SlideShare una empresa de Scribd logo
1 de 52
VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE
PROBABILIDAD
VARIABLE ALEATORIA
Una variable aleatoria se define asignando un valor
numérico a cada suceso simple de un experimento
que conduzca a resultados aleatorios.
VARIABLES
ALEATORIAS
DISCRETAS
VARIABLES
ALEATORIAS
CONTINUAS
Una variable aleatoria
discreta es una variable que
puede tomar solo valores de
un conjunto predeterminado
Una variable aleatoria continua
se mide en una escala numérica.
Cada observación de la variable
aleatoria puede tomar cualquier
valor dentro de un rango específico
Las distribuciones de probabilidad son idealizaciones de los polígonos
de frecuencias.
Las DP de variable continua se definen mediante una función y=f(x)
llamada función de probabilidad o función de densidad.
La probabilidad viene dada por el área bajo la curva, por lo que:
•El área encerrada bajo la totalidad de la curva es 1.
•Para obtener la probabilidad P(a≤X≤b) obtenemos la proporción de
área que hay bajo la curva desde a hasta b.
•La probabilidad de sucesos puntuales es 0, P(X=a)=0
Distribución de Probabilidad
Empleados
ausentes
por día, x
Numero
de días,
ni
Probabilid
ad, P(x)
1
2
3
4
5
6
7
8
18
25
39
46
27
25
22
10
0.085
0.118
0.184
0.217
0.127
0.118
0.104
0.047
212 1.000
Ejemplo
1 2 3 4 5 6 7 8
Número de días, x
P(x)
Parámetros en una distribución de probabilidad
Por analogía con las variables estadísticas podemos definir también
aquí la media µ y la desviación típica σ de la variable aleatoria.
•La media µ, también llamada
esperanza matemática, es un
valor representativo de todos
los valores que toma la
variable aleatoria X, lo
podemos imaginar como el
punto sobre el eje de abscisas
donde al poner una cuña la
figura plana definida por la
función de densidad quedará
en equilibrio. Para calcularla
hemos de hacer:
•La desviación típica σ es una
medida de la dispersión de los
valores que toma la variable
aleatoria de la media. Como
ocurría con las variables
estadísticas la desviación típica
será más pequeña o más
grande según la gráfica de la
función de densidad sea más
estrecha o más ancha en torno
a la media. En este caso se
calcula:
Ejemplo: Al lanzar dos dados la suma de ambos puede asumir 11 valores
diferentes en 36 puntos muestrales
En este caso vemos que la distribución de p(x) obtenida es simétrica.
Para el caso de 1 solo dado, donde todos los valores tienen la misma
probabilidad de salir (1/6), obtendríamos una
distribución uniforme
Supongamos que un experimento aleatorio tiene las siguientes
características:
•En cada prueba del experimento sólo son posibles dos
resultados: el suceso A (éxito) y su contrario A’ (fracaso).
•El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
•La probabilidad del suceso A es constante, la representamos
por p, y no varía de una prueba a otra. La probabilidad de A’
es 1- p y la representamos por q .
El experimento consta de un número n de pruebas.
Distribución Binomial
Todo experimento que tenga estas características diremos que sigue
el modelo de la distribución Binomial. A la variable X que expresa
el número de éxitos obtenidos en cada prueba del experimento, la
llamaremos variable aleatoria binomial.
Función de probabilidad de la distribución Binomial
o también denominada función de la distribución de Bernoulli (para n=1).
Verificándose: 0 ≤ p ≤ 1
Distribución Binomial
La variable binomial es una variable aleatoria discreta, sólo puede tomar los valores
0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener k-éxitos y (n-k)
fracasos debemos calcular éstas por combinaciones (número combinatorio n sobre
k).
Se suele representar por B(n,p) siendo n y p los parámetros de dicha distribución.
Probabilidad de obtener K éxitos
qp
knk
k
n
kXp
−
••





== )(
Parámetros de la Distribución Binomial
Distribución Binomial
Función de Distribución de la variable aleatoria Binomial
Esta función de distribución proporciona, para cada número real xi, la probabilidad
de que la variable X tome valores menores o iguales que xi.
Siendo K el mayor número entero menor o igual a xi
qpqpqp
knknn
k
nnn
xXpxF
−−
••





++••





+••





=≤= ....
10
)()(
110
11
Resumen Distribución Binomial
Distribución Binomial
Sea X una variable aleatoria discreta correspondiente a una distribución binomial.
xnx
xnx
qp
xxn
n
pnxP
pp
xxn
n
pnxP
−
−
−
=
−
−
=
!)!(
!
),;(
)1(
!)!(
!
),;(
Distribución Binomial
Ejemplo
La probabilidad de éxito de una determinada vacuna es 0.72.
Calcula la probabilidad de a que una vez administrada a 15
pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad
Solución :
Se trata de una distribución binomial de parámetros B(15, 0.72)
Distribución de Poisson
Esta distribución aparece en algunos procesos que tienen una dimensión
temporal o espacial, y en fenomenos que tienen un alto número de
experimentos (alto n) y una baja probabilidad de que ocurran (baja p).
Ejemplos:
• número de llamadas telefónicas que recibe un servicio de atención a
urgencias durante un intervalo de tiempo determinado
•número de cultivos infectados por una plaga en una cierta región
geográfica
La función de probabilidad de una variable aleatoria de Poisson con
media λ > 0, que simplificamos con la notación P(λ), es
siendo su función de distribución el sumatorio de cada uno de los
valores menores.
La media y varianza de X son ambas iguales a λ,
E[X] = V[X] = λ.
Distribución de Poisson
Ejemplo
El número de enfermos que solicitan atención de urgencia en un
hospital durante un periodo de 24 horas tiene una media de m =
43.2 pacientes. Unas obras en las instalaciones mermarán las
capacidades de atención del servicio, el cual se sabe que colapsará
si el número de enfermos excede de 50. ¿Cual es la probabilidad
de que colapse el servicio de urgencias del hospital?
Bajo las condiciones del modelo de Poisson, se trata de una
distribución P(43.2). La probabilidad solicitada es
P(X > 50) = 1 – P(X <= 50) = 1 - F(50) = 0.13.
El responsable del servicio deberá valorar si esta probabilidad es lo
suficientemente alta como para reforzar la atención de urgencias
con más efectivos, materiales, espacios, etc.
Distribución de Poisson
Ejemplo
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000.
Calcular la probabilidad de que en una ciudad con 500.000 habitantes haya más de 3
personas con dicha enfermedad.
Calcular el número esperado de habitantes que la padecen.
Consideramos la v.a. X que contabiliza el número de personas que padecen la
enfermedad, es claro que sigue un modelo binomial, pero que puede ser muy bien
aproximado por un modelo de Poisson, de modo que
Así el número esperado de personas que padecen la enfermedad es
Existe una gran dispersión, y no sería extraño encontrar que en realidad hay muchas más
personas o menos que están enfermas. La probabilidad de que haya más de tres personas
enfermas es:
DISTRIBUCIÓN HIPERGEOMÉTRICA
• Está estrechamente relacionada con la distribución de
probabilidad binomial. La diferencia entre ambas está
en la independencia de los intentos y en que la
probabilidad de éxito cambia de uno a otro
• Se usa para calcular la probabilidad de que una
muestra aleatoria de n artículos seleccionados sin
reemplazo, obtengamos x elementos identificados
como éxitos, y n-x como fracasos. Para que suceda
esto debemos obtener x éxitos de los r de la
población, y n-x fracasos de los N-r de la población
CARACTERISTICAS:
1. En cada prueba solo hay dos resultados éxitos y
fracasos.
2. Las probabilidades asociadas a cada uno de los
resultados no son constantes.
3. Cada ensayo o repetición del experimento no es
independiente de los demás.
4. El número de repeticiones del experimento (n) es
constante.
5. La población es finita
N
r
nxE =)(
)
1
)(1(2
−
−
−=
N
nN
N
r
N
r
nσ
1.
.
2.
0 x r≤ ≤
( )( )
( )N
n
r
x
rN
xn
xP
−
−
=)(
Donde N= tamaño de la población
n = tamaño de la muestra
r = numero de éxitos en un población
x = numero de éxitos en una muestra para los cuales
se desea la probabilidad
1. Un círculo de calidad esta formado por 5
miembros, 3 mujeres y 2 varones; se debe elegir
2 miembros del círculo para ser capacitados.
¿Cuál es la probabilidad de elegir 2 mujeres al
azar?
• Solución
N=5, n=2, r=3 mujeres en la población
x=2 mujeres en la muestra
Ejemplos.
( )( )
( )
( )( )
( ) 10
3
)( 5
2
3
2
2
0
===
−
−
N
n
r
x
rN
xn
xP
2. En cierta clínica hay 20 pacientes de los cuales se sabe
que el 25% tienen cáncer. Se extrae aleatoriamente sin
reemplazo 4 pacientes para el despistaje de cáncer
a) ¿Cuál es la probabilidad de que al menos uno tenga
cáncer?
b) ¿Cuál es el número esperado de pacientes con cáncer?
3. Un jurado de 7 jueces va a decidir entre dos finalistas
quién es la ganadora del concurso de belleza, para lo cual
bastará una mayoría simple de los jueces. Suponga que 4
jueces votan por María y que los otros 3 votan por Susana.
Se eligen al azar 3 jueces y se les pregunta por quién van a
votar. ¿Cuál es la probabilidad de que la mayoría de los
jueces de la muestra estén a favor de María?
La distribución Normal o de Gauss es el modelo
probabilístico más importante. Se utiliza para
modelar gran número de fenómenos aleatorios,
entre ellos el ruido y los errores en la medida.
Aparece además como distribución límite en el
Teorema Central del Límite. Sus parámetros son
la media μ y la desviación típica σ ,
X ~ N(μ,σ)
DISTRIBUCIÓN NORMAL
• Está caracterizada por dos parámetros: la media, μ y
la desviación típica, σ.
• Su función de densidad es:
0)(σ
π2σ
1
)(σ)μ,(
2
2
σ2
μ)(
>==
−
−
x
exPN
La curva normal adopta un número infinito de formas,
determinadas por sus parámetros μ y σ.
− ∞ + ∞
Características de la distribución Normal
µ, Mo, Mn
σ σ
µ - σ µ + σ
• Tiene forma de campana, es asintótica al eje de las abscisas
(para x = ±∞ )
• Los puntos de inflexión tienen como abscisas los valores µ ±
σ
• Simétrica con respecto a la media (µ) donde coinciden la mediana
(Me) y la moda (Mo )
Puntos
de
inflexión
Distribución normal con µ=0 para varios valores σ
0
0.4
0.8
1.2
1.6
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
σ=0.25
σ=0.5
σ=1
p(x)
20 30 40 50 60 70 80 90 100 110 120
σ = 5 σ = 5
10=σ
Curvas normales con distintas medias y desviaciones estándar.
0)(σ
π2σ
1
)(σ)μ,(
2
2
σ2
μ)(
>==
−
−
x
exPN
N(μ, σ): Interpretación probabilista
• Entre la media y una
desviación típica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
•Si tomamos intervalos centrados en μ, y cuyos extremos están…
–a distancia σ,  tenemos probabilidad 68%
–a distancia 2 σ,  tenemos probabilidad 95%
–a distancia 2’5 σ  tenemos probabilidad 99%
• Entre la media y dos
desviaciones típicas
aprox. 95%
Podemos obtener la función de
distribución F(x) integrando la
función de densidad de probabilidad:
π2σ
1
)(
2
2
σ2
μ)(
dvexF
x v
∫∞−
−
−
=
De modo que la probabilidad de una
variable aleatoria normal X en un
intervalo a ≤ x ≤ b es:
π2σ
1
)()()(
2
2
σ2
μ)(
dveaFbFbXaP
b
a
v
∫
−
−
=−=≤≤
¡No podemos calcular analíticamente el valor de la integral!
Tabularemos sus valores numéricos...
2
2
σ2
μ)(
π2σ
1
)(σ)μ,(
−
−
==
x
exPN
1
π2σ
1 2
2
σ2
μ)(
=∫
∞
∞−
−
−
dve
v
En particular:
¿Cómo calcular probabilidades asociadas¿Cómo calcular probabilidades asociadas
a una curva normal específica?a una curva normal específica?
Dado que tanto µ como σ pueden asumir infinitos valores lo
que hace impracticable tabular las probabilidades para todas las
posibles distribuciones normales, se utiliza la distribución
normal reducida o tipificada.
Se define una variable z =
xx -- µµ
σσ
Es una traslación , y un cambio de escala de
la variable original.
La nueva variable z se distribuye como una
NORMAL con media µ = 0 y desviación típica σ = 1
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
zz
68%95%99%
Recordemos de nuevo que en cualquier distribución normal las
probabilidades delimitadas entre :
± σ = 68 %
± 2σ = 95 %
± 3σ = 99 %
68%
99%
95%
Tipificación
• Dada una variable de media μ y desviación típica
σ, se denomina valor tipificado z, de una
observación x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
típicas, es decir:
σ
µ−
=
x
z
• En el caso de variable X normal, la interpretación es clara:
asigna a todo valor de N(μ, σ), un valor de N(0,1) que deja
exáctamente la misma probabilidad por debajo.
• Nos permite así comparar entre dos valores de dos
distribuciones normales diferentes, para saber cuál de los
dos es más extremo.
Se quiere dar una beca a uno de dos estudiantes de sistemas
educativos diferentes y se asignará al que tenga mejor
expediente académico:
– El estudiante A tiene una calificación de 8 en un sistema
donde la calificación de los alumnos se comporta como
N(6,1).
– El estudiante B tiene una calificación de 80 en un sistema
donde la calificación de los alumnos se comporta como
N(70,10).
1
10
7080
2
1
68
=
−
=
−
=
=
−
=
−
=
B
x
z
x
z
BB
B
A
AA
A
σ
µ
σ
µ
–No podemos comparar directamente 8
puntos de A frente a los 80 de B, pero
como ambas poblaciones se comportan
de modo normal, podemos tipificar y
observar las puntuaciones sobre una
distribución de referencia N(0,1).
–Como zA > zB, podemos decir que el
porcentaje de compañeros del mismo
sistema de estudios que ha superado
en calificación al estudiante A es mayor
que el que ha superado B. En principio
A es mejor candidato para la beca.
duezZpzF
zezp
∫∞−
−
−
=≤=
∞<<∞−=
z
2
u
2
z
2
2
π2
1
)()(
;
π2
1
)(
Característica de la distribución
normal tipificada (reducida o
estándar):
No depende de ningún parámetro.
Su media es 0, su varianza es 1 y su
desviación típica es 1.
La curva f(x) es simétrica respecto al
eje de ordenadas y tiene un máximo
en este eje.
Tiene dos puntos de inflexión en z =1
y z = -1.
Hay varios tipos de tablas de la distribución normal
La que se explica aquí representa las áreas para los
diferentes valores de z desde 0 hasta +∞.
00
+∞
Los valoresLos valores
negativos de znegativos de z NONO
están tabulados, yaestán tabulados, ya
que la distribuciónque la distribución
es simétricaes simétrica
0.00.0
0.10.1
0.20.2
0.30.3
0.40.4
0.50.5
0.00.0
0.10.1
0.20.2
0.30.3
0.40.4
0.50.5
0 1 2 3 4 5 6 7 8 90 1 2 3 4 5 6 7 8 90 1 2 3 4 5 6 7 8 90 1 2 3 4 5 6 7 8 9
.0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
.0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
.0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
.1179 ..... ...... ...... ......
.1554 .... ..... ....
.1915 ....
La tabla consta de:La tabla consta de: *Margen izquierdo : Los enteros de z y
su primer decimal.
** Margen superior: segundo decimal
** Cuerpo de la tabla: áreas correspondientes,
acumuladas, desde 0
hasta 3.99
EJEMPLOS:EJEMPLOS:
1.-¿Cuál es la probabilidad de que un
valor de z esté entre 0 y -2.03?
2.-¿Cuál es la probabilidad de que un
valor de z esté entre -2.03 y +2.03?
3. Hallar P( z >1.25 ) 4. Hallar P ( -0.34 < z <∞ )
5. Hallar P ( 0.34 < z < 2.30 )
?
Ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
zz
Cómo la curva es simétrica
P (-2.03 < z < 0) = P (0 < z <
2.03)
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
0 1 2 3 4
1.8
1.9
2.0
2.1
47. 88%
Ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
zz
Se busca en la tabla el área correspondiente a z = 2.03
0.47882
?
47.88%47.88%
Ejemplo 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
zz
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0
y 2.03= 0.47882
La misma área hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764
95.76%
Ejemplo 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?
zz
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
??
1.- La probabilidad de 0 < z < +∞ = 0.500
2.- La probabilidad de 0 < z < 1.25 = 0.39435
39.44%
3.- La probabilidad de z > 1.25 =
0.500 - 0.39435= 0.10565
10.56%
50%50%
Hallar P( -0.34 < z <Hallar P( -0.34 < z < ∞∞ ))
zz
P(0 < z <0.34) = 0.13307 =
P(-0.34 < z < 0)
13.31% 50%
63.31%
P( -0.34 < z < ∞) =
0.13307 + 0.50000 = 0.63307
-3 -2 -1 0 1 2-3 -2 -1 0 1 2
33
Ejemplo 4
P (0 < z < ∞ ) = 0.50000
Ejemplo 5
Hallar P( 0.34 < z < 2.30)Hallar P( 0.34 < z < 2.30)
zz
-3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
P(0< z <0.34) = 0.13307
P( 0 < z < 2.30) = 0.4893
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623
35.62%
EJEMPLOEJEMPLO
Sea una variable distribuida normalmente con media
µ = 4 y desviación típica σ = 1.5.
¿Cuál es la probabilidad de encontrar un valor x ≥ 6
(P(x ≥ 6 ))?
x
µ = 4 σ = 1.5 Hallar P ( x > 6 )
?
6
1.-1.- transformar x en un valor de z
0.40824
0.09176
z = (6 - 4)/1.5 = 1.33
2.- Hallar P ( 0 < z < 1.33) ==
3.- 0.5000 - 0.40824 =
σ
μx
z
−
=
0.5
-0.5 1 2.5 4 5.5 7 8.5-0.5 1 2.5 4 5.5 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
Hasta ahora vimos como dado un valor x de la variable,
hallar probabilidades transformando (estandarización) la
variable en valores de x - µ
σ
¿Cómo hallar un valor de x, dada la probabilidad?
x = ?
38.20%
Ejemplo: Sea una variable distribuida normalmente con µ =4 yy
σ =2 . Hallar el valor de x que deja por encima de él un 38.20%
(0.3820)
Se debe desestandarizar ::
xx = z= z σ + µ
0.5000 - 0.382 = 0.118  Se busca en
la tabla el valor más aproximado :0.1179
corresponde a z =+ 0.30
4.60
Se busca en la tabla
de acuerdo al área.
Con su signo
Sustituyendo en la fórmula
0.30x2+4 =4.60
z =
Estadistica y probabilidades cap VII
Estadistica y probabilidades cap VII
Estadistica y probabilidades cap VII
Estadistica y probabilidades cap VII
Estadistica y probabilidades cap VII
Estadistica y probabilidades cap VII
Estadistica y probabilidades cap VII

Más contenido relacionado

La actualidad más candente

Distribuciones de probabilidad con ejemplos
Distribuciones de probabilidad con ejemplosDistribuciones de probabilidad con ejemplos
Distribuciones de probabilidad con ejemplosamy Lopez
 
Prueba de hipotesis estadistica aplicada a la ingenieria
Prueba de hipotesis estadistica aplicada a la ingenieriaPrueba de hipotesis estadistica aplicada a la ingenieria
Prueba de hipotesis estadistica aplicada a la ingenieriaHector García Cárdenas
 
Distribuciones muestrales
Distribuciones muestralesDistribuciones muestrales
Distribuciones muestralesMynor Garcia
 
Trabajos resueltos de inferencia 2015
Trabajos resueltos de inferencia 2015Trabajos resueltos de inferencia 2015
Trabajos resueltos de inferencia 2015omarbsc
 
Proyecto estadistica ejercicios UNIDEG
Proyecto estadistica ejercicios UNIDEGProyecto estadistica ejercicios UNIDEG
Proyecto estadistica ejercicios UNIDEGluna_negra144
 
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIALDISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIALSonyé Lockheart
 
50ejerciciodeestadistica docx1-120121174706-phpapp01
50ejerciciodeestadistica docx1-120121174706-phpapp0150ejerciciodeestadistica docx1-120121174706-phpapp01
50ejerciciodeestadistica docx1-120121174706-phpapp01Alex Figueroa Ramos
 
probabilidad y estadística. Ejercicios resueltos
probabilidad y estadística. Ejercicios resueltosprobabilidad y estadística. Ejercicios resueltos
probabilidad y estadística. Ejercicios resueltosNobu Dragon
 
Presentacion t student
Presentacion t studentPresentacion t student
Presentacion t studentpilosofando
 
Distribuciones muestrales. distribucion muestral de medias
Distribuciones muestrales. distribucion muestral de mediasDistribuciones muestrales. distribucion muestral de medias
Distribuciones muestrales. distribucion muestral de mediaseraperez
 
Planteamiento de hipotesis
Planteamiento de hipotesisPlanteamiento de hipotesis
Planteamiento de hipotesisAGENCIAS2
 
Diferencias y similitudes de la distribución de probabilidad de poisson y ber...
Diferencias y similitudes de la distribución de probabilidad de poisson y ber...Diferencias y similitudes de la distribución de probabilidad de poisson y ber...
Diferencias y similitudes de la distribución de probabilidad de poisson y ber...aaalexaaandraaa
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuasScarlet Íglez
 

La actualidad más candente (20)

Distribuciones de probabilidad con ejemplos
Distribuciones de probabilidad con ejemplosDistribuciones de probabilidad con ejemplos
Distribuciones de probabilidad con ejemplos
 
Prueba de hipotesis estadistica aplicada a la ingenieria
Prueba de hipotesis estadistica aplicada a la ingenieriaPrueba de hipotesis estadistica aplicada a la ingenieria
Prueba de hipotesis estadistica aplicada a la ingenieria
 
probabilidadesUSFA
probabilidadesUSFAprobabilidadesUSFA
probabilidadesUSFA
 
Distribuciones muestrales
Distribuciones muestralesDistribuciones muestrales
Distribuciones muestrales
 
S12 distribución binomial (1)
S12 distribución binomial (1)S12 distribución binomial (1)
S12 distribución binomial (1)
 
Pruebas de Bondad de Ajuste. Independencia y Homogenidad. Est ind clase10
Pruebas de Bondad de Ajuste. Independencia y Homogenidad. Est ind clase10Pruebas de Bondad de Ajuste. Independencia y Homogenidad. Est ind clase10
Pruebas de Bondad de Ajuste. Independencia y Homogenidad. Est ind clase10
 
Trabajos resueltos de inferencia 2015
Trabajos resueltos de inferencia 2015Trabajos resueltos de inferencia 2015
Trabajos resueltos de inferencia 2015
 
Proyecto estadistica ejercicios UNIDEG
Proyecto estadistica ejercicios UNIDEGProyecto estadistica ejercicios UNIDEG
Proyecto estadistica ejercicios UNIDEG
 
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIALDISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BERNOULLI Y DISTRIBUCIÓN BINOMIAL
 
50ejerciciodeestadistica docx1-120121174706-phpapp01
50ejerciciodeestadistica docx1-120121174706-phpapp0150ejerciciodeestadistica docx1-120121174706-phpapp01
50ejerciciodeestadistica docx1-120121174706-phpapp01
 
probabilidad y estadística. Ejercicios resueltos
probabilidad y estadística. Ejercicios resueltosprobabilidad y estadística. Ejercicios resueltos
probabilidad y estadística. Ejercicios resueltos
 
Presentacion t student
Presentacion t studentPresentacion t student
Presentacion t student
 
Distribucion exponencial
Distribucion exponencialDistribucion exponencial
Distribucion exponencial
 
Distribuciones muestrales. distribucion muestral de medias
Distribuciones muestrales. distribucion muestral de mediasDistribuciones muestrales. distribucion muestral de medias
Distribuciones muestrales. distribucion muestral de medias
 
Taller 3
Taller 3Taller 3
Taller 3
 
Planteamiento de hipotesis
Planteamiento de hipotesisPlanteamiento de hipotesis
Planteamiento de hipotesis
 
Diferencias y similitudes de la distribución de probabilidad de poisson y ber...
Diferencias y similitudes de la distribución de probabilidad de poisson y ber...Diferencias y similitudes de la distribución de probabilidad de poisson y ber...
Diferencias y similitudes de la distribución de probabilidad de poisson y ber...
 
Distribucion binomial
Distribucion binomialDistribucion binomial
Distribucion binomial
 
Variables aleatorias discretas y continuas
Variables aleatorias discretas y continuasVariables aleatorias discretas y continuas
Variables aleatorias discretas y continuas
 
Análisis de Regresión Lineal
Análisis de Regresión LinealAnálisis de Regresión Lineal
Análisis de Regresión Lineal
 

Destacado

Estadistica y probabilidades cap vii
Estadistica y probabilidades cap viiEstadistica y probabilidades cap vii
Estadistica y probabilidades cap viiManuel Chavez Leandro
 
Uso de la tabla de distribucion de probabilidad normal estandar
Uso de la tabla de distribucion de probabilidad normal estandarUso de la tabla de distribucion de probabilidad normal estandar
Uso de la tabla de distribucion de probabilidad normal estandarAraceli Gomez
 
Distrib.binomial
Distrib.binomialDistrib.binomial
Distrib.binomialbetyglo
 
Excel aleatorios
Excel aleatoriosExcel aleatorios
Excel aleatoriosEdgar Mata
 
Tabla normal y binomial
Tabla normal y binomialTabla normal y binomial
Tabla normal y binomialivan_antrax
 
Ejercicios de distribución binomial
Ejercicios de distribución binomialEjercicios de distribución binomial
Ejercicios de distribución binomialMariangel Carrillo
 
Variable aleatoria un lu
Variable aleatoria un luVariable aleatoria un lu
Variable aleatoria un luLily Ayala
 
Casillas y botones con GeoGebra
Casillas y botones con GeoGebraCasillas y botones con GeoGebra
Casillas y botones con GeoGebraJesús Fernández
 
Una compleja simplicidad: la variable aleatoria en el nivel universitario
Una compleja simplicidad: la variable aleatoria en el nivel universitarioUna compleja simplicidad: la variable aleatoria en el nivel universitario
Una compleja simplicidad: la variable aleatoria en el nivel universitarioPROMEIPN
 
La distribucion binomial power point
La distribucion binomial power pointLa distribucion binomial power point
La distribucion binomial power pointEileen Rodriguez
 

Destacado (20)

Lista 2
Lista 2Lista 2
Lista 2
 
distribucion poisson
distribucion poissondistribucion poisson
distribucion poisson
 
Estadistica y probabilidades cap vii
Estadistica y probabilidades cap viiEstadistica y probabilidades cap vii
Estadistica y probabilidades cap vii
 
Ejercicios estadistica
Ejercicios estadisticaEjercicios estadistica
Ejercicios estadistica
 
Uso de la tabla de distribucion de probabilidad normal estandar
Uso de la tabla de distribucion de probabilidad normal estandarUso de la tabla de distribucion de probabilidad normal estandar
Uso de la tabla de distribucion de probabilidad normal estandar
 
Distribucion bernoulli
Distribucion bernoulliDistribucion bernoulli
Distribucion bernoulli
 
Distrib.binomial
Distrib.binomialDistrib.binomial
Distrib.binomial
 
Distribución Normal
Distribución Normal Distribución Normal
Distribución Normal
 
Excel aleatorios
Excel aleatoriosExcel aleatorios
Excel aleatorios
 
Tabla normal y binomial
Tabla normal y binomialTabla normal y binomial
Tabla normal y binomial
 
Ejercicios de distribución binomial
Ejercicios de distribución binomialEjercicios de distribución binomial
Ejercicios de distribución binomial
 
Variable aleatoria un lu
Variable aleatoria un luVariable aleatoria un lu
Variable aleatoria un lu
 
G
GG
G
 
Modelo portafolio
Modelo portafolioModelo portafolio
Modelo portafolio
 
Casillas y botones con GeoGebra
Casillas y botones con GeoGebraCasillas y botones con GeoGebra
Casillas y botones con GeoGebra
 
Una compleja simplicidad: la variable aleatoria en el nivel universitario
Una compleja simplicidad: la variable aleatoria en el nivel universitarioUna compleja simplicidad: la variable aleatoria en el nivel universitario
Una compleja simplicidad: la variable aleatoria en el nivel universitario
 
Variables aleatorias
Variables aleatoriasVariables aleatorias
Variables aleatorias
 
Distribucion de variable aleatoria discreta
Distribucion de variable aleatoria discretaDistribucion de variable aleatoria discreta
Distribucion de variable aleatoria discreta
 
Distribuciones de probabilidad discreta
Distribuciones de probabilidad discretaDistribuciones de probabilidad discreta
Distribuciones de probabilidad discreta
 
La distribucion binomial power point
La distribucion binomial power pointLa distribucion binomial power point
La distribucion binomial power point
 

Similar a Estadistica y probabilidades cap VII

Similar a Estadistica y probabilidades cap VII (20)

Clase 1 distribuciones
Clase 1 distribucionesClase 1 distribuciones
Clase 1 distribuciones
 
DISTRIBUCIÓN DISCRETA.pptx
DISTRIBUCIÓN DISCRETA.pptxDISTRIBUCIÓN DISCRETA.pptx
DISTRIBUCIÓN DISCRETA.pptx
 
Jose borges tarea presentacion ppt dist de prob
Jose borges tarea presentacion ppt dist de probJose borges tarea presentacion ppt dist de prob
Jose borges tarea presentacion ppt dist de prob
 
Binomial
BinomialBinomial
Binomial
 
Distribución de Frecuencias
Distribución de FrecuenciasDistribución de Frecuencias
Distribución de Frecuencias
 
Clase modelos de probabilidad
Clase modelos de probabilidadClase modelos de probabilidad
Clase modelos de probabilidad
 
Unidad 4b
Unidad 4bUnidad 4b
Unidad 4b
 
Estadistica
EstadisticaEstadistica
Estadistica
 
Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1Variables aleatorias. estadistica 1
Variables aleatorias. estadistica 1
 
Diplomadoooo
DiplomadooooDiplomadoooo
Diplomadoooo
 
Variables aleatorias y distribución de probabilidad
Variables aleatorias y distribución de probabilidadVariables aleatorias y distribución de probabilidad
Variables aleatorias y distribución de probabilidad
 
Distribuciones2 b discretas Estadística
Distribuciones2 b discretas EstadísticaDistribuciones2 b discretas Estadística
Distribuciones2 b discretas Estadística
 
Distribuciones de probabilidad
Distribuciones de probabilidadDistribuciones de probabilidad
Distribuciones de probabilidad
 
Presentacion estadistica II
Presentacion estadistica IIPresentacion estadistica II
Presentacion estadistica II
 
Pesentacion wiki
Pesentacion wikiPesentacion wiki
Pesentacion wiki
 
Distribuciones Estadísticas importantes.ppt
Distribuciones Estadísticas importantes.pptDistribuciones Estadísticas importantes.ppt
Distribuciones Estadísticas importantes.ppt
 
Tema 6, DISTRIBUCIONES DE PROBABILIDAD
Tema 6, DISTRIBUCIONES DE PROBABILIDADTema 6, DISTRIBUCIONES DE PROBABILIDAD
Tema 6, DISTRIBUCIONES DE PROBABILIDAD
 
Binonmial Poisson normal1.pdf
Binonmial  Poisson  normal1.pdfBinonmial  Poisson  normal1.pdf
Binonmial Poisson normal1.pdf
 
Luis arturo leal hernandez
Luis arturo leal hernandezLuis arturo leal hernandez
Luis arturo leal hernandez
 
Densidad probabilistica
Densidad probabilisticaDensidad probabilistica
Densidad probabilistica
 

Más de Richard Huaman Durand

Diapositiva karin satisfaccion en frentes de trabajo
Diapositiva karin satisfaccion en frentes de trabajoDiapositiva karin satisfaccion en frentes de trabajo
Diapositiva karin satisfaccion en frentes de trabajoRichard Huaman Durand
 
Sustentacion practica pre profesional SSO en la obra Pillco Marca
Sustentacion  practica pre profesional SSO en la obra Pillco MarcaSustentacion  practica pre profesional SSO en la obra Pillco Marca
Sustentacion practica pre profesional SSO en la obra Pillco MarcaRichard Huaman Durand
 
Final tabajo de control estadistico USB
Final tabajo de control estadistico USBFinal tabajo de control estadistico USB
Final tabajo de control estadistico USBRichard Huaman Durand
 
Planeación estratégica (resumen) CALIDAD
Planeación estratégica (resumen) CALIDADPlaneación estratégica (resumen) CALIDAD
Planeación estratégica (resumen) CALIDADRichard Huaman Durand
 
European foundation for quality management
European foundation for quality managementEuropean foundation for quality management
European foundation for quality managementRichard Huaman Durand
 
Efqm. excellence model and knowledge management implications
Efqm. excellence model and knowledge management implicationsEfqm. excellence model and knowledge management implications
Efqm. excellence model and knowledge management implicationsRichard Huaman Durand
 
Prácticas de laboratorio control calidad terminado
Prácticas de laboratorio control calidad terminado  Prácticas de laboratorio control calidad terminado
Prácticas de laboratorio control calidad terminado Richard Huaman Durand
 
Materiales para herramientas de corte
Materiales para herramientas de corteMateriales para herramientas de corte
Materiales para herramientas de corteRichard Huaman Durand
 

Más de Richard Huaman Durand (20)

Manual sst pesquero
Manual sst pesqueroManual sst pesquero
Manual sst pesquero
 
Manual sst sector textil
Manual sst sector textilManual sst sector textil
Manual sst sector textil
 
Manual sst sector minero final
Manual sst sector minero finalManual sst sector minero final
Manual sst sector minero final
 
Ohsas 18002 2008
Ohsas 18002 2008Ohsas 18002 2008
Ohsas 18002 2008
 
Diapositiva karin satisfaccion en frentes de trabajo
Diapositiva karin satisfaccion en frentes de trabajoDiapositiva karin satisfaccion en frentes de trabajo
Diapositiva karin satisfaccion en frentes de trabajo
 
Sustentacion practica pre profesional SSO en la obra Pillco Marca
Sustentacion  practica pre profesional SSO en la obra Pillco MarcaSustentacion  practica pre profesional SSO en la obra Pillco Marca
Sustentacion practica pre profesional SSO en la obra Pillco Marca
 
02 resumen de teoria finaciera
02  resumen de teoria finaciera02  resumen de teoria finaciera
02 resumen de teoria finaciera
 
Riesgo positivo notas
Riesgo positivo  notasRiesgo positivo  notas
Riesgo positivo notas
 
Comparacion iso, efqm y seis sigma
Comparacion iso, efqm y seis sigmaComparacion iso, efqm y seis sigma
Comparacion iso, efqm y seis sigma
 
Sistema HACCP 1909
Sistema HACCP 1909Sistema HACCP 1909
Sistema HACCP 1909
 
Final tabajo de control estadistico USB
Final tabajo de control estadistico USBFinal tabajo de control estadistico USB
Final tabajo de control estadistico USB
 
Planeación estratégica (resumen) CALIDAD
Planeación estratégica (resumen) CALIDADPlaneación estratégica (resumen) CALIDAD
Planeación estratégica (resumen) CALIDAD
 
European foundation for quality management
European foundation for quality managementEuropean foundation for quality management
European foundation for quality management
 
Efqm. excellence model and knowledge management implications
Efqm. excellence model and knowledge management implicationsEfqm. excellence model and knowledge management implications
Efqm. excellence model and knowledge management implications
 
Artículo aplicación de seis sigma
Artículo   aplicación de seis sigmaArtículo   aplicación de seis sigma
Artículo aplicación de seis sigma
 
Seguridad y salud ocupacional
Seguridad y salud ocupacionalSeguridad y salud ocupacional
Seguridad y salud ocupacional
 
Prácticas de laboratorio control calidad terminado
Prácticas de laboratorio control calidad terminado  Prácticas de laboratorio control calidad terminado
Prácticas de laboratorio control calidad terminado
 
Materiales para herramientas de corte
Materiales para herramientas de corteMateriales para herramientas de corte
Materiales para herramientas de corte
 
Gurus de la calidad
Gurus de la calidadGurus de la calidad
Gurus de la calidad
 
Tarea 2 calculo 2013
Tarea 2 calculo 2013Tarea 2 calculo 2013
Tarea 2 calculo 2013
 

Último

PÉNSUM ENFERMERIA 2024 - ECUGENIUS S.A. V2
PÉNSUM ENFERMERIA 2024 - ECUGENIUS S.A. V2PÉNSUM ENFERMERIA 2024 - ECUGENIUS S.A. V2
PÉNSUM ENFERMERIA 2024 - ECUGENIUS S.A. V2Eliseo Delgado
 
Acuerdo 05_04_24 Lineamientos del CTE.pdf
Acuerdo 05_04_24 Lineamientos del CTE.pdfAcuerdo 05_04_24 Lineamientos del CTE.pdf
Acuerdo 05_04_24 Lineamientos del CTE.pdfmiriamguevara21
 
describimos como son afectados las regiones naturales del peru por la ola de ...
describimos como son afectados las regiones naturales del peru por la ola de ...describimos como son afectados las regiones naturales del peru por la ola de ...
describimos como son afectados las regiones naturales del peru por la ola de ...DavidBautistaFlores1
 
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdf
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdfFichas de matemática DE PRIMERO DE SECUNDARIA.pdf
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdfssuser50d1252
 
SESIÓN DE APRENDIZAJE Leemos un texto para identificar los sinónimos y los an...
SESIÓN DE APRENDIZAJE Leemos un texto para identificar los sinónimos y los an...SESIÓN DE APRENDIZAJE Leemos un texto para identificar los sinónimos y los an...
SESIÓN DE APRENDIZAJE Leemos un texto para identificar los sinónimos y los an...GIANCARLOORDINOLAORD
 
4º SOY LECTOR PART2- MD EDUCATIVO.p df PARTE
4º SOY LECTOR PART2- MD  EDUCATIVO.p df PARTE4º SOY LECTOR PART2- MD  EDUCATIVO.p df PARTE
4º SOY LECTOR PART2- MD EDUCATIVO.p df PARTESaraNolasco4
 
TEMA 13. LOS GOBIERNOS DEMOCRÁTICOS (1982-2018)
TEMA 13. LOS GOBIERNOS DEMOCRÁTICOS (1982-2018)TEMA 13. LOS GOBIERNOS DEMOCRÁTICOS (1982-2018)
TEMA 13. LOS GOBIERNOS DEMOCRÁTICOS (1982-2018)jlorentemartos
 
Desarrollo de habilidades del siglo XXI - Práctica Educativa en una Unidad-Ca...
Desarrollo de habilidades del siglo XXI - Práctica Educativa en una Unidad-Ca...Desarrollo de habilidades del siglo XXI - Práctica Educativa en una Unidad-Ca...
Desarrollo de habilidades del siglo XXI - Práctica Educativa en una Unidad-Ca...Carol Andrea Eraso Guerrero
 
Presentación Bloque 3 Actividad 2 transversal.pptx
Presentación Bloque 3 Actividad 2 transversal.pptxPresentación Bloque 3 Actividad 2 transversal.pptx
Presentación Bloque 3 Actividad 2 transversal.pptxRosabel UA
 
Contextualización y aproximación al objeto de estudio de investigación cualit...
Contextualización y aproximación al objeto de estudio de investigación cualit...Contextualización y aproximación al objeto de estudio de investigación cualit...
Contextualización y aproximación al objeto de estudio de investigación cualit...Angélica Soledad Vega Ramírez
 
NUEVO PLAN Y PROGRAMAS DE ESTUDIO 2022.pdf
NUEVO PLAN Y PROGRAMAS DE ESTUDIO  2022.pdfNUEVO PLAN Y PROGRAMAS DE ESTUDIO  2022.pdf
NUEVO PLAN Y PROGRAMAS DE ESTUDIO 2022.pdfEDNAMONICARUIZNIETO
 
Fichas de Matemática TERCERO DE SECUNDARIA.pdf
Fichas de Matemática TERCERO DE SECUNDARIA.pdfFichas de Matemática TERCERO DE SECUNDARIA.pdf
Fichas de Matemática TERCERO DE SECUNDARIA.pdfssuser50d1252
 
Actividades eclipse solar 2024 Educacion
Actividades eclipse solar 2024 EducacionActividades eclipse solar 2024 Educacion
Actividades eclipse solar 2024 Educacionviviantorres91
 
Fichas de Matemática DE SEGUNDO DE SECUNDARIA.pdf
Fichas de Matemática DE SEGUNDO DE SECUNDARIA.pdfFichas de Matemática DE SEGUNDO DE SECUNDARIA.pdf
Fichas de Matemática DE SEGUNDO DE SECUNDARIA.pdfssuser50d1252
 
IV SES LUN 15 TUTO CUIDO MI MENTE CUIDANDO MI CUERPO YESSENIA 933623393 NUEV...
IV SES LUN 15 TUTO CUIDO MI MENTE CUIDANDO MI CUERPO  YESSENIA 933623393 NUEV...IV SES LUN 15 TUTO CUIDO MI MENTE CUIDANDO MI CUERPO  YESSENIA 933623393 NUEV...
IV SES LUN 15 TUTO CUIDO MI MENTE CUIDANDO MI CUERPO YESSENIA 933623393 NUEV...YobanaZevallosSantil1
 
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024gharce
 
Amor o egoísmo, esa es la cuestión por definir.pdf
Amor o egoísmo, esa es la cuestión por definir.pdfAmor o egoísmo, esa es la cuestión por definir.pdf
Amor o egoísmo, esa es la cuestión por definir.pdfAlejandrino Halire Ccahuana
 

Último (20)

PÉNSUM ENFERMERIA 2024 - ECUGENIUS S.A. V2
PÉNSUM ENFERMERIA 2024 - ECUGENIUS S.A. V2PÉNSUM ENFERMERIA 2024 - ECUGENIUS S.A. V2
PÉNSUM ENFERMERIA 2024 - ECUGENIUS S.A. V2
 
Acuerdo 05_04_24 Lineamientos del CTE.pdf
Acuerdo 05_04_24 Lineamientos del CTE.pdfAcuerdo 05_04_24 Lineamientos del CTE.pdf
Acuerdo 05_04_24 Lineamientos del CTE.pdf
 
describimos como son afectados las regiones naturales del peru por la ola de ...
describimos como son afectados las regiones naturales del peru por la ola de ...describimos como son afectados las regiones naturales del peru por la ola de ...
describimos como son afectados las regiones naturales del peru por la ola de ...
 
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdf
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdfFichas de matemática DE PRIMERO DE SECUNDARIA.pdf
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdf
 
SESIÓN DE APRENDIZAJE Leemos un texto para identificar los sinónimos y los an...
SESIÓN DE APRENDIZAJE Leemos un texto para identificar los sinónimos y los an...SESIÓN DE APRENDIZAJE Leemos un texto para identificar los sinónimos y los an...
SESIÓN DE APRENDIZAJE Leemos un texto para identificar los sinónimos y los an...
 
4º SOY LECTOR PART2- MD EDUCATIVO.p df PARTE
4º SOY LECTOR PART2- MD  EDUCATIVO.p df PARTE4º SOY LECTOR PART2- MD  EDUCATIVO.p df PARTE
4º SOY LECTOR PART2- MD EDUCATIVO.p df PARTE
 
Sesión La luz brilla en la oscuridad.pdf
Sesión  La luz brilla en la oscuridad.pdfSesión  La luz brilla en la oscuridad.pdf
Sesión La luz brilla en la oscuridad.pdf
 
TEMA 13. LOS GOBIERNOS DEMOCRÁTICOS (1982-2018)
TEMA 13. LOS GOBIERNOS DEMOCRÁTICOS (1982-2018)TEMA 13. LOS GOBIERNOS DEMOCRÁTICOS (1982-2018)
TEMA 13. LOS GOBIERNOS DEMOCRÁTICOS (1982-2018)
 
Desarrollo de habilidades del siglo XXI - Práctica Educativa en una Unidad-Ca...
Desarrollo de habilidades del siglo XXI - Práctica Educativa en una Unidad-Ca...Desarrollo de habilidades del siglo XXI - Práctica Educativa en una Unidad-Ca...
Desarrollo de habilidades del siglo XXI - Práctica Educativa en una Unidad-Ca...
 
Presentación Bloque 3 Actividad 2 transversal.pptx
Presentación Bloque 3 Actividad 2 transversal.pptxPresentación Bloque 3 Actividad 2 transversal.pptx
Presentación Bloque 3 Actividad 2 transversal.pptx
 
Contextualización y aproximación al objeto de estudio de investigación cualit...
Contextualización y aproximación al objeto de estudio de investigación cualit...Contextualización y aproximación al objeto de estudio de investigación cualit...
Contextualización y aproximación al objeto de estudio de investigación cualit...
 
NUEVO PLAN Y PROGRAMAS DE ESTUDIO 2022.pdf
NUEVO PLAN Y PROGRAMAS DE ESTUDIO  2022.pdfNUEVO PLAN Y PROGRAMAS DE ESTUDIO  2022.pdf
NUEVO PLAN Y PROGRAMAS DE ESTUDIO 2022.pdf
 
Fichas de Matemática TERCERO DE SECUNDARIA.pdf
Fichas de Matemática TERCERO DE SECUNDARIA.pdfFichas de Matemática TERCERO DE SECUNDARIA.pdf
Fichas de Matemática TERCERO DE SECUNDARIA.pdf
 
Actividades eclipse solar 2024 Educacion
Actividades eclipse solar 2024 EducacionActividades eclipse solar 2024 Educacion
Actividades eclipse solar 2024 Educacion
 
Aedes aegypti + Intro to Coquies EE.pptx
Aedes aegypti + Intro to Coquies EE.pptxAedes aegypti + Intro to Coquies EE.pptx
Aedes aegypti + Intro to Coquies EE.pptx
 
Aedes aegypti + Intro to Coquies EE.pptx
Aedes aegypti + Intro to Coquies EE.pptxAedes aegypti + Intro to Coquies EE.pptx
Aedes aegypti + Intro to Coquies EE.pptx
 
Fichas de Matemática DE SEGUNDO DE SECUNDARIA.pdf
Fichas de Matemática DE SEGUNDO DE SECUNDARIA.pdfFichas de Matemática DE SEGUNDO DE SECUNDARIA.pdf
Fichas de Matemática DE SEGUNDO DE SECUNDARIA.pdf
 
IV SES LUN 15 TUTO CUIDO MI MENTE CUIDANDO MI CUERPO YESSENIA 933623393 NUEV...
IV SES LUN 15 TUTO CUIDO MI MENTE CUIDANDO MI CUERPO  YESSENIA 933623393 NUEV...IV SES LUN 15 TUTO CUIDO MI MENTE CUIDANDO MI CUERPO  YESSENIA 933623393 NUEV...
IV SES LUN 15 TUTO CUIDO MI MENTE CUIDANDO MI CUERPO YESSENIA 933623393 NUEV...
 
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
 
Amor o egoísmo, esa es la cuestión por definir.pdf
Amor o egoísmo, esa es la cuestión por definir.pdfAmor o egoísmo, esa es la cuestión por definir.pdf
Amor o egoísmo, esa es la cuestión por definir.pdf
 

Estadistica y probabilidades cap VII

  • 2. VARIABLE ALEATORIA Una variable aleatoria se define asignando un valor numérico a cada suceso simple de un experimento que conduzca a resultados aleatorios. VARIABLES ALEATORIAS DISCRETAS VARIABLES ALEATORIAS CONTINUAS Una variable aleatoria discreta es una variable que puede tomar solo valores de un conjunto predeterminado Una variable aleatoria continua se mide en una escala numérica. Cada observación de la variable aleatoria puede tomar cualquier valor dentro de un rango específico
  • 3. Las distribuciones de probabilidad son idealizaciones de los polígonos de frecuencias. Las DP de variable continua se definen mediante una función y=f(x) llamada función de probabilidad o función de densidad. La probabilidad viene dada por el área bajo la curva, por lo que: •El área encerrada bajo la totalidad de la curva es 1. •Para obtener la probabilidad P(a≤X≤b) obtenemos la proporción de área que hay bajo la curva desde a hasta b. •La probabilidad de sucesos puntuales es 0, P(X=a)=0 Distribución de Probabilidad
  • 4. Empleados ausentes por día, x Numero de días, ni Probabilid ad, P(x) 1 2 3 4 5 6 7 8 18 25 39 46 27 25 22 10 0.085 0.118 0.184 0.217 0.127 0.118 0.104 0.047 212 1.000 Ejemplo 1 2 3 4 5 6 7 8 Número de días, x P(x)
  • 5. Parámetros en una distribución de probabilidad Por analogía con las variables estadísticas podemos definir también aquí la media µ y la desviación típica σ de la variable aleatoria. •La media µ, también llamada esperanza matemática, es un valor representativo de todos los valores que toma la variable aleatoria X, lo podemos imaginar como el punto sobre el eje de abscisas donde al poner una cuña la figura plana definida por la función de densidad quedará en equilibrio. Para calcularla hemos de hacer: •La desviación típica σ es una medida de la dispersión de los valores que toma la variable aleatoria de la media. Como ocurría con las variables estadísticas la desviación típica será más pequeña o más grande según la gráfica de la función de densidad sea más estrecha o más ancha en torno a la media. En este caso se calcula:
  • 6. Ejemplo: Al lanzar dos dados la suma de ambos puede asumir 11 valores diferentes en 36 puntos muestrales En este caso vemos que la distribución de p(x) obtenida es simétrica. Para el caso de 1 solo dado, donde todos los valores tienen la misma probabilidad de salir (1/6), obtendríamos una distribución uniforme
  • 7. Supongamos que un experimento aleatorio tiene las siguientes características: •En cada prueba del experimento sólo son posibles dos resultados: el suceso A (éxito) y su contrario A’ (fracaso). •El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente. •La probabilidad del suceso A es constante, la representamos por p, y no varía de una prueba a otra. La probabilidad de A’ es 1- p y la representamos por q . El experimento consta de un número n de pruebas. Distribución Binomial Todo experimento que tenga estas características diremos que sigue el modelo de la distribución Binomial. A la variable X que expresa el número de éxitos obtenidos en cada prueba del experimento, la llamaremos variable aleatoria binomial.
  • 8. Función de probabilidad de la distribución Binomial o también denominada función de la distribución de Bernoulli (para n=1). Verificándose: 0 ≤ p ≤ 1 Distribución Binomial La variable binomial es una variable aleatoria discreta, sólo puede tomar los valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas. Como hay que considerar todas las maneras posibles de obtener k-éxitos y (n-k) fracasos debemos calcular éstas por combinaciones (número combinatorio n sobre k). Se suele representar por B(n,p) siendo n y p los parámetros de dicha distribución. Probabilidad de obtener K éxitos qp knk k n kXp − ••      == )(
  • 9. Parámetros de la Distribución Binomial Distribución Binomial Función de Distribución de la variable aleatoria Binomial Esta función de distribución proporciona, para cada número real xi, la probabilidad de que la variable X tome valores menores o iguales que xi. Siendo K el mayor número entero menor o igual a xi qpqpqp knknn k nnn xXpxF −− ••      ++••      +••      =≤= .... 10 )()( 110 11
  • 10. Resumen Distribución Binomial Distribución Binomial Sea X una variable aleatoria discreta correspondiente a una distribución binomial. xnx xnx qp xxn n pnxP pp xxn n pnxP − − − = − − = !)!( ! ),;( )1( !)!( ! ),;(
  • 11.
  • 12. Distribución Binomial Ejemplo La probabilidad de éxito de una determinada vacuna es 0.72. Calcula la probabilidad de a que una vez administrada a 15 pacientes: a) Ninguno sufra la enfermedad b) Todos sufran la enfermedad c) Dos de ellos contraigan la enfermedad Solución : Se trata de una distribución binomial de parámetros B(15, 0.72)
  • 13. Distribución de Poisson Esta distribución aparece en algunos procesos que tienen una dimensión temporal o espacial, y en fenomenos que tienen un alto número de experimentos (alto n) y una baja probabilidad de que ocurran (baja p). Ejemplos: • número de llamadas telefónicas que recibe un servicio de atención a urgencias durante un intervalo de tiempo determinado •número de cultivos infectados por una plaga en una cierta región geográfica La función de probabilidad de una variable aleatoria de Poisson con media λ > 0, que simplificamos con la notación P(λ), es siendo su función de distribución el sumatorio de cada uno de los valores menores. La media y varianza de X son ambas iguales a λ, E[X] = V[X] = λ.
  • 14. Distribución de Poisson Ejemplo El número de enfermos que solicitan atención de urgencia en un hospital durante un periodo de 24 horas tiene una media de m = 43.2 pacientes. Unas obras en las instalaciones mermarán las capacidades de atención del servicio, el cual se sabe que colapsará si el número de enfermos excede de 50. ¿Cual es la probabilidad de que colapse el servicio de urgencias del hospital? Bajo las condiciones del modelo de Poisson, se trata de una distribución P(43.2). La probabilidad solicitada es P(X > 50) = 1 – P(X <= 50) = 1 - F(50) = 0.13. El responsable del servicio deberá valorar si esta probabilidad es lo suficientemente alta como para reforzar la atención de urgencias con más efectivos, materiales, espacios, etc.
  • 15. Distribución de Poisson Ejemplo Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000. Calcular la probabilidad de que en una ciudad con 500.000 habitantes haya más de 3 personas con dicha enfermedad. Calcular el número esperado de habitantes que la padecen. Consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser muy bien aproximado por un modelo de Poisson, de modo que Así el número esperado de personas que padecen la enfermedad es Existe una gran dispersión, y no sería extraño encontrar que en realidad hay muchas más personas o menos que están enfermas. La probabilidad de que haya más de tres personas enfermas es:
  • 16. DISTRIBUCIÓN HIPERGEOMÉTRICA • Está estrechamente relacionada con la distribución de probabilidad binomial. La diferencia entre ambas está en la independencia de los intentos y en que la probabilidad de éxito cambia de uno a otro • Se usa para calcular la probabilidad de que una muestra aleatoria de n artículos seleccionados sin reemplazo, obtengamos x elementos identificados como éxitos, y n-x como fracasos. Para que suceda esto debemos obtener x éxitos de los r de la población, y n-x fracasos de los N-r de la población
  • 17. CARACTERISTICAS: 1. En cada prueba solo hay dos resultados éxitos y fracasos. 2. Las probabilidades asociadas a cada uno de los resultados no son constantes. 3. Cada ensayo o repetición del experimento no es independiente de los demás. 4. El número de repeticiones del experimento (n) es constante. 5. La población es finita N r nxE =)( ) 1 )(1(2 − − −= N nN N r N r nσ 1. . 2.
  • 18. 0 x r≤ ≤ ( )( ) ( )N n r x rN xn xP − − =)( Donde N= tamaño de la población n = tamaño de la muestra r = numero de éxitos en un población x = numero de éxitos en una muestra para los cuales se desea la probabilidad
  • 19. 1. Un círculo de calidad esta formado por 5 miembros, 3 mujeres y 2 varones; se debe elegir 2 miembros del círculo para ser capacitados. ¿Cuál es la probabilidad de elegir 2 mujeres al azar? • Solución N=5, n=2, r=3 mujeres en la población x=2 mujeres en la muestra Ejemplos. ( )( ) ( ) ( )( ) ( ) 10 3 )( 5 2 3 2 2 0 === − − N n r x rN xn xP
  • 20. 2. En cierta clínica hay 20 pacientes de los cuales se sabe que el 25% tienen cáncer. Se extrae aleatoriamente sin reemplazo 4 pacientes para el despistaje de cáncer a) ¿Cuál es la probabilidad de que al menos uno tenga cáncer? b) ¿Cuál es el número esperado de pacientes con cáncer? 3. Un jurado de 7 jueces va a decidir entre dos finalistas quién es la ganadora del concurso de belleza, para lo cual bastará una mayoría simple de los jueces. Suponga que 4 jueces votan por María y que los otros 3 votan por Susana. Se eligen al azar 3 jueces y se les pregunta por quién van a votar. ¿Cuál es la probabilidad de que la mayoría de los jueces de la muestra estén a favor de María?
  • 21. La distribución Normal o de Gauss es el modelo probabilístico más importante. Se utiliza para modelar gran número de fenómenos aleatorios, entre ellos el ruido y los errores en la medida. Aparece además como distribución límite en el Teorema Central del Límite. Sus parámetros son la media μ y la desviación típica σ , X ~ N(μ,σ) DISTRIBUCIÓN NORMAL
  • 22.
  • 23. • Está caracterizada por dos parámetros: la media, μ y la desviación típica, σ. • Su función de densidad es: 0)(σ π2σ 1 )(σ)μ,( 2 2 σ2 μ)( >== − − x exPN La curva normal adopta un número infinito de formas, determinadas por sus parámetros μ y σ.
  • 24. − ∞ + ∞ Características de la distribución Normal µ, Mo, Mn σ σ µ - σ µ + σ • Tiene forma de campana, es asintótica al eje de las abscisas (para x = ±∞ ) • Los puntos de inflexión tienen como abscisas los valores µ ± σ • Simétrica con respecto a la media (µ) donde coinciden la mediana (Me) y la moda (Mo ) Puntos de inflexión
  • 25. Distribución normal con µ=0 para varios valores σ 0 0.4 0.8 1.2 1.6 -2.50 -1.50 -0.50 0.50 1.50 2.50 x σ=0.25 σ=0.5 σ=1 p(x)
  • 26. 20 30 40 50 60 70 80 90 100 110 120 σ = 5 σ = 5 10=σ Curvas normales con distintas medias y desviaciones estándar. 0)(σ π2σ 1 )(σ)μ,( 2 2 σ2 μ)( >== − − x exPN
  • 27. N(μ, σ): Interpretación probabilista • Entre la media y una desviación típica tenemos siempre la misma probabilidad: aproximadamente el 68%. •Si tomamos intervalos centrados en μ, y cuyos extremos están… –a distancia σ,  tenemos probabilidad 68% –a distancia 2 σ,  tenemos probabilidad 95% –a distancia 2’5 σ  tenemos probabilidad 99% • Entre la media y dos desviaciones típicas aprox. 95%
  • 28. Podemos obtener la función de distribución F(x) integrando la función de densidad de probabilidad: π2σ 1 )( 2 2 σ2 μ)( dvexF x v ∫∞− − − = De modo que la probabilidad de una variable aleatoria normal X en un intervalo a ≤ x ≤ b es: π2σ 1 )()()( 2 2 σ2 μ)( dveaFbFbXaP b a v ∫ − − =−=≤≤ ¡No podemos calcular analíticamente el valor de la integral! Tabularemos sus valores numéricos... 2 2 σ2 μ)( π2σ 1 )(σ)μ,( − − == x exPN 1 π2σ 1 2 2 σ2 μ)( =∫ ∞ ∞− − − dve v En particular:
  • 29. ¿Cómo calcular probabilidades asociadas¿Cómo calcular probabilidades asociadas a una curva normal específica?a una curva normal específica? Dado que tanto µ como σ pueden asumir infinitos valores lo que hace impracticable tabular las probabilidades para todas las posibles distribuciones normales, se utiliza la distribución normal reducida o tipificada. Se define una variable z = xx -- µµ σσ Es una traslación , y un cambio de escala de la variable original.
  • 30. La nueva variable z se distribuye como una NORMAL con media µ = 0 y desviación típica σ = 1 -3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3 zz 68%95%99% Recordemos de nuevo que en cualquier distribución normal las probabilidades delimitadas entre : ± σ = 68 % ± 2σ = 95 % ± 3σ = 99 % 68% 99% 95%
  • 31. Tipificación • Dada una variable de media μ y desviación típica σ, se denomina valor tipificado z, de una observación x, a la distancia (con signo) con respecto a la media, medido en desviaciones típicas, es decir: σ µ− = x z • En el caso de variable X normal, la interpretación es clara: asigna a todo valor de N(μ, σ), un valor de N(0,1) que deja exáctamente la misma probabilidad por debajo. • Nos permite así comparar entre dos valores de dos distribuciones normales diferentes, para saber cuál de los dos es más extremo.
  • 32. Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes y se asignará al que tenga mejor expediente académico: – El estudiante A tiene una calificación de 8 en un sistema donde la calificación de los alumnos se comporta como N(6,1). – El estudiante B tiene una calificación de 80 en un sistema donde la calificación de los alumnos se comporta como N(70,10). 1 10 7080 2 1 68 = − = − = = − = − = B x z x z BB B A AA A σ µ σ µ –No podemos comparar directamente 8 puntos de A frente a los 80 de B, pero como ambas poblaciones se comportan de modo normal, podemos tipificar y observar las puntuaciones sobre una distribución de referencia N(0,1). –Como zA > zB, podemos decir que el porcentaje de compañeros del mismo sistema de estudios que ha superado en calificación al estudiante A es mayor que el que ha superado B. En principio A es mejor candidato para la beca.
  • 33. duezZpzF zezp ∫∞− − − =≤= ∞<<∞−= z 2 u 2 z 2 2 π2 1 )()( ; π2 1 )( Característica de la distribución normal tipificada (reducida o estándar): No depende de ningún parámetro. Su media es 0, su varianza es 1 y su desviación típica es 1. La curva f(x) es simétrica respecto al eje de ordenadas y tiene un máximo en este eje. Tiene dos puntos de inflexión en z =1 y z = -1.
  • 34. Hay varios tipos de tablas de la distribución normal La que se explica aquí representa las áreas para los diferentes valores de z desde 0 hasta +∞. 00 +∞ Los valoresLos valores negativos de znegativos de z NONO están tabulados, yaestán tabulados, ya que la distribuciónque la distribución es simétricaes simétrica
  • 35. 0.00.0 0.10.1 0.20.2 0.30.3 0.40.4 0.50.5 0.00.0 0.10.1 0.20.2 0.30.3 0.40.4 0.50.5 0 1 2 3 4 5 6 7 8 90 1 2 3 4 5 6 7 8 90 1 2 3 4 5 6 7 8 90 1 2 3 4 5 6 7 8 9 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ...... .1179 ..... ...... ...... ...... .1554 .... ..... .... .1915 .... La tabla consta de:La tabla consta de: *Margen izquierdo : Los enteros de z y su primer decimal. ** Margen superior: segundo decimal ** Cuerpo de la tabla: áreas correspondientes, acumuladas, desde 0 hasta 3.99
  • 36. EJEMPLOS:EJEMPLOS: 1.-¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? 2.-¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y +2.03? 3. Hallar P( z >1.25 ) 4. Hallar P ( -0.34 < z <∞ ) 5. Hallar P ( 0.34 < z < 2.30 )
  • 37. ? Ejemplo 1 ¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? zz Cómo la curva es simétrica P (-2.03 < z < 0) = P (0 < z < 2.03) -3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3
  • 38. 0 1 2 3 4 1.8 1.9 2.0 2.1 47. 88% Ejemplo 1 ¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? -3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3 zz Se busca en la tabla el área correspondiente a z = 2.03 0.47882
  • 39. ? 47.88%47.88% Ejemplo 2 ¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ? -3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3 zz En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y 2.03= 0.47882 La misma área hay entre 0 y -2.03 , por lo tanto P ( -2.03< z< 2.03) = 0.95764 95.76%
  • 40. Ejemplo 3 ¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ? zz -3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3 ?? 1.- La probabilidad de 0 < z < +∞ = 0.500 2.- La probabilidad de 0 < z < 1.25 = 0.39435 39.44% 3.- La probabilidad de z > 1.25 = 0.500 - 0.39435= 0.10565 10.56% 50%50%
  • 41. Hallar P( -0.34 < z <Hallar P( -0.34 < z < ∞∞ )) zz P(0 < z <0.34) = 0.13307 = P(-0.34 < z < 0) 13.31% 50% 63.31% P( -0.34 < z < ∞) = 0.13307 + 0.50000 = 0.63307 -3 -2 -1 0 1 2-3 -2 -1 0 1 2 33 Ejemplo 4 P (0 < z < ∞ ) = 0.50000
  • 42. Ejemplo 5 Hallar P( 0.34 < z < 2.30)Hallar P( 0.34 < z < 2.30) zz -3 -2 -1 0 1 2 3-3 -2 -1 0 1 2 3 P(0< z <0.34) = 0.13307 P( 0 < z < 2.30) = 0.4893 P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623 35.62%
  • 43. EJEMPLOEJEMPLO Sea una variable distribuida normalmente con media µ = 4 y desviación típica σ = 1.5. ¿Cuál es la probabilidad de encontrar un valor x ≥ 6 (P(x ≥ 6 ))?
  • 44. x µ = 4 σ = 1.5 Hallar P ( x > 6 ) ? 6 1.-1.- transformar x en un valor de z 0.40824 0.09176 z = (6 - 4)/1.5 = 1.33 2.- Hallar P ( 0 < z < 1.33) == 3.- 0.5000 - 0.40824 = σ μx z − = 0.5 -0.5 1 2.5 4 5.5 7 8.5-0.5 1 2.5 4 5.5 7 8.5 -3 -2 -1 0 1 1.33 2 3 z
  • 45. Hasta ahora vimos como dado un valor x de la variable, hallar probabilidades transformando (estandarización) la variable en valores de x - µ σ ¿Cómo hallar un valor de x, dada la probabilidad? x = ? 38.20% Ejemplo: Sea una variable distribuida normalmente con µ =4 yy σ =2 . Hallar el valor de x que deja por encima de él un 38.20% (0.3820) Se debe desestandarizar :: xx = z= z σ + µ 0.5000 - 0.382 = 0.118  Se busca en la tabla el valor más aproximado :0.1179 corresponde a z =+ 0.30 4.60 Se busca en la tabla de acuerdo al área. Con su signo Sustituyendo en la fórmula 0.30x2+4 =4.60 z =

Notas del editor

  1. 9