You are on page 1of 23

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD

1. INTRODUCCIÓN

Variable Aleatoria

Sea S un espacio muestral, sobre el que se encuentra definida una función de
probabilidad. Sea X una función de valor real definida sobre S, de manera que
transforme los resultados de S en puntos sobre la recta de los reales. Se dice entonces
que X es una variable aleatoria.
X es una función definida sobre el espacio muestral, de manera que transforma todos los
posibles resultados del espacio muestral en cantidades numéricas.
Se dice que una variable aleatoria X es discreta si el número de valores que
puede tomar es contable (ya sea finito o infinito), y si éstos pueden arreglarse en una
secuencia que corresponde con los enteros positivos. En general una variable aleatoria
discreta X representa los resultados de un espacio muestral en forma tal que por P(X=x)
se entenderá la probabilidad de que X tome el valor de x.
Se dice que una variable aleatoria X es continua si sus valores consisten en uno o más
intervalos de la recta de los reales.

Función de Densidad de Probabilidad (PDF)

Al considerar los valores de una variable aleatoria es posible desarrollar un
función matemática que asigne una probabilidad a cada realización x de la
variable aleatoria X. Esta función recibe el nombre de función de distribución
(densidad) de probabilidad de la variable aleatoria X. Se refiere a la colección
de valores de la variable aleatoria y a la distribución de probabilidades entre éstos.
La probabilidad de que un valor x ocurra es P(x), expresado con un valor o un porcentaje
(Discreto).
La probabilidad de que x tenga un valor entre a y b viene dado por el área bajo la curva
de P(x) (Continuo).
La probabilidad de que x tenga un valor entre   y   es 1.
La función de densidad de probabilidad es 0 o positiva.

Función de Densidad Acumulativa (CDF o FDA)

La función de distribución acumulativa de la variable aleatoria X es la
probabilidad de que X sea menor o igual a un valor específico de x.

• La probabilidad de que x tenga una valor entre   y a es
C x  xa   P( x )dx


C( x)  P  X  x 
• 0  C( x )  1 para cualquier x
C x i   C x j  xi  x j
• si
• P  X  x   1  C( x )

2.- LAS DISTRIBUCIONES EN MATLAB

Características clave
El Statistics Toolbox proporciona funciones que soportan:
• Modelización lineal y no lineal
• Estadística multivariante
• Estadística descriptiva
• Cálculo y ajuste de distribuciones de probabilidad
• Análisis de varianza (ANOVA)
• Verificación de hipótesis
• Estadística industrial (control de procesos estadísticos, diseño de experimentos)
• Representación gráfica estadística y gráficos interactivos

Statistics Toolbox
El Statistics Toolbox incluye una GUIA interactiva que permite experimentar, describir o
ajustar sus datos a una variedad de diferentes probabilidades. Por ejemplo, puede usar
la GUI para representar gráficamente una función de densidad de probabilidad o
una función de distribución acumulativa para investigar cómo los parámetros de
distribución afectan a su posición y forma. Además, puede usar el generador de números
aleatorios para simular el comportamiento asociado a distribuciones particulares. Usted
puede usar entonces estos datos aleatorios para obtener modelos bajo diferentes
condiciones.
El Statistics Toolbox aporta 20 distribuciones de probabilidad diferentes. Las funciones
soportadas para cada distribución incluyen:
• Función de densidad de probabilidad (pdf)
• Función de distribución acumulativa (cdf)
• Inversa de la función de distribución acumulativa
• Media y varianza
• Generador de números aleatorios

Hay disponibles funciones adicionales para calcular estimaciones de parámetros e
intervalos de confianza para las distribuciones guiadas por los datos, por ejemplo beta,
binominal, exponencial, gamma, normal, Poisson, uniforme y Weibull.
Nota importante: Nos vamos a enfocar en la función de densidad de probabilidad (PDF) y
en los generadores de números aleatorios (RND), que son los dos tipos de
funciones.
Nota: teclear en MATLAB:
>>help stats
Aquí se mostrarán todas las funciones que hay para las distintas distribuciones.
Para consultar la ayuda de alguna en particular, teclear help seguido de su nombre:
>>help normrnd

A continuación mostramos algunas de las funciones del Statistics Toolbox más útiles:
Distribuciones
Funciones de Densidad de Probabilidad (pdf)
betapdf - Beta density
binopdf - Binomial density

Noncentral t density ncx2pdf .Lognormal density nbinpdf .Binomial random numbers chi2rnd .Geometric density hygepdf .Specified cumulative distribution function chi2cdf .Chi square density (chi cuadrado) exppdf .Weibull density Funciones de Distribución Acumulada (cdf) betacdf .chi2pdf .Density function for a specified distribution poisspdf .Beta random numbers binornd .Chi square cdf expcdf .F random numbers .Noncentral Chi-square density normpdf .Lognormal cdf nbincdf .Chi square random numbers exprnd .Rayleigh density tpdf .Binomial cdf cdf .Hypergeometric cdf logncdf .Gamma density geopdf .Exponential density fpdf .Hypergeometric density lognpdf .Normal (Gaussian) cdf poisscdf .Geometric cdf hygecdf .T density unidpdf .Exponential random numbers frnd .Discrete uniform density unifpdf .Gamma cdf geocdf .Weibull cdf Generadores de Números Aleatorios betarnd .Discrete uniform cdf unifcdf .F density gampdf .Normal (Gaussian) density pdf .T cdf unidcdf .Beta cdf binocdf .Uniform density weibpdf .Negative binomial density (pascal) ncfpdf .Negative binomial cdf ncfcdf .Noncentral F density nctpdf .Uniform cdf weibcdf .Rayleigh cdf tcdf .Exponential cdf fcdf .Noncentral Chi-square cdf normcdf .Poisson density raylpdf .Noncentral F cdf nctcdf .F cdf gamcdf .Noncentral t cdf ncx2cdf .Poisson cdf raylcdf .

Normal (Gaussian) random numbers poissrnd .Multivariate t random numbers nbinrnd .F mean and variance gamstat .T mean and variance unidstat .T random numbers unidrnd .Uniform mean and variance weibstat .Noncentral t random numbers ncx2rnd . .Poisson random numbers random .Multivariate normal random numbers mvtrnd .Exponential mean and variance fstat .Normal (Gaussian) mean and variance poisstat .Random numbers from specified distribution raylrnd .Weibull mean and variance Disttool Es una herramienta de MATLAB que permite visualizar de forma gráfica las características de cada distribución con la posibilidad de variar sus parámetros.gamrnd .Gamma random numbers geornd .Negative binomial random numbers ncfrnd .Rayleigh random numbers trnd .Weibull random numbers Estadísticos betastat .Hypergeometric random numbers lognrnd .Noncentral F mean and variance nctstat .Discrete uniform random numbers unifrnd .Geometric random numbers hygernd .Lognormal random numbers mvnrnd .Hypergeometric mean and variance lognstat . Las funciones que muestra son PDF y CDF.Negative binomial mean and variance ncfstat .Chi square mean and variance expstat .Noncentral F random numbers nctrnd .Gamma mean and variance geostat .Noncentral t mean and variance ncx2stat .Rayleigh mean and variance tstat .Beta mean and variance binostat .Noncentral Chi-square mean and variance normstat .Uniform random numbers weibrnd . Al activar este comando: >> disttool Se despliega una ventana donde podemos elegir el tipo de distribución además de sus parámetros y ver su PDF o su CDF.Geometric mean and variance hygestat .Lognormal mean and variance nbinstat .Poisson mean and variance raylstat .Discrete uniform mean and variance unifstat .Noncentral Chi-square random numbers normrnd .Binomial mean and variance chi2stat .

• Ocurre en un evento donde una variable aleatoria toma valores de un intervalo finito. para un rango de 0. >> X = 0. (m y n son parámetros opcionales y pueden no ser necesaria su inclusión).DISTRIBUCIÓN UNIFORME CDF PDF Descripción: • Computa la función de distribución uniforme continua para el valor X y los parámetros A y B. A y B deben ser del mismo tamaño.Y).1 a 0.1.m.1:0. la pdf uniforme es constante.B). Esto es. de manera que éstos se encuentran distribuidos igualmente sobre el intervalo. xlabel('x').1.n) EJEMPLO 1. ylabel('p') para obtener la gráfica : .0.FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD (PDF) 2.1.6.1. Sintaxis: Y = unifpdf(X. • El resultado Y es la probabilidad de que ocurra X en el intervalo (A. con diferencia de 0. • La distribución uniforme estándar tiene A=0 y B=1. • Se aplica con un conocimiento muy general o poco conocimiento sobre la distribución.1.B. Y = unifpdf(X) Y se despliega: Y= 1 1 1 1 1 1 Agregando plot(X. X. A=0.1. la probabilidad de que la variable aleatoria tome un valor en cada subintervalo de igual longitud es la misma. B=1 Y se despliega: Y= 1 EJEMPLO 2.1:0. Coincidiendo con los valores de X.1) % X=1.6 . También para errores de redondeo en la medida.A. generación de números aleatorios y llegadas (cuando son independientes y el número total está determinado). formada por números aleatorios que cumplen que su distribución sobre la recta real es de la forma indicada.2.DISTRIBUCIONES CONTINUAS 2. El parámetro B debe ser mayor que A. A y B para obtener las gráficas previas se tiene: >> Y = unifpdf(1. Para A y B fijados.1. grid. • Genera una matriz de tamaño m x n.

20. (c) entre 25 y 35 m3 . ¿Qué ocurre si X no está Entre A y B? Y = unifpdf(-1. P( 25  X  35) >> Y = unifcdf(35.20.40) % el comando unifcdf para calcular la función de densidad % acumulada Y = 0. sigue una distribución uniforme continua en el intervalo (20.600 Para la gráfica de la función de distribución acumulada: >> X = 20:40. es decir la probabilidad P( X  35) >> Y = unifcdf(35.20.3000 0.1500 0.0500 b) menos de 35 m3. Calcula la probabilidad de que se consuman: (a) 28 m3.unifcdf(28. 40).500 d) más de 28m3 .0500 Es decir que P( X  28)  0.40) Y = 0.0500 0.EJEMPLO 3.2000 0.6000 Es decir que : P( X  28)  0. es decir P( X  28)  1  P( X  28) >> Y = 1 .40). Calcular la función de distribución. (b) menos de 35 m3 .20. medida en m 3.1000 0.unifcdf(25.0.20. (d) más de 28 m3 .7500 Es decir que P( X  35)  0.40) Y = 0. La cantidad de agua consumida al mes en una vivienda.20.40) % se evalúa para la CDF para el límite % superior = 35 menos % el límite inferior = 25 Y = 0.5000 Es decir que P( 25  X  35)  0.4000 . Y = unifcdf(X.1) Y se despliega: Y= 0 EJEMPLO 4.40) Se despliega Y = Columns 1 through 9 0 0.3500 0.7500 c) entre 25 y 35 m3. así como el número esperado de m3 consumidos.2500 0. Del enunciado obtenemos los extremos del intervalo es decir A = 20 y B=40 a) se requiere encontrar la probabilidad P( X  28) >> Y = unifpdf(28.

6500 0.0000 >> plot(X. es y pasa por 20 X=20 Entonces  0 X  20  X  20 CDF  F( x)   20  X  40  20  0 X  40 Ajustando con el MATLAB nos da la ecuación: y = 0.8500 Columns 19 through 21 0. matrices y arreglos que deben ser del mismo tamaño.9000 0. • La distribución normal estándar tiene MU = 0 y SIGMA = 1.5500 0. MU y SIGMA pueden ser vectores. 2.2. altura.4500 0. dentro . X. Columns 10 through 18 0.8000 0.DISTRIBUCIÓN NORMAL (GAUSIANA) PDF CDF Descripción: • Computa la función de distribución exponencial negativa para el valor X y los parámetros MU y SIGMA. etc.1. • Se aplica para describir atributos humanos o de objetos: peso.7500 0. >> grid y despliega : De lo que se puede deducir que la 1 pendiente es positiva.7000 0.9500 1.05* x .6000 0. • Fluctuaciones simétricas alrededor de un valor medio (MU).5000 0.Y).1 20  40 Para el valor esperado no es más que E( x)   30 2 Es decir que el valor esperado es 30 m3. El parámetro SIGMA debe ser positivo.1.

3910 0. teniendo 21 % valores >> Y = normpdf(1.1 >> mu = [0:0.Y).2661 0.3814 0.0484 0. con una diferencia de 5 >> X = (150:5:180).1) % X=0.3970 0.SIGMA) EJEMPLO 5.0009 Agregando: plot(X. Si X es un arreglo de valores entre 150 y 180. Coincidiendo con los valores de X.3683 0.1497 0. MU = 0. etc.MU.3989 Columns 17 through 21 0.0.3970 0.3683 0. % el rango va desde 0 a 2. MU y SIGMA la gráfica de la PDF previa se tiene: >> Y = normpdf(0.5.1942 0.1295 0.3521 EJEMPLO 7. Sintaxis: Y = normpdf(X.3332 0.5) % con MU = 165 y SIGMA = 5 Y se despliega: Y = 0. con una diferencia de 0.mu. con un incremento de 0.1.019048. xlabel('x'). generación de ruido y pequeñas perturbaciones.0484 0.1) Y se despliega: Y = Columns 1 through 8 0. datos meteorológicos como temperatura y precipitación pluvial.0009 0. SIGMA= 1 Y se despliega: Y = 0.de un grupo (variaciones en las notas de exámenes).1714 0.3123 0. medidas de errores angulares o lineales.019048. ylabel('p') para obtener la gráfica de la izquierda.1:2].3814 0.3910 0. grid.2420 0. Y = normpdf(X.0798 0. Si MU es un arreglo de valores entre 0 y 2.3521 0. erroresde instrumentación.2179 0.2897 Columns 9 through 16 0.0108 0.165. .3989 EJEMPLO 6.0108 0.

200.9987 2.0053 b) se quiere encontrar P  200  X  300  >> Y = normcdf(300.200.EJEMPLO 8.normcdf(250.200. sigue una distribución normal de media 300 y desviación típica 50.1.200.DISTRIBUCIÓN EXPONENCIAL (NEGATIVA) PDF CDF Descripción: .4772 c) se quiere encontrar P( X  200)  1  P( X  200) >> Y = 1.200.5000 d) más de 250 Kw/h P( X  250) >> Y = 1. (b) Calcula la probabilidad de que se consuman entre 200 y 300 Kw/h. (a) Calcula la probabilidad de que una familia consuma 245 kw/h en un mes.50) Despliega Y = 0.200. que MU= 200 y el SIGMA =50 a) se quiere encontrar P( X  245) >> Y = normpdf(245.1.normcdf(200.50) .3.0053 Es decir que P( X  245)  0. (c) ¿Qué porcentaje de viviendas consumirán más de 300 kw/h? (d) ¿Qué porcentaje de viviendas familiares consumirán más de 250 Kw/h? ¿Y menos de 350? Del enunciado tenemos.50) Y = 0. Una compañía de suministro de electricidad ha determinado que el consumo. medido en Kw/h.normcdf(200.50) % se evalúa para la CDF para el % límite superior = 300 menos % el límite inferior = 200 Y = 0. de una vivienda familiar durante un mes.50) Y = 0.1587 Menos de 350 P( X  350) >> Y = normcdf(350.50) Y = 0.

1839 0. grid.4. se tiene: >> Y = exppdf(1:5.Y): >> X = (1:1:5).1226 0. El parámetro MU debe ser positivo.3679 0.3) % con X= 10 y MU = 3 Y se despliega: Y = 0. • La variable aleatoria exponencial es el tiempo que transcurre hasta que se da el primer evento de Poisson. acciones por unidad de tiempo. la distribución exponencial puede modelar el lapso entre dos eventos consecutivos de Poisson que ocurren de manera independiente y a una frecuencia constante.DISTRIBUCIÓN LOG-NORMAL .• Computa la función de distribución exponencial negativa para el valor X y el parámetro MU.0119 EJEMPLO 10. Sintaxis: Y = exppdf(X.1:5) Y se despliega: Y = 0. definimos X primero y luego de esta manera con el comando plot(X. tamaño de pedidos.1. Por ejemplo. X y MU deben ser del mismo tamaño.0920 0. >> Y = exppdf(X.1:1:5) >> plot(X.1. la probabilidad de que una bombilla deje de lucir en el próximo minuto es relativamente independiente del tiempo que haya estado luciendo hasta ahora. llegada de personas a una tienda y. Coincidiendo con los valores X y MU de la gráfica de la PDF previa se tiene: >> Y = exppdf(10. ylabel('p') Y se despliega el gráfico: 2.Y). Es decir. Tiempos entre roturas. • La pdf exponencial es la pdf gamma con su primer parámetro (a) igual a 1. tiempos de procesos. xlabel('x'). Es apropiada para modelar tiempos de espera cuando dicho tiempo se supone independiente del tiempo que haya transcurrido hasta ese momento.0736 Para obtener la gráfica del ejemplo. Con un arreglo de valores para X desde 1 a 5 al igual que para MU en el mismo rango. • Se utiliza en sucesos independientes entre sí. en general.MU) EJEMPLO 9.

0057 Columns 9 through 10 0.0040 0. averías de un coche con el tiempo. % arreglo desde 1 a 10.0134 0. MU y SIGMA deben ser del mismo tamaño.SIGMA) EJEMPLO 11. tomados de 1 en 1 Y = lognpdf(X.0. Coincidiendo con los valores X y MU de para obtener la gráfica de la PDF previa se tiene: >> Y = lognpdf(3.3989 0.0028 para incluir la gráfica. ylabel('p') . Se utiliza para modelar tiempos de procesos y reparación.1569 0. grid.0382 0.0086 0.0.1) % con MU = 0 y SIGMA = 1 Y = Columns 1 through 8 0.1) Y = 0.0727 0. se agregan: plot(X.Y). X. PDF CDF Descripción:  Computa la función de distribución log-normal para el valor X con media MU y desviación estándar SIGMA. población de un sitio con respecto al dinero. Es una distribución normal asimétrica.0727 EJEMPLO 12. Sintaxis: Y = lognpdf(X. Con un arreglo de valores para X desde el 1 al 10. tomados de uno en uno >> X = (1:1:10). estancia de tiempo en un banco.MU. que determina el tamaño de Y.0219 0. xlabel('x'). etc.

Se aplica para tiempos de procesos. A=1 y B=2 Y se despliega: Y = 0. tenemos: .DISTRIBUCIÓN GAMMA (ERLANG) PDF CDF Descripción: Computa la función de distribución gamma para el valor X y los parámetros A y B.2) % donde X=1.A. Los casos especiales de la función gamma son las funciones: exponencial y chi-cuadrado.1. Y = gampdf(1. desde 1 a 5. A y B deben ser del mismo tamaño.1637 Incluyendo la gráfica.3679 0.2. Coincidiendo con los valores X.3033 0. de 1 en 1.2388 0.B) EJEMPLO 13. edad del hombre al contraer matrimonio por primera vez.1947 0. Con un arreglo de valores para B. X. La pdf de gamma es útil en los modelos de dependencia de ciclos de vida. etc. Sintaxis: Y = gampdf(X. ) .X) Y se despliega: Y = 0.1. tiempos entre llegadas (con poca aleatoriedad).1. con X=1 y A=1 >> X =(1:1:5).5.3033 EJEMPLO 14. La distribución gamma es más flexible que la exponencial. A y B de para obtener las gráficas previas de la PDF y de la CDF se tiene: >> Y = gampdf(1. tiempos de reparación. incluso ingresos familiares. A y B deben ser positivos y X tiene que estar dentro del intervalo [0.1.

5 >> A= [0. Con un arreglo matricial y con x = 0.1) ( x ) b 1 B  a. 2 4]. La distribución uniforme en (0 1) es un caso degenerado de la pdf de beta donde a= 1 y b = 1.5 1.4574 EJEMPLO 16. A y B deben ser positivos y X tiene que estar dentro del intervalo [0. y B pueden ser vectores.A.A) Se despliega: Y= 0. Se puede usar para representar la distribución de artículos defectuosos sobre un intervalo de tiempo específico. A y B para obtener las gráficas previas se tiene: >> Y = betapdf(0. X.B) EJEMPLO 15. A y B deben ser del mismo tamaño.9) % X= 0.1] es un caso derivado de la distribución beta donde A=1 y B=1.5.1].5. b  donde B( · ) es la función Beta.9 Y se despliega: Y= 1.6366 1.9. o arreglos multidimensionales que tengan la misma dimensión. A=1.1.6 DISTRIBUCIÓN BETA: CDF PDF Descripción: Computa la función de distribución gamma para el valor X y los parámetros A y B.9. La distribución uniforme en [0.1.0000 1. Coincidiendo con los valores de X. Una entrada escalar se expande a un arreglo constante con las mismas dimensiones de las otras entradas.1. Sintaxis: Y = betapdf(X.1875 .2. b   1 x a1 1  x  I ( 0 .1. etc. Permite generar una gran variedad de perfiles. La distribución beta para un valor dado x y un par de parámetros a y b es y  f  x a. A.5. Y = betapdf(0. matrices.5000 2. X. La function inidcador I ( 0 . B=1.1) ( x ) asegura que solo los valores de x en el rango (0 1) tengan una probabilidad distinta a cero.A.

Sintaxis: Y = unidpdf(X. El resultado Y es la probabilidad de que ocurra X de entre N números.Y. en 10 ensayos . Para un rango de valores de X desde 1 a 6. será la misma para cualquier X entre 1 y N. por ser uniforme.1000 >> plot(X.2.  Se usa para generar números aleatorios de entre N.1000 0. >> Y = unidpdf(X.1000 0.10) Y = 0.2.1. que en este caso. X y N deben ser del mismo tamaño y N un entero positivo.1. avanzando de 1 en 1.1. Por ejemplo podemos calcular la probabilidad de sacar un número X (del 1 al 6) al tirar un dado.1000 0.'+')) .1000 0.DISTRIBUCIÓN UNIFORME PDF CDF Descripción: Computa la función de distribución uniforme discreta para el valor X y el parámetro N.2.N) EJEMPLO 17.1000 0. además de su gráfica >> X = (1:1:6).DISTRIBUCIONES DISCRETAS 2.

1667 0. si como procedimiento de rutina. donde la probabilidad de que ocurra el suceso (acierto) viene dada por el parámetro P.X) Se despliega: probabilidad = 0 0.1429 0.5) Y = 0.2. Sintaxis: Y = binopdf(X. de opiniones y otras.2.10.0.1].N. Por ejemplo. N y P de para obtener las gráficas previas de la PDF y de la CDF se tiene: >> Y = binopdf(5. Sus áreas de aplicación incluyen inspección de calidad.2461 lo que equivale a la probabilidad P( X  5) . El resultado Y es la probabilidad de observar X sucesos en N pruebas independientes. N debe ser un entero positivo y P tiene que estar en el intervalo [0. investigación. entonces las proposiciones de probabilidad con respecto al número de artículos defectuosos puede hacerse mediante el empleo de la distribución binomial. si la proporción de unidades defectuosas producidas por este proceso es constante durante un periodo razonable y. ventas.Para un N fijado.1. medicina.2000 0.1250 0. que permanece constante para cada prueba. N y P deben ser del mismo tamaño. % el rango de valores de 4 a 9 . >> X = (4:1:9). un proceso de manufactura produce un determinado producto en el que algunas unidades son defectuosas.P) EJEMPLO 19: Coincidiendo con los valores X.1111 2. la pdf uniforme discreta es una constante. X. EJEMPLO 18: Ahora fijamos x y variamos n. se seleccionan aleatoriamente un determinado número de unidades. y la probabilidad de que no ocurra el suceso (fracaso) es 1-P.DISTRIBUCIÓN BINOMIAL FDP CDP Descripción: Computa la función de distribución binomial para el valor X y los parámetros N y P. mercadotecnia.incrementados de 1 en 1 probabilidad = unidpdf(5.

02) ans = 0.4) % utilizamos el comando binocdf porque se trata de la % función de densidad acumulada con x=0.10.200.0.4) ans = 0.binocdf(4.0. % definimos el rango de valores de X Y = binopdf(defectuosos. (a) calcula la probabilidad de que acierte en la diana tres veces.0.9940 c) valor esperado es : E = NP = 10 *0.0. defectuosos (i) ans = 4 Es decir se encontrarán 4 piezas defectuosas. (c) ¿Cuántas veces se espera que el jugador haga diana? (d) Calcula la probabilidad de que el jugador haga más dianas de las esperadas en el partido.0.10. Del enunciado se determina que la probabilidad P es 2/5 =0. Si en una partida dicho jugador lanza 10 veces.2150 b) por lo menos una vez.02 >> binopdf(0.4) ans = 0.6230 lo que equivale a la probabilidad P( X  5) EJEMPLO 20: Un inspector de comercio testea al día 200 muestras de un producto.3669 . cuál es la probabilidad de que el inspector no encuentre ninguna defectuosa ese día? Es decir se quiere encontrar P  X  0  .200. aquí entonces tenemos x=0. el número de ensayos N=10 a) se pide encontrar: P( X  3) >> binopdf(3. N =200 y la probabilidad P=0. [x. N=10 y P =0.i] = max (Y). se refiere que como mínimo una .0176 Cuál es el número más probable de piezas defectuosas que se encontrará? >> defectuosos = 0:200. Un jugador de dardos da justo en la diana 2 de cada cinco veces que lanza.02). se pide encontrar P( X  1)  1  P( X  1)  1  P( X  0) >>Y = 1 . Y para la CDF: >> Y = binocdf(5.0. (b) calcula la probabilidad de que acierte en la diana por lo menos una vez.10.4 ans = 0.4.4 = 4 dianas d) más de las esperadas se refiere a más de cuatro: P( X  4)  1  P( X  4) >> 1 .10.9940 Es decir que P( X  1)  0.binocdf(0.2150 Es decir que P( X  3)  0. Si el 2% de ellas son defectuosas. EJEMPLO 21.5) Y = 0.

2.5 .10.P) EJEMPLO 21.'+') set(gca. >> Y = nbinpdf (X.2. R y P deben ser del mismo tamaño.5.'Xlim'.0220 Columns 10 through 11 0. Sintaxis: Y = nbinpdf(X. compras del consumidor y otras eventos similares en donde la frecuencia de ocurrencia entre grupos o individuos no se espera que sea la misma. en 10 ensayos.5) Se despliega: Y = Columns 1 through 9 0.1875 0.DISTRIBUCIÓN BINOMIAL NEGATIVA O DE PASCAL FDP CDP Descripción: Computa la función de distribución binomial negativa para el valor X y los parámetros R y P.0547 0.[-0.5 a 10.1250 0.R. También se emplea para modelar las estadísticas de accidentes.0081 Su gráfica de la PDF: plot(X.0134 0.3.1875 0. La probabilidad de éxito en cada ensayo es constante e igual a P.1172 0. Incluir la gráfica de >> X = (0:10).0. Los ensayos son independientes entre sí. donde se repite 3 éxitos.5]) % fijando los límites del eje de las X desde -0.5.3. donde la probabilidad es p= 0.  La aplicación principal de esta distribución es una alternativa adecuada para el modelo de Poisson cuando la frecuencia de ocurrencia no es constante en el tiempo o el espacio.1. Para un rango de valores de X desde 0 a 10. La variable aleatoria representa el número de ensayos necesarios para observar R éxitos. X.Y.1562 0. datos psicológicos.0352 0.0820 0. La función de densidad es 0 a menos que X sea un entero.

LAMBDA = 2 y X = 0 Se quiere calcular P( X  0) >> P = poisspdf(0. Ofrece una aproximación muy buena a la función de probabilidad binomial cuando p es pequeño y n grande. La función de densidad es 0 a menos que X sea un entero.2) P = 0.1.2. el número de defectos en piezas similares para el material.Un fabricante de discos duros para ordenadores ha observado que ocurren defectos en el proceso de fabricación aleatoriamente con una media aproximada de 2 defectos por disco de 4 Gb.DISTRIBUCIÓN DE POISSON PDF CDF Descripción: Computa la función de distribución de Poisson para el valor X y el parámetro LAMBDA. Se usa para estimar el número de personas que llegan a una tienda de autoservicio en un tiempo estimado. Es el principal modelo de probabilidad empleado para analizar problemas de líneas de espera.1353 o sea un 13. Sintaxis: Y = poisspdf(X.LAMBDA) EJEMPLO 22. X puede ser cualquier entero no negativo.1353 Es decir que P( X  0)  0. número de solicitudes de seguro procesadas por una compañía en un período específico.4. el número de bacterias en un cultivo. Se considera este término de fallos aceptable para el proceso.2. (a) Calcula la probabilidad de que sólo llegue un vehículo. EJEMPLO 23. ¿ Cuál es la probabilidad de que un disco duro cualquiera sea fabricado sin fallos ? Para este caso. X y LAMBDA deben ser del mismo tamaño y LAMBDA positivo. El número de vehículos que llegan a una intersección de caminos durante una hora sigue una distribución de Poisson de parámetro λ = 10. etc.53% de que un disco duro sea fabricado sin fallos. La variable aleatoria representa el número de eventos independientes que ocurren a una velocidad constante en el tiempo o en el espacio. .

10) P = 4.5400  10 4 o sea un 0.DISTRIBUCIÓN GEOMÉTRICA Descripción computa la función de distribución geométrica de cada uno de los valores de X usando las probabilidades correspondientes en P.4. ¿Cuál es la probabilidad de que 10 páginas.(b) ¿Cuál es el número medio de vehículos que se espera que lleguen al cruce en una hora? (c) Calcula la probabilidad de que el número de vehículos que llegan al cruce sea mayor al número esperado Para este caso .P) PDF CDF . estén libres de error? 1 Para este caso la probabilidad de encontrar un error tipográfico es p  585 1 43 El valor de LAMBDA será: LAMBDA= N  p  43   585 585 Para la probabilidad de no encontrar error.05% de que llegue sólo un vehículo b) el número medio o esperado = LAMBDA= 10 vehículos c) se quiere encontrar P( X  10)  1  P( X  10) >> P = 1. P( X  10)  0. LAMBDA= 10 a) se quiere encontrar P( X  1) >> P = poisspdf(1.10) P = 0.2. Es decir P( X  10) >> Y = binopdf(10. seleccionadas al azar.5400e-004 Es decir que P( X  1)  4. % probabilidad de que una hoja tenga un error >> LAMBDA= N*p LAMBDA = 0. Si esos errores están distribuidos aleatoriamente en el libro.4170 o sea 41. Los parámetros en P debe estar en el intervalo [0 1]. recurrimos a la distribución binomial. X y P puede ser vectores.P) Y = 0.4170 Es decir.10.1. SÍNTAXIS Y = geopdf(X.poisscdf(10. % cantidad de errores >> p = 1/585. Supóngase que un libro de 585 páginas contiene 43 errores tipográficos. se necesita calcular P( X  0) >> N = 43.4795 2.0735 >> P = poisspdf(0.9291 Para determinar la probabilidad de que 10 páginas están libres de error. con la probabilidad P y X= 10. matrices o arreglos multidimensionales que tengan el mismo tamaño.70 % de vehículos mayor al valor esperado EJEMPLO 24.LAMBDA) P= 0.

y N. M. Los valores de X deben ser menores o iguales a todos los valores de los parámetros. Sintaxis Y = hygepdf(X.5. los discos defectuosos son K=20 y se toman N = 10 al azar . X. si se seleccionan 10 al azar? Calcular la probabilidad de que salgan exactamente tres defectuosos.K. ¿Cuál es la probabilidad de que exactamente salgan tres sellos antes de obtener una cara? En este caso la probabilidad de éxito.EJEMPLO 25. Si la moneda cae y sale cara. K. K. tiene un LOTE de 100 discos floppys y se sabe que 20 de ellos son defectuosos. y de que salgan tres o menos defectuosos? En este caso. M = 100.0625 Por tanto P( X  3)  0. o arreglos multidimensionales que tengan el mismo tamaño.1. N    . con N = M. ¿Cuales son las probabilidades de tener de 0 a 5 discos floppys defectuosos.0.2. y N pueden ser vectores.M. K.  Los parámetros M. y N deben ser enteros positivos. K . es la probabilidad de sacar exactamente x de unos artículos posibles de K artículos de N extracciones sin reemplazo de un grupo de M objetos. matrices. es p= 0.5 Se quiere encontrar P( X  3) >> p = geopdf(3. puede salir cara o sello.5) p= 0.  M    N el resultado. y.DISTRIBUCIÓN HIPERGEOMÉTRICA Descripción  computa la function distribución hipergeométrica de cada uno de los valores de X usando los parámetros en M. Supongo que Ud.0625 2.  K  M  K     x   N  x   La distribución de probabilidad hipergeométrica es y  f  x M . eso es un éxito.N) EJEMPLO 26.Suponga que se lanza una moneda común repetidamente.

0215 Para hallar la gráfica.Se quiere hallar la función de probabilidad >> X = 0:5. 'Geometric'.2 GENERADORES DE NÚMEROS ALEATORIOS (RND) Descripción: En el apartado <distribución> se coloca el nombre de ésta entre comillas simples. Para la probabilidad de que salgan tres o menos P( X  3) >> p = hygecdf(3. agregamos el comando plot Para la probabilidad de que salgan exactamente tres P( X  3) >> p = hygepdf(3.100. 'Noncentral F'.100.2092 0.3182 0. 'Binomial'.0951 0. La generación de números aleatorios es útil para la simulación de eventos en los intervengan un factor aleatorio pero del que conocemos su distribución.92 % de que se extraigan 3 defectuosos. 'F'. Los parámetros corresponden a la distribución usada en cada caso y deberán cumplir las condiciones que esta exija.10) p = 0.8904 Es decir que P( X  3)  0.04 % de que se extraigan 3 o menos defectuosos. 'Rayleigh'.100. 2.2679 0. Cadenas aceptables para las distintas distribuciones: . 'Chisquare'.20. 'Uniform'.2092 o sea que hay un 20.8904 o sea que hay un 89. 'Exponential'. 'Discrete Uniform'. 'Gamma'. 'Noncentral Chi-square'. p = hygepdf(X. 'Hypergeometric'.20. 'Poisson'. 'Lognormal'. Las distribuciones pueden ser: ‘beta'.10) p= 0.0841 0. 'Negative Binomial'. 'Normal'. 'Weibull'. 'T'.10) p = 0.20.2092 Es decir que P( X  3)  0. 'Noncentral t'.

Chi.2.5. Normal)  'gam' (Distr.9)+4.Generalizada Pareto)  'unif' (Distr. El número de piezas en cada remesa viene dado por una distribución uniforme con un mínimo de 5 y un máximo de 13.) ) EJEMPLO 27. >> Remesa = RANDOM('unid'. Generar con una distribución binomial con los siguientes parámetros: X = 10. T no central)  'exp' (Distr.. Weibull)  'logn' (Distr. Se quiere comprobar la eficiencia de una maquina empaquetadora a la que le llegan piezas de repostería casa 5minutos. Valor extreme  'rayl' (Distr. valor extremo) central)  'f' (Distr.Uniforme)  'geo' (Distr. Uniforme discreta)  'hyge' (Distr. Gamma )  'poiss' (Distr.0. Rayleigh) Generalizado)  't' (Distr. t)  'gp' (Distr.<parámetros>) (ó R = <distribución>rnd (<parámetros>) Ej: R = lognrnd(. Binomial)  'ncf' (Distr. P=0. Remesa = RANDOM('Discrete Uniform'.cuadrado)  'nct' (Distr. Lognormal) Sintaxis: R = RANDOM (<distribución>.1. F )  'norm' (Distr. Geométrica)  'unid' (Distr.13) Remesa = 2 4 3 1 3 5 3 2 3 4 4 2 5 4 1 2 5 3 3 5 4 4 2 4 4 4 4 2 2 5 4 2 3 5 2 5 4 3 3 3 3 3 5 4 1 5 2 4 2 5 5 4 4 5 2 2 4 4 4 4 3 4 2 5 3 4 1 2 3 1 4 5 4 1 1 4 2 4 1 5 4 1 1 3 2 1 1 2 2 4 3 1 4 2 3 2 1 4 4 4 1 1 3 4 5 2 5 2 3 2 2 2 3 3 4 3 3 1 1 5 1 4 1 4 5 1 4 3 5 5 1 3 4 1 3 2 4 1 2 3 3 2 2 3 3 2 3 5 3 1 3 4 3 4 2 1 5 1 3 1 4 3 2 3 1 4 4 1 1 . Binomial negativa)  'bino' (Distr..10. Exponencial)  'ncx2' (Distr.5) ans = 4 0 4 2 4 EJEMPLO 28. Hipergeométrica)  'wbl' (Distr. Beta)  'nbin' (Distr.  'beta' (Distr. Poisson)  'gev' (Distr.2 >> RANDOM('bino'.cuadrado No  'ev' (Distr. Chi. F No central)  'chi2' (Distr.

sabiendo que ha sido superior a la cantidad esperada.383.001%. siguiendo una distribución uniforme. Si se lanza un dado 150 veces. Según estudios realizados por una compañía de seguros. Respuestas.816. (b) Calcula la probabilidad de que en una clase de 30 estudiantes no haya ningún chico. quedando establecido que dicha medida se distribuye según una distribución normal de parámetros 100 y 10. Se sabe que aproximadamente el 90% de los matriculados en Ingeniería son hombres. y a aquellos con coeficiente demasiado bajo.0228. b) 0. b) 10-30 . a) Calcular la probabilidad de suministrar ma´s de la cantidad esperada por minuto b) Calcular la probabilidad de que la cantidad suministrada en un minuto sea menor de 25 litros y medio. a) 0.4095. c) 112. que resultan ser un 5% del total. Calcula los valores del coeficiente de inteligencia a partir de los cuales se repetirán las pruebas. Sabiendo que la compañía tiene 40000 clientes de esas características. c) 0. Respuestas.46. calcular la probabilidad de que tenga que soportar más de 4 siniestros de este tipo. (a) Calcula la probabilidad de que un alumno seleccionado al azar tenga un coeficiente intelectual por encima de 120. 4. pero se ha comprobado que la máquina suministra una cantidad aleatoria entre 24 y 26 litros.9489 2.5 . (c) ¿Qué valor del coeficiente intelectual verifica que sólo el 10% de los alumnos tienen un coeficiente superior? (d) Se decide repetir las pruebas a aquellos alumnos con un coeficiente demasiado alto. Una máquina de lavado a presión está diseñada para suministrar 25 litros de limpiador por minuto. Calcular la probabilidad de que más de 20 voten por dicho candidato. que representan un 2%. ¿cuál es la probabilidad de que salga 30 veces un seis? Respuesta. 0. Respuestas. Respuesta. (c) Calcula la probabilidad de que en una clase de 40 personas. Respuesta. En un colegio se realizan una serie de pruebas psicotécnicas para determinar el coeficiente de inteligencia de los alumnos.5.0045 6. Se eligen al azar 50 votantes en un distrito electoral paceño. 0. 0. a) 0. Según las encuestas previas a las elecciones se supone que el 25% de los electores de la ciudad de La Paz votan por un determinado candidato. (b) Calcula el porcentaje de alumnos cuyo coeficiente intelectual está comprendido entre 95 y 105. b) 0. d) Por encima de 116.0001 5.45 y por debajo 79. a) 0. (a) Calcula la probabilidad de que en un grupo de cinco estudiantes escogidos al azar haya alguna chica. menos del 20% sean mujeres. se sabe que la probabilidad de que una mujer mayor de sesenta años sufra un accidente de circulación es del 0.048 3. PROBLEMAS PROPUESTOS 1.