Este documento presenta los conceptos básicos de las distribuciones de probabilidad. Explica que una distribución de probabilidad describe cómo se espera que varíen los resultados de una variable aleatoria. Hay dos tipos de distribuciones: discretas, donde la variable toma valores enteros, y continuas, donde la variable toma un número infinito de valores. También define conceptos clave como la función de probabilidad, el valor esperado y la varianza. Finalmente, introduce algunas distribuciones discretas especiales como la binomial y la de Poisson.
El documento describe la distribución exponencial, una distribución de probabilidad continua utilizada para modelar el tiempo entre eventos. Explica que sigue una función de densidad de probabilidad exponencial y analiza propiedades como la media y función de distribución. Luego presenta ejemplos como el tiempo entre desintegraciones de partículas radiactivas y el tiempo de espera en una línea telefónica.
Este documento describe los conceptos básicos de las pruebas de hipótesis estadísticas. Explica que una hipótesis estadística es una proposición sobre los parámetros de una o más poblaciones. Define las hipótesis nula y alternativa, y los tipos de errores que pueden ocurrir al probar una hipótesis. También describe los pasos generales para establecer una prueba de hipótesis, incluyendo definir las regiones de aceptación y rechazo, y tomar una decisión sobre si rechazar o
Este documento presenta la distribución binomial y sus propiedades. Define una variable aleatoria binomial como el número de éxitos en n experimentos de Bernoulli independientes, donde la probabilidad de éxito es constante p. Explica que la probabilidad de cada valor de la variable aleatoria se da por la fórmula binomial. Además, detalla que la media es np y la varianza es npq.
Este documento presenta un ejercicio práctico sobre la distribución de Poisson. Se supone que el 9% de los computadores de una institución presentan fallas antes de un año. Se seleccionaron aleatoriamente 100 computadores y se calcula la probabilidad de que al menos 12 computadores presenten fallas usando la distribución de Poisson con λ = 9.
1. El documento presenta nueve ejercicios resueltos sobre probabilidades y variables aleatorias. En el primer ejercicio, se calculan las probabilidades de que entre 10 unidades dos o a lo sumo dos sean defectuosas, y que por lo menos una lo sea. En el segundo, la probabilidad de que todas las personas con reserva obtengan mesa en un restaurante con 20 mesas y 25 reservas. En el tercer ejercicio, se calculan probabilidades relacionadas con fallos de componentes siguiendo una distribución de Poisson.
Este documento describe conceptos relacionados con distribuciones de probabilidad binomial y Poisson. Explica las fórmulas para calcular la probabilidad de éxitos en una distribución binomial y la varianza en distribuciones binomiales y de Poisson. Además, presenta ejemplos numéricos de cálculos de probabilidades para estas distribuciones.
Este documento describe la distribución uniforme continua. Explica que se trata de una variable aleatoria que toma valores equiprobables dentro de un intervalo finito. Su densidad de probabilidad es uniforme en todo el intervalo. También presenta fórmulas para calcular la esperanza, varianza y función de distribución para esta distribución. Finalmente, incluye ejemplos resueltos de problemas que involucran la distribución uniforme continua.
Este documento describe la distribución normal y cómo calcular probabilidades utilizando tablas estadísticas de la distribución normal tipificada. Explica que la distribución normal tiene forma de campana y depende de la media y desviación típica. También describe cómo tipificar valores para convertir cualquier distribución normal en una distribución normal tipificada N(0,1) y usar tablas estadísticas para calcular áreas bajo la curva.
El documento describe la distribución exponencial, una distribución de probabilidad continua utilizada para modelar el tiempo entre eventos. Explica que sigue una función de densidad de probabilidad exponencial y analiza propiedades como la media y función de distribución. Luego presenta ejemplos como el tiempo entre desintegraciones de partículas radiactivas y el tiempo de espera en una línea telefónica.
Este documento describe los conceptos básicos de las pruebas de hipótesis estadísticas. Explica que una hipótesis estadística es una proposición sobre los parámetros de una o más poblaciones. Define las hipótesis nula y alternativa, y los tipos de errores que pueden ocurrir al probar una hipótesis. También describe los pasos generales para establecer una prueba de hipótesis, incluyendo definir las regiones de aceptación y rechazo, y tomar una decisión sobre si rechazar o
Este documento presenta la distribución binomial y sus propiedades. Define una variable aleatoria binomial como el número de éxitos en n experimentos de Bernoulli independientes, donde la probabilidad de éxito es constante p. Explica que la probabilidad de cada valor de la variable aleatoria se da por la fórmula binomial. Además, detalla que la media es np y la varianza es npq.
Este documento presenta un ejercicio práctico sobre la distribución de Poisson. Se supone que el 9% de los computadores de una institución presentan fallas antes de un año. Se seleccionaron aleatoriamente 100 computadores y se calcula la probabilidad de que al menos 12 computadores presenten fallas usando la distribución de Poisson con λ = 9.
1. El documento presenta nueve ejercicios resueltos sobre probabilidades y variables aleatorias. En el primer ejercicio, se calculan las probabilidades de que entre 10 unidades dos o a lo sumo dos sean defectuosas, y que por lo menos una lo sea. En el segundo, la probabilidad de que todas las personas con reserva obtengan mesa en un restaurante con 20 mesas y 25 reservas. En el tercer ejercicio, se calculan probabilidades relacionadas con fallos de componentes siguiendo una distribución de Poisson.
Este documento describe conceptos relacionados con distribuciones de probabilidad binomial y Poisson. Explica las fórmulas para calcular la probabilidad de éxitos en una distribución binomial y la varianza en distribuciones binomiales y de Poisson. Además, presenta ejemplos numéricos de cálculos de probabilidades para estas distribuciones.
Este documento describe la distribución uniforme continua. Explica que se trata de una variable aleatoria que toma valores equiprobables dentro de un intervalo finito. Su densidad de probabilidad es uniforme en todo el intervalo. También presenta fórmulas para calcular la esperanza, varianza y función de distribución para esta distribución. Finalmente, incluye ejemplos resueltos de problemas que involucran la distribución uniforme continua.
Este documento describe la distribución normal y cómo calcular probabilidades utilizando tablas estadísticas de la distribución normal tipificada. Explica que la distribución normal tiene forma de campana y depende de la media y desviación típica. También describe cómo tipificar valores para convertir cualquier distribución normal en una distribución normal tipificada N(0,1) y usar tablas estadísticas para calcular áreas bajo la curva.
Este documento describe los conceptos y pasos clave de las pruebas de hipótesis estadísticas. Define hipótesis nula y alternativa, y explica cómo plantearlas y contrastarlas usando estadísticos de prueba y reglas de decisión con un nivel de significación dado. Incluye ejemplos de pruebas para medias, proporciones y bondad de ajuste a una distribución.
El documento describe los pasos del procedimiento para probar una hipótesis estadística. Explica que se comienza estableciendo una hipótesis nula y una hipótesis alterna. Luego se determina el criterio de contraste, que incluye el nivel de significancia, la distribución y los valores críticos. Después se calcula el estadístico de prueba y finalmente se toma una decisión sobre si rechazar o no la hipótesis nula basado en la comparación del estadístico de prueba con el
Este documento describe la distribución uniforme continua, la cual asigna la misma probabilidad a todos los valores posibles dentro de un intervalo dado. Explica que la densidad de probabilidad es constante dentro del intervalo y cero fuera de él. Presenta fórmulas para calcular la función de distribución, esperanza y varianza para esta distribución, y resuelve ejemplos numéricos.
Este documento describe las variables aleatorias y sus distribuciones de probabilidad para la creación de modelos de simulación. Explica que las variables aleatorias pueden ser discretas o continuas y deben cumplir con reglas de distribución. También describe distribuciones comunes como la binomial, Poisson, normal y cómo determinar la distribución de datos históricos usando pruebas estadísticas.
Este documento presenta 50 ejercicios de estadística sobre probabilidad bajo curva normal estándar y probabilidad estándar. Incluye cálculos de probabilidad, cuartiles, varianza, desviación estándar y coeficiente de variación para diferentes conjuntos de datos.
Este documento describe la distribución normal y sus propiedades, incluyendo que tiene forma de campana, es simétrica, y todas sus medidas de tendencia central son idénticas. También explica cómo transformar datos a una distribución normal estandarizada, calcular probabilidades utilizando z-scores y puntajes t, y estimar intervalos de confianza para la media poblacional.
Ejercicios de prueba de hipotesis con 𝜎 desconocida (10) Luz Hernández
Este documento presenta varios ejercicios de pruebas de hipótesis con σ desconocida. Incluye cálculos de estadísticos de prueba t y valores p para determinar si se rechazan o no las hipótesis nulas planteadas. Los ejercicios cubren temas como pruebas para la media poblacional con diferentes valores críticos y niveles de significancia.
Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.Vitto Alcantara
Solucionario de Manuel Cordova Zamora, del libro Estadistica Descriptiva e Inferencial. Solo del Capitulo 5 Probabilidad tercera parte de los ejercicios.
El documento presenta varios problemas estadísticos relacionados con el análisis de regresión lineal. El primer problema solicita calcular el coeficiente de correlación lineal entre la distancia de un centro comercial a un núcleo de población y el número de clientes. Otro problema pide determinar la distancia para recibir 500 clientes. Finalmente, se pide trazar la recta de regresión robusta basada en la mediana para predecir las ventas de una empresa en función de la demanda total de la industria.
1) El documento presenta un resumen de la Unidad 2 sobre pruebas de la bondad del ajuste y análisis de varianza. 2) Incluye secciones sobre análisis Ji-cuadrada, prueba de independencia, prueba de la bondad del ajuste y análisis de varianza. 3) El trabajo fue entregado el 17 de febrero de 2012 por el alumno Félix Castro García al profesor José Guadalupe Rodríguez R. en el Instituto Tecnológico Superior de la Sierra Negra de Ajalpan.
Prueba de hipotesis sobre la media con varianza desconocidaKarina Ruiz
Este documento describe las pruebas de hipótesis, incluyendo: (1) la definición de una prueba de hipótesis y las hipótesis nula y alternativa; (2) los errores tipo I y II y cómo controlarlos; (3) ejemplos comunes de hipótesis sobre medias; y (4) procedimientos para probar hipótesis sobre una media y comparar dos medias cuando las varianzas son desconocidas.
Este documento describe cómo realizar pruebas de hipótesis utilizando tablas de contingencia. Explica que las tablas de contingencia clasifican observaciones según dos o más características y que la prueba de ji cuadrada determina si existe independencia entre las variables. Luego presenta un ejemplo de una tabla de contingencia sobre la calidad de lámparas de diferentes fabricantes y los pasos para formular las hipótesis nula e alternativa, calcular el estadístico de prueba y tomar una decisión.
Variables aleatorias discretas y continuasScarlet Íglez
Una variable aleatoria es una variable estadística cuyos valores se obtienen de mediciones en algún tipo de experimento aleatorio. Formalmente, una variable aleatoria es una función, que asigna eventos. Por ejemplo, lanzar un dado o una moneda.
Este documento explica cómo calcular la probabilidad en una distribución binomial. Presenta un ejemplo de calcular la probabilidad de que llantas de un cargamento tengan imperfecciones si se seleccionan 4 llantas al azar. Calcula la probabilidad de que ninguna, una, o una o más llantas tengan imperfecciones usando la fórmula binomial y sumando las probabilidades individuales cuando sea necesario.
Este documento presenta el portafolio final de un curso de Probabilidad y Estadística Descriptiva. Incluye tres parciales que cubren medidas de tendencia central y dispersión, distribuciones de probabilidad y muestreo. Cada tema se ilustra con ejercicios numéricos para acercar los conceptos a casos reales. El portafolio tiene como objetivo mostrar los contenidos estudiados en el curso de manera práctica.
Este documento presenta 15 ejercicios de probabilidad multinomial. Cada ejercicio describe un escenario con diferentes probabilidades para cada resultado posible y pide calcular la probabilidad de una combinación específica de resultados al seleccionar una muestra aleatoria. Los ejercicios involucran temas como preferencias de votantes, formas de llegar a una convención, y resultados de cruzas genéticas.
La distribución de Poisson describe la probabilidad de eventos aleatorios e independientes que ocurren con baja frecuencia en intervalos de tiempo, área o volumen. Se utiliza para calcular la probabilidad de sucesos como accidentes, defectos de producción, llamadas telefónicas u otros eventos impredecibles. La distribución depende de un solo parámetro, la media λ, que representa el número esperado de ocurrencias del evento.
Este documento presenta 17 ejercicios de estadística sobre distribuciones muestrales. Los ejercicios cubren conceptos como distribución muestral, error estándar, teorema del límite central y probabilidades asociadas a diferentes distribuciones y tamaños de muestra. Los ejercicios piden calcular valores estadísticos e interpretar resultados para diferentes conjuntos de datos.
Este documento presenta información sobre pruebas de hipótesis para una muestra. Incluye la definición de hipótesis nula y alternativa, los niveles de significancia, y ejemplos y ejercicios de aplicación sobre pruebas Z y t de Student. El objetivo es que los estudiantes aprendan conceptos estadísticos básicos de inferencia para tomar decisiones sobre poblaciones basadas en muestras.
Roma se fundó en el siglo VIII a.C. y llegó a dominar gran parte del mundo mediterráneo. Tuvo un gran desarrollo urbano, cultural y político, con importantes obras arquitectónicas como el Coliseo, teatros y anfiteatros. La sociedad romana estaba dividida en patricios, plebeyos, esclavos y libertos, y el cristianismo eventualmente reemplazó las antiguas creencias religiosas.
Los IBEROS nuestra civilización antes de Romamohamed0606
Este documento describe la civilización ibérica que existió antes de la llegada de los romanos a la península ibérica. Los iberos desarrollaron su propia cultura y lenguaje, vivían en ciudades fortificadas y poblados estratégicamente ubicados, y se dedicaban principalmente a la agricultura, ganadería y artesanía como la cerámica. Tenían una organización social jerárquica y militar liderada por príncipes, y practicaban una religión animista que incluía rituales funerarios como la cremac
Este documento describe los conceptos y pasos clave de las pruebas de hipótesis estadísticas. Define hipótesis nula y alternativa, y explica cómo plantearlas y contrastarlas usando estadísticos de prueba y reglas de decisión con un nivel de significación dado. Incluye ejemplos de pruebas para medias, proporciones y bondad de ajuste a una distribución.
El documento describe los pasos del procedimiento para probar una hipótesis estadística. Explica que se comienza estableciendo una hipótesis nula y una hipótesis alterna. Luego se determina el criterio de contraste, que incluye el nivel de significancia, la distribución y los valores críticos. Después se calcula el estadístico de prueba y finalmente se toma una decisión sobre si rechazar o no la hipótesis nula basado en la comparación del estadístico de prueba con el
Este documento describe la distribución uniforme continua, la cual asigna la misma probabilidad a todos los valores posibles dentro de un intervalo dado. Explica que la densidad de probabilidad es constante dentro del intervalo y cero fuera de él. Presenta fórmulas para calcular la función de distribución, esperanza y varianza para esta distribución, y resuelve ejemplos numéricos.
Este documento describe las variables aleatorias y sus distribuciones de probabilidad para la creación de modelos de simulación. Explica que las variables aleatorias pueden ser discretas o continuas y deben cumplir con reglas de distribución. También describe distribuciones comunes como la binomial, Poisson, normal y cómo determinar la distribución de datos históricos usando pruebas estadísticas.
Este documento presenta 50 ejercicios de estadística sobre probabilidad bajo curva normal estándar y probabilidad estándar. Incluye cálculos de probabilidad, cuartiles, varianza, desviación estándar y coeficiente de variación para diferentes conjuntos de datos.
Este documento describe la distribución normal y sus propiedades, incluyendo que tiene forma de campana, es simétrica, y todas sus medidas de tendencia central son idénticas. También explica cómo transformar datos a una distribución normal estandarizada, calcular probabilidades utilizando z-scores y puntajes t, y estimar intervalos de confianza para la media poblacional.
Ejercicios de prueba de hipotesis con 𝜎 desconocida (10) Luz Hernández
Este documento presenta varios ejercicios de pruebas de hipótesis con σ desconocida. Incluye cálculos de estadísticos de prueba t y valores p para determinar si se rechazan o no las hipótesis nulas planteadas. Los ejercicios cubren temas como pruebas para la media poblacional con diferentes valores críticos y niveles de significancia.
Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.Vitto Alcantara
Solucionario de Manuel Cordova Zamora, del libro Estadistica Descriptiva e Inferencial. Solo del Capitulo 5 Probabilidad tercera parte de los ejercicios.
El documento presenta varios problemas estadísticos relacionados con el análisis de regresión lineal. El primer problema solicita calcular el coeficiente de correlación lineal entre la distancia de un centro comercial a un núcleo de población y el número de clientes. Otro problema pide determinar la distancia para recibir 500 clientes. Finalmente, se pide trazar la recta de regresión robusta basada en la mediana para predecir las ventas de una empresa en función de la demanda total de la industria.
1) El documento presenta un resumen de la Unidad 2 sobre pruebas de la bondad del ajuste y análisis de varianza. 2) Incluye secciones sobre análisis Ji-cuadrada, prueba de independencia, prueba de la bondad del ajuste y análisis de varianza. 3) El trabajo fue entregado el 17 de febrero de 2012 por el alumno Félix Castro García al profesor José Guadalupe Rodríguez R. en el Instituto Tecnológico Superior de la Sierra Negra de Ajalpan.
Prueba de hipotesis sobre la media con varianza desconocidaKarina Ruiz
Este documento describe las pruebas de hipótesis, incluyendo: (1) la definición de una prueba de hipótesis y las hipótesis nula y alternativa; (2) los errores tipo I y II y cómo controlarlos; (3) ejemplos comunes de hipótesis sobre medias; y (4) procedimientos para probar hipótesis sobre una media y comparar dos medias cuando las varianzas son desconocidas.
Este documento describe cómo realizar pruebas de hipótesis utilizando tablas de contingencia. Explica que las tablas de contingencia clasifican observaciones según dos o más características y que la prueba de ji cuadrada determina si existe independencia entre las variables. Luego presenta un ejemplo de una tabla de contingencia sobre la calidad de lámparas de diferentes fabricantes y los pasos para formular las hipótesis nula e alternativa, calcular el estadístico de prueba y tomar una decisión.
Variables aleatorias discretas y continuasScarlet Íglez
Una variable aleatoria es una variable estadística cuyos valores se obtienen de mediciones en algún tipo de experimento aleatorio. Formalmente, una variable aleatoria es una función, que asigna eventos. Por ejemplo, lanzar un dado o una moneda.
Este documento explica cómo calcular la probabilidad en una distribución binomial. Presenta un ejemplo de calcular la probabilidad de que llantas de un cargamento tengan imperfecciones si se seleccionan 4 llantas al azar. Calcula la probabilidad de que ninguna, una, o una o más llantas tengan imperfecciones usando la fórmula binomial y sumando las probabilidades individuales cuando sea necesario.
Este documento presenta el portafolio final de un curso de Probabilidad y Estadística Descriptiva. Incluye tres parciales que cubren medidas de tendencia central y dispersión, distribuciones de probabilidad y muestreo. Cada tema se ilustra con ejercicios numéricos para acercar los conceptos a casos reales. El portafolio tiene como objetivo mostrar los contenidos estudiados en el curso de manera práctica.
Este documento presenta 15 ejercicios de probabilidad multinomial. Cada ejercicio describe un escenario con diferentes probabilidades para cada resultado posible y pide calcular la probabilidad de una combinación específica de resultados al seleccionar una muestra aleatoria. Los ejercicios involucran temas como preferencias de votantes, formas de llegar a una convención, y resultados de cruzas genéticas.
La distribución de Poisson describe la probabilidad de eventos aleatorios e independientes que ocurren con baja frecuencia en intervalos de tiempo, área o volumen. Se utiliza para calcular la probabilidad de sucesos como accidentes, defectos de producción, llamadas telefónicas u otros eventos impredecibles. La distribución depende de un solo parámetro, la media λ, que representa el número esperado de ocurrencias del evento.
Este documento presenta 17 ejercicios de estadística sobre distribuciones muestrales. Los ejercicios cubren conceptos como distribución muestral, error estándar, teorema del límite central y probabilidades asociadas a diferentes distribuciones y tamaños de muestra. Los ejercicios piden calcular valores estadísticos e interpretar resultados para diferentes conjuntos de datos.
Este documento presenta información sobre pruebas de hipótesis para una muestra. Incluye la definición de hipótesis nula y alternativa, los niveles de significancia, y ejemplos y ejercicios de aplicación sobre pruebas Z y t de Student. El objetivo es que los estudiantes aprendan conceptos estadísticos básicos de inferencia para tomar decisiones sobre poblaciones basadas en muestras.
Roma se fundó en el siglo VIII a.C. y llegó a dominar gran parte del mundo mediterráneo. Tuvo un gran desarrollo urbano, cultural y político, con importantes obras arquitectónicas como el Coliseo, teatros y anfiteatros. La sociedad romana estaba dividida en patricios, plebeyos, esclavos y libertos, y el cristianismo eventualmente reemplazó las antiguas creencias religiosas.
Los IBEROS nuestra civilización antes de Romamohamed0606
Este documento describe la civilización ibérica que existió antes de la llegada de los romanos a la península ibérica. Los iberos desarrollaron su propia cultura y lenguaje, vivían en ciudades fortificadas y poblados estratégicamente ubicados, y se dedicaban principalmente a la agricultura, ganadería y artesanía como la cerámica. Tenían una organización social jerárquica y militar liderada por príncipes, y practicaban una religión animista que incluía rituales funerarios como la cremac
La educación en la Roma antigua se desarrolló en tres etapas o niveles. La educación elemental estuvo a cargo de maestros llamados ludi-magister y se enfocó en enseñar lectura, escritura y cálculo a niños de 7 a 11 años. La educación media estuvo dirigida por gramaticus para jóvenes de 11 a 15 años, enseñando lengua, poesía y métodos históricos. Finalmente, la educación superior estuvo a cargo de retores, quienes instruyeron a estudiantes
1) El documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal y gamma. Incluye ejemplos numéricos para calcular probabilidades usando cada distribución.
2) Se explican conceptos básicos de cada distribución como la probabilidad de éxito, el número de ensayos, la media y desviación estándar.
3) Los ejemplos cubren temas como lanzar monedas, dados, tiros al blanco, solicitudes de préstamo y tiempos de viaje, entre otros. Se calculan probabilidades para
Este documento explica las distribuciones discretas de probabilidad, incluyendo la distribución binomial y la distribución de Poisson. Proporciona ejemplos y ejercicios para ilustrar cómo calcular probabilidades usando estas distribuciones.
La civilización romana se originó en la península itálica en el siglo VIII a.C. y evolucionó de una monarquía a una república y luego a un imperio entre los siglos VIII y I a.C. Roma se expandió para dominar la cuenca mediterránea y adoptó el cristianismo como religión oficial en el siglo IV d.C., aunque finalmente cayó ante las invasiones bárbaras en el siglo V d.C., dejando un legado cultural duradero.
Este documento describe la distribución binomial y sus propiedades. Explica que la distribución binomial modela experimentos con dos resultados posibles, donde la probabilidad de éxito es constante y los resultados de cada prueba son independientes. También define la función de probabilidad binomial y cómo calcular la media y desviación estándar. Finalmente, muestra cómo usar tablas binomiales para calcular probabilidades.
El documento explica la distribución binomial, la cual modela experimentos con dos posibles resultados (éxito o fracaso) y probabilidad constante de éxito. La fórmula binomial calcula la probabilidad de x éxitos en n intentos como una combinación de x objetos tomados de n, multiplicada por la probabilidad de éxito elevada a x y de fracaso elevada a n-x. La media es la suma de cada resultado multiplicado por su probabilidad, y la varianza es la suma de los cuadrados de las desviaciones de cada resultado respecto a la media, multiplicadas por
La regla de la suma establece que para calcular la probabilidad de que ocurra un suceso A o un suceso B, se suma la probabilidad de que ocurra A más la probabilidad de que ocurra B, y se resta la probabilidad de que ocurran ambos al mismo tiempo para evitar contar esos resultados dos veces. El documento explica esta regla y la ilustra con el ejemplo de calcular la probabilidad de obtener un guisante con vaina verde o flor morada en el experimento de Mendel.
Normas nacionales e internacionales de gestión de la calidadRuben Maldonado
Este documento describe las normas ISO 9000 e ISO 14000 para la gestión de la calidad y medioambiental. Explica que ISO es una organización internacional para la estandarización que desarrolla estándares de forma consensuada y voluntaria. Las normas ISO 9000 establecen requisitos para sistemas de gestión de calidad para garantizar la satisfacción del cliente, mientras que las normas ISO 14000 especifican requisitos para sistemas de gestión ambiental. También menciona premios a la calidad como el Premio Nacional de Calidad de EE.
Este documento presenta ejercicios sobre probabilidad y estadística. Incluye preguntas sobre clasificación de variables aleatorias, distribuciones de probabilidad, valores esperados y varianzas. También contiene ejemplos prácticos sobre probabilidades binomiales y cómo aplicar conceptos estadísticos a situaciones reales.
Este documento describe la distribución muestral de proporciones. Explica cómo calcular la media y desviación estándar de la distribución muestral de proporciones a partir de una población, así como cómo usar la aproximación normal para calcular probabilidades relacionadas a la proporción muestral. También incluye ejemplos numéricos para ilustrar los conceptos.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.leonardo19940511
Este documento presenta ejemplos de las principales distribuciones de probabilidad: Bernoulli, binomial, Poisson y normal. Incluye 5 ejemplos para cada distribución ilustrando cómo calcular la probabilidad de diferentes eventos. Por ejemplo, calcula la probabilidad de obtener determinados resultados al lanzar una moneda o sacar boletos de una urna usando la distribución de Bernoulli o binomial.
Este documento trata sobre análisis combinatorio. Explica conceptos como permutaciones, combinaciones y probabilidades. Define el espacio muestral y los sucesos como subconjuntos del espacio muestral. Incluye ejemplos para ilustrar cómo calcular permutaciones y combinaciones de diferentes maneras.
El documento describe las distribuciones muestrales de la media y las proporciones. Explica que la distribución muestral de la media describe todas las posibles medias de las muestras obtenidas de la población. Muestra un ejemplo numérico para calcular las medias muestrales. También explica que cuando la muestra es grande, la distribución muestral de la media se aproxima a una distribución normal según el teorema del límite central. Finalmente, define la distribución muestral de proporciones y cómo calcular su media y des
Ejercicios de distribución binomial, hipergeométrica y de poisson para saiabrayan_briceno
Este documento presenta varios ejercicios sobre distribuciones de probabilidad como binomial, hipergeométrica y Poisson. Incluye problemas sobre la probabilidad de eventos en muestras aleatorias tomadas de poblaciones con diferentes proporciones de elementos y eventos que ocurren con diferentes frecuencias medias. Los ejercicios abarcan temas como exámenes, familias, componentes electrónicos y lesiones laborales.
El documento trata sobre el tamaño de la muestra en investigación. Explica que el tamaño de la muestra depende del nivel de confianza, porcentaje de error y variabilidad de la población. Presenta fórmulas para calcular el tamaño de la muestra cuando se conoce o no el tamaño de la población. También incluye conceptos como hipótesis, muestra, población, nivel de confianza y porcentaje de error. Finalmente, muestra ejemplos de cálculo del tamaño de la muestra.
La distribución binomial describe el número de éxitos en una secuencia de ensayos de Bernoulli independientes. El documento presenta 5 ejercicios que aplican la distribución binomial para calcular probabilidades de diferentes escenarios, como lanzar una moneda o seleccionar llantas de un cargamento. Se calculan medidas como la media, varianza y desviación estándar para cuantificar los resultados.
Pasos para hacer una introduccion para un trabajo practico. Como hacer una introduccion paso a paso. Introduccion tecnica y formas de su realizacion para hacer la introduccion.
1) Se calcula la probabilidad de que la temperatura máxima en junio esté entre 21° y 27° dado que sigue una distribución normal con media 23° y desviación típica 5°.
2) Se calculan varias probabilidades relacionadas con los pesos de 500 estudiantes dados sus parámetros normales.
3) Se calculan varias probabilidades relacionadas con la vida de ratones dados sus parámetros normales.
Esto resume los cálculos de probabilidad requeridos para varias situaciones dadas sus distribuciones normales.
Este documento introduce conceptos básicos sobre variables aleatorias y funciones de distribución. Explica que una variable aleatoria asigna valores numéricos a los resultados de un experimento aleatorio. Distingue entre variables aleatorias discretas y continuas, y describe cómo se definen sus distribuciones de probabilidad y funciones de distribución. También define parámetros comunes como la esperanza matemática y la varianza para caracterizar las variables aleatorias.
Este documento presenta los conceptos fundamentales de probabilidad y estadística, incluyendo parámetros de variables aleatorias, distribuciones discretas y continuas comunes, y sus propiedades. Explica las distribuciones binomial, de Poisson, uniforme, exponencial y normal, así como conceptos como esperanza, varianza, independencia y distribuciones condicionales. También introduce distribuciones como chi-cuadrado, F-Fisher y t-Student usadas en inferencia estadística.
Tema 6. variables aleatorias y distribuciones de probabilidadAna Lopez
Este documento presenta conceptos básicos sobre variables aleatorias y distribuciones de probabilidad. Introduce las nociones de variables aleatorias discretas y continuas, y explica las funciones de densidad de probabilidad y distribución acumulativa para variables discretas. Incluye ejemplos como el número de caras al lanzar tres monedas para ilustrar estas ideas.
Distribuciones de probabilidad continuaLIZBETH IZA
Este documento presenta un resumen de las distribuciones de probabilidad continuas más importantes, incluyendo la distribución normal, uniforme, exponencial, t de Student y chi cuadrado. Proporciona las funciones de densidad, propiedades y ejemplos para cada distribución. El objetivo es proveer una introducción básica a estas distribuciones comúnmente usadas en estadística.
Este documento presenta conceptos sobre variables aleatorias discretas y continuas. Introduce las funciones de probabilidad y distribución de probabilidad acumulada para variables aleatorias discretas y continuas. Explica que una variable aleatoria discreta puede tomar valores de un conjunto finito o infinito numerable, mientras que una variable continua puede tomar cualquier valor real en un intervalo. También presenta ejemplos de distribución normal y sus intervalos.
Este documento describe la distribución normal o gaussiana, la distribución de probabilidad continua más importante debido a su frecuencia y aplicaciones. Fue descubierta por primera vez por De Moivre en 1733 y luego estudiada de forma independiente por Laplace y Gauss en relación con la teoría de errores. Caracteriza variables aleatorias continuas a través de sus parámetros de media y desviación típica.
Este documento describe las características principales de la distribución normal o gaussiana. Menciona que es la distribución continua de probabilidad más importante debido a su frecuencia de uso y aplicaciones teóricas. Fue descubierta de forma independiente por De Moivre, Laplace y Gauss en relación con la teoría de errores. Presenta algunas de sus propiedades clave como su simetría y forma de campana, así como ejemplos comunes de fenómenos que siguen esta distribución.
Este documento describe la distribución normal o gaussiana, la distribución continua de probabilidad más importante debido a su frecuencia y aplicaciones. Fue descubierta por primera vez por De Moivre en 1733 y luego estudiada de forma independiente por Laplace y Gauss en relación con la teoría de errores. Caracteriza variables aleatorias continuas a través de sus parámetros de media y desviación típica.
Este documento describe la distribución normal o gaussiana, la distribución continua de probabilidad más importante debido a su frecuencia y aplicaciones. Fue descubierta inicialmente por De Moivre en 1733 y desarrollada de forma independiente por Laplace y Gauss en relación con la teoría de errores. La distribución normal se caracteriza por su forma de campana y depende de dos parámetros: la media y la desviación típica.
Este documento describe la distribución muestral y sus características principales. Una distribución muestral es la distribución de probabilidad de una estadística muestral calculada a partir de todas las muestras posibles de tamaño n elegidas al azar de una población. Generalmente nos interesa conocer la forma funcional, media y desviación estándar de la distribución muestral. El documento explica cómo varían estas características dependiendo de si el muestreo es con o sin reemplazo y si la población es finita
Este documento trata sobre la metodología GUM para cuantificar y propagar la incertidumbre de medición sin considerar correlaciones. Explica los conceptos de incertidumbre típica combinada y la ley de propagación de incertidumbres para calcular la incertidumbre expandida de un resultado de medición a partir de las incertidumbres de las variables de entrada. También describe métodos para estimar las incertidumbres individuales y estrategias para identificar y cuantificar las fuentes de incertidumbre como parte del proceso.
Este documento resume tres distribuciones de probabilidad discretas: la distribución binomial, la hipergeométrica y la de Poisson. Explica que la distribución binomial modela experimentos con dos resultados posibles, la hipergeométrica experimentos de muestreo sin reposición de una población finita dividida en dos clases, y la de Poisson eventos aleatorios en el tiempo. Además, proporciona ejemplos y fórmulas para calcular probabilidades usando cada distribución.
Este documento explica conceptos básicos de probabilidad como experimentos aleatorios, sucesos, variables aleatorias y distribuciones de probabilidad. Introduce la distribución normal como una de las distribuciones más importantes, que depende de dos parámetros y se utiliza para modelar muchos fenómenos. Finalmente, explica que según el Teorema Central del Límite, la suma de variables aleatorias independientes tenderá a una distribución normal.
Este documento presenta cuatro ejercicios sobre la distribución normal de una variable aleatoria X con parámetros μ=5 y σ=2. El primer ejercicio pide calcular la probabilidad de que X sea menor que 3. El segundo pide el porcentaje de área cuando X es mayor que 7. El tercero pide la probabilidad de que X esté entre 3 y 7. Y el cuarto pide determinar el intervalo centrado en la media tal que la probabilidad de que X pertenezca a ese intervalo sea 0.62.
La distribución normal es la más importante en estadística debido a su frecuencia de aparición y sus aplicaciones teóricas. Fue descubierta de forma independiente por De Moivre, Laplace y Gauss en relación con la teoría de los errores de observación. Sus características principales son que tiene forma de campana, es simétrica respecto a su media y depende de dos parámetros: la media y la desviación típica.
Este documento presenta un ejercicio sobre la distribución normal para una variable aleatoria X con parámetros μ=5 y σ=2. Se piden calcular la probabilidad de que X tome valores menores a 3, mayores a 7 y entre 3 y 7. También se pide determinar un intervalo centrado en la media tal que la probabilidad de que X pertenezca a ese intervalo sea 0.62.
Este documento describe las distribuciones estadísticas t de Student, Ji-cuadrado, y F de Fisher. Explica cómo estas distribuciones se usan para realizar pruebas de hipótesis e intervalos de confianza cuando se trabaja con muestras pequeñas. También incluye fórmulas clave, tablas de valores críticos, y funciones en Excel para trabajar con estas distribuciones.
Esta exposición tiene como objetivo educar y concienciar al público sobre la dualidad del oxígeno en la biología humana. A través de una mezcla de ciencia, historia y tecnología, se busca inspirar a los visitantes a apreciar la complejidad del oxígeno y a adoptar estilos de vida que promuevan un equilibrio saludable entre sus beneficios y sus potenciales riesgos.
¡Únete a nosotros para descubrir cómo el oxígeno puede ser tanto un salvador como un destructor, y qué podemos hacer para maximizar sus beneficios y minimizar sus daños!
En un mundo complejo, el trastorno de ansiedad se presenta con síntomas que van desde preocupaciones persistentes hasta ataques de pánico. Esta presentación explora sus causas, síntomas y opciones de tratamiento, con el fin de promover la comprensión y la empatía, así como estrategias efectivas de gestión y autocuidado.
1892 – El 17 de junio Nicholay (o Nikolai) Petersen, que vivía en México, rec...Champs Elysee Roldan
El 17 de junio de 1892, Nicholay (o Nikolai) Petersen, que vivía en México (Rynin dice Guadalajara), recibió una patente alemana (Grupo 37/03) para un "dirigible propulsado por cohete" único, en el que los cuerpos o cilindros del cohete , fueron introducidos automáticamente en un gran "cilindro revólver" y disparados sucesivamente mediante un encendedor eléctrico, luego retirados para el siguiente cohete. Los gases escapaban de un "cono truncado" o boquilla, en la popa del barco.
Priones, definiciones y la enfermedad de las vacas locasalexandrajunchaya3
Durante este trabajo de la doctora Mar junto con la coordinadora Hidalgo, se presenta un didáctico documento en donde repasaremos la definición de este misterio de la biología y medicina. Proteinas que al tener una estructura incorrecta, pueden esparcir esta estructura no adecuada, generando huecos en el cerebro, de esta manera creando el tejido espongiforme.
Introduccion-a-Amidas- Relevancia en la cienciaquimica3bgu2024
Las amidas son compuestos orgánicos derivados del ácido carboxílico donde el grupo hidroxilo (-OH) ha sido reemplazado por un grupo amino (-NH2) o derivados de este.
Procedimientos para aplicar un inyectable y todo lo que tenemos que hacer antes de aplicarlo, también tenemos los pasos a seguir para realzar una venoclisis.
Las heridas son lesiones en el cuerpo que dañan la piel, tejidos u órganos. Pueden ser causadas por cortes, rasguños, punciones, laceraciones, contusiones y quemaduras. Se clasifican en:
Heridas abiertas: la piel se rompe y los tejidos quedan expuestos (ej. cortes, laceraciones).
Heridas cerradas: la piel no se rompe, pero hay daño en los tejidos subyacentes (ej. contusiones).
El tratamiento incluye limpieza, aplicación de antisépticos y vendajes, y en algunos casos, suturas. Es crucial vigilar las heridas para prevenir infecciones y asegurar una curación adecuada.
Los enigmáticos priones en la naturales, características y ejemplosalexandrajunchaya3
Durante este trabajo de la doctora Mar junto con la coordinadora Hidalgo, se presenta un didáctico documento en donde repasaremos la definición de este misterio de la biología y medicina. Proteinas que al tener una estructura incorrecta, pueden esparcir esta estructura no adecuada, generando huecos en el cerebro, de esta manera creando el tejido espongiforme.
7. ALCALOIDES 2013-2014.docxinforme de practica en alaboratorio
Distribuciones de probabilidad_1
1. ESTADISTICA II
MGR. SONIA URQUIDI B.
TEMA 2
DISTRIBUCIONES DE PROBABILIDAD
OBJETIVOS:
• Definir una distribución de probabilidad
• Utilizar las tablas correspondientes
Calcular valores Z
• Utilizar la distribución normal estandarizada para determinar probabilidades
• Resolver problemas de distribución de probabilidad
2.1 INTRODUCCION:
En el tema anterior se estudiaron los conceptos de la teoría de probabilidades, donde
se aprendió a calcular la probabilidad de un solo suceso o la probabilidad de sucesos
compuestos. En este tema el objetivo es aprender a describir una distribución de
probabilidad, diferenciar los dos tipos que existen y saber utilizar las mismas.
2.2. DEFINICION:
Una distribución de probabilidad la podemos concebir como una distribución teórica
de frecuencia, es decir, es una distribución que describe como se espera que varíen
los resultados. Dado que esta clase de distribuciones se ocupan de las
expectativas, son modelos de gran utilidad para hacer inferencias y tomar
decisiones en condiciones de incertidumbre.
Toda distribución de probabilidad es generada por una variable aleatoria X. Toda
función o regla que asigna un número a cada suceso elemental de un experimento
aleatorio se denomina variable aleatoria. Variable aleatoria es aquella que asume
diferentes valores a consecuencia de los resultados de un experimento aleatorio.
Las variables aleatorias están ligadas a experimentos aleatorios y se dice que se ha
definido una variable aleatoria cuando a cada elemento del espacio muestral se le
ha asociado un número.
Si una variable real, X, es una variable aleatoria sus valores dependen del azar.
Ejemplos:
Si se lanzan dos dados y X es el número de veces que sale un 6,
entonces X es una variable aleatoria, y toma, al azar, uno de los valores 0,
1 ó 2.
Si se lanzan tres monedas al aire y X es el número de caras que salen, los
valores que toma X son 0, 1, 2 y 3.
Al extraer una bombilla de una población y observar si es o no defectuosa,
X tomaría los valores 1 y 0 según sea o no defectuosa.
Si se toma como variable la longitud de un tornillo X puede tomar todos los
valores de un intervalo.
1
2. ESTADISTICA II
MGR. SONIA URQUIDI B.
Una distribución de probabilidad es una lista de todos los
valores posibles que puede asumir una variable aleatoria y de
la probabilidad asociada a cada valor.
2.3. CLASIFICACION:
Existen dos tipos de distribución de probabilidad, dependiendo de los dos tipos de
variables que se conocen, es decir: discretas y continuas
Se denomina distribución de probabilidad de variable discreta, cuando la variable
aleatoria sólo puede asumir valores enteros.
Se denomina distribución de variable continua, cuando la variable aleatoria
puede asumir un número infinito de valores.
2.4. DISTRIBUCION DE PROBABILIDAD DE VARIABLE DISCRETA
Se denomina variable porque puede tomar diferentes valores, aleatoria, porque
el valor tomado es totalmente al azar y discreta porque solo puede tomar valores
enteros y un número finito de ellos.
Se denomina distribución de probabilidad de variable discreta,
cuando la variable aleatoria sólo puede asumir valores enteros.
Ejemplos:
Si se lanzan dos dados y X es el número de veces que sale un 6,
entonces X es una variable aleatoria, y toma, al azar, uno de los valores
0, 1 ó 2.
Si se lanzan tres monedas al aire y X es el número de caras que salen,
los valores que toma X son 0, 1, 2 y 3.
Al extraer una bombilla de una población y observar si es o no
defectuosa, X tomaría los valores 1 y 0 según sea o no defectuosa.
Si se llena un cheque, solamente se lo puede realizar de dos maneras:
bien o mal, 1 o 0, según esté bien o no.
Si X es la variable que define el número de productos defectuosos en un
lote de 25 productos, entonces los valores que puede asumir esta
variable son 0,1,2,3,……, 25 productos con defectos
Si X es la variable que define el número de alumnos aprobados en la
materia de Estadística II en un grupo de 50 alumnos, entonces los
valores que puede asumir esta variable es 0,1,2,3,…. 50 alumnos
aprobados en la materia de Estadística II
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable X siempre serán enteros, nunca fraccionarios.
2
3. ESTADISTICA II
MGR. SONIA URQUIDI B.
Las características de esta distribución se mencionan a continuación:
1. Es generada por una variable discreta (x).
X→Variable que solo toma valores enteros
x→0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.
2. P(xi)≥0
Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero.
3. ΣP(xi) = 1
La sumatoria de las probabilidades asociadas a cada uno de los
valores que toma x debe ser igual a 1.
La probabilidad de que la variable aleatoria X asuma cada uno de sus valores
viene dada por la función de probabilidad:
P(X =x i ), para i = 0, 1, 2, 3, ... ;
y se lee: la probabilidad de que la variable aleatoria X asuma un valor
específico i.
La media de una distribución de probabilidad se denomina valor esperado de una
variable aleatoria o esperanza matemática y es igual a:
µ = E(X) = Σ [xi * P (xi)]
que viene a ser la media aritmética ponderada de todos los resultados posibles.
La varianza de una distribución de probabilidad es la media aritmética de las
desviaciones respecto a la media elevadas al cuadrado, siendo igual a:
σ 2
= Σ [( xi - µ)] 2
* P(xi)]
Ejemplo 1:
Según estadísticas, la probabilidad de que un pozo petrolero que se perfore en el
Trópico pueda ser explotado es de 0.30. Se perforan tres pozos en esa región,
determinar el número esperado de pozos que pueden ser explotados y su
desviación estándar.
Solución:
3
4. ESTADISTICA II
MGR. SONIA URQUIDI B.
Se obtiene el espacio muestral (n), de la siguiente manera
S= se puede explotar el pozo que se perfora
N = no se puede explotar el pozo que se perfora
PRIMER SEGUNDO TERCERO ESPACIO
POZO POZO POZO MUESTRAL
S SSS
S
N SSN
S
S SNS
N
N SNN
S NSS
S
N NSN
N
S NNS
N
N NNN
n = {SSS, SSN, SNS, SNN, NSS, NSN, NNS, NNN}
Como P(S) = 0,3
P(N) = 0.7
Se tiene:
PRIMER SEGUNDO TERCERO ESPACIO
POZO POZO POZO MUESTRAL
0.3 0.3*0.3*0.3
0.3
0.7 0.3*0.3*0.7
0.3
0.3 0.3*0.7*0.3
0.7
0.7 0.3*0.7*0.7
0.3 0.7*0.3*0.3
0.3
0.7 0.7*0.3*0.7
0.7
0.3 0.7*0.7*0.3
0.7
0.7 0.7*0.7*0.7
X = variable que define el número de pozos que se pueden EXPLOTAR
x = 0, 1, 2 o 3 pozos que se pueden explotar
4
5. ESTADISTICA II
MGR. SONIA URQUIDI B.
P(x = 0) = P(NNN) = (0.7)(0.7)(0.7)= 0.343
P(x = 1) = P(SNN, NSN, NNS) = (0.3)(0.7)(0.7)(3)=0.441
P(x = 2) = P(SSN, SNS, NSS) = (0.3)(0.3)(0.7)(3)=0.189
P(x = 3) = P(SSS) =(0.3)(0.3)(0.3)= 0.027
9008103780441000
02703189024410134300
.....
).)(().)(().)(().)((
)xi(p*xi
=+++=
=+++=
== ∑µ
≅1 pozo EXPLOTADO
Interpretación:
Se espera que solo 1 de los tres pozos perforados sea el que pueda ser
EXPLOTADO.
pozo......
).(*)().(*)().(*)().(*)(
)xi(p*)xi(
18064010801890003430
027013189012441011343010
2222
2
±≅==+++=
=−+−+−+−=
=−= ∑ µσ
Interpretación:
La cantidad esperada de pozos que se pueden explotar puede variar en 1 ± 1 pozo,
esto es la cantidad de pozos que se pueden explotar puede variar de 0 a 2 pozos.
Ejemplo 2:
La distribución de probabilidad de X, el número de defectos por cada 10 metros de
una tela sintética en rollos continuos de ancho uniforme , es
x 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01
a) Determinar la distribución de probabilidad acumulada de X; F(x).
b) Determinar el número esperado de defectos por cada 10 metros de tela sintética
en rollos continuos de ancho uniforme y la desviación estándar del número de
defectos por cada 10 metros de tela de ancho uniforme
c) Determinar la probabilidad de que en 10 metros de tela sintética se encuentren
como máximo 2 defectos.
d) Determine la probabilidad de que en 10 metros de tela sintética se encuentren
por lo menos 2 defectos.
5
6. ESTADISTICA II
MGR. SONIA URQUIDI B.
Solución:
a) Para obtener la distribución acumulada, solamente se debe ir sumando las
probabilidades, de tal manera que pueda leerse como:
Fx = X≤ x
X 0 1 2 3 4
P(xi) 0.41 0.37 0.16 0.05 0.01
F(x) 0.41 0.78 0.94 0.99 1.0
b)
∑ =+++=== ).)((...).)(().)(()xi(p*xi)x(E 010437014100µ
88004015032037000 ...... =++++= ≅ 1 defecto
Interpretación:
Se espera que por cada 10 metros de tela se encuentre un defecto.
Para la desviación estandar:
=−++−+−=−= ∑ ).()(...).()().()()xi(p*)xi( 010143701141010 2222
µσ
defecto....... 1927408600902016000410 ≅==++++=
Interpretación:
El número de defectos esperado puede variar en ± 1 defecto, es decir que el
número de defectos esperado por cada 10 metros de tela puede variar de 0 a 2.
c) La probabilidad de que en 10 metros de tela sintética se encuentren como
máximo 2 defectos es.
p(x ≤ 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94
d) La probabilidad de que en 10 metros de tela sintética se encuentren por lo
menos 2 defectos
p(x ≥ 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22
Entre las distribuciones especiales de variable discreta se tienen a la distribución
binomial, a la Poisson y a la Hipergeométrica.
2.4.1. Distribución Binomial
Una distribución de probabilidad ampliamente utilizada de una variable aleatoria
discreta es la distribución binomial. Esta describe varios procesos de interés para
las Ciencias Económicas.
6
7. ESTADISTICA II
MGR. SONIA URQUIDI B.
Describe datos discretos, resultantes de un experimento denominado proceso de
Bernoulli en honor del matemático suizo Jacob Bernoulli, quien vivió en el siglo
XVII.
Empleo del proceso de Bernoulli.
Podemos servirnos de los resultados de un número fijo de lanzamientos de una
moneda como ejemplo de un proceso de Bernoulli. Este proceso lo describimos
así:
1. Cada ensayo (cada lanzamiento, en nuestro caso) tiene sólo dos
resultados posibles: cara o sello, sí o no, éxito o fracaso.
2. La probabilidad del resultado de cualquier ensayo (lanzamiento)
permanece fija con el tiempo. Tratándose de una moneda la
probabilidad de que salga cara sigue siendo de 0.5 en cada
lanzamiento, cualquiera que sea el número de veces que la moneda
sea arrojada.
3. Los ensayos son estadísticamente independientes, es decir, el
resultado de un lanzamiento no afecta al de cualquier otro
lanzamiento.
Cada proceso de Bernoulli tiene su propia probabilidad característica. Pongamos
el caso en que siete décimas partes de las personas que solicitaron cierto tipo de
empleo pasaron la prueba. Diremos entonces que la probabilidad característica
fue de 0.7 pero podemos describir los resultados de la prueba como un proceso
de Bernoulli sólo si tenemos la seguridad de que la proporción de los que fueron
aprobados permaneció constante con el tiempo.
Desde luego, la otra característica del proceso de Bernoulli también deberá ser
satisfecha. Cada prueba deberá arrojar tan sólo dos resultados (éxito o fracaso=
y los resultados de las pruebas habrán de ser estadísticamente independientes.
En un lenguaje más formal, el símbolo p representa la probabilidad de un éxito y
el símbolo q ( 1- p ) representa la probabilidad de un fracaso. Para representar
cierto número de éxitos, utilizaremos el símbolo x y para simbolizar el número
total de ensayos emplearemos el símbolo n.
Entonces tenemos que:
P Probabilidad de éxito.
q Probabilidad de fracaso.
r Número de éxitos deseados.
n Número de ensayos efectuados.
Para obtener la probabilidad de x éxitos en n ensayos, cumpliendo las
características de la distribución binomial, utilizamos la siguiente fórmula:
n
B(n,x,p) = p x
q n – x
= n C x p x
q n-x
7
8. ESTADISTICA II
MGR. SONIA URQUIDI B.
x
donde:
n = número de ensayos
x = número de éxitos
p = probabilidad de éxito
q = 1 - p = probabilidad de fracaso
Ejemplo:
En cierta población el 52 por ciento de todos los nacimientos que se registraron
son varones. Si aleatoriamente se escogen cinco registros de nacimientos dentro
de esa población, ¿cuál es la probabilidad de que exactamente tres de ellos
pertenezcan a varones?
Tenemos los siguientes datos:
n = 5
x = 3
p = 0.52
5
B(5,3,0.52) = 0.52 3
0.48 5 - 3
= 0.324 = 32.4%
3
Interpretación:
La probabilidad de que tres registros de los cinco registros seleccionados
pertenezcan a varones es 32.4%
Ejemplo 2
Una máquina fabrica una determinada pieza y se sabe que produce un 7 por
1000 de piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas
sólo haya una defectuosa.
Solución :
Se trata de una distribución binomial de parámetros B(50,1,0.007), por lo tanto:
50
B(50,1,0.007) = 0.007 1
0.993 49
= 0.248 = 24.8%
1
MEDIA: Para obtener la media de una distribución binomial, se debe multiplicar
el número de ensayos por la probabilidad de éxito p
µ = n p
VARIANZA: la varianza de una distribución binomial es igual al número de
ensayos multiplicado por la probabilidad de éxito y por la probabilidad de fracaso
σ 2
= n p q
8
9. ESTADISTICA II
MGR. SONIA URQUIDI B.
Ejemplo:
La probabilidad de que el carburador de un coche salga de fábrica defectuoso es
del 4 por 100. Hallar:
a) El número de carburadores defectuosos esperados en un lote de 1000
b) La varianza y la desviación típica.
Solución :
2.4.2. Distribución de Poisson:
Mide la probabilidad de un suceso aleatorio a lo largo de un intervalo temporal o
espacial
Se caracteriza porque la probabilidad de que ocurra el suceso es constante para
dos intervalos de tiempo o espacio cualquiera y además la aparición de un
suceso en cualquier intervalo es independiente de su aparición en cualquier otro
intervalo. También se las puede utilizar como aproximación conveniente a la
distribución binomial en relación en el caso en que n es grande y la probabilidad
de éxito pequeña.
Son ejemplos de este tipo de distribución los siguientes casos:
# de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de accidentes en una carretera por hora, por minuto, etc
La expresión matemática para la distribución de Poisson para obtener x éxitos,
dado que se esperan µ éxitos es
µx
e -µ
P(µ,x) = --------------------
x !
Donde:
µ = esperanza del número de éxitos = np
x = número de veces que ocurre el suceso
e = base de logaritmos naturales
MEDIA VARIANZA
9
10. ESTADISTICA II
MGR. SONIA URQUIDI B.
µ = n p σ 2
= µ
Ejemplo 1:
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10
cheques sin fondos en cualquiera de dos días consecutivos?
Solución:
a) x = variable que nos define el número de cheques sin fondo que llegan al
banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
µ = 6 cheques sin fondo por día
e= 2.718
64
e -6
P(6,4) = -------------------- = 0.13392
4 !
b)
x = variable que nos define el número de cheques sin fondo que llegan al banco
en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
µ = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días
consecutivos
Nota: µ siempre debe de estar en función de x siempre o dicho de otra forma,
debe “hablar” de lo mismo que x.
1210
e -12
P(10,12) = -------------------- = 0.104953
10 !
2.4.3. Distribución hipergeométrica:
Se utiliza cuando no existe reemplazamiento, es decir en caso de que los
ensayos no sean independientes. Tiene que existir dos subpoblaciones o dos
submuestras claramente diferenciadas.
Una variable aleatoria X tiene una distribución hipergeométrica si se toma una
muestra sin reemplazo de un conjunto de N elementos, de los cuales N1 son
considerados de una categoría en especial (aciertos) y los otros N- N1 son
considerados de otra categoría (fallas) y se desea obtener x aciertos de una
muestra de n elementos ó ensayos. Se expresa de la siguiente formula:
N1Cx N –N1Cn - x
H (N,N1,n,x) = --------------------------
10
11. ESTADISTICA II
MGR. SONIA URQUIDI B.
NCn
O bien:
N1 N2
x n - x
H (N,N1,n,x) = --------------------------
N
n
Donde:
N = tamaño de la población
N1= número de elementos con una característica específica
N2 = número de elementos con la otra característica
n = tamaño de la muestra
x = número de éxitos en la subpoblación
Ejemplo
En una empresa industrial diariamente se producen 90 unidades de unidad
metalmecánica, de las cuales generalmente 5 salen defectuosas. Se examina en
un día cualquiera una muestra de 5 unidades. Hallar la probabilidad de x
unidades defectuosas.
para
que resolviendo permite definir la tabla de distribución de probabilidad:
x P(x)
0 0.746
1 0.230
2 0.0225
3 0.000812
4 0.0000976
5 0.000000023
Ejercicios para resolver
11
12. ESTADISTICA II
MGR. SONIA URQUIDI B.
1. DEFINIR DISTRIBUCION DE PROBABILIDAD
2. COMO SE CLASIFICAN LAS DISTRIBUCIONES DE PROBABILIDAD Y CUALES SON
SUS CARACTERISTICAS
3. COMO SE OBTIENE LA MEDIA Y LA VARIANZA EN LAS DISTRIBUCIONES DE
PROBABILIDAD DE VARIABLE DISCRETA?
4. CUALES SON LAS CARACTERISTICAS DE UNA DISTRIBUCION BINOMIAL? CUALES
SON LAS CARACTERISTICAS DE UNA DISTRIBUCION DE POISSON? CUALES SON
LAS CARACTERISTICAS DE UNA DISTRIBUCION HIPERGEOMETRICA?
5. EXPLICAR PARA CADA UNA DE ESTAS SITUACIONES SI SE TRATA DE UNA
DISTRIBUCIÓN BINOMIAL. EN CASO AFIRMATIVO, IDENTIFICAR LOS VALORES DE n
Y P:
5.1 EL 2% DE LAS NARANJAS QUE SE EMPAQUETAN EN UN CIERTO LUGAR ESTÁN
ESTROPEADAS. SE EMPAQUETAN EN BOLSAS DE 10 NARANJAS CADA UNA.
NOS PREGUNTAMOS POR EL NÚMERO DE NARANJAS ESTROPEADAS DE UNA
BOLSA ELEGIDA AL AZAR.
5.2 EN UNA URNA HAY 2 BOLAS ROJAS, 3 BLANCAS Y 2 VERDES. SACAMOS UNA
BOLA, ANOTAMOS SU COLOR Y LA DEVOLVEMOS A LA URNA. REPETIMOS LA
EXPERIENCIA 10 VECES Y ESTAMOS INTERESADOS EN SABER EL NÚMERO DE
BOLAS BLANCAS QUE HEMOS EXTRAÍDO.
6. UN ESTUDIANTE SE PRESENTA A UN EXAMEN DE FALSO Y VERDADERO QUE
CONTIENE 10 PREGUNTAS SI EL ESTUDIANTE NO SE HA PREPARADO NADA Y
RESPONDE A LAS PREGUNTAS UTILIZANDO UNA MONEDA. ANOTA VERDADERO SI
CAE CARA Y FALSO SI CAE SELLO. ADEMAS SABE QUE PARA APROBAR DEBE
RESPONDER CORRECTAMENTE A 8 O MAS PREGUNTAS. CUAL ES LA
PROBABILIDAD DE APROBAR EL EXAMEN?
7. LA PROBABILIDAD DE NACIMIENTO DE UN VARON EN LA MATERNIDAD GERMAN
URQUIDI ES DE 52%. EN UNA FAMILIA QUE TIENE 5 HIJOS. CUAL ES LA
PROBABILIDAD DE QUE:
7.1 EXACTAMENTE 3 SEAN VARONES
7.2 POR LO MENOS 3 SEAN VARONES
7.3 CUANDO MUCHO 3 SEAN VARONES
7.4 NO TENGA HIJOS VARONES
8. LA PROBABILIDAD DE QUE OCURRA UN RETRASO EN UN VUELO DEL LAB ES DE
0,2%. SI AL MES SE REALIZAN 500 VUELOS. CUAL ES LA PROBABILIDAD DE QUE SE
RETRASEN:
12.1. 5 VUELOS
12.2. POR LO MENOS 4 VUELOS
12.3. CUANDO MUCHO 3 VUELOS
9. LA PROBABILIDAD DE QUE UN ESTUDIANTE OBTENGA SU TÍTULO DE LICENCIADO
ES DE 40%. EN UN GRUPO DE 8 ESTUDIANTES INSCRITOS EN PRIMER CURSO,
HALLAR LA PROBABILIDAD DE QUE:
9.1 NINGUNO OBTENGA SU TITULO DE LICENCIADO
9.2 TODOS OBTENGAN SU TITULO DE LICENCIADO
9.3 AL MENOS TRES OBTENGAN SU TITULO DE LICENCIADO
9.4 CUANDO MUCHO TRES OBTENGAN SU TITULO DE LICENCIADO
12
13. ESTADISTICA II
MGR. SONIA URQUIDI B.
9.5 HALLAR EL PROMEDIO Y LA DESVIACION ESTANDAR DEL NUMERO DE
ESTUDIANTES QUE OBTIENEN SU TITULO DE LICENCIADO
10. SE ASEGURA QUE EN LOS ARTICULOS PUBLICADOS EN LOS MEDIOS DE PRENSA
ESCRITA LOCAL, EL 20% DE LOS MISMOS, TIENEN ERRORES ORTOGRAFICOS. SI
SE TIENE QUE EXAMINAR 15 DE DICHOS ARTICULOS. CUAL ES LA PROBABILIDAD
DE ENCONTRAR:
10.13 ARTICULOS CON ERRORES
10.28 ARTICULOS CON ERRORES
10.3ENTRE 3 A 8 ARTICULOS CON ERRORES
10.4MAS DE 3 ARTICULOS CON ERRORES
10.5MENOS DE 3 ARTICULOS CON ERRORES
11. EN LAS ÚLTIMAS 80 HORAS, LLEGAN 800 CLIENTES A UNA TIENDA DE REPUESTOS.
CUÁL ES LA PROBABILIDAD DE QUE EXACTAMENTE 5 LLEGEN DURANTE LA
PROXIMA HORA?
12. LOS JUGADORES DE TENIS LLEGAN A LAS PISTAS EN PROMEDIO 12 JUGADORES
POR HORA. SI SE SUPONE UNA DISTRIBUCIÓN DE POISSON, CUÁL ES LA
PROBABILIDAD DE QUE LLEGUEN EXACTAMENTE TRES JUGADORES EN:
12.1LA PRÓXIMA HORA
12.2EL PRÓXIMO MINUTO
13. SE HA DETERMINADO QUE DE 20 CHEQUES PRESENTADOS AL BANCO UNION PARA
SU COBRO 5, NO ESTAN BIEN REGISTRADOS. SI SE TOMAN 4 CHEQUES PARA
ANALIZARLOS. CUAL ES LA PROBABILIDAD DE QUE:
1.1. TRES DE ELLOS NO ESTEN BIEN REGISTRADOS
1.2. POR LO MENOS 3 NO ESTEN BIEN REGISTRADOS
1.3. CUANDO MUCHO 3 NO ESTEN BIEN REGISTRADOS
14. UNA EMPRESA DE SEGURIDAD, ENVIÓ NUEVE GUARDIAS A UNA FÁBRICA, SÓLO
SEIS DE ELLOS ESTÁN PREPARADOS PARA HACER EL TRABAJO ENCOMENDADO.
LA FÁBRICA ELIGE CINCO DE LOS NUEVE GUARDIAS.
14.1CUÁL ES LA PROBABILIDAD DE QUE LOS CINCO ESTÉN PREPARADOS?
14.2TRES COMO MÍNIMO ESTÉN PREPARADOS?
15.PARA EVITAR QUE LO DESCUBRAN EN LA ADUANA, UN VIAJERO HA
COLOCADO 8 TABLETAS DE NARCÓTICO EN UNA BOTELLA QUE CONTIENE
12 PÍLDORAS DE VITAMINA QUE SON SIMILARES EN APARIENCIA. SI EL
OFICIAL DE LA ADUANA SELECCIONA 4 TABLETAS ALEATORIAMENTE PARA
ANALIZARLAS
15.1 ¿CUÁL ES LA PROBABILIDAD DE QUE EL VIAJERO SEA ARRESTADO
POR POSESIÓN DE NARCÓTICOS?
15.2 ¿CUÁL ES LA PROBABILIDAD DE QUE NO SEA ARRESTADO POR
POSESIÓN DE NARCÓTICOS?.
13