ESTADÍSTI

ESTADSTICA APLICADA
Ing. Eder Vicua Galindo

INTRODUCCIN A LA TEORA
DE LA PROBABILIDAD
Objetivos:
Representar los conceptos bsicos de probabilidad.
Aplicar propiedades y operaciones de la probabilidad
y teora de conjuntos.
Manejar tablas de distribuciones de probabilidad.
Estudiar las aproximaciones de una distribucin a
otra.
Discernir las aplicaciones segn sean los casos.
Tcnicas de Conteo
Se llama as a los mtodos que se usan para determinar,
sin la enumeracin directa, del nmero de resultados
posibles o el nmero de elementos de un conjunto.
Ejemplos:
Nmero de veces en las que se puede adquirir un
determinado repuesto de n tiendas en m ciudades.
Maneras de viajar a una ciudad determinada pasando
por diversos puntos intermedios.
Principios de la Adicin y la
Multiplicacin
Principio de la Adicin:
Si una operacin se puede realizar de n maneras
distintas y otra de m maneras diferentes, siendo
ambas mutuamente excluyentes, no pudindose
realizar juntas ni en forma sucesiva, entonces el
nmero total de maneras en que puede realizarse
ambas operaciones es igual a n + m.
Principios de la Adicin
Ejemplos:
Una repuesto de auto se vende en 6 tiendas de la
ciudad A y en 8 tiendas de la ciudad B. En
cuantas tiendas se puede adquirir el repuesto?
14 (maneras)
Para viajar de Lima a Huancayo se tiene dos rutas
por mnibus, dos por avin y uno por tren. De
cuntas maneras se puede viajar de Lima a
Huancayo?
Principio de la Multiplicacin
Si una operacin se puede realizar de n pasos
distintos y otro de m pasos diferentes, siendo
ambas no excluyentes, pudindose realizar juntas o
en forma sucesiva, entonces el nmero total de
maneras en que puede realizarse ambas
operaciones es igual a nm.
Extensin
Si una operacin se puede realizar de n
1
pasos
distintos, otra segunda de n
2
pasos, una tercera de
n
3
pasos, etc. Entonces el nmero total de
maneras en que puede realizarse las operaciones es
igual a n
1
n
2
n
3
n
K
.
Ejemplo 1: Para viajar de Tumbes a Lima se cuenta
con tres posibilidades: va rea, terrestre o martima.
Por problemas en la carretera solo se puede viajar de
Lima a Tacna por va rea o martima. De cuntas
maneras se puede realizar el viaje de Tumbes a Tacna
pasando por Lima?
Lima
Tumbes Lima Tacna
Lima Tacna
3 2 = 6
Ejemplo 2: En cierto restaurante se sirve el men de
con las siguientes opciones: el primer plato consta de
una sopa o una entrada, para el segundo plato se
puede elegir entre 4 tipos de segundos, de bebida se
tienen tres tipos: gaseosa, mate o refresco; y para el
postre son tres las opciones: flan, helado o gelatina.
De cuntas maneras un comensal puede elegir su
men?
Primer plato Segundo plato Bebida Postre Total
2 4 3 3 72 maneras

Cuando decidir sobre Principios de la
Adicin y la Multiplicacin
Adicin Multiplicacin

Si la actividad a desarrollar o a
ser efectuada tiene alternativas
para ser llevada a cabo, haremos
uso del principio aditivo.
Cuando se trata de una sola
actividad, la cual requiere de una
serie de pasos, entonces haremos
uso del principio multiplicativo

n m
n
m
Permutacin
Es un arreglo de todos o parte de un conjunto de
objetos, en un orden definido y sin repeticin.
Casos:
Permutacin Simple: Cuando se utilizan todos
los elementos n del conjunto.

P
n
= n!
P(n, r)
n
r
P P
n

Permutacin
Ejemplo:
El nmero total de permutaciones que se puede
obtener con las letras A, B y C.

ser: 3! = 32 = 6, stas sern:

ABC
BAC
CAB
ACB
BCA
CBA
Permutacin
Permutacin con una seleccin (r)

Ejemplo: Suponga que hay ocho tipos de computadora
pero solo tres espacios disponibles para exhibirlas en la
tienda de computadoras. De cuantas maneras diferentes
pueden ser arregladas las 8 mquinas en los tres espacios
disponibles?

)! (
!
r n
n
P
n
r
=
336 8 7 6
! 5
! 8
)! 3 8 (
! 8
8
3
= = =
= P
Permutacin
Permutacin con repeticin
Dados n elementos de los cuales n
1
son de la clase 1,
n
2
son de la clase 2,..., n
i
son de la clase i hasta n
k
de
la clase k, llamamos permutaciones con repeticin de
n elementos a los posibles arreglos que podemos
formar con n elementos.
n
1
+ n
2
+ --- + n
k
= n
! ... ! !
!
2 1 k
n
n
n n n
n
P
i

=
Permutacin

Ejemplo:
Se desea instalar 12 computadoras en lnea, cuatro son
de la marca A, tres son de la marca B, y cinco son de la
marca C. Si no se hace distincin entre las
computadoras de la misma marca; de cuntas maneras
se puede realizar dicha instalacin:

( )( )( )
( )( )
27720
3 2 1 4 3 2 1
12 ... 8 7 6
5 ... 3 2 1 3 2 1 4 3 2 1
12 ... 3 2 1
! 5 ! 3 ! 4
! 12
12
) 5 , 3 , 4 (
=

=
=

=

= P
Combinaciones
Las combinaciones de n objetos tomando o
seleccionando r de ellos a la vez, representan el
nmero de subconjuntos diferentes de tamao r que se
pueden formar con los n objetos; en este caso el orden
de aparicin u ordenamiento no es importante.
! ) ( !
!
) , (
r n r
n
r
n
C r n C
n
r
=
|
|
.
|
\
|

Combinaciones
Ejemplo: De un grupo de nueve alumnos, cinco de los
cuales son varones, se desea formar un grupo que
consta de tres varones y dos mujeres. De cuntas
maneras se puede formar el grupo?

( )! 2 4 ! 2
! 4

( )! 3 5 ! 3
! 5

= 60

|
|
.
|
\
|
3
5

mujeres varones
|
|
.
|
\
|
2
4

Experimento aleatorio
Es una representacin ficticia de un proceso, cuyo
resultado o resultados depende nicamente de
fenmenos aleatorios o leyes del azar. Es representado
por c.
Caractersticas:
a) Se puede repetir indefinidamente, bajo las mismas
condiciones. Aunque con resultados diversos.
b) No se puede predecir el resultado. Solo intuir.
c) La intuicin se acerca al pronstico a medida que se
aumenta el nmero de repeticiones.
Se define un fenmeno aleatorio como aquel en el
que pequeos cambios en sus factores producen
grandes diferencias en su resultado.
En ocasiones el azar es consecuencia de la
ignorancia de un suceso o de la incapacidad para
procesar toda la informacin que se tiene.
Ejemplo:
Lanzamiento de un dado dos veces y observar el
resultado obtenido.

Espacio Muestral
Se llama espacio muestral al conjunto formado por
todos los posibles resultados de un experimento
aleatorio. Puede ser un conjunto finito o infinito. Se
representa por la letra griega O. Para el ejemplo
anterior 1
2
O = 3
4
5
6
Punto de muestra
Es un elemento del espacio muestral; para el
ejemplo anterior: puede ser el valor de 6.
Eventos
Es cualquier subconjunto del espacio muestral.
Tambin llamado suceso.
Algebra de Eventos
La unin de los eventos A y B ocurre s, y solo s,
ocurre A, ocurre B o ambos a la vez (por lo menos
ocurre uno de ellos):
AB
La interseccin de los eventos A y B ocurre s, y
solo s, ocurren simultneamente A y B.
AB
El complemento del evento A ocurre s, y solo s,
no ocurre el evento A.
A
c
A
Diagrama de rbol
Este es un diagrama que permite manejar de
manera sistemtica la determinacin del nmero
de eventos en un espacio muestral finito;
especialmente cuando este proceso de
determinacin es tedioso o muy difcil.
Diagrama de rbol
Eventos Mutuamente Excluyentes
Dos eventos son mutuamente excluyentes si no
pueden ocurrir o suceder en forma simultnea,
esto es, si y slo si su interseccin es vaca.

AB = 0
Evento colectivamente exhaustivo
Un conjunto de eventos E
1
, E
2
, ..., E
n
es
colectivamente exhaustivo cuando E
1
E
2
....E
n
= S, donde S es el espacio muestral.

Ejemplo: Sean los eventos A y B mutuamente
excluyentes y colectivamente exhaustivos:

AB = 0
AB = S

Definicin de Probabilidad
Si un experimento aleatorio c tiene n(O) resultados
igualmente posibles, y n(A) de tales resultados estn a
favor del evento A, entonces la probabilidad de
ocurrencia del evento A est dado por:

Ejemplo: De una urna, con cinco bolas blancas y cuatro
negras:
a) Se saca una; seale la probabilidad de obtener 1 bola
blanca.
b) Se saca 4 de forma consecutiva sin reemplazo;
determine la probabilidad de obtener 2 bolas blancas.
) (
) (
) (
O
=
n
A n
A p
Probabilidad en Espacios
Muestrales Finitos
Es considerado cuando se tiene un finito nmero de
eventos.
Debe satisfacer estas tres condiciones:
La probabilidad P es de aditividad finita.
P es no negativa.
P(O) P(S) = 1.

Ejemplos:
Probabilidades de eventos en el lanzamiento de un
dado.
Probabilidades de obtener un determinado color y
nmero de artculos de un lote de 100 artculos.
Muestrales Finitos
Ejemplo:
Cul es la probabilidad de que una familia que tiene
tres hijos, tenga dos nias y un nio, si se considera
igualmente probable el nacimiento de un nio o nia?

Espacio muestral; Usando "a" para nia y "o" para
nio, el espacio muestral es:

S = {aaa, aao, aoa, aoo, oaa, oao, ooa, ooo}

n(S) = 8; FINITO
Muestrales Finitos
El evento A en que haya dos nias y un nio es
A = {aao, aoa, oaa}; n(A) = 3

Obsrvese que siempre 0 < P(A) < 1, puesto que
0 < n(A) < n(S)
375 . 0
8
3
) (
) (
) ( = = =
S n
A n
A p
8
1
) (
) (
) ( = =
S n
A n
A p
aao
aao
8
1
) (
) (
) ( = =
S n
A n
A p
aoa
aoa
8
1
) (
) (
) ( = =
S n
A n
A p
oaa
ooa
;
;

Axiomas de Probabilidad
La probabilidad de un evento A se define como
el nmero P(A), de modo tal que cumpla con los
siguientes axiomas:

AXIOMA 1: La probabilidad P(A) de cualquier
evento no debe ser menor que cero ni mayor que
uno: 0 < P(A) < 1

AXIOMA 2: P(S) = 1

AXIOMA 3: Si A y B son dos eventos mutuamente
excluyentes (AB = ), entonces: P(AB) = P(A)
+ P(B)

Toda la teora elemental de la probabilidad est
construida sobre las bases de estos tres simples
axiomas.
Si el espacio muestral es infinito, debemos
reemplazar el axioma 3 por el

AXIOMA 4: Si A
1
, A
2
, son eventos mutuamente
exclusivos, entonces tenemos que P(A
1
A
2
) =
P(A
1
) + P(A
2
) ++
a) P(A) = 1 - P(A)
b) P(C) = 0
c) P(B-A) = P(B) - P(AB)
d) Si A _ B entonces P(A) P(B)
e) 0 <= P(A) <= 1 para todo suceso A
f) P(AB) = P(A) + P(B) - P(AB)
g) P(ABC) = P(A)+P(B)+P(C)-P(AB)-P(AC)-
P(BC)+P(ABC)
Ejemplos:
Defina el evento
En una planta industrial se va a fabricar un nuevo
lote del producto qumico, cul es la probabilidad
de que el rendimiento sea 80%?

Probabilidad de estudiantes varones en un saln de
clases. Clasificacin por gnero.

Recipiente con 3 bolitas blancas y 7 rojas. Extraigo
2 bolitas al azar, cul es la probabilidad de que
ambas sean blancas? Considere que las extracciones
se hacen:
a) las dos bolitas juntas; b) 1 a 1 sin reposicin; c) 1
a 1 con reposicin
Ejercicios
Cules de los siguientes pares de sucesos son
mutuamente excluyentes y complementarios?
a) A: El hijo de Jane tiene hemofilia.
B: La hija de Jane es portadora de hemofilia.
b) A: El 65% de las semillas de guisante que han sido
plantadas germinar.
B: El 50% de las semillas de guisante que han sido
plantadas no llegar a germinar.
c) A: Jos sufre hipotermia.
B: La temperatura de Jos es de 39 C.
d) A: El pH de una muestra de superficie de terreno
es igual a 7.0.
B: La muestra de superficie de terreno es alcalina.
Ejercicios
El ndice de contaminacin atmosfrica elaborado
por una central meteorolgica clasifica los das
como: extremadamente buenos, buenos,
tolerables, malos o extremadamente malos. La
experiencia anterior indica que el 50% de los das
se clasifican como extremadamente buenos, el
22% como buenos, el 18% como tolerables, el
8% como malos y el 2% como extremadamente
malos. Se emite un pronstico de los das
clasificados como malos o extremadamente
malos. Cul es la probabilidad de que un
determinado da, elegido aleatoriamente, est
incluido en ese pronstico?

Ejercicios
Un determinado anlisis qumico tiene un alcance
ms bien limitado. Generalmente, el 15% de las
muestras estn demasiado concentradas para que
puedan contrastarse sin llevar a cabo una dilucin
previa, el 20% estn contaminadas con algn
material obstaculizante que deber ser eliminado
antes de llevar a cabo el anlisis. El resto puede
ser analizado sin pretratamiento. Supongamos que
las muestras no estn en ningn caso concentradas
y contaminadas a la vez. Cul es la probabilidad
de que una muestra seleccionada aleatoriamente
pueda ser contrastada sin pretratamiento?
Probabilidad Condicional
Sea B un evento del espacio muestral O, con P(B) = 0.
La probabilidad de un evento A suceda una vez que B
haya sucedido, o dicho de otra manera, la probabilidad
condicional de A dado B, que se denota por P(A/B) se
define de la siguiente manera:

) (
) (
) / (
B P
B A P
B A P

=
Ejemplo:
La probabilidad de que un vuelo programado
normalmente salga a tiempo es 0,83; la probabilidad de
que llegue a tiempo es 0,82 y la probabilidad de que
salga y llegue a tiempo es 0,78. Encuentre la
probabilidad de que un avin:
a) Llegue a tiempo, dado que sali a tiempo.
b) Salga a tiempo, dado que lleg a tiempo.
Solucin:
E
1
: evento que salga a tiempo;
E
2
: evento que llegue a tiempo
O
E
1

E
2

94 , 0
83 , 0
78 , 0
) (
) (
) / (
1
2 1
1 2
= =
=
E P
E E P
E E P
95 , 0
82 , 0
78 , 0
) (
) (
) / (
2
1 2
2 1
= =
=
E P
E E P
E E P
Propiedades de Probabilidad
Condicional
0 s P(A/B) s 1
P(O/B) = 1
P(B/O) = P(B)
P(A/B) = 1 - P(A
C
/B)

P[(AB)/C] = P(A/C) + P(B/C) - P[(AB)/C]. Si
A y B son mutuamente excluyentes: (AB = );
entonces P[(AB)/C] = P(A/C) + P(B/C)
Eventos Independientes
Dos eventos A y B son independientes si y solo si:
P(A/B) = P(A) y P(B/A) = P(B); de otra forma A y B
son dependientes.

P(AB) = P(A/B)P(B) = P(B/A)P(A)

P(AB) = P(A)P(B) = P(B)P(A)

) (
) (
) / (
B P
B A P
B A P

=
) (
) (
) / (
A P
A B P
A B P

=
Ejemplo:
Un mecanismo elctrico que contiene cuatro
interruptores slo funciona cuando todos ellos estn
cerrados. En sentido probabilstico, los interruptores
son independientes en lo que se refiere al cierre o a la
apertura, y, para cada uno de ellos, la probabilidad de
que no funcione es 0,1. Calclese la probabilidad de
que no funcione el mecanismo en conjunto,
despreciando todas las causas que pueden hacer que el
mecanismo no funcione, excepto los propios
interruptores.
F: no funcione

S
1
suceso de que el interruptor 1 est cerrado
6561 . 0 ) 9 . 0 )( 9 . 0 )( 9 . 0 )( 9 . 0 ( = =
) ( 1 ) ( F P F P =
1 , 0 ) (
1
= S P P(S
1
) = 1 P(
1
S ) = 0,9
) ( ) (
4 3 2 1
S S S S P F P =
) ( ) ( ) ( ) ( ) (
4 3 2 1 4 3 2 1
S P S P S P S P S S S S P =
3439 , 0 561 . 0 1 ) ( 6561 , 0 ) ( = = = F P F P
Ejemplo:
Una caja de fusibles contiene 20 unidades, de los cuales
cinco son defectuosos. Si se seleccionan al azar uno
despus del otro de la caja sin reemplazar el primero,
cul es la probabilidad de que ambos fusibles estn
defectuosos?
Evento E
1
: fusible defectuoso en la primera seleccin
Evento E
2
: fusible defectuoso en la segunda seleccin
P(E
1
E
2
) = P(E
2
/E
1
)P(E
1
)

=
20
5
19
4
Probabilidad Conjunta
P(AB)

P(E
1
E
2
) = P(E
2
/E
1
)P(E
1
)

=

20
5
19
4
Particin de un evento
Los eventos A
i
, i = 1, 2,K,, k, forman una
particin del espacio muestral O, si son mutuamente
excluyentes (A
i
A
j
= , i = j) y su unin es O.

- - -
O
A
k
A
3
A
1
A
2
Particin de un evento
O c
i
A
j i A A
j i
= = , o
O =
k
A K A A ... ...
2 1
Propiedades
Teorema de Probabilidad Total
Si los eventos A
i
particin del espacio muestral O y B es un evento
cualquiera de O, entonces:
=
=
k
i
i i
A B P A P B P
1
) / ( ) ( ) (

- - -
O
A
k
A
3
A
1
A
2
B
Ejemplo
En una fbrica de pernos, las mquinas A, B y C
fabrican 25, 35, y 40 por ciento de la produccin
total respectivamente; produciendo el 5, 4 y 2%
de pernos defectuosos consecuentemente. Si se
escoge un perno al azar,
cul es la probabilidad de que el perno sea
defectuoso?;
cul es la probabilidad de que el perno
defectuoso provenga de la mquina A?

Teorema de Bayes
Si los eventos A
i
particin del espacio muestral O y B es un evento
cualquiera de O, entonces:

Demostracin
P(A
i
B) = P(B)P(A
i
/B) P(A
i
)P(B/A
i
)

( )
=
k
i
i i
i i i
i
A B P A P
A B P A P
B P
B A P
B A P
1
) / ( ) (
) / ( ) (
) (
) / (

=
=
k
i
i i
A B P A P B P
1
) / ( ) ( ) (
Ejemplo
En una fbrica de pernos, las mquinas A, B y C
fabrican 25, 35, y 40 por ciento de la produccin
total respectivamente; produciendo el 5, 4 y 2% de
pernos defectuosos consecuentemente. Si se escoge
un perno al azar,
cul es la probabilidad de que el perno defectuoso
provenga de la mquina A?
Ejemplo
Si se colocan en un estante en orden aleatorio 4
volmenes de cierta obra, cul es la probabilidad de
que el orden sea perfecto? (Ascendente o
Descendente).
O = P
4
= 4! = 24
-
-
-
-
-
-
24
2
1
1 Vol 2 Vol 3 Vol 4 Vol
A
A
A

Ejemplo
E
1
= Volumen 1 ocupe el primer orden;
E
2
= Volumen 2 ocupe el segundo orden; una vez que
el Volumen 1 ocup el primer orden
E
3
= Volumen 3 ocupe el tercer orden; si el Volumen
2 ocup el segundo orden; una vez que el
Volumen 1 ocup el primer orden.
E
4
= Volumen 4 ocupe el cuarto orden; si ya el
Volumen 3 ocup el tercer orden, cuando el
Volumen 2 ocup el segundo orden; una vez que
el Volumen 1 ocup el primer orden.
A
1
= Orden ascendente de organizar los volmenes
A
24
= Orden descendente de organizar los volmenes
Ejemplo
P(E
1
) = 1/4
3 / 1 ) (
) (
) ( ) (
) (
) (
) / (
2
1
1 2
1
1 2
1 2
= = =
= E P
E P
E P E P
E P
E E P
E E P
2 / 1 ) (
) (
) ( ) (
) (
) (
) / (
3
2
2 3
2
2 3
2 3
= = =
= E P
E P
E P E P
E P
E E P
E E P
1 ) (
) (
) ( ) (
) (
) (
) / (
4
3
3 4
3
3 4
3 4
= = =
= E P
E P
E P E P
E P
E E P
E E P

P(A
1
) = P(E
1
E
2
E
3
E
4
) = P(E
1
)P(E
2
)P(E
3
)P(E
4
) =
24
1
1
2
1
3
1
4
1
=
P(A
2
) =
24
1

P(A
24
) =
24
1

P(E
1
) = 1/4
3 / 1 ) (
) (
) ( ) (
) (
) (
) / (
2
1
1 2
1
1 2
1 2
= = =
= E P
E P
E P E P
E P
E E P
E E P
2 / 1 ) (
) (
) ( ) (
) (
) (
) / (
3
2
2 3
2
2 3
2 3
= = =
= E P
E P
E P E P
E P
E E P
E E P
1 ) (
) (
) ( ) (
) (
) (
) / (
4
3
3 4
3
3 4
3 4
= = =
= E P
E P
E P E P
E P
E E P
E E P

P(A
1
) = P(E
1
E
2
E
3
E
4
) = P(E
1
)P(E
2
)P(E
3
)P(E
4
) =
24
1
1
2
1
3
1
4
1
=
P(A
2
) =
24
1

Ejemplo
B = Evento de organizar los volmenes de forma
ascendente o descendente.
P(B) = P(A
1
A
24
) =
24
1
+
24
1
=
12
1

Ejemplo

Vol 1
Vol 2
Vol 3 Vol 4

-

-

-
Vol 4
Vol 3
Vol 2
1/4
1/3
1/2
1
Variables Aleatorias
Sea O el espacio muestral asociado a un experimento
aleatorio c, una variable aleatoria es una funcin que
hace corresponder a cada elemento del espacio
muestral un nmero real.
Las variable aleatorias se denotan por X, en forma
general, y su domino y rango por D
X
y R
X

respectivamente.

De la definicin se deduce que el dominio de X es O y
su rango es un subconjunto de los nmeros reales A (A
c 9).
Ejemplo
Una caja contiene cuatro chips de audio y tres de
video, estos chips son idnticos entre s, a
excepcin del cdigo de identificacin. Se sacan
dos chips en forma sucesiva sin reemplazo de esta
caja. Se define la variable aleatoria X como el
nmero de chips de audio extrados. Halle el
dominio y rango de X.

O = {X
1
, X
2
, X
3
, X
4
}
R
X
= {X
1
, X
2
}

Variables Aleatorias Correspondencia

e
1

e
2

-

-

-
e
n

x
1

x
2

-

-

-

x
n

O A
El nmero de unidades vendidas de un cierto producto.
El nmero de productos defectuosos en una lnea de
produccin.
Clasificacin de las variables
aleatorias
Las variables aleatorias se clasifican segn su rango
en dos grupos: Variables aleatorias discretas y
variables aleatorias continuas.

Variables Aleatorias Discretas
Se dice que es discreta cuando su rango toma valores
finitos o un nmero infinito de valores que se pueden
asociar al conjunto de nmeros enteros.
De lo anterior se infiere que el rango de una variable
aleatoria discreta es un conjunto numerable (se puede
contar sus elementos).
Variables Aleatorias
Variables Aleatorias Continuas
Es continua cuando su rango es un conjunto infinito
de valores que se pueden asociar a los puntos de un
segmento de una recta.
De lo anterior, se puede deducir que el rango de una
variable aleatoria continua es un conjunto no
numerable (no se puede contar).

El voltaje de una batera de un automvil.
La temperatura de un disco duro de una PC en
funcionamiento.
Variables Aleatorias Discretas
Funcin de Probabilidad o Funcin de masa o Funcin de
Densidad
Sea X una variable aleatoria discreta con valores x
1
, x
2
, x
3
, ,
x
n
; la probabilidad de que X tome un valor x
i
, i = 1, 2, , n,
denotada por P(X = x
i
), se define como
P(X = x
i
) = f(x
i
), x
i
e R
x
.

f: Funcin de Distribucin o Funcin de Probabilidad.
El domino de f es el rango de X.
X x
1
x
2
- - -
x
n
P(X = x
i
) = f(x
i
) f(x
1
) f(x
2
)
- - -
f(x
n
)
Ejemplo
Una caja contiene cuatro chips de audio y tres de video,
estos chips son idnticos entre s, a excepcin del cdigo
de identificacin. Se sacan dos chips en forma sucesiva
sin reemplazo de esta caja.

x
1
: 2 chips de audio extrados.
x
2
: 1 chip de audio y 1 chip de video extrados.
x
3
: 2 chips de video extrados

X x
1
x
2
x
3
P(X = x
i
) = f(x
i
) f(x
1
)=12/42 f(x
2
)=24/42 f(x
3
)=6/42

Propiedades
f(x
i
) > 0

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

1 ) (
1
=
=
n
i
i
x f
Funcin de Distribucin
(Acumulativa)
Sea X una variable aleatoria discreta con funcin
de probabilidad f; la funcin de distribucin
acumulativa de X, denotada por F se define como

P(x) = P(X s x) = x e 9

=
n
i
i
x f
1
) (
Propiedades
F(- ) = 0
F() = 1
0 s F(x) s 1
Si a < b, entonces:
F(a) s F(b);
P(a s x s b) = F(b) - F(a).
F(a) = P(x s a)

s = a x x p a F ) ( ) (
Valor Esperado de una variable
aleatoria
de probabilidad f y rango R
X
, la media, valor
esperado, esperanza matemtica o simplemente
esperado de X, denotada por u
X
o E(X), se define
como:
e
= =
X i
R x
i i X
x f x X E ) ( ) ( u
Ejemplo
En una operacin comercial se puede obtener una
utilidad de $1000 o sufrir una prdida de $500. Si la
probabilidad de una utilidad es de 0.6, demuestre que la
utilidad esperada en dicha operacin es de $400.
x
1
= utilidad de $ 1000
x
2
= prdida de $ 500
R
X
= {x
1
, x
2
}
400 $ 0.4 5000) $ (- 0.6 1000) ($ ) ( = + = = X E
X
u
=
= =
2
1
) ( ) (
i
i i X
x f x X E u
Propiedades
E(a) = a
E(aX) = aE(X)
E(aX + b) = aE(X) + b
E(aX + bY) = aE(X) + bE(Y)
Varianza de una variable
aleatoria
de probabilidad f y rango R
X
, la varianza X,
denotada por o
2
X
o V(X), se define como:
( )
( ) | |
2
2 2
2
2
) ( ) (
) ( ) (
X E X E X V
x f x X V
X
R x
i X i X
X i
=
= =

e
o
u o
Propiedades
V(a) = 0
V(aX) = a
2
V(X)
V(aX + b) = a
2
V(X)
V(aX + bY) = a
2
V(X) + b
2
V(Y)
Distribucin Binomial
Mide el nmero de xitos en una secuencia de n
experimentos independientes, con una probabilidad
p de ocurrencia del xito en cada uno de los
experimentos. Por tanto 1 p de fracaso.
Su funcin de densidad de probabilidad est dada
por:

Funcin de Distribucin Acumulativa:

( )
x n
x
p p
x
n
p n x b

|
|
.
|
\
|
= 1 ) , ; (
|
|
.
|
\
|
=
x
k
k n k
p p
k
n
p n x B
0
) 1 ( ) , ; (
Caractersticas y Propiedades
Caractersticas
Los experimentos son idnticos, independientes y de
probabilidad constante.

Propiedades
Esperanza E(x) u = np
Varianza Var(x) o
2
= np(1 p)
Acumulativas
Probabilidad (x s a) = B(a, n, p)
Probabilidad (x > a) = 1 - B(a, n, p)
Probabilidad (a s x s b) = B(b+1, n, p) - B(a-1, n, p)
Caractersticas y Propiedades
Aplicaciones
Estas aplicaciones fundamentalmente se dan
(dentro de la ingeniera) en procedimientos de
control de calidad cuando se analiza piezas o
productos para establecer si son defectuosos o
buenos.
Muestreo de aceptacin
Grficos de control
Tabla de Funcin de Distribucin
Ejemplo aplicativo
Un representante realiza 5 visitas cada da a los comercios de
su ramo y por su experiencia anterior sabe que la
probabilidad de que le hagan un pedido en cada visita es del
0,4. Obtener:
El nmero medio de pedidos por da.

La varianza.

La probabilidad de que el nmero de pedidos que realiza
durante un da est comprendido entre 2 y 4 inclusive.
0.65
La probabilidad de que por lo menos realice dos pedidos.
0.66
E(x) u = np = 50.4 = 2
Var (x) o
2
= np(1 p) = 2(1 0.4) = 1.2
Pr (x > 2) = 1 - B (1, 5, 0.4)
Pr (2s x s4) = B(4, 5, 0.4) B(1, 5, 0.4)
Distribucin de Poisson
Cuando n es relativamente grande y p pequea (regla emprica:
np < 5 y p < 0.1), las probabilidades binomiales se aproximan
por medio de la frmula

donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el
nmero promedio de ocurrencia de ellos es .
= np, media o promedio de xitos por unidad de tiempo,
rea o producto.
x = variable que nos denota el nmero de xitos que se
pronostica que ocurra.

!
) , (
x
e
x p
x

=
Propiedades
Se puede demostrar que P(s) = 1:
Esperanza, E(x) =
Varianza, Var(x) =
Identidad

Acumulativas
Probabilidad (x s a) = P(x s a) = F(a, )
Probabilidad (x > a) = P(x > a) = 1 - F(a, )
Probabilidad (x > a) = P(x > a) = 1 - F(a - 1, )
) ; 1 ( ) ; ( ) , ( = x F x F x f
Propiedades
Esperanza:

= =
+ + + =
+ + + =
=
+ + + = = =
=

e e
e e
e e
x
x x xp x E
x
x
x
...
! 2 ! 1
1 ...
! 2 ! 1
...
! 2
2
! 1
1 0
!
) ( ) (
2 3 2
2
0 0

Propiedades

=
=
= =
0 0 0
! !
) , (
x
x
x
x
x
x
e
x
e
x f

Aplicando la serie de Maclaurin
e
x
x
x
=
=0
!

Finalmente:
1 ) , (
0
= =

e e x f
x

Ejemplo de aplicacin
En la inspeccin de hojalata producida por un proceso
electroltico continuo, se identifican 0,2 imperfecciones
en promedio por minuto. Determine las probabilidades
de identificar:
a) una imperfeccin en 3 minutos,
0,33
a) al menos dos imperfecciones en 5 minutos,
0,26
a) a lo ms una imperfeccin en 15 minutos.
0,20

! 1
6 . 0
) 2 . 0 3 , 1 (
6 . 0 1
= = =
e
x p
Pr(x s 1) = P (1, 150.2)
Pr(x > 2) = 1 - P (1, 50.2)
Aplicaciones
En el campo del control de calidad de productos
que tengan las caractersticas de ser evaluados
por unidad de tiempo, rea, pieza o producto.
Por ejemplo lneas de produccin, telas, piezas y
as.
Especficamente se utiliza en un tipo de grfico
de control C, para atributos.
Distribucin Hipergeomtrica
Primera extraccin (de la definicin clsica de
probabilidad)

Segunda extraccin o

dependiendo si en la primera extraccin se haya obtenido
o no un elemento defectuoso. As pues, las extracciones no
son independientes y no puede aplicarse la distribucin
binomial, sino la hipergeomtrica.

N
a

1
1
N
a

1 N
a

n
N
a defectuosos
Funcin de densidad
Donde:
x: los xitos (de obtener un elemento defectuoso), x
= 0, 1, 2,. . ., a
a: nmero de elementos caractersticos
(defectuosos) en el lote
n: tamao de la muestra
N: nmero de elementos en el lote

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
n
N
x n
a N
x
a
N a n x h ) , , ; (
Esperanza

( ) ( )
( )
np
N
a
n
N
an
n
N
n
N
a
x n
a N
x
a
a
n
N
x x
x n
a N
x a a a
x
n
N
n
N
x n
a N
x
a
x x xp x E
a
x
a
x
a
x
a
x
=
|
.
|
\
|
= =
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
=

|
|
.
|
\
|
+
|
|
.
|
\
|
=
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =

=
=
= =
1
1
1
1
1
1 ... 1
1 ... 1
1
) ( ) (
0
0
0 0
En un laboratorio de qumica hay 50 puestos dotados con
un mechero Bunsen de los cuales 15 no funcionan
correctamente. Diez estudiantes llegan al laboratorio y se
sientan aleatoriamente cada uno de ellos ante un puesto.
Calcular la probabilidad de que al menos tres
estudiantes hayan elegido mecheros defectuosos.
Pr (x>3) = h (x=3, n=10, a=15, N=50)+ h (x=4, n=10, a=15, N=50)+
...+ h (x=10, n=10, a=15, N=50)
Pr (x>3) = 1 - H(x=2, n=10, a=15, N=50)
1 H(2; 10, 15, 50)
Calcular la probabilidad de que todos escogieron
mecheros defectuosos.
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
10
50
10 10
15 50
10
15
) 50 , 15 , 10 ; 10 ( h =
)! 10 50 ( ! 10
! 50
)! 0 35 ( ! 0
! 35
)! 10 15 ( ! 10
! 15

=
50 49 48 47 46 45 44 43 42 41
15 14 13 12 11 10 9 8 7 6

= 0.0000003
Aplicaciones
Tambin se da en el control de calidad,
especficamente para Muestreo de Aceptacin;
dado que las examinaciones de las piezas o
elementos del producto implican muchas veces
daos o destruccin del mismo.
Variables Aleatorias Continuas
Funcin de Distribucin para una variable aleatoria
continua viene dada por

En un Rango [a b]: F(x) = Pr (a s X s x)

Funcin de Probabilidad
a x dx x f a F
a
s =

) ( ) (
>
s s
<
=

b x
b x a dt t f
a x
x F
x
a
si 1
si ) (
si 0
) (
) ( '
) (
) ( x F
dx
x dF
x f = =
Ejemplos:
Una variable X aleatoria tiene por funcin de
densidad:

a) Calcular F(x)
b) P(x s 1)
c) P(1 < x s 2)
<
s >
s >
s >
s <
s
=
x
x
x x
x
x x
x
x f
4 0
4 3 4 . 0
3 2 2 . 0 2 . 0
2 1 2 . 0
1 0 2 . 0
0 0
) (
Ejemplos
Para la distribucin exponencial:

Hallar la funcin de distribucin
>
=

caso otro en
x e
x f
x
0
0
) (
o
o
Esperanza matemtica
Se define la esperanza matemtica (o simplemente
esperanza) de una variable aleatoria X como su valor
medio. Se denota por E(X) o , y se calcula de la
siguiente forma:

Propiedades de la esperanza:
(i) Si C es una constante, E(C) = 0.
(ii) a, b e R, E(ax + b) = aE(x) + b
+

= dx x xf x E ) ( ) (
Esperanza matemtica
(iii) Si g(x) es una funcin de x, entonces:

La radiacin solar diaria que incide en una zona
especfica de Florida en el mes de octubre tiene una
funcin de densidad de probabilidad dada por

cuyas medidas se expresan en cientos de caloras.
Determine la radiacin solar esperada para octubre.

| |

+

= dx x f x g x g E ) ( ) ( ) (
s s
=
punto otro cualquier en 0
6 2 ) 6 )( 2 (
32
3
) (
y y y
y f
Funcin de Distribucin Uniforme
La distribucin uniforme continua es una distribucin
de probabilidad para variables aleatorias continuas, tal
que la probabilidad para todo el rango es la misma. El
dominio est definido por dos parmetros, a y b, que
son sus valores mnimo y mximo. La distribucin es a
menudo escrita en forma abreviada como U(a, b). La
funcin de densidad de probabilidad de la distribucin
uniforme continua es:
Funcin de distribucin de
probabilidad
Esperanza y Varianza
Ejemplo
Supngase que la concentracin de cierto
contaminante se encuentra distribuida de manera
uniforme en el intervalo de 0 a 20 ppm (partes por
milln). Si se considera txica una concentracin
de 8 o ms, cul es la probabilidad de que al
tomarse una muestra la concentracin de sta sea
txica? Calcule la concentracin media y su
varianza. Determine la probabilidad de que la
concentracin sea exactamente 10.
Funcin de Distribucin Exponencial
La distribucin exponencial es una distribucin de
probabilidad continua con un parmetro > 0 cuya
funcin de densidad es:

Su funcin de distribucin es:

El valor esperado y la varianza de una variable
aleatoria X con distribucin exponencial son:
>
=

caso otro cualquier en 0
0
1
) , (
x e
x f
x
|
|
|
Aplicaciones
La distribucin exponencial es til para
modelizar el tiempo transcurrido entre sucesos
consecutivos cuando stos ocurren de manera
independiente y a un frecuencia (tasa) constante.
Tambin en estudios de fiabilidad de sistemas.
En variables que representan tiempo de vida de
componentes con pequeo desgaste.
Ejemplo
La variable x representa el tiempo en horas que una
persona tarda en realizar determinado trabajo y sigue
una distribucin exponencial con parmetro o = 2
horas.
Cul es el tiempo medio en que se espera realice
dicho trabajo?
Cul es la probabilidad de que lo realice en menos
de 30 minutos?, y en ms de 1 hora?
Funcin de Distribucin Normal
Se representa por N (u; ) cuando la representacin
grfica de su funcin de densidad es una curva positiva
continua, simtrica respecto a la media, de mximo en
la media, y que tiene 2 puntos de inflexin, situados a
ambos lados de la media (u y u +
respectivamente) y a una distancia de :
Caractersticas
El rea encerrada bajo la curva normal N(u; )
siempre es 1.
Tiene una nica moda, que coincide con su media y su
mediana.
La distancia entre la lnea trazada en la media y el
punto de inflexin de la curva es igual a una
desviacin tpica (o). Cuanto mayor sea o, ms
aplanada ser la curva de la densidad.
El rea bajo la curva comprendida entre los valores
situados aproximadamente a dos desviaciones estndar
de la media es igual a 0.95. En concreto, existe un
95% de posibilidades de observar un valor
comprendido en el intervalo.
Funcin Distribucin Normal
Estandarizada
Si X sigue una distribucin N(u; ), entonces la variable
sigue una distribucin N(0,1).
(El paso de la variable X N(u; ) a la Z N(0;1) se
denomina tipificacin de la variable X).
o
u
=
X
Z
Distribucin normal N (0; 1). El mximo est en
0
|
.
|
\
|
t 2
1
, 0
Probabilidades de la distribucin
normal estandarizada
p(Z k) = rea encerrada bajo la curva normal
N(0,1) desde hasta k
o
u
=
k
x
k
Si k es positivo y queremos calcular p(Z k), es
decir el rea rayada:
o
u
=
k
x
k
Probabilidades comprendidas entre dos valores, p(k1
Z k2) ,es decir el rea rayada en la figura:

se calcula restando las reas:

Tablas de la Distribucin Normal
Ejemplos
Un estudio analiza el porcentaje de pureza del
oxgeno de cierto proveedor. Suponga que la
media fue 99,61 con una desviacin estndar
de 0,08. Suponga que la distribucin del
porcentaje de pureza fue aproximadamente
normal. Qu valor de pureza esperara que
excediera exactamente 5% de la poblacin?
Ejemplos
La resistencia a la tensin de cierto componente de
metal se distribuye normalmente con una media de
10000 kg/cm
2
y una desviacin estndar de 100
kg/cm
2
. Las mediciones se registran a los 50 kg/cm
2

ms cercanos.
Qu proporcin de estos componentes excede
10150 kg/cm
2
de resistencia a la tensin?
Si las especificaciones requieren que todos los
componentes tengan resistencia a la tensin entre
9800 y 10200 kg/cm
2
inclusive, qu proporcin
de piezas esperara que se descartara?
Ejemplos
La longitud de un determinado tipo de tornillos
ha de estar comprendida entre 10 y 10,3 mm.
Se ha observado que la longitud de los tornillos
que salen de fbrica se distribuyen
normalmente con media igual a 10,2 mm. De
un pedido de 1000 tornillos, cuntos habr que
desechar debido a su longitud inadecuada,
sabiendo que el 0,3% de ellos tienen una
longitud menor de 10 mm.
Ejemplos
Una mquina troqueladora produce tapas de
latas cuyos dimetros estn normalmente
distribuidos, con una desviacin estndar de
0.01 pulgadas. En qu dimetro nominal
(promedio) debe ajustarse la mquina de tal
manera que no ms del 5% de las tapas
producidas tengan dimetros que excedan las 3
pulgadas?
Ejemplos
Ciertos bastoncillos plsticos moldeados por
inyeccin son cortados automticamente con
longitudes nominales de 6 pulgadas. Las longitudes
reales estn distribuidas normalmente alrededor de la
media de 6 pulgadas y su desviacin estndar es de
0.06 pulgadas.
Qu proporcin de los bastoncillos rebasan los
lmites de tolerancia, que son de 5.9 a 6.1 pulgadas?
A qu valor es necesario reducir la desviacin
estndar si el 99% de los bastoncillos debe estar
entre los lmites de tolerancia?

ESTADÍSTI

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

ESTADÍSTI

Diunggah oleh

Hak Cipta:

Format Tersedia

ESTADSTICA APLICADA

Ing. Eder Vicua Galindo

Anda mungkin juga menyukai