FUNCIONES DE DISTRIBUCIN DE PROBABILIDAD

1. INTRODUCCIN

Variable Aleatoria

Sea S un espacio muestral, sobre el que se encuentra definida una funcin de

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

Funcin de Densidad de Probabilidad (PDF)

Al considerar los valores de una variable aleatoria es posible desarrollar un

funcin matemtica que asigne una probabilidad a cada realizacin x de la
variable aleatoria X. Esta funcin recibe el nombre de funcin de distribucin
(densidad) de probabilidad de la variable aleatoria X. Se refiere a la coleccin
de valores de la variable aleatoria y a la distribucin de probabilidades entre stos.
La probabilidad de que un valor x ocurra es P(x), expresado con un valor o un porcentaje
(Discreto).
La probabilidad de que x tenga un valor entre a y b viene dado por el rea bajo la curva
de P(x) (Continuo).
La probabilidad de que x tenga un valor entre y es 1.
La funcin de densidad de probabilidad es 0 o positiva.

Funcin de Densidad Acumulativa (CDF o FDA)

La funcin de distribucin acumulativa de la variable aleatoria X es la

probabilidad de que X sea menor o igual a un valor especfico de x.

La probabilidad de que x tenga una valor entre y a es

C x xa P( x )dx

C( x) P X x
0 C( x ) 1 para cualquier x
C x i C x j xi x j
si
P X x 1 C( x )
2.- LAS DISTRIBUCIONES EN MATLAB

Caractersticas clave
El Statistics Toolbox proporciona funciones que soportan:
Modelizacin lineal y no lineal
Estadstica multivariante
Estadstica descriptiva
Clculo y ajuste de distribuciones de probabilidad
Anlisis de varianza (ANOVA)
Verificacin de hiptesis
Estadstica industrial (control de procesos estadsticos, diseo de experimentos)
Representacin grfica estadstica y grficos interactivos

Statistics Toolbox
El Statistics Toolbox incluye una GUIA interactiva que permite experimentar, describir o
ajustar sus datos a una variedad de diferentes probabilidades. Por ejemplo, puede usar
la GUI para representar grficamente una funcin de densidad de probabilidad o
una funcin de distribucin acumulativa para investigar cmo los parmetros de
distribucin afectan a su posicin y forma. Adems, puede usar el generador de nmeros
aleatorios para simular el comportamiento asociado a distribuciones particulares. Usted
puede usar entonces estos datos aleatorios para obtener modelos bajo diferentes
condiciones.
El Statistics Toolbox aporta 20 distribuciones de probabilidad diferentes. Las funciones
soportadas para cada distribucin incluyen:
Funcin de densidad de probabilidad (pdf)
Funcin de distribucin acumulativa (cdf)
Inversa de la funcin de distribucin acumulativa
Media y varianza
Generador de nmeros aleatorios

Hay disponibles funciones adicionales para calcular estimaciones de parmetros e

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

A continuacin mostramos algunas de las funciones del Statistics Toolbox ms tiles:

Distribuciones
Funciones de Densidad de Probabilidad (pdf)
betapdf - Beta density
binopdf - Binomial density
chi2pdf - Chi square density (chi cuadrado)
exppdf - Exponential density
fpdf - F density
gampdf - Gamma density
geopdf - Geometric density
hygepdf - Hypergeometric density
lognpdf - Lognormal density
nbinpdf - Negative binomial density (pascal)
ncfpdf - Noncentral F density
nctpdf - Noncentral t density
ncx2pdf - Noncentral Chi-square density
normpdf - Normal (Gaussian) density
pdf - Density function for a specified distribution
poisspdf - Poisson density
raylpdf - Rayleigh density
tpdf - T density
unidpdf - Discrete uniform density
unifpdf - Uniform density
weibpdf - Weibull density

Funciones de Distribucin Acumulada (cdf)

betacdf - Beta cdf
binocdf - Binomial cdf
cdf - Specified cumulative distribution function
chi2cdf - Chi square cdf
expcdf - Exponential cdf
fcdf - F cdf
gamcdf - Gamma cdf
geocdf - Geometric cdf
hygecdf - Hypergeometric cdf
logncdf - Lognormal cdf
nbincdf - Negative binomial cdf
ncfcdf - Noncentral F cdf
nctcdf - Noncentral t cdf
ncx2cdf - Noncentral Chi-square cdf
normcdf - Normal (Gaussian) cdf
poisscdf - Poisson cdf
raylcdf - Rayleigh cdf
tcdf - T cdf
unidcdf - Discrete uniform cdf
unifcdf - Uniform cdf
weibcdf - Weibull cdf

Generadores de Nmeros Aleatorios

betarnd - Beta random numbers
binornd - Binomial random numbers
chi2rnd - Chi square random numbers
exprnd - Exponential random numbers
frnd - F random numbers
gamrnd - Gamma random numbers
geornd - Geometric random numbers
hygernd - Hypergeometric random numbers
lognrnd - Lognormal random numbers
mvnrnd - Multivariate normal random numbers
mvtrnd - Multivariate t random numbers
nbinrnd - Negative binomial random numbers
ncfrnd - Noncentral F random numbers
nctrnd - Noncentral t random numbers
ncx2rnd - Noncentral Chi-square random numbers
normrnd - Normal (Gaussian) random numbers
poissrnd - Poisson random numbers
random - Random numbers from specified distribution
raylrnd - Rayleigh random numbers
trnd - T random numbers
unidrnd - Discrete uniform random numbers
unifrnd - Uniform random numbers
weibrnd - Weibull random numbers

Estadsticos
betastat - Beta mean and variance
binostat - Binomial mean and variance
chi2stat - Chi square mean and variance
expstat - Exponential mean and variance
fstat - F mean and variance
gamstat - Gamma mean and variance
geostat - Geometric mean and variance
hygestat - Hypergeometric mean and variance
lognstat - Lognormal mean and variance
nbinstat - Negative binomial mean and variance
ncfstat - Noncentral F mean and variance
nctstat - Noncentral t mean and variance
ncx2stat - Noncentral Chi-square mean and variance
normstat - Normal (Gaussian) mean and variance
poisstat - Poisson mean and variance
raylstat - Rayleigh mean and variance
tstat - T mean and variance
unidstat - Discrete uniform mean and variance
unifstat - Uniform mean and variance
weibstat - Weibull mean and variance
Disttool

Es una herramienta de MATLAB que permite visualizar de forma grfica las

caractersticas de cada distribucin con la posibilidad de variar sus parmetros. Las
funciones que muestra son PDF y CDF.
Al activar este comando:
>> disttool
Se despliega una ventana donde podemos elegir el tipo de distribucin adems de sus
parmetros y ver su PDF o su CDF.
2.1- FUNCIN DE DISTRIBUCIN DE PROBABILIDAD (PDF)

2.1.1- DISTRIBUCIONES CONTINUAS

2.1.1.1- DISTRIBUCIN UNIFORME
CDF PDF

Descripcin:
Computa la funcin de distribucin uniforme continua para el valor X y los parmetros
A y B. X, A y B deben ser del mismo tamao. El parmetro B debe ser mayor que A.
Genera una matriz de tamao m x n, formada por nmeros aleatorios que cumplen que
su distribucin sobre la recta real es de la forma indicada. (m y n son parmetros
opcionales y pueden no ser necesaria su inclusin).
El resultado Y es la probabilidad de que ocurra X en el intervalo (A,B).
La distribucin uniforme estndar tiene A=0 y B=1.
Ocurre en un evento donde una variable aleatoria toma valores de un intervalo finito,
de manera que stos se encuentran distribuidos igualmente sobre el intervalo. Esto es,
la probabilidad de que la variable aleatoria tome un valor en cada subintervalo de igual
longitud es la misma.
Se aplica con un conocimiento muy general o poco conocimiento sobre la distribucin.
Tambin para errores de redondeo en la medida, generacin de nmeros aleatorios y
llegadas (cuando son independientes y el nmero total est determinado).
Sintaxis:
Y = unifpdf(X,A,B,m,n)
EJEMPLO 1. Coincidiendo con los valores de X, A y B para obtener las grficas previas se
tiene:
>> Y = unifpdf(1,0,1) % X=1, A=0, B=1
Y se despliega:
Y= 1
EJEMPLO 2. Para A y B fijados, para un rango de 0.1 a 0.6 , con diferencia de 0.1, la pdf
uniforme es constante.
>> X = 0.1:0.1:0.6;
Y = unifpdf(X)
Y se despliega:
Y= 1 1 1 1 1 1
Agregando plot(X,Y); grid; xlabel('x'); ylabel('p') para obtener la grfica :
EJEMPLO 3. Qu ocurre si X no est Entre A y B?
Y = unifpdf(-1,0,1)
Y se despliega:
Y= 0
EJEMPLO 4. La cantidad de agua consumida al mes en una vivienda, medida en m 3, sigue
una distribucin uniforme continua en el intervalo (20, 40). Calcula la probabilidad de
que se consuman:
(a) 28 m3, (b) menos de 35 m3 , (c) entre 25 y 35 m3 , (d) ms de 28 m3 .
Calcular la funcin de distribucin, as como el nmero esperado de m3 consumidos.

Del enunciado obtenemos los extremos del intervalo es decir A = 20 y B=40

a) se requiere encontrar la probabilidad P( X 28)
>> Y = unifpdf(28,20,40)
Y = 0.0500
Es decir que P( X 28) 0.0500
b) menos de 35 m3, es decir la probabilidad P( X 35)
>> Y = unifcdf(35,20,40) % el comando unifcdf para calcular la funcin de densidad
% acumulada
Y = 0.7500
Es decir que P( X 35) 0.7500
c) entre 25 y 35 m3, P( 25 X 35)

>> Y = unifcdf(35,20,40)- unifcdf(25,20,40) % se evala para la CDF para el lmite

% superior = 35 menos
% el lmite inferior = 25
Y = 0.5000
Es decir que P( 25 X 35) 0.500
d) ms de 28m3 , es decir P( X 28) 1 P( X 28)
>> Y = 1 - unifcdf(28,20,40)
Y = 0.6000
Es decir que : P( X 28) 0.600
Para la grfica de la funcin de distribucin acumulada:
>> X = 20:40;
Y = unifcdf(X,20,40)
Se despliega
Y = Columns 1 through 9
0 0.0500 0.1000 0.1500 0.2000 0.2500 0.3000 0.3500 0.4000
 Columns 10 through 18
0.4500 0.5000 0.5500 0.6000 0.6500 0.7000 0.7500 0.8000 0.8500
Columns 19 through 21
0.9000 0.9500 1.0000
>> plot(X,Y);
>> grid

y despliega : De lo que se puede deducir que la

1
pendiente es positiva, es y pasa por
20
X=20
Entonces
0 X 20
X 20
CDF F( x) 20 X 40
20
0 X 40
Ajustando con el MATLAB nos da la
ecuacin: y = 0.05* x - 1

20 40
Para el valor esperado no es ms que E( x) 30
2
Es decir que el valor esperado es 30 m3.

2.1.1.2- DISTRIBUCIN NORMAL (GAUSIANA)

PDF CDF

Descripcin:
Computa la funcin de distribucin exponencial negativa para el valor X y los
parmetros MU y SIGMA. X, MU y SIGMA pueden ser vectores, matrices y arreglos que
deben ser del mismo tamao. El parmetro SIGMA debe ser positivo.
La distribucin normal estndar tiene MU = 0 y SIGMA = 1.
Fluctuaciones simtricas alrededor de un valor medio (MU).
Se aplica para describir atributos humanos o de objetos: peso, altura, etc. dentro
de un grupo (variaciones en las notas de exmenes), medidas de errores
angulares o lineales, generacin de ruido y pequeas perturbaciones, datos
meteorolgicos como temperatura y precipitacin pluvial, erroresde
instrumentacin, etc.
Sintaxis:
Y = normpdf(X,MU,SIGMA)

EJEMPLO 5. Coincidiendo con los valores de X, MU y SIGMA la grfica de la PDF previa

se tiene:
>> Y = normpdf(0.019048,0,1) % X=0.019048, MU = 0, SIGMA= 1
Y se despliega:
Y = 0.3989

EJEMPLO 6. Si MU es un arreglo de valores entre 0 y 2, con una diferencia de 0.1

>> mu = [0:0.1:2]; % el rango va desde 0 a 2, con un incremento de 0.1, teniendo 21
% valores
>> Y = normpdf(1.5,mu,1)
Y se despliega:
Y = Columns 1 through 8
0.1295 0.1497 0.1714 0.1942 0.2179 0.2420 0.2661 0.2897
Columns 9 through 16
0.3123 0.3332 0.3521 0.3683 0.3814 0.3910 0.3970 0.3989
Columns 17 through 21
0.3970 0.3910 0.3814 0.3683 0.3521

EJEMPLO 7. Si X es un arreglo de valores entre 150 y 180, con una diferencia de 5

>> X = (150:5:180);
Y = normpdf(X,165,5) % con MU = 165 y SIGMA = 5
Y se despliega:
Y = 0.0009 0.0108 0.0484 0.0798 0.0484 0.0108 0.0009

Agregando: plot(X,Y); grid; xlabel('x'); ylabel('p')

para obtener la grfica de la izquierda.
EJEMPLO 8. Una compaa de suministro de electricidad ha determinado que el
consumo, medido en Kw/h, de una vivienda familiar durante un mes, sigue una
distribucin normal de media 300 y desviacin tpica 50.

(a) Calcula la probabilidad de que una familia consuma 245 kw/h en un mes.
(b) Calcula la probabilidad de que se consuman entre 200 y 300 Kw/h.
(c) Qu porcentaje de viviendas consumirn ms de 300 kw/h?
(d) Qu porcentaje de viviendas familiares consumirn ms de 250 Kw/h? Y
menos de 350?

Del enunciado tenemos, que MU= 200 y el SIGMA =50

a) se quiere encontrar P( X 245)
>> Y = normpdf(245,200,50)
Despliega
Y = 0.0053
Es decir que P( X 245) 0.0053
b) se quiere encontrar P 200 X 300
>> Y = normcdf(300,200,50) - normcdf(200,200,50) % se evala para la CDF para el
% lmite superior = 300 menos
% el lmite inferior = 200
Y = 0.4772
c) se quiere encontrar P( X 200) 1 P( X 200)
>> Y = 1- normcdf(200,200,50)
Y = 0.5000
d) ms de 250 Kw/h P( X 250)
>> Y = 1- normcdf(250,200,50)
Y = 0.1587
Menos de 350 P( X 350)
>> Y = normcdf(350,200,50)
Y = 0.9987

2.1.1.3- DISTRIBUCIN EXPONENCIAL (NEGATIVA)

PDF CDF

Descripcin:
 Computa la funcin de distribucin exponencial negativa para el valor X y el
parmetro MU. X y MU deben ser del mismo tamao. El parmetro MU debe ser positivo.
La pdf exponencial es la pdf gamma con su primer parmetro (a) igual a 1.
La variable aleatoria exponencial es el tiempo que transcurre hasta que se da el
primer evento de Poisson. Es decir, la distribucin exponencial puede modelar el lapso
entre dos eventos consecutivos de Poisson que ocurren de manera
independiente y a una frecuencia constante.
Se utiliza en sucesos independientes entre s. Es apropiada para modelar tiempos
de espera cuando dicho tiempo se supone independiente del tiempo que haya
transcurrido hasta ese momento. Por ejemplo, la probabilidad de que una
bombilla deje de lucir en el prximo minuto es relativamente independiente del tiempo
que haya estado luciendo hasta ahora. Tiempos entre roturas, tamao de pedidos,
tiempos de procesos, llegada de personas a una tienda y, en general, acciones
por unidad de tiempo.
Sintaxis:
Y = exppdf(X,MU)

EJEMPLO 9.
Coincidiendo con los valores X y MU de la grfica de la PDF previa se tiene:
>> Y = exppdf(10,3) % con X= 10 y MU = 3
Y se despliega:
Y = 0.0119

EJEMPLO 10.
Con un arreglo de valores para X desde 1 a 5 al igual que para MU en el mismo rango, se
tiene:
>> Y = exppdf(1:5,1:5)
Y se despliega:
Y = 0.3679 0.1839 0.1226 0.0920 0.0736
Para obtener la grfica del ejemplo, definimos X primero y luego de esta manera con el
comando plot(X,Y):
>> X = (1:1:5);
>> Y = exppdf(X,1:1:5)
>> plot(X,Y); grid; xlabel('x'); ylabel('p')
Y se despliega el grfico:

2.1.1.4- DISTRIBUCIN LOG-NORMAL

 PDF CDF

Descripcin:
Computa la funcin de distribucin log-normal para el valor X con media MU y
desviacin estndar SIGMA. X, MU y SIGMA deben ser del mismo tamao, que
determina el tamao de Y.
Es una distribucin normal asimtrica.
Se utiliza para modelar tiempos de procesos y reparacin, averas de un coche con el
tiempo, poblacin de un sitio con respecto al dinero, estancia de tiempo en un banco,
etc.
Sintaxis:
Y = lognpdf(X,MU,SIGMA)

EJEMPLO 11. Coincidiendo con los valores X y MU de para obtener la grfica de la PDF
previa se tiene:
>> Y = lognpdf(3,0,1)
Y = 0.0727
EJEMPLO 12. Con un arreglo de valores para X desde el 1 al 10, tomados de uno en uno
>> X = (1:1:10); % arreglo desde 1 a 10, tomados de 1 en 1
Y = lognpdf(X,0,1) % con MU = 0 y SIGMA = 1
Y = Columns 1 through 8
0.3989 0.1569 0.0727 0.0382 0.0219 0.0134 0.0086 0.0057
Columns 9 through 10
0.0040 0.0028
para incluir la grfica, se agregan: plot(X,Y); grid; xlabel('x'); ylabel('p')
2.1.1.5- DISTRIBUCIN GAMMA (ERLANG)
PDF CDF

Descripcin:
Computa la funcin de distribucin gamma para el valor X y los parmetros A y B. X,
A y B deben ser del mismo tamao. A y B deben ser positivos y X tiene que estar dentro
del intervalo [0, ) .
La pdf de gamma es til en los modelos de dependencia de ciclos de vida. La
distribucin gamma es ms flexible que la exponencial. Los casos especiales de la
funcin gamma son las funciones: exponencial y chi-cuadrado.
Se aplica para tiempos de procesos, tiempos de reparacin, tiempos entre
llegadas (con poca aleatoriedad), incluso ingresos familiares, edad del hombre al
contraer matrimonio por primera vez, etc.
Sintaxis:
Y = gampdf(X,A,B)
EJEMPLO 13. Coincidiendo con los valores X, A y B de para obtener las grficas previas
de la PDF y de la CDF se tiene:
>> Y = gampdf(1,1,2) % donde X=1, A=1 y B=2
Y se despliega:
Y = 0.3033
EJEMPLO 14. Con un arreglo de valores para B, desde 1 a 5, de 1 en 1, con X=1 y A=1
>> X =(1:1:5);
Y = gampdf(1,1,X)
Y se despliega:
Y = 0.3679 0.3033 0.2388 0.1947 0.1637 Incluyendo la grfica, tenemos:
2.1.1.6 DISTRIBUCIN BETA:
CDF PDF

Descripcin:
Computa la funcin de distribucin gamma para el valor X y los parmetros A y B. X, A
y B deben ser del mismo tamao. A y B deben ser positivos y X tiene que estar dentro del
intervalo [0,1].
La distribucin uniforme en [0,1] es un caso derivado de la distribucin beta
donde A=1 y B=1.
X, A, y B pueden ser vectores, matrices, o arreglos multidimensionales que tengan la
misma dimensin. Una entrada escalar se expande a un arreglo constante con las mismas
dimensiones de las otras entradas.
La distribucin beta para un valor dado x y un par de parmetros a y b es
y f x a, b
1
x a1 1 x I ( 0 ,1) ( x )
b 1

B a, b
donde B( ) es la funcin Beta. La function inidcador I ( 0 ,1) ( x ) asegura que solo los
valores de x en el rango (0 1) tengan una probabilidad distinta a cero. La distribucin
uniforme en (0 1) es un caso degenerado de la pdf de beta donde a= 1 y b = 1.
Permite generar una gran variedad de perfiles. Se puede usar para representar la
distribucin de artculos defectuosos sobre un intervalo de tiempo especfico, etc.
Sintaxis:
Y = betapdf(X,A,B)

EJEMPLO 15. Coincidiendo con los valores de X, A y B para obtener las grficas previas
se tiene:
>> Y = betapdf(0.5,1.9,1.9) % X= 0.5, A=1.9, B=1.9
Y se despliega:
Y= 1.4574
EJEMPLO 16. Con un arreglo matricial y con x = 0,5
>> A= [0.5 1; 2 4];
Y = betapdf(0.5,A,A)
Se despliega:
Y=
0.6366 1.0000
1.5000 2.1875
2.1.2- DISTRIBUCIONES DISCRETAS
2.1.2.1- DISTRIBUCIN UNIFORME
PDF CDF

Descripcin:
Computa la funcin de distribucin uniforme discreta para el valor X y el
parmetro N. X y N deben ser del mismo tamao y N un entero positivo.
El resultado Y es la probabilidad de que ocurra X de entre N nmeros, que en este
caso, por ser uniforme, ser la misma para cualquier X entre 1 y N.
Se usa para generar nmeros aleatorios de entre N. Por ejemplo podemos
calcular la probabilidad de sacar un nmero X (del 1 al 6) al tirar un dado.
Sintaxis:
Y = unidpdf(X,N)

EJEMPLO 17. Para un rango de valores de X desde 1 a 6, avanzando de 1 en 1, en 10

ensayos , adems de su grfica
>> X = (1:1:6);
>> Y = unidpdf(X,10)
Y = 0.1000 0.1000 0.1000 0.1000 0.1000 0.1000
>> plot(X,Y,'+'))
Para un N fijado, la pdf uniforme discreta es una constante.

EJEMPLO 18: Ahora fijamos x y variamos n.

>> X = (4:1:9); % el rango de valores de 4 a 9 ,incrementados de 1 en 1
probabilidad = unidpdf(5,X)

Se despliega:
probabilidad = 0 0.2000 0.1667 0.1429 0.1250 0.1111

2.1.2.2- DISTRIBUCIN BINOMIAL

FDP CDP

Descripcin:
Computa la funcin de distribucin binomial para el valor X y los parmetros N y P. X,
N y P deben ser del mismo tamao. N debe ser un entero positivo y P tiene que estar en
el intervalo [0,1].
El resultado Y es la probabilidad de observar X sucesos en N pruebas
independientes, donde la probabilidad de que ocurra el suceso (acierto) viene
dada por el parmetro P, que permanece constante para cada prueba, y la
probabilidad de que no ocurra el suceso (fracaso) es 1-P.
Sus reas de aplicacin incluyen inspeccin de calidad, ventas, mercadotecnia,
medicina, investigacin, de opiniones y otras. Por ejemplo, un proceso de
manufactura produce un determinado producto en el que algunas unidades son
defectuosas; si la proporcin de unidades defectuosas producidas por este proceso
es constante durante un periodo razonable y, si como procedimiento de rutina, se
seleccionan aleatoriamente un determinado nmero de unidades, entonces las
proposiciones de probabilidad con respecto al nmero de artculos defectuosos puede
hacerse mediante el empleo de la distribucin binomial.
Sintaxis:
Y = binopdf(X,N,P)

EJEMPLO 19: Coincidiendo con los valores X, N y P de para obtener las grficas previas
de la PDF y de la CDF se tiene:
>> Y = binopdf(5,10,0.5)
Y = 0.2461
lo que equivale a la probabilidad P( X 5)
 Y para la CDF:
>> Y = binocdf(5,10,0.5)
Y = 0.6230
lo que equivale a la probabilidad P( X 5)
EJEMPLO 20: Un inspector de comercio testea al da 200 muestras de un producto. Si el
2% de ellas son defectuosas, cul es la probabilidad de que el inspector no encuentre
ninguna defectuosa ese da?
Es decir se quiere encontrar P X 0 , aqu entonces tenemos x=0, N =200 y la
probabilidad P=0.02

>> binopdf(0,200,0.02)

ans = 0.0176

Cul es el nmero ms probable de piezas defectuosas que se encontrar?

>> defectuosos = 0:200; % definimos el rango de valores de X

Y = binopdf(defectuosos,200,0.02);
[x,i] = max (Y);
defectuosos (i)
ans = 4

Es decir se encontrarn 4 piezas defectuosas.

EJEMPLO 21. Un jugador de dardos da justo en la diana 2 de cada cinco veces que lanza.
Si en una partida dicho jugador lanza 10 veces,
(a) calcula la probabilidad de que acierte en la diana tres veces,
(b) calcula la probabilidad de que acierte en la diana por lo menos una vez.
(c) Cuntas veces se espera que el jugador haga diana?
(d) Calcula la probabilidad de que el jugador haga ms dianas de las esperadas
en el partido.
Del enunciado se determina que la probabilidad P es 2/5 =0.4, el nmero de ensayos
N=10
a) se pide encontrar: P( X 3)
>> binopdf(3,10,0.4)
ans = 0.2150
Es decir que P( X 3) 0.2150
b) por lo menos una vez, se refiere que como mnimo una , se pide encontrar
P( X 1) 1 P( X 1) 1 P( X 0)
>>Y = 1 - binocdf(0,10,0.4) % utilizamos el comando binocdf porque se trata de la
% funcin de densidad acumulada con x=0, N=10 y P =0.4
ans = 0.9940
Es decir que P( X 1) 0.9940
c) valor esperado es : E = NP = 10 *0.4 = 4 dianas
d) ms de las esperadas se refiere a ms de cuatro: P( X 4) 1 P( X 4)
>> 1 - binocdf(4,10,0.4)
ans = 0.3669
2.1.2.3- DISTRIBUCIN BINOMIAL NEGATIVA O DE PASCAL
FDP CDP

Descripcin:
Computa la funcin de distribucin binomial negativa para el valor X y los
parmetros R y P. X, R y P deben ser del mismo tamao. La funcin de densidad es 0 a
menos que X sea un entero.
La variable aleatoria representa el nmero de ensayos necesarios para observar R
xitos. Los ensayos son independientes entre s. La probabilidad de xito en cada ensayo
es constante e igual a P.
La aplicacin principal de esta distribucin es una alternativa adecuada para el modelo
de Poisson cuando la frecuencia de ocurrencia no es constante en el tiempo o el
espacio. Tambin se emplea para modelar las estadsticas de accidentes, datos
psicolgicos, compras del consumidor y otras eventos similares en donde la
frecuencia de ocurrencia entre grupos o individuos no se espera que sea la misma.
Sintaxis:
Y = nbinpdf(X,R,P)

EJEMPLO 21. Para un rango de valores de X desde 0 a 10, en 10 ensayos, donde se repite
3 xitos, donde la probabilidad es p= 0.5. Incluir la grfica de
>> X = (0:10);
>> Y = nbinpdf (X,3,0.5)
Se despliega:
Y = Columns 1 through 9
0.1250 0.1875 0.1875 0.1562 0.1172 0.0820 0.0547 0.0352 0.0220
Columns 10 through 11
0.0134 0.0081
Su grfica de la PDF:
plot(X,Y,'+')
set(gca,'Xlim',[-0.5,10.5])
% fijando los lmites del eje de las X desde -0.5 a 10.5
2.1.2.4- DISTRIBUCIN DE POISSON
PDF CDF

Descripcin:
Computa la funcin de distribucin de Poisson para el valor X y el parmetro LAMBDA.
X y LAMBDA deben ser del mismo tamao y LAMBDA positivo. X puede ser cualquier
entero no negativo. La funcin de densidad es 0 a menos que X sea un entero.
La variable aleatoria representa el nmero de eventos independientes que
ocurren a una velocidad constante en el tiempo o en el espacio.
Ofrece una aproximacin muy buena a la funcin de probabilidad binomial
cuando p es pequeo y n grande.
Es el principal modelo de probabilidad empleado para analizar problemas de
lneas de espera. Se usa para estimar el nmero de personas que llegan a una
tienda de autoservicio en un tiempo estimado, el nmero de defectos en piezas similares
para el material, el nmero de bacterias en un cultivo, nmero de solicitudes de
seguro procesadas por una compaa en un perodo especfico, etc.

Sintaxis:
Y = poisspdf(X,LAMBDA)

EJEMPLO 22.Un fabricante de discos duros para ordenadores ha observado que ocurren
defectos en el proceso de fabricacin aleatoriamente con una media aproximada de
2 defectos por disco de 4 Gb. Se considera este trmino de fallos aceptable para el
proceso. Cul es la probabilidad de que un disco duro cualquiera sea fabricado sin
fallos ?
Para este caso, LAMBDA = 2 y X = 0
Se quiere calcular P( X 0)
>> P = poisspdf(0,2)
P = 0.1353
Es decir que P( X 0) 0.1353 o sea un 13.53% de que un disco duro sea fabricado sin
fallos.
EJEMPLO 23. El nmero de vehculos que llegan a una interseccin de caminos
durante una hora sigue una distribucin de Poisson de parmetro = 10.
(a) Calcula la probabilidad de que slo llegue un vehculo.
(b) Cul es el nmero medio de vehculos que se espera que lleguen al cruce en una
hora?
(c) Calcula la probabilidad de que el nmero de vehculos que llegan al cruce sea mayor
al nmero esperado
Para este caso , LAMBDA= 10
a) se quiere encontrar P( X 1)
>> P = poisspdf(1,10)

P = 4.5400e-004
Es decir que P( X 1) 4.5400 10 4 o sea un 0.05% de que llegue slo un vehculo
b) el nmero medio o esperado = LAMBDA= 10 vehculos
c) se quiere encontrar P( X 10) 1 P( X 10)
>> P = 1- poisscdf(10,10)

P = 0.4170
Es decir, P( X 10) 0.4170 o sea 41.70 % de vehculos mayor al valor esperado
EJEMPLO 24. Supngase que un libro de 585 pginas contiene 43 errores tipogrficos. Si
esos errores estn distribuidos aleatoriamente en el libro, Cul es la probabilidad de
que 10 pginas, seleccionadas al azar, estn libres de error?
1
Para este caso la probabilidad de encontrar un error tipogrfico es p
585
1 43
El valor de LAMBDA ser: LAMBDA= N p 43
585 585
Para la probabilidad de no encontrar error, se necesita calcular P( X 0)
>> N = 43; % cantidad de errores
>> p = 1/585; % probabilidad de que una hoja tenga un error
>> LAMBDA= N*p
LAMBDA = 0.0735

>> P = poisspdf(0,LAMBDA)

P= 0.9291

Para determinar la probabilidad de que 10 pginas estn libres de error, recurrimos a la

distribucin binomial, con la probabilidad P y X= 10. Es decir P( X 10)
>> Y = binopdf(10,10,P)
Y = 0.4795
2.1.2.4- DISTRIBUCIN GEOMTRICA
Descripcin

computa la funcin de distribucin geomtrica de cada uno de los valores de X usando

las probabilidades correspondientes en P. X y P puede ser vectores, matrices o arreglos
multidimensionales que tengan el mismo tamao. Los parmetros en P debe estar en el
intervalo [0 1].
SNTAXIS
Y = geopdf(X,P)
PDF CDF
EJEMPLO 25.Suponga que se lanza una moneda comn repetidamente, puede salir cara
o sello. Si la moneda cae y sale cara, eso es un xito. Cul es la probabilidad de que
exactamente salgan tres sellos antes de obtener una cara?
En este caso la probabilidad de xito, es p= 0.5
Se quiere encontrar P( X 3)
>> p = geopdf(3,0.5)

p= 0.0625

Por tanto P( X 3) 0.0625

2.1.2.5- DISTRIBUCIN HIPERGEOMTRICA

Descripcin
computa la function distribucin hipergeomtrica de cada uno de los valores de X
usando los parmetros en M, K, y N. X, M, K, y N pueden ser vectores, matrices, o
arreglos multidimensionales que tengan el mismo tamao.
Los parmetros M, K, y N deben ser enteros positivos, con N = M. Los valores de X
deben ser menores o iguales a todos los valores de los parmetros.
K M K

x N x
La distribucin de probabilidad hipergeomtrica es y f x M , K , N

,
M

N
el resultado, y, es la probabilidad de sacar exactamente x de unos artculos posibles de K
artculos de N extracciones sin reemplazo de un grupo de M objetos.

Sintaxis
Y = hygepdf(X,M,K,N)

EJEMPLO 26. Supongo que Ud. tiene un LOTE de 100 discos floppys y se sabe que 20 de
ellos son defectuosos. Cuales son las probabilidades de tener de 0 a 5 discos floppys
defectuosos, si se seleccionan 10 al azar? Calcular la probabilidad de que salgan
exactamente tres defectuosos, y de que salgan tres o menos defectuosos?

En este caso, M = 100, los discos defectuosos son K=20 y se toman N = 10 al azar
Se quiere hallar la funcin de probabilidad
>> X = 0:5;
p = hygepdf(X,100,20,10)

p= 0.0951 0.2679 0.3182 0.2092 0.0841 0.0215

Para hallar la grfica, agregamos el comando plot

Para la probabilidad de que salgan exactamente tres P( X 3)

>> p = hygepdf(3,100,20,10)

p = 0.2092
Es decir que P( X 3) 0.2092 o sea que hay un 20.92 % de que se extraigan 3
defectuosos.
Para la probabilidad de que salgan tres o menos P( X 3)
>> p = hygecdf(3,100,20,10)

p = 0.8904
Es decir que P( X 3) 0.8904 o sea que hay un 89.04 % de que se extraigan 3 o menos
defectuosos.

2.2 GENERADORES DE NMEROS ALEATORIOS (RND)

Descripcin:
En el apartado <distribucin> se coloca el nombre de sta entre comillas
simples.
Los parmetros corresponden a la distribucin usada en cada caso y debern
cumplir las condiciones que esta exija.
La generacin de nmeros aleatorios es til para la simulacin de eventos en los
intervengan un factor aleatorio pero del que conocemos su distribucin.
Las distribuciones pueden ser: beta', 'Binomial', 'Chisquare', 'Exponential', 'F',
'Gamma', 'Geometric', 'Hypergeometric', 'Lognormal', 'Negative Binomial',
'Noncentral F', 'Noncentral t', 'Noncentral Chi-square', 'Normal', 'Poisson',
'Rayleigh', 'T', 'Uniform', 'Discrete Uniform', 'Weibull'.
Cadenas aceptables para las distintas distribuciones:
 'beta' (Distr. Beta)
'bino' (Distr. Binomial)
'chi2' (Distr. Chi- cuadrado)
'exp' (Distr. Exponencial)
'ev' (Distr. valor extremo)
'f' (Distr. F )
'gam' (Distr. Gamma )
'gev' (Distr. Valor extreme
Generalizado)
'gp' (Distr.Generalizada Pareto)
'geo' (Distr. Geomtrica)
'hyge' (Distr. Hipergeomtrica)
'logn' (Distr. Lognormal)
Sintaxis:
R = RANDOM (<distribucin>,<parmetros>)
( R = <distribucin>rnd (<parmetros>) Ej: R = lognrnd(...) )
'nbin' (Distr. Binomial negativa)
'ncf' (Distr. F No central)
'nct' (Distr. T no central)
'ncx2' (Distr. Chi- cuadrado No
central)
'norm' (Distr. Normal)
'poiss' (Distr. Poisson)
'rayl' (Distr. Rayleigh)
't' (Distr. t)
'unif' (Distr.Uniforme)
'unid' (Distr. Uniforme discreta)
'wbl' (Distr. Weibull)

EJEMPLO 27. Generar con una distribucin binomial con los siguientes parmetros:
X = 10, P=0.2
>> RANDOM('bino',10,0.2,1,5)

ans = 4 0 4 2 4

EJEMPLO 28. Se quiere comprobar la eficiencia de una maquina empaquetadora a la que

le llegan piezas de repostera casa 5minutos. El nmero de piezas en cada remesa viene
dado por una distribucin uniforme con un mnimo de 5 y un mximo de 13.
Remesa = RANDOM('Discrete Uniform',9)+4;
>> Remesa = RANDOM('unid',5,13)

Remesa =

2 4 3 1 3 5 3 2 3 4 4 2 5
4 1 2 5 3 3 5 4 4 2 4 4 4
4 2 2 5 4 2 3 5 2 5 4 3 3
3 3 3 5 4 1 5 2 4 2 5 5 4
4 5 2 2 4 4 4 4 3 4 2 5 3
4 1 2 3 1 4 5 4 1 1 4 2 4
1 5 4 1 1 3 2 1 1 2 2 4 3
1 4 2 3 2 1 4 4 4 1 1 3 4
5 2 5 2 3 2 2 2 3 3 4 3 3
1 1 5 1 4 1 4 5 1 4 3 5 5
1 3 4 1 3 2 4 1 2 3 3 2 2
3 3 2 3 5 3 1 3 4 3 4 2 1
5 1 3 1 4 3 2 3 1 4 4 1 1
 PROBLEMAS PROPUESTOS
1. Se sabe que aproximadamente el 90% de los matriculados en Ingeniera son hombres.
(a) Calcula la probabilidad de que en un grupo de cinco estudiantes escogidos al azar
haya alguna chica.
(b) Calcula la probabilidad de que en una clase de 30 estudiantes no haya ningn chico.
(c) Calcula la probabilidad de que en una clase de 40 personas, menos del 20% sean
mujeres.
Respuestas. a) 0.4095; b) 10-30 ; c) 0.9489

2. Si se lanza un dado 150 veces, cul es la probabilidad de que salga 30 veces un seis?
Respuesta. 0.048

3. En un colegio se realizan una serie de pruebas psicotcnicas para determinar el

coeficiente de inteligencia de los alumnos, quedando establecido que dicha medida se
distribuye segn una distribucin normal de parmetros 100 y 10.
(a) Calcula la probabilidad de que un alumno seleccionado al azar tenga un
coeficiente intelectual por encima de 120.
(b) Calcula el porcentaje de alumnos cuyo coeficiente intelectual est
comprendido entre 95 y 105.
(c) Qu valor del coeficiente intelectual verifica que slo el 10% de los alumnos tienen
un coeficiente superior?
(d) Se decide repetir las pruebas a aquellos alumnos con un coeficiente
demasiado alto, que resultan ser un 5% del total, y a aquellos con coeficiente
demasiado bajo, que representan un 2%. Calcula los valores del coeficiente de
inteligencia a partir de los cuales se repetirn las pruebas.
Respuestas. a) 0.0228; b) 0.383; c) 112.816; d) Por encima de 116.45 y por debajo 79.46.

4. Segn estudios realizados por una compaa de seguros, se sabe que la probabilidad
de que una mujer mayor de sesenta aos sufra un accidente de circulacin es del
0.001%. Sabiendo que la compaa tiene 40000 clientes de esas caractersticas, calcular
la probabilidad de que tenga que soportar ms de 4 siniestros de este tipo.
Respuesta. 0.0001

5. Segn las encuestas previas a las elecciones se supone que el 25% de los electores de
la ciudad de La Paz votan por un determinado candidato. Se eligen al azar 50
votantes en un distrito electoral paceo. Calcular la probabilidad de que ms de 20
voten por dicho candidato.
Respuesta. 0.0045

6. Una mquina de lavado a presin est diseada para suministrar 25 litros de limpiador
por minuto, pero se ha comprobado que la mquina suministra una cantidad aleatoria
entre 24 y 26 litros, siguiendo una distribucin uniforme.
a) Calcular la probabilidad de suministrar mas de la cantidad esperada por minuto
b) Calcular la probabilidad de que la cantidad suministrada en un minuto sea menor de
25 litros y medio, sabiendo que ha sido superior a la cantidad esperada.
Respuestas. a) 0.5; b) 0.5