Folleto Probabil Estadistica Willam Caiza

UNIVERSIDAD POLITÉCNICA
SALESIANA
FACULTAD DE INGENIERÍA CIVIL
PROBABILIDAD Y ESTADÍSTICA
ING. WILLIAM CAIZA
i
INDICE
Contenido
CAPÍTULO 1: CONJUNTOS E INDUCCIÓN MATEMÁTICA ............................................................... 1

1.1 Conjuntos ............................................................................................................................ 1
1.1.1 Operaciones con conjuntos .......................................................................................... 2
1.1.2 Propiedades de las operaciones con conjuntos ........................................................... 5
1.2 Inducción matemática ......................................................................................................... 9
CAPITULO 2: ESTADISTICA DESCRIPTIVA ..................................................................................... 12
2.1 Estadística descriptiva ....................................................................................................... 12
2.1.1 Definiciones Preliminares........................................................................................... 12
2.1.2 Descripción de datos .................................................................................................. 13
2.2 Medidas de tendencia central........................................................................................... 20
2.2.1 Media muestral .......................................................................................................... 20
2.2.2 Moda muestral ........................................................................................................... 21
2.2.3 Mediana muestral ...................................................................................................... 22
2.3 Medidas de dispersión ...................................................................................................... 24
2.3.1 Rango.......................................................................................................................... 24
2.3.2 Varianza muestral....................................................................................................... 25
2.3.3 Desviación estándar ................................................................................................... 26
2.4 Medidas de posición ......................................................................................................... 28
2.4.1 Cuartiles...................................................................................................................... 28
2.4.2 Deciles ........................................................................................................................ 29
2.4.3 Percentil ..................................................................................................................... 29
2.5 Medidas de forma ............................................................................................................. 33
2.5.1 Asimetría .................................................................................................................... 33
2.5.2 Curtosis ....................................................................................................................... 34
2.6 Análisis de datos agrupados .............................................................................................. 37
2.7 Diagrama de caja ............................................................................................................... 39
CAPÍTULO 3: PROBABILIDAD ....................................................................................................... 42
3.1 Fundamentos de la teoría de probabilidad ...................................................................... 42
3.1.1 Permutaciones ........................................................................................................... 42
3.1.2 Combinaciones ........................................................................................................... 44
ii
3.2 Espacio muestral (𝛀) ........................................................................................................ 45
3.2.1 Conjunto Partes de 𝛀 (subconjuntos) ........................................................................ 45
3.3 Eventos .............................................................................................................................. 46
3.4 Probabilidad de eventos.................................................................................................... 46
3.3.4 Propiedades de los eventos simples ......................................................................... 48
3.5 Axiomas de la probabilidad ............................................................................................... 49
3.6 Propiedades de la probabilidad ........................................................................................ 49
3.6.1 Probabilidad de un evento nulo ................................................................................. 49
3.6.2 Probabilidad del evento complemento...................................................................... 49
3.6.3 Probabilidad de eventos incluidos ............................................................................. 50
3.6.4 La probabilidad de un evento está entre 0 y 1........................................................... 50
3.6.5 Probabilidad de la diferencia de eventos ................................................................... 50
3.6.6 Regla aditiva de probabilidad de Eventos .................................................................. 50
3.7 Independencia de eventos ................................................................................................ 51
3.8 Condicionalidad de eventos .............................................................................................. 51
3.9 Probabilidad total .............................................................................................................. 55
3.9.1 Teorema de Bayes ...................................................................................................... 56
CAPÍTULO 4: VARIABLES ALEATORIA........................................................................................... 58
4.1 Definición de Variable aleatoria ....................................................................................... 58
4.1.1 Función de distribución v.a.d (variable aleatoria discreta) ........................................ 60
4.2 ESPERANZAS, VARIANZAS Y CORRELACIONES DE UNA Y DOS VARIABLES ALEATORIAS .. 61
4.2.1 CORRELACIÓN ............................................................................................................ 61
4.2.2 ESPERANZA MATEMÁTICA ......................................................................................... 63
4.2.3 ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA CONTINUA ..................... 64
4.2.4. PROPIEDADES DE LA ESPERANZA MATEMÁTICA ...................................................... 65
4.2.5 LA VARIANZA .............................................................................................................. 66
4.3 FUNCIÓN GENERADORA DE MOMENTOS ......................................................................... 70
4.3.1. DISTRIBUCIÓN DE POISSON....................................................................................... 72
4.3.2 DISTRIBUCIÓN UNIFORME DISCRETA......................................................................... 74
4.3.3. DISTRIBUCIÓN HIPERGEOMÉTRICA ........................................................................... 76
4.3.4. DISTRIBUCIÓN GEOMÉTRICA .................................................................................... 77
4.3.5. DISTRIBUCIÓN BINOMIAL NEGATIVA ........................................................................ 79
4.3.6. DISTRIBUCIÓN DE BERNOULLI ................................................................................... 82
4.3.7. DISTRIBUCIÓN BINOMIAL.......................................................................................... 84
CAPÍTULO 5: DISTRIBUCIONES DE VARIABLES ALEATORIAS ....................................................... 89
5.1 Distribución variable aleatoria discretas ......................................................................... 89
iii
5.1.1 Distribución Binomial y Bernoulli ............................................................................... 89
5.1.3 Distribución hipergeométrica .................................................................................... 92
5.1.4 Distribución geométrica ............................................................................................. 94
5.1.5 Distribución de poisson .............................................................................................. 96
5.1.6 Distribución binomial negativa .................................................................................. 99
5.2 Distribución Variable Aleatoria Continuas ...................................................................... 103
5.2.1 Distribución Uniforme .............................................................................................. 103
5.2.2 Distribución exponencial .......................................................................................... 104
5.2.3 Distribución normal .................................................................................................. 108
5.2.4. Teorema del Límite Central ..................................................................................... 111
5.2.5 Distribución gamma ................................................................................................. 114
5.3 EJERCICIOS PROPUESTOS DISTRIBUCION WEIBULL ........................................................ 115
6. EJERCICIOS RESUELTOS ......................................................................................................... 116
6.1 INDUCCIÓN MATEMATICA .............................................................................................. 116
6.2 ANÁLISIS EXPLORATORIO DE DATOS ............................................................................... 119
6.3 TABLA DE DISTRIBUCIONES ............................................................................................. 128
6.4 CURTOSIS Y ASIMETRIA ................................................................................................... 131
6.4 DISTRIBUCIÓN BINOMIAL NEGATIVA .............................................................................. 134
6.5 VARIABLES ALEATORIAS CONTINUAS (ESPERANZA Y VARIANZA) ................................... 137
6.6 DISTRIBUCION DE WEIBULL............................................................................................. 140
6.7 PROBABILIDAD CONDICIONAL ........................................................................................ 142
6.8 BAYES............................................................................................................................... 147
7. ANEXOS ................................................................................................................................. 152
ANEXO 1 ................................................................................................................................ 152
R CÓDIGO ABIERTO ........................................................................................................... 152
Anexo 2.................................................................................................................................. 157
INTERFASE GRAFICA EN R.................................................................................................. 157
Anexo 3.................................................................................................................................. 164
EJEMPLOS .......................................................................................................................... 165
iv
INDICE DE TIPS DE R
Tips 1 R Unión de Conjuntos…………………………………………………………….2

Tips 2 R Diferencia de Conjuntos……………………………………………………….3
Tips 3 R Intersección de Conjuntos………………………………………………….…3
Tips 4 R Grafica de Conjuntos……………………………………………………...…...4
Tips 5 R Promedio…………………………………………………………………….…...21
Tips 6 R Frecuencia. ………………………………………………………………..…….22
Tips 7 R Mediana. …………………………………………………………………………24
Tips 8 R Rango. ……………………………………………………………………………25
Tips 9 R Varianza. ……………………………………………………………………..…..26
Tips 10 R Desviación Estándar. ……………………………………………………..….28
Tips 11 R Medidas de posición……………………………………………………..…...30
Tips 12 R Permutación. …………………………………………………………………..44
Tips 13 R Combinaciones. ………………………………………………………………45
Tips 14 R Distribuciones. ……………………………………………………………….100
Tips 15 R Distribución Binomial. ………………………………………………………101
Tips 16 R Distribución Binomial. ……………………………………………………...102
v
ÍNDICE DE GRAFICOS
Grafico 1 Asimetría………………………………………………………………………..33
Grafico 2 Curtosis………………………………………………………………………….35
Grafico 3 Demostración Probabilidad total……………………………………………56
Grafico 4 Función Distribución…………………………………………………………..61
Grafico 5 Correlación lineal negativa……………………………………………..…….62
Grafico 6 Correlación lineal positiva………………………………………………….…62
Grafico 7 Variables no correlacionadas……………………………………………..…62
Grafico 8 Variables no lineal……………………………………………………………..62
Grafico 9 Distribución Normal……...................……………………………………….110
vi
CAPÍTULO 1: CONJUNTOS E INDUCCIÓN MATEMÁTICA
1.1 Conjuntos
Un conjunto es la agrupación de ciertos objetos unidos por un criterio en común.
Ejemplo 1:
a) 𝐴 = {𝑎, 𝑒, 𝑖, 𝑜, 𝑢} ; 𝐴 = {𝑙𝑎𝑠 𝑣𝑜𝑐𝑎𝑙𝑒𝑠}
1 1 1 1 1
b) 𝐵 = { 𝑥Є𝑁, 𝑥 < 5} ; 𝐵 = { , , , }
𝑥 1 2 3 4
Los conjuntos se pueden definir por extensión y comprensión.

 Un conjunto se define por extensión cuando se enumera cada uno de
los elementos del conjunto.
 Un conjunto se define por comprensión cuando se describe la
característica que debe cumplir dicho conjunto
Ejemplo 2:
Dado el conjunto 𝑨 = [𝒙/𝒙Є𝐑 , 𝐱 𝟑 − 𝐱 = 𝟎], definido por comprensión, expréselo

por extensión.
Desarrollo
𝑥3 − 𝑥 = 0
𝑥 (𝑥 2 − 1) = 0
𝑥 (𝑥 + 1)(𝑥 − 1) = 0
𝑥=0 ∨ 𝑥+1=0 ∨ 𝑥−1= 0
𝑥=0 𝑥 = −1 𝑥=1
A= {0,-1,1}
1
Ejemplo 3:
Dados los intervalos A= [3,5]; B= [4,7] encontrar:
a) A∪B
Desarrollo
A U B = [3,7]
b) AÚB
Desarrollo
A Ú B = [3,4] ∪ [5,7]
Nota: En el ejercicio se debe indicar que es una unión con tilde, que indica lo uno o
lo otro pero no los dos a la vez.
1.1.1 Operaciones con conjuntos
Unión de conjuntos
A ∪ B = {x/x ∈ A σ x ∈ B}
TIPS DE “R” CONJUNTOS

Para este tema necesitaremos dos paquetes, los mismo que pueden ser instalados
al digitar las siguientes expresiones indicadas abajo:
install.packages('gplots')
library(gplots)
Unión de conjuntos.
union (conjunto 1,conjunto2)
Utilizamos la función union (conjunto 1, conjunto2) obtendremos la unión entre los

conjuntos especificados.
Tips 1 R Unión de Conjuntos
2
Intersección de conjuntos
A ∩ B = {x/x ∈ A y x ∈ B}

Intercesión de conjuntos.
intersect(conjunto 1,conjunto2)
Utilizamos la función intersect(conjunto 1,conjunto2) obtendremos la intersección

entre los conjuntos especificados.
Tips 2 R Intersección de Conjuntos
Diferencia entre 2 conjuntos
A/B = {x/x ∈ A y x no es ∉ B}
Nota: Está formado por todas las x tal que x sea elemento de A y x no sea elemento de
B.

Diferencia de conjuntos.
setdiff(conjunto 1,conjunto2)
setdiff(conjunto 2,conjunto1)
Utilizamos la función setdiff(conjunto 1,conjunto2) obtendremos la diferencia entre

los conjuntos especificados.
Tips 3 R Diferencia de Conjuntos
3
Grafica de para Unión, Intercesión, Diferencia.
venn( list (conjunto 1,conjunto2))
Utilizamos la función venn( list (conjunto 1,conjunto2)) obtendremos la gráfica

entre los conjuntos especificados pero solo poniendo el total de números en unión,
intersección y diferencia.
Tips 4 R Grafica de Conjuntos
Ejemplo 4:
Dado los conjuntos 𝑨 = {𝟏, 𝟑, 𝟓} ; 𝑩 = {𝟐, 𝟗} encontrar:
a) 𝑨/𝑩
Desarrollo
𝐴/𝐵 = {1, 3, 5}
b) 𝑩/𝑨
Desarrollo
𝐵/𝐴 = {2, 9}
Complemento de un conjunto
El complemento de A, está formado por todos aquellos elementos que no
pertenecen a A, es decir: 𝐴𝐶 = 𝑈/𝐴
Diferencia simétrica de dos conjuntos
𝐶 = [𝐴 ∆ 𝐵 = (𝐴/𝐵) ∪ (𝐵/𝐴)]
Dado los conjuntos A y B, el conjunto C diferencia simétrica está constituido por
todos los elementos del conjunto A que no pertenecen al conjunto B, unidos a
4
todos los elementos del conjunto B que no pertenecen al conjunto A, se llaman
diferencia simétrica de los conjuntos A y B.
Ejemplo 5:
Dados los conjuntos 𝑴 = {𝟏, 𝟑, 𝟔, 𝟖, 𝟗} ; 𝑵 = {𝟐, 𝟒, 𝟔, 𝟖} encontrar:
a) 𝑴 ∆ 𝑵
Desarrollo
𝑀/𝑁 ={1, 3, 9} 𝑁/𝑀 = {2, 4}
𝑀 ∆ 𝑁 = {1, 2, 3, 4, 9}
Nota: Para encontrar 𝑀/𝑁 , coloco todos los valores de 𝑀 , y voy retirando los
elementos de 𝑁 , de la misma forma para 𝑁/𝑀 coloco todos los valores de 𝑁 , y voy
retirando los elementos de 𝑀, por ultimo para encontrar nuestro 𝑀 ∆ 𝑁 aplicamos
nuestra definición de diferencia simétrica de dos conjuntos (𝐴 ∆ 𝐵 = (𝐴/𝐵) ∪ (𝐵/𝐴)] ).
1.1.2 Propiedades de las operaciones con conjuntos
Idempotencia
𝐴 ∪𝐴 = 𝐴
𝐴 ∩𝐴 = 𝐴
Conmutativa
𝐴 ∪𝐵 = 𝐵 ∪𝐴
𝐴 ∩𝐵 = 𝐵 ∩𝐴
Asociativa
(𝐴 ∪ 𝐵) ∪ 𝐶 = 𝐴 ∪ (𝐵 ∪ 𝐶)
(𝐴 ∩ 𝐵) ∩ 𝐶 = 𝐴 ∩ (𝐵 ∩ 𝐶)
Distributiva
𝐴 ∪ (𝐵 ∩ 𝐶) = (𝐴 ∪ 𝐵) ∩ (𝐴 ∪ 𝐶)
𝐴 ∩ (𝐵 ∪ 𝐶) = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶)
Identidad
𝐴 ∪ ∅=𝐴 𝐴 ∪ 𝑈= 𝑈
𝐴 ∩ ∅=∅ 𝐴 ∩ 𝑈=𝐴
5
Complemento
𝐴 ∪ 𝐴𝐶 = 𝑈 (𝐴𝐶 )𝐶 = A ∅𝐶 = 𝑈
𝐴 ∩ 𝐴𝐶 = ∅ 𝑈𝐶 = ∅
De Morgan
(𝐴 ∪ 𝐵)𝐶 = 𝐴𝐶 ∩ 𝐵𝐶
(𝐴 ∩ 𝐵)𝐶 = 𝐴𝐶 ∪ 𝐵𝐶
Diferencia
𝐴⁄ = A ∩ 𝐵𝐶
𝐵
Ejemplo 6:
a) Demostrar que (AUB)/C=(AUBUC)/C
Desarrollo (1ra Forma)
(AUBUC)/C
(AUBUC) ∩ C’ Definición de diferencia
((AUB) UC) ∩ C’ Asociativa
((AUB) ∩C’) U (C ∩ C’) Distributiva
((AUB) ∩C’) U ɸ Complemento
(AUB) ∩C ‘ Identidad
(AUB)/C Diferencia
Desarrollo (2da Forma)

(AUB)/C
(AUB) ∩ C’ Diferencia
((AUB) ∩ C’) U (C ∩ C’) Identidad
((AUB) UC) ∩ C’ Distributiva
(AUBUC) ∩ C’ Asociativa
(AUBUC) /C* Diferencia
6
b) Demuestre que [(AUC)/B]U[(BUC)/A]=(AUBUC)/(A∩ B)
Desarrollo
(AUBUC)/(A ∩ B)
(AUBUC) ∩ (A∩B)’ Diferencia
(AUBUC) ∩ (A’UB’) Ley de Morgan
[(AUBUC) ∩A’]U [(AUBUC) ∩ B’] Distributiva
[(A U (BUC)) ∩ A’]U [ (B U (AUC)) ∩ B’] Conmutativa Asociativa
[(A ∩ A’) U ((BUC) ∩ A’)] U [(B ∩ B’) U ((AUC) ∩ B’)] Distributiva
[ɸ U ((BUC) ∩ A’)] U [ɸ U ((AUC) ∩B’)] Complemento
[(BUC) ∩A’]U [(AUC) ∩B’] Identidad
[(BUC)/A] U [(AUC)/B] Diferencia
[(AUC)/B] U [(BUC)/A] Conmutativa
EJERCICIOS PROPUESTOS
Fuente: Profesor Lucio Arturo Flores Coila, OPERACIONES CON CONJUNTOS

Operaciones y Problemas con Conjuntos
1) Determinar por comprensión los siguientes conjuntos:

a) A ={ lunes, martes miércoles,jueves,viernes}
b) B= { b, a, n,d,e,r }
R: a) A= {x/x días laborales};

c) B= { x/x letras de la palabra bandera}
2) Determine por extensión los siguientes conjuntos:
a) U= { x ∈ ℕ / x es impar }
b) P = { x/x es un numero par; 2 ≤ x ≤ 8 }
c) O= { x/x ∈ ℕ/; x < 7}
d) W = { números de una cifra}
R: a) U= {1,3; 5; 7…}
b) P = {2; 4; 6; 8}
c) O= {6, 5,4; 3; 2; 1; 0}
d) W = {0,1; 2; 3; 4,5; 6; 7; 8; 9}
7
3) Sean los conjuntos A y B hallar la gráfica y simbólicamente A U B y A ∩ B
A= {x/x las vocales}
B= {x/x letras de las palabras nadar}
4) Dado los conjuntos A= {1,3,5,6} y B= { 3,5,7} encuentre A Δ B
R: A Δ B = {1, 6,7}
5) Demostrar:
a) A ∩ (B \ A) = ∅
b) A ∪ (B \ A) = A ∪ B
R:
a) A ∩ (B \ A) = A ∩ (B ∩ 𝑨𝒄 ) {Diferencia de conjuntos}
= A ∩ (𝑨𝒄 ∩ B) {Conmutatividad de la unión}
= (A ∩ 𝑨𝒄 ) ∩ B {Asociatividad de la intersección}
=∅∩B {Leyes del complementario}
=∅ {Leyes de identidad}
b) A ∪ (B \ A) = A ∪ (B ∩ Ac ) {Diferencia de conjuntos}
= (A ∪ B) ∩ (A ∪ Ac) {Distributividad}
= (A ∪ B) ∩ U {Leyes del complementario}
=A∪B {Leyes de identidad}
8
1.2 Inducción matemática
Dado una expresión matemática, que sea dependiente de un numero natural n, su valor
de verdad puede ser demostrada mediante el principio de inducción matemática es
decir la inducción matemática nos permite verificar si la expresión es verdadera siempre
y cuando dicha expresión sea función de un número natural, los pasos para la
demostración son:
1) Se comprueba la validez de la afirmación para n=1

2) Se supone la validez de esta afirmación para n=k, nuestra Hipótesis Inductiva
3) Se demuestra la validez de esta afirmación para n=k+1, nuestra Tesis Inductiva,
tomando en consideración su validez para n= k, después de lo cual se saca la
conclusión de que la afirmación es válida para cualquier número natural n.
Ejemplo 7:
Demostrar que para todo número natural se verifica la siguiente igualdad:
𝒏(𝒏 + 𝟏)
𝟏 + 𝟐 + 𝟑 + 𝟒…+ 𝒏 = = 𝑺𝒏
𝟐
Desarrollo
1. Se verifica el cumplimiento para n=1 (n= número de términos)

(1 + 1) 2
1= = =1
2 2
Además se podría verificar para más de un término
3(3 + 1) 12
1+2+3= = =6
2 2
6=6
2. Suponer que para n=k es verdadera ( Hipótesis Inductiva)
𝑘(𝑘 + 1)
1 + 2 + 3 + 4…+ 𝑘 = ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝐼𝑛𝑑𝑢𝑐𝑡𝑖𝑣𝑎
2
9
3. Se debe demostrar para n=k+1, la expresión sea verdadera (Tesis Inductiva)
(𝑘 + 1)(𝑘 + 2)
1 + 2 + 3 + 4 … + 𝑘 + (𝑘 + 1) = 𝑇𝐼
2
Se debe empezar la demostración con la hipótesis inductiva
𝑘(𝑘 + 1)
1 + 2 + 3 + 4…+ 𝑘 = 𝐻. 𝐼
2
𝑘(𝑘+1)
1 + 2 + 3 + 4 … + 𝑘 + (𝑘 + 1) = 2
+ (𝑘 + 1)
𝑘(𝑘 + 1) + 2(𝑘 + 1) (𝑘 + 2)(𝑘 + 1)

= = 𝐿𝑄𝑄𝐷
2 2
Nota: Por lo tanto se demuestra que la expresión anterior es válida para n=k+1,
concluyendo que la misma es verdadera para todos los numero naturales.
Ejercicio 8:
Verifique que para todo número natural n se cumple n≤𝟐𝒏−𝟏

Desarrollo
1. Se verifica el cumplimiento para n=1
1 ≤ 21−1
1 ≤ 20
1≤1
2. Suponemos que para n=k es verdadero
𝑘 ≤ 2𝑘−1
3. Se debe demostrar que para n=k+1 la expresión es verdadera
𝑘 + 1 ≤ 2(𝑘+1)−1
k + 1 ≤ 2k T. I
i. Comenzamos la demostración utilizando la hipótesis inductiva, detallada a
continuación:
𝑘 ≤ 2𝑘−1 (1) 𝐻. 𝐼
ii. Conocemos que k+1 es menor o igual a 2k
10
𝑘 + 1 ≤ 2𝑘 (2)
iii. Multiplicando la expresión (1) y (2) tenemos que:
𝑘(𝑘 + 1) ≤ 2𝑘(2𝑘−1 ); 𝑘 > 0
𝑘 + 1 ≤ 2(2𝑘−1 )
𝑘 + 1 ≤ 2𝑘 𝐿𝑄𝑄𝐷.
Nota: Por lo tanto se demuestra que para n=k+1 es verdadera concluyendo, que la
expresión anterior es válida para todos los números naturales.
Fuente: SÁEZ Eduardo, SZÁNTÓ Iván, inducción matemática, Ejercicios 3 y 4,

literales 1, 4 y 1 respectivamente. pág. 7 y 8.
𝒏(𝒏+𝟏)(𝒏+𝟐)
1) Pruebe que la fórmula 1 · 2 + 2 · 3 + 3 · 4 +... + n · (n + 1) = 𝟑
es
válida para todo natural n.
R: p(n) es verdadera para todo natural n
2) Demuestre que para todo natural n, n5 - n es divisible por 5.
R: n5 - n es divisible por 5
3) Demuestre por inducción las siguientes igualdades
𝒏(𝒏+𝟏)(𝒏+𝟐)
a) 𝟏𝟐 + 𝟐𝟐 +𝟑𝟐 +…+𝒏𝟐 = 𝟔
b) (𝒏 + 𝟏)(𝒏 + 𝟐)(𝒏 + 𝟑) … (𝒏 + 𝒏) = 𝟐𝒏 ∗ 𝟏 ∗ 𝟑 ∗ 𝟓 ∗ (𝟐𝒏 − 𝟏)

𝒏(𝒏+𝟏)
c) 𝟏𝟐 − 𝟐𝟐 +𝟑𝟐 −𝟒𝟐 +...+(−𝟏)𝒏−𝟏 𝒏𝟐 = (−𝟏)𝒏−𝟏 𝟐
𝟏 𝟏 𝟏 𝒏+𝟐
d) (𝟏 − 𝟒 )( 𝟏 − 𝟗 )… ( 1− (𝒏+𝟏)𝟐 ) =𝟐𝒏+𝟐
11
CAPITULO 2: ESTADISTICA DESCRIPTIVA
2.1 Estadística descriptiva
2.1.1 Definiciones Preliminares
Población: Es el conjunto de todos los elementos correspondientes al experimento

analizado, población no es sinónimo de un conjunto inmenso, si no que depende del
Muestra: Es una parte de la población y esta debe ser representativa, la misma que se
escogerá según una metodología, que me asegure la propiedad.
Variable: Son características de un experimento, las variables se clasifican en:
Modelo Matemático: Es la representación de una realidad, se representa mediante
expresiones matemáticas.
Modelo Determinístico: Es aquel donde los parámetros están determinados o son fijos,
Ejemplo: x = v t, se puede observar en la expresión anterior que no depende o no es
función de un error, por lo tanto es determinista.
Modelo Probabilístico: Es un modelo de la realidad, la cual es aleatoria o estocástica,
Ejemplo: y = a + bx + error, por lo tanto este modelo es probabilístico.
Estadística Descriptiva: Es la ciencia que recolecta datos, los analiza, los ordena, los
procesa (mediante herramientas matemáticas), finalmente obteniendo información para
una toma de decisiones.
Estadística Inferencial: Se basa en una muestra, la misma que debe ser
representativa, obtenida mediante metodologías, en base a la muestra se puede inferir
(concluir) las características de la población.
Estadístico: Son las características de una muestra.
Parámetro: Son las características de la población.
Simbología
Tamaño población N
Tamaño muestra n
Variables X
12
CUALITATIVAS.- Describen CUANTITATIVAS (NUMERICAS).- Describen
características que no son medibles características que son medibles.
(cualidades).
Se clasifica según una escala de Se clasifican según una escala de medición
medición.
Nominales.- Los Ordinales.-Los Intervalo.- Tienen la Razón.- Tiene l
datos pueden ser datos pueden ser particularidad de tener particularidad de tener
contados pero no contados y “cero relativo” ya que al “cero absoluto” ya que en
pueden ser ordenados pero no tener como medida Cero este tipo de medición al
ordenados o pueden ser no significa que no tener cero significa que
medidos. medidos. Los exista. no existe valor.
datos deben tener
un orden natural.
Ningún atributo Atributo: orden Atributo: Orden y Atributo: Orden, distancia
distancia y origen.
Ejemplo Ejemplo Ejemplo Ejemplos
 Género:  Estudios:  temperatura:-10°,  Peso: 0kg, 150 kg,
Masculino, Primaria, 0°,10°,20° 200 kg.
femenino. secundaria,
universidad. 
Número de hijos:
0, 1, 2
Dicotómicas: Cuando tenemos dos Continuas (medibles): Se refiere a cualquier variable
categorías. que tenga variación (se encuentra en un intervalo)
Politómicas: Más de dos categorías. Discretas(contamos): Se realiza por conteo
Ejemplos de variables
X1=Ingreso Familiar del curso de estadística
X2= Peso de los estudiantes
X3=Estatura de los estudiantes
2.1.2 Descripción de datos
La descripción de los datos, se la realiza mediante una tabla de frecuencias la misma

que consta de la siguiente información:
Frecuencia (𝒇𝒊 ): Es el número de veces que se repite un dato; también es el número de
datos de contiene la clase i.
Frecuencia Relativa (𝒇𝒓𝒊 ): Es el tanto por uno, se obtiene dividiendo la frecuencia del
dato para el número total de datos; también es el número total de datos de la clase i,
𝑓𝑖
dividida para el número total de datos, 𝑓𝑟𝑖 = .
𝑛
13
Frecuencia Acumulada (𝑭𝒊 ): Es igual al número de datos hasta un dato en particular;
también es igual al número de datos hasta la clase i.
Frecuencia Relativa Acumulada (𝑭𝒓𝒊 ): Es el tanto por uno, hasta la clase i, y es igual
𝐹𝑖
a frecuencia acumulada de la clase i dividido para el número de datos 𝐹𝑟𝑖 = 𝑛
.
Tabla de frecuencia
Es una representación agrupada de los datos para facilitar su interpretación, la tabla de
frecuencias puede ser desarrollada mediante datos individuales o datos agrupados
(clases).
Ejemplo 9:
Dados los siguientes datos, correspondientes a los tiempos de servicio en
minutos por día, calcular e interpretar la tabla de frecuencia con datos
individuales.
Desarrollo
Tiempo Personas Tiempo frecuencia frecuencia Frecuencia Frecuencia Frecuencia Frecuencia

de atendidas total de relativa del relativa de Acumulada Acumulada Acumulada relativa
servicio servicio tiempo las de tiempo de las relativa del acumulada
por total de personas total de personas tiempo total del tiempo
persona servicio atendidas servicio atendidas de servicio las
personas
atendidas
1,8 1 1,8 0,012 1,8 1 0,012
0,03 0,03
2,1 1 2,1 0,013 3,90 2 0,025
0,03 0,05
2,2 1 2,2 0,014 6,10 3 0,039
0,03 0,08
2,5 2 5 0,032 11,10 5 0,071
0,05 0,13
2,7 1 2,7 0,017 13,80 6 0,088
0,03 0,15
2,8 2 5,6 0,036 19,40 8 0,124
0,05 0,20
2,9 2 5,8 0,037 25,20 10 0,162
0,05 0,25
3,1 2 6,2 0,040 31,40 12 0,201
0,05 0,30
3,5 2 7 0,045 38,40 14 0,246
0,05 0,35
3,6 4 14,4 0,092 52,80 18 0,338
0,10 0,45
3,7 2 7,4 0,047 60,20 20 0,386
0,05 0,50
3,8 1 3,8 0,024 64,00 21 0,410
0,03 0,53
3,9 1 3,9 0,025 67,90 22 0,435
0,03 0,55
4,1 2 8,2 0,053 76,10 24 0,488
0,05 0,60
4,2 2 8,4 0,054 84,50 26 0,542
0,05 0,65
4,3 1 4,3 0,028 88,80 27 0,569
0,03 0,68
4,4 1 4,4 0,028 93,20 28 0,597
0,03 0,70
4,5 1 4,5 0,029 97,70 29 0,626
0,03 0,73
14
4,7 1 4,7 0,030 102,40 30 0,656
0,03 0,75
4,8 1 4,8 0,031 107,20 31 0,687
0,03 0,78
4,9 2 9,8 0,063 117,00 33 0,750
0,05 0,83
5,1 3 15,3 0,098 132,30 36 0,848
0,08 0,90
5,6 1 5,6 0,036 137,90 37 0,884
0,03 0,93
5,7 1 5,7 0,037 143,60 38 0,921
0,03 0,95
6,1 1 6,1 0,039 149,70 39 0,960
0,03 0,98
6,3 1 6,3 0,040 156,00 40 1,000
0,03 1,00
40 156
Análisis de la tabla
Tres personas cada una de ellas fueron atendidas en 5.1 minutos, el total de tiempo
de servicio de las tres persona es de 15.3 minutos, estos 15.3 minutos me representan
el 9.8% del tiempo total ocupado del día de servicio, las tres personas representan el
8% del total de personas atendidas durante el día de servicio.
Hasta los 132.3 minutos del tiempo de atención fueron atendidas 36 personas, este
tiempo representa el 84.8% del trabajo neto de atención, las 36 personas representan
el 90% de las personas atendidas durante el día de trabajo.
Ejemplo 10:
Obtenga la Tabla de Frecuencia, mediante datos agrupados para los siguientes 40
datos de una muestra, correspondiente al tiempo (minutos) que se utilizó para
atender a las personas en una estación de servicio durante un día.
Desarrollo
Datos:
3,1 4,9 2,8 3,6

4,5 3,5 2,8 4,1
2,9 2,1 3,7 4,1
2,7 4,2 3,5 3,7
3,8 2,2 4,4 2,9
5,1 1,8 2,5 6,3
2,5 3,6 5,6 4,8
3,6 6,1 5,1 3,9
4,3 5,7 4,7 3,6
5,1 4,9 4,2 3,1
15
Número de clase = √𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠
Número de clase = √40 = 6,32455532 = 6
Nota: El número de clases también se puede calcular mediante la siguiente expresión:

NC = 1 + 3.3 Log (N)
Donde:
NC = Número de Intervalos
Log = Logaritmo Base 10
N = Número de Datos
Longitud del histograma= (Valor máximo – Valor mínimo)

Longitud del histograma= (6,3 – 1,8) = 4,5
longitud del histograma

Ancho de la clase=
# 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠
4,5
Ancho de la clase= = 0,75
6
Tabla de frecuencia
Clase i lim.inferior lim.superior Fi Fri F Fri

1 1,75 2,5 5 0,13 5 0,13
2 2,5 3,25 7 0,18 12 0,30
3 3,25 4 10 0,25 22 0,55
4 4 4,75 8 0,20 30 0,75
5 4,75 5,5 6 0,15 36 0,90
6 5,5 6,25 4 0,10 40 1,00
Interpretación
Indica que 10 personas fueron atendidas en un intervalo de 3.25 a 4 minutos, las 10
personas representan el 10% de las personas atendidas, hasta los 4 minutos fueron
atendidas 22 personas, las cuales representan el 55% del total de personas atendidas.
16
Tabla de distribuciones
1) La tabla muestra la distribución del ingreso familiar mensual de 80
familias. Determine el número de familias que tiene un ingreso menor a
800 dólares mensuales.
Clase f F Fr
640-680
680-720 48 60
720-760 0,125
760-800 0,075
800-840
Respuesta: 76
Fuente: GALINDO Edwin, Estadística - Métodos y Aplicaciones, ProCiencia Editores
2011, Ejercicios: Análisis Exploratorio de datos pag18.
2) Se dispone de los siguientes datos incompletos en una Tabla de

Frecuencias, completar la Tabla:
Número Clase Marca F F f/n F/n
1 [1,2) 1
2 6
3 0.25
4 0.7
5 8 0.9
6 0.05
17
Número Clase Marca F F f/n F/n
1 [1,2) 1.5 1 1 0.025 0.025
2 [2,3) 2.5 5 6 0.125 0.15
3 [3,4) 3.5 10 16 0.25 0.4
4 [4,5) 4.5 12 28 0.3 0.7
5 [5,6) 5.5 8 36 0.2 0.9
6 [6,7) 6.5 2 38 0.05 0.95
7 [7,8) 7.5 2 40 0.05 1
Fuente: Luis Rodríguez Ojeda, Mcs., Probabilidad y Estadística “Básica para

ingenieros”, Escuela Superior Politécnica del Litoral, Guayaquil- Ecuador, 2007,
Ejercicio resuelto datos agrupados, pág. 29.
3) En la en la tabla indicada los tiempos de espera en las ventanillas de un

banco. Halle el tamaño de la muestra y complete la tabla de distribución de
frecuencias.
Tiempo (min) Frec.absoluta Frec. Realtiva
0-3 32
3-6 0.30
6-9
9-12 8 0.05
12-15 0.10
Respuesta n = 160
18
4) Halle el tamaño de la muestra y reconstruya la siguiente tabla asimétrica
de distribución de frecuencia.
Intervalo Frec. Absoluta Frec. Relativa Frec. Relativa acumulada
10 – 12 7
12 - 0.24
- 0.52
- 5
18-20
Respuesta: n=50
5) La tabla muestra la distribución del ingreso familiar mensual de 80

familias. Complete la tabla y determine el número de familias que tienen
un ingreso menor a 800 dólares.
Intervalo Frec. Absoluta Frec. Absoluta Frec. Relativa

acumulada
640 – 680
680 – 720 48 60
720 – 760 0.125
760 – 800 0.075
800 – 840
Respuesta: 76
2011, Ejercicios: Análisis Exploratorio de datos
19
2.2 Medidas de tendencia central
2.2.1 Media muestral
Es el valor más representativo de un conjunto de datos.
𝑛
𝑥1 + 𝑥2 + 𝑥3 … … . . +𝑥𝑛 1
𝑥̅ = = ∑ 𝑥𝑖
𝑛 𝑛
𝑖=1
Nota: Una de las características principales de la media es que se distorsiona con

valores atípicos es decir valores muy grandes o muy pequeños.
Ventajas de la media muestral

 Es fácil de calcular
 En la gráfica de frecuencia representa el centro de gravedad
Desventajas de la media muestral

 Sensibilidad a valores extremos(muy altos o muy bajos)
 No es recomendable emplearla en distribuciones muy asimétricas
Ejemplo 11:
Dados los siguientes datos: 2, 6, 11, 8, 11, 4, 7, 5, 90, encuentre la media muestral.
Desarrollo
2 + 6 + 11 + 8 + 11 + 4 + 5 + 5 + 90
𝑥̅ = = 16
9
El valor representativo de ese conjunto de datos es 16.
En el conjunto de datos se observa valores atípicos por lo que se va a calcular una
media al 30%.
2, 6, 11, 8, 11, 4, 7, 5, 90
 Cuando se tiene valores atípicos es recomendable utilizar una media cortada,

generalmente a un 5 y 10%.
Calculando la media al 30%, se tiene:
100% → 9
30% → 𝑥 →𝑥=3
20
Lo que indica que tres valores no se tomaran en cuenta en el cálculo.
6 + 11 + 8 + 11 + 5 + 7
𝑥̅30% = =8
6
Lo que indica que el valor representativo, sin los valores atípicos es 8.
TIPS DE “R” MEDIDAS DE TENDENCIA

CENTRAL
Promedio.
Variable <-mean(datos)
Utilizamos la función mean (datos) para calcular el promedio de los datos ingresados.
Tips 5 R Promedio
2.2.2 Moda muestral
Es el dato que más se repite en el conjunto, representado Mo, en un conjunto de datos

puede existir más de una moda.
Ventajas de la moda muestral:

 Es útil cuando hay agrupaciones con diferentes valores
Desventajas de la moda muestral:

 Puede no existir en algunos datos
 Puede existir más de una moda
 Puede estar demasiado lejos del centro de gravedad de los datos
 En distribuciones muy asimétricas suele ser un dato muy poco representativo
21
Ejemplo 12:
Se tiene el siguiente conjunto de edades de una escuela: 7, 7,5, 4, 6
Desarrollo
7, 7,5, 4, 6
Moda = 7
 Con los datos anteriores se puede verificar que la moda de ese conjunto es la
edad 7, ya que es la que tiene mayor frecuencia. A la vez si se tuviese el
siguiente conjunto de edades, 7, 7, 6, 6, 4, 5, 8, tendríamos como moda las
edades 7 y 6 ya que son las que tienen mayor frecuencia e iguales.

CENTRAL
Frecuencia.
Variable <-table(datos)
Utilizando la función table se obtiene un vector (dato,frecuencia),entonces en el ejemplo

anterior se puede verificar que dos días se tiene T de 2 grados y en 6 días se tienen una
T de 20 grados.
Tips 6 R Frecuencia.
2.2.3 Mediana muestral
Es el valor a partir del cual el 50% de datos están sobre él y el otro 50% de datos están
bajo él, no es sensible a datos atípicos (Md).
La mediana se puede calcular a partir de datos que deben estar ordenados de menor a
mayor, cuyo cálculo se puede realizar mediante la siguiente expresión.
𝑋𝑛 + 1
𝑆𝑖 𝑛 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟
𝑀𝑑 = {1 2 }
(𝑥𝑛 + 𝑥(𝑛+1) ) 𝑆𝑖 𝑛 𝑒𝑠 𝑝𝑎𝑟
2 2 2
22
Ventajas de la mediana muestral:
 No es sensible a los valores extremos
 Es fácil de interpretar
 Es recomendable para distribuciones muy asimétricas
Desventajas de la mediana muestral:

 Se deben ordenar los datos para el cálculo
 Los valores extremos pueden ser importantes
 Se emplea solo en variables cuantitativas
Ejemplo 13:
a) Para datos impares
Dado los siguientes datos: 2, 2, 3, 4, 5, 6, 7, 7,7 encuentre la media muestral.
Desarrollo
2, 2, 3, 4, 5, 6, 7, 7,7
𝑀𝑑 = 𝑥𝑛+1
2
𝑀𝑑 = 𝑥9+1 = 𝑥5
2
b) Para datos pares

Dado los siguientes datos: 3, 3, 4, 4, 4, 5, 6, 7, 8, 23, encuentre la media muestral.
Desarrollo
3, 3, 4, 4, 4, 5, 6, 7, 8, 23
1
𝑀𝑑 = (𝑥5 + 𝑥6 )
2
1
𝑀𝑑 = (4 + 5) = 4,5
2
Ejemplo 14:
Suponiendo que se tiene 20 datos, obtener la posición indicada, una vez
ordenados de menor a mayor como se indica a continuación:
Desarrollo
𝑥25% = 𝑥0,25∗20 = 𝑥5 = 5
𝑥60% = 𝑥0,60∗20 = 𝑥12 = 8
𝑥33% = 𝑥0,33∗20 = 𝑥7 = 6
23
𝑥75% = 𝑥0,75∗20 = 𝑥15 = 23
Nota: A partir del dato 23 todos los datos que están sobre él representan el 75%, y los
datos que están bajo el representan el 25%.

CENTRAL
Mediana.
Variable <-median(datos)
Con el comando median (datos), se obtiene la mediana de los datos.
Tips 7 R Mediana.
2.3 Medidas de dispersión

2.3.1 Rango
Es una medida de dispersión y es igual a su valor máximo menos su valor mínimo.

Con el rango podemos calcular la desviación empírica, que es aproximadamente:
𝑅
𝑠 𝑒𝑚𝑝í𝑟𝑖𝑐𝑎 ≈
4
Ventajas del rango
 Útil cuando se quiere conocer la extensión de las variaciones extremas (valor
máximo de la dispersión).
 Fácil de calcular.
Desventajas del rango

 No es una medida de dispersión con respecto al centro de la distribución.
 Solo emplea dos valores en su cálculo.
24
CENTRAL
Rango.
Variable <- range (datos)
El comando range los da como información el valor mínimo y el valor máximo de los
datos.
Tips 8 R Rango.
2.3.2 Varianza muestral
Es un valor representativo de la dispersión de un conjunto de datos con respecto a la

media, su cálculo se puede realizar:
∑𝑛𝑖=1(𝑥1 − 𝑥̅ )2
𝑠2 =
𝑛−1
Ventajas varianza muestral

 Es útil cuando se compara la variabilidad de dos o más conjuntos de datos.
 Utiliza toda la información disponible
Desventajas varianza muestral

 No proporciona ayuda inmediata cuando se estudia la dispersión de un solo
conjunto de datos.
 Difícil de interpretar por tener sus unidades elevadas al cuadrado.
Ejemplo 15:
Dados los siguientes datos: 11, 2, 6, 8, 11, 4, 7, 5, encuentre la desviación estándar.
Desarrollo
11 + 2 + 6 + 8 + 11 + 4 + 7 + 5
𝑥̅ = = 6,75
8
25
∑𝑛𝑖=1(𝑥1 − 𝑥̅ )2
𝑠2 =
𝑛−1
(11 − 6,75)2 + (2 − 6,75)2 + (6 − 6,75)2 + (11 − 6,75)2 + (8 − 6,75)2 + (4 − 6,75)2 + (7 − 6,75)2 + (5 − 6,75)2
𝑠2 =
7
𝑠 2 = 10,21 → 𝐸𝑠 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑡𝑖𝑣𝑜 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑝𝑒𝑟𝑠𝑖ó𝑛 𝑑𝑒 𝑒𝑠𝑒 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠.

CENTRAL
Varianza.
Variable<-var(datos).
El comando var nos da la varianza de los datos.
Tips 9 R Varianza.
2.3.3 Desviación estándar
Es el valor representativo de la dispersión de un conjunto de datos extraído la raíz.
√𝑠 2 = 𝑉𝑎𝑟(𝑥)
𝑠 = √𝑉𝑎𝑟(𝑥)
Ventajas desviación estándar

 Esta expresada en las mismas unidades que la variable en estudio.
 Utiliza todas las observaciones en su cálculo.
 Fácil de interpretar
Desventajas desviación estándar

 Es sensible a las unidades de medida
Ejemplo 16:
Encontrar otra expresión para el cálculo de la varianza.
Desarrollo
26
∑(𝑥𝑖 − 𝑥̅ )2
𝑠2 =
𝑛−1
∑(𝑥𝑖2 − 2𝑥𝑖 𝑥̅ + 𝑥̅ 2 )
𝑠2 =
𝑛−1
∑ 𝑥𝑖2 − ∑ 2𝑥𝑖 𝑥̅ + ∑ 𝑥̅ 2 )
𝑠2 =
𝑛−1
∑ 𝑥𝑖2 − 𝑛𝑥̅ 2
𝑠2 =
𝑛−1
∑ 𝑋𝑖
Nota: 𝑥̅ = 𝑛
∑ 𝑥𝑖 = n𝑥̅
Ejercicio 17:
Encontrar la varianza y la desviación de las siguientes edades:
x = “edad”
𝑥1 = 22
𝑥1 = 21
𝑥1 = 23
𝑥1 = 22
𝑥1 = 22
𝑥1 = 19
𝑥̅ = 21,5
Desarrollo (Primera forma)
2
∑(𝑥1 − 𝑥̅ )2
𝑠 =
𝑛−1
𝑠2
(22 − 21,25)2 + (21 − 21,25)2 + (23 − 21,25)2 + (22 − 21,25)2 + (22 − 21,25)2 + (19 − 21,25)2
=
5
𝑠 2 = 1,9
𝑠 = √1,9 = 1,38
Desarrollo (Segunda forma)
27
∑ 𝑥𝑖2 − 𝑛𝑥̅ 2
𝑠2 =
𝑛−1
[(22)2 + (21)2 + (23)2 + (22)2 + (22)2 + (19)2 ] − 6(21,5)2
𝑠2 =
5
𝑠 2 = 1,9
𝑠 = √1,9 = 1,38
Interpretación: Indica que la diferencia promedio entre una edad y otra es

aproximadamente de 1.38 años.

CENTRAL
Desviación Estándar.
Variable<-sd(datos).
El comando sd nos da la desviación estándar.
Tips 10 R Desviación Estándar.
2.4 Medidas de posición
Indica la posición del valor del dato analizado, dentro del grupo.
2.4.1 Cuartiles
Q1: Es el valor a partir del cual el 25% de datos están sobre él, y el 75% de datos bajo
ese valor.
Q2: es el valor a partir del cual el 50% de datos están sobre él, y el 50% de datos bajo
ese valor.
Q3: es el valor a partir del cual el 75% de datos están sobre él, y el 25% de datos bajo
ese valor.
Ventajas de los cuartiles
 Pueden encontrar diferentes fórmulas en libros, calculadoras o computadores,
pero todas estas fórmulas se basan en el mismo concepto.
28
 Ayudan a describir la posición que tiene cada valor especifico en relación al
conjunto de datos
Desventajas de los cuartiles

 Si la distribución es simétrica, los cuartiles deben estar a la misma distancia de
la mediana.
 Cuando el número de observaciones es impar, la observación del medio es la
mediana.
 El rango entre cuartiles no es muy conocido.
 El rango de cuartiles es sensible a valores externos.
 Los cuartiles son sensibles a valores externos
2.4.2 Deciles
D1: es el valor a partir del cual el 10% de datos están sobre él, y el 90% de datos bajo
ese valor, existen diez deciles: D1, D2,…, D10.
Ventajas de los deciles

 Tiene un sentido en caso de distribución en escala ordinaria.
 Relaciona el resultado con el uso de la muestra.
 Nos dice como está posicionado un valor
 Divide en partes los valores para su mejor comprensión
 Determina el valor que ocupa una posición
Desventajas de los deciles
 No reflejan ninguna tendencia central, sino una posición de la distribución de
los datos.
 Hace mímicas a las deviaciones
 Debemos ordenar los datos antes de cualquier cálculo.
 Es necesario calcular los límites inferiores y superiores.
2.4.3 Percentil
Existen 100 percentiles
29
P1: es el valor a partir del cual el 1% de datos están sobre él, y el 99% de datos bajo
ese valor, así cada uno de los 99 percentiles restantes.
Ventajas de los percentiles

 Nos dice la posición de un valor en relación a una muestra.
 Está dividido en partes y cada una representa un percentil
 Es fácil y muy útil de determinar mediante la fórmula de posición
 Se utiliza para analizar datos
Ventajas de los percentiles

 Se debe organizar la muestra para poder calcular su posición
 es necesario conocer los límites para desarrollar la formula
 Los cálculos deben quedar en medio de los limites inferiores y superiores
TIPS DE “R” MEDIDAS DE POSICION
Variable<-quantile(datos)
El comando quantile nos da el valor cuantil que se especifique, así 0.25 será el cuartil 1,
0.1 será el decil 1.
Tips 11 R Medidas de posición.
(Estadística - Métodos y aplicaciones, 2da Edición, Edwin Galindo, Ejercicios:

Análisis Exploratorio de datos pag. 43, 44,45, literales: (5, 10, 13,14, 20, 21, 23, 25
,26).
1) Un inversor tiene ahorros repartidos en 3 depósitos con 2000, 5000 y 10
000 dólares, respectivamente. Si el primero le rinde un 5% anual, el
segundo un 4% anual y el tercero un 2% anual. ¿Cuál es el tipo de interés
que recibe?
30
Respuesta: 2.94%
2) Dados los datos y sus frecuencias
xi 1 3 6 9 10
ni 8 20 25 10 2
Halle:
a) Q2
b) Media
c) S
d) RIQ
Respuesta: a) Q2=6; b) x=5.046; c) S=2.63; d) RIQ = 3
3) A partir de la siguiente distribución de frecuencias.
xi 1.2 2.3 3.5 5.4 7.8 8.3 12.1
ni 2 4 4 6 3 5 1
Encuentre:
a) Cuartiles
b) Media armónica
c) Media geométrica
Respuesta: a) Q1 = 2.9; Q2 = 5.4; Q3 = 8.05; H=3.715; Mg = 4.5837.
4) La tabla muestra la temperatura nocturna (en ºC) durante 200 días.
Intervalo Frecuencia Intervalo Frecuencias
2–4 21 12 – 14 14
4–6 16 14 – 16 20
6–8 15 16 – 18 22
8 – 10 26 18 – 20 18
31
10 – 12 23 20 – 22 25
Encuentre:
a) Media
b) Mediana
c) cuartiles inferior y Superior
Respuesta: x=12,29; Q1 = 7.73; Q2 = 11.91; Q3 = 17.36
5) Un automóvil ha recorrido los 832 km que separan Loja de Esmeraldas,

permutando regularmente las 5 llantas (incluida la de emergencia) para que
todas tengan igual desgaste. ¿Cuál es el recorrido promedio de cada
llanta?
Respuesta: 665.6 km
6) EL kilometraje que marca un auto, luego de 4 años de uso, es 100 mil

kilómetros, Si el dueño lo compro nuevo y lo hace descansar 1 día, luego
de usarlos 4 días seguidos. ¿Cuál es el recorrido promedio diario de los
días manejados, considerando años de 365 días?
Respuesta: 85.62 km/día
7) Se tiene 4 números. Al añadir el promedio de 3 de ellos al número restante,

se obtienen los números 17, 21, 23, 29. Si se excluye al mayor de estos
números, ¿Cuál es el promedio de los 3 restantes?
Respuesta: 8
8) El promedio de 53 números es 600. Si se elimina 3 números consecutivos,

se observa que el nuevo promedio aumenta en 5%. ¿Cuál es el mayor de
dichos números consecutivos?
Respuesta: 101
9) Calcule la mediana de las siguientes temperaturas:
Temp. (C) 20.5 20 19.5 19 18.5 18 17.5
32
No. Días 2 4 3 13 3 4 2
Respuesta: 19
2.5 Medidas de forma
2.5.1 Asimetría
La asimetría de una distribución hace referencia al grado en que los datos se distribuyen
en forma uniforme a partir de una medida de tendencia central (a la derecha o a la
izquierda de la medida de tendencia central), se define como:
Donde (g1) representa el coeficiente de asimetría de Fisher, (Xi) cada uno de los
valores, ( ) la media de la muestra y (ni) la frecuencia de cada valor. Los resultados
de esta ecuación se interpretan:
(A) As>0 Asimetría Positiva

(B) As=0 Simetría
(C) As<0 Asimetría Negativa
33
Grafico 1 Asimetría.
Ejemplo 18
Dado los siguientes datos calcular el coeficiente de asimetría
(xi- (xi-
Xi fi fi*xi xbarra)^3*fi xbarra)^2*fi
1 2 2 -16 8
2 4 8 -4 4
3 6 18 0 0
4 4 16 4 4
5 2 10 16 8
Suma 18 54 0 24
Promedio 3
Asimetría 0
Conclusión: El coeficiente de asimetría para los datos anteriores es igual a cero, lo que
indica que hay la misma cantidad de datos a su izquierda como a la derecha de la media.
2.5.2 Curtosis
34
El coeficiente de apuntamiento o curtosis de una variable sirve para medir el grado
concentración de los valores que toma en torno a su media.
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 /𝑛
𝐴𝑝 = −3
𝑠4
(A) Cr>0 Distribución Leptocúrtica

(B) Cr=0 Distribución Mesocúrtica
(C) Cr<0 Distribución Platicúrtica
Grafico 2 Curtosis.
Fuente: Libro Galindo página 43, Literales: (2,3) y libro Estadística Descriptiva de
S. Fernández página 259)
1) Dadas ɳ= 8 mediciones: 4, 2, 6, 5, 7, 5, 4, 6, encuentre:
a) 𝑥̅ ;
b) La mediana;
c) s;
d) El rango;
e) La asimetría;
35
f) La curtosis ;
̅=4.875; b) Me=5; c) s=1.553; d) R=5; e) As=-0.644; f) Ap=0.592
Respuestas: a) 𝒙
2) Dadas ɳ= 9 mediciones: 5, 8, 8, 4, 4, 9, 7, 5, 4. Determine:
 𝑥̅ ;
 La mediana;
 s;
 El rango;
 La asimetría;
 La curtosis ;
̅=6; (b) 5; (c) s=2; (d) R=5; e) As=0.362; (f) Ap=-1.826
Respuestas: a) 𝒙
3) La dirección general de tráfico está interesada en estudiar la educación vial

en los jóvenes. Para ello selecciona una muestra aleatoria de sujetos que
acaban de obtener el carnet de conducir (grupo 1) y otra con sujetos que
lo tienen hace 5 años (grupo 2) y registra el nº de veces que han perdido
puntos en el último año. Los resultados se muestran a continuación:
Grupo 1: 1 2 4 1
Grupo 2: 2 7 7 8
̅1=2; 𝒙
Respuesta: 𝒙 ̅2=6; S1=1,5; S2=5,5
4) Calcular el valor Asimétrico y Curtosis de los siguientes valores: 2,4,8,2

̅=4; s=2,82, As=0,53; Ap=-1,86
Respuesta: 𝒙
5) Estudiar la simetría de los siguientes datos:

10-12-12-14-10-10-16-12-14-10
̅=12; s=2, As=0,53; As=0,6 Asimetría positiva.

Respuestas: 𝒙
36
2.6 Análisis de datos agrupados
El análisis de los datos se la puede realizar mediante datos individuales y datos

agrupados, generalmente el análisis que se realiza es mediante datos agrupados ya que
el proceso se realiza con una gran cantidad de datos.
Media de datos agrupados:

𝑘
1
𝑥̅ = ∑ 𝑚𝑖 𝑓𝑖
𝑛
𝑖=1
Varianza de datos agrupados:

𝑘
2
1
𝑠 = ∑ 𝑓𝑖 (𝑚𝑖 − 𝑥̅ )2
𝑛−1
𝑖=1
n número de datos
k número de clase
𝑚𝑖 Marca de la clase i (es el punto medio de la clase)
𝑓𝑖 Frecuencia de la clase i
Ejemplo 19:
La tabla de frecuencias siguiente contiene los datos agrupados en 6 clases del

número de artículos vendidos por un almacén en 50 días.
𝒎𝒊 15 25 35 45 55 65
𝒇𝒊 2 10 12 14 9 3
Encuentre:
a) Media
Desarrollo
1
𝑥̅ = (𝑚1𝑓1 + 𝑚2𝑓2 + 𝑚3𝑓3 + 𝑚4𝑓4 + 𝑚5𝑓5 + 𝑚6𝑓6)
50
1
𝑥̅ = (15 ∗ 2 + 25 ∗ 10 + 35 ∗ 12 + 45 ∗ 14 + 55 ∗ 9 + 65 ∗ 3)
50
𝑥̅ = 40,4
37
Interpretación: Indica que diariamente se ha vendido 40 artículos, en promedio.
b) Varianza
Desarrollo
1
𝑠2 = [2(15 − 40,4)2 + 10(25 − 40,4)2 + 12(35 − 40,4)2 + 14(45 − 40,4)2
49
+ 9(55 − 40,4)2 + 3(65 − 40,4)2 ]
𝑠 2 = 164,12
𝑠 = 12,81
Interpretación: Indica que la diferencia de ventas entre días fue aproximadamente de
13 artículos.
Ejemplo 20:
Se dispone de los siguientes datos incompletos en una tabla de frecuencia. Se
conoce además que la media calculada con los datos agrupados es 19.7
Numero Clase Marca f F 𝒇𝒓 𝑭𝒓

1 2 0,05
2 0,25
3 [15,20) 14 0,6
4
5 36
6 0,975
7
Desarrollo
𝑓3
𝑓𝑟3 =
𝑛 𝐹3 = 𝐹𝑟3 (40)
14
0,35 = 𝐹3 = 0,6(40)
𝑛
14 𝑭𝟑 = 𝟐𝟒
𝑛= = 40
0.35
38
𝐹6 𝑓𝑟2 = 𝐹𝑟2 − 𝐹𝑟1
𝐹𝑟6 =
𝑛 𝑓𝑟2 = 0,25 − 0,05 = 𝟎, 𝟐
40(0,975) = 𝐹6
𝑭𝟔 = 𝟑𝟗 𝐹2
𝐹𝑟2 =
𝑛
𝑓6 3 0,25(40) = 𝐹2
𝑓𝑟6 = = = 𝟎, 𝟎𝟕𝟓
𝑛 40 𝑭𝟐 = 𝟏𝟎
Ecuaciones:
1
𝑥 + 𝑦 = 12 𝟏. 𝑥̅ = 𝑛 ∑𝑘𝑖=1 𝑚𝑖, 𝑓𝑖
1
19,7 = (7,5 ∗ 2 + 12,5 ∗ 8 + 17,5 ∗ 14 + 22,5𝑥 + 27,5𝑦 + 32,5 ∗ 3 + 37,5 ∗ 1)
40
788 = 495 + 22,5𝑥 + 27,5𝑦
293 = 22,5𝑥 + 27,5𝑦 𝟐.
Ecuación 1 en 2
293 = 22,5(12 − 𝑦) + 27,5𝑦
293 = 270 − 22,5𝑦 + 27,5𝑦
23 = 5𝑦
𝒚 = 𝟒, 𝟔 ≈ 𝟓
𝑥 + 5 = 12
𝒙=𝟕
Numero Clase Marca F F 𝒇𝒓 𝑭𝒓

1 [5,10) 7,5 2 2 0,05 0,05
2 [10,15) 12,5 8 10 0,2 0,25
3 [15,20) 17,5 14 24 0,35 0,6
4 [20,25) 22,5 7 31 0,175 0,775
5 [25,30) 27,5 5 36 0,125 0,9
6 [30,35) 32,5 3 39 0,075 0,975
7 [35,40) 35,5 1 40 0,025 1
2
2.7 Diagrama de caja
Son una presentación visual que describe varias características importantes, al mismo
tiempo, tales como la dispersión y simetría.
Para su realización se representan los tres cuartiles y los
valores mínimo y máximo de los datos, sobre un rectángulo, alineado horizontal o
verticalmente.
CONSTRUCCIÓN:
Una gráfica de este tipo consiste en una caja rectangular, donde los lados más largos
muestran el recorrido intercuartílico (𝑄3 − 𝑄1 ). Este rectángulo está dividido por un
segmento vertical que indica donde se posiciona la mediana y por lo tanto su relación
con los cuartiles primero y tercero (recordemos que el segundo cuartil coincide con la
mediana).
Esta caja se ubica a escala sobre un segmento que tiene como extremos los valores
mínimo y máximo de la variable. Las líneas que sobresalen de la caja se llaman bigotes.
Estos bigotes tienen un límite de prolongación, de modo que cualquier dato o caso que
no se encuentre dentro de este rango es marcado e identificado individualmente.
Ejemplo 21
Dadas las siguientes edades de 20 personas, realizar el diagrama de caja y
explicar.
36,25,37,24,39,20,36,45,31,31,39,24,29,23,41,40,33,24,34,40
Para calcular los parámetros estadístico, lo primero es ordenar la distribución

20 23 24 24 24 25 29 31 31 33 34 36 36 37 39 39 40 40 41 45
Cálculos de cuartiles
Q1, el cuartil Primero es el valor mayor que el 25% de los valores de la distribución.
Como N = 20 resulta que N/4 = 5; el primer cuartil es la media aritmética de dicho valor
y el siguiente:
Q1=(24 + 25) / 2 = 24,5
Q2, el Segundo Cuartil es, evidentemente, la mediana de la distribución, es el valor de
la variable que ocupa el lugar central en un conjunto de datos ordenados. Como N/2
=10; la mediana es la media aritmética de dicho valor y el siguiente:
39
Md= Q2 = (33 + 34)/ 2 =33,5
Q3, el Tercer Cuartil, es el valor que sobrepasa al 75% de los valores de la distribución.
En nuestro caso, como 3N / 4 = 15, resulta
Q3= (39 + 39) / 2 = 39
DIBUJAR LA CAJA Y LOS BIGOTES
Interpretación del diagrama

La parte izquierda de la caja es mayor que la de la derecha; ello quiere decir que las
edades comprendidas entre el 25% y el 50% de la población están más dispersa que
entre el 50% y el 75%.
El bigote de la izquierda (Xmím, Q1) es más corto que el de la derecha; por ello el 25%
de los más jóvenes, sus edades son más parecidas, que el 25% de los mayores.
El rango intercuartílico = Q3 - Q1 = 14,5; es decir, el 50% de la población, la diferencia
entre sus edades en promedio es de 14,5 años.
Ejemplo 22:
Alexander´s Pizza ofrece entregas gratuitas de pizza a 15 millas a la redonda. Alex
el propietario, desea información relacionada con el tiempo de entrega. ¿Cuánto
tarda una entrega típica? ¿En qué margen de tiempos deben completarse la
mayoría de las entregas? En el caso de una muestra de 20 entregas, Alex recopiló
la siguiente información:
Valor mínimo = 13 minutos

Q1 = 15 minutos
Mediana = 18 minutos
Q 3 = 22 minutos
Valor máximo = 30 minutos
Elabore un diagrama de caja para los tiempos de entrega. ¿Qué conclusiones
deduce sobre los tiempos de entrega?
Desarrollo:
40
1. El primer paso para elaborar un diagrama de caja consiste en crear una escala
adecuada a lo largo del eje horizontal.
2. Enseguida, dibujamos la caja que inicie en Q1 (15 minutos) y termine en Q 3 (22
minutos).
3. Dentro de la caja trazamos una línea vertical para representar la mediana (18
minutos).
4. Por último, prolongamos líneas horizontales a partir de la caja dirigidas al valor
mínimo (13 minutos) y al valor máximo (30 minutos). Estas líneas horizontales que
salen de la caja, a veces reciben el nombre de bigotes, en virtud de que se asemejan a
los bigotes de un gato.
Mediana
Valor Valor
𝑄1 𝑄3
mínimo máximo
12 14 16 18 20 22 24 26 28 30 32
Análisis
El diagrama de caja muestra que el valor medio de las entregas, 50% consume entre 15
y 22 minutos. La distancia entre los extremos de la caja, 7 minutos, es el rango
intercuartil. Este rango es la distancia entre el primer y tercer cuartil, muestra la
propagación o dispersión de la mayoría de las entregas.
41
CAPÍTULO 3: PROBABILIDAD
3.1 Fundamentos de la teoría de probabilidad
Definición: Principio básico de conteo o principio de multiplicación.

El principio indica, si un proceso se lo puede dividir en n subprocesos y cada subproceso
se puede realizar de 𝑟1 , …, 𝑟𝑛 maneras, entonces todo el proceso se lo puede realizar
de 𝑟1 *𝑟2 *…*𝑟𝑛 maneras.
Ejemplo 23:
Se lanza un dado y una moneda. ¿Cuántos resultados diferentes se obtiene de

este experimento?
Desarrollo
Al lanzar el dado se puede tener m=6 resultados diferentes; mientras que al lanzar la
moneda se obtiene n=2 resultados diferentes. Por lo tanto, el número total de resultados
del experimento es mxn=6x2=12.
Los doce resultados son:

Cara= c, sello= s, dado = {1,2, 3, 4, 5,6}
{(1,c),(1,s), (2,c),(2,s), (3,c),(3,s), (4,c),(4,s), (5,c),(5,s), (6,c),(6,s)}
3.1.1 Permutaciones
Definición de Factorial
El factorial de un número n, donde n es un número Natural, se lo define:
n!= 1*2*3*4*…*n
Ejemplo:
5!= 1*2*3*4*5 =120
0!=1
Propiedades
a) 0!=1
b) n!=n(n-1)!
42
Permutación
Son los arreglos (grupos) diferentes que se pueden hacer con los elementos de un
grupo.
En estos arreglos se debe considerar el orden de los elementos incluidos, su cálculo
es:
𝑛!
𝑛𝑃𝐾 =
(𝑛 − 𝑘)!
Ejemplo 24:
Dado el siguiente conjunto letras= {a, b, c} encuentre las permutaciones de tres
objetos tomados dos de ellos, es decir 3𝑷𝟐
Desarrollo
3𝑃2 = 6
Los elementos son {ab, ac, ba, bc, ca, cb}, cabe indicar que ab es distinto de ba ya
que el orden sí importa.
TIPS DE “R” PERMUTACIONES
Permutaciones y Combinaciones
Para este tema necesitaremos dos paquetes, los mismo que pueden ser instalados al
digitar las siguientes expresiones indicadas abajo:
install.packages('gtools')
install.packages('gWidgets')
Permutaciones
permutations(n=3,r=3,v=x,repeats.allowed=F)
n=4 es el número de elementos.

r=3 es el número de arreglos o permutaciones.
Utilizamos la función permutations(n=4, r=3, c(datos) ) obtendremos el numero de
arreglos que se pueden dar tomando en cuenta el orden.
Tips 12 R Permutación.
43
3.1.2 Combinaciones
Son los arreglos (subconjuntos) que se pueden hacer con los n elementos de un
conjunto considerando que el orden de los elementos en cada arreglo no es de
interés.
𝑛!
𝑛𝐶𝐾 =
(𝑛 − 𝑘)! 𝑘!
Ejemplo 25
Dado el conjunto de las vocales encontrar las combinaciones o subconjuntos de
tamaño 2.
Desarrollo
5!
5𝐶2 =
(3! − 2!)
20
= = 10
2
Los elementos son {ae, ai, ao, au, ei, eo, eu, io, ia, iu}.
TIPS DE “R” COMBINACIONES

Combinaciones
combinations(n=4, r=3, c(datos) )
n=4 es el número de elementos.

r=3 es el número de arreglos o combinaciones.
Utilizamos la función combinations(n=4, r=3, c(datos) ) obtendremos el número de
arreglos que se pueden dar sin tomar en cuenta el orden.
Tips 13 R Combinaciones.
44
3.2 Espacio muestral (𝛀)
Es el conjunto de todos los posibles resultados de un experimento.

Ejemplo 26:
Experimento: “Lanzamiento de una moneda”
Desarrollo
Ω = {cara, sello}
Ejemplo 27:
Experimento: “Lanzamiento dos monedas”
Desarrollo
El número de casos se calcula mediante la regla de la multiplicación, dos casos de la
primera moneda ( 𝐶1 , 𝑆1 ), y dos casos de la segunda moneda ( 𝐶2 , 𝑆2 ), por lo tanto hay
cuatro casos posibles del fenómeno n conjunto.
Ω = {(𝐶1 , 𝐶2),( 𝐶1 , 𝑆2 ), (𝑆1 , 𝐶2 ), (𝑆1 , 𝑆2 )}
3.2.1 Conjunto Partes de 𝛀 (subconjuntos)
El conjunto partes de Ω, se refiere al número de subconjuntos que tiene dicho conjunto;

al número de subconjunto de Ω se le denomina cardinalidad de Ω y es igual a 2𝑛 , donde
n es el número de elementos del conjunto.
Ejemplo 28:
Experimento: “Lanzamiento de una moneda”, encuentre el conjunto partes de
omega.
2𝑛 ; n
{cara, sello}
Card (Ω) = 22 = 4
= {{cara}, {sello}, {cara, sello}, {Ø}}
Todo espacio muestral podría tener las siguientes características, siendo estas:
 Espacio muestral de variable Discreta, si sus elementos son números enteros;

finitos si sus elementos son numerables e infinitos si no lo son.
 Espacio muestral variable continua, si sus elementos forman parte de un

intervalo y sus elementos son infinitos.
45
Ejemplo 29:
Experimento: “Lanzamiento de una moneda”
Desarrollo
Ω = {cara, sello}, este espacio muestral tiene la característica de ser discreto y
numerable.
Ejemplo 30:
Experimento: “Sueldo de una empresa”
Desarrollo
Ω = {𝑥/𝑥 ∈ [𝑎, 𝑏], 𝑥 𝑒𝑠 𝑒𝑙 𝑠𝑢𝑒𝑙𝑑𝑜}, tiene la característica de ser continuo y no numerable.
3.3 Eventos
Los eventos son subconjuntos de Ω, siendo estos de dos tipos, simples y compuestos.
Evento Simple:
Está formado por un elemento o un punto muestral.
Evento Compuesto:
Está formado por varios elementos o puntos muéstrales.
3.4 Probabilidad de eventos
Generalmente la probabilidad clásica se define de la siguiente manera:
# 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑎𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴

Probabilidad de A: # 𝑐𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Ejemplo 31:
Un grupo de 15 personas, 7 leen la revista A, 5 leen la revista B y 6 ninguna revista.
Encuentra la cantidad de personas que leen al menos una revista.
Leen B No leen B
Leen A 3 4 7
No leen A 2 6 8
Total 5 10 15
46
Del cuadro se obtiene directamente que:
4 leen A, únicamente
2 leen B, únicamente
3 leen A y B
a) Encuentre la probabilidad de que al escoger una persona al azar esta al
menos haya leído una revista.
Desarrollo
9 3
P (“al menos lean una revista”) = 15 = 5
Interpretación
El valor de 0.6 indica que si un millón de veces se realiza el experimento en 600.000
veces va a salir al menos una persona que lea una revista.
b) Encuentre la probabilidad de que al escoger tres personas al azar, dos lean

revista y uno no lea.
Desarrollo
₃𝐶₂∗₆𝐶₁ 3∗6
P (“elegir 3 personas, dos lean revista y uno no lea”) = = = 0,039.
₁₅𝐶₃ 455
Ejemplo 32:
Una caja con 12 baterías para carro contiene 5 defectuosas. Halle la probabilidad
de que al elegir al azar tres baterías de la caja se obtengan:
a) Una defectuosa
Desarrollo
5𝐶1 ∗7𝐶2 105 21
P (“Escoger al azar una batería defectuosa”)= = =
12𝐶3 220 44
b) Ninguna defectuosa
Desarrollo
5𝐶0 ∗7𝐶3 35 7
P (“escoger que no haya ninguna defectuosa”) = = =
12𝐶3 220 44
47
3.3.4 Propiedades de los eventos simples
Sea Ω = s = {𝐸1 , 𝐸2 , … … , 𝐸𝑛 } 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑠𝑖𝑚𝑝𝑙𝑒𝑠, entonces la probabilidad de la unión de

esos eventos es igual a la suma de sus probabilidades, es decir:
𝑃 (⋃𝑛𝑖=1 𝐸𝑖 ) = ∑𝑛𝑖=1 𝑃(𝐸𝑖 );
P (𝐸1 ∪ 𝐸2 ∪…..𝐸𝑛 ) = P (𝐸1 ) + P (𝐸2 ) + … … P (𝐸𝑛 ), esto se debe a que los eventos
simples son disjuntos, es decir ∨𝑖,𝑗 ; 𝐸𝑖 ∩ 𝐸𝑗 = ∅ se dice 𝐸𝑖 𝑦 𝐸𝑗 , y tenemos que la suma
de sus probabilidades es igual a 1.
Observación:
s = {𝐸1 , 𝐸2 , … … , 𝐸𝑛 }
𝑛 𝑛
𝑃 (⋃ 𝐸1 ) = ∑ 𝑃(𝐸1 ) = 1
𝑖=1 𝑖=1
Ejemplo 32:
a) Cuál es la posibilidad que al lanzar un dado se obtenga un número par

Desarrollo
P (“al lanzar un dado, se obtenga un número par”)= P (“sale 2 o sale 4 o sale 6”)=
"𝑆𝑎𝑙𝑒 2" "𝑆𝑎𝑙𝑒 4" "𝑆𝑎𝑙𝑒 6"
𝑃( 𝑜 𝑜 )
𝐸1 𝐸2 𝐸3
1 1 1 𝟏
P (𝐸1 ⋃𝐸2 ⋃𝐸3 ) = P (𝐸1 ) + 𝑃(𝐸2 ) + 𝑃(𝐸3 ) = 6 + 6 + 6 = 𝟐
b) P (“Salga un número en el lanzamiento de un dado”)

Desarrollo
P (“sale 1” o “sale 2” o “sale 3” o… o “sale 6”) = P (“sale1”)+P (“sale 2”)+…+P (“sale 6”)
1 1 1 1 1 1
= 6
+6+6+6+6+6 = 1
Nota: La suma de los eventos simples siempre es 1.
48
Ejemplo 33:
₄𝐶₂ 6
P (“Extraer 2 baterías buenas”) = = = 0,4
₆𝑐₂ 15
Análisis: De 100 veces que se realice el experimento, y se extraigan 2 baterías en 40

de los casos 2 saldrán buenas.
3.5 Axiomas de la probabilidad
𝑃(A) ≥ 0
𝑃(Ω) = 1
𝐴1 , 𝐴2 ∈ 𝑆; 𝑦 𝐴1 ⋂ 𝐴2 = ∅ ⟹ 𝑃(𝐴1 ∪ 𝐴2 ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 )
3.6 Propiedades de la probabilidad
3.6.1 Probabilidad de un evento nulo
𝑷(∅) = 𝟎
Demostración:
𝑆 =𝑆∪∅
P(S) = P(S ∪ ∅); 𝑆⋂ ∅ = ∅
𝑃(𝑆) = 𝑃(𝑆) + 𝑃(∅); S = {𝐸1 , 𝐸2 , … , 𝐸𝑛 }
1 = 1 + 𝑃(∅)
𝑃(∅) = 0 𝐿𝑄𝑄𝐷
3.6.2 Probabilidad del evento complemento

𝑷(𝑨𝒄 ) = 𝟏 − 𝑷(𝑨)
Demostración:
Ω = 𝐴 ∪ 𝐴𝑐
𝑃(Ω) = 𝑃(𝐴 ∪ 𝐴𝑐 )
𝑃(Ω) = 𝑃(𝐴) + 𝑃(𝐴𝑐 )
1 = 𝑃(𝐴) + 𝑃(𝐴𝑐 )
𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴)
49
3.6.3 Probabilidad de eventos incluidos
𝑺𝒊 𝑨 ⊂ 𝑩, 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝑷(𝑨) ≤ 𝑷(𝑩)
Demostración:
𝐵 = 𝐴 ∪ (𝐴𝑐 ∩ 𝐵)
𝑃(𝐵) = 𝑃(𝐴) + 𝑃(𝐴𝑐 ∩ 𝐵)
𝑃(𝐵) ≥ 𝑃(𝐴)
3.6.4 La probabilidad de un evento está entre 0 y 1

𝟎 ≤ 𝑷(𝑨) ≤ 𝟏
Demostración:
∅⊂𝐴⊂Ω
𝑃(∅) ≤ 𝑃(𝐴) ≤ 𝑃(Ω)
0 ≤ 𝑃(𝐴) ≤ 1
3.6.5 Probabilidad de la diferencia de eventos

𝑷(𝑨 − 𝑩) = 𝑷(𝑨) − 𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨 ∩ 𝑩𝒄 )
Demostración:
𝐴 = (𝐴 − 𝐵) ∪ (𝐴 ∩ 𝐵)
𝑃(𝐴) = 𝑃(𝐴 − 𝐵) + 𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 − 𝐵) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴 ∩ 𝐵𝑐 )
3.6.6 Regla aditiva de probabilidad de Eventos

𝑷(𝑨 ∪ 𝑩) = 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝑨 ∩ 𝑩)
Demostración:
(𝐴 ∪ 𝐵) = (𝐴 − 𝐵) ∪ (𝐴 ∩ 𝐵) ∪ (𝐵 − 𝐴)
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴 − 𝐵) + 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐵 − 𝐴)
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
Ejemplo 34:
Si la probabilidad que un estudiante apruebe Algebra Lineal es de 0,7, la

probabilidad que apruebe Ingles es 0,8 y la probabilidad que apruebe ambas
materias es 0,6. ¿Cuál es la probabilidad que el estudiante apruebe al menos una
de estas materias?
P (“apruebe al menos una de las dos materias”)
50
P (“que apruebe algebra lineal o que apruebe inglés o las dos “)
Desarrollo
A1 = “apruebe algebra lineal “
A2 = “apruebe ingles“
𝑃(𝐴1 ∪ 𝐴2 ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 ) − 𝑃(𝐴1 ∩ 𝐴2 )

= 0,7 + 0,8 - 0,6 = 0,9
3.7 Independencia de eventos
Se dice que dos eventos A y B son independientes si el uno no influye en la consecución

del otro y viceversa, es decir:
𝑷(𝑨 𝒚 𝑩) = 𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨𝑩) = 𝑷(𝑨)𝑷(𝑩)
3.8 Condicionalidad de eventos
Sean dos eventos A y B y 𝑃(𝐵) ≠ 0 se dice que el evento A está condicionada a la

consecución del evento B si:
𝑷(𝑨 ∩ 𝑩) 𝑷(𝑨𝑩)
𝑷(𝑨/𝑩) = =
𝑷(𝑩) 𝑷(𝑩)
Ejemplo 35:
 La probabilidad del que el evento M ocurra es igual a 1, la probabilidad de

que el evento N ocurra es 3, y la probabilidad de que los complementos
𝟑
de M y N ocurran es de 𝟏𝟎 ¿Son independientes M y N?
Desarrollo
1
𝑃(𝑀) =
4
3
𝑃(𝑁) =
5
51
3
𝑃(𝑀𝑐 ∩ 𝑁 𝑐 ) =
10
𝑃(𝑀𝑐 ∩ 𝑁 𝑐 ) = 𝑃(𝑀 ∪ 𝑁)𝑐 = 1 − 𝑃(𝑀 ∪ 𝑁)
3
= 1 − 𝑃(𝑀) − 𝑃(𝑁) + 𝑃(𝑀 ∩ 𝑁)
10
3 1 3
= 1 − − + 𝑃(𝑀 ∩ 𝑁)
10 4 5
3 3
= + 𝑃(𝑀 ∩ 𝑁)
10 20
3
= 𝑃(𝑀 ∩ 𝑁)
20
Para demostrar que M y N son independientes se deberá demostrar que:

𝑃(𝑀 ∩ 𝑁) = 𝑃(𝑀)𝑃(𝑁)
3
𝑃(𝑀 ∩ 𝑁) = (1)
20
1 3 3
𝑃(𝑀). 𝑃(𝑁) = ∗ = (2)
4 5 20
(1) = (2)
Se concluye que M y N son independientes.
 Se conoce que el 60% de las mujeres y el 40% de los hombres reaccionan

positivamente ante cierto medicamento. Se les proporcionó el
medicamento a 20 personas de las cuales 12 eran mujeres, se tomó al
azar uno de los resultados y se observó que era de reacción negativa.
Halle la probabilidad de que el resultado corresponda a un hombre.
𝑅− 𝑅+
H 4,8 3,2 8
M 4,8 7,2 12
Total 9,6 10,4 20
8
𝑃(𝐴1 ) =
20
𝐴1 = “al elegir 1 persona al azar esta sea hombre”
12
𝑃(𝐴2 ) =
20
𝐴2 = “al elegir una persona al azar esta sea mujer”
9,6
𝑃(𝐴3 ) =
20
52
𝐴3 = “al elegir una persona al azar esta reaccione negativamente”
10,4
𝑃(𝐴4 ) =
20
𝐴4 = “al elegir una persona al zar esta reaccione positivamente”
4,8
𝑃(𝐴5 ) =
20
𝐴5 = “al elegir una persona al azar este sea hombre y reaccione negativamente”
7,2
𝑃(𝐴6 ) =
20
𝐴6 = “al elegir una persona al azar sea mujer y reaccione positivamente”
4,8
𝑃(𝐴7 ) =
9,6
𝐴7 = “al elegir una persona al azar sea hombre puesto que reacciono negativamente”
4,8
𝑃(𝐴8 ) =
10
𝐴8 = 𝑅 − /𝐻 = “es la probabilidad que al elegir una persona al azar que reacciono
negativamente este haya sido hombre”.
La probabilidad de que al elegir una persona al azar sea hombre conociendo que
reaccionó negativamente se puede calcular de dos formas:
Desarrollo (Forma 1)
4,8
𝑃(𝐴) = 𝑃(𝐻/𝑅 − ) = = 0,5
9,6
Desarrollo (Forma 1)
4,8
−
𝑃(𝐻 ∩ 𝑅 − ) 20 4,8
𝑃(𝐴) = 𝑃(𝐻/𝑅 ) = = = = 0,5
𝑃(𝑅 − ) 9,6 9,6
20
Nota:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵)𝑃(𝐴/𝐵) = 𝑃(𝐴)𝑃(𝐵/𝐴)
𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃((𝐴 ∩ 𝐵) ∩ 𝐶) = 𝑃(𝐴 ∩ 𝐵) 𝑃(𝐶/(𝐴 ∩ 𝐵)
53
Ejemplo 36:
En un taller trabajan 7 hombres y 3 mujeres, se escogen al azar 3 personas. Halla

la probabilidad de que todas las personas seleccionadas sean hombres.
Desarrollo
P (“3 personas seleccionadas sean hombre”) = P (“1ra persona seleccionada sea
hombre”) P (“2da persona seleccionada sea hombre”, dado que la “1ra persona
seleccionada fue hombre”) P (“3ra persona seleccionada sea hombre, dado que las
anteriores fueron hombres”)
7 6 5 7
= ∗ ∗ = sin 𝑟𝑒𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛
10 9 8 24
7 7 7 343
= ∗ ∗ = con 𝑟𝑒𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛
10 10 10 1000
Fuente: GALINDO Edwin, Estadística - Métodos y Aplicaciones, ProCiencia

Editores 2011, Ejercicios 2.9, literales (8, 9, 10, 11, 12) pág. 75.
1) Se lanzan dos dados ¿Cuál es la probabilidad de que en los dos dados

salga el 3, si se sabe que la suma es 6?
R: 1/5
2) En una biblioteca hay 8 libros de literatura de ciencia ficción, 3 de los

cuales son de Isaac Asimov, la biblioteca toma al azar 2 libros. Determine
la probabilidad de que ambos libros puedan ser de Isaac Asimov.
R: 3/28
3) La empresa de correos ha determinado que el 10% de los paquetes

enviados al exterior no llegan a su destino. Dos libros se pueden enviar
separadamente o en un solo paquete. Para cada una de las formas ,
encuentre:
a) La probabilidad de que ambos libros lleguen a su destino

b) La probabilidad de que al menos un libro llegue a su destino
R: Envío conjunto a) 0,9 b) 0,9; Envío por separado a) 0,81 b) 0,99
54
4) Suponga que el 5% de todos los hombres y el 0.25% de todas las mujeres
sufren daltonismo. Una persona escogida al azar resulta ser daltónica
¿Cuál es la probabilidad de que esta persona sea un hombre? (Considere
que la cantidad de hombres y mujeres es igual)
R: 20/21
5) El 35% de los créditos de un banco son para vivienda, el 50% son para
industria y el 15% para consumo diverso. Resultan fallidos el 20% de los
créditos para vivienda, el 15% de los créditos para industrias y el 70% de
los créditos para consumo. Calcula la probabilidad de que se pague un
crédito elegido al azar.
R: 0.25
3.9 Probabilidad total
Sea 𝐴1 , 𝐴2 … , 𝐴𝑛 una repartición de Ω y sea B un seceso (eventos) cualquiera, del que

se conoce las probabilidades condicionales.
𝑃(𝐵/𝐴𝑖 ), ⇒ 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑠𝑢𝑐𝑒𝑠𝑜 𝐵 𝑒𝑠:
𝑛
𝑃(𝐵) = ∑ 𝑃(𝐴𝑖 ) 𝑃(𝐵/𝐴)

𝑖=1
Demostración:
A1 A1 A1 … A1
Grafico 3 Demostración Probabilidad total.
𝐴𝑖 𝑠𝑜𝑛 𝑝𝑎𝑟𝑡𝑖𝑐𝑖𝑜𝑛𝑒𝑠 Subconjuntos

𝐴𝑖 ∩ 𝐴𝑗 = ∅
𝑃(𝐵) = (𝐵 ∩ 𝐴𝑖 ) ∪ (𝐵 ∩ 𝐴2 ) ∪ … ∪ (𝐵 ∩ 𝐴𝑛 )
55
𝑃(𝐵) = (𝐵 ∩ 𝐴𝑖 ) ∩ (𝐵 ∩ 𝐴𝐽 ) = ∅
𝑃(𝐵) = 𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 ) + 𝑃(𝐴2 )𝑃(𝐵/𝐴2 ) + ⋯ + 𝑃(𝐴𝑛 )𝑃(𝐵/𝐴𝑛 )

𝑛
𝑃(𝐵) = ∑ 𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )

𝑖=1
3.9.1 Teorema de Bayes
𝑃(𝐴𝑖 ∩ 𝐵) 𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )

𝑃(𝐴𝑖 /𝐵) = = 𝑛
𝑃(𝐵) ∑𝑖=1 𝑃(𝐴𝑖 ) 𝑃(𝐵/𝐴𝑖 )

Editores 2011, Ejercicios 2.9, literales (22, 24, 25, 26, 27) pág. 78
1) En una fábrica, el 70% de los empleados son lojanos. De entre los lojanos,
el 50% son hombres, mientras que los no lojanos, solo son hombres el
20%.Encuentre:
a) ¿Qué porcentaje de empleados no lojanos son mujeres?
b) Probabilidad de que un empleado de la oficina sea mujer
c) Fernando trabaja en dicha oficina ¿Cuál es la probabilidad de que sea
lojano?
R: a) 80% b) 0.59 c) 0.8537
2) Se estima que solo un 20% de los que compran acciones en Bolsa tienen
conocimientos bursátiles de ellos el 80% obtienen beneficios. De los que
compran acciones sin conocimiento bursátiles , solo un 10% obtienen
beneficios .Se desea saber:
a) El tanto por ciento de los que compran acciones en bolsa que
obtienen beneficios.
b) Si se elige al azar una persona que ha comprado acciones en bolsa
y resulta que ha obtenido beneficios, ¿Cuál es la probabilidad de
que tenga conocimientos bursátiles?
56
R: a) 24% b) 0.667
3) En un supermercado el 70% de la compras la realizan las mujeres, de la

compras realizadas por estas, el 80% supera los 20$, mientras que de las
compras realizadas por hombres solo el 30% supera esta cantidad.
a) Elegido un comprobante al azar, ¿Cuál es la probabilidad de que supere
los 20$?
b) Si se sabe que el comprobante de compra no supera los 20$, ¿Cuál es
la probabilidad de que la compra haya sido hecha por una mujer?
R: a) 0.65 b) 0.4
4) En una universidad existen tres facultades: A, B y C. En A hay matriculadas
150 chicas y 50 chicos; en B, 300 chicas y 200 chicos, y en C, 150 chicas y
150 chicos.
a) Calcule la probabilidad de que un estudiante, elegido al azar, sea chico
b) Si un estudiante elegido al azar resultara ser chico ¿Cuál es su faculta
más probable?
R: a) 0.4 b) La B: Pr (B/H) = 0.5
5) Entre los cinco aspirantes a un cargo de gerente, a dos se les considera

excelentes y a los demás se les considera buenos. Para una entrevista se
escoge al azar a dos de los cinco. Calcule la probabilidad de que se escoja:
a) A los dos excelentes
b) Por lo menos a uno de los excelentes
c) A los dos excelentes dado que se sabe que por lo menos uno de los
seleccionados es excelente
R: a) 1/10 b) 7/10 c) 1/7
57
CAPÍTULO 4: VARIABLES ALEATORIA
4.1 Definición de Variable aleatoria
Se llama variable aleatoria a cualquier función definida en un espacio muestral con

recorrido en un subconjunto finito o infinito de los reales.
𝑓∶ 𝐴→ 𝐵
𝑥 → 𝑓(𝑥) = 𝑦
Nota: La probabilidad también se define como una función.

𝑃: Ω → [0,1]
𝐴 → 𝑃(𝐴) ∈ [0,1]
Ejemplo 37
𝑓∶ [5,20] → ℝ
𝑥 → 𝑦 = 𝑥 2 +3x+2
Donde:
[5,20] = Conjunto de salida
ℝ = Conjunto de llegada (recorrido)
𝑦 = 𝑥 2 +3x+2 = Ley o aplicación
Ejemplo 38
En el siguiente experimento se puede definir como función:
𝑥∶ Ω → {0,1}
𝐴 → 𝑥(𝐴) = 𝑦
Experimento: “Lanzamiento de monedas”

X= {0,1}
x = “Salga cara”= 1
x = “Salga sello” = 0
P(x = “Salga cara”) = P(x = “Salga cara”= 1) = ½
58
Ejemplo 39
Experimento: “Lanzamiento de un dado”
X= “Salga 1” = 1
x = “Salga 2” = 2
x = “Salga 3” = 3
x = “Salga 4” = 4
x = “Salga 5” = 5
x = “Salga 6” = 6
El dominio de la variable x “valor que sale al lanzar un dado es {1, 2, 3, 4, 5,6}
Ejemplo 40
Experimento: “Tomar los pesos del curso de probabilidad y estadística”
X= “Peso de los estudiantes”
X ∈ [a, b], la cual es una variable aleatoria continua
Ejemplo 41
Consideremos la prueba consistente en arrojar 3 monedas si x es la variable aleatoria
cuenta el número de caras, entonces x que valores puede tomar.
Ω = { 𝐶𝐶𝐶, 𝐶𝐶𝑆, 𝐶𝑆𝐶, 𝐶𝑆𝑆, 𝑆𝐶𝐶, 𝑆𝐶𝑆, 𝑆𝑆𝐶, 𝑆𝑆𝑆}

x= “Número de caras resultantes”
¿x, qué valores puede tomar?
x = {0, 1, 2, 3}
x = {SSS}= 0 P (“Salga 3 caras”)= P(x= {ccc}=3)
x = {CSS}= 1 = P(x=3) = 1/8
x = {CSS}= 2 P (“Salga 2 caras”)= P(x=2)
x = {CCC}= 3 = 3/8
59
4.1.1 Función de distribución v.a.d (variable aleatoria discreta)
Sea x una variable aleatoria discreta, la función real F tal que:

∀ 𝑡 ∈ ℝ, 𝐹(𝑡) = 𝑃(𝑥 ≤ 𝑡), Se denomina función de distribución de la v.a.d.
PROPIEDADES
 La función es creciente:
lim 𝐹(𝑡) = 0 𝑦 lim 𝐹(𝑡) = 1
𝑡→∞ 𝑡→∞
Grafico 4 Función Distribución.
Nota:
P(x=t) = f (t)
P(x=t) = la función probabilidad
𝑃: Ω → [0,1]
𝐴 → 𝑃(𝐴) = 𝑦
 𝑭(𝒕) = 𝑷(𝒙 ≤ 𝒕) = ∑𝒋≤𝒕 𝑷𝒋
Nota:
Experimento: “Lanzamiento tres monedas”
X = “Número de caras”
P(x=3) = 1/8 = P3
P(x=0) = 1/8 = P0
P(x=1) = 3/8 = P1
60
 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎)
 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎) + 𝑃(𝑥 = 𝑎)
 𝑃(𝑥 = 𝑎) = 𝐹(𝑎) − 𝐹(𝑎− )
 𝑃(𝑥 < 𝑎) = 𝐹(𝑎− )
 𝑃(𝑎 < 𝑥 < 𝑏) = 𝐹(𝑏) − 𝐹(𝑎) − 𝑃(𝑥 = 𝑏)
Observación:
P(x= {A}=1) = P(x=1) = 𝑃1
P(x=2) = 𝑃2
P(x=3) = 𝑃3
4.2 ESPERANZAS, VARIANZAS Y CORRELACIONES DE UNA Y

DOS VARIABLES ALEATORIAS
4.2.1 CORRELACIÓN
Describe la relación lineal entre variables X y Y; existen 4 tipos de correlación:
Grafico 5 Correlación lineal

negativa. Grafico 6 Correlación lineal positiva.
Grafico 7 Variables no Grafico 8 Variables no lineal.

correlacionadas.
61
Nota: Como se pudo observar en los gráficos anteriores la correlación indica el grado
de relación lineal existente entre las variables, este tipo de relación no es muy utilizada
ya que siempre su valor va a depender de la escala en la que se mida.
Covarianza muestral.- Lo anterior puede ser medido mediante la covarianza muestral

la misma que mide la variabilidad conjunta entre dos variables (x, y).
1
𝑆𝑥𝑦 = ∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − ̅̅̅
𝑦)
𝑛−1
Si x=y
1
𝑆𝑥𝑦 = 𝑆𝑥𝑥 = ∑(𝑥𝑖 − 𝑥̅ )(𝑥𝑖 − ̅̅̅
𝑥)
𝑛−1
1
𝑆𝑥𝑥 = ∑(𝑥𝑖 − 𝑥̅ )2 = 𝑆𝑥2 = 𝑉𝑎𝑟 (𝑥)
𝑛−1
𝑆 2 → 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎, 𝑚𝑖𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑐𝑜𝑛𝑠𝑖𝑔𝑜 𝑚𝑖𝑠𝑚𝑜
Coeficiente de correlación lineal. Al igual que la medidas anterior mide la relación

lineal existente entre las dos variable, es más utilizada ya que no depende de la escala
en la que se mida.
𝑆𝑥𝑦
𝑟= ; −1 ≤ 𝑟 ≤ 1
𝑆𝑥 𝑆𝑦
Valor de r
Cercano a 1 tiene correlación lineal positiva fuerte
Cercano a -1 tiene correlación lineal negativa fuerte
Cercano a 0 no existe correlación lineal
Matriz de Varianza y Covarianza. Es una matriz cuadrada simétrica y depende del
número de variables aleatorias, en la cual nos describe los valores de las correlaciones
entre las variables existentes, por ejemplo 𝑆𝑥1𝑥2 nos indica la correlación que existe
entre la variable 𝑥1 y la variable 𝑥2 y así sucesivamente.
2
𝑆𝑥1 𝑆𝑥1𝑥2
[𝑆𝑥𝑖,𝑦𝑗 ] = [ 2 ]
𝑆𝑥2𝑥1 𝑆𝑥2
Ejercicio
Demostrar:
𝑆𝑥𝑦 = 𝑆𝑦𝑥
1 1
∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) = ∑(𝑦𝑖 − 𝑦̅)(𝑥𝑖 − 𝑥̅ ) = 𝑆𝑥𝑦
𝑛−1 𝑛−1
Matriz de correlación.- Es una matriz cuadrada simétrica y depende del número de
variables aleatorias y su diagonal es 1, es una matriz en la cual se describe las
correlaciones lineales entre sus variables.
62
𝑟1,1 𝑟1,2
𝑟𝑖𝑗 = [𝑟 𝑟2,2 ]
2,1
Demostración:
𝑆𝑥𝑦
𝑟=
𝑆𝑥 𝑆𝑦
𝑆𝑥𝑥 𝑆𝑥2
𝑟1,1 = = 2=1
𝑆𝑥 𝑆𝑥 𝑆𝑥
𝑟1,2 = 𝑟2,1
𝑆𝑥𝑦 𝑆𝑦𝑥
𝑟1,2 = = = 𝑟2,1
𝑆𝑥 𝑆𝑦 𝑆𝑦 𝑆𝑥
4.2.2 ESPERANZA MATEMÁTICA
La esperanza matemática de una variable aleatoria discreta es:

𝑛
𝐸(𝑥) = ∑ 𝑥𝑖 𝑝𝑖 = 𝑥1 𝑝1 + 𝑥2 𝑝2 + ⋯ + 𝑥𝑛 𝑝𝑛
𝑖=1
Nota:
La esperanza matemática es una especie de promedio, es lo que se esperaría que el
estadístico tienda a ser el parámetro.
𝐸(𝑥̅ ) = µ, lo que significa que la esperanza o promedio de la media aritmética es igual a
la media poblacional.
Ejemplo 42
Halle la esperanza de las variables aleatorias discretas definidas por:
X -0,71 0,24 0,61

P 0,2 0,5 0,3
𝐸(𝑥) = ∑ 𝑥𝑖 𝑝𝑖
𝑖=1
𝑛
𝐸(𝑥) = ∑(−0,71)(0,2) + (0,24)(0,5) + (0,61)(0,3)

𝑖=1
𝐸(𝑥) = 0,158
63
4.2.3 ESPERANZA MATEMÁTICA DE UNA VARIABLE
ALEATORIA CONTINUA
La esperanza matemática de una variable aleatoria continua es:

+∞
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥 , ∀ 𝑥 ∈ 𝐼
−∞
Nota: Si x se encuentra definido en el intervalo [a, b], entonces la esperanza

matemática se define:
𝑏
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥 , ∀ 𝑥 ∈ [𝑎, 𝑏]
𝑎
Ejemplo 43
Hallar la esperanza matemática de la siguiente variable aleatoria continua:
1
𝑓(𝑥) = { si 1 < x ≤ 4 }
3
0 , caso crontrario
𝑏
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
𝑎
4
1
𝐸(𝑥) = ∫ 𝑥 𝑑𝑥
1 3
1 4
𝐸(𝑥) = ∫ 𝑥 𝑑𝑥
3 1
1 𝑥2
𝐸(𝑥) =
3 2
1 16 1
𝐸(𝑥) = [ − ]
3 2 2
1
𝐸(𝑥) =
2
64
4.2.4. PROPIEDADES DE LA ESPERANZA MATEMÁTICA
 𝑬(𝒄) = 𝒄 , 𝒄 𝒆𝒔 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆
Conocemos
+∞
𝐸(𝑥) = ∫−∞ 𝑥 𝑓(𝑥) 𝑑𝑥
Por lo tanto
+∞
𝐸(𝑐) = ∫ 𝑐 𝑓(𝑥) 𝑑𝑥
−∞
+∞
𝐸(𝑐) = 𝑐 ∫ 𝑓(𝑥) 𝑑𝑥
−∞
𝑬(𝒄) = 𝒄
 𝑬(𝒙 + 𝒚) = 𝑬(𝒙) + 𝑬(𝒚)
Conocemos
+∞
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
−∞
Y además
+∞
𝐸(𝑔(𝑧)) = ∫ 𝑔(𝑧) 𝑓(𝑥) 𝑑𝑥
−∞
Sea g (z)= x + y
+∞
𝐸(𝑥 + 𝑦) = ∫ (𝑥 + 𝑦) 𝑓(𝑥) 𝑑𝑥
−∞
+∞ +∞
𝐸(𝑥 + 𝑦) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥 + ∫ 𝑦 𝑓(𝑥) 𝑑𝑥
−∞ −∞
𝑬(𝒙 + 𝒚) = 𝑬(𝒙) + 𝑬(𝒚)
 𝑬(𝒄𝒙) = 𝒄𝑬(𝒙)
+∞
𝐸(𝑐𝑥) = ∫ 𝑐𝑥 𝑓(𝑥) 𝑑𝑥
−∞
+∞
𝐸(𝑐𝑥) = 𝑐 ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
−∞
𝑬(𝒄𝒙) = 𝒄 𝑬(𝒙)
65
4.2.5 LA VARIANZA
La varianza de una variable aleatoria x (discreta o continua) se define:
𝑽𝒂𝒓(𝒙) = 𝑬(𝒙 − 𝑬(𝒙))𝟐
Demuestre: 𝑽𝒂𝒓(𝒙) = 𝑬𝒙𝟐 − (𝑬(𝒙))𝟐
Demostración:
𝑉𝑎𝑟(𝑥) = 𝐸𝑥 2 − (𝐸(𝑥))2
2
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 − 𝐸(𝑥))
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 − 2𝑥𝐸(𝑥) + (𝐸(𝑥))2 )
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 2𝐸(𝑥𝐸(𝑥) + (𝐸(𝑥))2

𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 2𝐸(𝑥)𝐸(𝑥) + (𝐸(𝑥))2
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 2𝐸(𝑥 2 ) + (𝐸(𝑥))2 )
𝑽𝒂𝒓(𝒙) = 𝑬𝒙𝟐 − (𝑬(𝒙))𝟐
4.2.5.1 Definición de varianza variable aleatoria discreta:

Sea x una v.a.d la varianza se define:
𝑛
𝑉𝑎𝑟(𝑥) = ∑(𝑥𝑖 − 𝐸𝑥)2 𝑝𝑖

𝑖=1
𝑛
𝑉𝑎𝑟(𝑥) = ∑ 𝑥𝑖2 𝑝𝑖 − (𝐸𝑥)2

𝑖=1
4.2.5.2 Definición de varianza variable aleatoria continúa:

Sea x una v.a.c la varianza se define:
+∞
𝑉𝑎𝑟(𝑥) = ∫ (𝑥 − 𝐸𝑥)2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑥) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 − (𝐸𝑥)2
−∞
Observación: si f(x) se define en 𝐼 ∈ [𝑎, 𝑏]

𝑏
𝑉𝑎𝑟(𝑥) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 − (𝐸𝑥)2
𝑎
66
4.2.5.3 PROPIEDADES DE LA VARIANZA
 𝑽𝒂𝒓(𝒄) = 𝟎 ; 𝒄 𝒆𝒔 𝒄𝒕𝒆
+∞
𝑉𝑎𝑟(𝑥) = ∫ (𝑥 − 𝐸𝑥)2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑐) = ∫ (𝑐 − 𝐸𝑥)2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑐) = ∫ (𝑐 − 𝑐)2 𝑓(𝑥)𝑑𝑥
−∞
𝑽𝒂𝒓(𝒄) = 𝟎
 𝑽𝒂𝒓(𝒙) = 𝒄𝟐 𝑽𝒂𝒓(𝒙)
+∞
𝑉𝑎𝑟(𝑐𝑥) = ∫ (𝑐𝑥 − 𝐸𝑐𝑥)2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑐𝑥) = ∫ 𝑐(𝑥 − 𝐸(𝑥))2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑐𝑥) = 𝑐 2 ∫ (𝑥 − 𝐸(𝑥))2 𝑓(𝑥)𝑑𝑥
−∞
𝑽𝒂𝒓(𝒙) = 𝒄𝟐 𝑽𝒂𝒓(𝒙)
 𝑽𝒂𝒓(𝒙 + 𝒚) = 𝑽𝒂𝒓(𝒙) + 𝑽𝒂𝒓(𝒚)
Conocemos: 𝑉𝑎𝑟(𝑥) = 𝐸(−𝐸𝑥)2
𝑉𝑎𝑟(𝑥 + 𝑦) = 𝐸[(𝑥 + 𝑦) − 𝐸(𝑥 + 𝑦)]2
𝑉𝑎𝑟(𝑥 + 𝑦) = 𝐸[(𝑥 + 𝑦)2 − 2𝐸(𝑥 + 𝑦)(𝑥 + 𝑦) + 𝐸(𝑥 + 𝑦)]
𝑉𝑎𝑟(𝑥 + 𝑦) = 𝐸[(𝑥 2 + 2𝑥𝑦 + 𝑦 2 ) − 2𝐸(𝑥 + 𝑦)(𝑥 + 𝑦) + 𝐸𝑥 + 𝐸𝑦]
𝑉𝑎𝑟(𝑥 + 𝑦) = 𝐸[(𝑥 2 + 2𝑥𝑦 + 𝑦 2 ) − 2𝐸(𝑥 2 + 2𝑥𝑦 + 𝑦 2 ) + 𝐸𝑥 + 𝐸𝑦]
𝑉𝑎𝑟(𝑥 + 𝑦) = 𝐸(𝑥 2 + 2𝑥𝑦 + 𝑦 2 ) − 2𝐸𝑥 2 + 2𝐸𝑥𝑦 − 2𝐸𝑦 2 ) + 𝐸𝑥 + 𝐸𝑦

𝑉𝑎𝑟(𝑥 + 𝑦) = 𝐸[𝑥 2 + 2𝑥𝐸𝑥 + (𝐸𝑥)2 ) + (𝑦 2 + 2𝑦𝐸𝑦 + 𝐸𝑦 2 ) + (2𝑥𝑦 − 2𝑥𝐸𝑦 − 2𝑦𝐸𝑥 + 2𝐸𝑥𝐸𝑦]
𝑉𝑎𝑟(𝑥 + 𝑦) = 𝑉𝑎𝑟(𝑥) + 𝑉𝑎𝑟(𝑦) + 𝐸[2(𝑥𝑦 − 𝑥𝐸𝑥 − 𝑦𝐸𝑥 + 𝐸𝑥𝐸𝑦)]

Covarianza (x+y): 𝐸[(𝑥 − 𝐸𝑥)(𝑦 − 𝐸𝑦)]
𝑉𝑎𝑟(𝑥 + 𝑦) = 𝐸(𝑥𝑦 − 𝑥𝐸𝑦 − 𝑦𝐸𝑥 + 𝐸𝑥 + 𝐸𝑥𝐸𝑦)
𝑽𝒂𝒓(𝒙 + 𝒚) = 𝑽𝒂𝒓(𝒙) + 𝑽𝒂𝒓(𝒚)
67
Ejemplo 44
Halle la esperanza y la varianza de una v.a x que tiene como función de

distribución:
Desarrollo
0; 𝑥 ≤ −1
𝑥+1
𝐹(𝑥) = { ; −1 < 𝑥 ≤ 3
4
1; 𝑥>3
1 1
(𝑥 + 1); (𝑥 + 1)𝑑𝑥;
4 4
1 1
(1) =
4 4
𝐹′(𝑥) = 𝑓(𝑥)
1
𝑓(𝑥) = {4 ; −1 < 𝑥 ≤ 3
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
3 3
𝑥 1 3
𝐸(𝑥) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 = ∫ 𝑥𝑑𝑥 = 𝟏
−1 −1 4 4 −1
𝑉𝑎𝑟(𝑥) = 𝐸𝑥 2 − (𝐸𝑥)2
3
1 3 7
𝐸𝑥 2 = ∫ 𝑥 2 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥 2 𝑑𝑥 =
_1 4 _1 3
𝟏𝟑
𝑉𝑎𝑟(𝑥) =
𝟏𝟎
Ejemplo 45
Halle la esperanza y la varianza de la v.a.d definida por:
Y 2 4 5 6
P 0,3 0,1 0,2 0,4
Desarrollo
𝐸(𝑦) = ∑4𝑖=1(𝑦𝑖 𝑝𝑖) = (2(0,3) + 4(0,1) + 5(0,2) + 6(0,4)) = 4,4

4
𝑉𝑎𝑟(𝑦) = ∑(𝑦𝑖 )2 𝑝𝑖 − (𝐸𝑦)2

𝑖=1
68
4
111
∑(𝑦𝑖 )2 𝑝𝑖 = [4(0,3) + 16(0,1) + 25(0,2) + 36(0,4)] =
5
𝑖=1
111 22 2 71
𝑉𝑎𝑟(𝑦) = −( ) =
5 5 25
Ejemplo 46
Sean x, y, z variables aleatorias independientes cada una con media 𝝁 y varianza
𝝈𝟐 .
Desarrollo
Esperanza y varianza de S=x+y+z
𝐸(𝑠) = 𝐸(𝑥 + 𝑦 + 𝑧)
𝐸(𝑠) = 𝐸(𝑥) + 𝐸(𝑦) + 𝐸(𝑧)
𝐸(𝑠) = 𝜇 + 𝜇 + 𝜇
𝐸(𝑠) = 3𝜇
𝑉𝑎𝑟(𝑥) = 𝑉𝑎𝑟(𝑥 + 𝑦 + 𝑧)
𝑉𝑎𝑟(𝑥) = 𝑉𝑎𝑟(𝑥) + 𝑉𝑎𝑟(𝑦) + 𝑉𝑎𝑟(𝑧)
𝑉𝑎𝑟(𝑥) = 𝜎 2 + 𝜎 2 + 𝜎 2
𝑉𝑎𝑟(𝑥) = 3𝜎 2
𝑇 = 3 → 𝐸(𝑇)
𝐸(𝑇) = 𝐸(3𝑥)
𝐸(𝑇) = 3𝐸(𝑥)
𝐸(𝑇) = 3𝜇
𝑉𝑎𝑟(𝑇) = 𝑉𝑎𝑟(3𝑥)
𝑉𝑎𝑟(𝑇) = 9 𝑉𝑎𝑟(𝑥)
𝑉𝑎𝑟(𝑥) = 9𝜎 2
Ejemplo 47
Sea x una v.a.d en el intervalo [-1; 1] y f(x) su función de densidad. Encuentre
E(x) si f(x)= |𝒙|.
Desarrollo
−𝑥, 𝑥<0
𝑓(𝑥) = {
𝑥, 𝑥≥0
1 0 1
𝐸(𝑥) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ x(−x)𝑑𝑥 + ∫ 𝑥(𝑥)𝑑𝑥
−1 −1 0
69
0 1
1 1
𝐸(𝑥) = ∫ −𝑥 2 𝑑𝑥 + ∫ 𝑥 2 𝑑𝑥 = − + = 𝟎
−1 0 3 3
4.3 FUNCIÓN GENERADORA DE MOMENTOS
Definición:
El r-ésimo momento alrededor del origen de la variable aleatorio x es dado por:
𝜇 ′ = 𝐸(𝑥 ′ ) = ∑ 𝑥 𝑟 𝑓(𝑥) 𝑠𝑖 𝑥 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

𝑥
Como el primer y segundo momento alrededor del origen son dados por 𝜇 ′ 1 =
𝐸(𝑥) y 𝜇 ′ 2 = 𝐸(𝑥 2 ), podemos escribir la media y la varianza de una variable
aleatoria como
𝜇 = 𝐸(𝑥) = 𝜇′1 Media
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝜎 2 = 𝜇′2 − 𝜇2 Varianza
Existe un procedimiento alternativo para determinar los momentos de una
variable aleatoria discreta, el cual requiere la utilización de una función
generadora de momentos.
Definición:
La función generadora de momentos de la variable aleatoria x es dada por E(etx),
y se denota como Mx(t). Por lo tanto:
𝑀𝑥(𝑡) = 𝐸(𝑥 𝑡𝑥 ) = ∑ 𝑒 𝑡𝑥 𝑓(𝑥) 𝑠𝑖 𝑥 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

𝑥
Las funciones generadoras de momentos existirán solo si la sumatoria converge. Si

existe una función generadora de momentos de una variable aleatoria discreta, se puede
utilizar para generar todos los momentos de dicha variable.
Teorema:
Sea x una variable aleatoria con función generadora de momentos Mx(t).
Entonces:
𝑀𝑥(𝑡) = 𝐸(𝑒 𝑡𝑥 )
𝑑𝑀𝑥(𝑡) 𝑑
= [𝐸(𝑒 𝑡𝑥 )]
𝑑𝑡 𝑑𝑡
= 𝐸 [ (𝑒 𝑡𝑥 )]
𝑑𝑡 𝑑𝑡
70
𝑑𝑀𝑥(𝑡)
= 𝐸[𝑥𝑒 𝑡𝑥 ]
𝑑𝑡
𝑑𝑀𝑥(𝑡)
| = 𝐸[𝑥𝑒 0𝑥 ]
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝐸(𝑥) = 𝜇′1
𝑑𝑡 𝑡=0
𝑀𝑥(𝑡) = 𝐸(𝑒 𝑡𝑥 )
= [𝐸(𝑒 𝑡𝑥 )]
𝑑𝑡 𝑑𝑡
𝑑𝑀𝑥(𝑡)
= 𝐸[𝑥𝑒 𝑡𝑥 ]
𝑑𝑡
𝑑2 𝑀𝑥(𝑡)
= 𝐸[𝑥 2 𝑒 𝑡𝑥 ]
𝑑𝑡 2
| = 𝐸[𝑥 2 𝑒 0𝑥 ]
𝑑𝑡 2 𝑡=0
𝑑 2 𝑀𝑥(𝑡)
| = 𝐸(𝑥 2 ) = 𝜇′1
𝑑𝑡 2 𝑡=0
En general siguiendo con el proceso de diferenciación se obtiene:
𝑑𝑟 𝑀𝑥(𝑡)
| = 𝐸[𝑥 𝑟 ] = 𝜇′𝑟
𝑑𝑡 𝑟 𝑡=0
Definición:
La función característica siempre existe y se encuentra definida en el campo de
los números complejos. Cumple las propiedades de la función generadora de
momentos; solo que se definen en un marco mucho más amplio como el de los
números complejos.
𝜑𝑥(𝑡) = 𝐸(𝑒 𝑖𝑡𝑥 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)

𝑥
71
4.3.1. DISTRIBUCIÓN DE POISSON
Esta distribución es una de las más importantes distribuciones de variable

discreta. Sus principales aplicaciones hacen referencia a la modelización de
situaciones en las que nos interesa determinar el número de hechos de cierto
tipo que se pueden producir de cierto tipo que se pueden producir en un intervalo
de tiempo o de espacio.
La función de probabilidad de Poisson viene dada como
𝑒 −𝜆 ∗ 𝜆𝑥
𝐹(𝑥) = , 𝜆 > 0, 𝑥 = 0,1,2,3, …
𝑥!
A esta variable aleatoria se la nota como 𝑥 ↝ 𝑃(𝜆)
La función generadora de momentos viene dada por:
∞
𝑡𝑥 )
𝑀𝑥(𝑡) = 𝐸(𝑒 = ∑ 𝑒 𝑡𝑥 𝑓(𝑥)
𝑥=0
∞
𝑡𝑥
𝑀𝑥(𝑡) = ∑ 𝑒 ∗
𝑥!
𝑥=0
∞
−𝜆
𝑒 𝑡𝑥 ∗ 𝜆𝑥
𝑀𝑥(𝑡) = 𝑒 ∑
𝑥!
𝑥=0
∞
−𝜆
(𝜆𝑒 𝑡 )𝑥
𝑀𝑥(𝑡) = 𝑒 ∑
𝑥!
𝑥=0
𝜆𝑒 𝑡 (𝜆𝑒 𝑡 )2 (𝜆𝑒 𝑡 )3 (𝜆𝑒 𝑡 )𝑛

𝑀𝑥(𝑡) = 𝑒 −𝜆 [1 + + + +⋯+ ]
1! 2! 3! 𝑛!
Aplicando la serie de Maclaurin:
𝑆𝑖 𝑧 = 𝜆𝑒 𝑡
𝑓(𝑧) = 𝑒 𝑧
𝑓 ′ (𝑧) = 𝑒 𝑧 | =1
𝑧=0
𝑓 ′′ (𝑧) = 𝑒 𝑧 | =1
𝑧=0
𝑓 𝑛 (𝑧) = 1
∞
𝑓 𝑛 (0) 𝑛
𝑓(𝑧) = ∑ 𝑧 𝑆𝑒𝑟𝑖𝑒 𝑑𝑒 𝑀𝑎𝑐𝑙𝑎𝑢𝑟𝑖𝑛
𝑛!
𝑛=0
72
𝑧0 𝑧′ 𝑧2 𝑧𝑛
𝑓(𝑧) = + + + ⋯+
0! 1! 2! 𝑛!
Como 𝑧 = 𝜆𝑒 𝑡
𝑡)
(𝜆𝑒 𝑡 )0 (𝜆𝑒 𝑡 )1 (𝜆𝑒 𝑡 )2 (𝜆𝑒 𝑡 )𝑛
𝑓(𝜆𝑒 = + + + ⋯+
0! 1! 2! 𝑛!
Por lo tanto:
∞
(𝜆𝑒 𝑡 )𝑥 𝑡
∑ = 𝑓(𝑧) = 𝑒 𝑧 = 𝑒 𝜆𝑒
𝑥!
𝑥=0
Entonces tenemos:
𝑡
𝑀𝑥(𝑡) = 𝑒 −𝜆 ∗ 𝑒 𝜆𝑒
𝑡 −1)
𝑀𝑥(𝑡) = 𝑒 𝜆(𝑒 FUNCIÓN GENERADORA DE MOMENTOS
Para la obtención de la media y la varianza aplicaríamos F.G.M; derivándole
sucesivamente e igualando t a cero, así:
𝑡 −1)
𝑀𝑥(𝑡) = 𝑒 𝜆(𝑒
𝑡 −𝜆
𝑀𝑥(𝑡) = 𝑒 𝜆𝑒
𝑑𝑀𝑥(𝑡) 𝑡
= 𝑒 𝜆𝑒 −𝜆 ∗ 𝜆𝑒 𝑡
𝑑𝑡
= 𝑒 𝜆𝑒 ∗ 𝑒 −𝜆 ∗ 𝜆𝑒 𝑡
𝑑𝑡
| = 𝑒 𝜆𝑒 ∗ 𝑒 −𝜆 ∗ 𝜆𝑒 0
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝜆 = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡=0
∴ 𝐸(𝑥) = 𝜇 = 𝜆 𝑀𝐸𝐷𝐼𝐴
𝑡 −𝜆
𝑀𝑥(𝑡) = 𝑒 𝜆𝑒
= 𝑒 𝜆𝑒 −𝜆 ∗ 𝜆𝑒 𝑡
𝑑𝑡
𝑑 2 𝑀𝑥(𝑡) 𝑡 𝑡
2
= 𝑒 𝜆𝑒 −𝜆 ∗ (𝜆𝑒 𝑡 )2 + 𝑒 𝜆𝑒 −𝜆 ∗ 𝜆𝑒 𝑡
𝑑𝑡
𝑑2 𝑀𝑥(𝑡) 𝜆𝑒 𝑡 −𝜆
1
𝑡 )2 𝜆𝑒 𝑡 −𝜆
1
| = 𝑒 ∗ (𝜆𝑒 + 𝑒 ∗ 𝜆𝑒 𝑡
𝑑𝑡 2 𝑡=0
73
| = 𝜆2 + 𝜆 = 𝜇 ′ 2 = 𝐸(𝑥 2 )
𝑑𝑡 2 𝑡=0
∴ 𝐸(𝑥 2 ) = 𝜆2 + 𝜆
Una vez obtenida la madia, obtendríamos la varianza en base a:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑉𝑎𝑟(𝑥) = 𝜆2 + 𝜆 − 𝜆2
𝑉𝑎𝑟(𝑥) = 𝜆
𝑉𝑎𝑟(𝑥) = 𝜎 2 = 𝜆 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
FUNCIÓN CARACTERÍSTICA
∞
𝑖𝑡𝑥
𝜑𝑥(𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)
𝑥=0
∞
𝜑𝑥(𝑡) = ∑ 𝑒 𝑖𝑡𝑥
𝑥!
𝑥=0
𝑖𝑡 −1)
𝜑𝑥(𝑡) = 𝑒 𝜆(𝑒
4.3.2 DISTRIBUCIÓN UNIFORME DISCRETA

Es una distribución muy sencilla que asigna probabilidades iguales a un conjunto
finito de puntos del espacio. Modeliza fenómenos en los que tenemos un
conjunto de n sucesos posibles, cada una de los cuales con la misma
probabilidad de ocurrir.
Tendremos un único parámetro n
𝑥 ↷ 𝑈(𝑛)
Su función de probabilidad es:
1
𝑓(𝑥) = 𝑃(𝑥 = 𝑥𝑖 ) = , 𝑖 = 1,2,3, … , 𝑛
𝑛
La función generadora de momentos quedará expresada como:
𝑛
𝑡𝑥 )
𝑖=1
𝑛
1
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥
𝑛
𝑖=1
74
𝑛
1
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟𝑎 𝑑𝑒 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠
𝑛
𝑖=1
Puede comprobarse que su media será:

𝑛
𝜇 = 𝐸(𝑥) = ∑ 𝑥𝑓(𝑥)
𝑥=1
𝑛
1
𝐸(𝑥) = ∑ 𝑥
𝑛
𝑥=1
𝑛
1
𝐸(𝑥) = ∑ 𝑥
𝑛
𝑥=1
Propiedades de la sumatoria:
𝑛
𝑛(𝑛 + 1)
∑𝑘 =
2
𝑘=1
1 𝑛(𝑛 + 1)
𝐸(𝑥) = ( )
𝑛 2
𝑛+1
𝐸(𝑥) = 𝑀𝐸𝐷𝐼𝐴
2
Su varianza será:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑛
𝑉𝑎𝑟(𝑥) = ∑ 𝑥 2 𝑓(𝑥) − 𝜇 2
𝑥=1
𝑛
1
𝑉𝑎𝑟(𝑥) = ∑ 𝑥 2 − 𝜇2
𝑛
𝑥=1
𝑛
1 2
𝑛+1 2
𝑉𝑎𝑟(𝑥) = ∑ 𝑥 − [ ]
𝑛 𝑛
𝑥=1
Propiedad de la sumatoria:
𝑛
𝑛(𝑛 + 1)(2𝑛 + 1)
∑ 𝑘2 =
6
𝑘=1
1 𝑛(𝑛 + 1)(2𝑛 + 1) 𝑛2 + 2𝑛 + 1
𝑉𝑎𝑟(𝑥) = [ ]−
𝑛 6 4
2𝑛2 + 3𝑛 + 1 𝑛2 + 2𝑛 + 1
𝑉𝑎𝑟(𝑥) = −
6 4
75
4𝑛2 + 6𝑛 + 2 − 3𝑛2 − 6𝑛 − 3
12
𝑛2 − 1
𝑉𝑎𝑟(𝑥) = 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
12
Función Característica
𝑛

𝑥=1
𝑛
1
𝑛
𝑥=1
𝑛
1
𝑛
𝑥=1
4.3.3. DISTRIBUCIÓN HIPERGEOMÉTRICA

La distribución de probabilidad de la variable aleatoria hipergeométrica x, (𝑥 ↷
𝐻(𝑛, 𝑁, 𝐾)), el número de éxitos en una muestra aleatoria de tamaño n que se
selecciona de N artículos, en los que k se denomina éxito y N-k fracaso, es:
𝑘 𝑁−𝑘
( )( )
𝑓(𝑥) = 𝑥 𝑛 − 𝑥
𝑁
( )
𝑛
Para x=0,1,2,…,n
x≤k
n-k ≤ N-k
La media y la varianza de la distribución hipergeométrica es:
𝑛
𝜇 = 𝐸(𝑥) = ∑ 𝑥𝑓(𝑥)
𝑥=0
𝑛 𝑘 𝑁−𝑘
( )( )
𝐸(𝑥) = ∑ 𝑥 𝑥 𝑛 − 𝑥
𝑁
𝑥=0 ( )
𝑛
𝑛 𝑁−𝑘
(𝑘 − 1)! ( )
𝐸(𝑥) = 𝑘 ∑ ∗ 𝑛 − 𝑥
(𝑥 − 1)! (𝑘 − 𝑥)! 𝑁
𝑥=0 ( )
𝑛
𝑛 𝑘 𝑁−𝑘
( )( )
𝐸(𝑥) = 𝑘 ∑ 𝑥 𝑛 − 𝑥
𝑁
𝑥=0 ( )
𝑛
Puesto que:
𝑁−𝑘 (𝑁 − 1) − (𝑘 − 1) 𝑁 𝑁! 𝑁 𝑁−1
( )=( )y( ) = 𝑛!(𝑁−𝑛)! = 𝑛 ( )
𝑛−1−𝑥 𝑛−1−𝑦 𝑛 𝑛−1
76
Y con y=x-1, obtenemos
𝑛−1 (𝑘
−1
)(
𝑁−𝑘
)
𝑦 𝑛−1−𝑦
𝐸(𝑥) = 𝑘 ∑
𝑁
𝑦=0 ( )
𝑛
𝑛𝑘
𝐸(𝑥) = 𝑀𝐸𝐷𝐼𝐴
𝑁
𝑁−𝑛 𝑘 𝑘
𝜎 2 = 𝑉𝑎𝑟(𝑥) = ∗ 𝑛 ∗ (1 − ) 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
𝑁−1 𝑁 𝑁
4.3.4. DISTRIBUCIÓN GEOMÉTRICA

La distribución geométrica es un modelo adecuado para aquellos procesos en
los que se repiten pruebas hasta la consecución del éxito.
Si pruebas independientes repetidas pueden tener como resultado un éxito con
probabilidad P y un fracaso con probabilidad q=1-P, entonces la distribución de
probabilidad de la variable aleatoria x, el número de la prueba en el que acurre
el primer éxito es:
𝑓(𝑥) = 𝑝𝑞 𝑥−1 , 𝑥 = 1,2,3 …
A esta variable aleatoria se le nota como 𝑥 ↷ 𝐺(𝑝)
La función generadora de momentos viene dado por:
∞
𝑡𝑥 )
𝑥=1
∞
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ∗ 𝑝 ∗ 𝑞 𝑥−1
𝑥=1
∞
𝑀𝑥(𝑡) = 𝑝 ∑ 𝑒 𝑡𝑥 ∗ 𝑞 𝑥 ∗ 𝑞 −1
𝑥=1
∞
𝑝
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ∗ 𝑞 𝑥
𝑞
𝑥=1
∞
𝑝
𝑀𝑥(𝑡) = ∑(𝑞𝑒 𝑡 )𝑥
𝑞
𝑥=1
𝑝
𝑀𝑥(𝑡) = [𝑞𝑒 𝑡 + (𝑞𝑒 𝑡 )2 + (𝑞𝑒 𝑡 )3 + ⋯ + (𝑞𝑒 𝑡 )𝑛 ]
𝑞
Aplicamos serie geométrica

Si │r│<1, la serie geométrica ∑∞
𝑛=1 𝑎𝑟
𝑛−1
converge su suma es:
∞
𝑎1
∑ 𝑎𝑟 𝑛−1 = 𝑆𝑒𝑟𝑖𝑒 𝐺𝑒𝑜𝑚é𝑡𝑟𝑖𝑐𝑎
1−𝑟
𝑛=1
𝑆𝑛 = 𝑎0 + 𝑎1𝑟 + 𝑎2𝑟 2 + 𝑎3𝑟 3 + ⋯ + 𝑎𝑛𝑟 𝑛
77
Entonces tenemos que
𝑞𝑒 𝑡
r=qet∑∞ 𝑡 𝑥
𝑥=1(𝑞𝑒 ) = 1−𝑞𝑒 𝑡
a1=qet
𝑝 𝑞𝑒 𝑡
𝑀𝑥(𝑡) = ∗
𝑞 1 − 𝑞𝑒 𝑡
𝑝𝑒 𝑡
𝑀𝑥(𝑡) = 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟𝑎 𝑑𝑒 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠
1 − 𝑞𝑒 𝑡
Para la obtención de la media y la varianza aplicaremos FGM; derivándole
sucesivamente e igualando t a cero, así:
𝑝𝑒 𝑡
𝑀𝑥(𝑡) =
1 − 𝑞𝑒 𝑡
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 (1 − 𝑞𝑒 𝑡 ) − 𝑝𝑒 𝑡 (−𝑞𝑒 𝑡 )
=
𝑑𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 − 𝑝𝑞𝑒 2𝑡 + 𝑝𝑞𝑒 2𝑡
=
𝑑𝑡 1 − 2𝑞𝑒 𝑡 + 𝑞 2 𝑒 2𝑡
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡
=
𝑑𝑡 1 − 2𝑞𝑒 𝑡 + 𝑞 2 𝑒 2𝑡
𝑑𝑀𝑥(𝑡) 𝑝𝑒 0
| =
𝑑𝑡 𝑡 = 0 1 − 2𝑞𝑒 0 + 𝑞 2 𝑒 𝑜
𝑑𝑀𝑥(𝑡) 𝑝
| =
𝑑𝑡 𝑡 = 0 1 − 2𝑞 + 𝑞 2
| =
𝑑𝑡 𝑡 = 0 (1 − 𝑞)2
Como q=1-p
P=1-q
| = 2
𝑑𝑡 𝑡=0 𝑝
𝑑𝑀𝑥(𝑡) 1
| = 2 = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡=0 𝑝
1
∴ 𝐸(𝑥) = 𝜇 = 𝑀𝐸𝐷𝐼𝐴
𝑝
𝑝𝑒 𝑡
𝑀𝑥(𝑡) =
1 − 𝑞𝑒 𝑡
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡
=
𝑑𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑑2 𝑀𝑥(𝑡) 𝑝𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2 − 𝑝𝑒 𝑡 [2(1 − 𝑞𝑒 𝑡 )(−𝑞𝑒 𝑡 )]
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )4
𝑑 𝑀𝑥(𝑡) 𝑝𝑒 − 2𝑝𝑞𝑒 + 𝑝𝑞 2 𝑒 3𝑡 + 2𝑝𝑞𝑒 2𝑡 − 2𝑝𝑞 2 𝑒 3𝑡
2 𝑡 2𝑡
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )4
𝑑 𝑀𝑥(𝑡) 𝑝𝑒 𝑡 − 𝑝𝑞 2 𝑒 3𝑡
2
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )4
78
𝑑2 𝑀𝑥(𝑡) 𝑝𝑒 0 − 𝑝𝑞 2 𝑒 0
| =
𝑑𝑡 2 𝑡=0 (1 − 𝑞𝑒 0 )4
𝑑2 𝑀𝑥(𝑡) 𝑝 − 𝑝𝑞 2
| =
𝑑𝑡 2 𝑡 = 0 (1 − 𝑞)4
𝑑 2 𝑀𝑥(𝑡) 𝑝(1 − 𝑞 2 )
| =
𝑑𝑡 2 𝑡=0 𝑝4
𝑑2 𝑀𝑥(𝑡) 1 − 𝑞2
| = = 𝜇 ′ 2 = 𝐸(𝑥 2 )
𝑑𝑡 2 𝑡=0 𝑝3
2)
1 − 𝑞2
∴ 𝐸(𝑥 =
𝑝3
Una vez obtenida la media, obtendríamos la varianza en base a:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
1 − 𝑞2 1
𝑉𝑎𝑟(𝑥) = − 2
𝑝3 𝑝
2
1−𝑞 −𝑝
𝑝3
1 − 𝑝 − (1 − 𝑝)2
𝑝3
1 − 𝑝 − 1 + 2𝑝 − 𝑝2
𝑝3
𝑝 − 𝑝2 𝑝(1 − 𝑝)
𝑉𝑎𝑟(𝑥) = =
𝑝3 𝑝3
1−𝑝 𝑞
𝑉𝑎𝑟(𝑥) = 2 = 2 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
𝑝 𝑝
∞

𝑥=1
𝜑𝑥(𝑡) = 𝐸(𝑒 𝑖𝑡𝑥 ) = ∑ 𝑒 𝑖𝑡𝑥 ∗ 𝑝 ∗ 𝑞 𝑥−1

𝑥=1
𝑝𝑒 𝑖𝑡
𝜑𝑥(𝑡) =
1 − 𝑞𝑒 𝑖𝑡
4.3.5. DISTRIBUCIÓN BINOMIAL NEGATIVA

La distribución binomial negativa es una generalización de la distribución
Geométrica. Si ensayos independientes repetidos pueden dar como resultado un
éxito con probabilidad P y un fracaso con probabilidad q=1-P, entonces la
79
distribución de probabilidad de la variable aleatoria X, el número de ensayo en el
que ocurre el k-ésimo éxito, es:
𝑥 − 1 𝑘 𝑥−𝑘
𝐹(𝑥) = 𝑝(𝑥 = 𝑥) = ( )𝑝 𝑞 , 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, …
𝑘−1
A esa variable aleatoria se la nota como 𝑥 ↷ 𝐵𝑁(𝑟, 𝑝)
La función generadora de momentos está dada por:

∞
𝑡𝑥 )
𝑥=0
∞
𝑥 − 1 𝑘 𝑥−𝑘
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ( )𝑝 𝑞
𝑘−1
𝑥=0
∞
𝑥 − 1 𝑥−𝑘
𝑀𝑥(𝑡) = 𝑝 ∑ 𝑒 𝑡𝑥 (
𝑘
)𝑞
𝑘−1
𝑥=0
𝑘 ∞
𝑝 𝑥−1
𝑀𝑥(𝑡) = 𝑘
∑( ) (𝑞𝑒 𝑡 )𝑥
𝑞 𝑘 − 1
𝑥=0
𝑘
𝑝 (𝑘 + 1)𝑘
𝑀𝑥(𝑡) = 𝑘
[1 + 𝑘𝑞𝑒 𝑡 + (𝑞𝑒 𝑡 )2 +⋯]
𝑞 2!
Aplicando serie geométrica tenemos:
𝑝𝑘 𝑞 𝑘 𝑒 𝑡𝑘
𝑀𝑥(𝑡) = 𝑘 ( 𝑘 )
𝑞 1 − 𝑞 𝑘 𝑒 𝑡𝑘
𝑘
𝑝𝑒 𝑡
𝑀𝑥(𝑡) = ( ) 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝐺𝑛𝑒𝑟𝑎𝑑𝑜𝑟𝑎 𝑑𝑒 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠
1 − 𝑞𝑒 𝑡
Para la obtención de la media:

𝑘
𝑝𝑒 𝑡
𝑀𝑥(𝑡) = ( )
1 − 𝑞𝑒 𝑡
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 𝑝𝑒 𝑡 (1 − 𝑞𝑒 𝑡 ) − 𝑝𝑒 𝑡 (−𝑞𝑒 𝑡 )
= 𝑘( ) [ ]
𝑑𝑡 1 − 𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 𝑝𝑒 𝑡 − 𝑝𝑞𝑒 2𝑡 − 𝑝𝑞𝑒 2𝑡
= 𝑘( ) [ ]
𝑑𝑡 1 − 𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 𝑝𝑒 𝑡
= 𝑘( ) [ ]
𝑑𝑡 1 − 𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2
80
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 0 𝑝𝑒 0
=| 𝑘( ) [ ]
𝑑𝑡 𝑡 = 0 1 − 𝑞𝑒 0 (1 − 𝑞𝑒 0 )2
𝑑𝑀𝑥(𝑡) 𝑝 𝑘−1 𝑝
=| 𝑘( ) [ ]
𝑑𝑡 𝑡 =0 1−𝑞 (1 − 𝑞)2
𝑑𝑀𝑥(𝑡) 𝑝𝑘 𝑝−1 𝑝
=| 𝑘[ ][ ]
𝑑𝑡 𝑡 = 0 𝑝𝑘 𝑝−1 𝑝2
𝑑𝑀𝑥(𝑡) 𝑘
=| = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡 = 0𝑝
𝑘
∴ 𝐸(𝑥) = 𝜇 = 𝑀𝐸𝐷𝐼𝐴
𝑝
𝑘
𝑝𝑒 𝑡
𝑀𝑥(𝑡) = ( )
1 − 𝑞𝑒 𝑡
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 𝑝𝑒 𝑡
= 𝑘( ) [ ]
𝑑𝑡 1 − 𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑑 2 𝑀𝑥(𝑡) 𝐾 ∗ 𝑃𝐾 ∗ 𝑒 𝑡𝑘
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )𝑘+1
𝑑2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 (1 − 𝑞𝑒 𝑡𝑘 )𝑘+1 − 𝑘𝑝𝑘 𝑒 𝑡𝑘 (𝑘 + 1)(1 − 𝑞𝑒 𝑡 )𝑘 (−𝑞𝑒 𝑡 )

=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )2𝑘+2
𝑑 2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 (1 − 𝑞𝑒 𝑡𝑘 )𝑘+1 − (𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 − 𝑘𝑝𝑘 𝑒 𝑡𝑘 )[(𝑞 2 𝑒 2𝑡 )𝑘 − 1𝑘 𝑞𝑒 𝑡 ]

=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )2𝑘+2
𝑑 2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 (1 − 𝑞𝑒 𝑡 )𝑘 − 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 (1 − 𝑞𝑒 𝑡 ) + [𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 𝑞𝑒 𝑡 + 𝑘𝑝𝑘 𝑒 𝑡𝑘 𝑞𝑒 𝑡 ](1 − 𝑞𝑒 𝑡 )𝑘

=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )2𝑘+2
𝑑2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 + 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 + 𝑘𝑝𝑘 𝑒 𝑡𝑘 𝑞𝑒 𝑡 − 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 𝑞𝑒 𝑡
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )2𝑘+2
𝑑 2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 + 𝑘𝑝𝑘 𝑒 𝑡𝑘 𝑞𝑒 𝑡
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )2𝑘+2
81
𝑑2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 0𝑘 + 𝑘𝑝𝑘 𝑒 0𝑘 𝑞𝑒 0
| =
𝑑𝑡 2 𝑡=0 (1 − 𝑞𝑒 0 )2𝑘+2
𝑑 2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 + 𝑘𝑝𝑘 𝑞 𝑘 2 + 𝑘𝑞
| = =
𝑑𝑡 2 𝑡=0 𝑝𝑘 ∗ 𝑝2 𝑝2
𝑑2 𝑀𝑥(𝑡) 𝑘 2 + 𝑘𝑞
| = = 𝜇 ′ 2 = 𝐸(𝑥 2 )
𝑑𝑡 2 𝑡=0 𝑝2
Como la varianza viene dada por:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑘 2 + 𝑘𝑞 𝑘 2
𝑉𝑎𝑟(𝑥) = − 2
𝑝2 𝑝
𝑘𝑞
𝑉𝑎𝑟(𝑥) = 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
𝑝2
∞
𝑖𝑡𝑥
𝜑𝑥(𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)
𝑥=1
∞
𝑥−1 𝑘
𝜑𝑥(𝑡) = ∑ 𝑒 𝑖𝑡𝑥 [( ) 𝑝 ∗ 𝑞 𝑥−𝑘 ]
𝑘−1
𝑥=1
𝑘
𝑝𝑒 𝑖𝑡
𝜑𝑥(𝑡) = ( )
1 − 𝑞𝑒 𝑖𝑡
4.3.6. DISTRIBUCIÓN DE BERNOULLI

Experimento o prueba de Bernoulli: experimento aleatorio con dos únicos
resultados, E (éxito) y F(fracaso).
1 𝑠𝑖 𝑜𝑐𝑢𝑟𝑟𝑒(𝐸)
Se considera a la variable aleatoria 𝑥 = {
0 𝑠𝑖 𝑜𝑐𝑢𝑟𝑟𝑒(𝐹)
A esta variable aleatoria se nota como:
𝑥 ↷ 𝐵(𝑝, 𝑝𝑞);
Su función masa de probabilidad es:
82
𝑓(𝑥) = 𝑃(𝑥 = 𝑥) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 , 𝑥 = 0,1

1
𝑡𝑥 )
𝑥=0
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ∗ 𝑝 𝑥 (1 − 𝑝)1−𝑥
𝑥=0
𝑀𝑥(𝑡) = (1 − 𝑝) + 𝑒 𝑡 𝑝
𝑀𝑥(𝑡) = 𝑞 + 𝑒 𝑡 𝑝, 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟𝑎 𝑑𝑒 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠
Para la obtención de la media y la varianza aplicamos FGM; derivándolo

sucesivamente e igualando t a cero.
𝑀𝑥(𝑡) = 𝑞 + 𝑝𝑒 𝑡
𝑑𝑀𝑥(𝑡)
= 𝑝𝑒 𝑡
𝑑𝑡
𝑑𝑀𝑥(𝑡)
| = 𝑝𝑒 0
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝑝 = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡=0
∴ 𝐸(𝑥) = 𝜇 = 𝑝 𝑀𝐸𝐷𝐼𝐴
𝑀𝑥(𝑡) = 𝑞 + 𝑝𝑒 𝑡
𝑑𝑀𝑥(𝑡)
= 𝑝𝑒 𝑡
𝑑𝑡
2
= 𝑝𝑒 𝑡
𝑑 𝑡
| = 𝑝𝑒 𝑜
𝑑2 𝑡 𝑡=0
| = 𝑝 = 𝜇 ′ 2 = 𝐸(𝑥 2 )
𝑑2𝑡 𝑡=0
∴ 𝐸(𝑥 2 ) = 𝑝
83
Una vez obtenida la media, obtendríamos la varianza en base a:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑉𝑎𝑟(𝑥) = 𝑝 − 𝑝2
𝑉𝑎𝑟(𝑥) = 𝑝 − (1 − 𝑝)
∴ 𝑉𝑎𝑟(𝑥) = 𝑝𝑞 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
1
𝑖𝑡𝑥
𝜑𝑥(𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)
𝑥=0
𝜑𝑥(𝑡) = ∑ 𝑒 𝑖𝑡𝑥 𝑝 𝑥 (1 − 𝑝)1−𝑥

𝑥=0
𝜑𝑥(𝑡) = 𝑞 + 𝑝𝑒 𝑖𝑡
4.3.7. DISTRIBUCIÓN BINOMIAL

Un experimento de Bernoulli puede tener como resultado un éxito con
probabilidad P y un fracaso con probabilidad q=1-p. Entonces, a distribución de
probabilidad de la variable aleatoria binomial x, el número de éxitos en n ensayos
independientes, es:
𝑛
𝑓(𝑥) = 𝑃(𝑥 = 𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 , 𝑥 = 0,1,2, … , 𝑛
𝑥
A esta variable aleatoria se la nota como:
𝑥 ↷ 𝐵𝑖𝑛(𝑛, 𝑝)

𝑛
𝑡𝑥 )
𝑥=0
𝑛
𝑛
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
𝑛
𝑛
𝑀𝑥(𝑡) = ∑ ( ) (𝑝𝑒 𝑡 )𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
84
𝑛 𝑛 𝑛 𝑛
𝑀𝑥(𝑡) = ( ) 𝑝0 𝑞 𝑛−0 + ( ) 𝑝𝑒 𝑡 𝑞 𝑛−1 + ⋯ + ( ) (𝑝𝑒 𝑡 )𝑛−1 𝑞 + ( ) (𝑝𝑒 𝑡 )𝑛 𝑞 0
0 1 𝑛−1 𝑛
Aplicamos el teorema del Binomio de Newton:
Si p = pet y q = q
Tenemos:
𝑛 𝑛 𝑛 𝑛
(𝑝 + 𝑞)𝑛 = ( ) 𝑝0 𝑞 𝑛−0 + ( ) 𝑝1 𝑞 𝑛−1 + ⋯ + ( ) 𝑝𝑛−1 𝑞 + ( ) 𝑝𝑛 𝑞 0
0 1 𝑛−1 𝑛
𝑛
𝑛
(𝑝 + 𝑞)𝑛 = ∑ ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
Por lo tano tenemos:
𝑀𝑥(𝑡) = (𝑝𝑒 𝑡 + 𝑞)𝑛 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟𝑎 𝑑𝑒 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠
Para la obtención de la media y la varianza aplicamos FGM, derivando

sucesivamente e igualando t=0
𝑀𝑥(𝑡) = (𝑝𝑒 𝑡 + 𝑞)𝑛
𝑑𝑀𝑥(𝑡)
= 𝑛(𝑝𝑒 𝑡 + 𝑞)𝑛−1 (𝑝𝑒 𝑡 )
𝑑𝑡
𝑑𝑀𝑥(𝑡)
| = 𝑛(𝑝𝑒 0 + 𝑞)𝑛−1 (𝑝𝑒 0 )
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝑛(𝑝 + 𝑞)𝑛−1 𝑝
𝑑𝑡 𝑡=0
Como p + q = 1
𝑑𝑀𝑥(𝑡)
| = 𝑛(1)𝑛−1 𝑝
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝑛𝑝 = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡=0
∴ 𝐸(𝑥) = 𝜇 = 𝑛𝑝 𝑀𝐸𝐷𝐼𝐴
𝑀𝑥(𝑡) = (𝑝𝑒 𝑡 + 𝑞)𝑛
𝑑𝑀𝑥(𝑡)
= 𝑛(𝑝𝑒 𝑡 + 𝑞)𝑛−1 (𝑝𝑒 𝑡 )
𝑑𝑡
85
= 𝑛(𝑛 − 1)(𝑝𝑒 𝑡 + 𝑞)𝑛−2 (𝑝𝑒 𝑡 )2 + 𝑛(𝑝𝑒 𝑡 + 𝑞)𝑛−1 (𝑝𝑒 𝑡 )
𝑑𝑡 2
2
| = 𝑛(𝑛 − 1)(𝑝𝑒 0 + 𝑞)𝑛−2 (𝑝𝑒 0 )2 + 𝑛(𝑝𝑒 0 + 𝑞)𝑛−1 (𝑝𝑒 0 )
𝑑𝑡 𝑡=0
| = 𝑛(𝑛 − 1)(𝑝 + 𝑞)𝑛−2 𝑝2 + 𝑛(𝑝 + 𝑞)𝑛−1 𝑝
𝑑𝑡 2 𝑡=0
Como p + q = 1
| = 𝑛(𝑛 − 1)(1)𝑛−2 𝑝2 + 𝑛(1)𝑛−1 𝑝
𝑑𝑡 2 𝑡=0
| = 𝑛𝑝[(𝑛 − 1)𝑝 + 1]
𝑑𝑡 2 𝑡=0
| = 𝑛𝑝[𝑛𝑝 − 𝑝 + 1]
𝑑𝑡 2 𝑡=0
Como p = 1 – q
| = 𝑛𝑝[𝑛𝑝 − 1 + 𝑞 + 1]
𝑑𝑡 2 𝑡=0
| = (𝑛𝑝)2 + 𝑛𝑝𝑞 = 𝜇12 = 𝐸(𝑥 2 )
𝑑𝑡 2 𝑡=0
∴ 𝐸(𝑥 2 ) = (𝑛𝑝)2 + 𝑛𝑝𝑞
Como la varianza viene dada por:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑉𝑎𝑟(𝑥) = (𝑛𝑝)2 + 𝑛𝑝𝑞 − (𝑛𝑝)2
∴ 𝑉𝑎𝑟(𝑥) = 𝑛𝑝𝑞 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
𝑛
𝑖𝑡𝑥
𝜑𝑥(𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)
𝑥=0
𝑛
𝑛
𝜑𝑥(𝑡) = ∑ 𝑒 𝑖𝑡𝑥 ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
86
𝜑𝑥(𝑡) = (𝑝𝑒 𝑖𝑡 + 𝑞)𝑛

Editores 2011, Ejercicios 3.6, literales (23, 24, 25, 26) pag 112,113
1. Un supermercado tiene una demanda diaria variable x de la cantidad de

carne que vende, de tal manera que X (medida en cientos de kilogramos)
tiene una función de densidad de:
𝟑
𝟔𝟒
𝒙𝟐 , si 0 ≤ x <1
f(x)=
0 Caso contrario
a) Calcule el valor esperado de la cantidad de carne demandada y su

desviación estándar.
b) Si la ganancia está dado por Y= 2x – 0.5. Calcule la ganancia esperada
y su varianza.
R: a) E(x) = 3, σ(x) = 0.7746; b) E(y)=5.5, Var(y)=12/5
2. La longitud de ciertos gusanos se distribuye según la función de

densidad
𝟑
𝟒
(x-1)(3-x), si 1≤ x<3
f(x)=
0 Caso contrario
a) Calcule la esperanza y la varianza de la longitud de los gusanos
87
b) Si para un estudio se consideran aquellos ejemplares que tenga una
longitud entre 1.7 cm y 2.4 cm, calcule el porcentaje de gusanos que
tienen esta característica.
R: a) E(x) = 2, Var(x)= 0.2; b) 50.225%
3. El tiempo de uso diario de la red internet en una oficina tiene por función
de densidad (medida en horas)
𝟑𝒙𝟐 (𝟖−𝒙)
𝟏𝟎𝟐𝟒
, si 0≤x<8
f(x)=
0 caso contrario
 Calcule el valor esperado y la varianza del tiempo diario de uso de internet

 El tiempo de uso de internet cuesta 2 dólares por hora. Calcule el valor
esperado y la desviación estándar del costo semanal (en 5 días
laborables) por el citado uso.
R: a) E (T) = 4.8 h, Var(T)=2.56 𝒉𝟐 ; b) E(c)=48, σ(c) = 16
4. La ley de probabilidad que describe la distancia (en metros) a la que un
atleta lanza la jabalina
𝟏 𝒙
sen ( ), si x ∈ [0, 10 𝛑𝟐 ]
𝟐𝟎𝛑 𝟏𝟎𝛑
f(x)=
0 caso contrario
 Halle la probabilidad de que una jabalina lanzada llegue a una distancia

mayor que 60m
 Determine el valor esperando de la distancia a la que llega la jabalina
 Halle la varianza y la desviación estándar de la distancia cubierta por la
jabalina.
R: a) Pr(x>60)=0.334; b) E(x) = 5𝛑𝟐 = 49.348; c) Var(x)=461.3𝐦𝟐 , σ(x) =
21.478 m
88
CAPÍTULO 5: DISTRIBUCIONES DE VARIABLES ALEATORIAS
5.1 Distribución variable aleatoria discretas
5.1.1 Distribución Binomial y Bernoulli

Si x v.a, si fue una distribución de Bernoulli entonces tiene dos posibles resultados
 Éxito →P (éxito) =p
 Fracaso → P (Fracaso)=q
Dado n pruebas de Bernoulli conocer la posibilidad de k éxitos en la n pruebas
𝑃(𝑥 = 𝑘) = 𝑛𝐶𝑘 𝑝𝑘 𝑞𝑛−𝑘

𝑝 = 𝑃(𝑒𝑥𝑖𝑡𝑜)
𝑞 = 𝑃(𝑓𝑟𝑎𝑐𝑎𝑠𝑜)
𝑥 → 𝐵𝑖𝑛(𝑛, 𝑝) → 𝑃(𝑒𝑥𝑖𝑡𝑜)
Muestra Bernoulli
𝐸(𝑥) = 𝑛𝑝
𝑉𝑎𝑟(𝑥) = 𝑛 − 𝑝 − 𝑞
Demostración de la esperanza y varianza de la distribución binomial
Esperanza
𝐸(𝑥) = 𝑛 𝑝
𝑦 = 𝐷(𝑝)
Donde
𝑥 → 𝐵(𝑛, 𝑝) = 𝑦 + 𝑦 + 𝑦 + 𝑦 + ⋯ + 𝑦
→ 𝑄𝑥 (𝑡) = 𝑄𝑦 (𝑡) ∗ 𝑄𝑦 (𝑡) ∗ 𝑄𝑦 (𝑡) ∗ … ∗ 𝑄𝑦 (𝑡)
= (𝑝𝑒 𝑡 + 𝑞) ∗ (𝑝𝑒 𝑡 + 𝑞) ∗ (𝑝𝑒 𝑡 + 𝑞) ∗ (𝑝𝑒 𝑡 + 𝑞) ∗ … ∗ (𝑝𝑒 𝑡 + 𝑞)
Teorema de momento
𝑒 = 𝑄𝑡→0 (𝑡)
𝑄(𝑡) = 𝑛(𝑝 𝑒 𝑡 + 𝑞)𝑛+1 𝑝𝑒 𝑡
Si t=0
𝑄(0) = 𝑛(1)𝑛−1 𝑝
=𝑛𝑝
𝐸(𝑥) = 𝐸[𝑦 + 𝑦 + 𝑦 + 𝑦 + ⋯ + 𝑦]
𝐸(𝑥) = 𝐸(𝑦) + 𝐸(𝑦) + ⋯ + 𝐸(𝑦)
𝑬(𝒙) = 𝒏 𝒑
Varianza
89
Var x = E(x2) – u2 (1)
E(x2) = Q2 (t)
𝑄 ΙΙ (𝑡) = 𝑛(𝑛 − 1)(𝑝 𝑒 𝑡 + 𝑞)𝑛−2 − 𝑝𝑒 𝑡 − 𝑝𝑒 𝑡 + 𝑝𝑒 𝑡 [𝑛(𝑝𝑒 𝑡 + 𝑞)𝑛−1 ]
𝑠𝑖 𝑇 = 0
𝑄 ΙΙ (𝑡) = 𝑛2 𝑝2 − 𝑛𝑝2 + 𝑛𝑝2 (2)
𝑉𝑎𝑟 𝑥 = 𝑛2 𝑝2 − 𝑛𝑝2 + 𝑛𝑝 − 𝑛2 𝑝2
𝑉𝑎𝑟 𝑥 = 𝑛𝑝 𝑛𝑝2
𝑉𝑎𝑟 𝑥 = 𝑛𝑝(1 − 𝑝)
𝑽𝒂𝒓 𝒙 = 𝒏 𝒑 𝒒
Ejemplos 49
1) Una maquina llena de cajas de palillos de fosforo .En una porción del
¡0%la maquina no llena las cajas por completo se forma al azar 25 cajas
de fosforo . calcule la probabilidad de q no haya más de 2 cajas
incompletas
Desarrollo
Éxito = “cajas incompletas”

X ”#de cajas incompletas”
𝑃(𝑥 ≤ 2) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2)
𝑃(𝑥 = 0) = 25𝐶0 (0,1)0 (0,9)25 = 0,07
𝑃(𝑥 = 1) = 25𝐶0 (0,1)1 (0,9)24 = 0,19
𝑃(𝑥 = 2) = 25𝐶0 (0,1)2 (0,9)23 = 0,27
𝑃(𝑥 ≤ 2) = 0,54
2) Una encuesta revela que el 20%de la población es favorable a un político

y el resto es desfavorable. Si se eligen 6 personas al azar se desea saber:
 La probabilidad de que las 6 personas sean desfavorables

 La probabilidad de que a 4 de las 6 personas sean favorables
Desarrollo literal (a)
90
𝑃(𝑒𝑥𝑖𝑡𝑜) = 𝑝 = 0,8
𝑥 = 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 𝑑𝑒𝑠𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃(𝑥 = 6) = 6𝐶6 (0,8)6 (0,2)0 = 0,26
Desarrollo literal (b)

Éxito favorable
𝑃(𝑒𝑥𝑖𝑡𝑜) = 𝑝 = 0,2
𝑥 = # 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃(𝑥 = 4) = 6𝐶4 (0,2)4 (0,8)2 = 0,015
3) Una aeronave dispone de 4 motores que funcionen independientemente

la probabilidad de que falle 1 motor durante un vuelo sea 0,01. Cuál es la
probabilidad de que un vuelo dado :
 No se observe fallas
 No se observe más de una falla
 Si un avión puede seguir volando si al menos dos motores
Desarrollo literal (a)

𝑃("𝑢𝑛 𝑚𝑜𝑡𝑜𝑟 𝑓𝑎𝑙𝑙𝑒 𝑒𝑛 𝑒𝑙 𝑣𝑢𝑒𝑙𝑜") = 𝑝 = 0,01
(𝑒𝑥𝑖𝑡𝑜) = "𝑚𝑜𝑡𝑜𝑟 𝑓𝑎𝑙𝑙𝑒 "
𝑃(𝑒𝑥𝑖𝑡𝑜) = 𝑝 = 0,01
𝑥 = # 𝑑𝑒 𝑚𝑜𝑡𝑜𝑟𝑒𝑠 𝑞𝑢𝑒 𝑓𝑎𝑙𝑙𝑒𝑛
𝑃(𝑥 = 𝑘) = 𝑛𝐶𝑘 𝑝𝑘 𝑞𝑛−𝑘
𝑃(𝑥 = 𝑘) = 4𝐶0 (0,01)𝑛 (0,99)4 = 0,015
𝑃(𝑥 = 𝑘) = 0,96
Desarrollo literal (b)
𝑃("𝑛𝑜 𝑠𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎 𝑚𝑎𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑓𝑎𝑙𝑙𝑎") = 𝑝(𝑥 ≤ 1)

= 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1)
= 4𝐶0 (0,01)0 (0,99)4 + 4𝐶1 (0,01)1 (0,99)3
= 0,99
Desarrollo literal (c)
91
𝑃("𝑝𝑜𝑟 𝑙𝑜 𝑚𝑒𝑛𝑜𝑠 2 𝑚𝑜𝑡𝑜𝑟𝑒𝑠 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎𝑛𝑑𝑜 𝑦 𝑠𝑒 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒") = 𝑝(𝑥 ≤ 3)
= 4𝐶3 (0,01)3 (0,99)
= 3,96𝑋10−6
5.1.3 Distribución hipergeométrica
Investigar la probabilidad de que en el grupo elegido contenga exactamente k-bolas

rojas
N →bolas
n→ rojas
N-n→ negras 𝑛𝐶𝑘 𝑁−𝑛 𝐶𝑟−𝑘

𝑝= = 𝑘 = 0,1 … . min[𝑛. 𝑟]
𝑁𝐶𝑟
Muestra (1)
𝑛
𝑝= ;𝑞 = 1 −𝑝
𝑁
𝑁𝑝 𝐶𝑘 𝑁 −𝑛 𝐶𝑟−𝑘
𝑃(𝑥 = 𝑘) = = 𝑘 = 0,1 … . min[𝑛. 𝑟]
𝑁𝐶𝑟
Muestra Hipergeométrica
𝑟𝑛
𝐸(𝑥) = = 𝑟𝑝
𝑁
𝑁−𝑟
𝑉𝑎𝑟(𝑥) = 𝑟𝑝𝑞
𝑛−1
Demostración de la esperanza de la distribución hipergeométrica
𝑛
(𝑘𝑥)(𝑁−𝑘
𝑛−𝑘
)
𝐸(𝑥) = ∑ 𝑥
𝑥=0
(𝑁
𝑛
)
𝑛
(𝑘 − 1)! (𝑁−𝑘
𝑛−𝑘
)
=𝑘∑ 𝑁
(𝑥 − 1)! (𝑘 − 𝑥)! ( )
𝑥=1 𝑛
𝑛
(𝑘−1 )(𝑁−𝑘)
𝑥−1 𝑛−𝑘
∑
𝑥=1
(𝑁
𝑛
)
92
Puesto que:
𝑁−𝑘 (𝑁 − 1) − (𝑘 − 1)
( )=( )
𝑛−1−𝑦 𝑛−1−𝑦
𝑁 𝑁! 𝑁 𝑁−1
( )= = ( )
𝑛 𝑛! (𝑁 − 𝑛)! 𝑛 𝑛 − 1
Y con y= x-1, obtenemos

𝑛
(𝑘−1 )(𝑁−𝑘)
𝑥−1 𝑛−𝑘
∑
𝑥=1
(𝑁
𝑛
)
𝑛 𝑘−1 𝑁−1−𝑘+1
𝑛𝑘 ( 𝑦
) ( 𝑛−1−𝑦 ) 𝑛𝑘
∑ =
𝑀
𝑥=1
(𝑁−1
𝑛−1
) 𝑁
𝒏𝒌
𝑬(𝒙) =
𝑵
PARÁMETROS
x→ binomial (n, p)
x→ hipergeométrica (N, n, r)
Ejemplo 50
 En una línea de control de calidad se revisan 10 artículos determinando

que hay 3 que no cumplen con las especificaciones. Si se escogen al azar
2 artículos identifique los parámetros de la ley y halle la esperanza de V.A
, que describe el número de piezas correctas , las dos escogidas
N →bolas
n→ correctas
U-n→ incorrecto 𝑁 = 𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑜𝑠

3 artículos no cumplen especificación
2 artículos se escogen al azar
Muestra (r)
3𝐶2 7𝐶0
𝑃(𝑥 = 0) = = 0,06
10𝐶2
93
3𝐶1 7𝐶1
𝑃(𝑥 = 1) = = 0,46
10𝐶2
3𝐶0 7𝐶2
𝑃(𝑥 = 2) = = 0,46
10𝐶2
3
𝐸(𝑥) = ∑ 𝑥𝑖 𝑝𝑖
𝑖=1
= 0 + 0,46 + 2(0,46)
= 𝟏, 𝟑𝟖
𝑟𝑛 7
𝐸(𝑥) = = 𝑟𝑝 = 2( )
𝑁 10
7
𝐸(𝑥) = = 𝟏, 𝟒
5
 Para llenar 4 vacantes de contador se presentan 10 personas, 7 h y 3m.

Salen seleccionado 3h y 1m .las M acusan al empleador de discriminación
sexual por que los llevan a juicio si el juez supone que la elección fue al
azar puede decirse que existió discriminación al hacer la elección
𝑁 = 10 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠
1 ℎ𝑜𝑚𝑏𝑟𝑒𝑠 → 3𝐻
3 𝑚𝑢𝑗𝑒𝑟𝑒𝑠 → 1𝐻
Grupo de 4 personas
𝑥 = "# 𝑑𝑒 ℎ𝑜𝑚𝑏𝑟𝑒𝑠"
7𝐶3 3𝐶1
𝑃(𝑥 = 3) = = 0,03
10𝐶4
No existe discriminación
5.1.4 Distribución geométrica
Sea una secuencia de pruebas de Bernoulli con probabilidad de éxito p, en lugar de

contar el # de éxitos, nos interesa conocer el # de intentos hasta obtener el primer éxito
Una sucesión de prueba de este tipo se dice que es un experimento geométrico
𝑥 = # 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 ℎ𝑎𝑠𝑡𝑎 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑒𝑙 𝑝𝑟𝑖𝑚𝑒𝑟 𝑒𝑥𝑖𝑡𝑜
𝑃(𝑥 = 𝑘) = 𝑞 𝑘−1 𝑝 ; 𝑘 = 1,2 … ..
𝑥 𝑣. 𝑎. 𝑑 → 𝐺(𝑝)
Muestra Geométrica
94
1
𝐸(𝑥) =
𝑝
𝑞
𝑉𝑎𝑟(𝑥) = 2
𝑝
Demostración de la esperanza y varianza de la distribución geométrica
Esperanza
∞ ∞
1+𝑘
𝑄𝑥 (𝑡) = ∑ 𝑒 𝑝𝑞 = 𝑝 ∑(𝑒 + 𝑞)𝑘
𝑘
𝑖=0 𝐾=0
𝑝
=
1 − 𝑒𝑡 𝑞
𝑝𝑞
𝐸(𝑥) =
(𝑞 − 1)2
𝑝 =𝑞−1
𝑝𝑞 𝑞
𝐸(𝑥) = =
𝑝2 𝑟
𝒒
𝑬(𝒙) =
𝒑
Varianza
𝑉𝑎𝑟 𝑥 = 𝐸(𝑥 2 ) − 𝑢′
Si t=0;
𝑄 ΙΙ (𝑡) 𝑞(1 + 𝑝)
𝐸(𝑥 2 ) = 2
=
𝑡 𝑝2
𝑞 + 𝑞2 − 𝑞2
𝑉𝑎𝑟 (𝑥) =
𝑝2
𝒒
𝑽𝒂𝒓(𝒙) =
𝒑𝟐
Ejercicio 51:
95
1) Cuando se graba un comercial de tv la probabilidad de que un actor recite
el dialogo de su toma es de 0.3. Cuál es la probabilidad que el actor recite
correctamente su dialogo en la 6ta vez.
Desarrollo
𝑥 = "# 𝑖𝑛𝑡𝑒𝑛𝑡𝑜𝑠 ℎ𝑎𝑠𝑡𝑎 𝑟𝑒𝑐𝑖𝑡𝑒 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎𝑚𝑒𝑛𝑡𝑒"
𝑃(𝑥 = 6) = (0,7)5 (0,3) = 0,05
1 1
𝐸(𝑥) = = = 3.33 → 𝑎 𝑙𝑎 𝑡𝑒𝑟𝑐𝑒𝑒𝑟𝑎 𝑣𝑒𝑧 𝑠𝑢 𝑑𝑖𝑎𝑙𝑜𝑔𝑜 𝑠𝑒𝑟𝑎 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑜
𝑝 0,3
𝑞 0,7
𝑉𝑎𝑟(𝑥) = = = 7,78
𝑝2 0,32
2) En 1 examen el profesor realiza varias preguntas a 1 estudiante de P de
que el estudiante responda correctamente a cualquier preguntas es =0,9
el profesor interrumpe el examen apenas el estudiante manifiesta el
desconocimiento de la pregunta hecha, calcular.
a) Formar la ley de distribución de la v.a que describe el número de preguntas
que realiza el profesor
b) Hallar el numero esperado de preguntas que ha de realizar el profesor
Desarrollo
𝑥 = "# 𝑑𝑒 𝑝𝑟𝑒𝑔𝑢𝑛𝑡𝑎𝑠 𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟"
𝐸𝑥𝑖𝑡𝑜 = "𝑛𝑜 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑎"
𝑃(𝑒𝑥𝑖𝑡𝑜) = 𝑝 = 0,1
𝑃(𝑥 = 𝑘) = 𝑞 𝑘−1 𝑝
𝑃(𝑥 = 1) = (0.9)0 (0,1) = 0,1
𝑃(𝑥 = 2) = (0.9)1 (0,1) = 0,09
𝑃(𝑥 = 3) = (0.9)2 (0,1) = 0,081
𝑃(𝑥 = 4) = (0.9)3 (0,1) = 0,073
1 1
𝐸(𝑥) = = = 10
𝑝 0,1
5.1.5 Distribución de poisson
96
Sea x una v.a.d se dice que x sigue una distribución de Poisson con parámetro λ es un
promedio de los sucesos por unidad de tiempo es decir: x →P (λ), la distribución de
Poisson indica la probabilidad de sucesos o de una unidad de tiempo.
Muestra de poisson
𝑒 −λ λ
𝑃(𝑥 = 𝑘) = ; 𝑘 = 0,1,2 … ….
k
𝐸(𝑥) = c y Var(x) = λ
Nota:
𝑒 −λ λ(t)t
𝑃(𝑥 = 𝑘) = ; 𝑘 = 0,1,2 … ….
k
Demostración de la esperanza y varianza de la distribución de poision

∞
𝑒 −⋋ ⋋𝑥
𝐹(𝑥) = ∑
𝑥!
𝑥=0
𝑒 −⋋ ⋋
𝑄(𝑡) = 𝐸(𝑒 −⋋ )
∝!
∝ ∝2
= 𝑒 −⋋ [1 + + + ⋯]
1! 2!
(𝑒 𝑡−1 )
𝑄(𝑡) = 𝑒 −⋋
Esperanza
u=E(x)
Donde
α= Q (t)
∝= ⋋ 𝑒 𝑡
∝=⋋ +𝑒 1
𝑬(𝒙) = ⋋
Varianza
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − [𝐸(𝑥)]2
𝑉𝑎𝑟(𝑥) = (⋋ + ⋋2 −⋋2 )
𝑽𝒂𝒓 (𝒙) = ⋋
Ejemplo 52:
97
1) El promedio de llamadas que recibe una central telefónica en un minuto es
de 1,5 halle la probabilidad de que en 4 minutos se reciban:
 3 llamadas
𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠
𝜆 = 1,5 [ ]
𝑚𝑖𝑛𝑢𝑡𝑜
𝑡 = 4 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝑥 = "# de llamadas 4 minutos"
3
𝑒 −(1,5(4)) (1,5(4))
𝑃(𝑥 = 3) = = 0,089
3!
 Menos de 3 llamadas
𝑃(𝑥 < 3) = 𝑃(𝑥 = 2) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 0)

2 1 0
𝑒 −(1,5(4)) (1,5(4)) 𝑒 −(1,5(4)) (1,5(4)) 𝑒 −(1,5(4)) (1,5(4))
= + +
2! 1! 0!
= 0,04 + 0,01 + 2,47𝑋10−3
= 0,06
 No menos de 4 y no más de 7
𝑃(4 ≤ 𝑥 ≤ 7) = 𝑃(𝑥 = 4) + 𝑃(𝑥 = 5) + 𝑃(𝑥 = 6) + 𝑃(𝑥 = 7)

4 1 6 7
𝑒 −(1,5(4)) (1,5(4)) 𝑒 −(1,5(4)) (1,5(4)) 𝑒 −(1,5(4)) (1,5(4)) 𝑒 −(1,5(4)) (1,5(4))
= + + +
4! 5! 6! 7!
= 0,133 + 0,16 + 0,16 + 0,14
= 0,593
2) En un hotel el promedio de pedidos a la habitación es igual a dos cada

media hora. Halle la probabilidad de que en una hora se reciba
𝑝𝑒𝑑𝑖𝑑𝑜𝑠 𝑝𝑒𝑑𝑖𝑑𝑜𝑠
𝜆 = 2[ ] = 4[ ]
30𝑚𝑖𝑛 1 ℎ𝑜𝑟𝑎
𝑡 = 1ℎ
𝑥 = "#𝑑𝑒 𝑝𝑒𝑑𝑖𝑑𝑜𝑠 𝑒𝑛 𝑢𝑛𝑎 ℎ𝑜𝑟𝑎"
a) Tres pedidos
98
3
𝑒 −(1,5(1)) (4(1))
= 0,195
3!
b) Menos de 3 pedidos
𝑃(𝑥 ≤ 3) = 𝑃(𝑥 = 2) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 0)

2 1 0
𝑒 −(4(1)) (4(1)) 𝑒 −(4(1)) (4(1)) 𝑒 −(4(1)) (4(1))
+ + +
2! 1! 0!
= 0,146 + 0,073 + 0,018
= 0,237
5.1.6 Distribución binomial negativa
Sea X una variable aleatoria binomial negativa con parámetros r y p. Entonces:

𝑟 − 1 𝑟 (𝑞)𝑘−𝑟
𝑃(𝑋 = 𝑘) = ( )𝑝
𝑘−1
La función generadora de momentos de X está dada por:
(𝑝𝑒 𝑡 )𝑟
𝑚𝑥(𝑡) = 𝑑𝑜𝑛𝑑𝑒 𝑞 = 1 − 𝑝
(1 − 𝑞𝑒 𝑡 )𝑟
Muestra binomial negativa
𝐸(𝑋) = 𝑟/𝑃
𝑉𝑎𝑟(𝑋) = 𝑟𝑞/𝑝2
TIPS DE “R” DISTRIBUCIONES

DISCRETAS
Las distribuciones están implementadas en r de la siguiente forma:
Nomenclatura:
d= al tipo que función.
nombre=al tipo de distribución.
Estructura y Tipo
dnombre= función de densidad.
pnombre= función de distribución.
rnombre=muestra aleatoria.
Ejemplos: dbinom, dexp, dnorm.
Tips 14 R Distribuciones.
Ejemplo de cálculo en R:
99
DISCRETAS
Ejemplos de calculo:
Sea x una v.a B(20:0.4)
Calcular P(X<5)
P(X<5)= P(X≤5)- P(X=5)
Grafica
100
DISCRETAS
Ejemplo:
Distribución Binomial.
Función de densidad.
fx <-c(dbinom(x,10,0.3))
Función distribución.
fx <-pbinom(x,10,0.3)
Tips 15 R Distribución Binomial.
101
Tips 16 R Distribución Binomial.
Editores 2011, Ejercicios 4.6, literales (28, 29, 31, 32, 34) pag 130
1) Una jugadora de tenis gana el 30 % de los partidos que realiza. Ella jugara
en un torneo mientras no sea eliminada en el partido.
 Halle la probabilidad de que sea eliminada en el segundo partido;

 Si para ganar el torneo se debe ganar 5 partidos consecutivos, ¿cuál es la
probabilidad de que la jugadora pierda en la final del torneo?
 ¿Cuántos partidos se espera que llegue a jugar durante el torneo?
Respuestas: a) 0.2211 b) 0.007946 c) 3 partidos
2) Una marca de refrescos tiene impresas, en cada una de las tapas, una de
las figuras de los cuatro jinetes del apocalipsis, y quien reúna la colección
completa ganara un premio. Si un comprador cree que hay igual número
de figuras de cada uno de los personajes en la proporción, ¿Cuántos
refrescos a de esperar para ganar el premio?
Respuesta: E(X)= 8.33, es decir 9 refrescos
3) Un lepidopterista solo está interesado en los ejemplares de una clase de

mariposas, que constituyen el 15% de todas las mariposas de la zona. Halle
la probabilidad de que esta persona tenga que cazar 8 mariposas de las
que no le interesan antes de comprar.
 un ejemplar de clase deseada;
102
 tres ejemplares de clase deseada;
Respuestas: a) 0.04087 b) 0.03564
4) En una fábrica, el departamento de control de calidad, revisa los lotes de

piezas que entran, de acuerdo con el siguiente criterio: se van extrayendo
piezas sucesivamente y el lote es rechazado si se encuentra la primera
pieza defectuosa antes de la vigésima extracción. Si conocemos que el 2%
de piezas son defectuosas, ¿cuál es la probabilidad que un lote sea
rechazado?
Respuestas: 0.3188
5) Se sabe que, aproximadamente, el 20% de usuarios de Windows no cierran

el programa adecuadamente. Supongamos que el Windows está instalado
en una computadora pública que es utilizada aleatoriamente por personas
que actúan independientemente unas de otras?
 ¿Cuál es la probabilidad que el tercer usuario sea el primero que cierra

adecuadamente el Windows?;
 ¿Cuál es el número medio de personas que usan la computadora desde el
momento en que se enciende hasta que alguien no cierra el programa
adecuadamente?;
Respuestas: a) 0.032 b) 5
5.2 Distribución Variable Aleatoria Continuas

5.2.1 Distribución Uniforme
Sea x una v.a.c se dice que x sigue una distribución n uniforme en un intervalo [a, b]
denotado por: x→ U ([a, b]) cuya función de densidad es:
1
𝑓(𝑥) = { , 𝑥 ∈ [𝑎, 𝑏]
𝑏−𝑎
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
0
𝐹(𝑥) = { 𝑥 − 𝑎 , 𝑥 ∈ [𝑎, 𝑏]
𝑏−𝑎
1 ,𝑥 > 𝑏
Muestra distribución uniforme
𝑎+𝑏
𝐸(𝑥) =
2
103
(𝑏 − 𝑎)2
𝑉𝑎𝑟 (𝑥) =
12
Demostración esperanza y varianza de la distribución uniforme
Esperanza
𝑏
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥)
𝑎
𝑏
1
𝐸(𝑥) = ∫ 𝑥 ( ) 𝑑𝑥
𝑎 𝑏−𝑎
𝑏
1
𝐸(𝑥) = ( ) ∫ 𝑥 𝑑𝑥
𝑏−𝑎 𝑎
1
𝐸(𝑥) = ( ) (𝑏 2 − 𝑎2 )
2(𝑏 − 𝑎)
𝒂+𝒃
𝑬(𝒙) =
𝟐
Varianza
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − (𝐸(𝑥 2 ))
𝑏
1
= ∫ 𝑥2 ( ) 𝑑𝑥
𝑎 𝑏−𝑎
1 𝑥3 1 𝑏 2 +𝑎𝑏 + 𝑎2
= ∗ = ∗ (𝑏 3 −𝑎3 ) =
𝑏−𝑎 3 3(𝑏 − 𝑎) 3
1
𝑉𝑎𝑟(𝑥) = (𝑏 2 + 𝑎𝑏 + 𝑎2 )
3
𝑏 2 −2𝑎𝑏 + 𝑎2
=
12
𝑎+𝑏
( )2
2
𝑏 2 −𝑎𝑏 + 𝑎2 (𝑎 + 𝑏)2
= −
3 4
4𝑏 2 + 4𝑎𝑏 + 4𝑎2 − 3(𝑎2 +2𝑎𝑏 + 𝑏 2 )
=
12
𝑏 2 −2𝑎𝑏 + 𝑎2
=
12
(𝒃 − 𝒂)𝟐
𝟏𝟐
5.2.2 Distribución exponencial

Sea x una variable aleatoria continua, se dice que z sigue una distribución exponencial
so el parámetro λ, y se nota que el parámetro X sigue una distribución exponencial X→Ԑ
(λ)
104
Muestra distribución exponencial
Demostración esperanza y varianza de la distribución exponencial
Esperanza
E(X)= 1/λ
∞ 𝑏
E(X)= ∫0 𝑥λe−λx dx = lim 𝑥 ∫0 λe−λx dx
𝑏→∞
𝑏
u=x dv= ∫0 e−λx dx
−1 −λx
du=dx v= e
λ
𝑥 𝑏1
lim λ [− λ e−λx ] + ∫0 λ
e−λx dx
𝑏→∞
1
lim [−𝑥e−λx ] 𝑏0− [ e−λx ]
𝑏→∞ λ
1 1
lim (−𝑏e−λx − λ e−λx + λ
)
𝑏→∞
1 1
lim −𝑏 e−λx + lim − λ e−λx + lim λ
𝑏→∞ 𝑏→∞ 𝑏→∞
1
= λ
∞
𝑦(𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∫ 𝑒 𝑡𝑥 ⋋ 𝑒 −⋋ 𝑑𝑥
0
∞
= ∫ (⋋ −𝑡)𝑒 −(⋋−𝑡)𝑥 𝑑𝑥
0
𝟏
𝑬(𝒙) =
⋋
Varianza
105
𝑓(𝑥)𝑑𝑒 𝑢𝑛𝑎 𝐸𝑥𝑝 (⋋ −1) = 1
⋋ 1
 𝑄(𝑡) = ⋋−𝑡 = 𝑡
1−
⋋
𝑡
 = (1 − ⋋)−1
Entonces la varianza será:
2 (1 − 𝑡)−3 (−1) 2
⋋2 = 𝑄(𝑡) = − = 2
⋋ ⋋ ⋋ ⋋
𝑉𝑎𝑟(𝑥) = ⋋2 −⋋1 2
2 1
𝑉𝑎𝑟 (𝑥) = 2
− 2
⋋ ⋋
𝟏
⋋𝟐
Ejemplos 53
1) Una variable aleatoria está distribuida según una ley exponencial del
parámetro 𝛌=3.
X→Ԑ(λ)
λ=3
a) Hallar la probabilidad del resultado de la prueba (0.13;0.7)
Desarrollo
0, 𝑥<0
𝑓(𝑥) = { −λx
λe , 𝑥≥0
0, 𝑥<0
𝑓(𝑥) = { −3x
3e , 𝑥≥0
Pr (0.13≤ x ≥0.7)
0.7
∫ 3e−3x dx
0.13
1 0.7
=− 3 3 ( e−3x ) 0.13
106
𝑒 −3(0.7) 𝑒 −3(0.13)
= 3 [− 3
+ 3
]
= 3(−0.04 + 0.23)
= 0.57
b) Determine su esperanza y su desviación estándar.
Desarrollo
∞
E(x) = ∫0 3e−3x x dx
𝑏
= 3 lim ∫0 e−3x x dx
𝑏→∞
u=x dv= ∫ e−3x dx

e−3x
du=dx v=−
3
b
3 lim [𝑥 − e−3x + 1/3 ∫0 e−3x dx]
𝑏→∞
e−3x e−3x b
= 3 lim [−𝑏 3
]+ 1/3 [− 3
]0
𝑏→∞
e−3x e−3x e0
=3 lim [−𝑏 − + ]
𝑏→∞ 3 9 9
e−3x e−3x
=3 [ lim −𝑏 − lim + lim 1/9 ]
𝑏→∞ 3 𝑏→∞ 9 𝑏→∞
𝑏 1
=3 [−1/3 lim e3𝑏 − 1/9 lim + 1/9]
𝑏→∞ 𝑏→∞ e3x
1 1
=3 [− 3 (0) − 9 (0) + 1/9]
1
=3
2) El tiempo durante el cual las baterías para teléfono celular trabaja en forma
efectiva hasta que falla se distribuye según un modelo exponencial con un
tiempo modelo de falla de 500h.
a) Calcular la probabilidad de que una batería funcione por más de 600h.

Desarrollo
E(x)= 500h = 1/ λ = 1/500
X→Ԑ (1/500)
0, 𝑥<0
𝑓(𝑥) = { 1 −1x
e 500 , 𝑥≥0
500
P ("La batería funcione por más de 600h")
x= Número de horas que funciona la batería
P (x=600)
−x
∞ 1
=∫600 500 e500 dx
107
−x
1 ∞
=500 ∫600 e500 dx
−x
1 ∞
=500 [−500e500 ] 600
−∞ −600
=−𝑒 500 + 𝑒 500
6
1
=− ∞ + 𝑒 −5
𝑒 500
6
= 0 +𝑒 −5
=0.30
b) Si una batería ha trabajado 350h, cual es la probabilidad de que trabaje más de

300h adicionales.
Desarrollo
P(x> 350 + 300 /𝑥 > 350)
(𝐴∩𝐵)
P(A/B)= P
𝑃(𝐵)
P(x> 350 + 300/𝑥 > 350)

𝑃(𝑥>650 ∧ 𝑥>350)
= 𝑃(𝑥>350)
𝑃(𝑥>650)
=
𝑃(𝑥>350)
−650
1−𝑒 500
= −350
1−𝑒 500
= 0.72/0.50
= 1.432
5.2.3 Distribución normal
X es una variable aleatoria continua, se dice que X sigue una distribución normal 𝑋 →
𝑁(𝜇, 𝜎 2 ), La función de densidad de una distribución normal:
(𝑥−𝜇)2
1 −
f(x)= . 𝑒 2𝜎2 ; ∀𝑥 ∈ ℝ
√2𝜋
Hay diferentes formas de 𝑋 → 𝑁(𝜇, 𝜎 2 ).

Su gráfico es simétrico.
Si 𝑋 → 𝑁(𝜇, 𝜎 2 ) ⇒ 𝑍 → 𝑁(0,1).
𝑋−𝜇
X⇒Z; Z= 𝜎
Si x-𝜇 , los datos están centrados.

𝑥−𝜇
Si 𝜎
, los datos están estandarizados.
108
Grafico 9 Distribución Normal.
Ejemplo 54:
1) El perímetro craneal de os hombres en una ciudad, es una variable aleatoria
con 𝛀=60cm y 𝝈𝟐 =2.
a) Qué porcentaje de los hombres tiene un perímetro craneal entre 57 y 64cm.

Desarrollo
x= "Perímetro craneal de los hombres"
𝑋 → 𝑁(60,2)
P (57≤ X ≤64)
57−60 64−60
z1= 2
z2= 2
z1=-1.5 z2=2
= P (-1.5≤ Z≤ 2)
= P (Z≤ 2) - P (Z≤ −1.5)
= 0.9752-0.0668
= 0.9084
b) Qué perímetro craneal debe tener un hombre para que el 16.8% de sus paisanos
tengan más cabeza que él.
Desarrollo
Ecuación estocástica
P(x> 𝑇) = 0.166
109
𝑇−60
ZT= 2
ZT=0.97
(0.97*2)+60=T
T=61.94
c) Y cuanto para que el 35.2% tenga menos.
Desarrollo
P(X< 𝑇)=0.352
0.352⇒-0.3-0.008 = -0.38
𝑇−60
ZT= 2
ZT=-0.38
= (-0.38*2) +60=T
T= 59.24
2) En una fábrica de autos un ing. está diseñando autobuses pequeños, sabe

que la estatura de la población está distribuida con media de 1.7m y 5cm.
Que altura mínima debe tener los autobuses para que no más del 1% de las
personas golpee su cabeza por la parte superior del bus.
Desarrollo
X ="Estatura de la población”
X→N (170cm, 5cm)
P(x≥ 𝑇) = 0.01
ZT=2.33
T= (2.33*5)+170
T=181.63cm
3) Se toman dos exámenes sobre 100 puntos en el primero se obtuvo una

media de 80 y desviación estándar de 4 y en el segundo una media de 65 y
desviación estándar de 5. Un estudiante saco 84 en el primer examen y 75
en el segundo. ¿En cuál de los dos resultados obtuvo mejor resultado?
Desarrollo
X1→N (80,4)
110
X2→N (65,5)
84−80
P(x< 84) = 4
= 0.84
75−65
P(x< 75) = 5
= 0.97
5.2.4. Teorema del Límite Central
Sea 𝑥1, 𝑥2 , … , 𝑥𝑛, variables aleatorias independientes 𝐸(𝑥𝑖 ) = 𝑈 𝑦 𝑉𝑎𝑟(𝑥𝑖 ) = 𝜎 2 y que

siguen una ley de probabilidad cualquiera no necesariamente la misma.
Se forma 𝑌 = 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛, con 𝐸(𝑌) = 𝑛𝑢 𝑦 𝑉𝑎𝑟(𝑌) = 𝑛𝜎 2 , entonces:
𝑌 − 𝐸(𝑌) 𝑌 − 𝑛𝑢
𝑍= = ; 𝑍 → 𝑁(0,12 )
√𝑉𝑎𝑟(𝑌) 𝜎√𝑛
𝑐𝑢𝑎𝑛𝑑𝑜 𝑛 → ∞
(𝑛 > 30)
Ejercicio
Demostrar: 𝐸(𝑌) = 𝑛𝑢
𝑉𝑎𝑟(𝑌) = 𝑛𝜎 2
𝑌 = 𝑥1 + 𝑥2 +𝑥3 + ⋯ + 𝑥𝑛.
𝐸(𝑌) = 𝐸(𝑥1 + 𝑥2 +𝑥3 + ⋯ + 𝑥𝑛. )
𝐸(𝑌) = 𝐸(𝑥1 ) + 𝐸(𝑥2 )+𝐸(𝑥3 ) + ⋯ + 𝐸(𝑥𝑛 )
𝐸(𝑌) = 𝜇1 + 𝜇2 + ⋯ + 𝜇𝑛
𝐸(𝑌) = 𝑛𝑢
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(𝑥1 + 𝑥2 +𝑥3 + ⋯ + 𝑥𝑛. )
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(𝑥1 ) + 𝑉𝑎𝑟(𝑥2 )+𝑉𝑎𝑟(𝑥3 ) + ⋯ + 𝑉𝑎𝑟(𝑥𝑛 )
𝑉𝑎𝑟(𝑌) = 𝜎 2 + 𝜎 2 + 𝜎 2 + ⋯ + 𝜎 2 = 𝑛𝜎 2
Ejemplo
1. Sean 𝑥1, 𝑥2 , … , 𝑥50 variables aleatorias independientes que siguen la ley
X 0 1 2
𝑃(𝑋 = 𝑥) 1 3 1
8 8 2
111
Calcule la probabilidad
𝑃(𝑥1, 𝑥2 , … , 𝑥50 ) > 70
1 3 1 3 11
𝐸(𝑥) = 0 ( ) + 1 ( ) + 2 ( ) = + 1 =
8 8 2 8 8
11
𝐸(𝑥𝑖 ) =
8
𝑉𝑎𝑟(𝑥) = 𝐸𝑥 2 − (𝐸𝑥)2
1 3 1 3 19
𝐸𝑥 2 = 02 ( ) + 12 ( ) + 22 ( ) = + 2 =
8 8 2 8 8
19 11 2 31
𝑉𝑎𝑟(𝑥𝑖 ) = −( ) =
8 8 64
𝑌 = 𝑥1 + 𝑥2 +𝑥3 + ⋯ + 𝑥𝑛. → 𝑍
1
𝑌 − 𝐸(𝑌) 𝑌 − 𝑛𝑢 𝑌 − 50 8 𝑌 − 68.75 70 − 68.75
𝑍= = = = = = 0.25
√𝑉𝑎𝑟(𝑌) 𝜎√𝑛 4.92 4.92
√31 √50
64
𝑃(𝑌 = 70) = 𝑃(𝑍 > 0.25) = 1 − 𝑃(𝑍 > 0.25) = 1 − 0.5987 = 0.4013
Ejercicio
El costo diario de operación de un autobús tiene un costo fijo de 30 dólares y un valor

variable de 30 % de los ingresos. El ingreso tiene una distribución uniforme entre 50 y
250 dólares.
a) Calcular la probabilidad de que el costo de operar un autobús durante 31 días,

supere los 2500 dólares.
b) Cuantos días de operación serán necesarios para que con una probabilidad del
0.95 el costo de operación sea al menos 2350 dólares.
𝐶(𝑥) = 30 + 0.3𝑥 𝐶(𝑥1 ) = 30 + 0.3𝑥1
𝐶(𝑥2 ) = 30 + 0.3𝑥2
X= “Ingreso Diario”
𝑥 → 𝜇[50,250]
250 + 50
𝑥1 → 𝜇(50,250) => 𝐸(𝑥1 ) = = 150
2
250 + 50
𝑥2 → 𝜇(50,250) => 𝐸(𝑥2 ) = = 150
2
(200)2
𝑉𝑎𝑟(𝑥1 ) = = 3333.33
12
112
(200)2
𝑉𝑎𝑟(𝑥2 ) = = 3333.33
12
a)
𝑃(𝐶(𝑥1 ) + 𝐶(𝑥2 )+𝐶(𝑥3 ) + ⋯ + 𝐶(𝑥31 ) > 2500)
𝑌 = 𝐶(𝑥1 ) + 𝐶(𝑥2 )+𝐶(𝑥3 ) + ⋯ + 𝐶(𝑥31 )
𝑌 − 𝐸(𝑌) 2500 − 𝐸(𝑌)
𝑃(𝑌 > 2500) = 𝑃 ( > )
√𝑉𝑎𝑟(𝑌) √𝑉𝑎𝑟(𝑌)
𝑃(𝑍 > 2500)

𝑌 = 𝐶(𝑥1 ) + 𝐶(𝑥2 )+𝐶(𝑥3 ) + ⋯ + 𝐶(𝑥31 )
𝐸(𝑌) = 𝐸(𝐶1 ) + 𝐸(𝐶2 )+𝐸(𝐶3 ) + ⋯ + 𝐸(𝐶31 )
𝐸(𝑌) = (30 + 0.3(150))31 = 2325
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(𝐶1 ) + 𝑉𝑎𝑟(𝐶2 )+𝑉𝑎𝑟(𝐶3 ) + ⋯ + 𝑉𝑎𝑟(𝐶31 )

𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(30 + 0.3𝑥1 )
𝑉𝑎𝑟(𝑌) = [(0.3)2 (3333,33)]31 = 9299.99

2500 − 2325
𝑃 (𝑍 > ) = 𝑃(𝑍 > 1.81)
√9299.99
𝑃(𝑍 > 1.81) = 1 − 𝑃(𝑍 < 1.81) = 1 − 0.9649 = 0.0351
B)
𝑃(𝑌 > 2350) = 0.95
2350 − 75𝑛
𝑍1 =
17.32√𝑛
𝑍1 = 1.65
2350 − 75𝑛 = 1.65(17.32) √𝑛
2350 = 75𝑛 + 28.58 √𝑛

2
(2350 − 75𝑛)2 = (28.58 √𝑛)
5522500 − 352500𝑛 + 5625𝑛2 = 816,8164𝑛
5522500 − 353316,82𝑛 + 5625𝑛2 = 0

𝑛1 = 33.54
𝑛2 = 29,27
113
5.2.5 Distribución gamma
Γ(𝛼) = (𝛼 − 1)! ; 𝛼 ∈ 𝕫
𝑏
∫0 𝑥 𝑏−1 𝑒 −𝑥 𝑑𝑥
u=𝑥 𝑏−1 ⇒ du = (b-1)𝑥 𝑏−2 𝑑𝑥
dv=𝑒 −𝑥 𝑑𝑥 ⇒ 𝑣 = −𝑒 −𝑥
u.v-v.dv
𝑥 𝑏−1 . −𝑒 −𝑥 − ∫(−𝑒 −𝑥 ). (𝑏 − 1)𝑥 𝑏−2 𝑑𝑥
lim [𝑥 ∞−1 . −𝑒 −𝑥 ] b0+(∞ − 1) ∫(𝑒 −𝑥 ). 𝑥 𝑏−2 𝑑𝑥
𝑏→∞
−𝑏∞−1
lim +(∞ − 1) ∫(𝑒 −𝑥 ). 𝑥 𝑏−2 𝑑𝑥
𝑏→∞ 𝑒 𝑏
∞
(∞ − 1) ∫0 (𝑒 −𝑥 ) 𝑥 𝑏−2 𝑑𝑥;
∞
(∞ − 1)= ∫0 (𝑒 −𝑥 ) 𝑥 ∞−2 𝑑𝑥;
𝚪(𝜶) = (𝜶 − 𝟏)𝚪(𝜶 − 𝟏)
Γ(𝛼) = (𝛼 − 1)(𝛼 − 2)(Γ(𝛼 − 1))
=(𝛼 − 1)(𝛼 − 2)(𝛼 − 3)(𝛼 − 4) ….
𝛼=1
𝛽=2
∞
∫0 𝑥 ∞−1 𝑒 −𝑥 𝑑𝑥
𝑥
∞ −
∫0 𝑥 ∞ 𝑒 𝛽 𝑑𝑥
∞
∫0 𝛽𝑦 ∞ 𝑒 −𝑦 (𝛽)𝑑𝑦
Si Y=x/𝛽
𝑑𝑦 1
𝑑𝑦
= 𝛽
∞
𝛽 ∞ 𝛽 ∫0 𝑦 ∞ 𝑒 −𝑦 𝑑𝑦
𝛽𝑑𝑦 = 𝑑𝑥
∞
Γ(𝛼 + 1) = ∫0 𝑥 ∞ 𝑒 −𝑥 𝑑𝑥
𝑥
∞ −
∫0 𝑥 ∞ 𝑒 𝛽 𝑑𝑥 = 𝛽 ∞+1 Γ(𝛼 + 1)
1
𝛽 ∞ Γ(𝛼)
* 𝛽 ∞+1 Γ(𝛼 + 1)
𝛽
Γ(𝛼)
Γ(𝛼 + 1)
114
𝛽
Γ(𝛼)
∗ 𝛼Γ(𝛼)
𝜷. 𝜶
5.3 EJERCICIOS PROPUESTOS DISTRIBUCION WEIBULL
1) Sea T ~ Weibull (0,5 y 3)

Determine:
a) P (T<1)
b) P (T>5)
c) P (2<T<4)
R: a) 0,049 b) 1, 2208 C) 0,011
2) En el artículo “Parameter Estimation with Only Complete Failure

Observation”. Se modela la duración, en horas, de cierto tipo de cojinete
con la distribución de Weibull con parámetros 𝜷 = 𝟒, 𝟒𝟕𝟒𝑿𝟏𝟎−𝟒 𝜶 = 𝟐, 𝟐𝟓
a) Determine la probabilidad de que un cojinete dure más de 1000 horas

R: 0,151
3) Suponga que la vida útil de cierto elemento es una variable aleatoria que
tiene distribución Weibull con α= 0.5 y λ= 0.01, Calcular:
a) La vida media útil de ese artículo.
b) La variación de la vida útil.
c) La probabilidad de que el elemento dure más de 300 horas
R: a) 200 b) 4447,21 c) 0,177
4) Sabiendo que el número de años de supervivencia de un paciente tras

haber sido sometido a cierta operación quirúrgica tiene una distribución de
Weibull de parámetros alfa y lambda iguales a 3.5 y 0.3, respectivamente,
obtener la probabilidad de que el paciente sobreviva a la intervención
transcurridos 5 años.
R: 0,01
5) Tenemos que seis unidades idénticas, con una confiabilidad probada de
los mismos niveles de tensión de operación y uso. Todas estas unidades
115
fallan durante la prueba después de funcionar el siguiente número de
horas: T 93, 34, 16, 120, 53, y 75.
Estime los valores de los parámetros para una distribución de Weibull y
determine la confiabilidad de las unidades para un valor de misión de 15
horas
R: 0,90
6. EJERCICIOS RESUELTOS
6.1 INDUCCIÓN MATEMATICA
1) Determine para que valores de n ∈ N es verdadera la desigualdad al

examinar los valores
𝟐𝒏 > 𝒏𝟐 + 𝟒𝒏 + 𝟓
Al examinar los valores los valores n =1,2, 3, 4, 5,6 se da cuenta que la desigualdad no
se cumple .Por lo que se tendrá que demostrar por el método de inducción incompleta
que para todos los valores de n ≥ 7 la desigualdad es verdadera
Desarrollo
1. Si n =7, obtenemos
27 > 72 + 4(7) + 5
cuando n=7 la desigualdad es correcta
2. (Hipótesis Inductiva) Se supone que la desigualdad es verdadera para un cierto

valor de n=k, o sea,
2𝑘 > 𝑘 2 + 4(𝑘) + 5
3. A partir de la hipótesis inductiva, se desea probar la tesis dada por:
2𝑘+1 > (𝑘 + 1)2 + 4(𝑘 + 1) + 5
Al multiplicar la desigualdad dada en la hipótesis inductiva por 2, obtenemos:
2𝑘+1 > 2𝑘 2 + 8𝑘 + 10
Transformando el segundo miembro de esa desigualdad obtenemos:
116
2𝑘+1 > (𝑘 + 1)2 + 4(𝑘 + 1) + 5 + 𝑘 2 + 2𝑘
Teniendo en cuenta que 𝑘 2 + 2𝑘 > 0 para todo k ≥ 7, podemos deducir que:
2𝑘+1 > (𝑘 + 1)2 + 4(𝑘 + 1) + 5 , obteniendo lo que se quería demostrar (Tesis).
2) Demostrar que la suma de los n primeros números naturales es igual a

𝒏(𝒏+𝟏)
𝟐
Desarrollo
𝑛(𝑛+1)
Queremos probar que ∀𝑛 ∈ 𝑁 : 1+2+3+4+……..+n= 2
𝑛(𝑛+1)
Sea p(n): 1+2+3+4+…..n= 2
, debemos probar que p(n) satisface las propiedades
(1), (2), (3)

1(1+1)
 p(1) :1=
2
1=1
 Se supone que la igualdad es verdadera para un cierto valor de k, es decir,
𝑘(𝑘+1)
1+2+3+4……+k=
2
 Sea k 𝜖 𝑁, debemos probar que p(k)==> p(k+1) es verdadero hay que hacer
la demostración suponiendo que p(k) es verdadera
Como p (k+1): 1+2+3+……..+k+(k+1)=(k+1)((k+1)+1)/2, p (k+1) debe formarse de

p (k) sumando k+1 a ambos miembros de la igualdad (de la hipótesis inductiva)
𝑘(𝑘+1) 𝑘 𝑘+2
1+2+3+…..k + (k+1)= 2
+ (k+1)= ( 2 +1) (k+1)= (k+1)( 2
)
Se ha confirmado que p (k+1) es verdadera suponiendo que p (k) lo es
𝑛(𝑛+1)
Así se ha demostrado que ∀𝑛 ∈ 𝑁 : 1+2+3+4+……..+n= 2
es verdadera
3) Determine todos los números naturales para los cuales
117
1*2*3*4……n >𝟐𝒏
Desarrollo
La fórmula no es válida para n =1, 2,3
1. Para n=4 se tiene que:
24 =1*2*3*4 >24 = 16 verdadero
2. Supongamos que la desigualdad es válida para k ∈ 𝑁 con k ≥ 4; esto es

1*2*3*4…..k>2𝑘 , k ≥ 4.
3. Por demostrar que la desigualdad es válida para k+1, es decir que

1*2*3*4…..k (k+1)>2𝑘+1 , k ≥ 4.
En efecto
1*2*3*4……k (k+1) = (1*2*3*4…..k) (k+1) > 2𝑘 (𝑘 + 1)> 2𝑘 (2) = 2+1
Luego 1*2*3*4……………n > 2𝑛 , 𝑦 𝑝𝑜𝑟 𝑙𝑜 tanto ∀𝑛𝜖𝑁 , n ≥ 4 1*2*3*4…….. n > 2𝑛
4) Pruebe que la fórmula:

𝒏(𝒏+𝟏)(𝒏+𝟐)
1*2+2*3+3*4+…..n(n+1)= es valida para todo natural n.
𝟑
Desarrollo
𝑛(𝑛+1)(𝑛+2)
1. Sea p(n), 1*2+2*3+3*4+…….+n(n+1)=
3
1∗2∗3
Entonces: p (1), 1*2 = =2 verdadera
3
2. Hipótesis Inductiva: p (k) verdadera, es decir:

𝑘(𝑘+1)(𝑘+2)
1*2+2*3+3*4+…….+k (k+1) = 3
3. Tesis: Por demostrar p (k+1), es decir

(𝑘+1)(𝑘+2)(𝑘+3)
1*2+2*3+3*4+…..+ k (k+1)+ (k+1) (k+2) =
3
Sumando (k+1)*(k+2) a ambos lados a la igualdad de la hipótesis inductiva se obtiene:

𝑘(𝑘+1)(𝑘+2)
1*2+2*3+3*4+……+k (k+1)+ (k+1) (k+2)= 3
+ (k+1) (k+2)
Luego solo resta probar que

𝑘(𝑘+1)(𝑘+2) (𝑘+1)(𝑘+2)(𝑘+3)
3
+ (k+1)(k+2)= 3
𝑘 (𝑘+1)(𝑘+2)(𝑘+3)
Factorizando por (k+1) (k+2), se tiene (k+1) (k+2) (1+3)= 3
Que es justamente la tesis deseada y lo que prueba que p (n) es verdadera para todo
natural n.
118
5) Demuestre que para todo natural n ≥ 2
𝟏 𝟏 𝟏 𝟏
+ + + ⋯.+ > √𝒏
√𝟏 √𝟐 √𝟑 √𝒏
Desarrollo
1. Sea p(n) la proposición dada, luego para n =2, se tiene que:
1
1 +√2 > √2 . La proposición verdadera
2. Hipótesis de inducción: n=k

1 1 1 1
+ + + ⋯.+ > √𝑘
√1 √2 √3 √𝑘
3. Tesis: n=k+1, Por demostrar que
1 1 1 1 1
+ + +⋯.+ + > √𝑘 + 1
√1 √2 √3 √𝑘 √𝑘 + 1
1
Sumando a la igualdad de la hipótesis inductiva se tiene
√𝑘+1
1 1 1 1 1 1
+ + + ⋯.+ + > √𝑘 +
√1 √2 √3 √𝑘 √𝑘 + 1 √𝑘 + 1
Como
1 √𝑘 2 +𝑘+1 √𝑘+1
√𝑘 + = > = √𝑘 + 1
√𝑘+1 √𝑘+1 √𝑘+1
Se concluye la demostración
6.2 ANÁLISIS EXPLORATORIO DE DATOS
(Estadística - Métodos y aplicaciones, 2da Edición, Edwin Galindo, Ejercicios 2, 3,

6, 8, 9, 10, 19)
1) Dadas n=8 mediciones 4, 2, 6, 5, 7, 5, 4, 6.

Encuentre:
Desarrollo
a) La media muestral
4+2+6+5+7+5+4+6
𝑥=
8
39
𝑥=
8
119
𝑥 = 4.875
b) La mediana
Ordenamos datos:
2 + 4 + 4 + 5 + 5 + 6 + 6 +7
1
𝑀𝑑 = (𝑥8 + 𝑥8 )
2 2 2
+1
1
𝑀𝑑 = (𝑥4 + 𝑥5 )
2
1
𝑀𝑑 = (5 + 5)
2
10
𝑀𝑑 =
2
𝑀𝑑 = 5
c) S
∑𝑛𝑖=1(𝑥1 − 𝑥)2
𝑆=
𝑛−1
(2 − 4.875)2 + 2(4 − 4.875)2 + 2(5 − 4.875)2 + 2(6 − 4.875)2 + (7 − 4.875)2
=
7
8.265625 + 1.53125 + 0.03125 + 2.53125 + 4.515625
=
7
16.905003
=
7
= 4.22625
2) Dadas n=9 mediciones 5, 8, 8, 4, 4, 9, 7, 5, 4.

Determine:
Desarrollo
a) La media muestral
5+8+8+4+4+9+7+5+4
𝑥=
9
54
𝑥=
9
𝑥=6
b) La mediana
Ordenamos datos:
4 + 4 + 4 + 5 + 5 + 7 + 8 + 8 + 9
120
𝑀𝑑 = 𝑋 𝑛+1
( )
2
𝑀𝑑 = 𝑋(9+1)
2
𝑀𝑑 = 𝑋(10)
2
𝑀𝑑 = 𝑋(5)
𝑀𝑑 = 5
c) S
∑𝑛𝑖=1(𝑥1 − 𝑥)2
𝑆=
𝑛−1
3(4 − 6)2 + 2(5 − 6)2 + (7 − 6)2 + 2(8 − 6)2 + (9 − 6)2
=
8
12 + 2 + 1 + 8 + 9
=
7
32
=
7
= 4.571428571
3) Calcule el promedio, la media y la moda de las edades de 25 personas:
32 33 34 31 32 31 34 32 34 32 31 34 31 31 32 32 34 34 32 33 34 33 33
34 31
Desarrollo
a) Media
n=25
32+33+34+31+32+31+34+32+34+32+31+34+31+31+32+32+34+34+32+33+34+33+33+34+34
𝑋= 25
814
𝑋=
25
𝑋 = 32.56
b) Mediana
Ordenamos datos.
31,31,31,31,31,31,32,32,32,32,32,32,32,33,33,33,33,34,34,34,34,34,34,34
𝑀𝑑 = 𝑥𝑛+1
2
𝑀𝑑 = 𝑥25+1
2
𝑀𝑑 = 𝑥13
121
𝑀𝑑 = 32
c) Moda
Puede ser 32 y 34
4) Dados los datos y sus frecuencias
xi 2 5 7 10
ni 8 12 16 14
Desarrollo
a) Media
(2 ∗ 8) + (5 ∗ 12) + (7 ∗ 16) + (10 ∗ 14)

𝑋=
8 + 12 + 16 + 14
16 + 60 + 112 + 140
𝑋=
50
328
𝑋=
50
𝑋 = 6.56
b) Moda
La moda es7 porque hay 16 veces
c) Rango
𝑅 = 10 − 2
𝑅=8
5) A continuación se dan los resultados de la estatura de 100 estudiantes
Estatura (en cm) 155 160 165 170 175 180 185
No. De estudiantes 10 14 26 28 12 8 2
122
Desarrollo
a) La media Armónica
𝑛
𝐻=
1
∑𝑛𝑖=1
𝑥𝑖
100
𝐻=
1 1 1 1 1 1 1
+ + + + + +
155 ∗ 10 160 ∗ 14 165 ∗ 26 170 ∗ 28 175 ∗ 12 180 ∗ 8 185 ∗ 2
100
𝐻=
1 1 1 1 1 1 1
+ + + + + +
1550 2240 4290 4760 2100 1440 370
𝐻 = 184.9
b) La media geométrica
100
𝑀𝑔 = √(155 ∗ 10) ∗ (160 ∗ 14) ∗ (165 ∗ 26) ∗ (170 ∗ 28) ∗ (180 ∗ 89) ∗ (185 ∗ 2)
100
𝑀𝑔 = √7.9328 ∗ 1022
𝑀𝑔 = 169
6) Las notas de un examen de 6 alumnos son: 6, 5, 9, 19, 3 y 18. Un alumno
aprueba si su nota es mayor o igual que el promedio y que la mediana de
las notas. ¿Qué porcentaje de los alumnos aprobaron el examen?
Desarrollo
6 + 5 + 9 + 19 + 3 + 18
𝑋=
6
60
𝑋=
6
𝑋 = 10
Aprueban 2 estudiantes
 Si 6 estudiantes es el 100%, cuántos son 2?

2 ∗ 100
%=
6
% = 33.33 %
(Probabilidad y estadística para ingenieros, Ronald E. Walpole, página 9,
ejercicios 1, 2 3)
7) Un fabricante de componentes electrónicos interesa determinar el tiempo

de vida de cierto tipo de batería. La que sigue es una muestra, en horas
de vida:
123
123, 116, 122, 110, 175, 126, 125, 111, 118, 117
Desarrollo
a) Encuentre la media
123 + 116 + 122 + 110 + 175 + 126 + 125 + 111 + 118 + 117
𝑋=
10
1243
𝑋=
10
𝑋 = 124.3
b) Mediana
Se ordenan los datos
110, 111, 116, 117, 118, 122, 123, 125, 126, 175
1
𝑀𝑑 = (𝑥𝑛 + 𝑥𝑛+1 )
2 2 2
1
𝑀𝑑 = (𝑥10 + 𝑥10 )
2 2 2
+1
1
𝑀𝑑 = (𝑥5 + 𝑥6 )
2
1
𝑀𝑑 = (118 + 122)
2
1
𝑀𝑑 = (240)
2
𝑀𝑑 = 120
8) Un fabricante de neumáticos quiere determinar el diámetro interior de

cierto grado de neumático. Idealmente el diámetro seria 570 mm. Los
datos son los siguiente:
572, 572, 573, 568, 570
124
Desarrollo
a) La varianza
572 + 572 + 573 + 568 + 570

𝑋=
5
𝑋 = 571
∑𝑛𝑖=1(𝑥1 − 𝑥)2
𝑆=
𝑛−1
2(572 − 571)2 + (573 − 571)2 + (568 − 571)2 + (570 − 571)2

𝑆=
4
2+4+9+1
𝑆=
4
𝑆=4
b) Desviación Estándar
𝑆 2 = 16
c) Rango
𝑅 = 573 − 568
𝑅=5
9) En una empresa se registró la edad(en años completos) de sus

empleados, resultando la siguiente tabla
31 49 36 39 56 29 57 41 40 51
45 61 40 39 47 27 36 37 16 37
51 18 29 34 42 38 62 31 28 25
36 40 46 37 49 25 21 39 35 37
56 35 48 44 42 43 49 22 25 28
125
a) ¿Qué porcentaje de los empleados es menor que 50?
Desarrollo
Hay 43 empleados menores que 50 años
Decimos: Si 50 es el 100% 43 cuanto será:
43 ∗ 100
%=
50
4300
%=
50
% = 86%
86% representa a los empleados menores que 50 años.
b) ¿Qué porcentaje de los empleados es mayor que 35.5?
Desarrollo
Hay 33 empleados mayores que 35.5 años
Decimos: Si 50 es el 100% 33 cuanto será:
33 ∗ 100
%=
50
3300
%=
50
% = 66%
66% representa a los empleados mayores que 35.5.
10) Se conduce un estudio de los efectos de fumar sobre los patrones de

sueño. La medición que se observa es el tiempo, en minutos, que toma
quedarse dormido, se obtienen estos datos.
69.3 56.0 22.1 47.6 53.2 48.1
126
Desarrollo
a) Media
69.3 + 56.0 + 22.1 + 47.6 + 53.2 + 48.1

𝑋=
5
296.3
𝑋=
5
𝑋 = 59.26
b) Desviación Estándar
Debemos encontrar la Varianza muestral, para eso usamos.

∑𝑛𝑖=1(𝑥1 − 𝑥)2
𝑆=
𝑛−1
(69.3−59.26)2 +(56−59.26)2 +(22.1−59.26)2 +(47.6−59.26)2 +(53.2−59.26)2

𝑆= 4
98.8036 + 10.6276 + 1380.8656 + 135.9556 + 36.7236 + 124.5456
𝑆=
4
1787.5216
𝑆=
4
𝑆 = 446.8804
𝑆 2 = 199702.0
127
6.3 TABLA DE DISTRIBUCIONES
Tabla de Distribuciones
1) Completar los datos que faltan en la siguiente tabla estadística:
Xi Fi Fi Ni
1 4 0.08
2 4
3 16 0.16
4 7 0.14
5 5 28
6 38
7 7 45
Calcular la media, mediana y moda de esta distribución.

Desarrollo
Primera fila:
𝐹1 = 4
4
= 0.08
𝑁
𝑁 = 50
Segunda fila:
4
= 0.08
50
𝐹2 = 4 + 4 = 8
128
Tercera fila:
𝑛3
= 0.16
50
𝑛3 = 0.16 . 50 = 8
Cuarta fila:
𝑁4 = 16 + 7 = 23
Quinta fila:
5
𝑛5 = = 0.1
50
Sexta fila:
28 + 𝑁8 = 38
𝑁8 = 10
10
𝑛6 = = 0.2
50
Séptima fila:
7
𝑛7 = = 0.17
50
Octava fila:
𝑁8 = 𝑁 = 50
𝑁8 = 50 − 45 = 5
5
𝑛8 = = 0.1
50
Se ha pasado un test de 80 preguntas a 600 personas. El número de respuestas

correctas se refleja en la siguiente tabla:
RESPUESTAS NÚMERO CORRECTAS DE PERSONAS
[0, 10) 40
[10, 20) 60
[20, 30) 75
[30, 40) 90
[40, 50) 105
129
[50, 60) 85
[60, 70) 80
[70, 80) 65
2) Complete la tabla de frecuencias y calcular :
Intervalo Xi ni Ni xi . ni 𝑥𝑖 2 𝑛𝑖 (𝑥𝑖 − 𝑋)𝑛𝑖
[0,10) 5 40 40 200 1000 1506.67
[10,20) 15 60 100 900 13500 1660,00
[20,30) 25 75 175 1875 46875 1325,00
[30,40) 35 90 265 3150 110250 690,00
[40,50) 45 105 370 4725 212625 245,00
[50,60) 55 85 455 4675 257125 1048,00
[60,70) 65 80 535 5200 338000 1786,67
[70,80) 75 65 600 4875 365625 2101,67
600 1345000 10363,33
Desarrollo
a) La media, desviación media y desviación típica
25600
𝑥= = 42,67
600
1345000
𝜎2 = − 42,672 = 420,94
600
𝜎 = 17,27
130
b) Calcula la mediana, los cuartiles y los percentiles 20 y 85.
Para la mediana 600/2 = 300, luego voy al intervalo [40,50)
300 − 265
𝑀𝑒 = 40 + . 10 = 43.44
370 − 265
Para 𝑄1 = 600/4 = 150, luego voy al intervalo [20,30)
150 − 100
𝑄1 = 20 + . 10 = 26.66
175 − 100
Para 𝑄3 (3/4).600= 450, luego voy al intervalo [50.60)
450 − 370
𝑄3 = 50 + . 10 = 59.41
455 − 370
Para 𝑃20 = 600(20/100) = 120, luego voy al intervalo [20,30)
120 − 100
𝑃20 = 20 + . 10 = 22.66
175 − 100
Para 𝑃85 (85/100).600= 510, luego voy al intervalo [60.70)
510 − 455
𝑃85 = 60 + . 10 = 68.88
535 − 455
6.4 CURTOSIS Y ASIMETRIA
(Libro Galindo página 38)

1. Calcular los coeficientes de simetría y apuntamiento de los sueldos de diez
personas que ganan (en dólares).
170 172 168 165 173 178 180 165 167 172
Desarrollo
Calculando 𝑥̅ =171 y s=5,1
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 (170 − 171)3 + (172 − 171)3 + ⋯ + (172 − 171)3

= = 55.8
𝑛 10
131
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 (170 − 171)4 + (172 − 171)4 + ⋯ + (172 − 171)4
= = 1191
𝑛 10
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 /𝑛 55,8
𝐴𝑠 = = = 0.421
𝑠3 5,13
Los datos son levemente asimétricos, con asimetría hacia la derecha; también, son
platicúrticos, debido a posibles valores atípicos.
2. Calcular los coeficientes de simetría y apuntamiento de la siguiente datos

2 4 8 2
Desarrollo
Calculando 𝑥̅ =4 y s=2,45
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 48
= = 12
𝑛 4
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 288
= = 72
𝑛 4
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 /𝑛 12
𝐴𝑠 = 3
= = 0.421
𝑠 2,453
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 /𝑛 72
𝐴𝑝 = 4
−3= − 3 = −1
𝑠 2,454
Se trata de una distribución platicúrtica con asimetría positiva.
3. Calcular la Asimetría de los siguientes datos:

6 9 9 12 12 12 15 17
Datos (xi-𝑥̅ )^3
6 -166.375
9 -15,625
9 -15,625
132
12 0,125
12 0,125
12 0,125
15 42,875
17 166,375
Total 12
Desarrollo
𝑥̅ =11.5
S=3,279
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 /𝑛 12/8
𝐴𝑠 = 3
= = 0.035
𝑠 (3,279)3
Se muestra una simetría positiva.
4. Calcular la Asimetría de los siguientes datos:

6 9 9 12 12 12 15 17
Datos (xi-𝑥̅ )^4
6 915,0625
9 39,0625
9 39,0625
12 0,0625
12 0,0625
12 0,0625
15 150,0652
17 915,0652
Total 2058,5
133
Desarrollo
𝑥̅ =11.5
S=3,279
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 /𝑛 2058,5/8
𝐴𝑝 = −3= − 3 = −0,77
𝑠4 3,2794
Se trata de una distribución platicúrtica.
5. Calcule el índice de Apuntamiento a partir de los datos:

10-12-12-14-10-10-16-12-14-10
Desarrollo
𝑥̅ =12
s=2
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 /𝑛 352/10
𝐴𝑝 = 4
−3= − 3 = −0,8
𝑠 24
Se trata de una distribución platicúrtica.
6.4 DISTRIBUCIÓN BINOMIAL NEGATIVA
(Libro Galindo pagina 132; Probabilidad y Estadistica 2da Edición de Montmery,

Runger; pag 126 y Probabilidad y Estadistica de Jsusan Milton y jesse Arnold;
pag72)
1) Un avión de alto rendimiento contiene tres computadoras idénticas. Se

utiliza únicamente una operar el avión; las dos restantes son repuestos
que pueden activarse en caso de que el sistema primario falle. Durante
una hora de operación, la probabilidad de una falla en la computadora
primaria es 0.0005. Suponiendo que cada hora representa un ensayo
independiente. ¿Cuál es el tiempo promedio para que fallen 3
computadoras?
Desarrollo
134
Sea el número de horas hasta que los tres fallen sistemas fallen, y sea que X1, X2,
X3 denoten el número de horas operadas antes de una falla de la primera, la
segunda y la tercera computadoras usadas, respectivamente. Entonces,
X=x1+x2+x3, Además, se supone que las horas comprenden ensayos
independientes con probabilidad constante de falla p=0.0005. Por otra parte, una
computadora de repuesto no es afectada por la cantidad de tiempo que transcurra
antes de activarse. Por consiguiente, X tiene una distribución binomial negativa con
p=0,0005 y r=3. En consecuente.
E(X) =3/0.0005= 6000 horas
¿Cuál es la probabilidad de que las tres computadoras fallen en un vuelo en 5 horas?

La probabilidad es P (X≤5)
P (X≤5) = P(X=3)+ P(X=4)+ P(X=5)
3 4
= 0.00053 + ( ) 0.00053 (0.9995) + ( ) 0.00053 (0.9995)
2 2
= 1.25 ∗ 10−10 + 3.75 ∗ 10−10 + 7.49 ∗ 10−10
= 1.249 ∗ 10−9
2) Las fibras de algodón usadas en los propulsores de cohetes son
sometidas a un proceso de nitración, el cual permite que las fibras de
algodón entre en solución. Este proceso tiene efectividad de 90% en
cuanto a que el material producido pueda conformarse según se requiera
en una etapa ulterior de proceso, con probabilidad de 0,9, ¿Cuál es la
probabilidad de que se produzcan exactamente 20 lotes para obtener el
tercer lote defectuoso?
Desarrollo
En este caso, el “éxito” es la obtención de un lote defectuoso, por lo que p=0,1 y r=3. La
probabilidad de que X=20 está dada por:
19
𝑓(20) = ( ) 0.917 (0.13 )
2
3(0.9)
El valor esperado de X es 𝑟/𝑝 = 3/0.1 = 30 y la varianza de x es 𝑟𝑞/𝑝2 = (0.1)2 = 270.
Existe otro aspecto que debe resaltarse. Cuando r=1, la distribución binomial negativa
se reduce a la distribución geométrica.
135
3) Una máquina, que está dañada, envasa latas de conserva de una en una
y de manera independiente. Se considera que el 5% de lo envasado
resulta defectuoso. Si la maquina se detiene penas produce el tercer
defectuoso:
Desarrollo
a) ¿Cuál es el número de latas producidas hasta que se detiene la maquina?
Calculemos la esperanza de X:
𝑟 3
𝐸(𝑋) = = = 60
𝑝 0.05
Se esperaría producir 60 latas hasta que se detenga la máquina.
b) ¿Cuál es la probabilidad de que la maquina se detenga en la novena lata

producida?
Calculemos Pr(X=9)
3−1
Pr(𝑋 = 9) = 𝐶9−1 (0.05)3 (1 − 0.05)9−3 = 0.00257
c) ¿Cuál es la probabilidad de que se detenga sin producir ninguna lata buena?
Que ninguna lata producida fue buena, significa que las 3 primeras latas fueron
defectuosas; es decir, k=3
3−1
Pr(𝑋 = 3) = 𝐶3−1 (0.05)3 (1 − 0.05)3−3 = 0.00125
4) Suponiendo que la probabilidad de que una persona contraiga cierta

enfermedad a la que está expuesta 30%, calcule la probabilidad que la
décima persona expuesta a la enfermedad sea la cuarta en Contraerla.
Desarrollo
Cada persona expuesta a la enfermedad constituye un ensayo. Estos ensayos son
independientes y la probabilidad de éxito es 0.3.
136
Por la pregunta concluimos que es una Distribución Binomial negativa.
k=4, p=0.3
X= cantidad de ensayos realizados hasta obtener k éxitos
X=4,5, 6….
𝑥 − 1
𝑃(𝑋 = 𝑥) = ( ) 0,34 (1 − 0.3)𝑥−4 , 𝑥 = 4,5,6 ….
4 − 1
10 − 1
𝑃(𝑋 = 10) = ( ) 0,34 (1 − 0.3)10−4 = 0.08
4 − 1
5) Sí la probabilidad de que un cierto dispositivo de medición muestre una

desviación excesiva es de 0.05, ¿cuál es la probabilidad de que el sexto
de estos dispositivos de medición sometidos a prueba sea el tercero en
mostrar una desviación excesiva?
Desarrollo
k = 6 dispositivos de medición
r = 3 dispositivos que muestran desviación excesiva
p = p (dispositivo muestre una desviación excesiva) = 0.05
q = p (dispositivo no muestre una desviación excesiva) = 0.95
6−1
Pr(𝑋 = 6) = 𝐶3−1 (0.05)3 (1 − 0.05)6−3 = 0.001072
6.5 VARIABLES ALEATORIAS CONTINUAS (ESPERANZA Y

VARIANZA)
1) Suponga que f (x) = 0,25, para 0 < X < 4. Calcule :

a) La media de la variable aleatoria continua X
Desarrollo
∞ 4 0.25 42
E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫0 0.25𝑥 dx = 2
“es un valor promedio”
∞ 4 0.25 43
E (𝑥 2 )=∫−∞ 𝑥 2 𝑓(𝑥)dx =∫0 0.25𝑥 2 dx = 3
b) Varianza de la variable aleatoria continua X
Desarrollo
137
Var (x)=E (𝑥 2 ) −(E (𝑋))2
0.25 43 0.25 42 2 4
Var(x)= 3
−( 2
) =3
2) El peso (en gramos) de un insecto se distribuye según
1 si 1≤ 𝑥 ≤ 2
f(x) =
0 resto
Desarrollo
 Determine la esperanza de x:
∞ 2 22 12 3
E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫1 𝑥 dx = - =
2 2 2
∞ 2 23 13 7
E (𝑥 2 )=∫−∞ 𝑥 2 𝑓(𝑥)dx =∫1 𝑥 2 dx = 3 - =
3 3
 Determine la varianza de x:
Var (x)=E (𝑥 2 ) −(E (𝑋))2

7 3 1
Var(x)= 3 − (2)2 =12
3) El tiempo de vida (en años) de una determinada componente de un

juguete electrónico tiene por función de densidad
-6x(x-1) si 0≤ 𝑥 ≤ 1
f(x) =
0 resto
138
a) Hallar su esperanza y varianza
Desarrollo
∞ 1 1 3 1
E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫0 𝑥 (−6𝑥(𝑥 − 1)) dx =∫0 − 6𝑥 3 + 6𝑥 2 𝑑𝑥 =2 − 2 = 2
∞ 1 6 3 3
E (𝑥 2 )=∫−∞ 𝑥 2 𝑓(𝑥)dx =∫0 𝑥 2 (-6x(x-1)) dx =− + =
5 2 10
Var (x)=E (𝑥 2 ) −(E (𝑋))2

3 1 1
Var(x)= 10 − (2)2 =20
4) Calcule la media y la varianza de la estación de servicio de transporte

aéreo en donde x es una variable aleatoria continua que representa
tiempo de atención en horas, siendo su densidad de probabilidad
2
f(x)= 5
(x+2) 0≤ 𝑥 ≤ 1
0 otro x
Desarrollo
∞ 1 2 1 2 𝑥2 4𝑥 8
E(x)= E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫0 𝑥 (𝑥 + 2) dx =∫0 + 𝑑𝑥=
5 5 5 15
Es el tiempo de atención promedio para los clientes

∞ 1 2 1 2𝑥 3 4 𝑥2
E(𝑥 2 )=∫−∞ 𝑥 2 𝑓(𝑥)dx =∫0 𝑥 2 5
(𝑥 + 2)dx = ∫0 5
+ 5
𝑑𝑥
2 4 11
=(4)5 + (3)5=30
Var (x)=E (𝑥 2 ) −(E (𝑋))2

11 8
Var(x)= 30 − (15)2=0.0822
5) Calcule el promedio y la varianza para la atención en la cafetería

En donde x es una variable aleatoria continua que representa el tiempo (horas) siendo
su densidad de probabilidad
𝑥+1
2( 8
) 0≤ 𝑥 ≤ 2
f(x)=
0 otro caso
139
Desarrollo
∞ 2 𝑥+1 2 (2) 𝑥 2 (2)𝑥 (2) 8 (2) 4 7
E(x)= E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫0 2 𝑥 ( 8
) dx =∫0 8
+ 8
𝑑𝑥= 8(3) + 16 6
=
El promedio para la atención a cada cliente

∞ 2 𝑥+1 2 2𝑥 3 2𝑥 2
E (𝑥 2 )=∫−∞ 𝑥 2 𝑓(𝑥)dx =∫0 2𝑥 2 ( 8
)𝑑x = ∫0 8
+ 8
𝑑𝑥
2∗ 16 2∗8 5
= (4)8 + (3)8=3
Var (x)=E (𝑥 2 ) −(E (𝑋))2

5 7
Var(x)= 3 − (6)2 =0.3055
6.6 DISTRIBUCION DE WEIBULL
1) La duración de un ventilador , en horas, que se usa en un sistema

computacional tiene una distribución de Weibull con α= 1,5 y β= 0,0001
a) ¿Cuál es la probabilidad de que un ventilador dure más de 10000 horas?
Desarrollo
1,5
𝑃(𝑇 > 10000) = 1 − (1 − 𝑒 [(0,0001)(10000)] )
1,5
= 𝑒 −[(0,0001)(10000)] = 0,3679
b) ¿Cuál es la probabilidad de que un ventilador dure menos de 500 horas?
Desarrollo
1,5
𝑃(𝑇 ≤ 5000) = 1 − 𝑒 [(0,0001)(5000)] ) = 0,2978
2) Supongamos que, en un área donde se estudia la instalación de

aerogeneradores, la velocidad del viento en metros por segundo es una
variable aleatoria X con la siguiente función de distribución de Weibull.
2 𝑥2
𝐹𝑥 (𝑥) = 𝑥𝑒 𝑥−25 (𝑥 > 0)
25
(𝑥 < 0)
140
Si un modelo de aerogenerador está preparado para funcionar con velocidades de
viento, comprendidas entre los 3 y los 25 metros por segundo ¿qué proporción del
tiempo estaría funcionando una vez instalado en esa área?
Desarrollo
La proporción del tiempo en que el viento alcanza velocidades comprendidas entre los
3 y los 25 metros por segundo es la probabilidad de que en un momento cualquiera la
velocidad. Este en ese intervalo, es decir:
−252 −32
𝑃[3 ≤ 𝑋 ≤ 25] = 𝐹𝑋 (25 −)𝐹𝑋 (3) = (1 − 𝑒 25 ) − (1 − 𝑒 25 ) = 0,6977
(X es una variable continua y por eso podemos escribir P [3 ≤ X ≤ 25] = P [3 < X ≤ 25] =
FX (25) − FX (3).
El 69077 % del tiempo el aerogenerador estaría funcionando.
3) Suponga que X tiene una distribución de Weibull con α= 100 horas y β=

0,2 determine la esperanza y la varianza de X
Desarrollo
1
𝐸(𝑥) = 100Γ (1 + ) = 100 ∗ 5! = 1200 ℎ𝑜𝑟𝑎𝑠
0,2
1 1 2
𝑉(𝑥) = 1002 Γ (1 + ) − 1002 [Γ (1 + )] = 3,61𝑋1010
0,2 0,2
4) El tiempo de falla, en horas, de un rodamiento de una caja de velocidades

se modele satisfactoriamente como una variable aleatoria de Weibull con
β=1/2 y α= 5000 horas.
Determine el tiempo medio de falla y la probabilidad de que un rodamiento
dure más de 6000 horas. De la expresión de la media.
141
Desarrollo
1
𝐸(𝑥) = 5000Γ [1 + 0,5] = 5000Γ[3] = 5000 ∗ 2! = 10000 horas
Y tenemos
1
𝑃(𝑥 > 6000) = 1 − 𝐹(6000) = 𝑒𝑥𝑝 − [(6000/5000)2 ] = 𝑒 −1,095 = 0,334
Por lo tanto solo el 33,4% de todos los rodamientos durara al menos 6000 horas.
5) Asuma que la vida de una lámpara fluorescente sigue una distribución de

Weibull con parámetros β=2 y α= 10.000 horas
Desarrollo
Determine la probabilidad de que la lámpara dure al menos 8000 horas.

1
𝑃(𝑥 > 8000) = 1 − 𝐹(8000) = 𝑒𝑥𝑝 − [(8000/10000)2 ] = 𝑒 −0,64 = 0,5273
6.7 PROBABILIDAD CONDICIONAL
1) El 70% de empresas tiene errores en sus activos financieros, el 60% tiene

errores en sus pasivos financieros y el 40% tiene errores en sus activos y en sus
pasivos financieros. Obtén razonadamente el porcentaje de empresas sin
errores en sus activos, en sus pasivos o en ambos. De una muestra de 500
empresas, ¿cuántas se espera que no tengan errores ni en sus activos ni en
sus pasivos financieros?
Desarrollo
Llamemos A = {tener errores en los activos financieros} y B = {tener errores en los
pasivos financieros}. Entonces:
𝑃(𝐴) = 0,7
𝑃(𝐵) = 0,6
𝑃(𝐴 ⋂𝐵) = 0,4
El suceso “no tener errores en los activos financieros” es AC y por tanto:
𝑃(𝐴𝐶 ) = 1 − 𝑃(𝐴)
𝑃(𝐴𝐶 ) = 1 − 0,7
𝑃(𝐴𝐶 ) = 0,3 Lo que significa el 30%.
El suceso “no tener errores en los pasivos financieros” es B C y por tanto:
𝑃(𝐵𝐶 ) = 1 − 𝑃(𝐵)
142
𝑃(𝐵𝐶 ) = 1 − 0,6
𝑃(𝐵𝐶 ) = 0,4 Lo que significa el 40%.
El suceso “no tener errores en ambos” equivale a “no tener errores en los activos
financieros y no tener errores en los pasivos financieros”, es decir, AC ⋂ BC . Pero, por
las leyes de Morgan, AC ⋂ BC = (A ⋃ B)C. Entonces:
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 𝑃(𝐴 ∪ 𝐵)𝐶
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 1 − 𝑃(𝐴 ∪ 𝐵)
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 1 − [𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)]
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 1 − (0,7 + 0,6 − 0,4 )
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 1 − 0,9
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 0,1 Lo que significa un 10 %
Según lo anterior se espera que un 10% de las empresas no tengan errores ni en sus
activos ni en sus pasivos financieros. Si tenemos una muestra de 500 empresas
podemos esperar que:
10
500 = 50 Empresas no tengan errores ni en sus activos ni en sus pasivos
100
financieros.
2) Si los sucesos A y B son independientes y compatibles, ¿cuáles de las

siguientes afirmaciones son ciertas?
a) P(A ∩ B) = P(B)
Como A y B son independientes

=>𝑃(𝐴 ∩ 𝐵 ) = 𝑃(𝐴) ∗ 𝑃(𝐵) Esta última expresión solamente es igual a:
P (B) si P(A) = 1.
b) P (B ∩ A) = P(A) + P(B)
𝑃(𝐵 ∪ 𝐴) = 𝑃(𝐵) + 𝑃(𝐴) = 𝑃(𝐵 ∩ 𝐴) ). Si fuera cierta la afirmación entonces

=> 𝑃(𝐴) + 𝑃(𝐵) = 𝑃(𝐵) + 𝑃(𝐴) = 𝑃(𝐵 ∩ 𝐴)
=> 𝑃(𝐵 ∩ 𝐴) = 0
=> 𝐵 ∩ 𝐴 = ∅ Y esto es imposible pues A y B son compatibles. Así pues la afirmación
no es cierta.
143
3) Se ha comprobado que el 48% de los alumnos de Bachillerato de cierta región
son aficionados a la música clásica y a la pintura, y que el 60% de los aficionados
a la pintura también son aficionados a la música clásica. Si se elige al azar un
alumno de Bachillerato de esa región, ¿qué probabilidad hay de que no sea
aficionado a la pintura?
Desarrollo
Llamemos A = {ser aficionado a la música clásica} y B = {ser aficionado a la pintura}.
Según el enunciado P(A ∩ B) = 0,48 y P(A/B) = 0,6. Hemos de hallar
P (BC ). Pero como P(A/B) = P(A∩B)/P (B) entonces despejando tenemos
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵) =
𝑃(𝐴/𝐵)
0,48
𝑃(𝐵) = = 0,8
0,6
=> 𝑃(𝐵𝐶 ) = 1 − 𝑃(𝐵) = 1 − 0,8 = 0,2
4) En una clase hay 12 alumnos y 16 alumnas. El profesor saca a 4 a la pizarra.

¿Cuál es la probabilidad de que todas sean alumnas?
Desarrollo
Llamemos A1 = {la primera es alumna}, A2 = {la segunda es alumna}, A3 = {la tercera
es alumna}, A4 = {la cuarta es alumna}, B1 = {el primero es alumno}, B2 = {el segundo
es alumno}, B3 = {el tercero es alumno} y B4 = {el cuarto es alumno}.
=>P (todas alumnas) = P (1ª alumna y 2ª alumna y 3ª alumna y 4ª alumna) = P (A1 Ç
A2 Ç A3 Ç A4)
𝐴2 𝐴3
=> 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ∩ 𝐴4 ) = 𝑃(𝐴1 ) ∗ 𝑃 ( ) ∗ 𝑃 ( ∩ 𝐴2 ) ∗ 𝑃(𝐴4 /𝐴1 ∩ 𝐴2 ∩ 𝐴3 )
𝐴1 𝐴1
16 15 14 13
= ( ) ( ) ( ) ( ) = 0,089
28 27 26 25
5) Un estudiante hace dos pruebas en un mismo día. La probabilidad de que
pase la primera es 0,6 la probabilidad de que pase la segunda es 0,8 y la
de que pase ambas es 0,5. Se pide:
a) Probabilidad de que pase al menos una prueba.

b) Probabilidad de que no pase ninguna prueba.
144
Desarrollo
Llamemos A = {pasar primera prueba} y B = {pasar segunda prueba}. Se nos

proporcionan tres probabilidades: P(A) = 0’6, P (B) = 0’8 y P(A Ç B) = 0’5.
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐴 ∩ 𝐵) = 0,6 + 0,8 − 0,5 = 0,9

𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 𝑃(𝐴 ∪ 𝐵)𝐶 = 1 − 𝑃(𝐴 ∪ 𝐵) = 1 − 0,9 = 0,1
6) En una muestra de 1.000 personas hay 300 que saben inglés, 100 que saben
ruso y 50 ambos idiomas. Con estos datos averigua si son independientes
o no los sucesos: “saber inglés” y “saber ruso”.
Desarrollo
Llamemos A = {saber inglés} y B = {saber ruso}.

Entonces:
300
𝑃(𝐴) = = 0,3
1000
100
𝑃(𝐵) = = 0,1
1000
50
𝑃(𝐴 ∩ 𝐵 = = 0,05)
1000
Para que los sucesos Ay B sean independientes se ha de cumplir que:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵) PERO
𝑃(𝐴) ∗ 𝑃(𝐵) = 0,3 ∗ 0,1 = 0,03 ≠ 0,05 = 𝑃(𝐴 ∩ 𝐵) .Así A y B son independientes.
7) Estudiando un determinado colectivo de personas resulta que: 2 de cada 5

son morenas, y 3 de cada 9 tienen los ojos azules, teniendo el resto los
ojos de distinto color al azul. Calcula las siguientes probabilidades:
a) Que una persona sea morena y tenga los ojos azules.

b) Que una persona sea morena o no tenga los ojos azules
145
Desarrollo
Llamemos M = {ser morena} y A = {tener los ojos azules}. Entonces P (M) = 2/5 y
P(A) = 3/9 = 1/3. Además ambos sucesos son claramente independientes pues el color
del pelo o de la piel no debe de influir para nada en el color que se tenga de ojos.
2 1 2
𝑃(𝑀 ∩ 𝐴) = 𝑃(𝑀) = ( ) ( ) =
5 3 15
𝑃(𝑀 ∪ 𝐴𝐶 ) = 𝑃(𝑀) + 𝑃(𝐴𝐶 ) − 𝑃(𝑀 ∩ 𝐴𝐶 ) = 𝑃(𝑀) + 𝑃(𝐴𝐶 ) − 𝑃(𝑀) ∗ 𝑃(𝐴𝐶 )
2 2 2 2 2 2 4 12 4
= + − ∗ = + − = =
5 3 5 3 5 3 15 15 5
8) Para la señalización de emergencia de un hospital se han instalado dos

indicadores que funcionan independientemente. La probabilidad de que el
indicador A se accione durante la avería es de 0,99, mientras que para el
indicador B, la probabilidad es de 0,95:
a) Calcula la probabilidad de que durante una avería se accione un solo indicador.
Desarrollo
𝑃[(𝐴 ∩ 𝐵𝐶 ) ∪ (𝐵 ∩ 𝐴𝐶 )] = 𝑃(𝐴 ∩ 𝐵𝐶 ) + 𝑃(𝐵 ∩ 𝐴𝐶 )
= 𝑃(𝐴 − 𝐵) + 𝑃(𝐵 − 𝐴)
= 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐵) − 𝑃(𝐵 ∩ 𝐴)
= 𝑃(𝐴) + 𝑃(𝐵) − 2 ∗ 𝑃(𝐴 ∩ 𝐵)
= 0.99 + 0,95 − 2 ∗ 0,99 ∗ 0,95 − 1,881 = 0,059
b) Calcula la probabilidad de que durante una avería no se accione ninguno de los

dos indicadores.
Desarrollo
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = (𝐴 ∪ 𝐵)𝐶 = 1 − 𝑃(𝐴 ∪ 𝐵) = 1 − [𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

= 1 − (0,99 + 0,95 − 0,99 ∗ 0,95) = 1 − 𝑂, 9995 = 0,0005
9) Dos profesores comparten un número de teléfono. De las llamadas que

llegan, 2/5 son para el profesor A y 3/5 son para el profesor B. Sus
146
ocupaciones docentes les alejan de este teléfono, de modo que A está
fuera el 50% del tiempo y B el 25%. Calcula la probabilidad de estar
presente un profesor cuando le llamen.
Desarrollo
Sean A = {llamar al profesor A}, B = {llamar al profesor B}, F = {estar fuera}. El problema
ofrece las siguientes probabilidades: P(A) = 2/5 = 0,4 P (B) = 3/5 = 0,6P (F/A) = 0,5 y P
(F/B) = 0,25. De estas dos últimas probabilidades se deduce claramente la
probabilidades P ( FC/A) = 0’5 (del tiempo que A está presente) y
P( FC/B) = 0,75 (del tiempo que B está presente).
La probabilidad de estar presente un profesor cuando le llamen se puede representar
así:
𝑃[(𝐹 𝐶 ∩ 𝐴) ∪ (𝐹 𝐶 ∩ 𝐵)] = 𝑃(𝐹 𝐶 ∩ 𝐴) + 𝑃(𝐹 𝐶 ∩ 𝐵)
𝐹𝐶 𝐹𝐶
= 𝑃 ( 𝐴 ) ∗ 𝑃(𝐴) + 𝑃 ( 𝐵 ) ∗ 𝑃(𝐵)
= 0,5 ∗ 0,4 + 0,75 ∗ 0,6 = 0,65

10) El despertador de Javier no funciona muy bien, pues el 20% de las veces no
suena. Cuando suena, Javier llega tarde a clase con probabilidad 0,2, pero si no
suena, la probabilidad de que llegue tarde es 0,9. Javier ha llegado tarde a clase,
¿cuál es la probabilidad de que haya sonado el despertador?
Desarrollo
Sean los sucesos S = {el despertador de Javier suena} y T = {Javier llega tarde a clase.
Entonces P(S) = 0,8 P (T/S) = 0,2 y P (T/S) = 0,9.
𝑆 𝑃(𝑆 ∩ 𝑇) 0,16
𝑃( ) = = ) = 0,47
𝑇 𝑃(𝑇) 0,34
6.8 BAYES
Devore J. (2010). Probabilidad y estadística para ingeniería y ciencias. (Séptima

edición). Cengage learning. México. Pág. 48-49, 54-57
1) En la sala de pediatría de un hospital, el 60% de los pacientes son niñas.

De los niños el 35% son menores de 24 meses. El 20% de las niñas tienen
147
menos de 24 meses. Un pediatra que ingresa a la sala selecciona un infante
al azar.
a) Determine el valor de la probabilidad de que sea menor de 24 meses.

Desarrollo
Nota: En los ejercicios de teorema de bayes, es importante identificar los sucesos que
forman la población y cuál es la característica que tienen en común dichos sucesos. En
este caso los sucesos serán:
Suceso H: seleccionar una niña.

Suceso V: seleccionar un niño.
Suceso M: infante menor de 24 meses.
En este caso, la población es de los infantes. Y la característica en común es que sean

menores de 24 meses. Por lo tanto, la probabilidad de seleccionar un infante menor de
24 meses será:
P (M) = P (H)*P (M/H) +P (V)*P (M/V)

P (M)=0.6*0.2+0.4*0.35
P (M)=0.26
Existe una probabilidad de 0.26 de que el infante escogido al azar por la enfermera sea
menor de 24 meses
b) Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea

una niña.
Desarrollo
Primero, hay que reconocer que es una probabilidad condicionada y que la característica
común de los sucesos condicionantes ya ha ocurrido. Entonces, la probabilidad de que
sea niña un infante menor de 24 meses será:
𝑃(𝐻)∗𝑃(𝑀/𝐻)
P (H/M) = 𝑀
𝑃(𝐻)∗𝑃( )+𝑃(𝑉)∗𝑃(𝑀/𝑉)
𝐻
0.6∗0.2
P (H/M)=0.6∗0.2+0.4∗0.35
P(H/M)=0.12/0.26
148
P (H/M)=0.46
La probabilidad de que el infante sea niña dado que es menos de 24 meses es de 0.46
2) Un médico cirujano se especializa en cirugías estéticas. Entre sus

pacientes, el 20% se realizan correcciones faciales, un 35% implantes
mamarios y el restante en otras cirugías correctivas. Se sabe además, que
son de género masculino el 25% de los que se realizan correcciones
faciales, 15% implantes mamarios y 40% otras cirugías correctivas. Si se
selecciona un paciente al azar, determine:
a) Determine la probabilidad de que sea de género masculino

Desarrollo
Se definen los sucesos:

Suceso F: pacientes que se realizan cirugías faciales
Suceso M: pacientes que se realizan implantes mamarios
Suceso O: pacientes que se realizan otras cirugías correctivas
Suceso H: pacientes de género masculino
La probabilidad de que sea de género masculino se refiere a un problema de
probabilidad total, ya que es el suceso condicionado y las cirugías los condicionantes.
Dicho valor será:
P (H)=P (F)*P (H/F)+P (M)*P (H/M)+P(O)*P(O/H)

P (H)= 0.2*0.25*0.35*0.15+0.45*0.40
P (H)=0.28
b) Si resulta que es de género masculino, determine la probabilidad que se haya

realizado una cirugía de implantes mamarios.
Desarrollo
Como el suceso condicionado ha ocurrido entonces se aplica el teorema de bayes,
luego, el valor de la probabilidad será:
𝑃(𝑀)∗𝑃(𝐻/𝑀)
P (M/H) = 𝐻
𝑃(𝐹)∗𝑃(𝐻/𝐹)+𝑃(𝑀)∗𝑃( )+𝑃(𝑂)∗𝑃(𝑂/𝐻)
𝑀
0.35∗0.15
P (M/H)=0.2∗0.25+0.35∗0.15+0.45∗0.40
P(P/M)=0.0525/0.2825 = 0.19
149
3) Un Doctor dispone de tres equipos electrónicos para realizar
ecosonogramas. El uso que le da a cada equipo es de 25% al primero, 35%
el segundo en y 40% el tercero. Se sabe que los aparatos tienen
probabilidades de error de 1%, 2% y 3% respectivamente. Un paciente
busca el resultado de una ecografía y observa que tiene un error. Determine
la probabilidad de que se ha usado el primer aparato.
Desarrollo
Se definen los sucesos:

Suceso P: seleccionar el primer aparato
Suceso S: seleccionar el segundo aparato
Suceso T: seleccionar el tercer aparato
Suceso E: seleccionar un resultado con error
Se puede observar que la pregunta es sobre determinar la probabilidad de que un
examen errado sea del primer aparato, es decir, ya ha ocurrido el error. Por lo tanto,
debemos recurrir al teorema de bayes. Claro está, que es necesario de igual forma
obtener la probabilidad de que los aparatos produzcan un resultado erróneo, por lo tanto:
P(P)∗P(E/P)
P (P/E)= 𝐸 𝐸
𝑃(𝑃)∗𝑃( )+𝑃(𝑆)∗𝑃( )+𝑃(𝑇)∗𝑃(𝐸/𝑇)
𝑃 𝑆
0.25∗0.01
P (P/E)=
0.25∗0.01+0.35∗0.02+0.4∗0.03
P (P/E)= 0.0025/0.0215 = 0.116
Ej. Tomados del Libro de Walpole R., Myers R., Myers D. (1999). Probabilidad y
estadística para ingenieros. (Sexta edición). Pag 48 y49.
4) En cierta planta de montaje, tres máquinas, B1, B2 y B3, montan 30%, 45%
y 25% de los productos respectivamente. Se sabe de la experiencia pasada
que el 2%, #% y 2% de los productos ensamblados por cada máquina,
respectivamente, tiene defectos. Ahora, suponga que se selecciona de
forma aleatoria un producto terminado ¿Cuál es la probabilidad de que esté
defectuoso?
Desarrollo
Considere los eventos siguientes
A: el producto está defectuoso.
B1: El producto está ensamblado por la máquina B1
150
Al aplicar la regla de eliminación, podemos escribir:
P(A)= P(B1)P(A/B1)+P(B2)P(A/B2)+P(B3)P(A/B3)
P (B1) P (A/B1) = (0.3) (0.02) =0.006
P (B2) P (A/B2) = (0.45) (0.03) =0.0135
P(B3)P(A/B3)=(0.25)(0.02)=0.005
P(A)=0.006+0.0135+0.005
P(A)=0.0245
5) Con referencia al ejercicio anterior, si se elige al azar un producto y se

encuentra que es defectuoso ¿Cuál es la probabilidad de que esté
ensamblado por la máquina B3
Desarrollo
Con el uso de la regla de Bayes:
𝑃(𝐵3)𝑃(𝐴/𝐵3)
P (B3/A) = 𝐴 𝐴
𝑃(𝐵1)𝑃( )+𝑃(𝐵2)𝑃( )+𝑃(𝐵3)𝑃(𝐴/𝐵3)
𝐵1 𝐵2
0.005
P (B3/A)=0.006+0.0135+0.005
P(B3/A)=0.005/0.0245
P (B3/A)=10/49
151
7. ANEXOS
ANEXO 1
R CÓDIGO ABIERTO
Ingreso de datos.
Variable <-c (datos)
C nos sirve para concatenación o unión.

<- para asignación.
Ingresamos los datos de las edades de los niños mediante asignación <-c(datos).
Sumar
Variable <-sum(datos)
Utilizamos la función sum(datos) se obtiene la suma los datos ingresados.

Extraer dato.
Variable [3]
Utilizando [posición] extraeremos el número que se encuentra en esa posición, según

el orden del vector.
Enumeración.
datos<-1:20
Utilizando 1:20 se obtendrá la enumeración del 1 al 20.
152
VALOR MÍNIMO.
min(datos)
Utilizamos la función min (datos) obtendremos el valor mínimo de los datos

ingresados.
VALOR MÁXIMO.
max(datos)
Utilizamos la función max (datos) obtendremos el valor máximo de los datos

ingresados.
ELEGIR ALEATORIAMENTE.
sample(limites, número de términos)
Utilizamos la función sample(limites, número de términos) obtendremos el número

de valores ingresado, que se seleccionaron aleatoriamente dentro del valor mínimo y
el máximo.
ORDENAR DATOS.
sort(datos, decreasing=FALSE)
Utilizamos la función sort(datos, decreasing=TRUE) obtendremos los datos

ingresados en orden asendente.
sort(datos decreasing=TRUE)
153
Utilizamos la función sort(datos, decreasing=FALSE) obtendremos los datos
ingresados en orden descendente.
CONJUNTO POTENCIA
Para este proceso necesitamos el siguiente paquete.
install.packages('HapEstXXR')
library(HapEstXXR)
powerset(1:4)
El comando powerset nos da la conjunto potencia de lo especificado.
154
GRAFICAS HSITOGRAMA.
hist(datos,main=”titulo del grafico”,
xlab=”titulo en el eje x”
ylab=”titulo en el eje y”
Utilizamos el comando hist para hacer un histograma.
155
DIAGRAMA DE PASTEL
pie (datos, clockwise=sentido de las agujas del relog, main=”Titulo del diagrama”)
Utilizamos el comando pie para hacer una gráfica de pastel.
DIAGRAMA DE CAJA.
Boxplot(datos,main=”Titulo principal”,sub=”Subtitulo”,ylab=”Tituloen y”)
156
Utilizamos el comando boxplot para hacer un diagrama de caja.
Anexo 2
INTERFASE GRAFICA EN R
Como tenemos conocimiento R es un programa estadístico muy potente y versátil que

permite realizar desde las operaciones más básicas estadísticas hasta las más
complejas lo cual es una gran ayuda al momento de realizar trabajos en diferentes
campos.
Una herramienta es la que nos permite realizar una interface gráfica con la cual se puede
ser mucho más amable con el usuario que necesite de dicho programa, las ventajas de
realizar una aplicación con interface de R es que no necesitaremos escribir los
comandos para realizar las operaciones una y otra vez sino que solo ejecutamos nuestra
interface y esta internamente ejecutara las líneas de programación ya establecidas cada
vez que ejecutemos una acción.
En este pequeño manual se revisara comandos básicos con los cuales podremos
ejecutar acciones por botones, mostrar datos en espacios de texto, ingresar datos o
información a partir de teclado, mostrar datos, y algunas otras funciones básicas que
nos ayudará a realizar nuestra primera GUI en R. Para el ejemplo que realizaremos
necesitaremos las librerías:
 tcltk
 relimp
 gWidgetstcltk
Los cuales se los puede agregar en el programa siguiendo los pasos:
 Una vez abierto el programa R damos clic en "Packages” ubicado en la barra de

herramientas.
 Seleccionamos la opción “Install Package(s)”
 Se abrirá un cuadro de dialogo que nos preguntara el servidor del que deseamos
descargar el paquete deseado, lo podemos dejar por defecto “0Cloud” y
presionamos “OK”
 Una vez que recepte los datos del servidor nos mostrara una lista de paquetes
disponibles seleccionamos el deseado y presionamos en “OK”
Otra forma de agregar paquetes es descargando el paquete comprimido de la página:
http://cran.r-project.org/web/packages/available_packages_by_ name.html
Una vez descargados los paquetes comprimidos necesarios tenemos que seguir los
siguientes pasos para usarlos:
 Una vez abierto el programa R damos clic en “Packages” ubicado en la barra de

herramientas.
 Seleccionamos luego damos clic en “Install package(s) from local zip files”.
157
 Se abrirá un cuadro de dialogo en el que buscaremos la dirección de los archivos
descargados y presionamos en “Abrir”.
 Con esto se instalaran los paquetes que necesitamos.
Una vez instalados los paquetes en la siguiente tabla veremos algunos comandos con
su descripción.
Comandos Descripción
tktoplevel Sirve para crear una nueva
ventana en donde
ubicaremos todos los
elementos que tendrá nuestra
interface.
tkwm.title Sirve para poner título a la
ventana creada.
tkwm.title Sirve para poner título a la
ventana creada.
tkgrid Sirve para ubicar los
elementos dentro de la
ventana deseada.
tklabel Sirve para añadir etiquetas en
la interface.
tkbutton Sirve para crear un botón.
tkdestroy Sirve para terminar la
ejecución de las ventanas.
Cuadro 1: Comandos básicos para crear una Interface simple.

Con esta breve introducción estamos listos para realizar nuestra interface, la que
consistirá en el ingreso de datos por teclado, la visualización de los mismos en una tabla,
y el manejo de dichos datos con los cuales encontraremos promedio, media, varianza.
Además veremos cómo realizar una función la cual se asocia con cada uno de los
botones y realizar acciones.
Lo primero que debemos hacer es crear un script en el cual escribiremos lo siguiente:
 require(tcltk) % Carga la librería cada vez que se ejecute el script.
Figura 1: Ventana Principal
158
 c<-tktoplevel() % Crea una ventana y le asigna el nombre “c”.
 tkwm.title(c, “Ejemplo”) % Establece un nombre a la ventana.
Una vez realizado esto como resultado tendremos lo siguiente.
Ya que tenemos la ventana creada nos damos cuenta que tiene el nombre que
establecimos anteriormente, lo siguiente que realizaremos es la creación de botones,
para ello añadiremos las siguientes líneas de comandos.
 Ingreso.but<-tkbutton(c,text=“Ingreso de Datos”,command=IngresoDatos)%
Crea un botón que en la ejecución del programa se establecerá como “Ingreso”,
además se agrega el label “Ingreso de Datos” que será la etiqueta que se
visualiza en la ventana, además con la parte “command=IngresoDatos” hace una
llamada a la función dicha función realiza una secuencia de instrucciones.
 tkgrid(Ingreso.but)% Agrega el Botón a la ventana creada, este botón no
realizara ninguna acción ya que la función asignada al botón no está creada.
Hecho esto observamos lo siguiente. Ahora crearemos la función para el botón creado
esto nos ayuda a que cuando presionemos el botón ejecute las acciones dentro de la
función. Para esto haremos lo siguiente:
 IngresoDatos<-function(){ }% Crea la función “IngresoDatos” este es el nombre

que se buscara en el llamado de la función
Hecho esto creamos una función que será la respuesta al llamado cada vez que se
presione el botón, como la función esta sin ninguna acción al interior cada
Figura 2: Ventana Principal con un Botón
Figura 3: Ventana para Ingreso de Datos por Teclado

Una vez que presionemos el botón no se observa ninguna reacción en el programa,
agreguemos acciones en esta función y como dice el nombre del botón vamos a agregar
las acciones necesarias para insertar los datos y hacer las operaciones para el cual
estamos elaborando este programa.
159
Dentro de las llaves de la función escribimos lo siguiente:
 x=ginput(“Ingrese la cantidad de datos”)% Crea una variable “x” a la cual se le

asignara los valores insertados por teclado mediante el comando “ginput” el cual
abre un cuadro de dialogo como el que observamos en la siguiente imagen.
 x=as.numeric(x) % Transforma los datos guardados en “x” en una variable
numérica la cual nos permitirá realizar operaciones y ocupar en nuestro
programa.
 y<-matrix(nrow=x,ncol=1)% Crea una matriz y le asigna el nombre “y” la cual va
a ser una variable global para poder ocupar en distintas partes del programa,
fijamos la cantidad de filas y columnas.
 for (i in 1:x) { y[i,]<-ginput(“Ingrese los datos”, icon=“question”) } % Crea un bucle
para el ingreso de datos por teclado.
 r<-tktoplevel()% Creamos una nueva ventana donde mostramos los errores.
 tkwm.title(r,“Resultados”)% Establece el título “Respuestas” a la ventana creada
donde vamos a mostrar los resultados.
 y=as.numeric(y)% Transforma los datos de la variable “y” en numérica para
poder manejar los resultados.
 prom<-mean(y)% Saca el promedio de los datos ingresados en la variable “y”.
 prom<-toString(prom) % Transforma el valor guardado en la variable “prom” a
una cadena de caracteres para poder mostrarlo en la ventana de resultados.
 varianza<-var(y)% Saca la varianza de los datos ingresados en la variable “y”.
 varianza<-toString(varianza)% Transforma el valor en la variable “varianza” en
 mediana<-median(mediana)% Saca la mediana de los datos ingresados en la
variable “y”
 mediana<-toString(mediana)% Transforma el valor en la variable “mediana” en
 tkgrid(tklabel(r,text=),tklabel(r,text="Promedio= "),tklabel(r,text=prom))% Agrega
la etiqueta “Promedio=” y el valor guardado en la variable “prom” a la ventana
“r”.
 tkgrid(tklabel(r,text=),tklabel(r,text="Mediana="),tklabel(r,text=mediana))%
Agrega la etiqueta “Mediana=” y el valor guardado en la variable “mediana” a la
ventana “r”.
 tkgrid(tklabel(r,text=),tklabel(r,text="Varianza="),tklabel(r,text=varianza))%
Agrega la etiqueta “Varianza=” y el valor guardado en la variable “varianza” a la
ventana “r”.
Con esto la ventana de resultados presentara los resultados de la siguiente manera:
Luego de esto vamos a agregar un par de botones con las funciones que nos permitirá
visualizar los datos en una ventana aparte, y un botón que nos permite salir de la
interface.
Para mostrar los datos en una nueva ventana debemos importar el paquete “relimp”.
 Mostrar.but<-tkbutton(c,text="Mostrar Datos",command=MostrarDatos)% Crea

un nuevo botón que va a tener el nombre “Mostrar” y va a llamar a la función
“MostrarDatos”.
160
Figura 4: Ventana de Resultados
Exit.but<-tkbutton(c,text="Salir",command=Salir)% Crea un nuevo botón que va a tener

el nombre “Salir” y va a llamar a la función “Salir”.
tkgrid(tklabel(c,text=))% Salta un Espacio, esto nos sirve para poder ordenar los botones
y etiquetas, con lo cual podemos alinear los elementos.
tkgrid(tklabel(c,text=),Mostrar.but,tklabel(c,text=))% Realiza una tabulación y agrega el
botón de “Mostrar”.
tkgrid(tklabel(c,text=),Exit.but)% Realiza una tabulación y agrega el botón de “Salir”.
Crearemos las funciones de los botones agregados.
MostrarDatos<-function(){ }% Crea la función “MostrarDatos” aun sin realizar ninguna
acción.
Agregamos la acción que realizara la función “MostrarDatos”.
showData(y)%
Este comando pertenece a la librería “relimp” el cual muestra en una nueva ventana los
datos de una variable.
Los datos con el comando “showData” se mostraran de la siguiente manera.
Agregaremos la función para el botón salir, el cual permite cerrar la ejecución de la
interface.
 Salir<-function(){ }% Crea la función “Salir”.

 tkdestroy(c)% Cierra la ventana asignada con el nombre “c”.
 tkdestroy(r)% Cierra la ventana asignada con el nombre “r”.
161
Figura 5: Ventana donde se Muestran los Datos
Figura 6: Ventana Principal
Figura 7: Ventana de Resultados
Figura 8: Ventana donde se Muestran los Datos
Una vez insertado todos los elementos la ventana principal de la aplicación quedara de
la siguiente manera: El programa completo deberá quedar de la siguiente manera:
require(tcltk)
require(relimp)
require(gWidgets)
options(guiToolkit="tcltk")
require(gWidgetstcltk)
c<-tktoplevel()
tkwm.title(c,.ejemplo")
IngresoDatos<-function(){
x=ginput(Ïngrese cantidad de datos")
x=as.numeric(x)
162
y<-matrix(nrow=x,ncol=1)
for (i in 1: x ){
y[i,]<-ginput(Ïngrese los datos", icon="question")
}
r<-tktoplevel()
tkwm.title(r,Resultados")
y=as.numeric(y)
prom<-mean(y)
prom<-toString(prom)
varianza<-var(y)
varianza<-toString(varianza)
mediana<-median(y)
mediana<-toString(mediana)
tkgrid(tklabel(r,text=),tklabel(r,text="Promedio="),tklabel(r,text=prom))
tkgrid(tklabel(r,text=),tklabel(r,text="Mediana="),tklabel(r,text=mediana))
tkgrid(tklabel(r,text=),tklabel(r,text="Varianza= "),tklabel(r,text=varianza))
}
MostrarDatos<-function (){
showData(y)
}
Salir<-function(){
tkdestroy(c)
tkdestroy(r)
}
Ingreso.but<-tkbutton(c,text=Ïngreso de Datos",command=IngresoDatos)
Mostrar.but<-tkbutton(c,text="Mostrar Datos",command=MostrarDatos)
Exit.but<-tkbutton(c,text="Salir",command=Salir)
tkgrid(tklabel(c,text=))
tkgrid(tklabel(c,text=),Ingreso.but)
tkgrid(tklabel(c,text=),Mostrar.but,tklabel(c,text=))
tkgrid(tklabel(c,text=),Exit.but) tkgrid(tklabel(c,text=))
163
Anexo 3
PAQUETE GWIDGETSTCLTK (gWidgetstcltk)

Es un conjunto de métodos que nos ayudan a interactuar con herramientas GUI.
En este caso, el conjunto de herramientas tcltk
Uso
library(gWidgetstcltk)
Los principales objetos de esta librería son:
CONTENEDOR
Los widgets(objetos) son puestos en contenedores que pueden a su vez ser puestos
dentro de otros contenedores. El contenedor de base se conoce como una ventana el
mismo que puede ser llamado por la siguiente expresión.
gwindow ( ):
Argumentos
width= y height: Son los argumentos que se refieren al tamaño de ventana, no al tamaño
por defecto.
title = "Ventana": Es el título de la ventana
visible = TRUE: Hacemos visible a la ventana o no
164
EJEMPLOS
gwindow (title = "MEDIA Y MEDIDAS DE DISPERCION", visible = TRUE, name =título,

width = 500, altura =500)
VENTANAS DE DIALOGOS
Un diálogo es un widget que dibuja su propia ventana. Estos diálogos se utilizan para
cosas simples como la recopilación de datos una línea de entrada, confirmación, etc.,
mediante la expresión
ginput().
Argumentos
message: Mensaje que se muestra para el widget
title: Título de la ventana
icon: Qué icono mostrar
text: valor por defecto para el texto ginput
165
Ejemplo # 1
TEXTOS
Este widget nos ayudara para agregar un texto; el cual se mostrara en la ventana.
Usaremos la siguiente expresión:
glabel(text=”Cualquier texto ”, container=ventana)
Argumentos
text: Es el texto tal cual aparecerá

Container: Nos permitirá agregar nuestro texto a nuestra ventana
166
Ejemplo # 2
BOTON ( gbutton())
Un widget de botón se utiliza para presentar un widget que el usuario usa para iniciar
alguna acción esto lo realiza presionándolo con el mouse.
Los botones pueden mostrar texto y / o imágenes cuyo sombreado indica que el botón
es pulsado
Para nosotros hacer funcionar nuestro botón tenemos que crear una acción la cual la
definiremos mediante una función. La describiremos a continuación.
Accion1<-Funcion(){
}
Dónde:
Accion1: Es nombre de la función
Funcion: Será el nombre del método que estamos creando
{ }: Dentro de las llaves programaremos la acción; es decir lo que queremos
que suceda después de que presionemos el botón
Argumentos.
Text Texto a mostrar en el botón. Para los botones, si este texto coincide de archivo
icono, se mostrará un icono también.
Handler: Llamado en un evento de clic
167
Ejemplo # 3
gbutton(text = "", handler = NULL)
REPOSITORIO DE LOS VALORES DE INGRESO (svalue())

El método svalue devuelve el valor seleccionado, en nuestro caso lo usaremos para
poder cambiar el valor del label (texto)
svalue(variable)<-nombredevariable
Argumento
Recibe como argumento la variable del label que queremos cambiar
168
Ejemplo # 4
CODIGO DEL PROGRAMA DE MEDIA O PROMEDIO DE UN CONJUNTO DE

DATOS
win <- gwindow(title = "MEDIA Y MEDIDAS DE DISPERSION")
grp.buttons <- ggroup(container = win, horizontal = TRUE)
grp.buttons2 <- ggroup(container = grp.buttons, horizontal = FALSE)
grp.buttons4 <- ggroup(container = grp.buttons, horizontal = FALSE)
169
grp.results <- ggroup(container = win, horizontal = TRUE)
sumatotal<-0
x2<-0
gen<-0
lectura<-function(h) {
x1<-as.numeric(svalue(x))
print(x1)
}
cuantos<-ginput("INGRESE LA CANTIDAD DE DATOS PARA
OPERAR",title="Entrada")
gen<-as.numeric(cuantos)
print(gen)
for(i in 1:cuantos){
x<-ginput(i,title="Terminos")
x2[i]<-lectura(x)
sumatotal<-sumatotal+x2[i]
}
egen<-sumatotal/gen
accion1media<-function(h){
e<-sumatotal/gen
svalue(result)<-e
}
}
gbutton("Media", cont=grp.buttons2, handler = accion1media)
gbutton("EXIT", cont=grp.buttons4, handler = accionsalir)
str<-glabel("El resultado es", cont = grp.results, expand=TRUE)
result<-glabel("NaN", cont = grp.results, expand=TRUE)
170
PROGRAMA DE DISTRIBUCION BINOMIAL
171
OPERANDO CON LA FUNCION DE DISTRIBUCION (dbinom)
OPERANDO CON LA FUNCION DE DENSIDAD (pbinom)
172
#LLAMAMOS A LA LIBRERIA
#CREAMOS LA VENTANA Y LE DAMOS NOMBRE

ventana=gwindow(title="DISTRIBUCION BINOMIAL")
#CREAMOS Y AGREGAMOS A LA VENTANA UN CONTENERDOR GENERAL

grp <- ggroup(container = ventana, horizontal = TRUE)
#HACEMOS EL USO DE PANELES PARA AGRAGAR A LA VENTANA LOS TEXTOS

Y EDITABLES
#AL MOMENTO DE CREAR EL EDITABLE EPECIFICAMOS QUE QUEREMOS QUE
ESTE VACÍO COMO DEFAULT
#Y QUE EL TIPO DE DATO SEA NUMÉRICO PARA ELLO USAMOS (coerce.with)
grupo2 <- gframe("x",container = ventana, horizontal = TRUE)
paracuanto<-glabel("Para cuantos desea calcular ", cont = grupo2, expand=TRUE)
insertado1<gedit("",cont=grupo2,width=25,coerce.with=as.numeric,expand=TRUE,
horizontal=TRUE)
grupo3 <- gframe("n",container = ventana, horizontal = TRUE)

numensayo<-glabel("Numero de ensayos de bernoulli ", cont = grupo3, expand=TRUE)
horizontal = TRUE)
grupo4 <- gframe("p",container = ventana, horizontal = TRUE)

probaexito<-glabel("Probabilidad de exito ", cont = grupo4, expand=TRUE)
horizontal= TRUE)
173
#AGREGAMOS UN BOTON SELECCIONADOR O GRADIO PARA PORDER
SELECCIONAR EL TIPO
#FUNCIÓN QUE DESEAMOS GRAFICAR
grupo5 <- gframe("Tipo de gráficas",container = ventana, horizontal = TRUE)

tipograficas<-c(Distribucion="dbinom", Densidad="pbinom")
distribucion <- gradio(names(tipograficas),
horizontal=FALSE,cont=grupo5,expand=TRUE,handler=accion4)
#AÑADIMOS UN BOTÓN PARA REALIZAR LA ACCIÓN DE CALCULAR

grupo <- ggroup(container = grp, horizontal = TRUE)
gbutton("Calcular", cont=grupo, handler = accion4)
#HACEMOS UN MÉTODO O FUNCIÓN PARA LA LECTURA DE LOS DATOS

#PARA TOMAR LOS VALORES INSERTADOS HACEMOS USO DE LA PALABRA
RESERVADA svalue
accion4<-function(){
x1<-svalue(insertado1)
x1var<-c(0:x1)
#REALIZAMOS UNA FUNCIÓN ESPECÍFICA PARA GENERAR LAS TABLAS DE LA

DISTRIBUCION BINOMIAL
#Y PARA GRAFICAR TANTO LA DE LA FUNCIÓN DE DISTRIBUCIÓN COMO LA DE
DENSIDAD,
#TAMBIEN LA AGREGAMOS LAS TABLAS A LA VENTANA PARA ELLO EN LA
FUNCIÓN ESPECIFICAMOS
#COMO ARGUMENTO EL TIPO DE FUNCIÓN SI ES DE DENSIDAD O
DISTRIBUCIÓN
174
xgrafica <-tipograficas[svalue(distribucion)]
if(xgrafica=="pbinom"){
x<-pbinom(x1var,x2,x3)
var<-data.frame(x1var, x)
plot(var,type="s",col="red",lwd="5")
tabla<-gtable(var,cont=ventana,expand=TRUE)
}
if(xgrafica=="dbinom"){
x<-dbinom(x1var,x2,x3)
var<-data.frame(x1var,x)
plot(var,type="h",col="red",lwd="5")
tabla<-gtable(var,cont=ventana,expand=TRUE)
}
175

Folleto Probabil Estadistica Willam Caiza

Diunggah oleh

Informasi Dokumen

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

Folleto Probabil Estadistica Willam Caiza

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD POLITÉCNICA

FACULTAD DE INGENIERÍA CIVIL

ING. WILLIAM CAIZA

CAPÍTULO 1: CONJUNTOS E INDUCCIÓN MATEMÁTICA ............................................................... 1

Tips 1 R Unión de Conjuntos…………………………………………………………….2

Un conjunto es la agrupación de ciertos objetos unidos por un criterio en común.

a) 𝐴 = {𝑎, 𝑒, 𝑖, 𝑜, 𝑢} ; 𝐴 = {𝑙𝑎𝑠 𝑣𝑜𝑐𝑎𝑙𝑒𝑠}

Los conjuntos se pueden definir por extensión y comprensión.

Dado el conjunto 𝑨 = [𝒙/𝒙Є𝐑 , 𝐱 𝟑 − 𝐱 = 𝟎], definido por comprensión, expréselo

Dados los intervalos A= [3,5]; B= [4,7] encontrar:

1.1.1 Operaciones con conjuntos

TIPS DE “R” CONJUNTOS

Utilizamos la función union (conjunto 1, conjunto2) obtendremos la unión entre los

Tips 1 R Unión de Conjuntos

TIPS DE “R” CONJUNTOS

Utilizamos la función intersect(conjunto 1,conjunto2) obtendremos la intersección

Tips 2 R Intersección de Conjuntos

Diferencia entre 2 conjuntos

TIPS DE “R” CONJUNTOS

Utilizamos la función setdiff(conjunto 1,conjunto2) obtendremos la diferencia entre

Tips 3 R Diferencia de Conjuntos

Utilizamos la función venn( list (conjunto 1,conjunto2)) obtendremos la gráfica

Tips 4 R Grafica de Conjuntos

Diferencia simétrica de dos conjuntos

1.1.2 Propiedades de las operaciones con conjuntos

Desarrollo (1ra Forma)

Desarrollo (2da Forma)

Fuente: Profesor Lucio Arturo Flores Coila, OPERACIONES CON CONJUNTOS

1) Determinar por comprensión los siguientes conjuntos:

R: a) A= {x/x días laborales};

4) Dado los conjuntos A= {1,3,5,6} y B= { 3,5,7} encuentre A Δ B

1) Se comprueba la validez de la afirmación para n=1

1. Se verifica el cumplimiento para n=1 (n= número de términos)

𝑘(𝑘 + 1) + 2(𝑘 + 1) (𝑘 + 2)(𝑘 + 1)

Verifique que para todo número natural n se cumple n≤𝟐𝒏−𝟏

1. Se verifica el cumplimiento para n=1

3. Se debe demostrar que para n=k+1 la expresión es verdadera

ii. Conocemos que k+1 es menor o igual a 2k

iii. Multiplicando la expresión (1) y (2) tenemos que:

𝑘(𝑘 + 1) ≤ 2𝑘(2𝑘−1 ); 𝑘 > 0

Fuente: SÁEZ Eduardo, SZÁNTÓ Iván, inducción matemática, Ejercicios 3 y 4,

R: p(n) es verdadera para todo natural n

2) Demuestre que para todo natural n, n5 - n es divisible por 5.

3) Demuestre por inducción las siguientes igualdades

b) (𝒏 + 𝟏)(𝒏 + 𝟐)(𝒏 + 𝟑) … (𝒏 + 𝒏) = 𝟐𝒏 ∗ 𝟏 ∗ 𝟑 ∗ 𝟓 ∗ (𝟐𝒏 − 𝟏)

2.1.1 Definiciones Preliminares

Población: Es el conjunto de todos los elementos correspondientes al experimento

2.1.2 Descripción de datos

La descripción de los datos, se la realiza mediante una tabla de frecuencias la misma

Tiempo Personas Tiempo frecuencia frecuencia Frecuencia Frecuencia Frecuencia Frecuencia

3,1 4,9 2,8 3,6

Número de clase = √40 = 6,32455532 = 6

Nota: El número de clases también se puede calcular mediante la siguiente expresión:

Longitud del histograma= (Valor máximo – Valor mínimo)

longitud del histograma

Clase i lim.inferior lim.superior Fi Fri F Fri

2) Se dispone de los siguientes datos incompletos en una Tabla de

Número Clase Marca F F f/n F/n

1 [1,2) 1.5 1 1 0.025 0.025

2 [2,3) 2.5 5 6 0.125 0.15

3 [3,4) 3.5 10 16 0.25 0.4

4 [4,5) 4.5 12 28 0.3 0.7

5 [5,6) 5.5 8 36 0.2 0.9

6 [6,7) 6.5 2 38 0.05 0.95