Universidad Panamericana

Campus Guadalajara

Análisis estocástico de datos

Análisis estocástico de datos

Profesor: Avelina Alejo Reyes

 UNIVERSIDAD
PANAMERICANA

Temario
1. Modelado de Procesos para la Calidad.
1.1. La Variación.
1.1.1. Diagramas de Tallos y Hojas
1.1.2. El Histograma
1.1.3. Técnicas numéricas para resumir datos
1.1.4. Diagrama de cajas
1.1.5. Distribuciones de probabilidad
1.2. Distribuciones Discretas más importantes
1.2.1. Distribución Hipergeométrica
1.2.2. Experimentos de Bernoulli
1.2.3. Distribución Binomial
1.2.4. Distribución Poisson
1.2.5. Distribución Pascal
1.3. Distribuciones Continuas más importantes
1.3.1. Distribución normal
1.3.2. Distribución Lognormal
1.3.3. Distribución Exponencial
1.3.4. Distribución Gamma
1.3.5. Distribución Weibull
 UNIVERSIDAD
PANAMERICANA

NOTA: TODOS LOS MATERIALES DE ESTE DOCUMENTO FUERON EXTRAIDOS DE LAS SIGUIENTES FUENTES BIBLIOGRÁFICAS Y LAS IMÁGENES SON
BAJADAS DE INTERNET DE DOMINIO PÚBLICO.

BIBLIOGRAFÍA

•Feldam R. & Valdez C. Applied probability and stochastic processes. Springer

•Winston Wayne L. Operations research. Applications and algorithms. Thomson.
•Walpole Ronald E. Probabilidad y estadística para ingenieros. Novena edición. Pearson
•Barry L. Nelson. Stochastic modeling : analysis and simulation
•Montgomery/Peck/Vining Introducción al análisis de regresión lineal

CRITERIOS DE EVALUACION
CALIFICACION POR PARCIAL

EXAMEN (TRES) 20 PUNTOS ------60 PUNTOS

EXAMEN RÁPIDO (DOS) 5 PUNTOS ------10 PUNTOS
TRABAJO FINAL 30 PUNTOS
 UNIVERSIDAD
PANAMERICANA

¿Qué es Estadística?

Empíricamente,puede definirse como el arte de tomar decisiones acerca de un proceso o una

población con base en un análisis de la información contenida en una muestra tomada de tal
población.

Es la ciencia que estudia la recolección, clasificación, presentación e interpretación de datos

numéricos provenientes de una o varias poblaciones.
 UNIVERSIDAD
PANAMERICANA

CLASIFICACIÓN

Estadística Descriptiva:

◦Generación y recopilación de datos que contengan información relevante sobre un

determinado problema.

Inferencia Estadística:

◦Análisis de esos datos con el fin de extraer dicha información.

 UNIVERSIDAD
PANAMERICANA

Incertidumbre
.
Inferencia

Población Muestra

Deducción
Probabilidad

Población: Es la colección de unidades de análisis sobre quienes deseamos obtener conclusiones.

Parámetro: Es una medida resumen que describe una característica de toda una población.

Muestra: Es una parte o un subconjunto de una población. Tiene la característica fundamental de ser
representativa de la población. Estadístico medida de resumen de la muestra.
 UNIVERSIDAD
PANAMERICANA

En toda población existe VARIABILIDAD

Característica aleatoria: Cualquier característica que puede constatarse en cada individuo de

una población.

Los caracteres de un elemento pueden ser muy diversos tipos, por que los podemos clasificar en
dos grandes tipos:

1. Variables Cuantitativas.
2. Variables Cualitativas o atributos

1. Las variables cuantitativas son las que se describen por medio de números, como por
ejemplo el Peso, Altura, Edad...

A su vez este tipo de variables se puede dividir en dos subclases:

Cuantitativas discretas: Aquellas a las que se les puede asociar un número entero, es
decir, aquellas que por su naturaleza no admiten un fraccionamiento de la unidad, por ejemplo
numero de hermanos, páginas de un libro, etc.
Cuantitativas continuas: Aquellas que no se pueden expresar mediante un número
entero, es decir, aquellas que por su naturaleza admiten que entre dos valores cualesquiera la
variable pueda tomar cualquier valor intermedio, por ejemplo, peso, tiempo, etc.
 UNIVERSIDAD
PANAMERICANA

2. Los atributos (cualitativas) son aquellos caracteres que para su definición precisan de
palabras, es decir no le podemos asignar un numero. Por ejemplo sexo, profesión, estado civil,
etc. A su vez las podemos clasificar en:

Ordenables: aquellas que sugieren una jerarquía, por ejemplo la graduación militar, el
nivel de estudio, etc.
No ordenables: aquellas que solo admiten una mera ordenación alfabética pero no
establece orden por su naturaleza, por ejemplo el color de pelo, seco, estado civil, etc
 UNIVERSIDAD
PANAMERICANA

¿Qué mide la Estadística?

Ubicación: Sirve para clasificar a un individuo o elemento dentro de una determinada

población o muestra.

Dispersión: Muestra la variabilidad de una distribución, indicando por medio de un

número, si las diferentes puntuaciones de una variable están muy alejadas de la
media.

Consistencia: Un estimador o estadístico muestral converge a su valor verdadero

cuando el número de datos de la muestra tiende a infinito.

Forma: Sirve para identificar la distribución de los datos. Es útil cuando se desea
definir el tipo de estadístico a utilizar para descubrir a la población o muestra.
 UNIVERSIDAD
PANAMERICANA

Estadística Descriptiva

La Estadística Descriptiva es el presentar tablas o gráficos para sintetizar o resumir los datos
mediante descripciones numéricas. Los datos son ordenados y clasificados con objeto de tener
una visión precisa y conjunta de las observaciones, intentando descubrir posibles relaciones
entre los datos.

Lo primero que se debe hacer con la información obtenida de una muestra, es reducirla a unas
cuantas cifras que condensen o concentren la información más importante. Estas cifras se
conocen como las estadísticas de la muestra.

Una manera de visualizar la información de una muestra es tabularla o mostrar la gráfica de los
valores obtenidos.
 UNIVERSIDAD
PANAMERICANA

Herramientas estadísticas:

Gráficas:
• Dotplot
• Diagrama de tallo y hoja
• Histograma
• Caja y bigotes

Numéricas:
• Medidas de tendencia central
• Medidas de dispersión

a.
 UNIVERSIDAD
PANAMERICANA

TABLA DE FRECUENCIAS

Es una gráfica de barras para un conjunto de datos numéricos que contiene la siguiente
información:

Frecuencia absoluta: Es la cantidad de datos en un conjunto de datos.

Frecuencia relativa: representa la cantidad (porcentaje) de datos dentro de un conjunto con

respecto al total.

Frecuencia absoluta acumulada: teniendo distintos conjuntos agrupados de datos de una

población o muestra, la frecuencia absoluta acumulada representa la cantidad de datos en la
suma de los conjuntos.

Frecuencia relativa acumulada: representa la cantidad de datos (porcentaje) de una frecuencia

absoluta acumulada.
 UNIVERSIDAD
PANAMERICANA
 UNIVERSIDAD
PANAMERICANA

60 72 80 88
Ejemplo
60 75 80 89
Calificaciones de alumnos de un grupo de Probabilidad 60 77 80 90
61 77 80 94
65 79 81 95
69 80 88 95
Límite Límite Frecuencia
inferior superior absoluta
60.00 67.15 5
67.15 74.30 2
74.30 81.45 10
81.45 88.60 2
88.60 95.75 5
 UNIVERSIDAD
PANAMERICANA

HISTOGRAM- HISTOGRAMA

Un histograma es una gráfica que puede utilizar para evaluar la forma y dispersión de datos de
muestra continuos. Puede crear un histograma antes o durante un análisis para ayudar a
confirmar supuestos y orientar análisis posteriores.

Para dibujar un histograma se dividen los valores de muestra en intervalos llamados secciones.
Por opción predeterminada, cada barra en el histograma representa el número de observaciones
incluidas en cada sección (la frecuencia). El software determina automáticamente un número
óptimo de secciones, pero usted puede editar el número de secciones, así como los intervalos
que cubre cada una.
 UNIVERSIDAD
PANAMERICANA

HISTOGRAM- HISTOGRAMA

Un histograma puede ayudar a responder las siguientes interrogantes:

Normal Asimétrico hacia la izquierda

Forma
¿Parecen estar distribuidos normalmente los datos? ¿Están sesgados hacia la izquierda o hacia la derecha?

Conglomerados ajustadamente Dentro de los límites

 UNIVERSIDAD
PANAMERICANA

STEM AND LEAF PLOTS

DIAGRAMA DE TALLO Y HOJAS

Una gráfica de tallo y hoja muestra los datos de tal modo que se pueda apreciar su forma y
distribución. Es similar a un histograma. Sin embargo, una gráfica de tallo y hoja muestra puntos
exactos de los datos, lo que facilita considerablemente el cálculo de la media, la mediana y la
moda.

En una gráfica de tallo y hoja, cada valor de los datos se divide en un "tallo" y una "hoja". La
"hoja" por lo general es la última cifra del número y las otras cifras a la izquierda de la "hoja"
forman el "tallo". La "unidad de la hoja" indica qué lugar decimal representan los valores de la
hoja. Por ejemplo, si la unidad de la hoja es 1.0, el número 125 se dividiría como: tallo 12, hoja 5.
El número 8124 se dividiría como: tallo 812, hoja 4.

Cada fila de la gráfica muestra el conteo, tallo y hoja. Los conteos de las filas por encima y por
debajo de la mediana son acumulativos. El conteo de una fila por encima de la mediana
representa el conteo total para esa fila y las filas que se encuentran por encima de ésta. El
conteo de una fila por debajo de la mediana representa el conteo total de esa fila y las filas por
debajo de ésta.
 UNIVERSIDAD
PANAMERICANA

La siguiente gráfica de tallo y hoja muestra las temperaturas más altas de cada día del mes de
junio. La primera fila tiene un valor de tallo de 6 y contiene los valores de hoja 8, 9 y 9. Por lo
tanto, la primera fila de la gráfica representa valores de muestra de aproximadamente 68, 69 y
69.

Crear una gráfica de tallo y hoja

Minitab:
Elija Gráfica > Tallo y hoja.
En Variables de gráfica, ingrese una o más columnas de datos numéricos o de fecha/hora. Minitab dibuja una
gráfica separada para cada variable.
(Opcional) Para crear gráficas de tallo y hoja separadas para cada categoría de una variable de agrupación,
ingrese la variable de agrupación en Por variable.
Haga clic en Aceptar.
 UNIVERSIDAD
PANAMERICANA

DIAGRAMA DE DISPERSIÓN

La variable medida o dependiente usualmente se representa a lo largo del eje de las ordenadas.
Si no existe una variable dependiente, cualquier variable se puede representar en cada eje y
el diagrama de dispersión, mostrará el grado de correlación entre las dos variables.

BOXPLOT- GRÁFICA DE CAJA Y BIGOTE

Esta gráfica encierra el rango intercuartil de los datos en una caja que contiene la mediana
representada. El rango intercuartil tiene como extremos el percentil 75 (cuartil superior) y el
percentil 25 (cuartil inferior). Además de la caja se prolongan “bigotes” que indican las
observaciones alejadas en la muestra.
 UNIVERSIDAD
PANAMERICANA

BOXPLOT

Es el resumen de cinco números de un conjunto de datos que proporciona estadísticas

descriptivas para el centro, dispersión y rango de los datos. El resumen de los cinco números
incluye:

-el primer cuartil (Q1) de un conjunto de datos es el valor de dato ordenado tal que 25% de los
valores en el conjunto de datos son menores o iguales que este.
-el segundo cuartil (Q2) de un conjunto de datos es la mediana de los datos. 50% de los valores
en el conjunto de datos son menores o iguales al segundo cuartil.
-el tercer cuartil (Q3) de un conjunto de datos es el valor de los datos ordenados tal que 75% de
los valores son menores o iguales a este.
-el rango intercuartil IQR (Q3-Q1) es otra medida de dispersión para la mitad del conjunto de
datos.
 UNIVERSIDAD
PANAMERICANA

BOXPLOT

Ejemplo:
Los siguientes datos son una muestra de las edades de los trabajadores cuando se jubilaban. El
conjunto de datos está de forma ordenada de menor a mayor.

Q1 = 11 datos * 0.25 = 2.75 (el 3er dato) =64

Q2= medianda = (11+1)/2= 6 (el 6to dato) =68
Q3= 11 datos * 0.75 = 8.25 (el 9no dato) =72
IQR= Q3-Q1= 72-64 =8
El rango intercuartil significa que la dispersión de la mitad de los datos es de 8.
 UNIVERSIDAD
PANAMERICANA

Ejemplo de boxplot construido en Minitab.

Lower whisker: es la línea que se extiende desde la parte inferior de la caja (Q1) a la observación más
pequeña dentro del límite inferior . Q1 - 1.5*IQR
Upper whisker: es la línea qie se extiende desde la parte superior de la caja (Q3) a la observación más
grande dentro del límite superior. Q3 + 1.5*IQR
Outlier: es el valor de un dato que está más allá de los bigotes superiores o inferiores. Se identifica por
un *.
 UNIVERSIDAD
PANAMERICANA

Ejemplo: Obtener gráfica de caja y bigotes y diagrama de dispersión.

Se midió el contenido de nicotina en una muestra aleatoria de 40 cigarrillos. Los datos son los
siguientes:

Valores de nicotina
0.72 1.40 1.64 1.69 1.79 1.88 2.03 2.28

0.85 1.47 1.64 1.70 1.79 1.90 2.08 2.31

1.09 1.51 1.67 1.74 1.82 1.92 2.09 2.37
1.24 1.58 1.68 1.75 1.85 1.93 2.11 2.46
1.37 1.63 1.69 1.75 1.86 1.97 2.17 2.55

0.75 1.00 1.25 1.50 1.75 2.00 2.25 2.50

nicotina
 UNIVERSIDAD
PANAMERICANA

¿Qué es una gráfica de distribución de probabilidad?

Una gráfica de distribución de probabilidad es una gráfica que usted puede utilizar para ver y
comparar las formas de curvas de distribución y para ver áreas debajo de las curvas de
distribución correspondientes a probabilidades o valores de datos. Esta gráfica muestra
funciones de densidad de probabilidad (PDF) que describen la probabilidad de cada valor de los
datos. Usualmente, usted especifica la distribución y los valores de los parámetros. También
puede especificar una región de interés para sombrear debajo de la curva.

Las gráficas de distribución de probabilidad pueden ayudarle a realizar lo siguiente:

Visualizar las formas de la distribución. Determinar cómo cambiar un valor de los Ver probabilidades con áreas asociadas bajo
parámetros afecta la curva la curva
 UNIVERSIDAD
PANAMERICANA
Medidas de tendencia central

MEDIDAS DE TENDENCIA CENTRAL :

Media
Mediana
Moda

MEDIDAS DE DISPERSIÓN :

Rango
Varianza
Desviación estándar
 UNIVERSIDAD
PANAMERICANA
Medidas de tendencia central

MEDIA:

Ventajas:

•Su cálculo es muy sencillo y en él intervienen todos los datos

•Su valor es único para una serie de datos.
•Se usa para comparar poblaciones, aunque es más apropiado acompañarla de una
medida de dispersión.
•Se interpreta como punto de equilibrio del conjunto de datos.

Desventaja :

•Es una medida a cuyo valor afecta sobremanera la dispersión ,de modo que cuanto menos
homogéneos sean los datos, menos información proporciona.
 UNIVERSIDAD
PANAMERICANA
Medidas de tendencia central

MEDIANA

Ventaja .

•No se afecta por la dispersión. De hecho es más representativa que la media

aritmética cuando la población es bastante heterogenea-.

Desventajas :

•En el caso de datos agrupados en intervalos, su valor varía en función de la amplitud de estos.
•Por otra parte, no se presta a cálculos algebraicos tan bien como la media aritmética.
 UNIVERSIDAD
PANAMERICANA
Medidas de tendencia central

Media aritmética:

La media aritmética de una variable se define como la suma ponderada de la variable por sus
frecuencias relativas y la denotaremos por x. Donde Xi representa el valor de la variable (datos)
y n ó N el total de datos.
n n

 xi x i

x i 1  i 1

n N
Muestra Población
Mediana:

La mediana es el valor central de la variable, es decir, supuesta la muestra ordenada en orden

creciente o decreciente, el valor que divide en dos partes la muestra.
Ejemplo:
n par n Impar
Si n es impar, 1,4,6,7,8,9,12,16,20,24,25,27 1,4,6,7,8,9,12,16,20,24,25,27,30

Si n es par n=12 n=13

Términos centrales el 6° y 7° 9 y 12 Termino central 7° , 12

Mediana= 9+12/2= 10.5 Mediana= 12

 UNIVERSIDAD
PANAMERICANA
Medidas de tendencia central

Moda:

La moda es el valor de la variable que tenga mayor frecuencia absoluta, la que mas se repite, es
la única medida de centralización que tiene sentido estudiar en una variable cualitativa, pues no
precisa la realización de ningún cálculo matemático.

La tendencia central no necesariamente proporciona suficiente información para describir los

datos en forma adecuada. Por ejemplo, considérese la resistencia al rompimiento obtenidas de
dos muestras de dos botellas cada una.

Botella 1 230 250 245 258 265 240

Las medias de ambas es 248 psi
Botella 2 190 228 305 240 265 260

180 200 220 240 260 280 300 320

Dispersiones diferentes
 UNIVERSIDAD
PANAMERICANA
Medidas de tendencia central

¿MEDIA, MEDIANA O MODA?

Cuando los datos no están sesgados (por ejemplo, distribuidos normalmente) la media y la
mediana serán esencialmente muy cercanas, siendo posible que coincidan.

También puede utilizar la moda, por ejemplo, si hay una encuesta que mide el aumento de
conocimiento después de una capacitación y se quiere saber el puntaje más común de los
participantes.
 UNIVERSIDAD
PANAMERICANA
Medidas de dispersión

MEDIDAS DE DISPERSIÓN:

Rango: EL valor máximo de los datos menos el valor mínimo

Cuartiles: Ordenados los datos de manera ascendente, el primer, segundo y tercer

cuartil dividen en cuatro partes el conjunto de datos.

Varianza de población: Cuadrado de la desviación media de los datos

Desviación estándar: Raíz cuadrada de la varianza

 UNIVERSIDAD
PANAMERICANA

Medidas de dispersión

Medidas de Dispersión:
Varianza:

Es la media de los cuadros de la desviación y la denotaremos por S2 en caso de muestra y por σ2

en caso de población.

 x  x
n 2 n

x  
2
i i
S 
2 i 1
 
2 i 1

n 1 n

Desviación Estándar:

Es la raíz cuadrada de la varianza, se denota por S o σ.

  x  x
n 2 n

  xi   
2
i
S i 1
 i 1

n 1 n
 UNIVERSIDAD
PANAMERICANA

COEFICIENTE DE VARIACIÓN

Una medida de dispersión relativa de los datos, que toma en cuenta su magnitud, está dada por
el coeficiente de variación.

El coeficiente de variación (CV) es una medida de dispersión relativa de un conjunto de datos,

que se obtiene dividiendo la desviación estándar del conjunto entre su media aritmética y se
expresa como:

Para muestra:

Para población:
 UNIVERSIDAD
PANAMERICANA

COEFICIENTE DE VARIACIÓN

Ejemplo: En marzo del año pasado, los datos de préstamos personales de un Banco mostraron
un promedio de $6,500,000 y una desviación estándar de $3,000,000. Recientemente se calculó
la media y la desviación estándar correspondiente a los préstamos personales de marzo del
presente año, resultado $9,000,000 y $3,500,000 respectivamente. ¿En cuál de los dos años los
préstamos personales presentaron menor dispersión relativa?

Año pasado:

Presente año:

La menor dispersión relativa se presenta en los préstamos personales otorgados este año.
 UNIVERSIDAD
PANAMERICANA

EJERCICIO

Las temperaturas en dos ciudades A y B son elevadas en el mes de agosto. Las siguientes
tablas expresan las temperaturas de cada una de las ciudades (grados Fahrenheit) durante
42 años.

Ciudad A

Ciudad B
 UNIVERSIDAD
PANAMERICANA

EJERCICIO

Las temperaturas en dos ciudades A y B son elevadas en el mes de agosto. Las siguientes
tablas expresan las temperaturas de cada una de las ciudades (grados Fahrenheit) durante
42 años.

Boxplot of ciudades A, B
105

100

95
Temperaturas

90

85

80

75

70

A B
 UNIVERSIDAD
PANAMERICANA

DEFINICIÓN

El modelado y análisis de sistemas que están sujetos a la incertidumbre son llamados procesos
estocásticos.
“estocástico” es un sinónimo para aleatorio.
 UNIVERSIDAD
PANAMERICANA

TEMAS BÁSICOS PROBABILIDAD

 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Todos los posibles resultados deben ser definidos y a la colección de todos esos resultados se le
llama espacio muestral.

Definición: El elemento de un espacio muestral es un resultado. Un conjunto de resultados o un

subconjunto del espacio muestral es llamado evento.

Definición: Un espacio muestral está denotado por (Ω,F , Pr) ,donde Ω es el espacio muestral, F
es una colección de eventos del espacio muestral y Pr es una probabilidad que asigna un número
a cada evento contenido en F .

Pr(Ω)  1,
Pr(A)  0,
Pr( A  B)  Pr( A)  Pr( B) si A  B   , donde  denota un conjunto vacio

Pr( AC )  1  Pr( A)
 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Ejemplo: una compañía fabricante de teléfonos, manufactura teléfonos tipo A y tipo B y los
envía en cajas de dos teléfonos (mismo tipo por caja). Se selecciona una caja aleatoriamente
para verificar el control de calidad , registran el tipo de teléfono, prueban los teléfonos y
contabilizan el número de defectuosos. El espacio muestral es:

Se especifican las siguientes probabilidades:

Pr ( A, 0)  0.45, Pr ( B, 0)  0.37
Pr ( A,1)  0.07, Pr ( B,1)  0.08
Pr ( A, 2)  0.01, Pr ( B, 2)  0.02

Por ejemplo la probabilidad de que una caja seleccionada que contiene teléfonos tipo A tenga
máximo un defectuoso es:

Pr ( A, 0), ( A,1)  0.52

 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Definición: Permite que (Ω,F , Pr) sea un espacio de probabilidad donde A y B son eventos en F
con Pr(B)>0. La probabilidad condicional de A dado B, denotado por P(A\B) es:

Pr( A  B)
Pr( A \ B ) 
Pr( B)

Definición: El resultado que da la distribución de probabilidad condicional de un evento A dado

B (A\B), en términos de la distribución de probabilidad condicional del evento B dado A (B\A) es
obtenido mediante el teorema de Bayes.

Pr( B  A1 ) Pr( B \ A1 ) Pr( A1 )

Pr( A1 \ B )  
Pr( B ) Pr( B \ A1 ) Pr( A1 )  Pr( B \ A2 ) Pr( A2 )  ...  Pr( B \ An ) Pr( An )
 UNIVERSIDAD
PANAMERICANA

Ejemplo
Una cadena de tiendas de video vende tres marcas diferentes de reproductores de DVD. 50% son
de la marca 1 (la menos cara), 30% son de la marca 2 y 20% son de la marca 3. Cada fabricante
ofrece 1 año de garantía en las partes y manos de obra. Se sabe que 25% de los reproductores de
DVD de la marca 1 requieren trabajo de reparación dentro del período de garantía, mientras que
los porcentajes correspondientes de las marcas 2,3 son 20% y 10% respectivamente.

Si un cliente regresa a la tienda con un reproductor de DVD que necesita reparación dentro de la
garantía .
¿cuál es la probabilidad de que sea un DVD marca 1?
¿cuál es la probabilidad de que sea un DVD marca 2?
¿cuál es la probabilidad de que sea un DVD marca 3?
 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Definición Independencia:
Sean A y B dos sucesos. Decimos que A y B son independientes si

De esta definición se obtiene como propiedad:

Pr( A  B ) Pr( A) Pr( B )

Pr( A \ B )    Pr( A)
Pr( B ) Pr( B )

Y su simétrica: Pr( B \ A)  Pr( B )

En ocasiones se define independencia de dos sucesos a partir de este resultado, obteniéndose
entonces como propiedad la que se ha dado como definición.
 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Ejemplo Teorema de Bayes y sistemas de comunicación:

Muchos sistemas de comunicación pueden modelizarse de la siguiente forma. El usuario entra

un 0 o un 1 en el sistema y la correspondiente señal es transmitida. El receptor forma una
decisión acerca del cuál fue la entrada del sistema en función de la señal recibida. Supongamos
que el usuario envía un 0 con probabilidad 1-p y un 1 con probabilidad p, mientras que el
receptor toma una decisión errónea con probabilidad ε.

Para i= 0,1
A i = el emisor envía i
B i = el receptor decidió i

Montes S. F. Procesos estocásticos para Ingenieros Teoría y Aplicaciones. Universidad de Valencia

 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Ejemplo Teorema de Bayes y sistemas de comunicación:

Para i= 0,1
A i = el emisor envía i
B i = el receptor decidió i

De acuerdo con el esquema, las probabilidades del tipo , supuesta independencia

entre las acciones del emisor y del receptor están dadas por:

Pr( A0  B0 )  (1  p )(1   ); Pr( A0  B1 )  (1  p )

Pr( A1  B0 )  ( p )( ); Pr( A1  B1 )  p (1   )

Montes S. F. Procesos estocásticos para Ingenieros Teoría y Aplicaciones. Universidad de Valencia

 UNIVERSIDAD
PANAMERICANA

Ejemplo
Permite que t sea la edad de una persona cuando muere. La probabilidad que t≤t0 está dado
por: t0

Pr(t  t0 )    (t )dt
0

Donde α(t) es una función determinada de los registros de mortalidad. Podemos asumir que:

 (t )  3  109 t 2 (100  t ) 2 0  t  100 años

0, en otro caso
La probabilidad de que una persona muera entre la edad de 60 y 70 años es:
70
Pr(60  t  70)    (t )dt  0.154
60

Es igual al número de personas que mueren entre 60 y 70 años dividido entre la población total
con:
A  60  t  70 M= t  60 A  M  A

Por lo que la probabilidad de que una persona muera entre 60 y 70 años, asumiendo que a los 60
años aún está vivo es: 70

  (t )dt
Pr 60  t  70 | t  60  100
60
 0.486
  (t )dt
60
 UNIVERSIDAD
PANAMERICANA

Ejemplo
Una caja contiene 3 pelotas blancas w1, w2 y w3 y 2 pelotas rojas r1 y r2. Se sacan aleatoriamente
dos pelotas (una seguida de la otra) . Cuál es la probabilidad que la primer pelota extraída sea
blanca y la segunda roja?

Podemos tener dos formas de resolver este problema:

Primera solución:
El espacio del experimento consiste de todos los pares ordenados que podemos formar con las 5
pelotas:
w1w2 w1w3 w1r1 . . . r2 w1 r2 w2 r2 r1
El número total de elementos del espacio muestral es 20.

El evento {primero blanca, después roja} consiste de 6 posibles resultados:

w1r1 w1r2 w2 r1 w2 r2 w3r1 w3r2
Por lo que la probabilidad es: 6/20
 UNIVERSIDAD
PANAMERICANA

Ejemplo
Una caja contiene 3 pelotas blancas w1, w2 y w3 y 2 pelotas rojas r1 y r2. Se sacan aleatoriamente
dos pelotas . Cuál es la probabilidad que la primer pelota extraída sea blanca y la segunda roja?

Segunda solución:

La caja contiene 3 pelotas blancas y dos rojas, la probabilidad de el evento w1={primero blanca}
es igual a 3/5.

Si una pelota blanca es removida, quedan dos pelotas blancas y dos rojas.

La probabilidad condicional Pr(R2|W1) de el evento R2={segunda roja} asumiendo {primera

blanca} es igual a 2/4.
Por lo que:
2 3
Pr(W1 R2 )=Pr(R2 | W1 ) Pr(W1 )  
4 5

Por lo que la probabilidad es: 6/20

 UNIVERSIDAD
PANAMERICANA

Ejercicio

Cierta prueba para un cáncer particular tiene un 95% de exactitud en la detección de la

enfermedad. Suponga que en una población 2000 de 100,000 personas sufren la enfermedad.
¿Cuál es la probabilidad de que la persona sufra el cáncer dado que la prueba resultó positiva?

Solución:

C={sufrir el cáncer}
H={no tener la enfermedad}
A={prueba positiva}
N={prueba negativa}

(0.95)(0.02)
Pr(C | A)   0.279
(0.95)(0.02)  (0.05)(0.98)
 UNIVERSIDAD
PANAMERICANA

Ejercicio

Suponga que la caja 1 contiene a pelotas blancas y b pelotas negras, la caja 2 contiene c pelotas
blancas y d pelotas negras. Una pelota desconocida es transferida de la caja 1 a la 2, después
sacamos una pelota de la segunda caja.

¿Cuál es la probabilidad que la pelota sea blanca?

Solución:

Si no transferimos una pelota de la caja 1 a la 2, la probabilidad de obtener una pelota blanca de

la segunda caja es simplemente, c/(c+d).

En este caso una pelota es primero transferida de la caja 1 a la 2 y hay dos posibilidades
mutuamente excluyentes para este evento, el transferir la pelota ya sea blanca o negra.
W  la pelota transferida es blanca B  la pelota transferida es negra

a b
Pr(W )  Pr( B ) 
ab ab
 UNIVERSIDAD
PANAMERICANA

Ejercicio

El evento de interés:
A={sacar una pelota blanca de la segunda caja}

Puede suceder solo bajo las dos posibilidades mutuamente excluyentes mencionadas:

Pr( A)  Pr( A  (W  B ))  Pr(( A  W )  ( A  B ))

 Pr( A  W )  Pr( A  B))

 Pr( A | W ) Pr(W )  Pr( A | B ) Pr( B )

y
c 1 c
Pr( A | W )  Pr( A | B ) 
c  d 1 c  d 1

Por lo que:
a (c  1) bc
Pr( A)  +
(a  b)(c  d  1) ( a  b)(c  d  1)

ac  bc  a
Pr( A) 
(a  b)(c  d  1)
 UNIVERSIDAD
PANAMERICANA

Ejercicio

Tenemos cuatro cajas. Caja uno, tiene 5% de partes defectuosas, caja dos 40% de partes
defectuosas, caja tres y cuatro tienen 10% de partes defectuosas cada una. Seleccionamos una
caja aleatoriamente y sacamos un componente.

¿Cuál es la probabilidad de que el componente sea defectuoso?

Solución:

P(B1)=P(B2)=P(B3)=P(B4)= 1/4
D={defectuoso}

1 1 1 1

Pr(D)  (0.05)    (0.40)    (0.10)    (0.10)    0.1625
4 4 4 4
 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Las variables aleatorias son definidas para facilitar el uso de expresiones matemáticas y para
centrarse solo en los resultados de interés.

Definición: Una variable aleatoria es una función que asigna un número real a cada resultado
en el espacio muestral.

Una variable aleatoria se llama variable aleatoria discreta si se puede contar con su conjunto de
resultados posibles. Ejemplo número de clientes en una fila, en caso contrario es llamada variable
aleatoria continua.

Ejemplo discreta: Un embarque de siete televisores contiene dos unidades defectuosas. Un

hotel hace una compra al azar de tres de los televisores. Encuentre la distribución de
probabilidad de X para cada caso de defectuoso.
 UNIVERSIDAD
PANAMERICANA

Ejemplo de una función de distribución de probabilidad

El entrenador de un equipo de béisbol desea conocer la probabilidad de que un jugador

en particular dispare un jonrón durante un partido en el que el jugador tiene 4 turnos al
bate. Con base en los partidos anteriores del jugador, el entrenador presupone que el
jugador tiene una probabilidad de 0.10 de batear un jonrón en el juego actual. Debido a
que el jugador bateará un jonrón o no en cada turno al bate, el entrenador utiliza la
distribución binomial.

Minitab
- En una columna de minitab escriba los posibles valores de la variable (0,1,2,3,4)
Estos valores representan el número de jonrones que el jugador podría batear durante el
partido.
-Calc>Distribuciones de probabilidad>Binomial
-Número de ensayos ingrese 4
-Probabilidad del evento ingrese 0.10
-En columna de entrada ingrese su columna
 UNIVERSIDAD
PANAMERICANA

Ejemplo de una función de distribución de probabilidad

El entrenador de un equipo de béisbol desea conocer la probabilidad de que un jugador

en particular dispare un jonrón durante un partido en el que el jugador tiene 4 turnos al
bate. Con base en los partidos anteriores del jugador, el entrenador presupone que el
jugador tiene una probabilidad de 0.10 de batear un jonrón en el juego actual. Debido a
que el jugador bateará un jonrón o no en cada turno al bate, el entrenador utiliza la
distribución binomial.

Binomial with n = 4 and p = 0.1

x P( X = x )
0 0.6561
1 0.2916
2 0.0486
3 0.0036
4 0.0001
 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Definición: La función de distribución acumulado (CDF) es frecuentemente usada para describir

la probabilidad de la variable aleatoria. La función de distribución acumulada da la probabilidad
acumulada hasta el punto en el cual es evaluado.

La función de distribución acumulada (CDF) calcula la probabilidad acumulada de un valor

dado de x. Utilice la CDF para determinar la probabilidad de que una observación
aleatoria que se toma de la población sea menor que o igual a cierto valor. También
puede usar esta información para determinar la probabilidad de que una observación sea
mayor que cierto valor o se encuentre entre dos valores.

Propiedades de la CDF
 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Por ejemplo, los pesos de llenado de una lata de gaseosa siguen una distribución normal, con
una media de 12 onzas y una desviación estándar de 0.25 onzas. La función de densidad de
probabilidad (PDF) describe la probabilidad de valores posibles de peso de llenado. La CDF
proporciona la probabilidad acumulada de cada valor de x.
 UNIVERSIDAD
PANAMERICANA

Ejemplo de función de distribución acumulada (CDF)

Un ingeniero en una planta embotelladora desea determinar la probabilidad de que una

botella seleccionada aleatoriamente tenga un peso de llenado menor que 11.5 onzas,
mayor que 12.5 onzas o entre 11.5 y 12.5 onzas. El ingeniero presupone que los pesos de
llenado de una botella siguen una distribución normal, con una media de 12 onzas y una
desviación estándar de 0.25 onzas.

Minitab:
-En una columna (celdas separadas) escriba 11.5 y 12.5.
-Calc>Distribuciones de probabilidad>Normal
-Probabilidad acumulada
-Media, ingrese 12
-Desviación estándar ingrese 0.25
-En columna de entrada ingrese su columna
 UNIVERSIDAD
PANAMERICANA

Ejemplo de función de distribución acumulada (CDF)

Cumulative Distribution Function

Normal with mean = 12 and standard deviation = 0.25

x P( X ≤ x )
11.5 0.022750
12.5 0.977250

La probabilidad de que una botella seleccionada aleatoriamente tenga un peso de llenado

menor que o igual a 11.5 onzas es la CDF en 11.5, que es aproximadamente 0.023.

La probabilidad de que una botella seleccionada aleatoriamente tenga un peso de llenado

mayor que 12.5 onzas es 1 menos la CDF en 12.5 , 1 – 0.977250 = 0.02275.

La probabilidad de que una botella seleccionada aleatoriamente tenga un peso de llenado entre
11.5 onzas y 12.5 onzas es la CDF en 12.5 menos la CDF en 11.5 , 0.977250 – 0.022750 = 0.954500.
 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Definición: La función f es la función masa de probabilidad (pmf) de la variable aleatoria

discreta X si:
f (k )  Pr  X  k 

Para cada k en el rango de X.

Si la función masa de probabilidad es conocida, entonces la función de distribución acumulada

es sencillo de encontrar mediante:

Pr  X  a  F (a)   f (k )
k a

En funciones continuas hablamos de la probabilidad en un intervalo por lo que en ellas se habla

de una función de densidad de probabilidad (pdf).
 UNIVERSIDAD
PANAMERICANA

DEFINICIONES BÁSICAS:

Definición: La función g es llamada función de densidad de probabilidad (pdf) de una variable

aleatoria continua si:
b

 g (u)du  Pr a  Y  b
a

Para cada a,b en el rango de Y.

La función de densidad de probabilidad (PDF) es una ecuación que representa la

distribución de probabilidad de una variable aleatoria continua.

Por ejemplo, una máquina que corta corchos para botellas de vino produce corchos de
diferentes diámetros. En la siguiente gráfica de barras de los diámetros de los corchos,
cada barra representa el porcentaje de corchos con ese diámetro correspondiente.
 UNIVERSIDAD
PANAMERICANA

MEDIAY VARIANZA

Definición: permite que h sea una función definida en los números reales y X sea la variable
aleatoria. El valor esperado de h(X) está dado por:

E  h( X )    h( k ) f ( k )
k

Donde f es la pmf

Para X continua está dada por:


E  h( X )    h( x) f (s)ds


Donde f es la pdf.
 UNIVERSIDAD
PANAMERICANA

MEDIAY VARIANZA

Ejemplo:
Un proveedor vende huevos en cajas que contienen 144 huevos. Hay una pequeña
probabilidad que algunos huevos se rompan y él tenga que regresar ese dinero (de acuerdo
a la cantidad rota). Sea B la variable aleatoria que indica el número de huevos rotos por caja
con la siguiente pmf:

La caja cuesta $4.00 pero regresa 5 centavos por cada

k f(k)
huevo roto.
0 0.779 k h(k)
1 0.195 0 $4.00
2 0.024 1 3.95
3 0.002 2 3.90
El ingreso neto esperado está dado por: 3 3.85
E  h( B )  (4.00 *0.779)  (3.95*0.195)  (3.90 *0.024)  (3.85*0.002)  3.98755
 UNIVERSIDAD
PANAMERICANA

Sea X una variable aleatoria con distribución de probabilidad f(x) y media µ

La Varianza de X es:

Si X es discreta:

Si X es continua:

La raíz cuadrada positiva de la varianza, σ, se llama desviación estándar de X.

 UNIVERSIDAD
PANAMERICANA

MEDIAY VARIANZA

Ejemplo:
Un proveedor vende huevos en cajas que contienen 144 huevos. Hay una pequeña
probabilidad que algunos huevos se rompan y él tenga que regresar ese dinero (de acuerdo
a la cantidad rota). Sea B la variable aleatoria que indica el número de huevos rotos por caja
con la siguiente pmf:

k f(k)
0 0.779
1 0.195
2 0.024
3 0.002

El valor esperado de huevos rotos está dado por:

  (0*0.779)  (1*0.195)  (2 *0.024)  (3*0.002)  0.249
Varianza y desviación estándar:
 2  (0  0.249)2 *(0.779)  (1  0.249)2 *(0.195)  (2  0.249)2 *(0.024)  (3  0.249)2 *(0.002)  0.247
  0.50
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS Y CONTINUAS

DE PROBABILIDAD
 UNIVERSIDAD
PANAMERICANA

Distribución de Probabilidad
DISTRIBUCIONES DISCRETAS IMPORTANTES

Bernoulli:
Descrita por Jacob Bernoulli. La variable aleatoria N tiene una distribución d Bernoulli si hay
un número 0<p<1.

Solo son posibles dos resultados; éxito o fracaso. Podemos definir una variable aleatoria
discreta X tal que:

Éxito=1
Fracaso=0
1  p para k=0
f (k )  
p para k=1

E[ N ]  p; V[N]=p (1  p )
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Binomial:
Descrita por Jacob Bernoulli y publicada después en 1713 por su sobrino. La variable
aleatoria N tiene una distribución Binomial si hay un número 0<p<1 y un entero positivo n tal
que la pmf de N puede ser escrita como:

n!
f (k )  p k (1  p) n  k para k=0,1,...n
(n  k )!k !

E[ N ]  np; V[N]=np(1  p )

Decimos que un experimento es Binomial si cumple con las siguientes características:

• Consiste en n ensayos idénticos

• Cada ensayo produce dos resultados. Éxito, Fracaso
• Los ensayos son independientes
• A la probabilidad de éxito la denominamos p y ala de fracaso 1-p
• Nos interesa determinar N el número de éxitos en n ensayos. N puede tomar los valores
de 0,1,2..n
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Ejemplo (Binomial):
Se están monitoreando llamadas en una firma de manufactura y se ha determinado que un
tercio de las llamadas son hechas para larga distancia y dos tercios de las llamadas son
locales. Se ha decidido analizar cuatro llamadas aleatoriamente y es de interés conocer
cuántas llamadas de las cuatro son de larga distancia. En otras palabas, permite que N sea la
variable aleatoria que indica el número de llamadas a larga distancia en el grupo de cuatro.

Por lo tanto n=4 p= 1/3 q=2/3

La mitad de los individuos que realizan las llamadas son mujeres y la mitad hombres. Es de
interés saber cuantas llamadas fueron hechas por hombres. Permite que M sea el número
de llamadas realizadas por hombres.

Por lo que n=4 p=0.5 q=0.5

n!
f (k )  p k (1  p ) n  k para k=0,1,...n
(n  k )!k !
 UNIVERSIDAD
PANAMERICANA

Ejemplo (Binomial):
Por lo tanto n=4 llamadas p= 1/3 larga distancia q=2/3

k 0 1 2 3 4
P(k) 0.197 0.395 0.296 0.098 0.013

4
f (k  0)    (1/ 3)0 (2 / 3) 4 =0.197
0
 4
f (k  1)    (1/ 3)1 (2 / 3)3 =0.395
1 
Por lo que n=4 llamadas p=0.5 realizada por hombres q=0.5

k 0 1 2 3 4
P(k) 0.0625 0.25 0.375 0.25 0.0625
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Ejercicio (Binomial):

Suponga que se sabe que un algoritmo heurístico acierta a la solución óptima (conocida) en
una serie de ejecuciones con una probabilidad de 0.8 y se considera que el resultado de cada
ejecución es independiente del anterior.

¿Cuál es la probabilidad de que en 4 ejecuciones acierte en 3?

¿Cuál es la probabilidad de que de las 4 ejecuciones acierte mínimo en 1?
¿Cuál es la probabilidad de que de 4 ejecuciones falle en 3?
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Geométrica:
La variable aleatoria N tiene una distribución geométrica si hay un número 0<p<1 tal que la
pmf de N puede escribirse como:

f (k )  p (1  p) k 1 para k=1,2...

1 (1  p )
E[ N ]  ; V[N]=
p p2

La variable aleatoria representa el número de ensayos hasta que el primer éxito ocurre. La
variable aleatoria N es entonces igual al número de ensayos que se han desarrollado. Nota
que aunque la variable aleatoria geométrica es discreta, su rango es infinito.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Ejemplo Geométrica:
Un vendedor de autos hizo un análisis estadístico de sus ventas previas y determinó que
cada día hay una oportunidad del 50% que él venda un carro de lujo. La venta de un carro en
un día dado es independiente de la venta en otro día. El vendedor quiere determinar cuando
venderá su primer carro de lujo este año. Si N es la variable aleatoria indicando el día de la
primer venta del carro de lujo (N=1 implica que la venta fue en enero) entonces N es
distribuida acorde a la distribución geométrica con p=0.5.

f (k  1)  (0.5)(0.5)0  0.5
f (k  2)  (0.5)(0.5)1  0.25
f (k  3)  (0.5)(0.5) 2  0.125
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Poisson:
(Por Simeon Denis Poisson 1781-1840 publicado en 1837). La variable aleatoria N tiene una
distribución de Poisson si hay un número λ>0 tal que la pmf de N puede escribirse como:

 k e
f (k )  para k=0,1...
k!
E[ N ]   ; V[N]=

La distribución de Poisson es la distribución discreta más importante en el modelado de

procesos estocásticos.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Ejemplo Poisson:
El número de quejas promedio que ocurren en el área de atención a clientes es de 20 por
semana. Suponga que el número de quejas sigue una distribución de Poisson, esto es que las
quejas son independientes y ocurren al azar. Calcule:

a) La probabilidad de que ocurran 2 quejas durante una semana.

202 e20
f ( x  2)   4.12  107
2!
b) La probabilidad de que ocurran más de 2 quejas durante una semana

f ( x  3)  1  f ( x  2)
200 e 20 201 e20
f ( x  2)    4.12  10 7  4.55 107
0! 1!
f ( x  3)  1  (4.55 107 )  0.9999
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Poisson:
Existe una aproximación para la distribución binomial. Para n grande y p pequeña, la
distribución binomial es aproximada a la distribución de Poisson mediante:

  np
Por ejemplo suponga que tenemos una caja de 144 huevos y hay 1% de probabilidad que
algún huevo esté roto. Asumiendo que los ensayos son independientes, la probabilidad que
exactamente 3 huevos estén rotos de los 144 puede ser determinado usando distribución
binomial con:
144 
n=144 ; p=0.01 f ( k  3)  
3 141
 (0.01) (0.99) =0.1181
3 
ó por la Distribución de Poisson con λ=1.44

1.443 e1.44
f ( x  3)   0.1179
3!
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Hipergeométrica:
La manera más simple de ver la diferencia entre la Distribución multinomial y la
Hipergeométrica está en la forma en que se realiza el muestreo. En el caso de la binomial y
multinomial el muestreo se realiza con reemplazo y en la hipergeométrica el muestreo se realiza
sin reemplazo.

Suponga que se selecciona una muestra de elementos y de cada elemento seleccionado se

observa si tiene o no alguna característica en particular, si la tiene se considera éxito, sino se
considera fracaso. Considere además que los elementos seleccionados no pueden volver a ser
seleccionados, esto es no hay reemplazo en el muestreo.

𝑛𝑘 𝑁−𝑛 𝑘 𝑘
µ= 𝑦 𝜎2 = (𝑛) 1−
𝑁 𝑁−1 𝑁 𝑁
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES DISCRETAS IMPORTANTES

Ejemplo Hipergeométrica:

Lotes de 40 componentes cada uno se denominan aceptables sino contienen más de tres
defectuosos. El procedimiento para muestrear el lote es la selección de cinco componentes al
azar y rechazar el lote si se encuentra un componente defectuoso. ¿Cuál es la probabilidad de que
se encuentre exactamente un defectuoso en la muestra si hay tres defectuosos en todo el lote?
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Uniforme:

La variable aleatoria X tiene una distribución uniforme si hay dos números a y b con a<b tal que la
pdf de X puede ser escrita como:

 1
 para a  s  b
f (s)   b  a
0 otro caso

b  a
2
a b
EX   ; V X  
2 12

Función de densidad de probabilidad. Función de distribución acumulada.

 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Exponencial:

Es usada como el modelo para la parte de la vida útil. También se utiliza para modelar los tiempos
entre ocurrencias de dos sucesos del mismo tipo, tiempo entre llegadas a un banco, tiempo entre
fallas en una máquina etc.

Se usa para modelar artículos a una tasa de falla constante y está relacionada con la distribución
de Poisson.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Exponencial:

La variable aleatoria X tiene una distribución exponencial si hay un número λ>0 tal que la pdf de X
puede ser escrita como:

 e  s para s  0
f ( s)  
0 otro caso

1 1
EX   ; V X  
 2

CDF exponencial (línea sólida) y pdf (línea punteada)

con media de 1/2.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Exponencial:

Una característica importante es que la distribución exponencial es la única distribución continua

que no tiene memoria.

La probabilidad de un evento no depende de los ensayos anteriores. Por lo tanto, la tasa de

ocurrencia se mantiene constante.

La propiedad de ausencia de memoria indica que la vida útil restante de un componente no

depende de su antigüedad actual.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES  e   s para s  0 EX  

1
; V X  
1
f (s)    2
0 otro caso

Distribución Exponencial:

Un sistema usa un componente cuya duración en años es una variable con distribución
exponencial con media de 4 años. Si se instalan 3 de estos componentes, determine la
probabilidad que al cabo de 6 años, dos componentes sigan funcionando.

1
 x
4 
Pr( x  6)  e 6|  0.22

3
Pr( x  3)    (0.22) 2 (0.78) =0.11
2
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Gamma:

Es una distribución común usada para describir tiempos de procesos y tiene dos parámetros: un
parámetro de forma α y un parámetro de escala β. El parámetro de forma es así llamado porque
varía los resultados de los valores en diferentes formas para la pdf. Variando el parámetro de
escala no cambia la forma de la distribución pero se hace más angosta o extendida en el eje de las
x. La función gamma es definida para x>0 como:

( x)   s x 1e  s ds
0

Una propiedad útil de la distribución gamma es la relación ( x  1)  x( x) , para x≥1. Si x es un entero
positivo ( x)  ( x  1)!. La función de densidad para la variable aleatoria x está dada por:
s
 1
s e 
f ( s)   para s  0
 ( )

EX  EX 
2

E  X    ; V  X  =   2
 
V X  
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Gamma:

La distribución gamma puede describir el tiempo que transcurre para que falle un
componente eléctrico. La mayoría de los componentes eléctricos de un tipo particular
fallará aproximadamente en el mismo momento, pero unos pocos tardarán más en fallar.

La distribución gamma es una distribución continua que se define por sus parámetros de
forma y escala. La distribución gamma de 3 parámetros se define por sus parámetros de
forma, escala y valor umbral. Por ejemplo, en la siguiente gráfica, la distribución gamma se
define según valores de forma y escala diferentes cuando el valor umbral se establece en
0.0. Note que la mayoría de los valores en una distribución gamma ocurren cercanos entre
sí, pero algunos valores quedan al final de la cola superior.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Ejemplo Distribución Gamma:

Un artículo científico observa que la distribución gamma es ampliamente utilizada para

modelar el grado de degradación como la corrosión, la fluencia o el desgaste.
Supongamos que tiene una distribución gamma estándar con α=2
Calcule la probabilidad de que el tiempo de degradación sea más de 4.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Weibull:
En 1939 W. Weibull desarrolló una distribución para describir la fuerza de rompimiento de varios
materiales. Muchos estadísticos han mostrado que la distribución de Weibull puede ser usada
para describir tiempos de fallas para diferentes tipos de sistemas. Modela las características de
vida de los componentes y partes.

La distribución de Weibull tiene dos parámetros: uno de escala β y uno de forma α. La función de
distribución acumulada está dada por:

 0 para s<0  0 para s<0

 
F (s)   F ( s)     ( s  ) 

 s 


1  e 
para s  0 1  e 
para s  0

Cuando el parámetro de forma es mayor a 1, la forma de la pdf de Weibull es unimodal. Cuando el

parámetro es igual a 1, la pdf de Weibull es una pdf exponencial. Cuando el parámetro de forma es
menor a 1 la pdf es similar a la exponencial excepto que la gráfica es asintótica a el eje-y.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Efecto del parámetro de forma:

El parámetro de forma describe la manera en que se distribuyen los datos. Una forma de 3
se aproxima a una curva normal. Un valor de forma bajo, por ejemplo 1, da una curva con
asimetría hacia la derecha. Un valor de forma alto, por ejemplo 10, da una curva con
asimetría hacia la izquierda.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Efecto del parámetro de escala:

La escala, o vida característica, es el percentil 63.2 de los datos. La escala define la posición
de la curva de Weibull respecto del valor de umbral, lo cual es similar a la manera en que la
media define la posición de una curva normal. Una escala de 20, por ejemplo, indica que el
63.2% de los equipos fallará en las primeras 20 horas después del tiempo umbral.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Efecto del parámetro de valor umbral:

El parámetro de valor umbral describe un desplazamiento de la distribución alejándose del

0. Un valor umbral negativo desplaza la distribución hacia la izquierda, mientras que un
valor umbral positivo desplaza la distribución hacia la derecha. Todos los datos deben ser
mayores que el valor umbral. La distribución de Weibull de 2 parámetros es igual a la
distribución de Weibull de 3 parámetros con un valor umbral de 0. Por ejemplo, la
distribución de Weibull de 3 parámetros (3,100,50) tiene la misma forma y dispersión que
la distribución de Weibull de 2 parámetros (3,100), pero está desplazada 50 unidades hacia
la derecha.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Aplicación de Weibull

Es posible realizar un análisis de fiabilidad aplicando Weibull para obtener la distribución

de los fallos. De la muestra se obtienen los parámetros característicos.

¿Qué porcentaje de componentes fallarán a determinado tiempo?

¿en cuánto tiempo fallará determinado porcentaje para establecer garantías?

 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

La función de la distribución de Weibull representa la probabilidad de fallo después de un tiempo

t(R(t)) en función del tiempo transcurrido.

R(t) es la probabilidad de que los componentes sobrevivan hasta el momento t.


R (t )  e  (t /  )
A partir de R(t) se puede definir la probabilidad de que un componente falle antes del momento t,
que se indica como F(t).

F (t )  1  R(t )
 ( t /  )
F (t )  1  e
A partir de la función F(t) también se puede definir la función de densidad de probabilidad f(t) que
muestra la probabilidad que tiene un componente genérico de fallar en un tiempo dado.

 

  1  t
f (t )  t e
 
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Una forma simple de ver la distribución de los fallos y poder analizar es representar
gráficamente la función de Weibull. La gráfica muestra como varia F(t) respecto al tiempo.

¿Cómo determinar los valores de probabilidad acumulada de fallo Fi para método gráfico?

i  0.3
Fi 
n  0.4
Donde i es el número de tiempo de fallo y n el tamaño de la muestra.

Estimar β y α:  
x  0.5772 
  =e 
S 6

donde :
n n

 ln(ti )   ln(ti )  x 
2

x i 1
S2  i 1

n n 1
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Cálculos y análisis

Para calcular valores de fiabilidad o percentiles de fallo se recurre ala formula de Weibull
sustituyendo los parámetros obtenidos.

Para calcular los valores de fiabilidad utilizaremos: 

R(t )  e  (t /  )
Si queremos calcular percentiles de fallos usamos: 
F (t )  1  e (t /  )
Si queremos saber en que momento se habrá producido el fallo de un percentil p de las
muestras. Donde tp es el momento donde falla p*n componentes.

t p     ln(1  p )
1

 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Ejemplo:

Se cuenta con un conjunto de componentes que fallan en el siguiente número de horas:

0.22; 0.5; 0.88; 1; 1.32; 1.33; 1.54; 1.76; 2.5; y 3

Calcular:
a) Porcentaje de fallos a las 3 horas
b) Tiempo en el que habrán fallado el 5% de los componentes
n
i
1
ti
0.22
Ln(ti) Fi (Ln(ti)-x)^2
-1.5141277 0.06730769 2.68336472
 ln(t ) i
1.23970164
2 0.5 -0.6931472 0.16346154 0.66768075 x i 1
= =0.123970
3 0.88 -0.1278334 0.25961538 0.06340502
n 10
n
4 1 0 0.35576923 0.0153686
  ln(t )  x 
2
5 1.32 0.27763174 0.45192308 0.02361188 i
5.34665099
6 1.33 0.28517894 0.54807692 0.02598827 S 
2 i 1
  0.59407
7 1.54 0.43178242 0.64423077 0.09474838 n 1 9
8 1.76 0.56531381 0.74038462 0.19478421 S  0.7707
9 2.5 0.91629073 0.83653846 0.62777188
10 3 1.09861229 0.93269231 0.94992727

1.23970164 5.34665099  = 1.664
i  0.3 S 6
Fi 
n  0.4
 =e

x  0.5772
   e 0.1239   0.57721.664   1.60
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

  1.66
Ejemplo:
  1.60
Calcular:
a) Porcentaje de fallos a las 3 horas

 ( t /  )
F (t )  1  e
 (3/1.60)1.66
F (t )  1  e  0.94

b) Tiempo en el que habrán fallado el 5% de los componentes

t p     ln(1  p )
1


t0.05  1.60   ln(1  0.05) 

1
1.66
 0.268 horas
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Normal:

(Descubierta por A. de Moivre 1667-1754 pero usualmente atribuida a Karl Gauss, 1777-1855). La
variable aleatoria X tiene una distribución normal si hay dos número µ y σ con σ>0 tal que la pdf
de X puede ser escrita como:
 s   
2

1  2 
2

f (s)  e para - <s<

 2

E  X   ; V  X    2
La distribución normal es la distribución más reconocida por la gente por su “forma de campana”.
Su pdf y CDF son mostradas en la figura con media 0 y desviación estándar de 1.

Pdf normal estándar (línea sólida) y CDF normal

estándar (línea punteada)
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Normal:

La integral de esta función no puede hacerse de forma exacta, solo de forma aproximada
mediante métodos numéricos.

Si x es una variable aleatoria normal utilizando un cambio de variable se pueden utilizar las tablas
para la distribución normal estándar (media cero y varianza 1) para el cálculo de probabilidades.

x
z


a x b 

Pr(a  x  b)  Pr   
    
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Normal:

La distribución Normal puede ser usada para aproximar la distribución Binomial y la de Poisson.
Una regla común es para aproximar la binomial cuando n es más grande que 30. Si np<5 entonces
usa la de Poisson para la aproximación con λ=np. Si np≥5 entonces usa la normal para la
aproximación con µ= np y σ2= npq. Además la distribución normal puede ser usada para
aproximar la de Poisson cuando λ>30.

Cuando se usa la distribución normal para aproximar una distribución discreta (Poisson ,
Binomial) el intervalo entre los valores discretos es usualmente dividido. Por ejemplo si deseas
aproximar la probabilidad que una variable aleatoria de Poisson tome los valores sobre 29, 30 ó 31
con una distribución continua, entonces determinaríamos la probabilidad que la variable aleatoria
continua esté entre 28.5 y 31.5
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Aproximación a Distribución Binomial:

Un examen de opción múltiple tiene 80 preguntas cada una con 4 respuestas posibles de las que
solo una es correcta. ¿Cuál es la probabilidad de que solamente adivinando se obtengan de 25 a
30 respuestas correctas de los problemas para los que el estudiante no tiene conocimiento?

x1  0.5   x2  0.5  
z1  ; z2 
 
  np;  2  np (1  p)
D. Normal: D. Binomial
Pr(25  x  30) Pr(25  x  30)
  (80)(0.25)  20;  2  (80)(0.25)(0.75)  15  80 
f ( x  25)    (0.25)25 (0.75)55 =0.0433
 25 
25  0.5  20 30  0.5  20 .
z1   1.16; z 2   2.71 .
15 15
.

Pr(25  x  30)  0.1196 Pr(25  x  30)  0.1197

 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Aproximación a Distribución Poisson:

Una compañía de software ha recibido quejas referentes al servicio al cliente. Quieren analizar las
llamadas a servicio al cliente y se tiene evidencia que es una variable de Poisson con una media de
120 llamadas en una hora. A la compañía le gustaría conocer la probabilidad de que en una hora
140 o más llamadas sean recibidas.
  120;  2    120

D. Normal: D. Poisson
Pr( x  140)  Pr( x  140)  1  Pr( x  140)

140  0.5  120

z  1.78;
10.95

Pr( z  1.78)  1-0.9625=0.0375 Pr( x  140)  1  0.96685  0.03

 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución normal Minitab:

Sea la variable aleatoria X el tiempo que un individuo es capaz de “sobrevivir” en el juego

“Red Block Flight Simulator”. Es conocido que X sigue una distribución normal con 𝜇 = 15
segundos y σ = 3.75 segundos

(a)Dibuja la curva normal con 𝜇 = 15 segundos y σ = 3.75 segundos.

(b) Toma máximo 10 pruebas en:

[Link]
Y registra tus tiempos de sobrevivencia. Cuál es el tiempo más grande que obtuviste en
segundos?

(c) Que porcentaje de tiempos de sobrevivencia, acorde a la distribución normal con 𝜇 =

15 segundos y σ = 3.75 segundos es más grande que tu mejor tiempo?

(d) Que porcentaje de tiempos de sobrevivencia es más corto que tu mejor tiempo?
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Distribución Lognormal:

Un tiempo de falla se distribuye según una lognromal si el logaritmo del tiempo de falla está
normalmente distribuido.

La distribución lognormal es una distribución sesgada hacia la derecha. La pdf comienza en cero
aumenta hasta su moda y disminuye después.

La transformación más común se hace tomando el logaritmo natural, pero también se puede
hacer con los logaritmos base 2 y base 10.

Y= x1 x2 x3
ln Y=ln x1 + ln x2 + ln x3

La función de densidad de probabilidad lognormal es con Y=ln(t)

2
1 yy 
  
1 2   y 
f (t )  e 

t y 2

   / 2
  
2 2 2
media  e ; var= e(2   )
e  1
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Revisión general de la identificación de la distribución individual

Utilice Identificación de distribución individual para identificar una distribución o transformación

apropiadas para sus datos antes de que realice un análisis.

Muchos análisis estadísticos, como el análisis de capacidad, se basan en el supuesto de que los
datos siguen una distribución particular. Identificación de distribución individual ofrece gráficas
de probabilidad y pruebas de bondad de ajuste.

Minitab:
Para ejecutar la identificación de distribución individual, elija Estadísticas > Herramientas de
calidad > Identificación de la distribución individual.

Se evaluará el P-value si el p-value > α los datos están ajustados a la distribución

En caso contrario no siguen la distribución analizada.
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Resumen gráfico y prueba de normalidad

Estudiantes en un curso de estadística participaron en un experimento. Cada estudiante

registró su pulso cuando estaban sentados. Lanzaron monedas y si obtenían cara corrían
en su lugar por un minuto, entonces la clase entera registraba su pulso. Quieres examinar
el pulso de los estudiantes cuando estaban en reposo.
Summary Report for Pulso1
Minitab Anderson-Darling Normality Test
A-Squared 0.98
P-Value 0.013
Mean 72.870
StDev 11.009
Variance 121.192

Seleccionar estadística>estadística básica Skewness

Kurtosis
0.397389
-0.442443
N 92

>resumen gráfico Minimum

1st Quartile
Median
48.000
64.000
71.000
3rd Quartile 80.000
En variables poner la columna Maximum 100.000
95% Confidence Interval for Mean
70.590 75.149
95% Confidence Interval for Median
68.000 74.000
50 60 70 80 90 100
95% Confidence Interval for StDev
9.615 12.878

95% Confidence Intervals

Mean

Median

68 70 72 74 76
 UNIVERSIDAD
PANAMERICANA

DISTRIBUCIONES CONTINUAS IMPORTANTES

Resumen gráfico y prueba de normalidad

Calificaciones de estudiantes en un curso de matemáticas

Summary Report for Calificacion

Anderson-Darling Normality Test
A-Squared 0.20
P-Value 0.872
Mean 69.791
StDev 17.505
Variance 306.434
Skewness -0.169001
Kurtosis -0.670878
N 30
Minimum 33.820
1st Quartile 58.177
Median 69.302
3rd Quartile 86.364
Maximum 99.393
95% Confidence Interval for Mean
63.254 76.328
95% Confidence Interval for Median
61.319 77.278
40 60 80 100
95% Confidence Interval for StDev
13.941 23.533

95% Confidence Intervals

Mean

Median

60 64 68 72 76