ALEATORIEDAD Y

PROBABILIDAD
ANLISIS DE VARIABLES
ALEATORIEDAD Y PROBABILIDAD
ESPACIOS MUESTRALES Y
EVENTOS
TCNICAS DE CONTEO
PROBABILIDAD
VARIABLES ALEATORIAS

ESPACIOS MUESTRALES Y
EVENTOS
EXPERIMENTO ALEATORIO: Experimento que
puede dar diferentes resultados al repetirse
en las mismas condiciones.






Sin importar cun cuidadosamente se planee y efecte un
experimento la aleatoriedad est casi siempre presente,
aunque a veces es pequea y puede ser ignorada.

Produccin de una
plantacin de naranjas
Punto de ebullicin de
mosto en elaboracin
de cerveza
Consumo de combustible
semanal de un auto
Espacios muestrales y eventos
ESPACIO MUESTRAL: Conjunto de todos los
posibles resultados de un experimento aleatorio.
Se denota por S o por O. Se clasifica en:
Discreto si consiste en un conjunto de posibles
resultados que es finito, o infinito contable
(como Z
+
).
Continuo si consiste en un intervalo, finito o
infinito, de nmero reales.


En muchas ocasiones, el espacio muestral de un experimento
aleatorio se determina a partir de los objetivos de ste.
Espacios muestrales y eventos
Posibles espacios muestrales para el pH de una bebida:



pH de la bebida _ S = {x I 0 < x < 14}
Si se sabe que el pH de la bebida siempre est
entre 2 y 5, el espacio muestral se puede definir
como S = {x I 2 < x < 5}
Si el objetivo es clasificar la bebida cualitativamente,
el espacio muestral puede ser S = {Muy cida,
aceptable, muy bsica}
Espacios muestrales y eventos
Los experimentos aleatorios tambin pueden consistir en
un conjunto de observaciones:
Si se toman 2 bebidas al azar y se determina si
cumplen las especificaciones _ S = {ss, sn, ns, nn}
Si se toman bebidas al azar y se les mide el pH hasta
que alguna no cumpla las especificaciones _ S = {n,
sn, ssn, sssn, }


Hay que tener cuidado con la diferencia entre tomar
objetos de un lote con reemplazo y sin reemplazo.
Espacios muestrales y eventos
EVENTO: Es un subconjunto del espacio muestral de
un experimento aleatorio. Se denotan usando
letras maysculas.

S =
Como los eventos son subconjuntos, pueden aplicrseles las
operaciones de conjuntos: Unin, interseccin, complemento.
1 2 1 2
Si y son eventos mutuamente excluyentes E E E E = C
TCNICAS DE CONTEO
REGLA DE MULTIPLICACIN: Si una operacin
puede describirse como una secuencia de k
pasos, y
el primer paso se puede hacer de n
1
formas,
el segundo paso puede completarse de n
2

formas para cada manera de completar el
paso 1, y as sucesivamente hasta completar
los k pasos,
entonces el nmero total de formas de
completar la operacin es
1 2
* *...*
k
n n n
Tcnicas de conteo
Ejemplo de la regla de multiplicacin:

Si se clasifica a los estudiantes de la facultad de
Ingenieras Fisicoqumicas de acuerdo a su sexo, su
rango de edad (menores de 15, 15-20, 20-25, 25-30,
mayores de 30), su rango de estatura (menos de 1,50 m,
1,50 m-1,65 m, 1,65 m-1,80 m, ms de 1,80 m) y su
carrera (Ing. Qumica, Ing. De Petrleos, Ing.
Metalrgica, Geologa), el nmero de posibles conjuntos
de caractersticas es:


1 2 3 4
* * * 2*5*4*4 160 n n n n = =
Tcnicas de conteo
PERMUTACIONES: Secuencias ordenadas de
elementos de un conjunto.

El nmero de permutaciones posibles de n elementos es n!.
Ejemplo: S = {a, b, c} _ abc, acb, bac, bca, cab, cba = 6
3 elementos _Permutaciones: 3! = 6
El nmero de permutaciones posibles de un subconjunto de r
elementos tomado de un conjunto de n elementos diferentes se
denota como P
r
n
, y es igual a ( n! / (n-r)! )
Ejemplo: Se tienen 5 posibles ubicaciones para instalar
una planta y un almacn _ P
2
5
= ( 5! / 3! ) = 20

El nmero de combinaciones posibles de r elementos
seleccionados de un conjunto de n elementos se denota por C
r
n
,
y es igual a:




!
!( )!
n
r
n
n
C
r r n r
| |
= =
|

\ .
Tcnicas de conteo
COMBINACIONES: Subconjuntos de r elementos que
pueden seleccionarse de un conjunto de n
elementos, sin importar el orden.
Ejemplo: Se desea ubicar dos almacenes, y hay cinco
posibles ubicaciones _C
r
n
= ( 5! / 2!*3! ) = 10

PROBABILIDAD
PROBABILIDAD es la posibilidad de
ocurrencia, o frecuencia, de un resultado
en un experimento aleatorio.

La probabilidad suele expresarse como un nmero entre
0 y 1, donde 0 indica la imposibilidad de ocurrencia del
resultado y 1 expresa que el resultado es el nico
posible. Tambin puede expresarse porcentualmente.
La suma de las probabilidades de todos los elementos
del espacio muestral es igual a 1.
Probabilidad
La probabilidad de un evento E, denotada P(E), es igual
a la suma de las probabilidades de los resultados que
hacen parte de E.
Ejemplo: Lanzar un dado. Cada nmero tiene
probabilidad de 1/6 de ser obtenido. Si E es el
evento de sacar un nmero impar _E = {1, 3, 5} y
P(E) = 1/6 + 1/6 + 1/6 =
Ejemplo: S = {a, b, c, d}; P(a)=0,1, P(b)=0,3,
P(c)=0,5 y P(d)=0,1.
A = {a, b} _ P(A) = 0,1 + 0,3 = 0,4
B = {b, c, d} _ P(B) = 0,3 + 0,5 + 0,1 = 0,9
_ P(B) = 1 0,9 = 0,1
_ P(AB) = P(b) = 0,3
Probabilidad
AXIOMAS DE PROBABILIDAD
La probabilidad es un nmero que se asigna a
cada miembro de una coleccin de eventos de
un experimento aleatorio y satisface las
siguientes propiedades:
1. P(S) = 1
2. 0 P(E) 1
3. Para dos eventos A y B mutuamente
excluyentes, P(AUB) = P(A) + P(B)


Probabilidad
REGLAS DE ADICIN:

P(AUB) = P(A) + P(B) P(AB)
P(AUBUC) = P(A) + P(B) + P(C) P(AB) P(AC)
P(BC) + P(ABC)
Si se tienen k eventos mutuamente excluyentes, la
probabilidad de la unin de los eventos es simplemente
la suma de las probabilidades de los eventos.
1 2 3
1 2 3 1 2
, , ,..., ,
( ... ) ( ) ( ) ... ( )
k i j
k k
E E E E E E i j
P E E E E P E P E P E
= C
= + + +
Probabilidad
PROBABILIDAD CONDICIONAL es la probabilidad
de ocurrencia de un evento A, dado que otro
evento B ya ha ocurrido. Se denota por P(A|B), y
se calcula as:
En algunos experimentos aleatorios la probabilidad de
un evento es alterada por la ocurrencia de otro evento.
( )
( ) , siempre que ( ) 0
( )
P A B
P A B P B
P B
= > I
Probabilidad
PROBABILIDAD DE LA INTERSECCIN DE DOS
EVENTOS:
P(AB) = P(BIA)*P(A) = P(AIB)*P(B)
REGLA DE PROBABILIDAD TOTAL:
P(B) = P(BA) + P(BA)
= P(BIA)*P(A) + P(BIA)*P(A)
S
BA BA
A B
Probabilidad
INDEPENDENCIA: Cuando la probabilidad de un
evento no es afectada por la ocurrencia de otro
evento, se dice que stos son independientes.

Dos eventos A y B son independientes si se cumple
alguna de las siguientes afirmaciones:
1. P(AIB) = P(A)
2. P(BIA) = P(B)
3. P(AB) = P(A)*P(B)
El cumplimiento de una de las anteriores tres declaraciones
implica que las otras dos tambin son verdaderas.
Ejemplo de determinacin de independencia:

Se produjeron 100 latas de atn, y se evalu si cada lata
presentaba abolladuras ( o Ab.) y el estado del
pescado (B o Malo). Se obtuvo la siguiente tabla:

Probabilidad
B
Ab.

Malo
80 2
10 8
A = pescado en buenas condiciones
B = lata en buenas condiciones
80 10
( ) 0, 9
100 100
( ) 80
( ) 0, 97561
( ) 82
P A
P A B
P AB
P B
= + =
= = = I
A Y B NO SON
INDEPENDIENTES
80 2
( ) 0, 82
100 100
( ) 80
( ) 0, 89
( ) 90
P B
P A B
P B A
P A
= + =
= = = I
Ejemplo de determinacin de independencia:

Se monitorean 400 pozos petroleros, y se registra si el
crudo obtenido es liviano o pesado, y su principal
utilizacin (combustible o petroqumica).

Probabilidad
A = crudo pesado
B = uso como combustible
150 100
( ) 0, 625
400 400
( ) 150
( ) 0, 625
( ) 240
P A
P A B
P AB
P B
= + =
= = = I
A Y B SON
INDEPENDIENTES
150 90
( ) 0, 6
400 400
( ) 150
( ) 0, 6
( ) 250
P B
P A B
P B A
P A
= + =
= = = I
Pesado Liviano
Comb.
P.Q.
150
100
90
60
Probabilidad
TEOREMA DE BAYES


( )* ( )
( )
( )
P B A P A
P AB
P B
=
I
I
Si E
1
, E
2
, E
3
, , E
k
son eventos mutuamente
excluyentes y exhaustivos, y B es cualquier evento:
1 1
1
1 1 2 2
( ) * ( )
( )
( ) * ( ) ( ) * ( ) ... ( ) * ( )
k k
P B E P E
P E B
P B E P E P B E P E P B E P E
=
+ + +
I
I
I I I
VARIABLES ALEATORIAS
Una variable aleatoria es una funcin que le
asigna un nmero real a cada posible resultado
dentro del espacio muestral de un experimento
aleatorio.
Se suele denotar con una letra de variable
mayscula, por ejemplo X; una medida particular
de la variable aleatoria se representa por la
misma letra de variable en minscula (x
siguiendo el mismo ejemplo).
VARIABLES ALEATORIAS
DISCRETAS
ANLISIS DE VARIABLES
VARIABLES ALEATORIAS
DISCRETAS
VARIABLES ALEATORIAS DISCRETAS
Distribucin de probabilidad
Funcin de masa de probabilidad
Funcin de distribucin acumulada
DISTRIBUCIONES DISCRETAS
Distribucin discreta uniforme
Distribucin binomial
Distribucin geomtrica
Distribucin binomial negativa
Distribucin hipergeomtrica
Distribucin Poisson
VARIABLES ALEATORIAS
DISCRETAS
Una VARIABLE ALEATORIA es DISCRETA
cuando su rango es finito o infinito contable.
Cantidad de personas con
menos de 1,50 m de
estatura, en una muestra
aleatoria de 20
Rango de X = {0, 1, 2, ..., 20}
Cantidad de caras en 4
lanzamientos de una
moneda
Rango de X = {0, 1, 2, 3, 4}
Nmero de rayas en la
superficie de un c.d.
Rango de X = {0, 1, 2, }
Variables aleatorias discretas
Cantidad de productos
aceptables hasta encontrar
uno inaceptable
Rango de X = {0, 1, 2, 3, 4, }
Proporcin de productos
insatisfactorios en un
lote de 100
Rango de X = {0, 0,01,
0,02, 0,03, , 0,99, 1}
Causal de insatisfaccin en
un producto rechazado
Rango de X = {1, 2, 3},
donde 1=Color,
2=Homogeneidad y
3=Viscosidad
DISTRIBUCIN DE PROBABILIDAD
DISTRIBUCIN DE PROBABILIDAD es una
descripcin de la probabilidad asociada a
cada valor de la variable aleatoria analizada.
X es la variable
aleatoria que
representa el
nmero obtenido
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0 1 2 3 4 5 6
X es una variable
aleatoria que vale
1 si sale 1 o 2, y
vale 2 si sale 3, 4,
5 o 6
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0 1 2
FUNCIN DE MASA DE
PROBABILIDAD
FUNCIN DE MASA DE PROBABILIDAD:
Para una variable aleatoria discreta con
valores posibles x
1
, x
2
, , x
n
una funcin de
masa de probabilidad es una funcin tal que
1
1) ( ) 0
2) ( ) 1
3) ( ) ( )
i
n
i
i
i i
f x
f x
f x P X x
=
>
=
= =

Funcin de masa de probabilidad

X es la variable
aleatoria que
representa el
nmero obtenido
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0 1 2 3 4 5 6
X es una variable
aleatoria que vale 1
si sale 1 o 2, y vale
2 si sale 3, 4, 5 o 6
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0 1 2
Funcin de masa de probabilidad
f(1)=1/6, f(2)=1/6, f(3)=1/6,
f(4)=1/6, f(5)=1/6, f(6)=1/6
o
f(x
i
)=1/6
Funcin de masa de probabilidad
f(1)=2/6, f(2)=4/6, o

f(x
i
)=
1/3 si x
i
=1
2/3 si x
i
=2
FUNCIN DE DISTRIBUCIN
ACUMULADA
FUNCIN DE DISTRIBUCIN ACUMULADA se
denota por F(x) y es una funcin que describe la
probabilidad de que una variable aleatoria tome un
valor igual o menor a cada valor en el rango de la
variable. En trminos matemticos, F(x) = P(Xx).
1) ( ) ( ) ( )
2)0 ( ) 1
3)Si entonces ( ) ( )
i
i i
x x
F x P X x f x
F x
x y F x F y
s
= s =
s s
s s

Funcin de distribucin acumulada discreta

X es la variable
aleatoria que
representa el
nmero obtenido
X es una variable
aleatoria que vale 1
si sale 1 o 2, y vale
2 si sale 3, 4, 5 o 6
Funcin de distribucin acumulada
F(1)=1/6, F(2)=2/6, F(3)=3/6,
F(4)=4/6, F(5)=5/6, F(6)=1
o
F(x
i
)=x
i
/6
Funcin de distribucin acumulada
F(1)=2/6, F(2)=1, o

F(x
i
)=
1/3 si x
i
=1
1 si x
i
=2
Variables aleatorias discretas
La MEDIA () y la VARIANZA (o
2
) son medidas sencillas
que se usan comnmente para resumir las
caractersticas de una distribucin de probabilidad.
La media o valor
esperado de una variable
aleatoria discreta X es:
( ) ( )
x
E x xf x = =

La varianza de una
variable al. discreta X es:
2 2
2 2
( ) ( ) ( )
( )
x
x
V x x f x
x f x
o

= =
=

( ) ( )
(2*0, 05) (3*0, 2) (4*0, 3) (5*0, 4) (6*0, 05)
4, 2
x
E x xf x = =
= + + + +
=

Variables aleatorias discretas

0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0 1 2 3 4 5 6
Clculo y significado de la media de una distribucin
de probabilidad:
f(x
i
)=1/6
( ) ( )
1 1 1 1 1 1
(1* ) (2* ) (3* ) (4* ) (5* ) (6* )
6 6 6 6 6 6
3, 5
x
E x xf x = =
= + + + + +
=

0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0 1 2 3 4 5 6
2 2 2
2 2 2
2 2 2 2
( ) ( )
(1) (0, 05) (2) (0,15) (3) (0, 3)
(4) (0, 3) (5) (0,15) (6) (0, 05) (3, 5)
1, 45
x
V x x f x o = =
= + + +
+ +
=

Variables aleatorias discretas

0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0 1 2 3 4 5 6
Clculo y significado de la varianza de una
distribucin de probabilidad:
2 2 2
2 2 2 2
2 2 2
( ) ( )
1 1 1 1
(1) (2) (3) (4)
6 6 6 6
1 1
(5) (6) (3, 5)
6 6
1, 71
x
V x x f x o = =
| | | | | | | |
= + + + +
| | | |
\ . \ . \ . \ .
| | | |
+ +
| |
\ . \ .
=

o
2
=1,71
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 1 2 3 4 5 6
o
2
=1,45
DISTRIBUCIN DISCRETA
UNIFORME
La DISTRIBUCIN DISCRETA UNIFORME se
presenta cuando X tiene un nmero finito de
posibles valores, cada uno con la misma
probabilidad.
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0 1 2 3 4 5 6
Distribucin discreta uniforme
Una variable aleatoria X tiene una distribucin
discreta uniforme si cada uno de los n valores
en su rango, digamos x
1
, x
2
, , x
n
, tienen igual
probabilidad. Entonces f(x
i
)=1/n
Para una distribucin discreta
uniforme cuyo rango consiste
de enteros consecutivos a,
a+1, a+2, , b:
( )
2
b a
E x
+
= =
12
1 ) 1 (
2
2
+
=
a b
o
Distribucin discreta uniforme
Si a cada valor del
rango de una
distribucin discreta
uniforme se le
multiplica por una
constante c, la media
y la desviacin
estndar de la
distribucin se
multiplican por c y la
varianza por c
2
.
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0 1 2 3 4 5 6
=3,5
o
2
=1,71
x
i
*6
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0 6 12 18 24 30 36
=21
o
2
=61,56
DISTRIBUCIN BINOMIAL
La distribucin binomial surge cuando se repite
n veces un experimento con 2 posibles
resultados (experimento Bernoulli), y se toma
como variable aleatoria el nmero de veces que
se cumple un criterio.
Experimento
con 2
posibles
valores
Experimento
repetido n
veces
Probabilidad
constante de
obtener un
xito
Variable
aleatoria igual
al nmero de
xitos
Distribucin binomial
Lanzar una moneda 10 veces. X = nmero de caras.
Una mquina produce 1% de productos defectuosos.
X= nmero de productos defectuosos en los siguientes
25 producidos.
Un examen de seleccin mltiple tiene 10 preguntas y
4 posibles respuestas por pregunta. Si adivina en cada
pregunta, X = nmero de respuestas correctas.
En los siguientes 20 partos en un hospital, X = nmero
de nias.
10% de probabilidad de encontrar una molcula rara en
el aire. X = nmero de muestras de aire con la molcula
rara en las siguientes 18 muestras.

Distribucin binomial
Si un experimento aleatorio consiste de n ensayos Bernoulli que
cumplen las siguientes condiciones:
* Los ensayos son independientes.
* Cada ensayo tiene slo dos resultados, etiquetados como
xito y falla.
* La posibilidad de xito en cada ensayo, denotada por p,
permanece constante.
Y la variable aleatoria X se define como el nmero de ensayos que
resultan en xito, X tiene una distribucin binomial con parmetros
0<p<1 y n=1,2,.
( ) (1 ) 0, 1, ...,
!
!( )!
x n x
n
f x p p x n
x
n
n
x x n x

| |
= =
|
\ .
| |
=
|

\ .
2
( )
( ) (1 )
E x np
V x np p

o
= =
= =
Distribucin binomial
!
( ) (1 ) 0, 1, ...,
!( )!
x n x
n
f x p p x n
x n x

= =

n = 30
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
0 5 10 15 20 25 30
p=0 , 5
p=0 , 3
p=0 , 8
p = 0,5
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
0 5 10 15 20 25 30
n=3 0
n=2 0
n=50
DISTRIBUCIN GEOMTRICA
La distribucin geomtrica se presenta cuando
se repiten ensayos Bernoulli independientes y
con probabilidad constante, y la variable
aleatoria X representa el nmero de
experimentos hasta el primer xito.
Experimento
con 2
posibles
valores
Experimento
repetido
indeterminadas
veces
Probabilidad
constante de
obtener un
xito
X igual al
nmero de
ensayos hasta
el primer xito
Distribucin geomtrica
Lanzar una moneda hasta que salga un sello. X =
nmero de intentos hasta obtener el sello.
Un examen de seleccin mltiple de 1000 preguntas y
4 posibles respuestas por pregunta en el que se adivinan
las respuestas. X = nmero de preguntas contestadas
hasta acertar en una.
Una mquina fabrica 1% de productos defectuosos.
X= nmero de productos fabricados hasta obtener uno
defectuoso.
Posibilidad de que una gallina ponga un huevo con dos
yemas. X = nmero de huevos puestos hasta obtener
uno con dos yemas (tambin se cuenta ste).



Distribucin geomtrica
Si un experimento aleatorio consiste de una
serie de ensayos Bernoulli independientes y con
probabilidad p constante, y la variable aleatoria
X denota el nmero de ensayos hasta el primer
xito, entonces la probabilidad de X sigue una
distribucin geomtrica con parmetro 0<p<1.
1
( ) (1 ) 1, 2, 3, ...
x
f x p p x

= =
2
2
1 1
( ) ( )
p
E x V x
p p
o

= = = =
Distribucin geomtrica
1
( ) (1 ) 1, 2, 3, ...
x
f x p p x

= =
2
2
1 1
( ) ; ( )
p
E x V x
p p
o

= = = =
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 5 10 15 20 25 30
p=0,01
p=0,05
p=0,2
p=0,35
PROPIEDAD DE
FALTA DE
MEMORIA
p = 0,2
P(X=5) = P(X=15IX>10)
P(X=5) = f(5)
= (1-0,2)
4
0,2
= (0,4096)(0,2)
= 0,08192
P(X=15IX>10) = f(15) / (1-[f(1)+...+f(10)])
= 0,00879609 / (1-
0,89262582)
= 0,08192
DISTRIBUCIN BINOMIAL
NEGATIVA
La distribucin binomial negativa es una
generalizacin de la distribucin
geomtrica. En este caso, la variable
aleatoria es el nmero de ensayos
realizados hasta obtener r xitos.
Experimento
con 2
posibles
valores
Experimento
repetido
indeterminadas
veces
Probabilidad
constante de
obtener un
xito
X igual al
nmero de
ensayos
hasta r xitos
Distribucin binomial negativa
Lanzar una moneda hasta que salgan 4 caras. X =
nmero de intentos hasta obtener las 4 caras.
Un examen de seleccin mltiple de 1000 preguntas y
4 posibles respuestas por pregunta en el que se adivinan
las respuestas. X = nmero de preguntas contestadas
hasta acertar en cinco.
Una mquina fabrica 1% de productos defectuosos.
X= nmero de productos fabricados hasta obtener diez
defectuosos.
Posibilidad de que una gallina ponga un huevo con dos
yemas. X = nmero de huevos puestos hasta obtener
dos con dos yemas.



Distribucin binomial negativa
En una serie de ensayos Bernoulli independientes
y con probabilidad p constante, sea X la variable
aleatoria que denota el nmero de ensayos hasta
obtener r xitos. Entonces X es una variable
aleatoria binomial negativa con parmetros 0<p<1
y r = 1, 2, 3,
1
( ) (1 ) , 1, +2, ...
1
x r r
x
f x p p x r r r
r

| |
= = +
|

\ .
2
2
(1 )
( ) ( )
r r p
E x V x
p p
o

= = = =
Distribucin binomial negativa
p = 0,2
0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0 5 10 15 20 25 30 35 40
r=2
r=4
r=6
2
2
(1 )
( ) ( )
r r p
E x V x
p p
o

= = = =
r = 4
0
0,01
0,02
0,03
0,04
0,05
0,06
0 5 10 15 20 25 30 35 40
p=0,05
p=0,1
p=0,2
DISTRIBUCIN
HIPERGEOMTRICA
La distribucin hipergeomtrica describe la
probabilidad de que al tomar n objetos de un
lote, x objetos sean xitos y n-x fracasos. La
muestra se toma sin reemplazo, por lo cual los
ensayos no son independientes.
Experimento
con 2
posibles
valores
Experimento
repetido n
veces
Muestra de
un lote,
tomada sin
reemplazo
X igual al
nmero de
xitos
Un conjunto de N objetos contiene k xitos y N-k
fracasos. Se selecciona una muestra aleatoria y
sin reemplazo de n objetos.
Si la variable aleatoria X denota el nmero de
xitos en la muestra, entonces su funcin de
masa de probabilidad sigue una distribucin
hipergeomtrica.
Distribucin hipergeomtrica
{ } { }
( ) ; max 0, a min ,
k N k
x n x
f x x n k N k n
N
n

| || |
| |

\ .\ .
= = +
| |
|
\ .
Si n+k>N, se
obtendrn por lo
menos n+k-N xitos
El nmero de xitos
posibles est limitado
por k o por n
Distribucin hipergeomtrica
La media y la varianza son:
2
( ) ; ( ) (1 )
1
N n k
E x np V x np p p
N N
o

| |
= = = = =
|

\ .
Factor de correccin
de poblacin finita
Diferencia las expresiones de
varianza de la binomial y la
hipergeomtrica
Muestreo con reemplazo
equivale a muestreo de
conjunto infinito binomial
Muestreo sin reemplazo
hipergeomtrica
Si n es pequeo relativo a N, la hipergeomtrica puede
aproximarse con una binomial
DISTRIBUCIN POISSON
La distribucin Poisson sirve para
representar una situacin en la cual existe
un intervalo (rea, tiempo, longitud, etc.),
se conoce el promedio de ocurrencias en
el intervalo, y la variable aleatoria
representa el nmero de ocurrencias en el
intervalo.
Distribucin Poisson
Hay una probabilidad de 0,1 de que se presente algn
defecto en un metro de manguera producida. X =
cantidad de defectos presentes en un metro de
manguera.
Se estudia el ingreso de personas a un banco, y se
determina que en promedio entran 40 personas cada
hora. X = nmero de personas que entran al banco en
una hora.
En una fabricacin de semiconductores, hay una
probabilidad de 0,05 de que se presente una partcula
contaminante en un cm
2
de semiconductor. X =
cantidad de partculas contaminantes en 5 cm
2
de
semiconductor.
Distribucin Poisson
Dado un intervalo de nmeros reales, asmase que el
conteo ocurre aleatoriamente a travs del intervalo. Si el
intervalo puede fraccionarse en intervalos de longitud
suficientemente pequea tales que







Entonces se dice que el experimento aleatorio es un
proceso Poisson.
La probabilidad de ms de una ocurrencia en un subintervalo
es cero,
La probabilidad de una ocurrencia en un subintervalo es igual
en todos los subintervalos y es proporcional a la longitud del
subintervalo, y
El conteo en cada subintervalo es independiente de otros
subintervalos
Distribucin Poisson
La variable aleatoria que es igual al nmero de
ocurrencias en un intervalo de un proceso
Poisson es una variable aleatoria Poisson con
parmetro >0, y su funcin de masa de
probabilidad es:
( ) 0,1, 2, 3,...
!
x
e
f x x
x

= =
= np, donde n = nmero de subintervalos y p = probabilidad
de una ocurrencia en un subintervalo
2
( ) ( ) E x V x o = = = =
Distribucin Poisson
2
( ) ( ) E x V x o = = = =
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0 5 10 15 20 25 30
l=1
l=5
l=10
l=20
VARIABLES ALEATORIAS
CONTINUAS
ANLISIS DE VARIABLES
VARIABLES ALEATORIAS
CONTINUAS
VARIABLES ALEATORIAS
CONTINUAS
Distribucin de probabilidad
Funcin de densidad de probabilidad
Funcin de distribucin acumulada
DISTRIBUCIONES CONTINUAS
Distribucin continua uniforme
Distribucin normal
Distribucin normal estndar
Aproximaciones usando la normal


VARIABLES ALEATORIAS
CONTINUAS
Distribucin exponencial
Distribucin Erlang
Distribucin Gamma
Distribucin Weibull

VARIABLES ALEATORIAS
CONTINUAS
Una VARIABLE ALEATORIA es CONTINUA
cuando su rango es un intervalo de nmeros
reales.
Tiempo que tarda en
cocinarse un huevo
Rango de X = (0, 3600)
en segundos
Corriente que pasa
por cierto alambre
Rango de X = (1, 10)
en mA
Dimetro de cierto
pin fabricado
Rango de X = (10,2,
10,3) en cm
DISTRIBUCIN DE PROBABILIDAD
DISTRIBUCIN DE PROBABILIDAD es una
descripcin de la probabilidad asociada a la
variable aleatoria analizada.
La probabilidad de que la variable aleatoria continua tome un
valor en un subintervalo determinado (a, b) es

( )
b
a
f x dx
}
FUNCIN DE DENSIDAD DE
PROBABILIDAD
La funcin de densidad de probabilidad es una
funcin que describe la distribucin de
probabilidad de una variable aleatoria continua.
1) ( ) 0
2) ( ) 1
3) ( ) ( )
b
a
f x
f x dx
P a X b f x dx

>
=
s s =
}
}
Funcin de densidad de probabilidad
FUNCIN DE DISTRIBUCIN
ACUMULADA
La funcin de distribucin
acumulada representa la
probabilidad de que la
variable aleatoria tome un
valor igual o menor que un
valor determinado.
( ) ( ) ( )
x
F x P X x f u du

= s =
}
Funcin de distribucin acumulada
La funcin de densidad de
probabilidad puede hallarse
a partir de la funcin de
distribucin acumulada
usando el teorema
fundamental del clculo.
( ) ( )
( )
( )
x
d
f u du f x
dx
dF x
f x
dx

=
=
}
Variables aleatorias continuas
La MEDIA () y la VARIANZA (o
2
) de una variable
aleatoria continua se definen de manera similar a las
correspondientes para variables aleatorias discretas,
reemplazando las sumatorias por integrales.
La media o valor
esperado de una variable
aleatoria continua X es:
( ) ( ) E x xf x dx

= =
}
La varianza de una
variable al. continua X es:
2 2
2 2
( ) ( ) ( )
( )
V x x f x dx
x f x dx
o

= =
=
}
}
Variables aleatorias continuas
Significado de la media
en una distribucin de
probabilidad
= 2
o
2
= 1,0
= -1
o
2
= 1,0
Variables aleatorias continuas
= 0
o
2
= 1,5
= 0
o
2
= 0,5
Significado de la
varianza en una
distribucin de
probabilidad
DISTRIBUCIN CONTINUA
UNIFORME
Se presenta cuando la variable aleatoria tiene
probabilidad constante de ocurrencia en todo su
rango.
2
2
1
( ) ;
2
( )
12
f x a x b
b a
a b
b a

o
= s s

+
=

=
p
X
Distribucin continua uniforme
Distribucin acumulada:
0
( )
1
si x a
x a
F x si a x b
b a
si b x
<

= s <

Distribucin continua uniforme

Ej: La funcin de densidad de probabilidad del tiempo
requerido para completar una operacin de ensamblaje
es f(x) = 0,1 para 30<x<40 s.
Determine la media y la varianza del tiempo de ensamblaje.
Determine la proporcin de operaciones que requieren ms de
35 s para completarse.
Qu valor de tiempo es excedido por el 90 % de los
ensamblajes?
Distribucin continua uniforme
f(x)=0,1 30 < x < 40
Determine la media y la varianza del tiempo de
ensamblaje.
Distribucin continua uniforme
f(x)=0,1 30 < x 40
Determine la proporcin de operaciones que requieren
ms de 35 s para completarse.
Distribucin continua uniforme
f(x)=0,1 30 < x 40
Qu valor de tiempo es excedido por el 90 % de los
ensamblajes?
DISTRIBUCIN NORMAL
La distribucin normal es el modelo ms
ampliamente usado para la distribucin de
una variable aleatoria.
Por ejemplo, surge siempre que se hacen
rplicas de un experimento aleatorio y se
define como variable aleatoria el resultado
promedio de las rplicas (esto se hace
evidente a medida que crece el nmero de
rplicas).

Distribucin normal
Forma de
campana
Distribucin
Gaussiana
Simtrica
alrededor
de la media
Cuanta ms varianza,
ms extensa y menos
aguda
Distribucin normal
Una variable aleatoria normal es aquella
que tiene la siguiente funcin de
densidad de probabilidad:


Con los parmetros -<< y 0<o
2
.

2
2
( )
2
1
( )
2
x
f x e

o
to

=
E(x) =
V(x) = o
2
Una distribucin normal suele
denotarse por N(, o
2
).
Distribucin normal
P(X>) = P(X<)
El modelo le asigna probabilidad a todos
los puntos de la recta real, pero
disminuye al alejarse de la media siendo
despreciable desde cierto punto.
P(-o<X<+o) = 0,6827
P(-2o<X<+2o) = 0,9545
P(-3o<X<+3o) = 0,9973
La regin ms importante de la
distribucin es (-3o, +3o). A la cantidad
6o se le llama ANCHO de la distribucin
normal.
Distribucin normal estndar
Una distribucin normal que es N(0, 1) es una
distribucin normal estndar. La variable
asociada se llama variable normal estndar y
se denota por Z, y su funcin de distribucin
acumulada se denota por u(z) = P(Zz).
Cualquier variable normal
puede estandarizarse
haciendo el cambio de
variable Z = ( (X-) / (o) )
Distribucin normal estndar
Es fcil encontrar tablas con los valores de
la distribucin acumulada normal estndar.
Entonces cuando se trabaja con una
variable normal, suele estandarizarse para
leer las probabilidades de las tablas.
Distribucin normal estndar
) 26 , 1 ( ) 1 ( > Z P
) 86 , 0 ( ) 2 ( < Z P
) 37 , 1 ( ) 3 ( > Z P
Distribucin normal estndar
(6) Encontrar el valor de
z tal que P(Z<z)=0,95
(6) Encontrar el valor de
z tal que P(-z<Z<z)=0,99
) 37 , 0 25 , 1 ( ) 4 ( < < Z P
) 6 , 4 ( ) 5 ( < Z P
Distribucin normal
Ej: El volumen de llenado de una mquina automtica
usada para llenar latas de gaseosa est normalmente
distribuido con una media de 12,4 oz y una desviacin
estndar de 0,1 oz.
Cul es la probabilidad de que el volumen de una lata sea
menor a 12 oz?
Si todas las latas con menos de 12,1 o ms de 12,6 oz son
rechazadas, Qu proporcin de las latas son rechazadas?




Distribucin normal
Dist. Normal, = 12,4 , o = 0,1.
Cul es la probabilidad de que el volumen de una lata sea menor a
12 oz?


Distribucin normal
Dist. Normal, = 12,4 , o = 0,1.
Si todas las latas con menos de 12,1 o ms de 12,6 oz son
rechazadas, Qu proporcin de las latas son rechazadas?


Aproximaciones usando distribucin normal
La distribucin normal tambin se usa para
aproximar la distribucin binomial cuando n es
grande (lo cual puede complicar los clculos en
dicha distribucin).
Si X es una variable aleatoria binomial,


Es aproximadamente una variable aleatoria normal estndar.
La aproximacin es buena si np>5 y n(1-p)>5 (es decir, n es
grande relativo a p).
(1 )
X np
Z
np p

DISTRIBUCIN
HIPERGEOMTRICA
DISTRIBUCIN
BINOMIAL
DISTRIBUCIN
NORMAL

Si n/N < 0,1
Si np>5 y
n(1-p)>5
Aproximaciones usando distribucin normal
La distribucin normal tambin puede ser usada para
aproximar una distribucin Poisson.
Si X es una variable aleatoria Poisson, al hacer el
siguiente cambio de variable


Se obtiene aproximadamente una variable aleatoria
estndar.
X
Z

=
La aproximacin es buena si > 5
DISTRIBUCIN EXPONENCIAL
La variable aleatoria X que es igual a la
distancia entre xitos sucesivos en un proceso
Poisson con media >0 es una variable
aleatoria exponencial con parmetro .
Distancia entre dos
defectos en una
manguera, que tiene
un promedio de 0,1
defectos por metro
Tiempo entre dos ingresos
consecutivos de personas a
un banco, con un promedio
de ingreso de 40 personas
por hora
Distribucin exponencial
2
2
( ) 0
( ) 1 0
1
( )
1
( )
x
x
f x e x
F x e x
E x
V x

= s <
= s
= =
= =
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0 2 4 6 8 10 12 14 16
l=0,01
l=0,25
l=0,5
l=1
Distribucin exponencial
La distribucin exponencial es la nica
distribucin continua con la propiedad de
falta de memoria.
( ) ( ( ) ) P X a P X a b X b < = < + > I
La distribucin exponencial no modela bien la
operacin de dispositivos que sufren desgaste o
disminucin funcional con el tiempo.
DISTRIBUCIN ERLANG
Es una generalizacin de la exponencial; la
distribucin Erlang aparece cuando la variable
aleatoria representa la distancia hasta obtener
r xitos en un proceso Poisson. Tiene dos
parmetros: r y .
Distancia hasta
encontrar seis
defectos en una
manguera, con
=0,1
Tiempo hasta registrar cuatro
ingresos de personas a un
banco, cuyo promedio de
ingreso es 40 personas/hora
Distribucin Erlang
1
2
2
( ) 0 1, 2, 3,...
( 1)!
( )
( )
r r x
x e
f x x r
r
r
E x
r
V x

= > =
+
= =
= =
DISTRIBUCIN GAMMA
La distribucin Gamma es una generalizacin
de la Erlang, en la cual el nmero de xitos r
puede ser cualquier real (ya no est sujeto a
ser un nmero entero). Parmetros: r (o k) y
(o u).
1
2
2
( ) 0
( )
r r x
x e
f x x
r
r
r

= >
I
=
=
Distribucin Gamma
La distribucin Gamma no es muy usada,
excepto en el caso particular en que =0,2 y
r=n/2, donde n es un nmero natural.
Esas condiciones definen la distribucin Chi-
Cuadrado, que es muy usada en estadstica
inferencial.
DISTRIBUCIN WEIBULL
La distribucin Weibull sirve para
modelar el tiempo hasta que se presenta
falla en sistemas fsicos. El modelo
permite representar incrementos en las
fallas con el uso (desgaste), o
disminucin de las fallas con el uso
(algunos semiconductores).
Tiene dos parmetros: o (o parmetro de
escala) y | (o parmetro de forma).
Distribucin Weibull
1
( ) 0
( ) 1
x
x
x
f x e x
F x e
|
|
|
o
o
|
o o

| |

|
\ .
| |

|
\ .
| |
= >
|
\ .
=