Ayuda 04 Introducción A La Probabilidad PDF

¡La Universidad para todos!
Tema: INTRODUCCIÓN A LA PROBABILIDAD

Docente: Mag. Ing. Gustavo Manuel Yáñez Wendorff
Escuela Profesional Periodo académico: 2019-1B

Semestre I
INGENIERÍA INDUSTRIAL
Unidad: 3:
¡La universidad para todos!
INTRODUCCIÓN A LA PROBABILIDAD
• Experimento aleatorio
• Su resultado no puede anticiparse aun cuando se repita
bajo las mismas condiciones
• Ejemplo:
• La medición de las piezas fabricadas con un mismo
proceso
• La cantidad de llamadas que recibe un conmutador
durante un lapso de tiempo determinado.
• El caudal de un rio
• Para modelar y analizar un experimento aleatorio, en
primer lugar es necesario conocer:
• Espacio muestral
• Es el conjunto de resultados posibles de un experimento
aleatorio.
• Espacio muestral de una moneda:
• E = {C, X}.
• Espacio muestral de un dado:
• E = {1, 2, 3, 4, 5, 6}.
http://www.youtube.com/watch?v=l_9H48E8fzc
• Para modelar y analizar un experimento aleatorio, en
primer lugar es necesario conocer:
• Evento
• Es un subconjunto del espacio muestral de un
experimento aleatorio.
• En muchos experimentos aleatorios los resultados son

directamente interpretables, es decir, al mismo tiempo son
valores de la variable aleatoria de interés.
• En otros casos, los posibles valores de la variable aleatoria
no son directamente los resultados del experimento, sino
que surgen al asociar números a dichos resultados y, dicha
asociación, refleja la característica o aspecto de interés en
el experimento.
• Es muy claro que el valor que toma la variable en un

momento dado no se puede anticipar, ya que éste se define
con base en el resultado de un experimento aleatorio.
• Variable aleatoria
• Función que asocia un número a cada resultado de un
experimento aleatorio.
• Si la variable se denota con X, y sus valores con x, el

conjunto de los posibles valores de la variable aleatoria
X recibe el nombre de rango de X.
• Ejemplo de variable aleatoria
• Tiramos una moneda 3 veces. Representamos cara por c y
cruz por z.
• W = {ccc, ccz, czc, zcc, czz, zcz, zzc, zzz}
• La probabilidad de cada suceso elemental es 1/8.
• p(ccc)=1/8, ya que la probabilidad de sacar cara en una tirada
es 1/2 y las tiradas son independeintes.
• La variable aleatoria X: número de caras, que puede tomar
los valores {0, 1, 2, 3}.
• Se buscan todos los puntos muestrales que dan lugar a cada
valor de la variable y a ese valor se le asigna la probabilidad
del suceso correspondiente.
• Ejemplo de variable aleatoria
x Sucesos px
0 {sss} 1/8
1 {css, scs, ssc} 3/8
2 {ccs, csc, scc} 3/8
3 {ccc} 1/8
• A esta función se le denomina función densidad de probabilidad
(fdp), que desgraciadamente "funciona" de distinta manera en las
variables discreta que en las continuas.
• En el caso de las variables discretas, como en el ejemplo, es una
función que para cada valor de la variable da su probabilidad.
DIAGRAMA DEL ÁRBOL

• Un diagrama de árbol es un método gráfico para identificar
todas las partes necesarias para alcanzar algún objetivo final.
En mejora de la calidad, los diagramas de árbol se utilizan
generalmente para identificar todas las tareas necesarias para
implantar una solución.
• Se emplea para descomponer una meta u objetivo en una

serie de actividades que deban o puedan hacerse. A través de
la representación gráfica de actividades se facilita el
entendimiento de las acciones que intervendrán.
DIAGRAMA DEL ÁRBOL

• Permite a los miembros del equipo de trabajo expandir su
pensamiento al crear soluciones sin perder de vista el objetivo
principal o los objetivos secundarios.
• Ubica al equipo para que se dirija a situaciones reales versus

teóricas. Asimismo, se dimensiona el nivel real de complejidad
de algún proyecto y se puede prever el encontrarse con
soluciones inviables antes del arranque.
ELABORACIÓN DEL DIAGRAMA DEL ÁRBOL

• Establezca el objetivo que se analizará a través del Diagrama
de Árbol.
• Es muy importante que el objetivo quede claro para todos y

que esté expresado de manera activa. Ej: Dismunuir los
tiempos de espera en el servicio de consulta externa.
• Arme el equipo adecuado. Se sugiere un equipo de 4 a 8

participantes. Considere que aquellos que seleccione deberán
estar involucrados en la problemática a fondo para aportar
soluciones y que el Diagrama de Árbol cuente así con los
niveles de análisis necesarios.

• Genere el mayor número posible de “cabeceras del diagrama
de árbol” Esto es las ideas o sub-objetivos hacia los que se
enfocarán las acciones para lograr el objetivo principal.
• Puede utilizar la herramienta “Tormenta de Ideas” o “Técnica

de Afinidad “ para lograrlo.
• Como sugerencia puede utilizar tarjetas sobre una mesa que

le permitan flexibilidad de movimiento de una idea a otra.”

• Descomponga cada “cabecera” o título principal en mayor
detalle. Vaya acomodando las ideas por subtemas llegando a
tres o cuatro niveles.
• Detenga la descomposición de temas cuando ya se perfilen

tareas específicas a realizarse.

• Revise el Diagrama de Árbol. Asegúrese de que tiene un flujo
lógico y que esté lo más completo posible.
• Pregunte al equipo si observa algún punto que sea muy obvio

y se haya olvidado incluir.
• Pregúntese junto con el equipo si las tareas resultantes son

necesarias para lograr el objetivo.

• Existe un principio sencillo de los diagramas de árbol que hace
que éstos sean mucho más útiles para los cálculos rápidos de
probabilidad: multiplicamos las probabilidades si se trata de
ramas adyacentes (contiguas):
• Por ejemplo de alumna de la primera facultad, o bien las

sumamos si se trata de ramas separadas que emergen de un
mismo punto, el ejemplo de encontrar un alumno.
DE DIAGRAMA DEL ÁRBOL

Una universidad está formada por tres facultades:
• La 1ª con el 50% de estudiantes.

• Las mujeres están repartidas uniformemente, siendo un
60% del total en cada facultad.
DIAGRAMA DEL ÁRBOL
http://www.youtube.com/watch?v=z2Qfqg7JU0M
DE DIAGRAMA DEL ÁRBOL

¿Cuál es la probabilidad de encontrar una alumna de la primera
facultad?
P(alumna de la primera facultad) = 05. * 0.6 = 0.3

DIAGRAMA DEL ÁRBOL

¿Cuál es la probabilidad de encontrar un alumno varón?
P(alumno varón) = 0.5 * 0.4 + 0.25 * 0.4 + 0.25*0.4 = 0.4

EJEMPLO 2 DE DIAGRAMA DEL ÁRBOL

• Una oficina consta de seis damas y 10 varones. Si se
escoge un comité de tres al azar, hallar la probabilidad
de: 8
14
varon
varon
9 6
15 14 dama
varon
6 9 varon
10 15 14
16 dama
5
14 dama
9 varon
6 14
16 varon
10 5
15 14 dama
dama
5 10 varon
15 14
dama
4
14 dama
¿Cuál es la probabilidad de seleccionar 3 varones?
p(3varones) = 10 * 9 * 8 = 0,214
16 15 14

¿Cuál es la probabilidad de seleccionar exactamente 2 varones y
una dama?
10 * 9 * 6 = 0.63 * 0.60 * 0.43 = 0.161

16 15 14 +
10 * 6 * 9 = 0.63 * 0.40 * 0.64 = 0.161

16 15 14 +
6 * 10 * 9 = 0.38 * 0.67 * 0.64 = 0.161

16 15 14
0.482
¿Cuál es la probabilidad de seleccionar 3 damas?
p(3damas) = 6 * 5 * 4 = 0,0357
16 15 14

• Una persona arroja tres monedas al aire
1 cara
2
cara
1 1
2 2 sello
cara
1 1 cara
1 2 2
2 sello
1
2 sello
1 cara
1 2
2 cara
1 1
2 2 sello
sello
1 1 cara
2 2
sello
1
2 sello

• ¿Cuál es la probabilidad de que al arrojar al aire tres
monedas, salgan tres caras?
p(3caras) = 1 * 1 * 1 = 1
2 2 2 8
• Variable aleatoria discreta
• Variable a la que se pueden numerar los posibles valores que
toma.
• Ejemplo
• El número de tornillos defectuosos en una muestra
aleatoria de tamaño 15
• Número de errores de un operador industrial.
• Número de libros en una biblioteca
• Número de habitantes en una población,
• La cantidad de dinero que una persona trae en su bolsillo,
• Número de aves en un gallinero,
• Número de admisiones diarias a un hospital,
• Número de accidentes automovilísticos en una carretera
durante un año, etc.
• Variable aleatoria continua
• Si el rango de una variable aleatoria X contiene un intervalo
(finito o infinito) de números reales, entonces X es una
variable aleatoria continua.
• Ejemplo
• Peso
• Volumen
• Longitud
• Voltaje
• Presión arterial
• Distribución de probabilidad de X
• Es una descripción del conjunto de los valores posibles

de X con la probabilidad asociada a cada uno de estos
valores.
• El evento que está formado por todos los resultados

para los que X = x, se denota por {X = x}, y la
probabilidad de éste por P(X = x).
• La distribución de probabilidad de X o distribución de

una variable aleatoria X es una descripción del conjunto
de valores posibles de X (rango de X), junto con la
probabilidad asociada a cada uno de estos valores.
• Distribución de probabilidad de X
• La distribución se representa a través de una tabla que

relaciona resultados con probabilidades, o bien, por
medio de una fórmula.
• En el caso discreto, la función f (x) = P(X = x) que va del

rango de X al intervalo [0, 1] recibe el nombre de función
de probabilidad, y cumple con las siguientes
propiedades:
• En el caso discreto, la función f (x) = P(X = x) que va del
rango de X al intervalo [0, 1] recibe el nombre de función de
probabilidad, y cumple con las siguientes propiedades:
• f (x) = P(X = x) (la función f (x) da la probabilidad).
• f (x) ≥ 0 para toda x (no hay probabilidades negativas).
• Σ f (x)=1 (la suma de las probabilidades de todos los

posibles valores de X es = 1).
x
• En el caso continuo, estas mismas propiedades se
enuncian de la siguiente forma: si f(x) es una funcion de
densidad de probabilidades de la variable aleatoria
continua X; entonces, para cualquier intervalo de números
reales [x1, x2], se cumple:
• f (x) ≥ 0
+∞
• ∫ f (x)dx =1 (el área bajo toda la curva es 1).

−∞
x2 (la probabilidad es igual al
• P(x1 ≤ X ≤ x2) = ∫ f (u) du área bajo la curva entre los
x1 valores x1 y x2).
MEDIA O VALOR ESPERADO DE UNA

VARIABLE ALEATORIA
• Si una distribución es un buen modelo, entonces a través
de ella se encuentran las principales características del
sistema (población o proceso), tales como su tendencia
central y variabilidad.
• La media μ de una variable aleatoria discreta que puede

tomar los n valores x1, x2, ..., xn está dada por:
• donde E(X) = x1p(x1) + x2 p(x2) + .... + xn p(xn), se lee como

“valor esperado de X”.
• La varianza de la variable aleatoria X se puede definir en
términos del valor esperado como:
MEDIA O VALOR ESPERADO DE UNA

VARIABLE ALEATORIA
• La varianza de la variable aleatoria X se puede definir en
términos del valor esperado como:
• La función de distribución acumulada de una variable

aleatoria discreta X, denotada por F(x), es:
• En el caso continuo, se sustituye la suma por la integral,

DISTRIBUCIÓN BINOMIAL
• DISTRIBUCIÓN BINOMIAL
• Es frecuente que en control de calidad se den variables del

tipo “pasa, no pasa”.
• Por ejemplo, un artículo cumple con especificaciones o no,

una pieza resiste cierta fuerza o no, una lámpara enciende o
no.
• EXPERIMENTO BERNOULLI
• Ensayo aleatorio que sólo tiene dos resultados posibles

llamados “éxito” y “fracaso”.
• Un experimento aleatorio que consiste en una secuencia de n

ensayos Bernoulli donde además se cumple que:
• Los ensayos son independientes.

• La probabilidad de éxito en cada ensayo, denotada por p,
permanece constante.
• Entonces este experimento recibe el nombre de
experimento binomial.
• La variable aleatoria X, que es igual al número de ensayos
donde el resultado es un éxito, tiene una distribución
binomial (n, p).
• La función de probabilidades de X es,
• Donde:
• Es el número de combinaciones de n elementos tomados

de x en x.
DISTRIBUCIÓN BINOMIAL (n,p)

• Distribución binomial (n, p)
• Proporciona la probabilidad de observar x éxitos en una

secuencia de n experimentos Bernoulli independientes
con una probabilidad constante p de éxito.
• Aquí, p generalmente es la proporción promedio de

artículos defectuosos.
• Si X es una variable aleatoria con distribución binomial

(n, p), entonces su media y varianza:

• Para propósitos de interpretación es más adecuado

trabajar con la proporción (X/n), en lugar de con el
número X (de artículos defectuosos).
• Entonces, su distribución acumulada:
• Donde [nr] es igual al entero más grande que es menor o

igual a nr.
• La media de pˆ es p y su varianza es p(1 – p)/n.

• Ejemplos:
• Un proceso produce 5% de piezas defectuosas. Sea

X el número de piezas defectuosas en las siguientes
20 piezas producidas.
• En una zona marítima se ha determinado que el

porcentaje de incidencia del Vitrio cholerae es de
20%. Sea X las muestras positivas en los siguientes
15 muestreos.
• Ejemplos:
• En la prueba final de artículos electrónicos se tiene un

historial de que 1% tiene alguna falla que es
necesario reparar antes de liberarlo. Sea X la cantidad
de artículos con fallas en los siguientes 50
inspeccionados.
• De los nacimientos en un hospital, sea X la cantidad

de niños varones en los siguientes 10 nacimientos.

• Ejemplo:
• En un proceso de fabricación donde se produce una gran
cantidad de artículos, se sabe que en promedio 2% de
ellos están defectuosos.
• Los artículos son empacados en cajas de 10, y se quiere

saber cuál es la probabilidad de porque no haya ningún
artículo defectuoso en cada caja.
• Si X es el número de artículos defectuosos por caja,

entonces se quiere obtener P(X = 0), lo cual es:

• Ejemplo:
• Por lo tanto, se espera que 82% de las cajas no tenga
ningún artículo defectuoso, mientras que el restante 18%
tendrá al menos uno.
• Si se quisiera saber cuál es la probabilidad de que cada
caja tenga exactamente un artículo defectuosos (P(X = 1)),
entonces:
• Entonces, se espera que 16.7% de las cajas tenga

exactamente un artículo defectuoso.
• De manera similar se podría calcular cualquier otra
probabilidad.

• En Excel se pueden evaluar las probabilidades con la

distribución binomial
DISTR.BINOM(x, n, p, valor lógico)
x = número de éxitos del que se quiere obtener la probabilidad,

n = es el número de ensayos independientes o tamaño de
muestra,
p = es la probabilidad de éxito en cada ensayo (proporción de
artículos defectuosos, por ejemplo) y el valor lógico puede ser
cero o uno;
• Si se pone un uno entonces se calcula la función acumulada

P(X ≤ x), y si es cero se calcula P(X= x).
DISTRIBUCIÓN GEOMÉTRICA
• Distribución geométrica
• Proporciona la probabilidad de requerir X repeticiones

independientes de un experimento Bernoulli para observar el
primer éxito.
• La media es 1/p,
• La varianza es (1 − p)/p2.
• Ejemplo
• Supongamos que interesa encontrar un producto
defectuoso en un lote de muchos artículos.
• Se sabe que el lote contiene 5% de artículos defectuosos.
¿Cuál es la probabilidad de que sea necesario extraer de
manera aleatoria a lo más 20 artículos para encontrar el
primer defectuoso?
DISTRIBUCIÓN GEOMÉTRICA
• Distribución geométrica
• Esta probabilidad es justo la que proporciona la

distribución geométrica acumulada ya que será necesario
calcular la probabilidad de que el primer producto
defectuoso salga a la primera extracción, a la segunda, y
así hasta la vigésima.
• Por lo tanto, la probabilidad de interés es:
• Esto indica que existe una alta probabilidad de

1 − 0.6415 = 0.3585,
• Después de 20 extracciones aún no se haya visto un

defectuoso.
DISTRIBUCIÓN HIPERGEOMÉTRICA
• Distribución hipergeométrica
• Se aplica en ciertos tipos de experimentos Bernoulli, en los
cuales la probabilidad de éxito no se mantiene constante, y
eso ocurre cuando el tamaño de lote es pequeño con
respecto al tamaño de la muestra.
• Ejemplo
• Un conjunto de N objetos contiene: K de ellos clasificados
como éxitos y N − K como fracasos.
• Se extrae una muestra aleatoria (sin reemplazo) de
tamaño n de tal conjunto, n ≤ N.
• Sea X el número de éxitos en la muestra, entonces X tiene
una distribución hipergeométrica
• Cuando el tamaño de lote es pequeño con respecto al

tamaño de la muestra, será necesario aplicar la
distribución hipergeométrica en lugar de la binomial.
• En Excel se pueden evaluar probabilidades de esta

distribución, para esto se utiliza la función:
DISTR.HIPERGEOM(x, n, K, N),
• x = Número de éxitos en la muestra

(del que se quiere encontrar la probabilidad)
• n = tamaño de la muestra,
• K = número de éxitos en la población
• N = tamaño de la población o lote.
• Ejemplo
• En una empresa industrial, cada día se produce un lote de
N = 50 piezas grandes de cierto tipo. Los registros
muestran que, de éstas, en promedio K = 6 son
defectuosas. Si en forma aleatoria se examinan n = 10
piezas de la producción de un día, ¿cuál es la probabilidad
de encontrar x = 0 o x = 1 piezas defectuosas?
• Como el tamaño de lote es pequeño en relación al tamaño

de muestra, es necesario aplicar la distribución
hipergeométrica.
• Con Excel se obtiene que:
= DISTR.HIPERGEOM(0,10,6,50) + DISTR.HIPERGEOM(1,10,6,50)
= 0.24 + 0.41
= 0.66
DISTRIBUCIÓN DE POISSON
• Distribución de Poisson
• Una situación frecuente en control de calidad es evaluar

variables como las siguientes:
• número de defectos por artículo,

• número de defectos por metro cuadrado de tela,
• número de defectos por unidad de área,
• número de impurezas en un líquido, número de
errores de un trabajador.
• Todos los casos anteriores se resumen así: número de

eventos que ocurren por unidad (por unidad de área, por
unidad de volumen, por unidad de tiempo, etc.).
• Distribución de Poisson
• Asimismo, es frecuente que este tipo de variables tenga una

distribución de Poisson, cuya función de distribución de
probabilidades está dada por:
• e = 2.718
• ! = es el símbolo factorial
• La media y la varianza para esta distribución son:
μ = λ σ 2 = λ.
• Distribución Poisson
• Ejemplo
• En una empresa se reciben en promedio 5 quejas diarias
por mal servicio.
• Si el número de quejas por día se distribuye Poisson con λ
= 5, ¿cuál es la probabilidad de no recibir quejas en un
día?
• Esta probabilidad de 0.007 es muy baja, por lo que en

realidad sería muy raro que en un día no se recibiera
ninguna queja.
DISTRIBUCIÓN NORMAL
• Distribución Normal
• Es una distribución continua cuya densidad tiene forma de

campana.
• Es muy importante tanto en la estadística teórica como en la
aplicada.
• Es probablemente la distribución continua más importante,
tanto en estadística teórica como aplicada.
• Si X es una variable aleatoria normal, entonces su función de
densidad de probabilidades está dada por:
μ = es su media
σ = desviación estándar.
• Distribución Normal
Fig. 1
• Al graficar la función f (x) se obtiene una gráfica simétrica y

unimodal, cuya forma es similar a una campana (Fig. 1).
• El centro de ésta coincide con μ, y la amplitud está
determinada por σ.
• Propiedades de la distribución normal
• Si X es una variable aleatoria con distribución normal con

media μ y varianza σ2, N(μ, σ2 )
• Se cumple que:
• P(μ − σ < X < μ + σ) = 0.6827
• P(μ − 2σ < X < μ + 2σ) = 0.9545
• P(μ − 3σ < X < μ + 3σ) = 0.9973
• P(X = a) = 0 para cualquier número a.
PROPIEDADES DE LA
• Estas propiedades señalan la proporción de la distribución

normal que se localiza en torno a la media μ.
• Por ejemplo, entre más menos una desviación estándar de

la media se ubica en 68.27% del área; y en la media más
menos tres veces σ se encuentra 99.73% de la distribución.
• Esta última es la razón de cómo se obtienen los límites
reales de un proceso
TEOREMA CENTRAL DEL LÍMITE

• Distribución de Normal
• Una de las razones por las que la distribución normal es tan

importante es debido a este teorema, que en un caso
particular afirma: sea x1, x2,..., xn una muestra aleatoria de
cualquier población, y sea X la media muestral; entonces,
independientemente de cómo sea la distribución de la
población de donde se extrajo la muestra, la distribución de X
se aproxima a la normal conforme n crece.
• Cuando la distribución de donde proviene la muestra no sea

radicalmente distinta a la normal, entonces la aproximación
empieza a ser buena para tamaños de muestra mayores o
iguales que n = 4.
• En caso de que sea muy diferente se requieren tamaños de

muestra mayores.
CÁLCULO DE PROBABILIDADES
• Si una variable aleatoria X se distribuye normal con media μ y
varianza σ2, y se quiere encontrar la probabilidad de que esta
variable tome valores entre dos números cualesquiera, a y b
por ejemplo, entonces lo que se tiene que hacer es calcular el
área bajo la curva entre a y b, y esto se realiza mediante
métodos numéricos, ya que la integral de la función de
distribución no tiene solución analítica.
• Cuando es una distribución normal con parámetros μ = 0 y σ2

= 1, entonces a la distribución se le conoce como distribución
normal estándar (N(0, 1)).
• También se puede utilizar la hoja de cálculo de Excel para
calcular las probabilidades con la distribución normal; para ello
se utiliza la función:
DISTR.NORM(x, media, desv_estándar, acum)
• En la celda x se da el valor de referencia para el cálculo de la

probabilidad P(X ≤ x),
• En media se da el valor de la media, μ, de la distribución normal
con la que se quiere obtener la obtener la probabilidad
• desv_estándar se declara el valor de la desviación estándar σ
de la distribución normal.
• acum es un valor lógico que determina la forma de la función:
• si el argumento acum es VERDADERO (se pone 1), la función
DISTR.NORM devuelve la función de distribución acumulada
(P(X ≤ x)); pero si es FALSO (se pone 0), devuelve el valor
(altura) de la función de densidad f(x) en el punto x.
• Ejemplo
• La dimensión de una pieza se distribuye normal con μ = 82.0
mm, y σ = 0.5. Se desea calcular el porcentaje de piezas que
cumplen con especificaciones 82 ± 1, lo cual se obtiene
calculando la siguiente diferencia de probabilidades
P(81 < X < 83) = P(X < 83) − P(X < 81)
• Para calcular cada una de estas probabilidades se

estandariza:
• Se localiza en la Tabla 1 el valor de probabilidad que

corresponde a P(Z > 2.0), que se ubica en la columna de z
en el valor de 2.00 y la columna 0.00, donde aparece esta
probabilidad que es 0.023.
Puntos críticos de la distribución normal
estándar (μ = 0, σ = 1), P(Z > z).
Tabla 1
• Ejemplo
• P(Z < 2.0) = 1 − 0.023 = 0.977
• Para calcular P(X < 81) se procede de la misma manera, pero

al restarle la media da un número negativo y, en ese caso,
para utilizar la tabla A2 se usa una de las propiedades de
simetría de la distribución normal de la siguiente manera:
P(Z < −a) = 1− P(Z < a)
• Para cualquier número a. Al aplicar lo anterior se obtiene que

P(X < 81) = P(Z < −2) = 1 − P(Z < 2) = 1 − 0.977 = 0.023
• Por lo tanto, la probabilidad de que X esté dentro de
especificaciones es (0.977 − 0.023) = 0.954.
• Así, se espera que 95.4% de las piezas cumpla con las
especificaciones.
• Ejemplo
En Excel
P(81 < X < 83) = P(X < 83) − P(X < 81)
DISTR.NORM(83, 82, 0.5, 1) − DISTR.NORM(81, 82, 0.5, 1)

0.954.
DISTRIBUCIÓN JI-CUADRADA
• Sean Z1, Z2, ..., Zk variables aleatorias independientes, con
distribución normal estándar (μ = 0 y σ2 = 1), entonces la variable
aleatoria
• Sigue una distribución ji-cuadrada con k grados de libertad, y su

función de densidad de probabilidad está dada por:
• Donde Γ (⋅) es la función gama que está definida por

• Si α es un número entero, entonces Γ(α) = (α − 1)!. La media y la
varianza de una distribución ji-cuadrada con k grados de libertad
están dadas por E(X) = k y σ2 = 2k.
• Esta distribución es relevante para hacer inferencias acerca de la

desviación estándar, σ, de una población con distribución
normal, ya que si se obtiene una muestra de tamaño n, entonces
el estadístico:
• Tiene una distribución ji-cuadrada con n − 1 grados de libertad

(S2, es la varianza muestral).
• En la figura 2 se muestra la gráfica de densidades ji-cuadrada

para diferentes grados de libertad, y en la tabla 2 se dan valores
para los diferentes cuantiles de esta distribución.
Fig. 2
• Ejemplos de densidades de la distribución ji-cuadrada.

• Conforme crecen los grados de libertad se aproxima a una
distribución normal.
Puntos críticos para la distribución Ji-cuadrada
Tabla 2
DISTRIBUCIÓN T de Student
• Sea Z una variable aleatoria con distribución normal estándar y
sea V una variable aleatoria con distribución ji-cuadrada con k
grados de libertad. Si Z y V son independientes, entonces la
variable aleatoria,
• La media y la varianza de esta distribución están dadas por, E(X)

= 0 y σ2 = k/(k − 2) para k > 2.
• Una de las principales aplicaciones de la distribución T de
Student es fundamentar las inferencias sobre la media μ de una
población.
• Debido a que si se obtiene una muestra aleatoria de tamaño n
de una población cuya distribución es normal, entonces el
estadístico:
DISTRIBUCIÓN T de Student
• Sigue una distribución T de Student con n – 1 grados de libertad.
• En la figura 3 se muestra la gráfica de densidades T para
diferentes grados de libertad.
• Como se aprecia, esta distribución es similar a la normal (0, 1),

excepto que tiene colas más pesadas.
• En la tabla 3 se dan valores para los diferentes cuantiles o

puntos críticos de esta distribución.
• En Excel es posible obtener los cuantiles y áreas de la

distribución T de Student mediante las funciones Distr.T.Inv y
Distr.T, respectivamente.
• Es preciso considerar que la función
• Distr.T.Inv arroja valores considerando las dos colas de la
distribución.
Ejemplos de densidades de la
distribución T de Student
Fig. 3
Puntos críticos para la distribución t de Student
Tabla 3
DISTRIBUCIÓN F
• Sean W y Y variables aleatorias ji-cuadrada independientes con
u y v grados de libertad, respectivamente.
• Entonces el cociente:
• La media y la varianza de una distribución F con u y v grados de

libertad, en el numerador y en el denominador, respectivamente,
son:
E(X) = v/(v − 2) para v > 2, y
DISTRIBUCIÓN F
• En la figura 4 se muestra la gráfica de densidades F para
diferentes grados de libertad, en donde se puede observar que
tiene una apariencia similar a la distribución ji-cuadrada, excepto
que la distribución F se encuentra centrada con respecto a 1, y
los dos parámetros le dan mayor flexibilidad.
• En la tabla 4 se dan valores para un par de cuantiles o puntos

críticos de esta distribución.
• La importancia de la distribución F radica en que es de especial

utilidad para hacer inferencia cuando se comparan varianzas, ya
que si se tienen dos poblaciones con distribución normal y
varianzas σ1 y σ2 , respectivamente, y se toman muestras
aleatorias de cada población, de tamaño n1 y n2,
respectivamente, entonces la variable aleatoria formada por el
cociente
DISTRIBUCIÓN F
• Sigue una distribución F con n1 y n2 grados de libertad en el

numerador y denominador, respectivamente, donde
son las varianzas muestrales.
Ejemplos de densidades de la distribución F
Fig. 4
Puntos críticos al 5% de la distribución F, P(X > x) = 0.05.
Tabla 4
¡Gracias!

Ayuda 04 Introducción A La Probabilidad PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ayuda 04 Introducción A La Probabilidad PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

¡La Universidad para todos!

Tema: INTRODUCCIÓN A LA PROBABILIDAD

Escuela Profesional Periodo académico: 2019-1B

• Espacio muestral de una moneda:

• Espacio muestral de un dado:

• En muchos experimentos aleatorios los resultados son

• Es muy claro que el valor que toma la variable en un

• Si la variable se denota con X, y sus valores con x, el

DIAGRAMA DEL ÁRBOL

• Se emplea para descomponer una meta u objetivo en una

DIAGRAMA DEL ÁRBOL

• Ubica al equipo para que se dirija a situaciones reales versus

ELABORACIÓN DEL DIAGRAMA DEL ÁRBOL

• Es muy importante que el objetivo quede claro para todos y

• Arme el equipo adecuado. Se sugiere un equipo de 4 a 8

ELABORACIÓN DEL DIAGRAMA DEL ÁRBOL

• Puede utilizar la herramienta “Tormenta de Ideas” o “Técnica

• Como sugerencia puede utilizar tarjetas sobre una mesa que

ELABORACIÓN DEL DIAGRAMA DEL ÁRBOL

• Detenga la descomposición de temas cuando ya se perfilen

ELABORACIÓN DEL DIAGRAMA DEL ÁRBOL

• Pregunte al equipo si observa algún punto que sea muy obvio

• Pregúntese junto con el equipo si las tareas resultantes son

ELABORACIÓN DEL DIAGRAMA DEL ÁRBOL

• Por ejemplo de alumna de la primera facultad, o bien las

DE DIAGRAMA DEL ÁRBOL

• La 1ª con el 50% de estudiantes.

DIAGRAMA DEL ÁRBOL

DE DIAGRAMA DEL ÁRBOL

P(alumna de la primera facultad) = 05. * 0.6 = 0.3

DIAGRAMA DEL ÁRBOL

P(alumno varón) = 0.5 * 0.4 + 0.25 * 0.4 + 0.25*0.4 = 0.4

EJEMPLO 2 DE DIAGRAMA DEL ÁRBOL

EJEMPLO 2 DE DIAGRAMA DEL ÁRBOL

¿Cuál es la probabilidad de seleccionar 3 varones?

EJEMPLO 2 DE DIAGRAMA DEL ÁRBOL

10 * 9 * 6 = 0.63 * 0.60 * 0.43 = 0.161

10 * 6 * 9 = 0.63 * 0.40 * 0.64 = 0.161

6 * 10 * 9 = 0.38 * 0.67 * 0.64 = 0.161

EJEMPLO 2 DE DIAGRAMA DEL ÁRBOL

¿Cuál es la probabilidad de seleccionar 3 damas?

EJEMPLO 3 DE DIAGRAMA DEL ÁRBOL

EJEMPLO 3 DE DIAGRAMA DEL ÁRBOL

• Es una descripción del conjunto de los valores posibles

• El evento que está formado por todos los resultados

• La distribución de probabilidad de X o distribución de

• La distribución se representa a través de una tabla que

• En el caso discreto, la función f (x) = P(X = x) que va del

• f (x) = P(X = x) (la función f (x) da la probabilidad).

• f (x) ≥ 0 para toda x (no hay probabilidades negativas).

• Σ f (x)=1 (la suma de las probabilidades de todos los

• ∫ f (x)dx =1 (el área bajo toda la curva es 1).

MEDIA O VALOR ESPERADO DE UNA

• La media μ de una variable aleatoria discreta que puede

• donde E(X) = x1p(x1) + x2 p(x2) + .... + xn p(xn), se lee como

MEDIA O VALOR ESPERADO DE UNA

• La función de distribución acumulada de una variable

• En el caso continuo, se sustituye la suma por la integral,

• Es frecuente que en control de calidad se den variables del

• Por ejemplo, un artículo cumple con especificaciones o no,

• Ensayo aleatorio que sólo tiene dos resultados posibles

• Un experimento aleatorio que consiste en una secuencia de n

• Los ensayos son independientes.