Está en la página 1de 170

1 Universidad Politécnica Salesiana

LOGO
“ Add your company slogan ”
2
Contenidos
Panorama General
Medidas de Posición
Medidas de Variabilidad
Modelado Estadístico
Métodos Gráficos
Probabilidad
Y
Estadística
Universidad Politécnica Salesiana 3
Panorama General
1
La Estadística es una
experimentación, a partir de las
muestras tomadas en mi población.
2
Los métodos estadísticos nacieron
para controlar la incertidumbre y dejar
los falsos juicios.
3
La Estadística me da confiaza a la
conclusión de mis resultados que se
basaron en un diseño experimental
Universidad Politécnica Salesiana 4
Panorama General
4
La Estadística me ayuda a la toma
de desiciones.
5
La información esta en las muestras
que se toman de la población.
6
La Inferencia estadística es la
conclusión de mis resultados
Universidad Politécnica Salesiana 5
Medidas de Posición
Dan una medida cuantitativa de donde
esta el centro de datos de una muestra
La media representa un promedio
numérico de la muestra
La mediana representa una tendencia
central de la muestra
Media y Mediana
de una muestra
Universidad Politécnica Salesiana 6
Medidas de Posición
1
1 2 .......
n
i
Media
Xi Xi Xi Xi Xn
X
n n
=
+ + + + + +
= =
¿
La Media
1
2 2
1
2
1
2
n n
Mediana
n
Impares X
Pares X X
+
+
¬
| |
¬ +
|
\ .
La Mediana
Universidad Politécnica Salesiana 7
Ejemplo 1: media y mediana
Media
1.7 2.2 3.9 3.11 14.7
5
5.12
X
X
+ + + +
=
=
1.7
2.2
3.9
3.11
14.7
Mediana
1
2
3.9
n
X x
X
+
=
=
E. muestral
1.7
2.2
3.9
3.11
14.7
Halle la media y la mediana de la siguiente muestra:
1.7, 2.2, 3.9, 3.11, 14.7
Universidad Politécnica Salesiana 8
Ejemplo 2
Una propiedad importante de una fibra es su absorción del
Agua. Se toma una muestra de 20 piezas y se mide la
Impermeabilidad, los valores son los siguientes:
Media
18.71 23.71 19.25 ..... 22.85
20
20.768
X
X
+ + + +
=
=
Universidad Politécnica Salesiana 9
Ejemplo 2
Mediana
20 1
1.9628
2
20.61
X
X
+
=
=
Universidad Politécnica Salesiana 10
Medidas de Variabilidad
Medidas de
Variabilidad
Son indicadores de ganancia
De un proceso
Varianza
Desviación
Estandar
Universidad Politécnica Salesiana 11
Medidas de Variabilidad



Varianza
Es una medida de dispersión definida como
la esperanza del cuadrado de la desviación de dicha
variable respecto a su media.

La varianza de las variables aleatorias, por lo tanto,
consiste en una medida vinculada a su dispersión. Se
trata de la esperanza del cuadrado de la desviación de
esa variable considerada frente su media y se mide en
una unidad diferente. Por ejemplo: en los casos en
que la variable mide una distancia en kilómetros, su
varianza se expresa en kilómetros al cuadrado.

Universidad Politécnica Salesiana 12
Medidas de Variabilidad



Desviación
Estándar
La desviación estándar es un índice numérico de la
dispersión de un conjunto de datos (o población).
Mientras mayor es la desviación estándar, mayor es
la dispersión de la población. La desviación estándar
es un promedio de las desviaciones individuales de
cada observación con respecto a la media de una
distribución. Así, la desviación estándar mide el
grado de dispersión o variabilidad.
Universidad Politécnica Salesiana 13
Medidas de Variabilidad
Varianza
( )
2
2
1
1
n
i
Xi X
S
n
=
÷
=
÷
¿
Desviación
Estándar
2
S S =
Universidad Politécnica Salesiana 14
Ejemplo 1
Hallar la varianza y la desviación estándar de la siguiente
Muestra: 7.07, 7.00, 7.10, 6.97, 7.00, 7.03, 7.01, 7.01, 6.98, 7.08
Varianza
( ) ( ) ( ) ( )
2 2 2 2
2
2
7.07 7.00 7.10 ... 7.08
7.0250
10
1
7.07 7.025 7.00 7.025 7.10 7.025 ... 7.08 7.025
9
0.001939
X
S
S
+ + + +
= =
(
= ÷ + ÷ + ÷ + + ÷
¸ ¸
=
Desviación
Estandar
0.001939 0.044 S = =
Universidad Politécnica Salesiana 15
Ejemplo 2
Las mediciones para el tiempo de secado de una pintura son
las siguientes: 3.4, 2.5, 4.8, 2.9, 3.6, 2.8, 3.3, 5.6, 3.7, 2.8, 4.4,
4.0, 5.2, 3.0, 4.8 Halle su Varianza y desviación estándar
Varianza
( ) ( ) ( ) ( )
2 2 2 2
2
2
1
3.3 3.787 2.5 3.787 4.8 3.787 ... 4.8 3.787
15 1
0.94284
S
S
(
= ÷ + ÷ + ÷ + + ÷
¸ ¸
÷
=
Desviación
Estandar
0.94284
0.971
S
S
=
=
Universidad Politécnica Salesiana 16
Modelado Estadístico
Un modelado Estadístico no es un análisis de
tipo determinístico sin conlleva un análisis
estadístico.
Universidad Politécnica Salesiana 17
Modelado Estadístico
Tallo
Doble
Métodos Gráficos
Resaltan bien la violación
de suposiciones
Presione en los gráficos
para ver ejemplos
Tallo
Simple
Universidad Politécnica Salesiana 18
LOGO
“ Add your company slogan ”
19
Universidad Politécnica Salesiana 20
Probabilidad de un evento
4
Conteo de puntos de una muestra 3
Eventos
2
Reglas aditivas
5
Probabilidad condicional
6
Reglas multiplicativas
7
Espacio muestral
Regla de Bayes 8
1
Contenidos
2.1 Espacio muestral
21 Universidad Politécnica Salesiana
Datos Categóricos:
como el espacio muestral
obtenido al lanzar 2
monedas en un mismo
instante:
S = {CC, CX, XC, XX}
Datos Numéricos:
como el espacio
muestral obtenido al
lanzar un dado:
S = {1, 2, 3, 4, 5, 6}
Es el conjunto de todos los resultados posibles que se pueden obtener de un
experimento y se lo representa con la letra “S”. Pueden ser de dos tipos
dependiendo del tipo de datos q posea:
Ejemplo:
Al lazar un dado su espacio muestral es S = {1, 2, 3, 4, 5, 6}; pero si
consideramos el obtener un número par o impar entonces tendremos 2
eventos:
Evento A= número par
A= {2, 4, 6}
Evento B= número impar
B= {1, 3, 5}
2.2 Eventos
22 Universidad Politécnica Salesiana
Es un subconjunto de un espacio muestral y es la base de un
experimento. Se lo puede denotar con cualquier letra mayúscula.
Operaciones entre eventos
Unión
La unión entre dos eventos A y B es el evento que
contiene a todos los elementos pertenecientes a
ambos eventos, y se lo representa A ∪ B.
Ejemplo: Consideremos los eventos
A= {2, 3, 4, 6, 8} y B= {1, 3, 6, 7}
La unión entre ambos eventos sería:
A∪B= {1, 2, 3, 4, 6, 7, 8}
Universidad Politécnica Salesiana 23
Intersección
La intersección entre dos eventos A y B es el evento
que contiene los elementos comunes entre ambos, y
se lo representa A ∩ B.
Ejemplo: Consideremos los eventos
A= {2, 3, 4, 6,} y B= {1, 3, 6}
La intersección entre ambos eventos
sería: A∩B= {3, 6}
Tipos de eventos
Universidad Politécnica Salesiana 24
Eventos complemento
El complemento de un evento A que
pertenece al espacio muestral S, es
un subconjunto de todos los
elementos que no pertenecen al
evento A, se lo representa con Ā.
Ejemplo:
Consideremos un espacio muestral
S= {1, 2, 3, 4, 5} y un evento A= {1, 4},
entonces el evento complemento de A
es: Ā = {2, 3, 5}
Eventos excluyentes
Dos eventos A y B son excluyentes
cuando no poseen ningún elemento
en común es decir A∩B=0, lo cual
quiere decir que no pueden ocurrir
los 2 eventos de forma simultánea.
Ejemplo:
Sea los eventos A= {1, 3,5} y
B= {2, 4, 6}. Como A∩B=0,
entonces los eventos A y B son
excluyentes ya que no poseen
ningún elemento en común.
Diagrama de Venn
Universidad Politécnica Salesiana 25
Permiten representar gráficamente la relación entre
distintos conjuntos de cosas, en nuestro caso será para
representar la relación entre los elementos de cada
evento dentro de un espacio muestral. Se los suele
representar comúnmente mediante óvalos o círculos.
Ejemplo:
Sea el espacio muestral S={1, 2, 3, 4, 5, 6, 7} y los eventos
A={1,2,4,7}; E={1,2,3,6}; Ē={4,5,7} C={1,3,4,5}, mediante
diagramas de ven represente los siguientes eventos:
a) A∩E
b) A∪C
c) Ē∩A
Diagrama de Venn (Ejemplo)
Universidad Politécnica Salesiana 26
a)A∩E=*2,1+
b)
A∪C=*1,2,3,4,5,7}
c) Ē∩A=*4,7+
Leyes de Morgan
1ra Ley
2da Ley
Universidad Politécnica Salesiana 27
El complemento de la unión de eventos A y E es igual a
la intersección de los complementos de dichos
eventos:( ∪ )= Ā ∩ Ē
El complemento de la intersección de eventos A y E
es igual a la unión de los complementos de dichos
eventos:( ∩ ) = Ā ∪ Ē
Ejemplo:
Consideraremos el siguiente espacio muestral S={1, 2, 3, 4, 5, 6, 7} y los eventos
A={1,2,4,7}; E={1,3,4,5}
Por la 1ra ley: Como (A ∪ E)={1,2,3,4,5,7}; su complemento ( ∪ ) = {6}
Ahora: Ā={3,5,6} y Ē={2,6,7};entonces Ā ∩ Ē = {6}
Por la 2da ley: Como( A ∩ E)={1,4}; su complemento ( ∩ ) = {2,3,5,6,7}
Ahora Ā={3,5,6} y Ē={2,6,7};entonces Ā ∩ Ē = {2,3,5,6,7}
2.3 Conteo de puntos de una muestra
Universidad Politécnica Salesiana 28
Ejemplo
¿Determine el número de puntos muestrales que hay en un
espacio muestral cuando se lanza un par de dados una vez?
El 1er tiene la posibilidad de caer de m=6 formas y para cada una de
estas formas -El 2do dado también puede caer de n=6 formas distintas,
entonces el par de dados puede caer en: m*n= (6)(6)= 36 formas
Teorema 1: Si una operación se puede realizar en m formas diferentes
y para cada una de esas se puede realizar otra operación de n formas
distintas, entonces el número total de maneras diferentes en que se
puede realizar las 2 operaciones es igual a m*n
Regla de la Multiplicación
Regla de la Multiplicación
Universidad Politécnica Salesiana 29
Teorema 2: Si una operación se puede realizar en n
1
formas, y si para cada
una de esas se puede realizar una segunda operación en n
2
formas, y para
cada una de las anteriores se puede realizar una tercera operación en n
3
formas distintas, y así sucesivamente; entonces la serie de k operaciones se
puede realizar en n
1
.n
2
….n
k
formas.


Ejemplo:
J uan desea armar una computadora por sí mismo, y tiene la opción de
comprar los chips entre 2 marcas, un disco duro de 4 marcas, la
memoria de 3 marcas y un conjunto de accesorios en 5 tiendas locales.
¿De cuántas formas diferentes puede J uan comprar las partes?
-Marcas de chips: n
1
= 2
-Marcas de disco duro: n
2
=4
-Marcas de la memoria: n
3
=3
- Accesorios: n
4
=5
El # de formas diferentes será igual: n
1
x n
2
x n
3
x n
4
= (2)(4)(3)(5)= 120
2.3 Conteo de puntos de una muestra
Universidad Politécnica Salesiana 30
Permutaciones
Es el arreglo de
todo o parte de un
conjunto de
objetos en un
determinado
orden.
Teorema 3: el
número de
permutaciones de
n objetos distintos
es n!
Ejemplo
¿De cuantas formas distintas se
puede ordenar las letras a, b, c,
d?
Número de letras: n=4; por lo tanto
el número de permutaciones será:
n!=4!=24
Permutaciones
Universidad Politécnica Salesiana 31
Teorema 4: el número de permutaciones de n objetos
distintos tomados r a la vez es:

Ejemplo:
¿Cuántas cantidades distintas de 3 cifras se pueden
formar con los dígitos 0, 1, 2, 3 y 4?
-Número de dígitos: n=5
-Número de cifras: r=3


( )
!
!
n
P
n r
n r
=
÷
( )
5 3
5! 5!
60
5 3 ! 2!
P = = =
÷
Permutaciones
Universidad Politécnica Salesiana 32
Teorema 5: el número de permutaciones distintas de n
objetos de los que n
1
son de una clase, n
2
son de otra
clase y así sucesivamente hasta n
k
clase es:


Ejemplo:
¿De cuántas formas diferentes se puede arreglar 3
focos rojos, 4 amarillos y 2 azules en una serie de
luces de 9 lámparas?
-Focos rojos: n
1
= 3
-Focos amarillos: n
2
=4
-Focos azules: n
3
=2
-Número de lámparas: n=9
Tenemos que:
!

!

! ….

!

9!
3! 4! 2!
= 1260 formas
2.3 Conteo de puntos de una muestra
Universidad Politécnica Salesiana 33
Combinaciones
Es el número de formas de partir n objetos distintos en r
celdas o agrupaciones sin importar el orden.
Teorema 6: el número de combinaciones de n objetos
distintos tomados de r a la vez sin importar el orden es:


Un niño le pide a su mamá que le lleve 5 cartuchos de
Game Boy
TM
de su colección de 10 juegos de arcada y
5 de deportes. ¿Cuántas maneras posibles hay que su
mamá le lleve 3 juegos de arcada y 2 de deportes,
respectivamente?



( )
!
! !
n
n
r r n r
| |
=
|
÷
\ .
( )
10
10! 10!
120
3 3! 10 3 ! 3!*7!
| |
= = =
|
÷
\ . ( )
5
5! 5!
10
2 2! 5 2 ! 2!*3!
| |
= = =
|
÷
\ .
2.4 Probabilidad de un evento
Universidad Politécnica Salesiana 34
La probabilidad de ocurrencia de un evento, resultado de un experimento;
es un conjunto de números reales, que se los puede analizar mediante
pesos o probabilidades.
Teorema 7: La probabilidad de un evento A es la suma de
sus pesos, entonces,
0 ≤ P(A) ≤ 1, P(Ø) = 0, P(S) = 1
Por lo tanto, en un espacio muestral de un experimento que
posee n elementos diferentes, donde cada uno de estos tiene
un resultado igualmente probable, la probabilidad para cada
uno de ellos es:

1
n
Ejemplo del Teorema 7
Universidad Politécnica Salesiana 35
Se lanza una moneda 2 veces. ¿Cuál es la probabilidad de
tener al menos una cara?
Diagrama de árbol
Como podemos observar en
el diagrama de árbol 3
eventos cumplen con lo
pedido; HH, HT,TH cada una
con una proba de ¼ pero la
que no cumple es TT, ya
que se pedía al menos una
cara, por lo tanto la
probabilidad de obtener al
menos una cara es:


1 1 1 3
( )
4 4 4 4
P A = + + =
2.4 Probabilidad de un evento
Universidad Politécnica Salesiana 36
( )
n
P A
N
=
3
( )
8
P A =
Teorema 8: Si un experimento tiene como resultado N diferentes elementos igualmente
probables, donde el evento A contiene n elementos de dicho experimento, la probabilidad
del evento A es:
En una ruleta de 8 números, ¿cuál es la probabilidad de que al
girarla me salga un número <4?
Evento A= obtener un número <4
Total de números N=8 ;
Números <4 : n=3; por lo tanto la probabilidad de obtener un #<4 es:

3
( )
8
P A =
2.5 Reglas aditivas
Universidad Politécnica Salesiana 37
Teorema 9: Si A y B son 2 eventos, entonces:
P(A ∪ B)= P(A) + P(B) – P(A ∩ B).
-Corolario 1: Si A y B son mutuamente excluyentes, entonces:
P(A ∪ B)= P(A) + P(B)
-Corolario 2: Si A
1
, A
2
,….., A
n
son mutuamente excluyentes,
entonces: P (A
1
∪ A
2
∪….∪ A
n
)= P(A
1
) + P(A
2
)+….+P(A
n
).
-Corolario 3: Si A
1
, A
2
,….., A
n
son todo el espacio muestral,
entonces: P (A
1
∪ A
2
∪….∪ A
n
)= P(A
1
) + P(A
2
)+….+P(A
n
)= P(S)= 1.
Teorema 10: Si A, B y C son 3 eventos, entonces:
P(A ∪ B ∪ C)= P(A) + P(B) + P(C) – P(A ∩ B) – P(A ∩ C) – P(B ∩ C)
+ P(A ∩ B ∩ C).
Teorema 11: Si A y Ā son eventos complementos, entonces:
P(A) + P(Ā) = 1
Ejemplo 2.5.1
Universidad Politécnica Salesiana 38
En una clase de 100 graduados en preparatoria, 54 estudiaron matemáticas, 69 historia y
35 cursaron matemáticas e historia, si se selecciona la azar uno de ellos encuentre la
probabilidad de que el estudiante haya cursado matemáticas o historia.
Espacio muestral S=100 estudiantes
A= haya cursado MATEMÁTICAS = 5
B= haya cursado HISTORIA = 69

Ahora basándonos en tenemos que:



P(A)=54/100; P(B)= 69/100; P(A ∩ B)= 35/100
Por lo tanto la probabilidad es:
P(A ∪ B)= (0.54) + (0.69) – (0.35)= 0.88


( )
n
P A
N
=
Ejemplo 2.5.2
Universidad Politécnica Salesiana 39
¿Cuál es la probabilidad de obtener un total de 7
u 11 cuando se lanza un par de dados?




Sea el evento A=salga 7 y B= salga 11; entonces como todos los valores son
igualmente probables tenemos que: P(A)= 6/36 y P(B)= 2/36
Los eventos son mutuadamente excluyentes debido a que ambos valores no pueden
ocurrir en el mismo lanzamiento. Por lo tanto,
P(A ∪ B)= P(A) + P(B) =(1/6) +(1/18)=2/9
Ejemplo 2.5.3
Universidad Politécnica Salesiana 40
Si las probabilidades de que una persona al comprar un auto nuevo elija
un color: verde, blanco, rojo o azul son: 0.09, 0.15, 0.21 y 0.23
respectivamente. ¿Cuál es la probabilidad de un comprador dado
adquiera un auto nuevo que tenga uno de estos colores?
Sean los eventos: A= auto verde; B= auto blanco; C= auto rojo;
D=auto azul
Como estos 4 eventos son mutuamente excluyentes ya que no
puede elegir los 4 al mismo tiempo, entonces la probabilidad de que
elija uno de estos colores es:
P(A ∪ B ∪ C ∪ D)= P(A)+P(B)+P(C)+P(D)
= (0.09)+(0.15)+(0.21)+(0.23)=0.68
Ejemplo 2.5.4
Universidad Politécnica Salesiana 41





Sea el evento A= 5 autos reciban servicio y
Ā = menos de 5 autos reciban servicio.
Entonces P(Ā)= P(3)+P(4)= (0.12)+(0.19)= 0.31
Por lo tanto: P(A)= 1- P(Ā) = 1- (0.31)= 0.69
Si las probabilidades de que un mecánico automotriz de servicio a
3,4,5,6,7,8 o más vehículos en un día de trabajo son: 0.12, 0.19, 0.28,
0.24, 0.10, 0.07, respectivamente, ¿Cuál es la probabilidad de que
brinde servicio al menos a 5 vehículos día siguiente?
2.6 Probabilidad condicional
Universidad Politécnica Salesiana 42
1
Es la probabilidad de que un evento B ocurra, cuando ya se sabe la
ocurrencia de otro evento A.
La probabilidad condicional de B dado A que se denota con P(B|A)
es:
2
Eventos independientes
Dos eventos A y B son independientes cuando:
P(B|A)= P(B) o P(A|B)= P(A)
( ) P A B
( | )
( )
P B A
P A
=
Ejemplo de probabilidad condicional
Universidad Politécnica Salesiana 43

La siguiente tabla ilústrala clasificación de adultos de una pequeña ciudad
con los requisitos para obtener un título universitario.
Si se selecciona al azar uno de estos, ¿cuál es la probabilidad de que el
individuo seleccionado sea un hombre dado que tiene empleo?

Sean los eventos: M= sea hombre, y E= tenga empleo
Ahora P(M ∩ E) = 460 y P(E) = 600
Entonces la probabilidad condicional es:


( )
( )
( )
P M E
460 23
P M| E
P E 600 30
= = =
2.7 Reglas multiplicativas
Universidad Politécnica Salesiana 44
Teorema 12: Si en un experimento pueden ocurrir los eventos A y B, entonces
P(A ∩ B)= P(A).P(B|A) que equivale a P(B ∩ A)= P(B).P(A|B)
Teorema 13: Dos eventos son independientes si: P(A ∩ B)= P(A).P(B)




Ejemplo
Una bolsa contiene 4 bolas blancas y 3 negras, y una segunda bolsa
contiene 3 blancas y 5 negras. Si se saca una bola de la primera bolsa y
se introduce sin verla en la segunda bolsa ¿cuál es la probabilidad de
que ahora se saque una bola negra de la segunda bolsa?
2.7 Reglas multiplicativas (Ejemplo)
Universidad Politécnica Salesiana 45
Diagrama de árbol
Entonces la probabilidad de sacar una bola negra de la 2da bolsa es:
P(B
1
∩ N
2
) ∪ P(N
1
∩ N
2
)= (4/7)(5/9)+(3/7)(6/9)=38/63
2.8 Regla de Bayes
Universidad Politécnica Salesiana 46
Teorema 14
(Regla de eliminación) Si los eventos
B
1
,B
2
,…,B
k
constituyen una partición del
espacio muestral S tal que P(B
i
)≠0 para
i=1,2,….,k, entonces para cualquier evento
A de S.



Teorema 15
(Regla de Bayes) Si los eventos B
1
,B
2
,…,B
k
constituyen una partición del espacio
muestral S, donde P(B
i
) ≠ 0 para i/1,2,….,k,
entonces para cualquier evento A en S



( )
1 1
P P( ) P( )P( | )
k k
i i i
i i
A B A B A B
= =
= =
¿ ¿
1 1
( ) ( ) ( | )
P( | )
( ) ( ) ( | )
r r r
r k k
i i i
i i
P B A P B P A B
B A
P B A P B P A B
= =
= =
¿ ¿
Ejemplo del Teorema de Bayes
Universidad Politécnica Salesiana 47
En cierta planta de ensamble, 3 máquinas B
1
, B
2
y B
3
, montan 30, 45 y 25% de los
productos, respectivamente. Por la experiencia pasada se sabe que 2, 3 y 2% de los
productos ensamblados por cada máquina, respectivamente, tienen defectos.
Suponga que selecciona de forma aleatoria un producto terminado.
a) ¿Cuál es la probabilidad de esté
defectuoso?
b) si se elige al azar un producto y se
encuentra que está defectuoso, ¿Cuál es la
probabilidad de que haya sido ensamblado por
la maquina B
3
?
Diagrama de árbol
Ejemplo del Teorema de Bayes
Universidad Politécnica Salesiana 48
Considerando los eventos.
A= Producto defectuoso
B
1
= máquina B
1
ensamble el producto
B
2
= máquina B
2
ensamble el producto
B
3
= máquina B
3
ensamble el producto
a) Aplicando la regla de la eliminación tenemos:
P(A
1
)= P(B
1
). P(A|B
1
)=(0.3)(0.02)= 0.006
P(A
2
)= P(B
2
). P(A|B
2
)=(0.45)(0.03)= 0.0135
P(A
3
)= P(B
3
). P(A|B
3
)=(0.25)(0.02)= 0.005
Entonces la probabilidad total P(A) =
P(A
1
)+P(A
2
)+P(A
3
)=(0.006)+(0.0135)+(0.005)=0.0245

b) Empleando el teorema de Bayes tenemos que:




3 3 3 3
3 3
1
( ) ( | ) ( ) ( | ) 0.005 10
P( | )
( ) 0.0245 49
( ) ( | )
i i
i
P B P A B P B P A B
B A
P A
P B P A B
=
= = = =
¿
LOGO
“ Add your company slogan ”
49
2. Si un espacio contiene un # finito de posibilidades
(serie interminable) Se llama espacio discreto .
3.Si un espacio contiene un número infinito de posibilidades
igual al número de puntos en un segmento de línea se llama
espacio muestral continuo
4. Existen dos tipos de variables: continuas y discretas
Conceptos Generales
1. Si hay f(x) debe haber x
Universidad Politécnica Salesiana 50
Variables
Una variable aleatoria ._ Es una función
que asocia un # real a un conjunto de
elementos del espacio muestral.
Una variable continua._ Es una función
que asocia un # real a un conjunto de
elementos del espacio muestral.
Una variable discreta._ Una variable
aleatoria es discreta cuando son
contables sus elementos en un
conjunto del espacio muestral.

Universidad Politécnica Salesiana 51
Distribución de probabilidad Discreta
1
2
3
( ) 0 f x >
( ) 0 f x >
( ) ( ) f x P X x = =
( ) 1
x
f x =
¿
( ) 1
x
f x =
¿
( ) ( ) f x P X x = =
Ejemplo
Universidad Politécnica Salesiana 52
Distribución de probabilidad Continua
1
2
3
( ) 0 f x >
( ) 0 f x >
( ) ( ) f x P X x = =
( ) 1
x
f x =
¿
Ejemplo
( ) 1 f x
·
÷·
=
}
( ) ( )
b
a
P Xa x b f x dx s > =
}
Universidad Politécnica Salesiana 53
Distribuciones continuas de probabilidad
1
2
3
( ) 0 f x >
( ) ( ) f x P X x = =
Ejemplo
( ) 1 f x
·
÷·
=
}
( ) ( )
b
a
P Xa x b f x dx s > =
}
( ) P X x =
Tomamos ahora en
inérvalos
en lugar de un
valor puntual de
nuestra variable
aleatoria


( ) 1
x
f x =
¿
Universidad Politécnica Salesiana 54
Distribuciones de probabilidad conjunta discreta
1
2
3
( ) 0 f x >
( ) ( ) f x P X x = =
Ejemplo
X,Y -- Variables
aleatorias discretas
y continuas

( , ) 0 F X Y >
( , ) ] ( , )
X
Y
P X Y EA F X Y =
¿ ¿
( , ) 1
x y
f x y =
¿¿
Universidad Politécnica Salesiana 55
Distribuciones de probabilidad conjunta continua
1
2
3
( ) 0 f x >
( ) ( ) f x P X x = =
Ejemplo
( , ) 0 F X Y >
( , ) 1 f x y dxdy
· ·
÷· ÷·
=
} }
( , ) ] ( , ) P X Y EA f x y dxdy =
} }
Universidad Politécnica Salesiana 56
Ejemplos variable aleatoria discreta
Experimento Variable aleatoria Valores posibles V.A
Llamar a cinco clientes Cantidad de clientes 0, 1,2,3,4,5
Inspeccionar un
embarque de 40 chips
Cantidad de chips
defectuosos
0,1,2,….,40
Funcionamiento de un
restaurante durante un día
Cantidad de clientes 0,1,2,3…….
Vender un automóvil Sexo Cliente 0 si es hombre y 1 si es
mujer
Universidad Politécnica Salesiana 57
Ejemplos variable aleatoria continua
Experimento Variable aleatoria Valores posibles V.A
Funcionamiento de un
banco
Tiempo en minuto, entre
llegadas de clientes
X>=0
Llenar una lata de bebida
(máx =12.1 onzas)
Cantidad de onzas 0<=x<=12.1
Proyecto para construir un
biblioteca
Porcentaje de terminado
del proyecto
0<=x<=100
Ensayar un nuevo
proceso químico
Temperatura cuando se
lleva a cabo la reacción
deseada (min 150º F; máx
212ºF)
150<=x<=212
Universidad Politécnica Salesiana 58
Requerimientos de una distribución
de probabilidad
X P(X)
-1
0
1
2
3
.1
.2
.4
.2
.1
1.0
X P(X)
-1
0
1
2
3
-.1
.3
.4
.3
.1
1.0
X P(X)
-1
0
1
2
3
.1
.3
.4
.3
.1
1.2
x todo para 1 ) ( 0 s s x P
1 ) (
x todo para
=
¿
x P
Universidad Politécnica Salesiana 59
Se sacan dos bolas de manera sucesiva sin reemplazo
de una urna que contiene cuatro bolas rojas y tres negras. Los
posibles resultados y los valores y de la variable aleatoria Y, donde
Y es el número de bolas rojas, son:
EJEMPLO
2
1
1
0
EM Y
RR
RN
NR
NN
÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷ ÷
÷ ÷ ÷ ÷ ÷ ÷
Universidad Politécnica Salesiana 60
Se lanzan tres monedas y observamos el
resultado de cada una .Encuentre la
distribución de probabilidad, en forma
tabular, de la variable aleatoria X: cantidad de
sellos que se obtienen.
Grafique además un histograma de
distribución de probabilidad para el ejemplo
de las tres monedas; y encuentre la
distribución de probabilidad acumulada con
su respectiva grafica
Aplicamos la formula de probabilidad discreta
!
!( )!
n
r n r ÷
0,1, 2, 3 x =
3
( )
( )
8
1
x
f x =
3
( )
1
0
( )
8
8
1
3
( )
3
1
( )
8
8
1
3
( )
3
2
( )
8
8
1
3
( )
1
3
( )
8
8
1
f x
f x
f x
f x
= =
= =
= =
= =
x 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
0%
20%
40%
60%
80%
100%
1 2 3 4
Histograma
Series1 Series2 Series3
EJEMPLO
Universidad Politécnica Salesiana 61
Aplicamos la formula de probabilidad discreta
Considere la función de densidad




Encuentre el valor de k
Construya, grafique F(x) y utilícela para
evaluar
( ) {
0
k x
f x =
0 1 x < <
otro valor ÷
1
0
0.6
0.3
2 / 3
2 / 3
^ (5/ 2) / 3
(3* ) / 10
k x
k
f x
P x
k x
=
=
=
=
}
}
EJEMPLO
Universidad Politécnica Salesiana 62
Supongamos que el error en la
temperatura de
reacción, en grados Celsius, para un
experimento de laboratorio
controlado es una v.a.c. X que tiene la
función de densidad de
probabilidad
^ 2
( ) { , 1 3
3
0,
x
f x x
en cualquier otro caso
= ÷ ÷ ÷ ÷ ÷ ÷ ÷ < <
÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷
EJEMPLO
Universidad Politécnica Salesiana 63

Se toma al azar 2 boligrafos de 1 caja que
contiene 3 azules , 2 rojos y 3 Obtenemos
los valores de cada una de las funciones
comenzando por F(0,0)
verdes
Definimos X y al mismo tiempo Y
0,1, 2
0,1, 2
0 2
3 2 3
( )( )( )
2
( , )
8
( )
2
x
y
x y
x y x y
f x y
=
=
s + s
÷ ÷
=
Obtenemos los valores de cada
una de las funciones comenzando
por F(0,0) hasta F(2,2)
( , )[
0[0 1 2
6 9 3
1[
28 28 28
1
2[ 0 0
28
f x y x
y
EJEMPLO
Universidad Politécnica Salesiana 64
0 1 x s s
0 1 y s s
2
( , ){ (2 2 )
5
f x y x y +
resolver
1 1
0 0
2
(2 3 ) 1
5
x y dxdy + =
} }
1
1
0
0
2 ^ 2 6
( )) 1
5 5
x xy
dy + =
}
1
0
2 6
( ) 1
5 5
y
dy + =
}
1
0
2 3 ^ 2
5 5
y
y +
2 3
1
5 5
+ =
1 1 =
EJEMPLO
Universidad Politécnica Salesiana 65
LOGO
“ Add your company slogan ”
66
Definición
La esperanza matemática o valor
esperado de una variable aleatoria
discreta es la suma del producto de la
probabilidad de cada suceso por el valor
de dicho suceso.
1
( ) 1* 1 2* 2 .... * *
n
i
E X x p x p xi pi xi pi
=
= + + + =
¿


Formulas
Media
Esperanza
Desviación
Estándar
La Varianza
La Covarianza
Universidad Politécnica Salesiana 67
Un jugador lanza dos monedas. Gana 1
ó 2 € si aparecen una o dos caras. Por
otra parte pierde 5 € si no aparece cara.
Determinar la esperanza
matemática del juego y si éste es
favorable.












{[ , ]; ( , ); ( , ); ( , )}
( 1) 2 / 4
( 2) 1/ 4
( 5) 1/ 4
( ) 1*2 / 4 2*1/ 4 5*1/ 4 1/ 4
E c c c x x c x x
p
p
p
E x
=
+ =
+ =
÷ =
= + ÷ = ÷
EJEMPLO
Universidad Politécnica Salesiana 68
Variable aleatoria con
distribución de
probabilidad
Variable aleatoria con
distribución de
probabilidad f(x),
el valor esperado de g(x)
Variable aleatoria con
distribución de
Probabilidad conjunta
( ) ( )
x
u E X xf x = =
¿
( ) ( ) u E X xf x dx
·
÷·
= =
}
( ) ( ( )) ( ) ( )
x
ug x E g X g x f x = =
¿
( ) ( ( )) ( ) ( ) ug x E g X g x f x dx
·
÷·
= =
}
( , ) ( ( , )) ( , ) ( , )
x y
ug x y E g X Y g x y f x y = =
¿¿
( , ) ( , ) ( , ) ( , ) ug x y E X Y g x y f x y dxdy
· ·
÷· ÷·
= =
} }
Universidad Politécnica Salesiana 69
Se lanzan tres monedas y se cuenta el número de caras obtenidas.
Haz una tabla con las probabilidades, represéntala gráficamente y
calcula la media y la desviación típica.
1>_Construimos
la tabla, teniendo
en cuenta los valores
que puede tomar la
variable xi
obtener cara.
2 >_ Tenemos tres monedas,
el número de caras que podemos obtener será: 0, 1, 2 y 3.
Escribimos el espacio muestral para facilitar el recuento,
los casos posibles son 2
3
= 8
_ _ _ _ _ _ _ { } 1/ 8 La probabilidad de no obtener tres cruces sera xxx ÷ =
_ _ _ _ _ { , , } 3/ 8 La probabilidad de obtener una carasera xcx xxc cxx ÷ =
_ _ _ _ _ { , , } 3/ 8 La probabilidad de obtener dos carasera ccx xcc cxc ÷ =
_ _ _ _ _ { } 1/ 8 La probabilidad de obtener tres carasera ccc ÷ =
tabla
EJEMPLO
Universidad Politécnica Salesiana 70
Calcular media y desviación típica
sacar cara x
i

probabilidad
p
i

x
i
· p
i
p
i
· x
i
2

0 1/8 0 0
1 3/8 3/8 3/8
2 3/8 6/8 12/8
3 1/8 3/8 9/8
∑ 1 1,5 3
EJEMPLO
Universidad Politécnica Salesiana 71
Desviación estándar
2 2
( ) E X U o = ÷
Es la variación con respecto
al promedio
Universidad Politécnica Salesiana 72
Varianza
Varianza

La varianza la denotamos
mediante V(X) o VAR(X) o s
2
,
y se calcula como,



( )
( )
( )
¦
¹
¦
´
¦
÷ ÷
÷ ÷
= ÷ =
}
¿
· +
· ÷
Continua X .f(x)dx E(X) x
Discreta X ) .f(x E(X) x
E(X) X E V(X)
2
x
i
2
i
2
Obsérvese que del mismo modo en que se demuestra
la relación se comprueba que
V(X)=E(X
2
)-(E(X))
2

Universidad Politécnica Salesiana 73
Consideramos una variable aleatoria discreta con función de probabilidad,



Obtener el valor de la constante c para que sea una función de probabilidad,
los valores de las funciones de probabilidad y distribución para todos los
valores de x, y P(x=3), y P(x≤3).

1
( )
4
0
c
x
f x
otrocaso
>
=
La solución es
3
c
4
1
4
1
4
1
c
4
c
1 x
3 2 1 x
=
|
.
|

\
|
+ + + =
¿
·
=

X 2 3 4 5 …
f(x) 3/4 3/16 3/64 3/256 …
F(x) 0.75 0.94 0.987 0.999 ….
Esto nos da
X 2 3 4 5 …
f(x) 3/4 3/16 3/64 3/256 …
F(x) 0.75 0.94 0.987 0.999 ….
Y como se observa que: si x crece, f(x) decrece y F(x) crece hasta llegar a su máximo valor 1
P(X=3)=f(3)=0.047 P(X≤3)=0.987
EJEMPLO
Universidad Politécnica Salesiana 74
,
X 2 3 4 5 …
f(x) 3/4 3/16 3/64 3/256 …
F(x) 0.75 0.94 0.987 0.999 ….
La cual debe ser de valor 1, entonces c/4=1, esto es, c=4
luego, la función de distinción acumulada es F(x)=x
4
para 0<x≤1, 0
en valores x≤0 y 1 para x≥1
la variable aleatoria continua, función de densidad


Hallar: El valor de la constante c para que sea una función de densidad,
la función de distribución, el valor medio, y la probabilidad de que la
variable este comprendida entre 0,2 y 0,7
3
0 1
( )
0
cx x
f x
otrocaso
s >
=
Solución. Consideremos,

1
1 4
3
0
0
4 4
x c
cx dx c = =
}
EJEMPLO
Universidad Politécnica Salesiana 75
Covarianza
covarianza

mide el valor esperado del
producto de las desviaciones
con respecto a la media.

La covarianza se representa por s
xy
o σ
xy
.


Si σ
xy
> 0 la correlación es directa.
Si σ
xy
< 0 la correlación es inversa.

Universidad Politécnica Salesiana 76
Las notas de 12 alumnos de una
clase en Matemáticas y Física son
las siguientes


Hallar la Covarianza
Matemática 2 3 4 4 5 6 6 7 7 8 10 10
Física 1 3 2 4 4 4 6 4 6 7 9 10


72
6
12
x = =
60
5
12
y = =
431
6.5 5.92
12
xy
o = ÷ =
EJEMPLO
Universidad Politécnica Salesiana 77
LOGO
“ Add your company slogan ”
78
Contenido
1
.
2
3
. 4
5
6
Universidad Politécnica Salesiana 79
Distribucion unifome discreta
La Media de la
distribución
está dada por:
² =

( −)²

=

=
1

,

=1

La varianza
está dada
por:
Si la variable toma valores
, , …. , con las mismas
probabilidades, entonces, la
distribución uniforme
discreta esta dada por:
; =

, = , , …. .

Donde la distribución
depende del término .
Universidad Politécnica Salesiana 80
Distribuciones binomial
Consiste en n ensayos que se repiten
Cada ensayo produce un resultado que
se puede clasificar con éxito o fracaso
La probabilidad de éxito se denota con .
Los ensayos que se repiten son
independientes
Proceso
Bernoulli
Universidad Politécnica Salesiana 81
Distribución Binomial
Un experimento
Bernoulli puede
tener como resultado
un éxito con probabilidad
p o un fracaso q=1-p, entonces
la probabilidad de la
variable X, con el
numero n ensayos
independientes es:
La varianza de la
distribución
Binomial
(; , ) es:


=
La varianza de la
distribución Binomial
(; , ) es:

² =

; , =


,

= 0,1,2…,
Universidad Politécnica Salesiana 82
Demostración del experimento:
 En los n ensayos se han producido x éxitos y n – x
fracasos, por lo tanto siendo ensayos independientes
la probabilidad de obtener estos resultados es

(1 −)

.
 Pero en los n ensayos realizados hay

formas
diferentes de obtener x éxitos y los n-x fracasos.
 El símbolo

representan el número de
combinaciones o arreglos diferentes que obtienen con
n elementos, tomando un grupo de x elementos.

Universidad Politécnica Salesiana 83
Ejemplo1:
 Se realizan 8 lanzamientos de un dado. Calcule la
probabilidad de obtener 4 veces el número 6.
n = 8
p = 1/6
X:
x= 0, 1, 2, …, 8

P(X=x) = f(x) =

(1 −)

=
8

1/6

(5/6)
8−

Donde se obtiene:
P(X=4) = f(4) =
8
4
1/6
4
(5/6)
8−4
=0,026

Universidad Politécnica Salesiana 84
Ejemplo 2:
 Una fábrica tiene una norma de control de calidad consistente en elegir al
azar diariamente 20 artículos producidos y determinar el número de
unidades defectuosos. Si hay dos o más artículos defectuosos la
fabricación se detiene para inspección de los equipos. Se conoce por
experiencia que la probabilidad de que un artículo producido sea
defectuoso es 5%. Encuentre la probabilidad de que en cualquier día la
producción se detenga al aplicar esta norma de control de calidad.

P(X=x) = f(x) =

(1 − )

=
20

0.05

(0.95)
20−

P(X≥2) = 1 - P(X≤1)
P(X≥2) = 1 – [ P(X=0) + P(X=1)]
P(X ≥2) = 0.2641 = 26.41%

Universidad Politécnica Salesiana 85
Ejemplo 3 en Matlab
 >> f = binopdf (0, 20, 0.05)
 >> f = binopdf (1, 20, 0.05)
 >> f = binocdf (3, 10, 0.2)

 Probabilidad con distribución binomial acumulada P (X≤3), n=10, p=0.2

>> x = 0:10;
>> f = binopdf (x, 10, 0.65)
>> bar(f, 1, „b‟), grid on

>> f = binocdf (x, 10, 0.65)
>> plot (x, f, „ob‟)
>> hold on
>> plot (x, f, „k‟), grid on







Universidad Politécnica Salesiana 86
Media y Varianza de la distribución binomial
 Definición



 Encuentre la media y la varianza para el
ejemplo del control de calidad en la
fábrica.

Universidad Politécnica Salesiana 87
Ejercicios propuestos
La variable aleatoria X tiene distribución discreta uniforme para x = 1, 2, 3, …, 50
 A) Determine la media y la varianza de X
 B) calcule la P(5<X≤10)
 C) Calcule la media y varianza de la variable aleatoria Y=5X

La variable aleatoria X tiene distribución binomial con n=8, p=0.4
a) Defina la función de distribución de probabilidad de X
b) Grafique la función de distribución de probabilidad
c) Grafique la función de distribución de probabilidad acumulada
d)Calcule P(X=5)
e) Calcule P(X≤2)

Un ingeniero que labora en el departamento de control de calidad de una empresa eléctrica
inspecciona una muestra al azar de tres motores de la producción. Se sabe que 15% de
motores salen defectuosos. Calcule la probabilidad que en la muestra
a) ninguno sea defectuoso
b) unos sea defectuoso
c) al menos dos sean defectuosos
d) Obtenga la media y varianza de la variable aleatoria
Universidad Politécnica Salesiana 88
Ejercicios propuestos
La probabilidad de que un disco compacto dure al menos un año sin que falle
es de 0.95. Calcule la probabilidad de que en 15 de estos aparatos elegidos al
azar,
a) 12 duren menos de un año
b) A lo mas 5 duren menos de un año
c) Al menos duren menos de un año
d) Obtenga la media y la varianza de la variable aleatoria
Universidad Politécnica Salesiana 89
Distribución Binomial Negativa
Universidad Politécnica Salesiana 90
Características
Ensayos
Independientes
Los ensayos
tienen 2
resultados
posibles
La cantidad de
ensayos que se
realizan hasta
obtener los
éxitos deseados
K
Distribución binomial negativa
 Definición:
Universidad Politécnica Salesiana 91
Demostración
• Cada «éxito» ocurre con probabilidad p
• Cada «fracaso» con probabilidad 1-p
• En algún ensayo x se tendrán finalmente k éxitos, por lo
tanto la probabilidad de obtener k éxitos y los x-k fracasos es
el producto:

(1 −)


• Antes de obtener un k-ésimo «éxito» se realizaron x-1
ensayos en los que se obtuvieron k-1 éxitos. Esto ocurre en
−1
−1
formas diferentes, por lo que su número es un factor
multiplicativo a la fórmula.
Universidad Politécnica Salesiana 92
Ejemplo 1
 Suponiendo que la probabilidad de que una persona contraiga la
enfermedad a la que está expuesta es 30%, calcule la probabilidad
que la décima persona expuesta a la enfermedad sea la cuarta en
contraerla.

 P(X=x) = f(x) =
−1
4 −1
0.3
4
(1 −0.3)
−4
, x=4,5,6…

 Por lo tanto

 P(X=10) = f(10) =
10 −1
4 −1
0.3
4
(1 −0.3)
10−4
= 0.08
Universidad Politécnica Salesiana 93
Ejemplo 2 Matlab
 >>f = nbinpdf (10, 4, 0,3)
 X=10, k=4, p=0.3

>>f = nbincdf (6, 4, 0.3)
Proba bino neg acumulada P(X≤6), k=4, p=0.3

>>x=0:40;
>>f = nbipdf (x, 4, 0.3)
>>bar (f, 1, „b‟), grid on
Dist bino neg x=0, 1, 2… 40
Universidad Politécnica Salesiana 94
Media y varianza de la distribución binomial
negativa
 Definición
Universidad Politécnica Salesiana 95
Distribución Geométrica
Es un caso especial de la distribución
binomial negativa, cuando k=1
Nos interesa conocer la probabilidad de
obtener el primer «éxito» respecto a los n
ensayos.
Universidad Politécnica Salesiana 96
Diferencias
Binomial Negativa

Si pruebas independientes
tienen como resultados un éxito
Con probabilidad p, o un fracaso q,
Entonces el numero de la prueba
en la que ocurre el k-esimo éxito
es:

∗ ; , =
−1
−1



= , +1, + 2…
Geométrica
Si pruebas independientes
repetidas tienen como resultado
un éxito p o un fracaso q, entonces
el numero de la prueba en el
que ocurra el primer éxito es:
; =
−1
, = 1,2,3. .
Media y varianza:
=
1

, ² =
1−

2

Universidad Politécnica Salesiana 97
Definición:
 Sean X: variable aleatoria discreta con
distribución geométrica (cantidad de ensayos
realizados hasta obtener el primer «éxito»
 x =1, 2, 3, 4….
 p = probabilidad de «éxito» (constante en cada
ensayo)
 Entonces la distribución de probabilidad de X
es:
= = = (1 −)
−1

Universidad Politécnica Salesiana 98
Media y varianza de la distribución
geométrica
Universidad Politécnica Salesiana 99
Definición:
Ejemplo:
 Calcule la probabilidad que en el quinto lanzamiento de
tres monedas se obtengan 3 sellos por primera vez.

 X=1,2,3…

Universidad Politécnica Salesiana 100
= = = (1/8)(7/8)
−1

= 5 = 5 =
1
8
7
8
5−1
= 0,0733
Ejemplo en Matlab:
 f = geopdf(4,1/8)
 Probabilidad con la distribución geométrica:
x=4, p=1/8, x es el numero de fracasos hasta
obtener el primer «éxito».

x=0:40;
f = geopdf(x,1/8)
bar(f,1,‟b‟), grid on

Universidad Politécnica Salesiana 101
Distribución Hipergeométrica
En esta probabilidad el numero de
éxitos en una muestra aleatoria de
tamaño n que se selecciona de N artículos,
en los que k se denomina éxito y N-k fracaso
Covarianza:
² =

−1
∗ ∗

(1 −

)
Varianza:
=

Tomar una muestra sin reemplazo
significa que los elementos son
tomados uno a uno, sin devolverlos.
En conclusión los ensayos no son
Independientes.
Universidad Politécnica Salesiana 102
N: Cantidad de elementos del conjunto de la muestra
K: cantidad de elementos que se consideran éxito
N: tamaño dela muestra
X: Variable aleatoria discreta
Demostración:
Universidad Politécnica Salesiana 103
Ejemplo:
 Una caja contiene 9 baterías de las cuales 4 están en buen estado y
las restantes son defectuosas. Se toma una muestra eligiendo al
azar tres baterías. Calcule la probabilidad que en la muestra se
obtengan:
 Ninguna batería en buen estado
 Al menos una batería en buen estado
 No mas de dos baterías en buen estado

N=9 (total de elementos del conjunto)
K=4 (total de elementos considerados éxitos)
n = 3 (tamaño de la muestra)

Universidad Politécnica Salesiana 104

 a)
=0.119
 b)

 c)
 ≤ 2 = = 0 + = 1 +
= 2 = 0 + 1 + 2 = 0.9523

Universidad Politécnica Salesiana 105
Media y varianza de la distribución hipergeométrica
 Definición:
Universidad Politécnica Salesiana 106
Ejemplos en Matlab:
 Distribución binomial negativa
 f = nbinpdf(6, 4, 0.3)
• Prob. Con x=6, k=4, p=0.3 x es el numero de
«fracasos» hasta obtener k «exitos»
 f = nbincdf(6, 4, 0.3)
• Prob. con distribución acumulada P(X≤6), k=4,
p=0.3, x=0,1,2,…6
f = 0:40;
f = nbinpdf(x, 4, 0.3)
bar(f, 1, „b‟), grid on

Universidad Politécnica Salesiana 107
Ejemplo en Matlab:
 Distribución geométrica
 f = geopdf(4, 1/8)
 Prob. Con la distrib x=4, p=1/8, x es el
numero de fracasos hasta obtener el primer
éxito.
x = 0:40;
f = geopdf(x, 1/8)
Bar (f, 1, „b‟); grid on
Universidad Politécnica Salesiana 108
Ejemplo en Matlab:
 Distribución hipergeométrica
 f = hygepdf(0, 9, 4, 3)
 Dist. Hyper x=0, N=9, k=4, n=3. Calculo de P(X=0)
f = hygecdf(2, 9, 4, 3)
Distr hyper acumulada P(X≤2), N=9, K=4, n=3,
x=0,1,2
[mu, var] = hygestat(9, 4, 3)
Media y varianza de la dist. Hypergeo N=9, K=4,
n=3

Universidad Politécnica Salesiana 109
 x = 0:10;
 f = hygepdf(x, 75, 20, 10)
 bar(f, 1, „b‟), grid on
Universidad Politécnica Salesiana 110
Ejercicios:
 1. La probabilidad que una persona expuesta a cierta enfermedad la
contraiga es 0.3. Calcule la probabilidad que la quinta persona expuesta a
esta enfermedad sea la segunda en contraerla.
 2. Suponga que en dos de cada diez intentos, un vendedor realiza una
venta. Calcule la probabilidad que el sexto intento realice la primera venta.
 3. Suponga que la probabilidad de tener un hijo varón o mujer son iguales a
0.5. Calcule la probabilidad que en una familia
 a. El cuarto hijo sea el primer varón
 b. El tercer hijo sea la segunda mujer
 c. El quinto hijo sea el tercer varón o sea la cuarta mujer
4. Una caja de diez alarmas contra robo contiene 4 defectuosos. Si se
seleccionan al azar tres de ellas y se envía a un cliente, calcule la
probabilidad que el cliente reciba
a. Ninguna defectuosa
b. No mas de una defectuosa
c. Al menos una defectuosa

Universidad Politécnica Salesiana 111
 5. La probabilidad de que un estudiante para
conductor apruebe el examen para obtener su
licencia de conducir es 0.8, encuentre la
probabilidad de que una persona aprueba el
examen
 a. En el segundo intento
 b. En el tercer intento
Universidad Politécnica Salesiana 112
Distribucion de Poisson y proceso de Poisson
1
El numero de
resultados que
ocurren en un
intervalo o región,
es independiente
a los que ocurren
en otra región u
otro intervalo.
2
La probabilidad
de que ocurra un
solo resultado en
un intervalo es
proporcional a la
longitud del
intervalo y no
depende de otros.
3

La probabilidad de
que ocurra mas de
un resultado en tal
intervalo corto o que
caiga en tal región
pequeña es
insignificante.
Propiedades del proceso Poisson
Universidad Politécnica Salesiana 113
 Situaciones que se pueden analizar:
Universidad Politécnica Salesiana 114
Número de defectos por unidad de área en piezas
similares de un material
Número de personas que llegan a una estación
en un intervalo de tiempo dado.
Número de errores de transmisión de datos en un
intervalo de tiempo dado.
Número de llamadas telefónicas que entran a una
central por minuto.
Número de accidentes automovilísticos
producidos en una intersección, en una semana.
Definición:
 X: variable aleatoria discreta con dist, poisson
(cantidad de éxitos en una región o intervalo
específico)
 x = 0,1,2,….
 λ = cantidad promedio de éxitos en la región o
intervalo especifico

 =
λ

−λ
!
x = 0,1,2…. e=2,718
Universidad Politécnica Salesiana 115
Ejemplo:
 La cantidad de errores de transmisión de datos en una hora es 5 en
promedio. Suponiendo que tiene distribución de Poisson, determine
la probabilidad que:
 a) En cualquier hora oscurra solamente 1 error.
 b) En cualquier hora ocurran al menos 3 errores.
 c) En dos horas cualesquiera ocurran no más de 2 errores

Sea X: variable aleatoria discreta (cantidad de errores por hora)
λ = 5 (promedio de errores de transmision en 1 hora)
Universidad Politécnica Salesiana 116
= 1 = 1 =
5
1

−5
1!
= 0.0337
≥ 3 = 1 − ≤ 2 = 1 − 0 + 1 + 2 = 1 − 0.1247 = 0.8743
≤ 2 = 0 + 1 + 2 =
10
0

−10
0!
+
10
1

−10
1!
+
10
2

−10
2!
= 0.0028
Universidad Politécnica Salesiana 117
Media y varianza de la distribución de Poisson
 Definición:
Aproximación de la Distribución binomial mediante
la distribución de Poisson
En la distribución binomial cuando n es muy grande, no es
práctico el uso de la fórmula.
Suponga que n=200, p=0.05 y se quiere calcular la probabilidad
que la variable aleatoria X tome el valor de 5
Para este tipo de ejemplos, es recomendable utilizar Poisson con
λ =np
Universidad Politécnica Salesiana 118
= 5 = 5 =

(1 − )

=
200
5
0.05
5
(0.95)
200−5
= 0.036

, , =
λ


!
=
10
5

−10
5!
= 0.038
Ejemplo en Matlab
 f = poisspdf(1,5)
 Probabilidad con la distri de poisson, x=1, λ=5

f = poisscdf(2,5)
Probabilidad con la distri de poisson acumulada
P(X≤2), λ=5
X=0:15;
f = poisspdf(x,5)
bar(f,1,’b’)


Universidad Politécnica Salesiana 119
Ejercicios
 Cierto tipo de tela usada en tapicería tiene, en promedio, dos defectos por
metro cuadrado. Si se supone una distribución de Poisson, calcule la
probabilidad que
 a) Un rollo de 30
2
tenga no mas de 5 defectuosos
 b) Un rollo de 30
2
tenga al menos 6 defectuosos
 c) Un rollo de 60
2
tenga exactamente 10 defectuosos

Un cargamento grande de libros contiene 3% de ellos con encuadernación
defectuosa. Utilice la aproximación de Poisson para determinar la
probabilidad que entre 400 libros seleccionados al azar de cargamento,
a) Exactamente 10 libros estén defectuosos
b) Al menos 10 tengan defectos

Un bar prepara un batido especial que contiene en promedio 4 frutas
diferentes, encuentre la probabilidad de que el batido contenga más de 4
frutas:
a) En un determinado día
b) En 3 de los siguientes 5 días
Universidad Politécnica Salesiana 120
Ejemplos
Ejemplos
Distribución Binomial Negativa y
Geométrica
Distribución Uniforme Discreta
Distribución de Poisson
Tabla A2
Distribución Binomial y
Multinomial
Distribución Hipergeométrica
Universidad Politécnica Salesiana 121
Discreta

Cuando se lanza un dado legal, cada elemento del espacio muestral S={1,2,3,4,5,6} ocurre con una
probabilidad de 1/6 por lo tanto tenemos una distribución uniforme con:

; 6 =
1
6


= 1,2,3,4,5,6
Universidad Politécnica Salesiana 122
La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80%
de los lectores ya la han leído. Un grupo de 4 amigos son aficionados a la lectura:
a). ¿Cuál es la probabilidad de que el grupo hayan leído la novela 2 personas?
n = 4
p = 0.8
q = 0.2
B(4, 0.8)
= 2 =
4
2
0,8² ∗ 0,2
2
=
4 ∗ 3
2
0,64 0,04
= 2 = 0,1536

b)¿Y menos de 2?
= 2 =p(x=0)+p(x=1)+p(x=2)=
=
4
0
0,8
0
∗ 0,2
4
+
4
1
0,8
1
∗ 0,2
3
+
4
2
0,8
2
∗ 0,2
2

= 0,1808
Binomial:
Universidad Politécnica Salesiana 123
Multinomial
La complejidad de las llegadas y las salidas en un aeropuerto es el que a menudo se utiliza la
simulación computarizada para modelar las condiciones ideales. Para un aeropuerto especifico que
contiene tres pistas se sabe que, en el escenario ideal, las siguientes son las probabilidades de que
las pistas individuales sean utilizadas por un avión comercial que llega aleatoriamente:

Pista1: p1=2/9
Pista2: p2=1/16
Pista3: p3=11/18
¿Cuál es la probabilidad de que 6 aviones que llegan al azar se distribuyan de la siguiente manera?
Pista1: 2 aviones
Pista2: 1 avión
Pista3: 3 aviones

2,1,3;
2
9
,
1
16
,
11
18
, 6 =
6
2,1,3
2
9
2
1
6
1
(
11
18
)
3

=
6!
2! 1! 3!

4
81

1
6

11
3
18
3
= 0,1127
Universidad Politécnica Salesiana 124
Hipergeométrica
Los lotes de 49 componentes cada uno se denominan aceptables si no contienen mas
de tres defectuoso. El procedimiento par muestrear el lote consiste en seleccionar 5
componentes al azar y rechazar el lote si se encuentra un componente defectuoso.
¿Cuál es la probabilidad de que se encuentren exactamente 1 defectuoso en la muestra,
si hay 3 defectuosos en todo el lote?

N=4
n=5
k=3
x=1
1; 40,5,3 =
3
1
37
4
(
40
5
)
= 0,3011
Universidad Politécnica Salesiana 125
Binomial negativa
Para tratar a un paciente de una afección de pulmón han de ser operados en operaciones
independientes sus 5 lóbulos pulmonares. La técnica a utilizar es tal que si todo va bien, lo que ocurre
con probabilidad de 7/11, el lóbulo queda definitivamente sano, pero si no es así se deberá esperar el
tiempo suficiente para intentarlo posteriormente de nuevo. Se practicará la cirugía hasta que 4 de sus
5lóbulos funcionen correctamente. ¿Cuál es el valor esperado de intervenciones que se espera que
deba padecer el paciente? ¿Cuál es la probabilidad de que se necesiten 10 intervenciones?

Solución: Este es un ejemplo claro de experimento aleatorio regido por una ley binomial negativa, ya
que se realizan intervenciones hasta que se obtengan 4 lóbulos sanos, y éste es el criterio que se
utiliza para detener el proceso. Identificando los parámetros se tiene:
= 4, =
7
11
=
+ −1

Lo que nos interesa es medir el número de intervenciones, Y, más que el número de éxitos hasta el r-
ésimo fracaso.
Y=X+r
Luego
= + =

+ =
4 ∗
7
11
4
11
+ 4 = 11
Luego el número esperado de intervenciones que deberá sufrir el paciente es de 11. La probabilidad
de que el número de intervenciones sea Y=10, es la de que X=10-4=6. Por tanto:
6 +4 −1
6

6

4
= 0,03185
Universidad Politécnica Salesiana 126
Geométrica
Se sabe que cierto proceso de fabricación, en promedio, uno de cada 100 artículos esta defectuoso.
¿Cuál es la probabilidad de que el quinto articulo que se inspecciona sea el primer defectuoso que se
encuentre?

= 5
= 0,01
5,0,001 = 0,01 0,99
4
= 0,0096

Media y varianza:
=
1

=
1
0,01
= 100

² =
1 −

2
=
1 −0,01
0,01
2
= 9900
Universidad Politécnica Salesiana 127
Poisson
Durante un experimento de laboratorio el numero promedio de partículas
radiactivas que pasa a través de un contador en un milisegundo es 4. ¿Cuál es la
probabilidad de que 6 partículas entren al contador en un milisegundo dado?

X=6
λ =4

6; 4 =

−4
4
6
6!
= ; 4 − ; 4 = 0,8893 −0,7851
5
=0
= 0,1042
6
=0

Universidad Politécnica Salesiana 128
LOGO
“ Add your company slogan ”
129
Contenido
Distribución uniforme continua
1
Distribución normal
2
Distribuciones gamma y exponencial
3
Distribución chi cuadrada
4
Distribución logarítmica normal
5
Distribución Weibull
6
Universidad Politécnica Salesiana 130
Distribución uniforme continua
En estadística es una de las
distribuciones continuas mas
simples.
Se caracteriza por una función
de densidad que es “plana” y,
por ello la probabilidad es
uniforme en un intervalo
cerrado [A,B].
Universidad Politécnica Salesiana 131
Distribución uniforme continua
La función de densidad de la variable
uniforme continua X en el intervalo [A,B] es
; , =


, ≤ ≤ ,
,

Universidad Politécnica Salesiana 132
Media


=
+

Teorema 1
Media y Varianza
Varianza

=
( −)

Distribución uniforme continua
Universidad Politécnica Salesiana 133
Ejemplo 1
a) ¿Cuál es la función de densidad
de la probabilidad?
b) ¿Cuál es la probabilidad de que
cualquier conferencia dada
dure al menos 3 horas?
Suponga que una sala de conferencias se puede
reservar para cierta compañía por no más de
cuatro horas. Sin embargo, el uso de la sala de
conferencias es tal que muy a menudo tienen
conferencias largas y cortas. De hecho, se puede
suponer que la duración X de una conferencia
tiene distribución uniforme en el intervalo [0 , 4].
Universidad Politécnica Salesiana 134
Solución - Ejemplo 1
a) ¿Cuál es la función de densidad de la probabilidad?
Función de densidad,
; , =


, ≤ ≤ ,
,

Reemplazamos los valores tanto de A como de B y obtenemos,
; , =

, ≤ ≤ ,
,

Universidad Politécnica Salesiana 135
Solución - Ejemplo 1
Para ello integramos nuestra función de densidad, como nos pide la probabilidad de
que al menos dure 3 horas, los limites de integración son 3 (L.I) y 4 (L.S).
≥ 3 =
1
4

4
3

≥ 3 =
1
4

4
3

≥ 3 =
1
4

b) ¿Cuál es la probabilidad de que cualquier conferencia dada
dure al menos 3 horas?
Universidad Politécnica Salesiana 136
Distribución normal
En estadística es la
distribución continua mas
importante.
También conocida como
distribución de Gauss o
distribución gaussiana,
además es la distribución de
probabilidad de variable
continua que con más
frecuencia aparece aproximada
en fenómenos reales.
Universidad Politécnica Salesiana 137
Distribución normal
La densidad de la variable aleatoria normal X, con media y
varianza
2
, es
; , =
1
2


1
2
2

2
,

−∞ < < ∞,
Universidad Politécnica Salesiana 138
Media


=



−∞



Teorema 2
Media y Varianza
Varianza

=

( − )


−∞

Distribución normal
Universidad Politécnica Salesiana 139
Distribución normal
Área bajo la curva normal

=

Distribución normal estándar
Se llama así ala distribución de una variable aleatoria
normal con media 0 y varianza 1.
Universidad Politécnica Salesiana 140
Ejemplo 2
a) A la derecha de z = 1.84 y
b) Entre z = -1.97 y z= 0.86
Dada una distribución de normal estándar,
encuentre el área bajo la curva que yace
Universidad Politécnica Salesiana 141
Solución - Ejemplo 2
a) A la derecha de z = 1.84 y
Nos dirigimos a la tabla A3 y procedemos a encontrar un
valor correspondiente a z=1.84,
Tabla A3
El valor correspondiente a z=1.84 es 0.9671.
Como nos dice que es a la derecha procedemos a
restar 1 menos el valor correspondiente de z.
Por lo tanto el área bajo la curva es
= 1 – 0.09671
= 0.0329
Universidad Politécnica Salesiana 142
Solución - Ejemplo 2
Nos dirigimos a la tabla A3 y procedemos a encontrar un
valor correspondiente a z=-1.97 y z=0.86,
Tabla A3 Tabla A3
El valor correspondiente a z=-1.97 es 0.0244, mientras
que el valor correspondiente a z=0.86 es 0.8051
Como nos dice entre z=-1.97 y z=0.86, procedemos
restar el valor de la derecha menos el de la izquierda.
Por lo tanto el área bajo la curva es
= 0.8051 - 0.0244
= 0.7807
b) Entre z = -1.97 y z= 0.86
Universidad Politécnica Salesiana 143
Distribución gamma
La distribución gamma su
nombre deriva de la
función gamma, que
estudia en muchas áreas
de las matemáticas.
La función
gamma se define
como:
=


,
>
= −1 !
Universidad Politécnica Salesiana 144
Distribución gamma
La variable aleatoria continua X tiene una distribución gamma,
con parámetros y , si su función de densidad esta dado por:
; , =
1

()

−1

, > 0
0,

Donde α > 0, > 0
Universidad Politécnica Salesiana 145
Media


=


Teorema 3
Media y Varianza
Varianza

=

Distribución gamma
Universidad Politécnica Salesiana 146
Distribución exponencial
La distribución exponencial es un caso especial de
la distribución gamma. Ambas cuentan con un
gran numero de aplicaciones.
La distribución gamma especial para la que =1
se llama distribución exponencial.

Universidad Politécnica Salesiana 147
Distribución exponencial
; =
1


, > 0
0,

Donde > 0
La variable aleatoria continua X tiene una distribución
exponencial, con parámetro , si su función de densidad esta
dado por:
Universidad Politécnica Salesiana 148
Media


=


Teorema 4
Media y Varianza
Varianza

=

Distribución exponencial
Universidad Politécnica Salesiana 149
Ejemplo 3
Suponga que las
llamadas telefónicas
que llegan a un
conmutador particular
siguen un proceso de
Poisson con un
promedio de 5
llamadas entrantes
por minuto.
¿Cuál es la
probabilidad de que
transcurra a lo mas
un minuto hasta que
lleguen dos llamadas
al conmutador?
Universidad Politécnica Salesiana 150
Solución - Ejemplo 3
El proceso de Poisson se aplica
al tiempo que pasa hasta la
ocurrencia de 2 eventos de
Poisson que siguen una
distribución gamma con = 1/5
y = 2.
La probabilidad que se
requieres esta dada por:
≤ 1 =
1

2
1
0

≤ 1 = 25
1
0

−5

≤ 1 = 1 −
−5
(1 + 5)

≤ 1 = 0.96
Universidad Politécnica Salesiana 151
Ejemplo 4
Suponga que un sistema contiene cierto
tipo de componente cuyo tiempo de
operación antes del fallo, en años, esta
dado por T. La variable aleatoria T es
modelada bien mediante la distribución
exponencial con tiempo medio de
operación antes del fallo = 5. Si se
instalan 5 de esos componentes en
diferentes sistemas.
¿Cuál es la
probabilidad de
que al menos dos
aún funcionen al
final de 8 años?
Universidad Politécnica Salesiana 152
Solución - Ejemplo 4
> 8 =
1
5

5

8

Representamos con X el número de componentes que funcionan
después de 8 años. Utilizamos la distribución binomial:
≥ 2 = (; 5,0.2)
5
=2

≥ 2 = 1 − (; 5,0.2)
1
=0

≥ 2 = 1 − 0.7373 = 0.2627
La probabilidad de que un componente dado aún funcione después de 8
años esta dado por:
Universidad Politécnica Salesiana 153
Distribución chi cuadrada
Es otro caso especial de la
distribución gamma.
Se obtiene al hacer
=

2
= 2
Donde v es un entero positivo.
La distribución tiene un solo
parámetro “v”, llamado grados de
libertad.
Universidad Politécnica Salesiana 154
Distribución chi cuadrada
La variable aleatoria continua X tiene
una distribución chi cuadrada, con v
grados de libertad, si su función de
densidad esta dado por:
; =
1
2
/2
/2

/(2−1)

−/2
, > 0
0,

Donde es un entero positivo.
Universidad Politécnica Salesiana 155
Media


=


Teorema 5
Media y Varianza
Varianza

=

Distribución chi cuadrada
Universidad Politécnica Salesiana 156
Distribución logarítmica normal
Es una distribución
de probabilidad de
cualquier variable
aleatoria con su
logaritmo
normalmente
distribuido.
Si X es una variable
aleatoria con una
distribución normal,
entonces exp(X)
tiene una
distribución log-
normal.
La distribución se
aplica en casos
donde una
transformación
logarítmica natural
tiene como resultado
una distribución
normal.
Universidad Politécnica Salesiana 157
Distribución logarítmica normal

(; , ) =
1
2


1
2
2
| ln − |
2
, ≥ 0
0, < 0

.
La variable aleatoria continua X tiene una distribución
logarítmica normal si la variable aleatoria Y= ln(X) tiene una
distribución normal con media y desviación estándar . La
función de densidad de X esta dada por:
Universidad Politécnica Salesiana 158
Media


=
+

/



Teorema 6
Media y Varianza
Varianza

=
+

(

−)

Distribución logarítmica normal
Universidad Politécnica Salesiana 159
Ejemplo 5
La vida, en miles de millas, de un cierto
tipo de control electrónico para
locomotoras tiene una distribución
logarítmica normal aproximada con
= 5.149 y = 0.737.
Encuentre el
quinto percentil
de la vida de
esa locomotora
Universidad Politécnica Salesiana 160
Solución - Ejemplo 5
Denotamos con X la vida media de dicha locomotora.
Por lo tanto el quinto percentil de X se obtiene de la siguiente manera:

ln = + ∗
ln = (5.149) + (0.737) ∗ (−1.645)
ln = 3.937

Entonces X=51.256. esto significa que solo el 5% de las locomotoras
tendrán un tiempo de vida menor que 51.256 miles de millas.
A partir de la tabla A3. encontramos un valor correspondiente a -1.645
que es 0.05
Tabla A3
Universidad Politécnica Salesiana 161
Distribución de Weibull
La distribución de
Weibull es una
distribución de
probabilidad continua.
Aplicada por primera vez
para describir la
distribución de los
tamaños de
determinadas partículas.
Universidad Politécnica Salesiana 162
Distribución de Weibull
La variable
aleatoria continua X
tiene una
distribución de
Weibull, con
parámetros si
su función de
densidad
esta dada por:

; , =
α
−1

, > 0
0,


Donde >0
.
Universidad Politécnica Salesiana 163
Media


=

( +

)


Teorema 6
Media y Varianza
Varianza

=

+

− +

Distribución de Weibull
Universidad Politécnica Salesiana 164
Ejemplo 6
El tiempo de vida X,
en horas, de un
articulo en el taller
mecánico tiene una
distribución de
Weibull con
= 0.01 = 2.
¿Cuál es la
probabilidad de
que falle antes
de 8 horas de
uso?
Universidad Politécnica Salesiana 165
Solución - Ejemplo 6
La probabilidad que se
requieres esta dada por:

< = 1 −

< 8 = 1 −
−0.018
2

< 8 = 1 −0.527
< 8 = 0.473
Universidad Politécnica Salesiana 166
Tabla A3 (1)


Retornar - Ejemplo 2
Universidad Politécnica Salesiana 167
Tabla A3 (2)








Retornar - Ejemplo 2
Universidad Politécnica Salesiana 168
Tabla A3 (2)








Retornar - Ejemplo 2
Universidad Politécnica Salesiana 169
LOGO
“ Add your company slogan ”