Clase Estadística y Proba Ing Metalúrgica

Universidad Mayor de San Andrés – Facultad de Ingeniería
Estadística
Consideraciones Generales
El término estadística se deriva del latín status, que significa estado o situación.
Ciencia de las matemáticas encargada de analizar el comportamiento de una población ………
……..mediante un estudio cuyo propósito es hacer inferencias (predicciones sobre un comportamiento de

dicha población) a partir de un subconjunto de datos, llamado muestra, tomados de la mencionada
población.
La estadística descriptiva se encarga a su vez de reunir, organizar y analizar datos numéricos, así como
ayudar a diseñar experimentos
Utilidad: Útil en la investigación científica, particularmente donde existe incertidumbre experimental.
Objeto: Toma de decisiones en presencia de incertidumbre.
3/10/2017 Jaime Ortega 1

Universidad Mayor de San Andrés – Facultad de Ingeniería
Estadística
Consideraciones Generales
Población: conjunto finito o infinito de elementos que presentan características comunes,

sobre los cuales se quiere efectuar un estudio determinado. Se define como la totalidad de los
valores posibles (mediciones o conteos) de una característica específica que se desean
estudiar en un momento determinado. Así, se puede hablar de la población de habitantes de
un país, de la cantidad de pozos productores de petróleo en cierto campo, etc.
Muestra: subconjunto de la población, seleccionado de forma tal, que sea representativo de

la población estudiada, obteniéndose con el objetivo de investigar alguna o algunas de las
propiedades de la población de la cual se desprende. Las conclusiones que se obtengan de
dicha muestra sólo podrán referirse a la población en referencia, por ejemplo la cantidad de
pozos productores activos de petróleo en determinado campo.

Estadística
1 Consideraciones Generales
Ejemplo: Se cuenta el número de partículas de oro de 3 mm. de diámetro y totalmente liberadas

que se encuentran en 24 muestras de un cierto mineral. Los resultados son:
3 0 0 1 0 2 1 0
0 3 4 1 2 0 2 0
1 0 1 2 0 2 1 0
Observaciones: Observaciones están entre 0 y 4

El valor más frecuente es 0
No se puede predecir el siguiente valor
Las variaciones no son sistemáticas. Son al azar.
Comentario Métodos estadísticos no son un substituto de leyes físicas que gobiernan un problema

Estadística
Actividad: 2 voluntarios para recolectar información sobre las edades del curso

Estadística
Al conjunto de métodos de resumir datos y calcular ciertos parámetros o estadígrafos, se le da el

nombre genérico de Estadística Descriptiva.
Datos son valores de medidas hechas sobre un o más fenómenos. Cada fenómeno medido es una variable
la cual puede ser cualitativa o cuantitativa y ésta ultima puede ser discreta o continua.
Una variable cuantitativa es la que se expresa mediante un número, por tanto se pueden realizar
operaciones aritméticas con ella.
Una variable cualitativa es aquella que representa una característica de calidad del fenómeno medido.
Ejemplo: candidatos en una elección, color, sabor, etc.

Estadística
Una variable cuantitativa discreta

Es aquella que sólo puede tomar un número finito de valores entre dos valores cualesquiera de una
característica. Ejemplo: número de personas contadas, número de partículas cósmicas por minuto,
número de productos con fallas en una línea de producción etc.
Una variable cuantitativa continua

Es aquella que puede tomar un número infinito de valores entre dos valores cualesquiera de una
característica. Ejemplo: los valores que se miden de longitud, presión, temperatura, tiempo, etc.

Estadística
Clasificar las siguientes variables en cualitativas y cuantitativas discretas o continuas.
1. La nacionalidad de una persona. Cualitativa
2. Número de litros de agua contenidos en un depósito. Cuantitativa continua
3. El área de las distintas baldosas de un edificio. Cuantitativa continua
4. Suma de puntos tenidos en el lanzamiento de un par de dados. Cuantitativa discreta.

Estadística
Cuando emplear métodos estadísticos ?
1. No se entienden por completo las leyes físicas que gobiernan un problema
2. Experimento no ha sido hecho antes.
3. No se conoce el comportamiento de un instrumental y técnica.
4. Existe presión económica y de tiempo.
5. En presencia de resultados inesperados en un experimento o en una cierta producción.

Estadística
Cuales son los pasos a seguir cuando se decide emplear métodos estadísticos ?
1. Estudiar la tecnología actual para tener información sobre posibles resultados experimentales
2. Definir el objetivo del programa de experimentos
3. Definir las variables que afectan los resultados
4. Diseñar un programa de experimentos en base a valores sucesivos de cada variable.
5. Llevar a cabo los experimentos tal que se obtengan datos precisos y exactos
6. Registrar todos los resultados ordenadamente.
7. Analizar los resultados para tomar decisiones y/o hacer predicciones (inferencia)

Estadística
2 Formas Simples de Resumir datos
Las formas más comunes de resumir datos son tablas y gráficos. En ambos casos, se muestra la
frecuencia con la que un valor de una variable ha ocurrido en un experimento dado. En otras
palabras, muestran la frecuencia de los resultados.
Métodos Gráficos
Gráfica de Barras Se emplean para variables cualitativas y para cuantitativas discretas.
Ejemplo: los resultados del experimento anterior se pueden registrar en una tabla y en una
gráfico. La variable es : número de partículas de oro; los valores de la variable son 0, 1, 2, 3 y 4:

Estadística
Tabla Gráfica de Barras
Número de partículas Frecuencia
0 10
1 6
2 5
3 2
4 1
total 24

Estadística
Histograma Se emplean usualmente con variables cuantitativa continuas.
Ejemplo: Se mide con gran precisión el contenido de estaño en 100 muestras de mineral.
Los resultados tabulados son:
Contenido de Sn Número de muestras

(% de Sn)
20 - 22 6
22 - 24 15
24 - 26 40
26 - 28 30
28 - 30 9
total 100
Estadística
Histograma Se emplean usualmente con variables cuantitativa continuas.

Estadística
Cómo dibujar un Histograma
1. Agrupar las observaciones entre 5 y 20 intervalos de clase
2. Obtener un representante de clase que es el punto medio de la clase.
3. Determinar el número de observaciones en cada clase o intervalo.
4. Construir rectángulos con centros en el representante de clase.
Ejercicio: construir el histograma de la distribución de edades de los alumnos de la clase

Estadística
Formas Simples de Resumir datos
Curva de Frecuencias
Si hay muchas observaciones, el histograma se puede reemplazar por una curva suave que pasa por
las intersecciones de los valores de frecuencia con los representantes de clase.

Estadística
Formas Simples de Resumir datos Curva de Frecuencia Acumulada
Consiste en agrupar datos sumando las observaciones de una clase con las de la anterior.
Ejemplo: de la tabla anterior se tiene:
Contenido de Número de Frecuencia

Sn (%) muestras Acumulada
20 - 22 6 6
22 - 24 15 21
24 - 26 40 61
26 - 28 30 91
28 - 30 9 100

Estadística
2 Formas Simples de Resumir datos Curva de Frecuencia Acumulada

Estadística
II Formas Simples de Resumir datos
Estadígrafos de Resumen de Datos

Además de los métodos gráficos, es útil calcular algunos parámetros que resumen el conjunto de datos.
Cualquier cantidad que es calculada a partir de datos estadísticos se llama estadígrafo.
Los más simples son de dos tipos: medidas de locación o tendencia central y medidas de dispersión.
Medidas de Posición Central

Son la media, mediana y moda.
Estas medidas asumen la representatividad del conjunto de datos.
Cuando la distribución es simétrica, todas ellas se centralizan cerca al máximo de la curva.

Estadística
La Media
Es el estadígrafo más importante de todos. Más adelante se verá que la media muestral estima el
valor esperado de una distribución; de hecho, es un estimador de máxima verosimilitud. Se
calcula mediante:
n
_ yi
y=
i =1 n
Donde : yi son las observaciones y n es el número total de observaciones.

Estadística
Formas Simples de Resumir Datos
La Media
Si los datos están tabulados en frecuencias la formula de cálculo es:
N
_  f i yi
i 1
y= N
fi
i 1
Donde N es el número de observaciones no repetidas, yi es el representante de clase y fi es la

frecuencia con la que se repite la i-ésima observación.

Estadística
La Media Ponderada
También conocida como promedio ponderado, es una media aritmética en donde cada uno de los
valores se pondera de acuerdo con su importancia en el grupo en general. Esto es, que a cada valor
yi se multiplica por el factor de ponderación correspondiente, wi , tras de lo cual los productos se
suman para posteriormente dividirse entre la suma de las ponderaciones.
La fórmula de cálculo es:

n
_  wi y i
i 1
y= n
 wi
i 1

Estadística
La Media Ponderada
Ejemplo: Se tiene cuatro de líneas de productos: A B, C, D y cada línea deja un margen de utilidad y
tiene un cierto nivel de ventas, según se muestra en la tabla abajo. Cual es la media del margen de
utilidades?
Línea de Margen de Utilidad Ventas (US$) n
Productos en % (w) y w
i 1
i i
(y)
A 4.2 30,000 126,000
B 5.5 20,000 110,000
C 7.4 5,000 37,000
D 10.1 3,000 30,300
Total 58,000 303,300

Estadística
_
4.2  5.5  7.4  10.1
La Media Aritmética y (arit) =  6.8%
4
_
303,300
La Media Ponderada y=  5,23%
58,000
Utilizar la media aritmética de 6.8 % es asumir –erróneamente- que todos los productos tienen el mismo
volumen de ventas y que se puede esperar un margen de utilidad de 6.8% para todos.
Ejercicio: calcular la media ponderada de los habitantes de La Paz, Oruro y Cochabamba.

Estadística
La Mediana
Es el valor de clase que corresponde al 50% de las observaciones. Se la utiliza en ocasiones en lugar de
la media, especialmente en casos de distribución asimétrica. La mediana es una medida de la acción de
contar y por tanto no esta afectada por valores extremos.
Si y1, y2, y3, ….yn son los datos de una muestra ordenada, entonces:
𝑀𝑒 = 𝑦 𝑛+1 con n par

2
𝑦𝑛 +𝑦𝑛
2 2 +1
𝑀𝑒 = 2
con n impar

Estadística
Formas Simples de Resumir Datos Medidas de Dispersión
Ejemplo: un estudio de gente afectada por una enfermedad reveló que la mayoría de las personas
afectadas estaban por debajo de los dos años y por encima de los setenta; seria por tanto engañoso
concluir simplemente que el "promedio de edad de la gente afectada es 36 años" sabiendo que los
datos están dispersos sobre casi todo el rango de la vida humana.
Es importante saber cuan dispersos están los datos pues:
- Permite juzgar la confiabilidad de la medida de tendencia central. Si los datos se encuentran

ampliamente dispersos, la posición central es menos representativa.
- Una amplia dispersión de valores con respecto al centro de distribución presenta riesgos
generalmente inaceptables

Estadística
Toda medida de posición central, para tener una adecuada interpretación, debe estar acompañada
de una de dispersión. Las más comunes son: el rango, la desviación media absoluta, la varianza,
la desviación estándar y el coeficiente de variación.
El Rango
Diferencia entre el valor de la mayor y la menor observación. Útil para comparar la variabilidad de
muestras de igual tamaño. Es muy sensitivo al número de observaciones y por tanto no es una
característica descriptiva de una población.

Estadística
La Desviación Media Absoluta (MAD)
Es el promedio de las desviaciones absolutas respecto de la media. Es decir:


n
yyi
M.A.D = 
i =1 n

Estadística
Medidas de Dispersión: La Varianza Muestral y la Desviación Estándar
Ambas dan una medida de la dispersión de los datos alrededor de la media. Cuando los valores
estén más alejados los unos de los otros, mayor será el valor de la Varianza y de la desviación
estándar.
𝑛
𝑦𝑖 − 𝑦 2
La Varianza Muestral se calcula mediante: 𝑆2 =
𝑛−1
𝑖=1
𝑛
𝑦𝑖 − 𝑦 2
La desviación estándar es la raíz cuadrada de la Varianza: 𝑆=
𝑛−1
𝑖=1
La desviación estándar tiene las mismas unidades que las medidas originales y por esta razón se la
prefiere como un estadígrafo de dispersión; sin embargo, para propósitos de análisis teórico y de
cálculo, se trabaja generalmente con varianzas.
Estadística
La Varianza Muestral y la Desviación Estándar
Aproximadamente 68% de los

valores de la población cae
dentro de ±1 desviación estándar
a partir de la media.
Aproximadamente 95% de los

valores estará dentro de ±2
desviaciones estándar a partir
de la media

Estadística
La Varianza Muestral y la Desviación Estándar
𝑛 𝑛
𝑦𝑖 − 𝑦 2 𝑦𝑖 − 𝑦 2
𝑆2 = 𝑆=
𝑛−1 𝑛−1
𝑖=1 𝑖=1
El uso de (n-1) en lugar de n en el denominador confunde a muchas personas. Es el número de grados

de libertad de una suma de cuadrados, es igual al número de elementos independientes en dicha suma.

Estadística
II Formas Simples de Resumir Datos
𝑛 𝑛
2
𝑦𝑖 − 𝑦 𝑦𝑖 − 𝑦 2
𝑆2 = 𝑆=
𝑛−1 𝑛−1
𝑖=1 𝑖=1
En Estadística, la suma de los residuos es necesariamente 0 ya que existen variables con valores
superiores e inferiores a la media.
𝑛 𝑛
𝑦𝑖 − 𝑦 = 𝑦𝑖 − 𝑛𝑦 = 𝑛𝑦 − 𝑛𝑦 = 0
𝑖=1 𝑖=1

Estadística
𝑛 𝑛
𝑦𝑖 − 𝑦 = 𝑦𝑖 − 𝑛𝑦 = 𝑛𝑦 − 𝑛𝑦 = 0
𝑖=1 𝑖=1
Ahora imaginemos que se tienen 3 valores de y que se pueden modificar arbitrariamente, pero con la
condición de que la suma de los residuos sea 0. Se puede utilizar cualquier cantidad a dos de los tres
valores de y, porque el otro va a estar dado por la fórmula, es decir que tienes dos grados de libertad
En aquellas raras ocasiones cuando se conoce la media poblacional, la formula de la varianza tendrá
N en el denominador, donde N es el número de elementos de la población.

Estadística
La Varianza Poblacional y la Desviación Estándar de la Población
𝑁 𝑁
2 2
𝑦𝑖 − 𝜇 𝑦𝑖 − 𝜇
𝜎2 = 𝜎=
𝑁 𝑁
𝑖=1 𝑖=1
Donde μ es la media poblacional y N el número de elementos de la población

Teoría de Probabilidades
Concepto de Probabilidad
Probabilidad es la posibilidad de ocurrencia de un cierto evento en un experimento dado. La teoría de

probabilidades permite medir dicha posibilidad.
Estadística y Probabilidad
La relación entre probabilidad y estadística puede verse mediante el siguiente ejemplo:
Un lote de 10,000 válvulas de tubería se importan para la industria petroquímica. El fabricante

especifica que el lote contiene una proporción p igual al 10 % o 0.1 de defectuosas. Si se toman
muestras de 100 válvulas, se debe esperar que existan 10 defectuosas en cada muestra; sin embargo, al
tomar varias muestras, algunas tendrán 8 defectuosas, otras tendrán 9, 10, 11, etc. La Teoría de
Probabilidades nos permite calcular la posibilidad o probabilidad de obtener un número determinado de
válvulas defectuosas en una muestra, obtenida bajo ciertas condiciones. En la realidad, la Estadística
nos permite estimar el valor de p.
Una situación real implica el conocer varios parámetros o variables (en el ejemplo anterior el
parámetro es p).
Si éstos no se conocen y tienen que ser estimados a partir de datos experimentales, se está en presencia
de un problema estadístico.
Una ves que dichos parámetros han sido estimados, ellos pueden ser utilizados para deducir el
comportamiento de una población mediante la solución a un problema probabilístico

En resumen:
La Estadística Descriptiva acumula y analiza la masa de datos numéricos provenientes de los resultados
de ciertas actividades o de la observación de fenómenos.
La Probabilidad se encarga de evaluar la posibilidad de ocurrencia de los resultados de todas aquellas

actividades en donde se tiene incertidumbre acerca de los resultados que se pueden esperar.

Definiciones y Conceptos
Experimento Aleatorio
Se llama experimento o fenómeno aleatorio a aquél cuyos resultados no se pueden predecir de

antemano en una experiencia concreta.
Se llama experimento determinista o determinístico al que, realizado en las mismas condiciones, es

posible predecir los resultados (Física del problema).
Espacio Muestral: Es el conjunto de todos los posibles resultados de un experimento aleatorio.
Punto Muestral: Es un posible resultado de un experimento (un evento) aleatorio.

Probabilidad de La Place
Cuando se pueda asegurar que se cumple el postulado de indiferencia, es decir que todos los sucesos
elementales o posibles resultados de un experimento son igualmente posibles y mutuamente excluyentes
(no pueden ocurrir dos al mismo tiempo) entonces se define que la probalidad de ocurrencia de un evento
cualquiera (a) se la puede estimar mediante:
número de casos favorables

P(a) 
número de casos posibles

Probabilidad de La Place
Se observó que en 9 de cada 50 vehículos que pasan por una cierta esquina, los conductores no
tienen cinturón de seguridad. Si un vigilante de tránsito se para en esa misma esquina en un día
cualquiera ¿Cuál será la probabilidad que detenga un vehículo sin cinturón de seguridad?
frecuencia observada de casos favorables 9

P(a)    0.18
frecuencia observada de casos posibles 50
Tanto el enfoque clásico (teórico) como el enfoque empírico conducen a valores objetivos de
probabilidad, en el sentido de que los valores de probabilidad indican en el largo plazo la tasa
relativa de ocurrencia del evento.

Probabilidad Puntual o Probabilidad del Punto Muestral
Es la frecuencia de ocurrencia del evento en muchas repeticiones del experimento.
Si se designa un evento con y, la probabilidad de su ocurrencia se expresa por P(y).
Ejemplos:
1.- Se lanza una moneda regular (experimento), el Espacio Muestral es Cara y Cruz, es decir Ca y Cr. La
probabilidad de ocurrencia de Cara es igual a la de Cruz y se denota por: P(Ca) = P(Cr) = 1/2.

Probabilidad del Punto Muestral
2.- Se lanzan dos dados. El Espacio Muestral consiste de 36 combinaciones que se muestran abajo.
1,1 1,2 1,3 1,4 1,5 1,6
2,1 2,2 2,3 2,4 2,5, 2,6
3,1 3,2 3,3 3,4 3,5 3,6 Cada uno de los 36 puntos
4,1 4,2 4,3 4,4 4,5 4,6 muestrales tiene la misma
probabilidad de ocurrencia. Por la
5,1 5,2 5,3 5,4 5,5 5,6
simple inspección de la tabla
6,1 6,2 6,3 6,4 6,5 6,6
anterior se tiene que:
P(suma de dos dados sea siete) = 6/36 = 1/6
P(suma de dos dados sea siete u once) = 6/36 + 2/36 = 2/9 Return
Definiciones y Conceptos: Tipos de Eventos
a) Eventos Mutuamente Excluyentes
Dos eventos E1 y E2 son mutuamente excluyentes si ambos no pueden ocurrir al mismo tiempo. En
términos de probabilidad esto se expresa por:
P(E1 ó E2) = P(E1) + P(E2)
b) Eventos que no son Mutuamente Excluyentes
Dos eventos E1 y E2 no son mutuamente excluyentes si ambos pueden ocurrir al mismo tiempo. En
términos de probabilidad esto se expresa por:
P(E1 ó E2) = P(E1) + P(E2) - P(E1 y E2)
Donde P(E1 y E2) es la probabilidad que ambos eventos ocurran.

Ejemplo: Se lanzan dos dados, cual es la probabilidad que la suma sea 7 (E1 ) o al menos uno de los dados
sea 3 (E2 )?
Examinando la tabla anterior se tiene:
Posibles resultados de E1 (1,6), (2,5), (3,4), (4,3) (5,2), (6,1) P(E1) = 6/36
Posibles resultados de E2 (1,3), (2,3), (3,3), (4,3), (5,3), (6,3), P(E2) =11/36
(3,1), (3,2), (3,4), (3,5), (3,6)
Posibles resultados de E1 y E2 (3,4), (4,3) P(E1 y E2) = 2/36
Por lo tanto P(E1 ó E2) = P(E1) + P(E2) - P(E1 y E2) = 6/36 + 11/36 - 2/36 = 15/36
43
3/10/2017 Jaime Ortega

Ejemplo: Se tienen cinco libros de distintas materias: Matemática, Biología, Química, Física y Lenguaje.
Si se toma uno de ellos, ¿cuál es la probabilidad de que este sea de matemática o de física?
Solución:
Sean los eventos: E1 =Tomar el libro de Matemáticas. E2 =Tomar el libro de Física.
La probabilidad pedida es: P(E1 ó E2) = P(E1) + P(E2) - P(E1 y E2)

P(E1 ∪ E2) = P(E1) + P(E2) - P(E1 ∩ E2)
Como E1 y E2 son eventos mutuamente excluyentes: P(E1 ∩ E2) = 0
Por lo tanto nos queda: P(E1 ∪ E2) = P(E1) + P(E2) = 1/5 + 1/5 = 2/5

Definiciones y Conceptos : Probabilidad Condicional
La probabilidad condicional de un evento E1, dado que un evento E2, sucedió se calcula mediante:
P(E1/E2) = P(E1 y E2)/P(E2) o bien:
P(E1/E2) = P(E1 ∩ E2)/ P(E2)
Ejemplo: Se lanzan dos dados, dado que al menos un dado es 3, cual es la probabilidad que la suma sea 7?
E2 = al menos un dado es 3 = 11/36 E1 = la suma es 7 = 2/36 por tanto:
P(E1/E2) = P(E1 ∩ E2)/P(E2) = (2/36) / (11/36) = 2/11

Definiciones y Conceptos : Probabilidad Condicional
Ejemplo: en una oficina existen 100 computadoras. Unas son marca Canon(C ) y otras Dell (D).
Además algunas son nuevas (N) y otras usadas (U); según la siguiente tabla:
C D Total Se escoge una computadora al azar y ésta es nueva. Cuál la probabilidad

N 40 30 70 que sea Canon?
U 20 10 30 Usando la definición de probabilidad condicional:
Total 60 40
E2 = la computadora es nueva = 70/100 E1 = la computadora es Canon = 60/100
por tanto: P(E1/E2) = P(E1 ∩ E2)/P(E2) = (40/100) / (70/100) = 4/7

Definiciones y Conceptos : Eventos Dependientes e Independientes
Se dice que dos eventos E1 y E2 son independientes si: P(E1/E2) = P(E1).
Se dice que dos eventos E1 y E2 son dependientes si: P(E1/E2) ≠ P(E1).
Ejemplo: dos lanzamientos sucesivos de dos dados son sucesos independientes. La probabilidad que la
suma sea 7: 6/36, es la misma en ambos lanzamientos !
Nota .- Existe una creencia popular llamada "ley del promedio". Según esto, si en el primer lanzamiento la
suma fue 7, la probabilidad que la suma sea 7 en el segundo lanzamiento es menor. Esto implicaría que
los dados tienen algún tipo de memoria !
Si dos sucesos E1 y E2 son independientes, entonces: P(E1 ∩ E2) = P(E1) P(E2)

Definiciones y Conceptos : Permutaciones sin repetición
El número de maneras en las cuales se puede seleccionar r objetos de n distintos, tomando en cuenta
el orden de selección y sin que estos objetos se repitan, se llama número de permutaciones de n
objetos tomados de r, y se denota por:
n
P r
La formula de cálculo es:

n!
n
Pr  n(n  1)......(n  r  1) 
(n  r )!
Ejemplo: la combinación de una cerradura es en realidad una permutación en la que el orden importa

Definiciones y Conceptos : Permutaciones sin repetición
Ejemplo: se establece un mecanismo de seguridad de una cerradura en 4 dígitos (clave). Cuantas

claves se pueden establecer?
Aplicando la formula de cálculo:
n! 10! 10  9  8  7  6!
n
Pr  n(n  1)......(n  r  1)     5040
(n  r )! (10  4)! 6!
Con 5 dígitos: 30240

Con 6 dígitos: 151200

Definiciones y Conceptos : Combinaciones
El número de maneras en las cuales se puede seleccionar r objetos de n distintos, sin tomar en cuenta el
orden de selección.
En términos matemáticos, se llama número de combinaciones de n objetos tomados de r, se denota por:

n
C r
n n!
C r   r   (n  r )!r!
n
La formula de cálculo es:
 
Ejemplo: Un inspector toma muestras de 5 artículos de un lote de 100.
100 100!
   
100
Cuantas muestras distintas puede obtener? C5  5  (100  5)!5!
Si el lote tiene un articulo defectuoso, cuantas muestras distintas que contenga el articulo defectuoso
puede obtener ?.
Si es condición que uno de los artículos sea defectuoso, entonces se necesita encontrar el número de
maneras muestras de cuatro artículos tomados de los restantes 99. Es decir:
 99  99!
C4    
99
 4  (99  4)!4!

Cual es la probabilidad de obtener una muestra que tenga el articulo defectuoso?
La probabilidad de tomar una muestra que contenga el articulo defectuoso estará dada por el
cociente entre las muestras que tienen el artículo defectuoso y todas las muestras que se puedan
extraer.
Número de casos posibles: 100𝐶5 Número de casos posibles: 99𝐶4
99C4
p  0.05
100 C5

Ejemplo: El número de partidos de futbol de una liga de 11 equipos.
11 11! 11  10  9!
11  
C 2   2   (11  2)!2!  9!2!  55

Definiciones y Conceptos : Variables Aleatorias
La definición formal menciona que una variable aleatoria o variable estocástica es una función que
asigna un valor, usualmente numérico (número real), a un resultado del Espacio Muestral de un
experimento aleatorio.
En términos simples, una variable aleatoria es la forma de asignar un número particular, a un

resultado experimental dado.
Se utilizan letras mayúsculas X, Y, ... para designar variables aleatorias, y las respectivas minúsculas
(x, y, ...) para designar valores concretos de las mismas.
De manera similar a los "datos" o características en observación, mencionados en la Sección de

Estadística Descriptiva, la variables aleatorias también pueden ser discretas o continuas.

Ejemplo 1:
Experimento: medir la temperatura en escala Kelvin.
Variable aleatoria: valores medidos de temperatura
La variable aleatoria es continua pues tomará valores entre cero e infinito
Si se denota a la variable con Y, entonces: Y= ( 0 ≤ T ≤ ∞) donde T es la temperatura.

Ejemplo 2:
Experimento: se lanza una moneda dos veces
Variable aleatoria: número de caras
La variable es discreta pues tomará valores de 0,1 y 2. Es decir: Y=(0,1,2)
Otras variables son: la Media, la Varianza y la Desviación Estándar.

Distribuciones de Probabilidad
La distribución de probabilidad de una variable aleatoria, es una función que asigna a cada valor
posible de dicha variable aleatoria, una probabilidad de ocurrencia del mencionado valor.
Distribución de Probabilidades Discreta

Se utilizan letras mayúsculas X, Y, ... para designar variables aleatorias, y las respectivas minúsculas
(x, y, ...) para designar valores concretos de las mismas.
Si una variable aleatoria discreta Y, puede tomar valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , donde pi ≥ 0, para todo i, entonces tal situación define una
Distribución de Probabilidades Discreta.
La probabilidad que Y tome un valor particular y, se denotará como P(Y = y) o simplemente como P(y).

Distribuciones de Probabilidad Distribución de Probabilidades Discreta
La figura ilustra una distribución

hipotética de probabilidad discreta,
donde la altura de la función p(y) es
la que representa la probabilidad..

Definición de función de distribución
En términos matemáticos, una función de distribución de probabilidades, en el caso de una variable

aleatoria discreta, es la función de distribución acumulada:
𝐹 𝑌 = 𝑃 𝑌 ≤ 𝑦 ; ∀𝑦 ∈ 𝐸𝑠𝑝𝑎𝑐𝑖𝑜 𝑀𝑢𝑒𝑠𝑡𝑟𝑎𝑙
Para dos números reales cualesquiera a y b con a < b tenemos entonces que
P (a < y ≤ b) = P (y ≤ b) - P (y ≤ a)
P (a < y ≤ b) = F(b) – F(a)

Definición de función de distribución
Si a, b, c con a < b < c, son valores consecutivos de una variable aleatoria discreta, tenemos entonces
que:
P (y ≥ a ) = 1- P (y ≤ a-1 ) Donde a-1 es el número anterior a a
P (y ≥ b ) = 1- P (y ≤ a )
P (y ≥ c ) = 1- P (y ≤ b )

Ejemplo: Se lanzan dos dados regulares

Variable Aleatoria: La suma de los números de los dos dados
Valores de la variable: Y = (2,3,4,............11,12)
Por inspección a la tabla anterior la Distribución de Probabilidades será: (trabajo de alumnos)
P(Y=2) = P(2) = 1/36 P(Y=3) = P(3) = 2/36 P(Y=4) = P(4) = 3/36
P(Y=5) = P(5) = 4/36 P(Y=6) = P(6) = 5/36 P(Y=7) = P(7) = 6/36
P(Y=8) = P(8) = 5/36 P(Y=9) = P(9) = 4/36 P(Y=10) = P(10) = 3/36
P(Y=11) = P(11) = 2/36 P(Y=12) = P(12) = 1/36

Ejemplo: Se desea realizar un estudio sobre el número de crías en una camada de algún mamífero. Se
sabe que el número máximo de crías es 3.
Variable Aleatoria: Y = número de crías en una camada.
Y toma los valores: y = 0,1,2,3
Se sabe también ( por estudios de frecuencia) que las probabilidades son:
P(Y=0) = 0.2
P(Y=1) = 0.3
P(Y=2) = 0.3
P(Y=3) = 0.2

La Función Acumulada de Distribución de Probabilidades o Función de Probabilidades se presenta

como sigue:
0.0 𝑦<0
P(Y=0) = 0.2 0.2 0 ≤ 𝑦 < 1
P(Y=1) = 0.3 𝐹 𝑌 = 0.5 1 ≤ 𝑦 < 2
P(Y=2) = 0.3 0.8 2 ≤ 𝑦 < 3
P(Y=3) = 0.2 1.0 𝑦≥3

0.0 𝑦<0
0.2 0 ≤ 𝑦 < 1
𝐹 𝑌 = 0.5 1 ≤ 𝑦 < 2
0.8 2 ≤ 𝑦 < 3
1.0 𝑦≥3
Cuál es la probabilidad que una camada

tenga dos crías?
P(Y=2) = F(2) – F(1) = 0.3

Distribución Binomial
Supóngase que se repiten n veces un experimento el cual puede ser un éxito, con probabilidad p,
o un fracaso con probabilidad (1-p).
El número de éxitos será un número entero entre 0 y n.

Se define la variable aleatoria binomial, Y, como el número de éxitos en las n repeticiones.
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 r-éxitos y (n-r) fracasos, el total de
posible combinaciones de éxitos y fracasos es:
n
Cr
Se repite n veces un experimento el cual puede ser un éxito, con probabilidad p, o un fracaso con
probabilidad (1-p). El número de éxitos será un número entero entre 0 y n.
Considerar todas las maneras posibles de obtener r-éxitos y (n-r) fracasos, el total de combinaciones de
éxitos y fracasos es:
n
Cr
Por lo tanto, la probabilidad de tener r éxitos (Función de probabilidad de la Distribución Binomial )
está dada por:
n r
P(Y  r )  P(r ) Cr p (1  p)
n r
Es condición indispensable que:  P(r )  1

r 0

Media y Varianza de la Distribución Binomial
Media
Si Y es una variable aleatoria discreta que toma valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , con pi ≥ 0, para todo i, entonces el valor esperado (medio) de Y esta dado
por:
N
E (Y )   yi pi
i 1
Para una distribución Binomial se tiene:
N
E (Y )   C r p (1  p) nr r  np
n
r
r 0

Media
Es importante notar que si una población puede ser descrita por una distribución Binomial, entonces el
valor esperado de la distribución es igual al valor teórico de la media poblacional, es decir:
E (Y )    np

Varianza
Si Y es una variable aleatoria discreta que toma valores y1 , y2 , y3 , ... yn con probabilidades de
ocurrencia p1 , p2 , p3 , ... pn , con pi ≥ 0, para todo i, entonces la varianza de Y está dada por:
varianza(Y ) = E[ (Y -  ) 2 ]
Para una distribución Binomial se tiene:
N
   (r  np)  nr
 np(1  p)
n
2 2 r
Cr p (1 p )
r 0

Varianza
Al igual que en el caso de la media, si una población puede ser descrita por una distribución de
probabilidades, entonces el entonces la Varianza de la distribución es igual a la Varianza poblacional. Es
decir:
N
  i
  
2 2
( y ) pi
i 1

Ejemplos
En un laboratorio de control de calidad de una empresa eléctrica, se inspecciona una muestra al azar de
10 alternadores instalados. Si se sabe que el 20% de los alternadores están defectuosos. Cuál es la
probabilidad de que en la muestra:
a) ninguno esté defectuoso
𝑃 𝑌 = 0 = 𝑃 0 = 𝑏 𝑦 = 0; 𝑛 = 10, 𝑝 = 0.2
10!
= ×0.20 ×(1 − 0.2)10−0 = 0.810 = 0.1074
10 − 0 ! 0!

Ejemplos
b) uno salga defectuoso
𝑃 𝑌 = 1 = 𝑃 1 = 𝑏 𝑦 = 1; 𝑛 = 10, 𝑝 = 0.2
10!
= ×0.21 ×(1 − 0.2)10−1 = 0.2684
10 − 1 ! 1!

Ejemplos
c) dos salgan defectuosos
𝑃 𝑌 = 2 = 𝑃 2 = 𝑏 𝑦 = 2; 𝑛 = 10, 𝑝 = 0.2
10!
= ×0.22 ×(1 − 0.2)10−2 = 0.3020
10 − 2 ! 2!

Ejemplos
a) al menos dos salgan defectuosos
𝑃 𝑌 ≥2 =1−𝑃 𝑌 ≤1
= 1 − 𝐵 𝑦 ≤ 1; 𝑛 = 10, 𝑝 = 0.2
= 1 − 0.1074 + 0.2684 = 0.6242
Note que: P y≤ 1) = P(Y=0) + P(Y=1)= P(0) + P(1)

Ejemplos
a) más de tres estén con defectos
𝑃 𝑌 ≥ 3 = 1 − 𝑃 𝑦 ≤ 2 = 1 − 𝐵 𝑦 ≤ 2; 𝑛 = 10, 𝑝 = 0.2
= 1 − 0.1074 + 0.2684 + 0.3020 = 0.3222
Note que: P(y≤ 2) = P(Y=0) + P(Y=1) + P(Y=2) = P(0) + P(1) + p(2)

Calcular probabilidades
binomiales es tedioso incluso
para valores relativamente
pequeños de n. Cuando n se
hace grande, se hace casi
imposible sin ayuda de una
calculadora o computadora.
Existen tablas de
probabilidades binomiales
acumulativas 1, para
valores de n que van de 2 a
4 y para valores
seleccionados de p.

EXCEL

EXCEL
P(Y=r)
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7

EXCEL
r F(Y) Función de Disribución F(Y)

0 0,1074 1
1 0,3758 0,9
2 0,6778 0,8
3 0,8791 0,7
4 0,9672 0,6
5 0,9936 0,5
6 0,9991 0,4
7 0,9999 0,3
8 1 0,2
9 1 0,1
10 1 0
0 1 2 3 4 5 6 7 8 9 10

EXCEL (si n = 100)
P(Y=r)
0,12
0,1
0,08
0,06
0,04
0,02
0
0 5 10 15 20 25 30 35 40
-0,02
EXCEL (si n = 100)
F(Y)
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 5 10 15 20 25 30 35 40

Gráficas de la Distribución Binomial
La ﬁgura muestra una

distribución binomial
con n = 10 pero con
diferentes valores de r.
Cuando p=0.5, la
distribución es
exactamente simétrica
alrededor de la media:
μ=np = 10×0.5.

Gráficas de la Distribución Binomial
Cuando p = 0.9, la distribución es la “imagen espejo” de la distribución para p =0.1 y está sesgada a la
izquierda.

La Distribución de Poisson
La distribución de Poisson es una distribución de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia, la probabilidad de que ocurra un determinado número de eventos r, durante
cierto período de tiempo. El parámetro r, es siempre un número entero.
La distribución de probabilidad de Poisson esta dada por:

P(r )  e  con r = 0,1,2 ... con   0

r
Donde:
r!
- λ es un número positivo que representa el número de veces que se espera que ocurra el fenómeno
durante un intervalo dado.
- e es la base de los logaritmos naturales (e = 2,71828...)
Puede demostrarse que:


 P(r )  1
r 0
Estas probabilidades pueden calcularse utilizando la siguiente ecuación de recurrencia:
 P(r )
P (r  1) 
(r  1)

La distribución de Poisson se utiliza principalmente para describir el número de accidentes que pueden
ocurrir en un cierto intervalo de tiempo y como aproximación a la distribución Binomial cuando el
parámetro p es pequeño.
En la definición de la distribución se tomaron en cuenta las siguientes consideraciones:
• Eventos ocurren al azar en un intervalo de tiempo, a una frecuencia promedio de eventos por unidad
de tiempo.
• En un intervalo de tiempo de duración t , ocurren en promedio (λt ) eventos.
• El número de accidentes en dos intervalos de tiempo diferentes es independiente el uno del otro.
• Cada evento tiene dos posibles resultados mutuamente excluyentes

N
Puede demostrarse que: E ( y )  Varianza( y )   rP(r )  t
r 0
La distribución de Poisson como

aproximación a la distribución Binomial
puede emplearse cuando n > 20 y =
np < 5. La distribución de
probabilidades se puede graficar para
varios valores de λ, como se muestra a
continuación.

Ejemplo: En una cierta mina, el número de accidentes no fatales se distribuye con la distribución de
Poisson. Por registro de accidentes a lo largo de años, se ha determinado que el número promedio de
accidentes es de λ =6 accidentes por año. Cual es la probabilidad de tener un año con menos de dos
accidentes ?
Sea Y = numero de accidentes por año.


P( r )  e   e 6
r 6 r
La ecuación a emplearse es:
r! r!
Lo que se pide es: P(Y < 2)

Ejemplo: En una cierta mina, el número de accidentes no fatales se distribuye con la distribución de
Poisson. Por registro de accidentes a lo largo de años, se ha determinado que el número promedio de
accidentes es de λ =6 accidentes por año. Cual es la probabilidad de tener un año con menos de dos
accidentes ?
En EXCEL:

La Distribución de Poisson - Usos
 El número de autos que pasan a través de un cierto punto en una ruta (suficientemente distantes de los
semáforos) durante un periodo definido de tiempo.
 El número de llamadas telefónicas en una central telefónica por minuto.
 El número de servidores web accedidos por minuto.
 La distribución de la riqueza humana.
 Número de préstamos solicitados en un ente financiero

La Distribución de Bernoulli
La distribución de Bernoulli (o distribución dicotómica), es una distribución de probabilidad discreta, que

toma valor 1 para la probabilidad de éxito, p, y valor 0 para la probabilidad de fracaso q, donde q=1-p.
La distribución de Bernoulli (o distribución dicotómica), es una distribución de probabilidad discreta, que

toma valor 1 para la probabilidad de éxito, p, y valor 0 para la probabilidad de fracaso q, donde q=1-p.
𝑌~𝐵𝑒(𝑝)
La función de probabilidad es:

𝑓 𝑦 = 𝑝𝑦 1 − 𝑝 1−𝑦

Ejemplo: Se lanza una moneda. Se trata de un sólo experimento, con dos resultados posibles
resultados : cara y cruz.
Se define la variable aleatoria como: "número de cruces que salen en un lanzamiento".
Se trata de un sólo experimento, con dos resultados posibles: el éxito (p) se considerará sacar cruz y vale
0.5. El fracaso (q) que salga cara, q=1 - p =1– 0.5 = 0.5.
La variable aleatoria Y se la representa como: 𝑌~𝐵𝑒 0.5
La distribución de probabilidades será: 𝑃 𝑌 = 0 = 𝑃 0 = 0.50 0.51 = 0.5

𝑃 𝑌 = 1 = 𝑃 1 = 0.51 0.50 = 0.5
Ejemplos:
La meta
. de ventas mensuales se logra o supera con una probalidad p, o no se logra con una probabilidad q
Un tratamiento médico puede ser efectivo con probabilidad p, o inefectivo con probabilidad q.

Distribuciones Bi-variantes Discretas
Hasta ahora se han considerado distribuciones de probabilidades para una sola variable aleatoria discreta.
Tales distribuciones pueden ser extendidas a situaciones en las cuales dos variables aleatorias, X e Y,
pueden ser estudiadas simultáneamente.
La Probabilidad Conjunta que X tome un valor particular x, y que Y tome un valor y , se denota por:
P(Y,X) = P(X=x, Y=y)

La anterior función es tal que:
𝑃 𝑥, 𝑦 = 1
𝑥,𝑦

Distribuciones Bi-variantes Discretas P ( X  x )   P ( x, y )

y
La probabilidad de obtener un valor particular de una
variable aleatoria sin tener en cuenta el valor de la
P(Y  y )   P( x, y )
otra se llama probabilidad marginal y se calcula
mediante:
x
Ejemplo analizado en la Sección de Probabilidad Condicional, sólo que con tres categorías:
En una oficina existen 100 computadoras. Unas son marca Canon(C ) y otras Dell (D) y otras de marca Sony
(S). Además algunas son nuevas (N) y otras usadas (U) y un grupo no están siendo empleadas (NE); según la
siguiente tabla:

X
C D S Total
Y N 15 28 15 58
U 10 8 10 28
NE 3 4 7 14
Total 28 40 32 100

Distribuciones Bi-variantes Discretas En términos de probabilidades:
X
C D S Total
Y N 0.15 0.28 0.15 0.58

U 0.10 0.08 0.10 0.28
NE 0.03 0.04 0.07 0.14
Total 0.28 0.40 0.32 1

X La Distribución Marginal de X, es decir la distribución de

probabilidad que las computadoras sean de una u otra marca
C D S Total
(C,D,S) es la suma a lo largo de Y.
N 0.15 0.28 0.15 0.58
Y U 0.10 0.08 0.10 0.28

NE 0.03 0.04 0.07 0.14
Total 0.28 0.40 0.32 1


La Distribución Marginal de Y, es decir la distribución de
X
probabilidad que las computadoras sean Nuevas, Usadas o
C D S Total No Empleadas (N,U,NE) es la suma a lo largo de X.
N 0.15 0.28 0.15 0.58
Y U 0.10 0.08 0.10 0.28
NE 0.03 0.04 0.07 0.14
Total 0.28 0.40 0.32 1

DISTRIBUCIONES CONTINUAS
Hasta ahora se consideraron distribuciones Distribución de Muestras de Mineral de Estaño
discretas donde la variable aleatoria puede 50
tomar solamente un conjunto discreto de
Número de Muestras (frecuencia)

42
valores. En esta sección se considerarán 40

35 35
distribuciones continuas donde la variable
aleatoria puede tomar cualquier valor en 30
23 23
algún intervalo especifico.
20
17 17
Se vio la manera en la cual observaciones 11 11

hechas sobre una variable continua pueden 10
7 7
5 5
ser representadas en un histograma. En tanto 1
2
3 3
2
1
se hagan más y más observaciones y el 0

7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43
intervalo de clase se haga mas pequeño, el Contenido de Sn (%)

histograma puede aproximarse por una curva
continua llamada curva de frecuencia
DISTRIBUCIONES CONTINUAS
En el gráfico, si el contenido de Distribución de Muestras de Mineral de Estaño
estaño de las muestras analizadas se 50
considera una variable aleatoria (Y) y
Número de Muestras (frecuencia)

42
la curva puede describirse en términos 40

35 35
estándares tal que el área bajo la
misma sea igual a la unidad, entonces 30
el gráfico se llama curva de 23 23
probabilidad. 20
17 17
11 11
La altura de la curva de 10
7 7
5 5
probabilidad en cualquier punto Y 1
2
3 3
2
1
se denota por f(y) y a esta función 0
7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43
se la llama función de densidad de

Contenido de Sn (%)
probabilidades o f.d.p.

Distribuciones Continuas
La función de densidad de probabilidades debe satisfacer las siguientes condiciones:
(a) f ( y )  0 para todo y

(b)  f ( y)dy  1

(c) Para cualquier a, b tal que    a  b  

b
se tiene que : P(a  Y  b)   f ( y )dy
a

Observaciones
Con respecto a las tres propiedades anotadas debe decirse lo siguiente:
1.- La función es siempre positiva.
2.- El área bajo la curva (suma de las probabilidades) es igual a uno
3.- Cuando la variable aleatoria es continua, sólo se puede encontrar la probabilidad de

observar un valor en un cierto rango lo que implica que el valor de f(y) NO ES LA
PROBABILIDAD de observar Y. Esto último se debe al hecho que los valores posibles de Y
no son contables, no se puede hablar del i-ésimo valor de Y ; por lo tanto p(yi) no tiene
significado alguno.

Observaciones
3.- Cuando la variable aleatoria es
continua, sólo se puede encontrar la
probabilidad de observar un valor en
un cierto rango lo que implica que el
valor de f(y) NO ES LA
PROBABILIDAD de observar Y. Esto
último se debe al hecho que los
valores posibles de Y no son contables,
no se puede hablar del i-ésimo valor
de Y y por lo tanto p(Yi) no tiene
significado alguno.

Función de Distribución Acumulada Su gráfico consiste en una curva sigmoidal similar a

la observada en la sección de Est. Descriptiva.
Otra forma de describir una distribución
Frecuencia Acumulada
de probabilidades es mediante la función
de distribución acumulada (f.d.a) 300
definida como: 250
200
Frecuencia
xo
 f ( y)dy
150
F (Y )  100

50
0
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Contenido de Estaño

Distribuciones Continuas: Media y Varianza
Valor Esperado (Media) El valor esperado de una variable aleatoria continua esta dado por:

E (Y )   yf ( y)dy

Varianza La Varianza de una variable aleatoria continua esta dada por:

Varianza (Y )  E[(Y   ) 2 ]   (Y   ) 2 f ( y )dy donde   E (Y )


Distribución Normal
La Distribución Normal, también llamada Distribución de Gauss o Distribución Gaussiana, es la

distribución de probabilidad que con más frecuencia aparece en estadística y teoría de probabilidades.
Esto se debe a dos razones fundamentalmente:
 Su función de densidad es simétrica y con forma de campana, lo que favorece su aplicación como
modelo a gran número de variables estadísticas.
 Es el límite de otras distribuciones y aparece relacionada con multitud de resultados ligados a la

teoría de las probabilidades gracias a sus propiedades matemáticas:
Caracteres morfológicos de individuos, efectos fisiológicos como el efecto de un fármaco,
caracteres sociológicos como el consumo de cierto producto por un mismo grupo de individuos,
caracteres psicológicos como el cociente intelectual, errores cometidos al medir ciertas magnitudes,
valores estadísticos muestrales como la media

La función de densidad de la distribución normal es:
1 ( y   ) 2
f ( y)  e 2 2 con    y  
(2 )
donde μ y σ son parámetros tales que - ∞< μ < +∞ y σ > 0.

La gráfica de la Distribución Normal es:

La gráfica de la Distribución Acumulada de la Distribución Normal es:

Puede demostrarse que:
E (Y )   y Varianza (Y )  
Lo anterior indica que los parámetros que caracterizan a la distribución normal, μ y σ2 , son
la esperanza y Varianza de Y, respectivamente.

Distribución Normal Estándar
La integral de la función de densidad de probabilidades de la Distribución Normal, no puede evaluarse

por métodos ordinarios; sin embargo, métodos de integración numérica han sido empleados para evaluar
y tabular los resultado de dicha integral. Tal proceso se lleva a cabo haciendo la transformación:
z = (Y-μ)/σ
De esta manera, la función de densidad estándar se denota por:

z2
g ( z)  e

2 dz
En el caso de la función de distribución estándar puede probarse que μ= 0 y 𝜎 2 = 1

Distribución Normal Estándar
La gráfica de la Distribución Normal Estándar es:

Propiedades Distribución Normal Estándar
Es simétrica respecto de su media
La moda y la mediana son ambas iguales

a la media.
Los puntos de inflexión de la curva se dan

para z = μ ±σ
En el intervalo [ μ − σ , μ + σ ] se encuentra
comprendida aproximadamente, el 68,26% de la
distribución

Tablas de la Distribución Normal Estándar
La Distribución Normal Estándar se encuentra integrada y sus valores presentan en una tabla como:
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990

Tablas de la Distribución Normal Estándar
Para saber el área debajo de la curva entre 0 y 0.45, se ubica la intersección de fila de 0.4 y la columna
0.05, que corresponde al valor 0.1736. Como la curva es simétrica, la tabla también es válida para -
0.45y 0, que también tiene un área de 0.1736.
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879

Tablas de la
Distribución
Normal
Estándar
Retorno

Tablas de la
Distribución
Normal
Estándar

En EXCEL

En EXCEL

Ejemplo de Empleo de la Distribución Normal Estándar
Se sabe que los pesos individuales de tornillos de un cierto lote se distribuyen normalmente con media
μ = 2.10 gramos y desviación estándar σ = 0.15 gramos. Qué proporción (probabilidad) de tornillos
pesará más de 2.55 gramos?
Lo que se pide es calcular : P(Y > 2.55) = 1 - P(Y ≤ 2.55)
Haciendo la transformación: Z = (Y - μ )/ σ se tiene:
P(Y > 2.55) = 1 - P ( Z < (2.55 - 2.10)/0.15) )

= 1 - P( Z < 3) ver tabla
= 1 - 0.9987 = 0.0013
Conclusión: El 0.13 % de los tornillos pesan más de 2.55 gramos.
Ejemplo de Empleo de la Distribución Normal Estándar
Las resistencias individuales a la tracción de barras de un cierto material se distribuye aproximadamente
normal con media 24 Pa y desviación estándar 3. El consumidor requiere que al menos 95 % de las
barras tengan una resistencia mayor a 20 Pa. Cumplen dichas barras con las especificaciones del cliente?
Si se define a Y como la resistencia de las barras, entonces se pide verificar que :
P(Y > 20) ≥ 0.95
P(Y >20) = P[Z ≥ (20 - 24)/3 ] = P[Z ≥ -1.33]= 0.91.
Se concluye que solo 91 % de las barras tiene una resistencia mayor a 20 y por tanto el lote no
cumple con las especificaciones del cliente.

Clase Estadística y Proba Ing Metalúrgica

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Clase Estadística y Proba Ing Metalúrgica

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Mayor de San Andrés – Facultad de Ingeniería

……..mediante un estudio cuyo propósito es hacer inferencias (predicciones sobre un comportamiento de

Utilidad: Útil en la investigación científica, particularmente donde existe incertidumbre experimental.

Objeto: Toma de decisiones en presencia de incertidumbre.

3/10/2017 Jaime Ortega 1

Población: conjunto finito o infinito de elementos que presentan características comunes,

Muestra: subconjunto de la población, seleccionado de forma tal, que sea representativo de

3/10/2017 Jaime Ortega 2

Ejemplo: Se cuenta el número de partículas de oro de 3 mm. de diámetro y totalmente liberadas

Observaciones: Observaciones están entre 0 y 4

3/10/2017 Jaime Ortega 3

3/10/2017 Jaime Ortega 4

Al conjunto de métodos de resumir datos y calcular ciertos parámetros o estadígrafos, se le da el

3/10/2017 Jaime Ortega 5

Una variable cuantitativa discreta

Una variable cuantitativa continua

3/10/2017 Jaime Ortega 6

Clasificar las siguientes variables en cualitativas y cuantitativas discretas o continuas.

1. La nacionalidad de una persona. Cualitativa

2. Número de litros de agua contenidos en un depósito. Cuantitativa continua

3. El área de las distintas baldosas de un edificio. Cuantitativa continua

4. Suma de puntos tenidos en el lanzamiento de un par de dados. Cuantitativa discreta.

3/10/2017 Jaime Ortega 7

1. No se entienden por completo las leyes físicas que gobiernan un problema

2. Experimento no ha sido hecho antes.

3. No se conoce el comportamiento de un instrumental y técnica.

4. Existe presión económica y de tiempo.

5. En presencia de resultados inesperados en un experimento o en una cierta producción.

3/10/2017 Jaime Ortega 8

2. Definir el objetivo del programa de experimentos

3. Definir las variables que afectan los resultados

4. Diseñar un programa de experimentos en base a valores sucesivos de cada variable.

6. Registrar todos los resultados ordenadamente.

3/10/2017 Jaime Ortega 9

Gráfica de Barras Se emplean para variables cualitativas y para cuantitativas discretas.

3/10/2017 Jaime Ortega 10

Tabla Gráfica de Barras

Número de partículas Frecuencia

3/10/2017 Jaime Ortega 11

Histograma Se emplean usualmente con variables cuantitativa continuas.

Contenido de Sn Número de muestras

Histograma Se emplean usualmente con variables cuantitativa continuas.

3/10/2017 Jaime Ortega 13

Cómo dibujar un Histograma

1. Agrupar las observaciones entre 5 y 20 intervalos de clase

2. Obtener un representante de clase que es el punto medio de la clase.

3. Determinar el número de observaciones en cada clase o intervalo.

4. Construir rectángulos con centros en el representante de clase.

Ejercicio: construir el histograma de la distribución de edades de los alumnos de la clase

3/10/2017 Jaime Ortega 14

3/10/2017 Jaime Ortega 15

Contenido de Número de Frecuencia

3/10/2017 Jaime Ortega 16

3/10/2017 Jaime Ortega 17

Estadígrafos de Resumen de Datos

Cualquier cantidad que es calculada a partir de datos estadísticos se llama estadígrafo.

Medidas de Posición Central

Cuando la distribución es simétrica, todas ellas se centralizan cerca al máximo de la curva.

3/10/2017 Jaime Ortega 18

Donde : yi son las observaciones y n es el número total de observaciones.

3/10/2017 Jaime Ortega 19

Donde N es el número de observaciones no repetidas, yi es el representante de clase y fi es la

3/10/2017 Jaime Ortega 20

La fórmula de cálculo es: