial se forma de una serie de experimentos de
Bernoulli
• La media (μ) en la distribución binomial se obtiene con el producto de
nxp
• La varianza (σ2 ) en la distribución binomial se obtiene del producto
de n x p x q.
• El valor de q es el complemento de p y se obtiene con 1 – p.
Distribución Multinomial
La Distribución Multinomial fue enunciada por primera vez en 1713 con los
aportes de Jacob Bernoulli, quien nació el 27 de diciembre de 1654, en
Suiza.
Distribución Multinomial
La distribución multinomial es una generalización de la Distribución Binomial. En una
distribución multinomial, el análogo a la distribución de Bernoulli es la distribución
categórica, donde cada suceso concluye en únicamente un resultado de un número finito
𝑘 de los posibles, con probabilidades tal que.
1. Las 𝑛 pruebas o ensayos son repetidos e idénticos (con reposición).
2. En cada prueba o ensayo se pueden producir 𝑘 resultados.
3. Las probabilidades de cada uno de los 𝑘 resultados 𝑝1 , … , 𝑝𝑘 permanecen
constantes en todas las pruebas o ensayos.
4. Las pruebas o ensayos son independientes.
Para cualquiera de los 𝑘 resultados posibles 𝐸1 , … , 𝐸𝑘 se tiene:
𝑓 𝑥1 , … , 𝑥𝑘 ; 𝑛, 𝑝1 , … , 𝑝𝑘 = 𝑃 𝑋1 = 𝑥1 y … y 𝑋𝑘 = 𝑥𝑘
𝑘
𝑛!
𝑝1 𝑥1 ⋯ 𝑝𝑘 𝑥𝑘 , 𝑐𝑢𝑎𝑛𝑑𝑜 𝑥1 = 𝑛
= 𝑥1 ! ⋯ 𝑥𝑘 !
𝑖=1
0, 𝐸𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠,
𝑛!
𝑓 𝑥1 , … , 𝑥𝑘 ; 𝑛, 𝑝1 , … , 𝑝𝑘 = 𝑃 𝑋1 = 𝑥1 y … y 𝑋𝑘 = 𝑥𝑘 = 𝑝1 𝑥1 ⋯ 𝑝𝑘 𝑥𝑘
𝑥1 ! ⋯ 𝑥𝑘 !
20!
𝑓 5, 10, 5 = 0,155 ∙ 0,4010 ∙ 0,455
5!,∙10!,∙5!
Ejemplo
Media y varianza de la distribución multinomial
Cada una de las “𝑛” variables, 𝑥1 que forman una Multinomial 𝑀(𝑛, 𝑝1 , … , 𝑝𝑘 ) siguen
distribuciones binomiales.
MEDIA
(También llamada esperanza o valor esperado), es el número𝐸(𝑥) que formaliza la idea
de valor medio de un fenómeno aleatorio. Es un concepto análogo a la media aritmética
de un conjunto de datos.
𝜇 = 𝐸 𝑥𝑖 = 𝑛 ∙ 𝑝𝑖
VARIANZA
La varianza de una variable aleatoria es una medida de dispersión definida como la
esperanza del cuadrado de la desviación de dicha variable respecto a su media.
. 𝜎 2 = 𝑛 ∙ 𝑝𝑖 ∙ (1 − 𝑝𝑖 )
Distribución Poisson
La Distribución de Poisson se llama así en honor a su creador el francés
Simeón Dennis Poisson (1781 - 1840), Esta distribución de probabilidades
fue uno de los múltiples trabajos matemáticos que Dennis completó en su
productiva trayectoria.
Condiciones
1. La variable aleatoria es el número de veces que ocurre un evento durante un
intervalo definido. El intervalo puede ser tiempo, distancia, área, volumen o
alguna unidad similar.
El resultado es 𝑃 𝑋 = 5 = 0,04602
Por lo tanto, la probabilidad de que haya 5 productos defectuosos entre
800 recién producidos es de 4,6%.
Ejemplo 3 de la función 𝜆𝑘 −𝜆
𝑓 𝑘 =𝑃 𝑋=𝑘 = 𝑒
𝑃 𝑋=𝑘 𝑘!
105 −10
𝑓 5 =𝑃 𝑋=5 = 𝑒
5!
𝑓 5 = 𝑃 𝑋 = 5 = 0,0378
55 −5
𝑓 5 =𝑃 𝑋=5 = 𝑒
5!
𝑓 5 = 𝑃 𝑋 = 5 = 0,1755
Tablas de Probabilidad de Poisson
Utilizando la tabla de probabilidad de Poisson se pueden resolver los ejemplos
anteriores.
𝑓 5 =𝑃 𝑋 =5 =𝑃 𝑋 ≤5 −𝑃 𝑋 ≤4 =𝐹 5 −𝐹 4
= 0,0671 − 0,0293 = 0,0378
Ejemplo 3
uso de tablas
Resuelva el ejercicio 1 y el 2 por medio de las tablas.
Características de la distribución
poisson
Media
𝜆𝑘 −𝜆
= E(X) = λ .6
P(X) k = 5 λ = 0.1 𝑓 𝑘 =𝑃 𝑋=𝑘 = 𝑒
.4 𝑘!
.2
Varianza 0 X
0 1 2 3 4 5 µ𝑥 −µ
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑒
λ = σ2 𝑥!
P(X) k=5 λ = 0.5
.6
.4
.2
0 X
0 1 2 3 4 5
17
Ejercicio
Un comerciante de verduras tiene conocimiento de que el 3% de la caja esta
descompuesta. Si un comprador elige 100 verduras al azar, encuentre la
probabilidad de que.
a. las 4 estén descompuestas.
b. de 1 a 3 estén descompuestas
𝑓 𝑥 =𝑃 𝑋=𝑥
𝑥
𝑦 =𝑚·𝑥+𝑏
14
10
Número de casos
9
frecuencia
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 6
s =
𝑛−1 4
2 3
1 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Valores
28%
Frecuencia relativa
20%
probabilidades
Densidad de
18%
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 12%
s =
𝑛−1 8%
4% 6%
2% 2%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Valores
Número de casos
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 𝑠
s = 𝐶𝑉 = ∗ 100%
𝑛−1 𝑥ҧ
Valor histórico
Características D. Normal
• Área bajo la curva entre 2 puntos representa probabilidad que ocurra un hecho entre esos
dos puntos
• Su dominio va de menos infinito a más infinito;
• Es simétrica con respecto a su media;
• Tiene dos colas y es asintótica al eje x por ambos lados;
• El valor del área debajo de toda la curva es igual a 1;
• El centro de la curva está representado por la media poblacional ().
• Para cualquier curva normal, el área de - a + es igual a 0,6827; de -2 a +2 de 0,9545 y
de -3 a +3 de 0,9973;
• Distribución muestral de varios estadísticos, como `x es normal e independiente de
distribución de la población.
D. Normal Tipificada (estandarizada)
• Distribución especial que representa a todas las variables aleatorias normales y que es
la distribución de otra variable normal llamada Z:
x -
Z=
• =NORMALIZACION(x;media;desv_estándar)
• Z se la conoce como variable aleatoria estandarizada.
• Esta función se caracteriza por tener media igual a cero y desviación tipificada igual a
uno : N(0, 1)
• Representa a todas las distribuciones Normales. Igual densidad de probabilidad, si
medimos desviaciones de media en base a .
• Valores obtenidos de tabla Normal válidos para todas las distribuciones Normal de
media = y varianza = 2.
Densidad de Probabilidad
N (0, 1) y N(, 2)
Probabilidad Acumulada
N (0, 1) y N(, 2)
Tabla Distribución Z =DISTR.NORM.ESTAND(Z)
Uso de Tabla Distribución Z
• Para determinar la probabilidad de ocurrencia de un suceso entre 2 puntos
debemos determinar el área bajo la curva entre dichos puntos.
• Depende tipo de tabla. Usaremos tabla de - a X, ya que da la probabilidad
acumulada al igual que Excel.
• Existen otros tipos de tabla
• 0 a X, X a , etc.
• Debemos razonar siempre como determinar el área.
• En nuestra tabla, para determinar P(- a X) o P(Z ≤ X):
1. Buscamos en la columna izquierda de la tabla el valor del entero y
primer decimal
2. Buscamos en la fila superior el valor del segundo decimal,
3. Interceptamos ambos valores obteniendo el valor de P.
4. Interpretamos este valor
Probabilidad Normal Excel
=DISTR.NORM.ESTAND(Z)
• Devuelve la función de distribución normal estándar acumulativa. La
distribución tiene una media de 0 (cero) y una desviación estándar de uno. Use
esta función en lugar de una tabla estándar de áreas de curvas normales
Uso Tabla Normal Estándar (a)
Obtenga la probabilidad de que Z obtenga los siguientes valores:
P (Z 1,17)
• (e) Hallar el valor de Z tal que el área sobre el más el área bajo -Z sea
igual a 0,01:
• Como es una curva simétrica: /2 = 0,01/2 = 0,005
• En Excel =INV.NORM.ESTAND(0,995)
Z(0,005) = 2,576
Buscar en la tabla para comprobar
Distribución Normal (, )
• Esto Ok! para curva N (0, 1) pero y si queremos usarlo
en población natural con 0 y 1?
• No hay problema! Tipificamos valor de x en nuestra
distribución Normal con fórmula:
x -
Z=
• Y procedemos a buscar la probabilidad para este valor
determinado.
• Z no es más que el número de desviaciones
estándares a la que se encuentra x de .
Tipificar en Excel
• = NORMALIZACION(x, , )
• Valor normalizado de distribución caracterizada por los argumentos
media y desv estándar: Z =(x - )/
• =DISTR.NORM.N(x, , , VERDADERO)
• Calcula probabilidad de que un valor se encuentre bajo x en una
distribución N(, ): P(Z ≤ x)
• =INV.NORM(P, , )
• Devuelve el valor x abajo del cual se encuentra el Px100% del área de
la curva para una distribución N(, ).
Ejercicio
a) Encontrar la probabilidad que al muestrear una
piscina con una población Normal con peso = 5g y
2 = 4 encontremos un valor > 7,78g.
• Como 2 = 4, entonces = 2.
• Calculamos el valor de Z:
7.78 - 5
Z= = 1.39
2
• Y luego calculamos la probabilidad de que Z sea mayor a este
valor en la tabla:
P(Z 1,39) = 1 – 0,9177 = 0,0823
• En Excel lo podemos hacer directo o por pasos
b) En la misma piscina calcular entre que valores de
peso se encuentra el 95% de la población
Distribución Weibull
La distribución de Weibull fue publicada por primera vez por Walodi
Weibull en 1939 y se ha hecho muy conocida por su versatilidad o
flexibilidad en el estudio de datos de vida. También se utiliza en muchas
otras aplicaciones, como el pronóstico del tiempo y el ajuste de datos de
todo tipo. Waloddi Weibull nació el 18 de junio de 1887 en Suecia, fallece
el 12 de octubre de 1979 en Francia.
Distribución Weibull 𝑋~𝑊𝑒𝑖𝑏𝑢𝑙𝑙(∝, 𝛽)
Es una distribución de probabilidad continua con un parámetro λ > 0 cuya
función de densidad es:
𝜷 𝒙 𝜷−𝟏 𝒙 𝜷
− 𝜶
𝒇 𝒙, 𝜶, 𝜷 = ቐ𝜶 𝜶 𝒆 𝒑𝒂𝒓𝒂 𝒙 ≥ 𝟎
𝚪 𝒏 = 𝒏−𝟏 !
𝟎 𝒆𝒏 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓𝒂𝒓𝒊𝒐
f (t) = DISTR.WEIBULL(Tiempo;beta;alpha;FALSO)
F (t) = DISTR.WEIBULL(Tiempo;beta;alpha;VERDADERO)
R (t) = 1-F(t)
Distribución Gamma
Definición:
La función dada por la relación:
∞
Γ α = න x α−1 e−x dx
0
Media μ = αβ
Varianza σ2 = αβ2
−α , t
1
Función generatriz de momentos mx t = 1 − tβ <
β
Distribución Gamma
Ejemplo:
Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una distribución gamma con
parámetro de forma α = 3 y β = 3. Encontrar:
a) La media y la varianza de X
b) La probabilidad de que en cierto día el consumo de electricidad sea mayor que 15 kilowatts – hora.
c) La probabilidad de que el consumo diario de electricidad sea de cuando menos 20 kilowatts – hora.
d) La probabilidad de que el consumo por día esté entre 30 y 50 kilowatts – hora.
Distribución Gamma
Ejemplo:
Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una distribución gamma con
parámetro de forma α = 3 y β = 3.
Solución:
a) La media y la varianza de X
μ = αβ = 3 3 = 9
σ2 = αβ2 = 3 3 2 = 27
Distribución Gamma
Ejemplo:
Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una distribución gamma con
parámetro de forma α = 3 y β = 3.
Solución: x α−1 e− xΤβ x>0
;
Con la función de densidad → f x = βα Γ α α, β > 0
0 ; otro caso
x 2 e− x Τ 3 x>0
;
Sustituyendo valores: α = 3 y β = 3 → f x = 27 2 ! α, β > 0
0 ; otro caso
b) La probabilidad de que en cierto día el consumo de electricidad sea mayor que 15 kilowatts – hora.
∞ ∞
x 2 e − xΤ3
P X > 15 = න f(x) dx = න dx = 0.1247
15 15 54
Distribución Gamma
Ejemplo:
Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una distribución gamma con
parámetro de forma α = 3 y β = 3.
Solución: x α−1 e− xΤβ x>0
;
Con la función de densidad → f x = βα Γ α α, β > 0
0 ; otro caso
x 2 e− x Τ 3 x>0
;
Sustituyendo valores: α = 3 y β = 3 → f x = 27 2 ! α, β > 0
0 ; otro caso
c) La probabilidad de que el consumo diario de electricidad sea de cuando menos 20 kilowatts – hora.
∞ ∞
x 2 e − xΤ3
P X ≥ 20 = න f(x) dx = න dx = 0.03804
20 20 54
Distribución Gamma
Ejemplo:
Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una distribución gamma con
parámetro de forma α = 3 y β = 3.
Solución: x α−1 e− xΤβ x>0
;
Con la función de densidad → f x = βα Γ α α, β > 0
0 ; otro caso
x 2 e− x Τ 3 x>0
;
Sustituyendo valores: α = 3 y β = 3 → f x = 27 2 ! α, β > 0
0 ; otro caso
GRACIAS!
Ing. Eduardo Hernández Mgs.
0962141599 - edhernandez@espoch.edu.ec