6dist Probabilidad Simp

Z
DISTRIBUCIONES DE PROBABILIDAD
DEFINICIÓN
La distribución de probabilidad describe la forma en que quedan
asignadas las probabilidades a todos los posibles resultados de una
variable aleatoria. Existe una relación entre distribución de
frecuencias y distribución de probabilidades. Una distribución de
frecuencias es un listado de todos los resultados de un experimento
que se presentaron realmente cuando se efectuó este, mientras que
la distribución de probabilidad es un listado de todos los posibles
resultados que podrían observarse en la población si el experimento
se llevara a cabo.
Z
VARIABLE ALEATORIA
Una variable aleatoria es la descripción numérica del resultado de
un experimento según la cualidad o característica objeto de análisis
y que debido al azar puede adoptar diferentes valores. Es través de
la variable aleatoria que se presentan los posibles resultados
numéricos de un experimento cuyo espacio muestral no es
numérico. Si el espacio muestral del experimento es numérico, a
menudo los valores de una variable aleatoria son precisamente los
mismos. Se utiliza una letra mayúscula X, por ejemplo, para denotar
una variable aleatoria; y su correspondiente letra minúscula, x en
este caso, para uno de sus valores.
Z
VARIABLE ALEATORIAS: TIPOS DE DATOS
CONTEOS POR CATEGORÍA
FRECUENCIAS
DE UN TOTAL DE UNIDADES
RELATIVAS
DE MUESTREO (UM)
Razón de n1 plantas de n que pertenecen a la
categoría k
CONTEOS EN LA UE
PROPORCIÓN O
DISCRETOS RESPECTO AL TOTAL DE LA
PORCENTAJE
UE OBSERVADA
Razón de x plantas enfermas de n1
observadas por UE
CONTEOS POR UNIDAD DE RECUENTO (CONTEO
MUESTREO OBSERVADA PURO)
Número de insectos por planta
MEDICIÓN DE LA UNIDAD CANTIDAD Y UNIDAD DE
DE MUESTREO MEDIDA
CONTÍNUOS
CONTEOS EN VARIAS UE DE PROMEDIO DE
LA UNIDAD EXPERIMENTAL CONTEOS
Z
Los distintos tipos de distribuciones se clasifican según el
tipo de variable para el cual se han generado. Así existen
distribuciones de probabilidad discretas y continuas. Algunas
de esas se mencionan a continuación:
TIPOS DE DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS CONTINUAS
• BINOMIAL O BERNOULLI • UNIFORME
• POISSON • NORNAL O GAUSSIANA
• HIPERGEOMÉTRICA • EXPONENCIAL
• BINOMIAL NEGATIVA • GAMMA, WEIBULL, CAUCHY
• T DE STUDENT, 2, F FISHER‐
SNEDECOR
Z
RESUMEN DISTRIBUCIONES DISCRETAS
DISTRIBUCIÓN ESPECIFICACIÓN DENOMINACIÓN
n=número de ensayos
Binomial XB(n,p) p=probabilidad de éxito
Poisson XP() = Lambda (razón promedio)
Geométrica o de
XG(p) p=probabilidad de éxito
Pascal
N= tamaño de la población
Hipergeométrica XH(N,n,r) n=tamaño de la muestra
r=número de éxitos en la población
k=número de éxitos
Binomial negativa XBN(k,p) p=probabilidad de éxito
 La distribución binomial negativa equivale a la geométrica cuando el
parámetro k=1
 Distribuciones que son extensiones de la Binomial y Poisson: quasibionomial y
quasipoisson
Z
RESUMEN DISTRIBUCIONES CONTINUAS
=parámetro de forma
Gamma de Euler XG(, ) =parámetro de escala o de alcance
de asimetría positiva
Exponencial XE() =parámetro de forma
= media aritmética
Normal o de Gauss XN(,) =desviación estándar
=parámetro de forma 1
Beta XB(,) =parámetro de forma 2
=parámetro de forma
De Weibull XW(, ) =parámetro de escala
 La distribución normal también puede especificarse utilizando la varianza (,2).

 La distribución exponencial equivale a la distribución Gamma cuando  = 1.
 Si en Weibull  = 1, se tiene una distribución exponencial.
Z
RESUMEN DISTRIBUCIONES CONTINUAS
=parámetro de localización
Cauchy XC(, ) =parámetro de escala
Logística XL(, ) =parámetro de escala
= media aritmética
Lognormal XLN(,) =desviación estándar
Ambas en escala logarítmica
Gumbel XG(, ) =parámetro de escala
T de Student XT(gl) gl=grados de libertad
Chi cuadrado X2(gl) gl=grados de libertad
gln= gl en el numerador
F de Fisher‐Snedecor XF(gln, gld) gld= gl en el denominador
 La distribución normal también puede especificarse utilizando la varianza (,2).

 La distribución F es el cociente de dos parámetros con distribución 2
Z
En las variables aleatorias discretas la función de probabilidad f(x) da la
probabilidad de que la variable aleatoria tome un valor determinado. Ahora,
en el caso de un conjunto de valores, la probabilidad es la suma de la
probabilidades individuales. En las variables aleatorias continuas, la
contraparte de la función de probabilidad es la función de densidad de
probabilidad, que también se denota f(x). El área bajo la curva entre 2 puntos
representa la probabilidad de que ocurra un suceso en dicho intervalo.
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudianti
B  25, 0.35  , P  5  x  10   0.7391 Versión Estudiantil VersiónFunción de densidad
Estudiantil Versión Estudiantil Versión
0.16 F-Snedecor(4,10,7):
tudiantil Versión Estudiantil
0.20
p(evento)=0.5962
Versión Estudiantil Versión Estudianti
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
0.14 tudiantil0.18
Versión Estudiantil Versión Estudiantil Versión Estudianti
Versión 0.16
Estudiantil Versión Estudiantil Versión Estudiantil Versión
0.12 tudiantil Versión Estudiantil Versión Estudiantil Versión Estudianti
0.13
0.1 Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión
Densidad
tudiantil0.11
0.08 Versión 0.09
0.06 0.07
0.04 tudiantil0.04
Versión 0.02
0.02 tudiantil Versión Estudiantil Versión Estudiantil Versión Estudianti
0.00
Versión Estudiantil
0.00 2.37Versión Estudiantil
4.74 7.10 9.47 Versión11.84
Estudiantil
14.21 Versión
16.57
5 10 15 Variable
Z
TIPOS DE GRÁFICOS:
DISTRIBUCIONES CONTÍNUAS
Gráfico de densidad, o bien, de Gráfico de la función de distribución, de
la función de probabilidad probabilidad acumulada, o bien, de la
función de distribución empírica
Z
TIPOS DE GRÁFICOS:
DISTRIBUCIONES DISCRETAS
Gráfico de densidad, o bien, de Gráfico de la función de distribución, de
la función de probabilidad probabilidad acumulada, o bien, de la
función de distribución empírica
Z
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
En el caso de una variable aleatoria discreta X, la

distribución de probabilidad está definida por una función
de densidad (o masa), denotada por f(x). La función de
masa da la probabilidad de cada uno de los posibles
valores de la variable aleatoria, es decir, f(x)=P(x).
El conjunto de pares ordenados [x, f(x)] es una función
de probabilidad o de distribución de probabilidad de la
variable aleatoria discreta X si, para cada resultado
posible x:
1. f  x  0
2.  f  x   1
3. P  X  x   f  x 
Z
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES
CATEGÓRICAS
ESTADÍSTICOS DE UNA VARIABLE CATEGÓRICA
ESPERANZA MATEMÁTICA
También se le llama valor medio, o media de la variable aleatoria
discreta y se denota con E(X) o . Dada una variable aleatoria X, con
valores posibles x1, x2, x3 ,…, xn y valores de probabilidad P(xi) = 1,2, . .
., k, entonces, el valor esperado de X denotado por E(X) está dada por:
n
E  X     xi P  xi  
i 1
VARIANZA Y DESVIACIÓN ESTÁNDAR
Sea X una variable aleatoria discreta con valores de probabilidad
P(xi) = 1,2, . . ., k, y media E(X), la varianza de la variable aleatoria X
denotada por V(X) se define de la siguiente manera:
n
V  X     xi    P  xi   x  V X 
2
i 1 Es una medida del riesgo o grado

de incertidumbre de la media
Z
EJEMPLO
Los datos siguientes se obtuvieron contando el número de
bodegas de un centro de almacenamiento de productos que
fueron usadas en un periodo de 20 días. Tres de estos 20 días
sólo se utilizó una bodega, cinco de estos 20 días se usaron dos,
ocho de estos 20 días se usaron tres bodegas y cuatro de estos
20 días se usaron las cuatro bodegas del centro de
almacenamiento.
a) Elaborar una distribución de probabilidad para el número de
bodegas usadas en un día.
b) Calcular la media y la desviación estándar
c) Elabore la gráfica de la función de probabilidad.
Z
No. de bodegas Días de uso Probabilidad
utilizadas de uso X[P(x)] (X‐)2P(x)
x f P(x)
1 3 0.15 0.15 0.41
2 5 0.25 0.5 0.11
3 8 0.4 1.2 0.05
4 4 0.2 0.8 0.36
Resultados 20 1 2.65 0.93
n
E  X     xi P  xi     V X 
i 1
E  X   2.65
  0.93  0.96
n Se espera utilizar 2.65 bodegas por día, lo

V  X     xi    P  xi  
2
cual equivale a utilizar 53 (2.65×20) bodegas
i 1 en 20 días; con un grado de incertidumbre
V  X   0.93 de 0.96 bodegas por día.
Z
f  x
0.45
0.40
0.40
0.35
0.30
0.25
0.25
0.20
0.20
0.15
0.15
0.10
0.05
0.00 x
1 2 3 4
Z
EJEMPLO
Derivado de un programa de muestreo de calidad, se ha
determinado que la importación de cada cinco automóviles
contiene dos con ligeras manchas de pintura. Si una agencia
recibe 3 automóviles al azar, liste los elementos del espacio
muestral con las letras C y S para “ con mancha” y “sin mancha”,
respectivamente; luego a cada punto muestral asigne un valor x
de la variable aleatoria X que representa el número de
automóviles que la agencia compra con manchas de pintura.
Calcular e interpretar la media y la desviación estándar. Por
último, elabore un gráfico de la función de probabilidad.
E  X   1.2 V  X   0.72   0.85

Z
0.5
0.45 0.432
0.4
0.35
0.288
0.3
0.25 0.216
0.2
0.15
0.1 0.064
0.05
0
0 1 2 3
Z
DISTRIBUCIÓN BINOMIAL O DE BERNOULLI
Tipo de distribución de probabilidad que resulta de calcular la
probabilidad de éxito de las observaciones de una variable aleatoria
obtenidas por conteo, cuando el experimento se repite n veces. Se
utiliza para modelar relaciones que involucran variables categóricas
con resultados expresados en frecuencia, es decir, recuentos por
categoría respecto al un recuento total. También se emplea en
cálculos de estimación de proporciones mediante intervalos de
confianza y en prueba de hipótesis de proporciones para variables
dicotómicas.
Z
DISTRIBUCIÓN BINOMIAL O DE BERNOULLI
Las características de la distribución binomial son las siguientes:

1) La variable es dicotómica, solo hay dos posible resultados para la
variable aleatoria cada vez que se repite el experimento A uno de los
resultados se le llama probabilidad de éxito (p) y al otro probabilidad
de fracaso (p).
2) Los resultados son mutuamente excluyentes, es decir, solo puede
tomar uno de los dos resultados, no ambos.
3) La probabilidad de éxito es la misma de un ensayo a otro.
4) Cada ensayo es independiente de cualquier otro. El resultado de un
ensayo en particular no influye en el resultado del otro.
5) Si se repite el experimento n veces se puede obtener la distribución
de probabilidad binomial a partir de los resultados
Z
FUNCIÓN DE PROBABILIDAD BINOMIAL
El modelo para una distribución binomial es el indicado a continuación y se
lee: “la variable aleatoria X sigue una distribución binomial con n ensayos y
probabilidad de éxito p. Donde la variable aleatoria X es aquello que resulta
de interés en el análisis.
X  B  n, p 
Función de distribución Estadísticos
 p x 1  p 
n! n x
P  x  np np
x ! n  x  !
 2  npq  2  q
P  x   n Cx p 1  p 
x n x
  npq   q
Si q  1  p  , entonces :
P  x   n Cx p x q n  x
Z
EJEMPLO
Calcular la probabilidad de contestar al azar, 10, 11, 13, 15, 18 y 20
preguntas incorrectamente de un examen de 20 preguntas de opción
múltiple con cuatro opciones de respuesta. Indicar el modelo de la
distribución y definir la variable aleatoria, obtener la media y la
desviación estándar e interpretar, finalmente graficar la función de
distribución de probabilidad.
X  B  20,0.75 Donde X es el número de preguntas contestadas incorrectamente.
P  x   n Cx p x q n  x P  x   n Cx p x q n x P  x   n Cx p x q n  x
P 10   20 C10 0.7510 0.2510 P 11  20 C11 0.75110.259 P 13  20 C13 0.75130.257
P 10   0.001 P 11  0.027 P 13  0.112
P  x   n Cx p x q n  x P  x   n Cx p x q n  x P  x   n Cx p x q n  x
P 15   20 C15 0.75150.255 P 18   20 C18 0.75180.252 P  20   20 C20 0.7520 0.250
P 15   0.202 P 18   0.067 P  20   0.003
Z
  n p  20  0.75  15
 2  npq  15  0.25  3.75
  npq  3.75  1.94
f(x)
0.22
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
x
1 2 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Z
Para el ejercicio anterior, calcular las siguientes probabilidades:
a) ¿Cuál es la probabilidad de contestar incorrectamente
entre 11 y 15 preguntas estrictamente?
b) ¿Cuál es la probabilidad de contestar incorrectamente a lo
sumo 17 preguntas?
c) ¿Cuál es la probabilidad de contestar correctamente 8
preguntas?
P 11  x  15   20 C12 0.7512  0.258  0.112  20 C14 0.7514  0.256  0.341

Z
En una universidad se encontró que 20% de los estudiantes no
terminan el primer curso de estadística, al curso se inscriben 20
estudiantes.
a) Calcule la probabilidad de que dos o menos no terminen.
b) De que cuatro, exactamente, no terminen.
c) De que más de tres no terminen.
d) ¿Cuál es el número esperado de estudiantes que no terminan?
Z
EJERCICIO
Calcular la probabilidad de contestar al azar,
0,1,2,3,4,5,6,7,8,9,10,11 y 12 preguntas correctamente de un
examen de 30 preguntas de selección múltiple con cinco opciones
de respuesta cada una. Indicar el modelo de la distribución y definir
la variable aleatoria, obtener la media y la desviación estándar e
interpretar. Graficar la función de distribución de probabilidad.
¿Cuál es la probabilidad de contestar 13 o más preguntas
correctamente sin haber estudiado para el examen? ¿Cuál es la
probabilidad de contestar el examen al azar y obtener 3 o 5
preguntas buenas?
Z
AJUSTE BINOMIAL Y PRUEBA DE BONDAD DE AJUSTE
Algunas veces es necesario determinar a partir de los resultados
observados en una muestra, el tipo de distribución que sigue la variable de
estudio en la población. Una vez determinado, bastará con aplicar las
propiedades y características del modelo al que se ajusta, para responder
interrogantes de interés.
Z
AJUSTE BINOMIAL Y PRUEBA DE BONDAD DE AJUSTE
Existe la sospecha que un conjunto de datos obtenidos
experimentalmente se ajusta a una distribución binomial cuando se han
contado f individuos que cumplen una determinada condición x de n
individuos de una población, es decir, cuando se tiene un número
específico de resultados que se repiten varias veces, con los cuales es
posible elaborar una tabla de frecuencias. Una distribución binomial
queda caracterizada por los valores de n y p, donde n es conocido. El
valor de p se puede calcular de la siguiente manera:
x
x  np  p 
n
Z
DISTRIBUCIÓN DE PROBABILIDAD DE POISSON
La distribución de Poisson suele utilizarse para estimar la
probabilidad de sucesos expresados como razón y que
ocurren por intervalos. Los intervalos son unidades de
tiempo, espacio o región, por citar algunos casos. La
distribución de Poisson también se puede utilizar para
aproximar una distribución de probabilidad binomial cuando
n es suficientemente grande y p es pequeño cercano a cero.
Como regla empírica, esta aproximación puede ser aplicada
con seguridad si np<7. Al igual que otras distribuciones
discretas y continuas, la forma de la distribución se vuelve
cada vez más simétrica, incluso con forma de campana,
conforme la media se hace más grande.
Z
Si se satisfacen las condiciones siguientes, el número de
ocurrencias, es una variable aleatoria discreta descrita
por la distribución de probabilidad de Poisson. Las
propiedades de un experimento de Poisson son:
• La probabilidad de ocurrencia es la misma para
cualesquiera dos intervalos de la misma magnitud.
• La ocurrencia o no‐ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no‐ocurrencia en
cualquier otro intervalo.
Z
La función de probabilidad de Poisson se define
mediante la ecuación:
Cuando t=1
 
  t
x
t e  x e 
P  x   x  0,1, 2,3...
x! x!
En donde:
P(x)= probabilidad de x ocurrencias en un intervalo
x= número de ocurrencias en un intervalo (variable discreta)
= valor esperado continuo o número promedio de ocurrencias por
intervalo.
t= número de intervalos considerados.
e= número de Euler 2.71828182…
Z
X  Po   
La variable aleatoria X sigue una distribución de Poisson con
número promedio de ocurrencias por intervalo igual a lambda.
Función de distribución Parámetros
 EX   
 x e  Media
P  x  Varianza  V (X )   2  
x!
Desviación estándar =  = 
Una propiedad de la distribución de Poisson es que la media y la varianza de
la distribución son iguales. Además, tomar en cuenta la siguiente expresión,
porque x puede tomar cualquier valor, más allá de lambda.
P  X  x  1 P  x  X   
Z
Se tiene una plantación 5 manzanas de trigo y el número
promedio de ratas de campo por manzana se estima en 12.
Determine la probabilidad de encontrar …
a) menos de 7 ratas de campo por manzana.
b) 7 o más ratas de campo por manzana.
c) de 10 a 12 ratas de campo por manzana, inclusive.
d) exactamente 15 ratas de campo en dos de las manzanas
del terreno.
e) menos de 7 ratas de campo por manzana, en 2 de las 5
manzanas, en la siguiente inspección de la plantación.
Z
0.13 p
0.12
0.11
0.1
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
r
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Z
Suponga que el número esperado de árboles por acre en
un bosque de es 80. ¿Cuál es la probabilidad de que en
un terreno de un cuarto de acre, haya cuando mucho 11
árboles? ¿Cuál es la probabilidad de que en un terreno
de un cuarto de acre, hayan entre 14 y 16 árboles
inclusive? R/0.0214, 0.1549
Z
Los baches en ciertas carreteras pueden ser un problema
grave y tener la necesidad constante de repararse. Con un
tipo específico de terreno y mezcla de concreto, la
experiencia sugiere que hay, en promedio, 2 baches por
milla después de cierta cantidad de uso.
a)¿Cuál es la probabilidad de que no más de un bache
aparezca en un tramo de una milla? R/0.4060
b)¿Cuál es la probabilidad de que no más de 4 baches
ocurrirán en un tramo dado de 5 millas. R/0.0293
Z
Si la probabilidad de que una persona presente síntomas de
intoxicación al aplicar agroquímicos a los cultivos es 0.2%,
calcule la probabilidad de que exactamente 4 de un total
2500 trabajadores de campo sufran síntomas de intoxicación.
0.2%  0.002
  2500  0.002  5
 x e 54 e 5
P  4    0.1755
x! 4!
En el presente caso es la distribución de Poisson como una aproximación
de la distribución binomial.
 np  e  np
x
P  x 
x!
Z
DISTRIBUCIÓN DE PROBABILIDAD GEOMÉTRICA
La distribución geométrica es cualquiera de las dos distribuciones de
probabilidad discretas siguientes:
a) La distribución de probabilidad del número X del ensayo de
Bernoulli necesaria para obtener un éxito, contenido en el conjunto
{ 1, 2, 3,...}
b) La distribución de probabilidad del número Y = X−1 de fracasos
antes del primer éxito, contenido en el conjunto { 0, 1, 2, 3,... }.
Z
DISTRIBUCIÓN DE PROBABILIDAD GEOMÉTRICA
Para ambos de los siguientes casos la secuencia es una progresión
geométrica y en el cálculo de probabilidades se tiene que:
a) Si la probabilidad de éxito en cada ensayo es p, entonces la de que x
ensayos sean necesarios para obtener un éxito es:
p  X  x   p 1  p 
x 1
para x  1, 2,3,...n
b) En otro caso, si la probabilidad de éxito en cada ensayo es p, entonces la
de que haya x fracasos antes del primer éxito es:
p Y  x   p 1  p  para y  0,1, 2,3,...n
x
El valor esperado de una variable aleatoria X distribuida geométricamente es
1 1 p
a E  X   b  En tanto que Y  X  1, E Y  
p p
1 p
En ambos casos, la varianza es: var  X   var Y  
p2
Z
DISTRIBUCIÓN DE PROBABILIDAD
HIPERGEOMÉTRICA
Para aplicar una distribución binomial, la probabilidad de que ocurra
un éxito debe permanecer igual en cada ensayo. No obstante, la
mayor parte del muestreo se realiza sin reemplazos, y si la población
es pequeña, la probabilidad de cada observación cambiará
significativamente. Esto supone que la población es finita; es decir,
se conoce el número de elementos de la población. Como la
probabilidad de éxito no es la misma en todos los ensayos cuando se
realiza un muestreo sin reemplazo en una población relativamente
pequeña, no debe aplicarse la distribución binomial. En lugar de
ésta se aplica la distribución hipergeométrica.
Z
HIPERGEOMÉTRICA
Por lo tanto, si se selecciona una muestra de una población finita sin
reemplazo y si el tamaño de la muestra n es mayor que 5% del
tamaño de la población N, se aplica la distribución hipergeométrica
para determinar la probabilidad de un número específico de éxitos o
fracasos. Esto resulta especialmente apropiado cuando el tamaño
de la población es pequeño. En resumen, una distribución de
probabilidad hipergeométrica tiene las siguientes características:
1. Los resultados de cada ensayo de un experimento se clasifican en dos
categorías: éxito o fracaso.
2. La variable aleatoria es el número de éxitos de un número fijo de
ensayos.
3. Los ensayos no son independientes.
4. Los muestreos se realizan con una población finita sin reemplazo y n/N
> 0.05. Por lo tanto, la probabilidad de éxito cambia en cada ensayo.
Z
HIPERGEOMÉTRICA
La fórmula de la distribución de probabilidad hipergeométrica es la
siguiente:
P  x 
 r Cx  N r Cn x 
N Cn
Donde:
N representa el tamaño de la población.
n es el tamaño de la muestra o número de ensayos.
r es el número de éxitos en la población.
x es el número de éxitos en la muestra.
C es el símbolo de combinación.
Z
HIPERGEOMÉTRICA
La media, varianza y desviación estándar de una distribución
hipergeométrica son las siguientes:
 r 
  n 
N
 r  r  N  n 
  n   1  
2

 N   N  N  1 
  2
Z
HIPERGEOMÉTRICA
Si 8 de cada 89 muestras de forraje colectado en el municipio de
Moyuta, Jutiapa presentan deficiencia de fósforo y en forma
aleatoria se toman 6 muestras, ¿ Cuál es la probabilidad de que …?
 dos presenten deficiencia de fósforo 0.0802
 al menos una presente deficiencia de fósforo 0.441
 tres no presenten deficiencia de fósforo
N=89
n=6 P  x 
 r Cx  N r Cn x 
r=8 N Cn
x=2
P  x  2 
 8C2  81C4 
89 C6
P  x  2   0.0802
Z
HIPERGEOMÉTRICA
Z
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
Hasta aquí se han estudiado tres distribuciones de probabilidad:

binomial, de Poisson, geométrica e hipergeométrica. Estas
distribuciones se basan en variables aleatorias discretas, que sólo
adoptan valores claramente separados y solo son posibles
determinados resultados. Por otro lado, una variable aleatoria
continua tiene un número infinito de valores dentro de cierto
intervalo particular. Así, debe pensarse en la probabilidad de que
una variable tenga un valor dentro de un intervalo determinado,
en lugar de pensar en la probabilidad de un valor específico.
Z
Si X una variable aleatoria continua, entonces la distribución de

probabilidad o función de densidad de probabilidad de X es una
función f(x) tal que para dos números cualesquiera a y b:
P  a  X  b    f  x  dx
b
Es decir, la probabilidad de que X asuma un valor en el intervalo

(a,b) es el área sobre ese intervalo y bajo la gráfica de la función
de densidad, como se ilustra en la siguiente figura.
Z
Una diferencia fundamental entre las variables aleatorias discretas
y las continuas es cómo se calculan las probabilidades. La
diferencia está en que la función de densidad de probabilidad no
da probabilidades directamente. Si no que el área bajo la curva de
f(x) que corresponde a un intervalo determinado proporciona la
probabilidad de que la variable aleatoria tome uno de los valores
de ese intervalo. De manera que cuando se calculan
probabilidades de variables aleatorias continuas se calcula la
probabilidad de que la variable aleatoria tome alguno de los
valores dentro de un intervalo. En toda distribución de
probabilidad continua se cumple que:

a  P    x      f  x  dx  1

b P  x  a  0
c P  x  a  P  x  a y P  x  a  P  x  a
Z
DISTRIBUCIÓN DE PROBABILIDAD UNIFORME
La distribución de probabilidad uniforme la distribución más
simple de una variable aleatoria continua. La distribución tiene
forma rectangular y queda definida por la diferencia entre los
valores mínimo y máximo de la variable aleatoria. Se entiende que
en cualquier intervalo de una unidad a otra, la probabilidad es la
misma. Si a y b son los valores mínimo y máximo respectivamente,
que establecen el rango de variación de la variable aleatoria, en
general, la función de densidad de probabilidad uniforme de una
variable aleatoria x se define mediante la fórmula siguiente:
 1
 para a  x  b
f  x  b  a
 0 en cualquir otro caso
n

P m  x  n  
1
dx 
1
n  m
m b  a ba
Z
La media de una distribución uniforme se localiza a la mitad del
intervalo entre los valores mínimo y máximo. Se calcula de la
siguiente manera:
ab

2
En la distribución uniforme, la desviación estándar también se

relaciona con el intervalo entre los valores máximo y mínimo. Se
obtiene con la siguiente expresión:
b  a 
2

12
Z
Las precipitaciones de abril en una región tienen una distribución
uniforme de entre 1.3 y 7.6 centímetros.
a) Escriba la función de densidad de probabilidad y la gráfica
b) ¿Cuál es la probabilidad para el intervalo de precipitación de 1
centímetro mensual?
c) ¿Cuál es la precipitación media del mes?
d) ¿Cuál es la desviación estándar?
e) ¿Cuál es la probabilidad de que haya menos de 3 centímetros de
precipitación en el mes?
f) ¿Cuál es la probabilidad de que haya más de 4.5 centímetros de
g) ¿Cuál es la probabilidad de que haya exactamente 3 centímetros de
Z
uniforme de entre 1.3 y 7.6 centímetros. Escriba la función de densidad
de probabilidad y la gráfica
0.18 f(x)
0.17
0.16
0.15
0.14
0.13
0.12
 1
0.11
 para 1.3  x  7.6
0.1 f  x    6.3
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
x
1 2 3 4 5 6 7 8
¿Cuál es la probabilidad para el intervalo de precipitación de 1 centímetro

mensual? p ( x  0.5) 
1
 0.1587
6.3
Z
uniforme de entre 1.3 y 7.6 centímetros. Escriba la función de densidad
de probabilidad y la gráfica
0.18 f(x)
0.17
0.16
0.15
0.14
0.13
0.12
 1
0.11
 para 1.3  x  7.6
0.1 f  x    6.3
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
x
1 2 3 4 5 6 7 8
¿Cuál es la probabilidad para el intervalo de precipitación de 1 centímetro

mensual? p ( x  0.5) 
1
 0.1587
6.3
Z
La precipitación media del mes y la desviación estándar son:
a  b 1.3  7.6
   4.45 cm
2 2
b  a   7.6  1.3
2 2
   1.82 cm
12 12
Z
la probabilidad de que haya menos de 3 centímetros de precipitación en
el mes se obtiene así: 0.18 f(x)
0.17
3
p  x  3  
1 0.16
 dx 0.15
1.3 6.3 0.14
0.13
3
1 
p  x  3 
0.12
x 0.11
6.3 1.3 0.1
Altura:
0.09
1
1 1
p  x  3    1.3
0.08 6.3
3  0.07
6.3 6.3 0.06
0.05
1
p  x  3   3  1.3 0.04
0.03
6.3 0.02
0.01
x
1
p  x  3  1.7  0.2698 1 2 3 4 5 6 7 8
6.3 base  3  1.3  1.7

Z
Con base a la observación anterior, la probabilidad de que haya más de
4.5 centímetros de precipitación en el mes es:
0.18 f(x)
0.17
1
p  x  4    7.6  4.0 
0.16
0.15
0.14
6.3 0.13
0.12
0.11
1
p  x  4 
0.1
 3.6 0.09
0.08
6.3 0.07
0.06
p  x  4   0.5714
0.05
0.04
0.03
0.02
0.01
x
1 2 3 4 5 6 7 8
Finalmente, la probabilidad de que haya exactamente 3 centímetros de

precipitación en el mes, ES CERO. La probabilidad en las distribuciones
continuas corresponde a que la variable aleatoria tome un valor dentro de
un intervalo de valores.
Z
En las botellas de un detergente líquido se indica que el contenido es de
12 onzas por botella. En la operación de producción se llenan las botellas
uniformemente de acuerdo con la siguiente función de densidad de
probabilidad.
8 para 11.975  x  12.100

f  x  
0 en cualquir otro caso
a) ¿Cuál es la probabilidad de que el contenido de una botella esté entre 12

y 12.05 onzas? R/0.4
b) ¿De que el contenido de una botella sea 12.02 onzas o más? R/0.64
c) En el control de calidad se acepta que una botella sea llenada con más o
menos 0.02 onzas de lo indicado en la etiqueta. ¿Cuál es la probabilidad
de que una de las botellas de detergente no satisfaga estos estándares?
R/0.04+0.64=0.68
Z
DISTRIBUCIÓN GAMMA
La distribución gamma es una generalización de la distribución
exponencial. Se utiliza para describir el comportamiento de una variable
hasta que se produce p veces un determinado suceso y modelar datos
positivos con asimetría hacia la derecha. Por ejemplo, la mayoría de los
componentes eléctricos de un tipo particular fallará aproximadamente
en el mismo momento, pero unos pocos tardarán más en fallar. Se
define por los parámetros de forma (α) y escala (). Cuando el
parámetro de forma es un entero, la distribución gamma a veces se
menciona como distribución de Erlang.
El primer parámetro (α), sitúa la máxima intensidad de probabilidad y

por este motivo es denominada la forma de la distribución. Cuando se
toman valores próximos a cero aparece entonces un dibujo muy similar
al de la distribución exponencial. Cuando se toman valores grandes de
(α), el centro de la distribución se desplaza a la derecha, por lo que va
apareciendo la forma de la campana de Gauss con asimetría positiva.
Z
DISTRIBUCIÓN GAMMA
El segundo parámetro (β), es el que determina la forma o alcance de la
asimetría positiva. Para valores elevados de (β), la distribución acumula más
densidad de probabilidad en el extremo derecho de la cola, alargando
mucho su dibujo y dispersando la probabilidad a lo largo del plano. Al
dispersar la probabilidad, la altura máxima de densidad de probabilidad se
va reduciendo; de aquí que se le denomine escala. Valores mas pequeños de
(β) conducen a una figura más simétrica y concentrada, con un pico de
densidad de probabilidad más elevado. La función de densidad y parámetros
muestrales son:
x

e 
x 1
f  x    
    

     e x  x  1
dx  2   2
0
Z
DISTRIBUCIÓN GAMMA
Z
DISTRIBUCIÓN BETA
La distribución beta es una distribución continua definida por dos parámetros
de forma. Por ejemplo, el estadístico de orden k‐ésimo de una muestra de
variables n uniformes (0, 1) tiene una distribución beta (,) donde =n+1–).
La distribución puede adoptar diferentes formas dependiendo de los valores
de los dos parámetros.
La distribución beta se utiliza para variables aleatorias entre 0 y 1 (ni 0 ni 1
exactamente). La distribución beta suele utilizarse para modelar la distribución
de estadísticos de orden, proporciones verdaderas y eventos que se definen
por valores mínimos y máximos.

x 1 1  x      
 1

f  x    x 1 1  x   1   
B  ,           
       2 

B  ,      x 1 1  x 
1  1
dx
             1
2
0
Para  ,   0
Z
DISTRIBUCIÓN BETA
Beta Distribution: Shape 1=1, Shape 2=1 Beta Distribution: Shape 1=0.8, Shape 2=0.75
Beta Distribution: Shape 1=1.6, Shape 2=1.6
3.5
1.4
Cuando ambos parámetros

Cuando ambos
son menores que uno
1.2
parámetros son 1
3.0
1.2
1.0
2.5
Density
Density
0.8
Density
1.0
2.0
0.6
1.5
0.8
Cuando ambos parámetros
0.4
son iguales y mayores que uno
1.0
0.2
0.6
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.2 0.4 0.6 0.8 1.0
x x
Beta Distribution: Shape 1=2, Shape 2=5 x
Beta Distribution: Shape 1=5, Shape 2=2
2.5
Cuando el primer
2.5
Cuando el primer parámetro es menor

parámetros es mayor que el segundo
2.0
2.0
que el segundo
1.5
1.5
Density
Density
1.0
1.0
0.5
0.5
0.0
0.0
0.0 0.2 0.4 0.6 0.8

0.2 0.4 0.6 0.8 1.0
x
x
Z
DISTRIBUCIÓN BETA: EJEMPLO
Un distribuidor de fertilizante se abastece semanalmente de los abonos
químicos y orgánicos con mayor demanda. Los registros de venta
revelan que la cantidad de fertilizantes vendidos por semana es posible
modelarlo con una distribución beta con parámetros = 4 y =2. calcule
el valor esperado de la venta semanal y la probabilidad que en alguna
de las semanas venda menos del 90%
 4 2
    0.67%
  42 3
  4   2
B  ,      x 41 1  x 
1 2 1
dx
  4  2 0.9
  4   2
B  ,      x 41 1  x 
1 2 1
dx
  4  2 0.9
ejemplo.:
https://es.slideshare.net/FernandoRiverosOchoa/distribucin‐beta‐81358670
Z
DISTRIBUCIÓN DE WEIBULL
La distribución de Weibull es una distribución versátil que se puede utilizar

para modelar una amplia gama de datos. La importancia de esta
distribución es la diversidad de formas que puede tomar dependiendo de
los parámetros que la caracterizan:  que es el parámetro de forma y  el
de escala, dados para el intervalo abierto (0,). El parámetro de forma ()
describe la manera en que se distribuyen los datos y es el que proporciona
la flexibilidad a este modelo. 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. Si  = 1 se tiene una distribución exponencial.
Z
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. El
parámetro de valor umbral describe un desplazamiento de la distribución
alejándose del 0. 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.
Z
La distribución Weibull como función de densidad probabilística simple y
acumuladas, así como la media y la varianza se presentan a continuación
(Haan, 1986):

 1  x  
  x    
f  x    
Para x  
   
e

 1 x
x  
f  x   
Para   0
   
e
 1

   1  1 
 
x
 
f  x  X   1 e  
Para   0 
  2 2 1 
 2   2  1    
   
1
    
Z
Z
DISTRIBUCIÓN DE WEIBULL: EJEMPLO
La función de densidad de la distribución de Weibull, la media y la varianza
estás dadas por:
https://prezi.com/rhhfkdtdotf6/distribucion‐de‐weibull/
Z
DISTRIBUCIÓN NORMAL O GAUSSIANA
La distribución normal es un tipo de distribución de probabilidad

continua y su estudio es importante por tener muchas
aplicaciones y amplio uso en la inferencia estadística dado que la
mayoría de pruebas paramétricas tienen como supuesto que los
datos, o bien, los residuos, se distribuyan normalmente. Se utiliza
en cálculos de estimación de la media mediante intervalos de
confianza y en pruebas de hipótesis para la media.
Z
La ecuación matemática para la distribución de probabilidad de la

variable normal depende de los dos parámetros, de la media
aritmética y la desviación estándar (μ y σ). La función de densidad
normal con media y desviación estándar específicas es:
 x 
2
 12  
f  x 
1   
e
 2
El modelo para una distribución normal es el indicado a

continuación y se lee: “la variable aleatoria X sigue una distribución
normal con media  y desviación estándar . Donde la variable
aleatoria X es aquello que resulta de interés en el análisis. Dicho
modelo también puede especificarse en función de la varianza.
X  N   , 
Z
La FORMA MÁS SIMPLE de una distribución normal, es la función de

densidad normal estándar para la variable aleatoria z, la cual tiene
media cero (=0) y desviación estándar uno (=1). Así la función de
densidad normal estándar es la siguiente:
x 
2
X  N   , 

 12  
f  x 
1   
e
 2
f  x  X  N  0,1
1  12 x2
e
2
f z  Z  N  0,1
1  0.5 z 2
e X Z
2
f  z   0.4 e  0.5 z 2
Z
En consecuencia, es posible transformar todas las observaciones de
cualquier variable aleatoria normal X a un nuevo conjunto de
observaciones de una variable aleatoria normal Z con media 0 y
varianza 1. A este proceso se le llama estandarización y se realiza a
través de la siguiente expresión:
Para la media de una muestra
Para una observación de la población extraída de la población
x x 
z z
 
n
Esto conlleva a que la función de densidad normal para cualquier

media y desviación estándar de la variable aleatoria se pueda
reescribir así:
 0.5 z 2
f  z 
1  0.5 z 2 0.4 e
e f  z 
 2 
Z
CARACTERÍSTICAS DE LA DISTRIBUCIÓN NORMAL
 El punto más alto de una curva normal se encuentra sobre la media, la cual
coincide con la mediana y la moda.
 Es simétrica, siendo la forma de la curva normal al lado izquierdo de la media, la
imagen especular de la forma al lado derecho de la media. Dado que es
simétrica, el sesgo es cero.
 Las colas de la curva normal se extienden al infinito en ambas direcciones y en
teoría jamás tocan el eje horizontal.
 Las probabilidades correspondientes a la variable aleatoria normal se dan
mediante áreas bajo la curva normal. Así, el área bajo la curva se interpreta
como la probabilidad de ocurrencia de un evento o porcentaje de datos que
contiene dicha área. Toda el área bajo la curva de una distribución normal es 1.
 Como esta distribución es simétrica, el área bajo la curva a la izquierda de la
media es 0.50 y el área bajo la curva y a la derecha de la media es 0.50.
 El 68.3% de los valores de una variable aleatoria normal se encuentran a más o
menos una desviación estándar de la media. A más o menos dos desviaciones
estándar de la media, el 95.4% de los valores. A más o menos tres desviaciones
estándar de la media, el 99.7% de los valores. Y más o menos cuatro
desviaciones estándar, prácticamente, el 100% de los datos.
Z
CARACTERÍSTICAS DE LA DISTRIBUCIÓN NORMAL
La desviación estándar determina qué tan plana y ancha es la
curva normal. Desviaciones estándar grandes corresponden a
curvas más planas y más anchas.
f(x)
0.6 N  0, 0.6 
N  0,1
0.4
N  0,1.6 
0.2
x
-5 -4 -3 -2 -1 1 2 3 4 5
Z
Por ejemplo, en una distribución normal simétrica, a una

desviación estándar tanto hacia la izquierda como a la derecha
deben concentrarse aproximadamente el 68.3% de los datos, a
2 desviaciones estándar el 95.4% y a 3 el 99.7%
f(z)
f  z   0.4 e  0.5 z
2
 1 68.26894% de los datos
 2  95.44997% de los datos
 3 99.73002% de los datos
 4 99.99367% de los datos
34.13% 34.13%
2.14% 13.59% 2.14%
0.14% 13.59% 0.14% z
-4 -3 -2 -1 1 2 3 4
A  z   p  z    0.4 e  0.5 z dz  1.0  100%

4 2
4
Z
f(z)
A  z   p  z    0.4 e  0.5 z dz  0.5  50%
0 2
34.13%
4
13.59%
2.14%
0.14% z
-4 -3 -2 -1 1 2 3 4
A  z   p  z    0.4 e  0.5 z dz  0.8185  81.85%

2 2
f(z) 1
34.13% 34.13%
13.59% 13.59%
2.14%
0.14%
z
-4 -3 -2 -1 1 2 3 4
Z
Z
Z
FUNCIÓN DE DENSIDAD Y FUNCIÓN DE DENSIDAD ACUMULADA
DE LA DISTRIBUCIÓN NORMAL
Densidad acumulada
tudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudia
1.000
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versi
0.929
Versión 0.857
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versi
tudiantil0.786
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudia
0.714
Probabilidad acumulada
0.643
tudiantil0.571
Versión 0.500
0.429
0.357
Versión 0.286
tudiantil0.214
Versión 0.143
P(z=1.07)=0.8577
0.071
tudiantil0.000
-5 -4 -3 -2 -1 0 1 2 3 4 5
ó ó ó ó ó
Z
FUNCIONES DISPONIBLES EN EXCEL PARA LA DISTRIBUCIÓN NORMAL
Función Utilidad
Se utiliza para obtener el valor z para cualquier valor de la serie de datos según la media y
NORMALIZACION
la desviación estándar de la serie de datos.
Se utiliza para calcular la probabilidad o área bajo de la curva acumulada (verdadero), o
bien, la probabilidad puntual (frecuencia relativa o valor de y de la función) para
DISTR.NORM
cualquier valor de una serie de datos, según la media y la desviación estándar de la serie
de datos.
DISTR.NORM.N Equivalente a la anterior
Devuelve el valor x de una serie de datos, según el área bajo la curva acumulada, la media
INV.NORM
y la desviación estándar de la serie de datos.
DISTR.NORM.INV Equivalente a la anterior
Calcula la probabilidad o área bajo la curva acumulada (verdadero), o bien, la
DISTR.NORM.ESTAND.N probabilidad puntual (frecuencia relativa o valor de y de la función) para determinado
valor de valor z
DISTR.NORM.ESTAND Calcula la probabilidad o área bajo la curva acumulada para determinado valor de valor z
Devuelve el valor z en función de la probabilidad o área bajo la curva acumulada
DISTR.NORM.ESTAND.INV
ingresada
INV.NORM.ESTAND Equivalente a la anterior
Z
POSIBLES CASOS EN EL CÁLCULO DE ÁREA BAJO LA CURVA DE UNA
DISTRIBUCIÓN NORMAL.
Un investigador informa que unos ratones vivirán un promedio de 40
meses cuando sus dietas se restringen drásticamente y después se
enriquecen con vitaminas y proteínas. Suponiendo que el tiempo de
vida de tales ratones se distribuyen normalmente con una desviación
estándar de 6.3 meses, encuentre la probabilidad de que un ratón
dado vivirá:
a) más de 32 meses;
b) menos de 28 meses;
c) entre 37 y 49 meses.
Z
Un estudio analiza el porcentaje de pureza del oxígeno de cierto

proveedor. Si la media fue 99.61 con una desviación estándar de 0.08
y se supone que la distribución del porcentaje de pureza fue
aproximadamente normal.
a) ¿Qué porcentaje de los valores de pureza esperaría que estuvieran
entre 99.5 y 99.7?
b) ¿Qué valor de pureza esperaría que excediera tan solo el 5% de la
población?
c) Que valor de pureza esperaría que excediera el 95% de la
población?
Z
La vida útil promedio de cierto tipo de motor pequeño es

de 10 años con una desviación estándar de 2 años. El
fabricante reemplaza gratis todos los motores que fallen
dentro del periodo de garantía. Si él está dispuesto a
reemplazar sólo 3% de los motores que fallan, ¿cuánto
tiempo de garantía debería ofrecer? Suponga que la
duración de un motor sigue una distribución normal.
Z
Se sabe que el número X de personas que entran diariamente en los

grandes almacenes se distribuye normalmente. Si hay una
probabilidad de 0.58 de que entren menos de 75 clientes y una
probabilidad de 0.38 de que entren entre 75 y 80 clientes, determinar
la media y la varianza de la variable aleatoria
0.14 0.14 0.14
0.12 0.12 0.12
0.96
0.10 0.10 0.10
0.38
Densidad
Densidad
Densidad
0.08 0.08 0.08
0.06 0.06 0.06
0.58
0.04 0.04 0.04
0.02 0.02 0.02
0.00 0.00 0.00

75 75 80 80
De la tabla : p  x  80   0.58  0.38

z  p  0.58   0.20 p  x  80   0.96
Sistema de ecuaciones con base a : z    x
0.2    75 De la tabla :
1.75    80 z  p  0.96   1.75
Al resolver el sistema :
  3.23
  74.35
Z
Suponga que el diámetro a la altura del pecho (pulg) de un tipo de

árboles está normalmente distribuido con media igual 8.8 y desviación
estándar igual a 2.8.
a) ¿Cuál es la probabilidad de que el diámetro de un árbol
seleccionado al azar sea por lo menos de 10 pulg?
b) ¿Cuál es la probabilidad de que el diámetro de un árbol
seleccionado al azar esté entre 5 y 10 pulg?
c) ¿Qué valor c es tal que el intervalo (8.8‐c, 8.8+c) incluya 98% de
todos los valores de diámetro?
d) Si se seleccionan cuatro árboles al azar, ¿cuál es la probabilidad de
que por lo menos uno tenga un diámetro de más de 10 pulg?
e) Si se toma una muestra de 8 árboles, ¿Cuál es la probabilidad de que
el promedio del diámetro sea mayor a 11 pulgadas.
Z
La deriva de las atomizaciones de pesticidas es una preocupación constante de

los fumigadores y productores agrícolas. La relación inversa entre el tamaño
de gota y el potencial de deriva es bien conocida. En un artículo sobre el
efecto de formulaciones sobre el tamaño y deposición de gota en
aspersiones”, se sugirió que la distribución normal con media de 340 µm
(micrómetros o micras=0.001mm) y desviación estándar de 125 µm fue un
modelo razonable para el tamaño de gotas de agua pulverizada usando una
boquilla de 760 ml/min.
a. ¿Cuál es la probabilidad de que el tamaño de una sola gota sea de menos
de 150 µm?
b. ¿Cuál es la probabilidad de que el tamaño de una sola gota sea entre 320 y
380 µm?
c. Si se miden los tamaños de cinco gotas independientemente seleccionadas,
¿cuál es la probabilidad de que por lo menos dos excedan de 450 µm?
d. ¿Cuál es la probabilidad de que el tamaño promedio de una muestra de 10
gotas no supere 275 µm?
Z
Un criador de ranas toro afirma que al llegar al año de vida, el peso

promedio de éstas es de 160 g. Si el peso de las ranas toro al año de
vida se distribuye normalmente con un desvío de 11 g,
a) ¿Qué porcentaje de ranas de un año pesa menos de 150 gramos?
b) ¿Qué porcentaje de ranas pesa más de 200 gramos?
c) ¿Del 10% de las ranas toro de un año de vida con mayor peso, cuál
es el peso mínimo?
d) En un lote de 200 ranas toro de un año, ¿cuántas esperaría que
pesen entre 150 y 170 g?
e) Calcular la probabilidad de que en un lote de 10 ranas solo una pese
menos de 150 g.
Z
EJERCICIOS:
Se realizó un estudio de actualización sobre el uso de maquinaria agrícola y se
encontró que la vida útil de los tractores marca Massey Ferguson 1075 es
10685 horas máquina con una desviación estándar de 4540. Así mismo, se
determinó que solamente el 3.4% de los tractores vendidos presentan fallas o
averías por defecto de fábrica durante el periodo de garantía. ¿Cuál es el plazo
de garantía expresado en años, otorgado por el fabricante considerando que el
uso anual económicamente viable es en promedio de 1200 horas máquina?
Altas poblaciones de nemátodos pueden causar daños severos a las plantas, los
cuales tienen una distribución en grupos al azar en el suelo y los síntomas del
daño son similares a los causados por problemas de fertilidad de suelo o stress
por temperatura. Según los registros de una granja se sabe que en pasto
Bermuda pueden encontrarse, en promedio, 5 nemátodos por cada 100
centímetros cúbicos de suelo. ¿Cuál es la probabilidad de encontrar a lo sumo 4
nemátodos por cada 100 centímetros cúbicos de suelo en un muestreo
periódico de potreros?

6dist Probabilidad Simp

Cargado por

Copyright:

Formatos disponibles

6dist Probabilidad Simp

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

6dist Probabilidad Simp

Cargado por

Copyright:

Formatos disponibles

Z

 La distribución normal también puede especificarse utilizando la varianza (,2).

 La distribución normal también puede especificarse utilizando la varianza (,2).

En el caso de una variable aleatoria discreta X, la

i 1 Es una medida del riesgo o grado

n Se espera utilizar 2.65 bodegas por día, lo

E  X   1.2 V  X   0.72   0.85

Las características de la distribución binomial son las siguientes:

P 11  x  15   20 C12 0.7512  0.258  0.112  20 C14 0.7514  0.256  0.341

Hasta aquí se han estudiado tres distribuciones de probabilidad:

Si X una variable aleatoria continua, entonces la distribución de

Es decir, la probabilidad de que X asuma un valor en el intervalo

En la distribución uniforme, la desviación estándar también se

¿Cuál es la probabilidad para el intervalo de precipitación de 1 centímetro

¿Cuál es la probabilidad para el intervalo de precipitación de 1 centímetro

6.3 base  3  1.3  1.7

Finalmente, la probabilidad de que haya exactamente 3 centímetros de

8 para 11.975  x  12.100

a) ¿Cuál es la probabilidad de que el contenido de una botella esté entre 12

El primer parámetro (α), sitúa la máxima intensidad de probabilidad y

Cuando ambos parámetros

Cuando ambos parámetros

Cuando el primer parámetro es menor

0.0 0.2 0.4 0.6 0.8

La distribución de Weibull es una distribución versátil que se puede utilizar

La distribución normal es un tipo de distribución de probabilidad

La ecuación matemática para la distribución de probabilidad de la

El modelo para una distribución normal es el indicado a

La FORMA MÁS SIMPLE de una distribución normal, es la función de

Esto conlleva a que la función de densidad normal para cualquier

Por ejemplo, en una distribución normal simétrica, a una

A  z   p  z    0.4 e  0.5 z dz  1.0  100%

A  z   p  z    0.4 e  0.5 z dz  0.8185  81.85%

Un estudio analiza el porcentaje de pureza del oxígeno de cierto

La vida útil promedio de cierto tipo de motor pequeño es

Se sabe que el número X de personas que entran diariamente en los

0.12 0.12 0.12

0.08 0.08 0.08

0.06 0.06 0.06

0.02 0.02 0.02

0.00 0.00 0.00

De la tabla : p  x  80   0.58  0.38

Suponga que el diámetro a la altura del pecho (pulg) de un tipo de

La deriva de las atomizaciones de pesticidas es una preocupación constante de

Un criador de ranas toro afirma que al llegar al año de vida, el peso

También podría gustarte