DISTRIBUCIONES DE

PROBABILIDAD
Estadística Industrial
Felipe Varas

Sesión 2-a
Distribución de probabilidad

Modelo matemático

Relaciona el valor de una variable

con la probabilidad de ocurrencia
de ese valor en la población
Distribución de probabilidad

Variables continuas

Variables discretas
Distribuciones muestrales discretas

Hipergeométrica Binomial
x ~HG(n, N, D) x ~Bin(n, p)

Poisson Pascal
x ~Pois(λ) x ~Pas(r, p)
Distribución de probabilidad

Variables continuas

Variables discretas
Distribución continua Distribución discreta

Escala continua Solo ciertos valores

DISTRIBUCIONES
MUESTRALES
CONTINUAS
Distribuciones muestrales continuas

Normal Lognormal Paranormal

Exponencial Gamma Weibull

Entre otras…
Distribuciones muestrales continuas

Normal Lognormal Paranormal

Exponencial Gamma Weibull

Distribución Normal

¿Qué pasa por su mente?...

Distribución Normal

Carl Friedrich Gauss

1777-1855
a

b
 1
𝜎 2𝜋

μ
Distribución Normal
 Media
Mediana
Moda Simétrica
 Tendencia central N (μ,σ)

Dispersión
99,73% del área
σ σ σ σ σ σ bajo la curva

μ
 Muchas variables en
Cualquier característica que se
fenómenos naturales
obtenga como suma de
muestran comportamiento
Normal muchos factores
Estatura
Infinidad de factores

80% Genética
20% Alimentación y ambiente

The VERY odd couple: Shortest man ever (21.5 in) meets tallest living person (8ft 1 in)
outside the Houses of Parliament for Guinness World Record Day
Promedio Desviación estándar
171,8 cm 5,9 cm

Índice de
variabilidad
3,4%
 Muestra
321 datos

Media
171,8 cm

Mediana
172,4 cm

Moda
171,9 cm
 Muestra
321 datos

Media
171,8 cm

Mediana
172,4 cm

Moda
171,9 cm

Desviación estándar
5,9 cm
 Muestra
321 datos

Media
171,8 cm

Mediana
172,4 cm

Moda
171,9 cm
-3σ +3σ
Desviación estándar
5,9 cm
 Reciclaje

Media Desviación estándar Índice variabilidad

45 kg/h 10 kg/h 22%
 Muestra
1 operador
300 h

Media
45,6 h

Mediana
45,6 h

Moda
40 h
-3σ +3σ
Desviación estándar
10,2 h
Índices
bursátiles
Índices
bursátiles 7000

6000

5000

4000

3000

Índice de
2000 Promedio Desviación estándar
variabilidad
1000
4662 668 14%
0
 Muestra
1215 datos

Media
No Normal Multimodal
4662

Mediana
4817

Moda 1
3800

Moda 2
5100
Índices
bursátiles 7000
Promedio
5158
Desviación
estándar
Índice de
variabilidad
323 6%
6000

5000
Comportamiento 2

4000 Comportamiento 1
3000
Desviación Índice de
2000 Promedio
estándar variabilidad
3934 202 5%
1000

0
 Fase 1 Fase 2
422 datos 717 datos

Media Media
3934 5158

Mediana Mediana
3947 5142

Moda Moda
3800 5100

Desviación Desviación
estándar estándar
203 328
¿Cómo calculamos la
probabilidad de
obtener un número
menor a “a”?
a

Área bajo la curva

¿Cómo calculamos la
probabilidad de
obtener un número
menor a “a”?
a
¿Cómo calculamos la
probabilidad de
obtener un número
menor a “a”?
a

¿Alguien se anima a resolver la integral?

 • Simplificación: Cambio de variable
• Así no dependemos de μ ni σ
¿Cómo calculamos la
probabilidad de
obtener un número
menor a “a”?
Distribución Normal Estándar
f (z)

z
𝑎−𝜇 0
𝜎
Tabla de distribución estándar acumulada

¿ 𝑃{𝑧 < 2,22} ? = Ф(2,22) = 0,986791

¿ 𝑃{𝑧 > 2,22} ? = 1 − Ф 2,22

= 0,013209
Resistencia
a la tracción
Repite 100 veces
 Muestra
100 ensayos
 Muestra
100 ensayos

Media
39,8 psi

Desviación estándar
1,9 psi

REQUERIMIENTO
al menos
35 psi

¿Cuán probable es
que las bolsas
cumplan con el
requisito?
¿Cuál es la variable aleatoria?
x: Resistencia a la tracción (psi)

¿Cómo se comporta?
𝑥−39,8
x ~ N (39,8; 1,92) 𝑧= 1,9
~ N (0,1)

¿Especificaciones?
x ≥ 35 psi

¿Qué nos preguntan?

P{x ≥ 35} = 1– P{x ≤ 35} = 1– P{z ≤ 35−39,8}= 1– P{z ≤ – 2,53}
1,9
= ??????
Tabla de distribución estándar acumulada
¿Cuál es la variable aleatoria?
x: Resistencia a la tracción (psi)

¿Cómo se comporta?
𝑥−39,8
x ~ N (39,8; 1,92) 𝑧= 1,9
~ N (0,1)

¿Especificaciones?
x ≥ 35 psi

¿Qué nos preguntan?

35−39,8
P{x ≥ 35} = 1– P{x ≤ 35} = 1– P{z ≤ } = 1– P{z ≤ – 2,53} La probabilidad de
1,9 cumplir el
= 1– 0,005703 requerimiento es

= 0,994297 99,4%
 Algunas propiedades útiles
Distribución Normal
 Algunas propiedades útiles
Distribución Normal
 Algunas propiedades útiles
Distribución Normal
Teorema del límite central
Muestras de tamaño n
 Algunas propiedades útiles
Distribución Normal
Teorema del límite central
Muestras de tamaño n

… o cualquier otra distribución…

 Teorema del límite central
100 muestras de 5 unidades

µ µ
𝝈
𝝈 ൗ 𝒏
 Teorema del límite central
100 muestras de 5 unidades

µ = 170,6 µ’ = 170,6

𝝈 = 6,263 𝝈′ = 2,993
 Teorema del límite central
100 muestras de 5 unidades

µ = 47,07 µ’ = 47,07

𝝈 = 5,123 𝝈′ = 2,287
 Teorema del límite central
100 muestras de 5 unidades

µ = 19,00 µ’ = 19,00

𝝈 = 4,715 𝝈′ = 2,066
 Teorema del límite central
100 muestras de 5 unidades

µ = 4,509 µ’ = 4,509

𝝈 = 2,110 𝝈′ = 1,007
MUESTREO
fvaras@utalca.cl
clasesfvc