Materia

1 Universidad Politcnica Salesiana
LOGO
Add your company slogan
2
Contenidos
Panorama General
Medidas de Posicin
Medidas de Variabilidad
Modelado Estadstico
Mtodos Grficos
Probabilidad
Y
Estadstica
Universidad Politcnica Salesiana 3
Panorama General
1
La Estadstica es una
experimentacin, a partir de las
muestras tomadas en mi poblacin.
2
Los mtodos estadsticos nacieron
para controlar la incertidumbre y dejar
los falsos juicios.
3
La Estadstica me da confiaza a la
conclusin de mis resultados que se
basaron en un diseo experimental
Panorama General
4
La Estadstica me ayuda a la toma
de desiciones.
5
La informacin esta en las muestras
que se toman de la poblacin.
6
La Inferencia estadstica es la
conclusin de mis resultados
Medidas de Posicin
Dan una medida cuantitativa de donde
esta el centro de datos de una muestra
La media representa un promedio
numrico de la muestra
La mediana representa una tendencia
central de la muestra
Media y Mediana
de una muestra
Medidas de Posicin
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
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
Ejemplo 2
Una propiedad importante de una fibra es su absorcin 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
+ + + +
=
=
Ejemplo 2
Mediana
20 1
1.9628
2
20.61
X
X
+
=
=
Medidas de
Variabilidad
Son indicadores de ganancia
De un proceso
Varianza
Desviacin
Estandar

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

La varianza de las variables aleatorias, por lo tanto,
consiste en una medida vinculada a su dispersin. Se
trata de la esperanza del cuadrado de la desviacin 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 kilmetros, su
varianza se expresa en kilmetros al cuadrado.


Desviacin
Estndar
La desviacin estndar es un ndice numrico de la
dispersin de un conjunto de datos (o poblacin).
Mientras mayor es la desviacin estndar, mayor es
la dispersin de la poblacin. La desviacin estndar
es un promedio de las desviaciones individuales de
cada observacin con respecto a la media de una
distribucin. As, la desviacin estndar mide el
grado de dispersin o variabilidad.
Varianza
( )
2
2
1
1
n
i
Xi X
S
n
=
Desviacin
Estndar
2
S S =
Ejemplo 1
Hallar la varianza y la desviacin estndar 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
+ + + +
= =
(
= + + + +

=
Desviacin
Estandar
0.001939 0.044 S = =
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 desviacin estndar
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
(
= + + + +

=
Desviacin
Estandar
0.94284
0.971
S
S
=
=
Modelado Estadstico
Un modelado Estadstico no es un anlisis de
tipo determinstico sin conlleva un anlisis
estadstico.
Modelado Estadstico
Tallo
Doble
Mtodos Grficos
Resaltan bien la violacin
de suposiciones
Presione en los grficos
para ver ejemplos
Tallo
Simple
LOGO
19
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
Datos Categricos:
como el espacio muestral
obtenido al lanzar 2
monedas en un mismo
instante:
S = {CC, CX, XC, XX}
Datos Numricos:
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 nmero par o impar entonces tendremos 2
eventos:
Evento A= nmero par
A= {2, 4, 6}
Evento B= nmero impar
B= {1, 3, 5}
2.2 Eventos
Es un subconjunto de un espacio muestral y es la base de un
experimento. Se lo puede denotar con cualquier letra mayscula.
Operaciones entre eventos
Unin
La unin 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 unin entre ambos eventos sera:
AB= {1, 2, 3, 4, 6, 7, 8}
Interseccin
La interseccin 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 interseccin entre ambos eventos
sera: AB= {3, 6}
Tipos de eventos
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 .
Ejemplo:
Consideremos un espacio muestral
S= {1, 2, 3, 4, 5} y un evento A= {1, 4},
entonces el evento complemento de A
es: = {2, 3, 5}
Eventos excluyentes
Dos eventos A y B son excluyentes
cuando no poseen ningn elemento
en comn es decir AB=0, lo cual
quiere decir que no pueden ocurrir
los 2 eventos de forma simultnea.
Ejemplo:
Sea los eventos A= {1, 3,5} y
B= {2, 4, 6}. Como AB=0,
entonces los eventos A y B son
excluyentes ya que no poseen
ningn elemento en comn.
Diagrama de Venn
Permiten representar grficamente la relacin entre
distintos conjuntos de cosas, en nuestro caso ser para
representar la relacin entre los elementos de cada
evento dentro de un espacio muestral. Se los suele
representar comnmente mediante valos o crculos.
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}; ={4,5,7} C={1,3,4,5}, mediante
diagramas de ven represente los siguientes eventos:
a) AE
b) AC
c) A
Diagrama de Venn (Ejemplo)
a)AE=*2,1+
b)
AC=*1,2,3,4,5,7}
c) A=*4,7+
Leyes de Morgan
1ra Ley
2da Ley
El complemento de la unin de eventos A y E es igual a
la interseccin de los complementos de dichos
eventos:( )=
El complemento de la interseccin de eventos A y E
es igual a la unin de los complementos de dichos
eventos:( ) =
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: ={3,5,6} y ={2,6,7};entonces = {6}
Por la 2da ley: Como( A E)={1,4}; su complemento ( ) = {2,3,5,6,7}
Ahora ={3,5,6} y ={2,6,7};entonces = {2,3,5,6,7}
2.3 Conteo de puntos de una muestra
Ejemplo
Determine el nmero 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 tambin 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 operacin se puede realizar en m formas diferentes
y para cada una de esas se puede realizar otra operacin de n formas
distintas, entonces el nmero total de maneras diferentes en que se
puede realizar las 2 operaciones es igual a m*n
Regla de la Multiplicacin
Regla de la Multiplicacin
Teorema 2: Si una operacin se puede realizar en n
1
formas, y si para cada
una de esas se puede realizar una segunda operacin en n
2
formas, y para
cada una de las anteriores se puede realizar una tercera operacin en n
3
formas distintas, y as 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 s mismo, y tiene la opcin 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 cuntas 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 ser igual: n
1
x n
2
x n
3
x n
4
= (2)(4)(3)(5)= 120
Permutaciones
Es el arreglo de
todo o parte de un
conjunto de
objetos en un
determinado
orden.
Teorema 3: el
nmero de
permutaciones de
n objetos distintos
es n!
Ejemplo
De cuantas formas distintas se
puede ordenar las letras a, b, c,
d?
Nmero de letras: n=4; por lo tanto
el nmero de permutaciones ser:
n!=4!=24
Permutaciones
Teorema 4: el nmero de permutaciones de n objetos
distintos tomados r a la vez es:

Ejemplo:
Cuntas cantidades distintas de 3 cifras se pueden
formar con los dgitos 0, 1, 2, 3 y 4?
-Nmero de dgitos: n=5
-Nmero de cifras: r=3

( )
!
!
n
P
n r
n r
=
( )
5 3
5! 5!
60
5 3 ! 2!
P = = =
Permutaciones
Teorema 5: el nmero de permutaciones distintas de n
objetos de los que n
1
son de una clase, n
2
son de otra
clase y as sucesivamente hasta n
k
clase es:

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

9!
3! 4! 2!
= 1260 formas
Combinaciones
Es el nmero de formas de partir n objetos distintos en r
celdas o agrupaciones sin importar el orden.
Teorema 6: el nmero de combinaciones de n objetos
distintos tomados de r a la vez sin importar el orden es:

Un nio le pide a su mam que le lleve 5 cartuchos de
Game Boy
TM
de su coleccin de 10 juegos de arcada y
5 de deportes. Cuntas maneras posibles hay que su
mam 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
La probabilidad de ocurrencia de un evento, resultado de un experimento;
es un conjunto de nmeros 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() = 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
Se lanza una moneda 2 veces. Cul es la probabilidad de
tener al menos una cara?
Diagrama de rbol
Como podemos observar en
el diagrama de rbol 3
eventos cumplen con lo
pedido; HH, HT,TH cada una
con una proba de pero la
que no cumple es TT, ya
que se peda 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
( )
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 nmeros, cul es la probabilidad de que al
girarla me salga un nmero <4?
Evento A= obtener un nmero <4
Total de nmeros N=8 ;
Nmeros <4 : n=3; por lo tanto la probabilidad de obtener un #<4 es:

3
( )
8
P A =
2.5 Reglas aditivas
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 son eventos complementos, entonces:
P(A) + P() = 1
Ejemplo 2.5.1
En una clase de 100 graduados en preparatoria, 54 estudiaron matemticas, 69 historia y
35 cursaron matemticas e historia, si se selecciona la azar uno de ellos encuentre la
probabilidad de que el estudiante haya cursado matemticas o historia.
Espacio muestral S=100 estudiantes
A= haya cursado MATEMTICAS = 5
B= haya cursado HISTORIA = 69

Ahora basndonos 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
Cul 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
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. Cul 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

Sea el evento A= 5 autos reciban servicio y
= menos de 5 autos reciban servicio.
Entonces P()= P(3)+P(4)= (0.12)+(0.19)= 0.31
Por lo tanto: P(A)= 1- P() = 1- (0.31)= 0.69
Si las probabilidades de que un mecnico automotriz de servicio a
3,4,5,6,7,8 o ms vehculos en un da de trabajo son: 0.12, 0.19, 0.28,
0.24, 0.10, 0.07, respectivamente, Cul es la probabilidad de que
brinde servicio al menos a 5 vehculos da siguiente?
2.6 Probabilidad condicional
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

La siguiente tabla ilstrala clasificacin de adultos de una pequea ciudad
con los requisitos para obtener un ttulo universitario.
Si se selecciona al azar uno de estos, cul 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
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 cul es la probabilidad de
que ahora se saque una bola negra de la segunda bolsa?
2.7 Reglas multiplicativas (Ejemplo)
Diagrama de rbol
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
Teorema 14
(Regla de eliminacin) Si los eventos
B
1
,B
2
,,B
k
constituyen una particin 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 particin 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
En cierta planta de ensamble, 3 mquinas 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 mquina, respectivamente, tienen defectos.
Suponga que selecciona de forma aleatoria un producto terminado.
a) Cul es la probabilidad de est
defectuoso?
b) si se elige al azar un producto y se
encuentra que est defectuoso, Cul es la
probabilidad de que haya sido ensamblado por
la maquina B
3
?
Diagrama de rbol
Ejemplo del Teorema de Bayes
Considerando los eventos.
A= Producto defectuoso
B
1
= mquina B
1
ensamble el producto
B
2
= mquina B
2
B
3
= mquina B
3
a) Aplicando la regla de la eliminacin 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
49
2. Si un espacio contiene un # finito de posibilidades
(serie interminable) Se llama espacio discreto .
3.Si un espacio contiene un nmero infinito de posibilidades
igual al nmero de puntos en un segmento de lnea se llama
espacio muestral continuo
4. Existen dos tipos de variables: continuas y discretas
Conceptos Generales
1. Si hay f(x) debe haber x
Variables
Una variable aleatoria ._ Es una funcin
que asocia un # real a un conjunto de
elementos del espacio muestral.
Una variable continua._ Es una funcin
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.

Distribucin 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
Distribucin 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 > =
}
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
inrvalos
en lugar de un
valor puntual de
nuestra variable
aleatoria

( ) 1
x
f x =

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 =

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 =
} }
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 da
Cantidad de clientes 0,1,2,3.
Vender un automvil Sexo Cliente 0 si es hombre y 1 si es
mujer
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
(mx =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 qumico
Temperatura cuando se
lleva a cabo la reaccin
deseada (min 150 F; mx
212F)
150<=x<=212
Requerimientos de una distribucin
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
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 nmero de bolas rojas, son:
EJEMPLO
2
1
1
0
EM Y
RR
RN
NR
NN

Se lanzan tres monedas y observamos el
resultado de cada una .Encuentre la
distribucin de probabilidad, en forma
tabular, de la variable aleatoria X: cantidad de
sellos que se obtienen.
Grafique adems un histograma de
distribucin de probabilidad para el ejemplo
de las tres monedas; y encuentre la
distribucin 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
Aplicamos la formula de probabilidad discreta
Considere la funcin de densidad

Encuentre el valor de k
Construya, grafique F(x) y utilcela 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
Supongamos que el error en la
temperatura de
reaccin, en grados Celsius, para un
experimento de laboratorio
controlado es una v.a.c. X que tiene la
funcin de densidad de
probabilidad
^ 2
( ) { , 1 3
3
0,
x
f x x
en cualquier otro caso
= < <

EJEMPLO

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
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
LOGO
66
Definicin
La esperanza matemtica 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
Desviacin
Estndar
La Varianza
La Covarianza
Un jugador lanza dos monedas. Gana 1
2 si aparecen una o dos caras. Por
otra parte pierde 5 si no aparece cara.
Determinar la esperanza
matemtica del juego y si ste 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
Variable aleatoria con
distribucin de
probabilidad
distribucin de
probabilidad f(x),
el valor esperado de g(x)
distribucin 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

= =
} }
Se lanzan tres monedas y se cuenta el nmero de caras obtenidas.
Haz una tabla con las probabilidades, represntala grficamente y
calcula la media y la desviacin tpica.
1>_Construimos
la tabla, teniendo
en cuenta los valores
que puede tomar la
variable xi
obtener cara.
2 >_ Tenemos tres monedas,
el nmero de caras que podemos obtener ser: 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
Calcular media y desviacin tpica
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
Desviacin estndar
2 2
( ) E X U o =
Es la variacin con respecto
al promedio
Varianza
Varianza

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

( )
( )
( )

= =
}
+

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
Obsrvese que del mismo modo en que se demuestra
la relacin se comprueba que
V(X)=E(X
2
)-(E(X))
2

Consideramos una variable aleatoria discreta con funcin de probabilidad,

Obtener el valor de la constante c para que sea una funcin de probabilidad,
los valores de las funciones de probabilidad y distribucin para todos los
valores de x, y P(x=3), y P(x3).

1
( )
4
0
c
x
f x
otrocaso
>
=
La solucin 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 mximo valor 1
P(X=3)=f(3)=0.047 P(X3)=0.987
EJEMPLO
,
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 funcin de distincin acumulada es F(x)=x
4
para 0<x1, 0
en valores x0 y 1 para x1
la variable aleatoria continua, funcin de densidad

Hallar: El valor de la constante c para que sea una funcin de densidad,
la funcin de distribucin, 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 >
=
Solucin. Consideremos,

1
1 4
3
0
0
4 4
x c
cx dx c = =
}
EJEMPLO
Covarianza
covarianza

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

La covarianza se representa por s
xy
o
xy
.

Si
xy
> 0 la correlacin es directa.
Si
xy
< 0 la correlacin es inversa.

Las notas de 12 alumnos de una
clase en Matemticas y Fsica son
las siguientes

Hallar la Covarianza
Matemtica 2 3 4 4 5 6 6 7 7 8 10 10
Fsica 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
LOGO
78
Contenido
1
.
2
3
. 4
5
6
Distribucion unifome discreta
La Media de la
distribucin
est dada por:
=
( )
=

=
1
=1

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

Donde la distribucin
depende del trmino .
Distribuciones binomial
Consiste en n ensayos que se repiten
Cada ensayo produce un resultado que
se puede clasificar con xito o fracaso
La probabilidad de xito se denota con .
Los ensayos que se repiten son
independientes
Proceso
Bernoulli
Distribucin Binomial
Un experimento
Bernoulli puede
tener como resultado
un xito 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
distribucin
Binomial
(; , ) es:

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

=

; , =
,

= 0,1,2,
Demostracin del experimento:
En los n ensayos se han producido x xitos 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 xitos y los n-x fracasos.
El smbolo
representan el nmero de
combinaciones o arreglos diferentes que obtienen con
n elementos, tomando un grupo de x elementos.

Ejemplo1:
Se realizan 8 lanzamientos de un dado. Calcule la
probabilidad de obtener 4 veces el nmero 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)
84
=0,026

Ejemplo 2:
Una fbrica tiene una norma de control de calidad consistente en elegir al
azar diariamente 20 artculos producidos y determinar el nmero de
unidades defectuosos. Si hay dos o ms artculos defectuosos la
fabricacin se detiene para inspeccin de los equipos. Se conoce por
experiencia que la probabilidad de que un artculo producido sea
defectuoso es 5%. Encuentre la probabilidad de que en cualquier da la
produccin se detenga al aplicar esta norma de control de calidad.

P(X=x) = f(x) =
(1 )
=
20
0.05
(0.95)
20

P(X2) = 1 - P(X1)
P(X2) = 1 [ P(X=0) + P(X=1)]
P(X 2) = 0.2641 = 26.41%

Ejemplo 3 en Matlab
>> f = binopdf (0, 20, 0.05)
>> f = binopdf (1, 20, 0.05)
>> f = binocdf (3, 10, 0.2)

Probabilidad con distribucin binomial acumulada P (X3), 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

Media y Varianza de la distribucin binomial
Definicin

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

Ejercicios propuestos
La variable aleatoria X tiene distribucin discreta uniforme para x = 1, 2, 3, , 50
A) Determine la media y la varianza de X
B) calcule la P(5<X10)
C) Calcule la media y varianza de la variable aleatoria Y=5X

La variable aleatoria X tiene distribucin binomial con n=8, p=0.4
a) Defina la funcin de distribucin de probabilidad de X
b) Grafique la funcin de distribucin de probabilidad
c) Grafique la funcin de distribucin de probabilidad acumulada
d)Calcule P(X=5)
e) Calcule P(X2)

Un ingeniero que labora en el departamento de control de calidad de una empresa elctrica
inspecciona una muestra al azar de tres motores de la produccin. 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
Ejercicios propuestos
La probabilidad de que un disco compacto dure al menos un ao 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 ao
b) A lo mas 5 duren menos de un ao
c) Al menos duren menos de un ao
d) Obtenga la media y la varianza de la variable aleatoria
Distribucin Binomial Negativa
Caractersticas
Ensayos
Independientes
Los ensayos
tienen 2
resultados
posibles
La cantidad de
ensayos que se
realizan hasta
obtener los
xitos deseados
K
Distribucin binomial negativa
Definicin:
Demostracin
Cada xito ocurre con probabilidad p
Cada fracaso con probabilidad 1-p
En algn ensayo x se tendrn finalmente k xitos, por lo
tanto la probabilidad de obtener k xitos y los x-k fracasos es
el producto:
(1 )

Antes de obtener un k-simo xito se realizaron x-1
ensayos en los que se obtuvieron k-1 xitos. Esto ocurre en
1
1
formas diferentes, por lo que su nmero es un factor
multiplicativo a la frmula.
Ejemplo 1
Suponiendo que la probabilidad de que una persona contraiga la
enfermedad a la que est expuesta es 30%, calcule la probabilidad
que la dcima 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)
104
= 0.08
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(X6), 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
Media y varianza de la distribucin binomial
negativa
Definicin
Distribucin Geomtrica
Es un caso especial de la distribucin
binomial negativa, cuando k=1
Nos interesa conocer la probabilidad de
obtener el primer xito respecto a los n
ensayos.
Diferencias
Binomial Negativa

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

; , =
1
1

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

Definicin:
Sean X: variable aleatoria discreta con
distribucin geomtrica (cantidad de ensayos
realizados hasta obtener el primer xito
x =1, 2, 3, 4.
p = probabilidad de xito (constante en cada
ensayo)
Entonces la distribucin de probabilidad de X
es:
= = = (1 )
1

Media y varianza de la distribucin
geomtrica
Definicin:
Ejemplo:
Calcule la probabilidad que en el quinto lanzamiento de
tres monedas se obtengan 3 sellos por primera vez.

X=1,2,3

= = = (1/8)(7/8)
1

= 5 = 5 =
1
8
7
8
51
= 0,0733
Ejemplo en Matlab:
f = geopdf(4,1/8)
Probabilidad con la distribucin geomtrica:
x=4, p=1/8, x es el numero de fracasos hasta
obtener el primer xito.

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

Distribucin Hipergeomtrica
En esta probabilidad el numero de
xitos en una muestra aleatoria de
tamao n que se selecciona de N artculos,
en los que k se denomina xito y N-k fracaso
Covarianza:
=

1

(1
)
Varianza:
=

Tomar una muestra sin reemplazo
significa que los elementos son
tomados uno a uno, sin devolverlos.
En conclusin los ensayos no son
Independientes.
N: Cantidad de elementos del conjunto de la muestra
K: cantidad de elementos que se consideran xito
N: tamao dela muestra
X: Variable aleatoria discreta
Demostracin:
Ejemplo:
Una caja contiene 9 bateras de las cuales 4 estn en buen estado y
las restantes son defectuosas. Se toma una muestra eligiendo al
azar tres bateras. Calcule la probabilidad que en la muestra se
obtengan:
Ninguna batera en buen estado
Al menos una batera en buen estado
No mas de dos bateras en buen estado

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


a)
=0.119
b)

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

Media y varianza de la distribucin hipergeomtrica
Definicin:
Ejemplos en Matlab:
Distribucin 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 distribucin acumulada P(X6), 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

Ejemplo en Matlab:
Distribucin geomtrica
f = geopdf(4, 1/8)
Prob. Con la distrib x=4, p=1/8, x es el
numero de fracasos hasta obtener el primer
xito.
x = 0:40;
f = geopdf(x, 1/8)
Bar (f, 1, b); grid on
Ejemplo en Matlab:
Distribucin hipergeomtrica
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(X2), 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

x = 0:10;
f = hygepdf(x, 75, 20, 10)
bar(f, 1, b), grid on
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 varn o mujer son iguales a
0.5. Calcule la probabilidad que en una familia
a. El cuarto hijo sea el primer varn
b. El tercer hijo sea la segunda mujer
c. El quinto hijo sea el tercer varn 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 enva a un cliente, calcule la
probabilidad que el cliente reciba
a. Ninguna defectuosa
b. No mas de una defectuosa
c. Al menos una defectuosa

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
Distribucion de Poisson y proceso de Poisson
1
El numero de
resultados que
ocurren en un
intervalo o regin,
es independiente
a los que ocurren
en otra regin 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 regin
pequea es
insignificante.
Propiedades del proceso Poisson
Situaciones que se pueden analizar:
Nmero de defectos por unidad de rea en piezas
similares de un material
Nmero de personas que llegan a una estacin
en un intervalo de tiempo dado.
Nmero de errores de transmisin de datos en un
intervalo de tiempo dado.
Nmero de llamadas telefnicas que entran a una
central por minuto.
Nmero de accidentes automovilsticos
producidos en una interseccin, en una semana.
Definicin:
X: variable aleatoria discreta con dist, poisson
(cantidad de xitos en una regin o intervalo
especfico)
x = 0,1,2,.
= cantidad promedio de xitos en la regin o
intervalo especifico

=
!
x = 0,1,2. e=2,718
Ejemplo:
La cantidad de errores de transmisin de datos en una hora es 5 en
promedio. Suponiendo que tiene distribucin 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 ms de 2 errores

Sea X: variable aleatoria discreta (cantidad de errores por hora)
= 5 (promedio de errores de transmision en 1 hora)
= 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
Media y varianza de la distribucin de Poisson
Definicin:
Aproximacin de la Distribucin binomial mediante
la distribucin de Poisson
En la distribucin binomial cuando n es muy grande, no es
prctico el uso de la frmula.
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
=np
= 5 = 5 =
(1 )
=
200
5
0.05
5
(0.95)
2005
= 0.036

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

f = poisscdf(2,5)
Probabilidad con la distri de poisson acumulada
P(X2), =5
X=0:15;
f = poisspdf(x,5)
bar(f,1,b)

Ejercicios
Cierto tipo de tela usada en tapicera tiene, en promedio, dos defectos por
metro cuadrado. Si se supone una distribucin 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 encuadernacin
defectuosa. Utilice la aproximacin de Poisson para determinar la
probabilidad que entre 400 libros seleccionados al azar de cargamento,
a) Exactamente 10 libros estn 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 ms de 4
frutas:
a) En un determinado da
b) En 3 de los siguientes 5 das
Ejemplos
Ejemplos
Distribucin Binomial Negativa y
Geomtrica
Distribucin Uniforme Discreta
Distribucin de Poisson
Tabla A2
Distribucin Binomial y
Multinomial
Distribucin Hipergeomtrica
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 distribucin uniforme con:

; 6 =
1
6

= 1,2,3,4,5,6
La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el 80%
de los lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la lectura:
a). Cul es la probabilidad de que el grupo hayan ledo la novela 2 personas?
n = 4
p = 0.8
q = 0.2
B(4, 0.8)
= 2 =
4
2
0,8 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:
Multinomial
La complejidad de las llegadas y las salidas en un aeropuerto es el que a menudo se utiliza la
simulacin 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 avin comercial que llega aleatoriamente:

Pista1: p1=2/9
Pista2: p2=1/16
Pista3: p3=11/18
Cul es la probabilidad de que 6 aviones que llegan al azar se distribuyan de la siguiente manera?
Pista1: 2 aviones
Pista2: 1 avin
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
Hipergeomtrica
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.
Cul 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
Binomial negativa
Para tratar a un paciente de una afeccin de pulmn han de ser operados en operaciones
independientes sus 5 lbulos pulmonares. La tcnica a utilizar es tal que si todo va bien, lo que ocurre
con probabilidad de 7/11, el lbulo queda definitivamente sano, pero si no es as se deber esperar el
tiempo suficiente para intentarlo posteriormente de nuevo. Se practicar la ciruga hasta que 4 de sus
5lbulos funcionen correctamente. Cul es el valor esperado de intervenciones que se espera que
deba padecer el paciente? Cul es la probabilidad de que se necesiten 10 intervenciones?

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

Lo que nos interesa es medir el nmero de intervenciones, Y, ms que el nmero de xitos hasta el r-
simo fracaso.
Y=X+r
Luego
= + =
+ =
4
7
11
4
11
+ 4 = 11
Luego el nmero esperado de intervenciones que deber sufrir el paciente es de 11. La probabilidad
de que el nmero de intervenciones sea Y=10, es la de que X=10-4=6. Por tanto:
6 +4 1
6
4
= 0,03185
Geomtrica
Se sabe que cierto proceso de fabricacin, en promedio, uno de cada 100 artculos esta defectuoso.
Cul 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

=
1
2
=
1 0,01
0,01
2
= 9900
Poisson
Durante un experimento de laboratorio el numero promedio de partculas
radiactivas que pasa a travs de un contador en un milisegundo es 4. Cul es la
probabilidad de que 6 partculas entren al contador en un milisegundo dado?

X=6
=4

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

LOGO
129
Contenido
Distribucin uniforme continua
1
Distribucin normal
2
Distribuciones gamma y exponencial
3
Distribucin chi cuadrada
4
Distribucin logartmica normal
5
Distribucin Weibull
6
En estadstica es una de las
distribuciones continuas mas
simples.
Se caracteriza por una funcin
de densidad que es plana y,
por ello la probabilidad es
uniforme en un intervalo
cerrado [A,B].
La funcin de densidad de la variable
uniforme continua X en el intervalo [A,B] es
; , =

, ,
,

Media

=
+

Teorema 1
Media y Varianza
Varianza

=
( )

Ejemplo 1
a) Cul es la funcin de densidad
de la probabilidad?
b) Cul es la probabilidad de que
cualquier conferencia dada
dure al menos 3 horas?
Suponga que una sala de conferencias se puede
reservar para cierta compaa por no ms 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 duracin X de una conferencia
tiene distribucin uniforme en el intervalo [0 , 4].
Solucin - Ejemplo 1
a) Cul es la funcin de densidad de la probabilidad?
Funcin de densidad,
; , =

, ,
,

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

Solucin - Ejemplo 1
Para ello integramos nuestra funcin de densidad, como nos pide la probabilidad de
que al menos dure 3 horas, los limites de integracin son 3 (L.I) y 4 (L.S).
3 =
1
4

4
3

3 =
1
4

4
3

3 =
1
4

b) Cul es la probabilidad de que cualquier conferencia dada
dure al menos 3 horas?
Distribucin normal
En estadstica es la
distribucin continua mas
importante.
Tambin conocida como
distribucin de Gauss o
distribucin gaussiana,
adems es la distribucin de
probabilidad de variable
continua que con ms
frecuencia aparece aproximada
en fenmenos reales.
Distribucin normal
La densidad de la variable aleatoria normal X, con media y
varianza
2
, es
; , =
1
2

1
2
2

2
,

< < ,
Media

=

Teorema 2
Media y Varianza
Varianza

( )

Distribucin normal
Distribucin normal
rea bajo la curva normal

=

Distribucin normal estndar
Se llama as ala distribucin de una variable aleatoria
normal con media 0 y varianza 1.
Ejemplo 2
a) A la derecha de z = 1.84 y
b) Entre z = -1.97 y z= 0.86
Dada una distribucin de normal estndar,
encuentre el rea bajo la curva que yace
Solucin - 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 rea bajo la curva es
= 1 0.09671
= 0.0329
Solucin - 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 rea bajo la curva es
= 0.8051 - 0.0244
= 0.7807
b) Entre z = -1.97 y z= 0.86
Distribucin gamma
La distribucin gamma su
nombre deriva de la
funcin gamma, que
estudia en muchas reas
de las matemticas.
La funcin
gamma se define
como:
=
,
>
= 1 !
Distribucin gamma
La variable aleatoria continua X tiene una distribucin gamma,
con parmetros y , si su funcin de densidad esta dado por:
; , =
1
()
, > 0
0,

Donde > 0, > 0
Media

=

Teorema 3
Media y Varianza
Varianza

Distribucin gamma
Distribucin exponencial
La distribucin exponencial es un caso especial de
la distribucin gamma. Ambas cuentan con un
gran numero de aplicaciones.
La distribucin gamma especial para la que =1
se llama distribucin exponencial.

; =
1
, > 0
0,

Donde > 0
La variable aleatoria continua X tiene una distribucin
exponencial, con parmetro , si su funcin de densidad esta
dado por:
Media

=

Teorema 4
Media y Varianza
Varianza

Ejemplo 3
Suponga que las
llamadas telefnicas
que llegan a un
conmutador particular
siguen un proceso de
Poisson con un
promedio de 5
llamadas entrantes
por minuto.
Cul es la
probabilidad de que
transcurra a lo mas
un minuto hasta que
lleguen dos llamadas
al conmutador?
Solucin - Ejemplo 3
El proceso de Poisson se aplica
al tiempo que pasa hasta la
ocurrencia de 2 eventos de
Poisson que siguen una
distribucin 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
Ejemplo 4
Suponga que un sistema contiene cierto
tipo de componente cuyo tiempo de
operacin antes del fallo, en aos, esta
dado por T. La variable aleatoria T es
modelada bien mediante la distribucin
exponencial con tiempo medio de
operacin antes del fallo = 5. Si se
instalan 5 de esos componentes en
diferentes sistemas.
Cul es la
probabilidad de
que al menos dos
an funcionen al
final de 8 aos?
Solucin - Ejemplo 4
> 8 =
1
5

8

Representamos con X el nmero de componentes que funcionan
despus de 8 aos. Utilizamos la distribucin 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 an funcione despus de 8
aos esta dado por:
Es otro caso especial de la
distribucin gamma.
Se obtiene al hacer
=
2
= 2
Donde v es un entero positivo.
La distribucin tiene un solo
parmetro v, llamado grados de
libertad.
La variable aleatoria continua X tiene
una distribucin chi cuadrada, con v
grados de libertad, si su funcin de
densidad esta dado por:
; =
1
2
/2
/2
/(21)

/2
, > 0
0,

Donde es un entero positivo.
Media

=

Teorema 5
Media y Varianza
Varianza

=

Es una distribucin
de probabilidad de
cualquier variable
aleatoria con su
logaritmo
normalmente
distribuido.
Si X es una variable
aleatoria con una
distribucin normal,
entonces exp(X)
tiene una
distribucin log-
normal.
La distribucin se
aplica en casos
donde una
transformacin
logartmica natural
tiene como resultado
una distribucin
normal.

(; , ) =
1
2

1
2
2
| ln |
2
, 0
0, < 0

.
La variable aleatoria continua X tiene una distribucin
logartmica normal si la variable aleatoria Y= ln(X) tiene una
distribucin normal con media y desviacin estndar . La
funcin de densidad de X esta dada por:
Media

=
+
/

Teorema 6
Media y Varianza
Varianza

=
+
)

Ejemplo 5
La vida, en miles de millas, de un cierto
tipo de control electrnico para
locomotoras tiene una distribucin
logartmica normal aproximada con
= 5.149 y = 0.737.
Encuentre el
quinto percentil
de la vida de
esa locomotora
Solucin - 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
tendrn 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
Distribucin de Weibull
La distribucin de
Weibull es una
distribucin de
probabilidad continua.
Aplicada por primera vez
para describir la
distribucin de los
tamaos de
determinadas partculas.
La variable
aleatoria continua X
tiene una
distribucin de
Weibull, con
parmetros si
su funcin de
densidad
esta dada por:

; , =
, > 0
0,

Donde >0
.
Media

=
( +
)

Teorema 6
Media y Varianza
Varianza

Ejemplo 6
El tiempo de vida X,
en horas, de un
articulo en el taller
mecnico tiene una
distribucin de
Weibull con
= 0.01 = 2.
Cul es la
probabilidad de
que falle antes
de 8 horas de
uso?
Solucin - Ejemplo 6
La probabilidad que se
requieres esta dada por:

< = 1

< 8 = 1
0.018
2

< 8 = 1 0.527
< 8 = 0.473
Tabla A3 (1)

Retornar - Ejemplo 2
Tabla A3 (2)

Tabla A3 (2)

LOGO

Materia

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Materia

Uploaded by

Copyright:

Available Formats

1 Universidad Politcnica Salesiana

Universidad Politcnica Salesiana 54

Universidad Politcnica Salesiana 55

You might also like