Ayuda 05 Introducción A La Probabilidad

Mdulo : I
CONTROL ESTADSTICO DE LA CALIDAD

INTRODUCCIN A LA PROBABILIDAD
Mag. Ing. Gustavo Manuel Yez Wendorff
Experimento aleatorio
Su resultado no puede anticiparse aun cuando se repita
bajo las mismas condiciones
Ejemplo:
La medicin de las piezas fabricadas con un mismo
proceso
La cantidad de llamadas que recibe un conmutador
durante un lapso de tiempo determinado.
El caudal de un rio
Para modelar y analizar un experimento aleatorio, en
primer lugar es necesario conocer:
Espacio muestral
Es el conjunto de resultados posibles de un experimento
aleatorio.
Espacio muestral de una moneda:
E = {C, X}.
Espacio muestral de un dado:
E = {1, 2, 3, 4, 5, 6}.
http://www.youtube.com/watch?v=l_9H48E8fzc
Para modelar y analizar un experimento aleatorio, en
primer lugar es necesario conocer:
Evento
Es un subconjunto del espacio muestral de un
experimento aleatorio.
En muchos experimentos aleatorios los resultados son

directamente interpretables, es decir, al mismo tiempo son
valores de la variable aleatoria de inters.
En otros casos, los posibles valores de la variable aleatoria
no son directamente los resultados del experimento, sino
que surgen al asociar nmeros a dichos resultados y, dicha
asociacin, refleja la caracterstica o aspecto de inters en
el experimento.
Es muy claro que el valor que toma la variable en un
momento dado no se puede anticipar, ya que ste se define
con base en el resultado de un experimento aleatorio.
Variable aleatoria
Funcin que asocia un nmero a cada resultado de un
experimento aleatorio.
Si la variable se denota con X, y sus valores con x, el
conjunto de los posibles valores de la variable aleatoria
X recibe el nombre de rango de X.
Ejemplo de variable aleatoria
Tiramos una moneda 3 veces. Representamos cara por c y
cruz por z.
W = {ccc, ccz, czc, zcc, czz, zcz, zzc, zzz}
La probabilidad de cada suceso elemental es 1/8.
p(ccc)=1/8, ya que la probabilidad de sacar cara en una tirada
es 1/2 y las tiradas son independeintes.
La variable aaleatoria X: nmero de caras, que puede tomar
los valores {0, 1, 2, 3}.
Se buscan todos los puntos muestrales que dan lugar a cada
valor de la variable y a ese valor se le asigna la probabilidad
del suceso correspondiente.
Ejemplo de variable aleatoria
x
0
1
2
3
Sucesos
{sss}
{css, scs, ssc}
{ccs, csc, scc}
{ccc}
px
1/8
3/8
3/8
1/8
A esta funcin se le denomina funcin densidad de probabilidad

(fdp), que desgraciadamente "funciona" de distinta manera en las
variables discreta que en las continuas.
En el caso de las variables discretas, como en el ejemplo, es una
funcin que para cada valor de la variable da su probabilidad.
DIAGRAMA DEL RBOL

Un diagrama de rbol es un mtodo grfico para identificar
todas las partes necesarias para alcanzar algn objetivo final.
En mejora de la calidad, los diagramas de rbol se utilizan
generalmente para identificar todas las tareas necesarias para
implantar una solucin.
Se emplea para descomponer una meta u objetivo en una
serie de actividades que deban o puedan hacerse. A travs de
la representacin grfica de actividades se facilita el
entendimiento de las acciones que intervendrn.
DIAGRAMA DEL RBOL

Permite a los miembros del equipo de trabajo expandir su
pensamiento al crear soluciones sin perder de vista el objetivo
principal o los objetivos secundarios.
Ubica al equipo para que se dirija a situaciones reales versus
tericas. Asimismo, se dimensiona el nivel real de complejidad
de algn proyecto y se puede prever el encontrarse con
soluciones inviables antes del arranque.
ELABORACIN DEL DIAGRAMA DEL RBOL

Establezca el objetivo que se analizar a travs del Diagrama
de rbol.
Es muy importante que el objetivo quede claro para todos y
que est expresado de manera activa. Ej: Dismunuir los
tiempos de espera en el servicio de consulta externa.
Arme el equipo adecuado. Se sugiere un equipo de 4 a 8
participantes. Considere que aquellos que seleccione debern
estar involucrados en la problemtica a fondo para aportar
soluciones y que el Diagrama de rbol cuente as con los
niveles de anlisis necesarios.

Genere el mayor nmero posible de cabeceras del diagrama
de rbol Esto es las ideas o sub-objetivos hacia los que se
enfocarn las acciones para lograr el objetivo principal.
Puede utilizar la herramienta Tormenta de Ideas o Tcnica
de Afinidad para lograrlo.
Como sugerencia puede utilizar tarjetas sobre una mesa que
le permitan flexibilidad de movimiento de una idea a otra.

Descomponga cada cabecera o ttulo principal en mayor
detalle. Vaya acomodando las ideas por subtemas llegando a
tres o cuatro niveles.
Detenga la descomposicin de temas cuando ya se perfilen
tareas especficas a realizarse.

Revise el Diagrama de rbol. Asegrese de que tiene un flujo
lgico y que est lo ms completo posible.
Pregunte al equipo si observa algn punto que sea muy obvio
y se haya olvidado incluir.
Pregntese junto con el equipo si las tareas resultantes son
necesarias para lograr el objetivo.

Existe un principio sencillo de los diagramas de rbol que hace
que stos sean mucho ms tiles para los clculos rpidos de
probabilidad: multiplicamos las probabilidades si se trata de
ramas adyacentes (contiguas):
Por ejemplo de alumna de la primera facultad, o bien las
sumamos si se trata de ramas separadas que emergen de un
mismo punto, el ejemplo de encontrar un alumno.
DE DIAGRAMA DEL RBOL

Una universidad est formada por tres facultades:
La 1 con el 50% de estudiantes.

Las mujeres estn repartidas uniformemente, siendo un
60% del total en cada facultad.
DIAGRAMA DEL RBOL
http://www.youtube.com/watch?v=z2Qfqg7JU0M
DE DIAGRAMA DEL RBOL

Cul es la probabilidad de encontrar una alumna de la primera
facultad?
P(alumna de la primera facultad = 05. * 0.6 = 0.3
DIAGRAMA DEL RBOL

Cul es la probabilidad de encontrar un alumno varn?
P(alumno varn) = 0.5 * 0.4 + 0.25 * 0.4 + 0.25*0.4 = 0.4
EJEMPLO 2 DE DIAGRAMA DEL RBOL

Una oficina consta de seis damas y 10 varones. Si se
escoge un comit de tres al azar, hallar la probabilidad
8
varon
de:
14
varon
9
15
6
14
6
15
9
14
dama
varon
10
16
varon
dama
5
14
9
14
6
16
dama
varon
varon
10
15
5
14
5
15
10
14
dama
dama
varon
dama
4
14
dama

Cul es la probabilidad de seleccionar 3 varones?
p(3varones) = 10 * 9 * 8 = 0,214
16
15
14

Cul es la probabilidad de seleccionar exactamente 2 varones y
una dama?
p(2 varones y 1 dama) = 10 * 9 * 6 * 10 * 6 * 9 * 6 * 10 * 9 = 0,482

16 15 14 16 15 14 16 15 14
Cul es la probabilidad de seleccionar 3 damas?
p(3damas) = 6 * 5 * 4 = 0,0357
16
15
14

Una persona arroja tres monedas al aire
1
2
cara
cara
1
2
1
2
1
2
1
2
sello
cara
1
2
cara
sello
1
2
1
2
1
2
sello
cara
cara
1
2
1
2
1
2
1
2
sello
sello
cara
sello
1
2
sello

Cul es la probabilidad de que al arrojar al aire tres
monedas, salgan tres caras?
p(3caras) = 1 * 1 * 1 = 1
2
2
2
8
Variable aleatoria discreta
Variable a la que se pueden numerar los posibles valores que
toma.
Ejemplo
El nmero de tornillos defectuosos en una muestra
aleatoria de tamao 15
Nmero de errores de un operador industrial.
Nmero de libros en una biblioteca
Nmero de habitantes en una poblacin,
La cantidad de dinero que una persona trae en su bolsillo,
Nmero de aves en un gallinero,
Nmero de admisiones diarias a un hospital,
Nmero de accidentes automovilsticos en una carretera
durante un ao, etc.
Variable aleatoria continua
Si el rango de una variable aleatoria X contiene un intervalo
(finito o infinito) de nmeros reales, entonces X es una
variable aleatoria continua.
Ejemplo
Peso
Volumen
Longitud
Voltaje
Presin arterial
Distribucin de probabilidad de X
Es una descripcin del conjunto de los valores posibles
de X con la probabilidad asociada a cada uno de estos
valores.
El evento que est formado por todos los resultados
para los que X = x, se denota por {X = x}, y la
probabilidad de ste por P(X = x).
La distribucin de probabilidad de X o distribucin de
una variable aleatoria X es una descripcin del conjunto
de valores posibles de X (rango de X), junto con la
probabilidad asociada a cada uno de estos valores.
Distribucin de probabilidad de X
La distribucin se representa a travs de una tabla que
relaciona resultados con probabilidades, o bien, por
medio de una frmula.
En el caso discreto, la funcin f (x) = P(X = x) que va del
rango de X al intervalo [0, 1] recibe el nombre de funcin
de probabilidad,
y cumple con las siguientes
propiedades:
En el caso discreto, la funcin f (x) = P(X = x) que va del
rango de X al intervalo [0, 1] recibe el nombre de funcin de
probabilidad, y cumple con las siguientes propiedades:
f (x) = P(X = x) (la funcin f (x) da la probabilidad).
f (x) 0 para toda x (no hay probabilidades negativas).
f (x)=1 (la suma de las probabilidades de todos los
posibles valores de X es = 1).
x
En el caso continuo, estas mismas propiedades se
enuncian de la siguiente forma: si f(x) es una funcion de
densidad de probabilidades de la variable aleatoria
continua X; entonces, para cualquier intervalo de nmeros
reales [x1, x2], se cumple:
f (x) 0
+
f (x)dx =1 (el rea bajo toda la curva es 1).
x2
P(x1 X x2) = f (u) du

x1
(la probabilidad es igual al

rea bajo la curva entre los
valores x1 y x2).
MEDIA O VALOR ESPERADO DE UNA

VARIABLE ALEATORIA
Si una distribucin es un buen modelo, entonces a travs
de ella se encuentran las principales caractersticas del
sistema (poblacin o proceso), tales como su tendencia
central y variabilidad.
La media de una variable aleatoria discreta que puede
tomar los n valores x1, x2, ..., xn est dada por:
donde E(X) = x1p(x1) + x2 p(x2) + .... + xn p(xn), se lee como

valor esperado de X.
La varianza de la variable aleatoria X se puede definir en
trminos del valor esperado como:
MEDIA O VALOR ESPERADO DE UNA

VARIABLE ALEATORIA
La varianza de la variable aleatoria X se puede definir en
trminos del valor esperado como:
La funcin de distribucin acumulada de una variable

aleatoria discreta X, denotada por F(x), es:
En el caso continuo, se sustituye la suma por la integral,
DISTRIBUCIN BINOMIAL
Es frecuente que en control de calidad se den variables del
tipo pasa, no pasa.
Por ejemplo, un artculo cumple con especificaciones o no,
una pieza resiste cierta fuerza o no, una lmpara enciende o
no.
EXPERIMENTO BERNOULLI
Ensayo aleatorio que slo tiene dos resultados posibles
llamados xito y fracaso.
Un experimento aleatorio que consiste en una secuencia de n
ensayos Bernoulli donde adems se cumple que:
Los ensayos son independientes.
La probabilidad de xito en cada ensayo, denotada por p,
permanece constante.
Entonces este experimento recibe el nombre de
experimento binomial.
La variable aleatoria X, que es igual al nmero de ensayos
donde el resultado es un xito, tiene una distribucin
binomial (n, p).
La funcin de probabilidades de X es,
Donde:
Es el nmero de combinaciones de n elementos tomados

de x en x.
DISTRIBUCIN BINOMIAL (n,p)

Distribucin binomial (n, p)
Proporciona la probabilidad de observar x xitos en una
secuencia de n experimentos Bernoulli independientes
con una probabilidad constante p de xito.
Aqu, p generalmente es la proporcin promedio de
artculos defectuosos.
Si X es una variable aleatoria con distribucin binomial
(n, p), entonces su media y varianza:

Para propsitos de interpretacin es ms adecuado
trabajar con la proporcin (X/n), en lugar de con el
nmero X (de artculos defectuosos).
Entonces, su distribucin acumulada:
Donde [nr] es igual al entero ms grande que es menor o

igual a nr.
La media de p es p y su varianza es p(1 p)/n.

Ejemplos:
Un proceso produce 5% de piezas defectuosas. Sea
X el nmero de piezas defectuosas en las siguientes
20 piezas producidas.
En una zona martima se ha determinado que el
porcentaje de incidencia del Vitrio cholerae es de
20%. Sea X las muestras positivas en los siguientes
15 muestreos.

Ejemplos:
En la prueba final de artculos electrnicos se tiene un
historial de que 1% tiene alguna falla que es
necesario reparar antes de liberarlo. Sea X la cantidad
de artculos con fallas en los siguientes 50
inspeccionados.
De los nacimientos en un hospital, sea X la cantidad
de nios varones en los siguientes 10 nacimientos.

Ejemplo:
En un proceso de fabricacin donde se produce una gran
cantidad de artculos, se sabe que en promedio 2% de
ellos estn defectuosos.
Los artculos son empacados en cajas de 10, y se quiere
saber cul es la probabilidad de porque no haya ningn
artculo defectuoso en cada caja.
Si X es el nmero de artculos defectuosos por caja,
entonces se quiere obtener P(X = 0), lo cual es:

Ejemplo:
Por lo tanto, se espera que 82% de las cajas no tenga
ningn artculo defectuoso, mientras que el restante 18%
tendr al menos uno.
Si se quisiera saber cul es la probabilidad de que cada
caja tenga exactamente un artculo defectuosos (P(X = 1)),
entonces:
Entonces, se espera que 16.7% de las cajas tenga

exactamente un artculo defectuoso.
De manera similar se podra calcular cualquier otra
probabilidad.

En Excel se pueden evaluar las probabilidades con la
distribucin binomial
DISTR.BINOM(x, n, p, valor lgico)
x = nmero de xitos del que se quiere obtener la probabilidad,
n = es el nmero de ensayos independientes o tamao de
muestra,
p = es la probabilidad de xito en cada ensayo (proporcin de
artculos defectuosos, por ejemplo) y el valor lgico puede ser
cero o uno;
Si se pone un uno entonces se calcula la funcin acumulada
P(X x), y si es cero se calcula P(X= x).
DISTRIBUCIN GEOMTRICA
Distribucin geomtrica
Proporciona la probabilidad de requerir
X repeticiones
independientes de un experimento Bernoulli para observar el
primer xito.
La media es 1/p,
La varianza es (1 p)/p2.
Ejemplo
Supongamos que interesa encontrar un producto
defectuoso en un lote de muchos artculos.
Se sabe que el lote contiene 5% de artculos defectuosos.
Cul es la probabilidad de que sea necesario extraer de
manera aleatoria a lo ms 20 artculos para encontrar el
primer defectuoso?
DISTRIBUCIN GEOMTRICA
Distribucin geomtrica
Esta probabilidad es justo la que proporciona la
distribucin geomtrica acumulada ya que ser necesario
calcular la probabilidad de que el primer producto
defectuoso salga a la primera extraccin, a la segunda, y
as hasta la vigsima.
Por lo tanto, la probabilidad de inters es:
Esto indica que existe una alta probabilidad de

1 0.6415 = 0.3585,
Despus de 20 extracciones an no se haya visto un
defectuoso.
DISTRIBUCIN HIPERGEOMTRICA
Distribucin hipergeomtrica
Se aplica en ciertos tipos de experimentos Bernoulli, en los
cuales la probabilidad de xito no se mantiene constante, y
eso ocurre cuando el tamao de lote es pequeo con
respecto al tamao de la muestra.
Ejemplo
Un conjunto de N objetos contiene: K de ellos clasificados
como xitos y N K como fracasos.
Se extrae una muestra aleatoria (sin reemplazo) de
tamao n de tal conjunto, n N.
Sea X el nmero de xitos en la muestra, entonces X tiene
una distribucin hipergeomtrica
Cuando el tamao de lote es pequeo con respecto al
tamao de la muestra, ser necesario aplicar la
distribucin hipergeomtrica en lugar de la binomial.
En Excel se pueden evaluar probabilidades de esta
distribucin, para esto se utiliza la funcin:
DISTR.HIPERGEOM(x, n, K, N),
x = Nmero de xitos en la muestra
(del que se quiere encontrar la probabilidad)
n = tamao de la muestra,
K = nmero de xitos en la poblacin
N = tamao de la poblacin o lote.
Ejemplo
En una empresa industrial, cada da se produce un lote de
N = 50 piezas grandes de cierto tipo. Los registros
muestran que, de stas, en promedio K = 6 son
defectuosas. Si en forma aleatoria se examinan n = 10
piezas de la produccin de un da, cul es la probabilidad
de encontrar x = 0 o x = 1 piezas defectuosas?
Como el tamao de lote es pequeo en relacin al tamao
de muestra, es necesario aplicar la distribucin
hipergeomtrica.
Con Excel se obtiene que:
= DISTR.HIPERGEOM(0,10,6,50) + DISTR.HIPERGEOM(1,10,6,50)
= 0.24 + 0.41
= 0.66
DISTRIBUCIN DE POISSON
Distribucin de Poisson
Una situacin frecuente en control de calidad es evaluar

variables como las siguientes:
nmero de defectos por artculo,

nmero de defectos por metro cuadrado de tela,
nmero de defectos por unidad de rea,
nmero de impurezas en un lquido, nmero de
errores de un trabajador.
Todos los casos anteriores se resumen as: nmero de

eventos que ocurren por unidad (por unidad de rea, por
unidad de volumen, por unidad de tiempo, etc.).
Distribucin de Poisson
Asimismo, es frecuente que este tipo de variables tenga una
distribucin de Poisson, cuya funcin de distribucin de
probabilidades est dada por:
e = 2.718
! = es el smbolo factorial
La media y la varianza para esta distribucin son:
= 2 = .
Distribucin Poisson
Ejemplo
En en una empresa se reciben en promedio 5 quejas
diarias por mal servicio.
Si el nmero de quejas por da se distribuye Poisson con
= 5, cul es la probabilidad de no recibir quejas en un
da?
Esta probabilidad de 0.007 es muy baja, por lo que en

realidad sera muy raro que en un da no se recibiera
ninguna queja.
DISTRIBUCIN NORMAL
Distribucin Normal
Es una distribucin continua cuya densidad tiene forma de
campana.
Es muy importante tanto en la estadstica terica como en la
aplicada.
Es probablemente la distribucin continua ms importante,
tanto en estadstica terica como aplicada.
Si X es una variable aleatoria normal, entonces su funcin de
densidad de probabilidades est dada por:
= es su media
= desviacin estndar.
DISTRIBUCIN NORMAL
Distribucin Normal
Fig. 1
Al graficar la funcin f (x) se obtiene una grfica simtrica y

unimodal, cuya forma es similar a una campana (Fig. 1).
El centro de sta coincide con , y la amplitud est
determinada por .
DISTRIBUCIN NORMAL
Propiedades de la distribucin normal
Si X es una variable aleatoria con distribucin normal con
media y varianza 2, N(, 2 )
Se cumple que:
P( < X < + ) = 0.6827
P( 2 < X < + 2) = 0.9545
P( 3 < X < + 3) = 0.9973
P(X = a) = 0 para cualquier nmero a.
PROPIEDADES DE LA
DISTRIBUCIN NORMAL
Estas propiedades sealan la proporcin de la distribucin
normal que se localiza en torno a la media .
Por ejemplo, entre ms menos una desviacin estndar de
la media se ubica en 68.27% del rea; y en la media ms
menos tres veces se encuentra 99.73% de la distribucin.
Esta ltima es la razn de cmo se obtienen los lmites
reales de un proceso
TEOREMA CENTRAL DEL LMITE

Distribucin de Normal
Una de las razones por las que la distribucin normal es tan
importante es debido a este teorema, que en un caso
particular afirma: sea x1, x2,..., xn una muestra aleatoria de
cualquier poblacin, y sea X la media muestral; entonces,
independientemente de cmo sea la distribucin de la
poblacin de donde se extrajo la muestra, la distribucin de X
se aproxima a la normal conforme n crece.
Cuando la distribucin de donde proviene la muestra no sea
radicalmente distinta a la normal, entonces la aproximacin
empieza a ser buena para tamaos de muestra mayores o
iguales que n = 4.
En caso de que sea muy diferente se requieren tamaos de
muestra mayores.
CLCULO DE PROBABILIDADES
Si una variable aleatoria X se distribuye normal con media y
varianza 2, y se quiere encontrar la probabilidad de que esta
variable tome valores entre dos nmeros cualesquiera, a y b
por ejemplo, entonces lo que se tiene que hacer es calcular el
rea bajo la curva entre a y b, y esto se realiza mediante
mtodos numricos, ya que la integral de la funcin de
distribucin no tiene solucin analtica.
Cuando es una distribucin normal con parmetros = 0 y 2
= 1, entonces a la distribucin se le conoce como distribucin
normal estndar (N(0, 1)).
Tambin se puede utilizar la hoja de clculo de Excel para
calcular las probabilidades con la distribucin normal; para ello
se utiliza la funcin:
DISTR.NORM(x, media, desv_estndar, acum)
En la celda x se da el valor de referencia para el clculo de la
probabilidad P(X x),
En media se da el valor de la media, , de la distribucin normal
con la que se quiere obtener la obtener la probabilidad
desv_estndar se declara el valor de la desviacin estndar
de la distribucin normal.
acum es un valor lgico que determina la forma de la funcin:
si el argumento acum es VERDADERO (se pone 1), la funcin
DISTR.NORM devuelve la funcin de distribucin acumulada
(P(X x)); pero si es FALSO (se pone 0), devuelve el valor
(altura) de la funcin de densidad f(x) en el punto x.
Ejemplo
La dimensin de una pieza se distribuye normal con = 82.0
mm, y = 0.5. Se desea calcular el porcentaje de piezas que
cumplen con especificaciones 82 1, lo cual se obtiene
calculando la siguiente diferencia de probabilidades
P(81 < X < 83) = P(X < 83) P(X < 81)
Para calcular
estandariza:
cada
una
de
estas
probabilidades
se
Se localiza en la Tabla 1 el valor de probabilidad que

corresponde a P(Z > 2.0), que se ubica en la columna de z
en el valor de 2.00 y la columna 0.00, donde aparece esta
probabilidad que es 0.023.
Puntos crticos de la distribucin normal

estndar ( = 0, = 1), P(Z > z).
Tabla 1
Ejemplo
P(Z < 2.0) = 1 0.23 = 0.977
Para calcular P(X < 81) se procede de la misma manera, pero
al restarle la media da un nmero negativo y, en ese caso,
para utilizar la tabla A2 se usa una de las propiedades de
simetra de la distribucin normal de la siguiente manera:
P(Z < a) = 1 P(Z < a)
Para cualquier nmero a. Al aplicar lo anterior se obtiene que
P(X < 81) = P(Z < 2) = 1 P(Z < 2) = 1 0.977 = 0.023
Por lo tanto, la probabilidad de que X est dentro de
especificaciones es (0.977 0.023) = 0.954.
As, se espera que 95.4% de las piezas cumpla con las
especificaciones.
Ejemplo
En Excel
P(81 < X < 83) = P(X < 83) P(X < 81)
DISTR.NORM(83, 82, 0.5, 1) DISTR.NORM(81, 82, 0.5, 1)
0.954.
DISTRIBUCIN JI-CUADRADA
Sean Z1, Z2, ..., Zk variables aleatorias independientes, con
distribucin normal estndar ( = 0 y 2 = 1), entonces la variable
aleatoria
Sigue una distribucin ji-cuadrada con k grados de libertad, y su

funcin de densidad de probabilidad est dada por:
Donde () es la funcin gama que est definida por
Si es un nmero entero, entonces () = ( 1)!. La media y la
varianza de una distribucin ji-cuadrada con k grados de libertad
estn dadas por E(X) = k y 2 = 2k.
Esta distribucin es relevante para hacer inferencias acerca de la
desviacin estndar, , de una poblacin con distribucin
normal, ya que si se obtiene una muestra de tamao n, entonces
el estadstico:
Tiene una distribucin ji-cuadrada con n 1 grados de libertad

(S2, es la varianza muestral).
En la figura 2 se muestra la grfica de densidades ji-cuadrada
para diferentes grados de libertad, y en la tabla 2 se dan valores
para los diferentes cuantiles de esta distribucin.
Fig. 2
Ejemplos de densidades de la distribucin ji-cuadrada.

Conforme crecen los grados de libertad se aproxima a una
distribucin normal.
Puntos crticos para la distribucin Ji-cuadrada
Tabla 2
DISTRIBUCIN T de Student
Sea Z una variable aleatoria con distribucin normal estndar y
sea V una variable aleatoria con distribucin ji-cuadrada con k
grados de libertad. Si Z y V son independientes, entonces la
variable aleatoria,
La media y la varianza de esta distribucin estn dadas por, E(X)

= 0 y 2 = k/(k 2) para k > 2.
Una de las principales aplicaciones de la distribucin T de
Student es fundamentar las inferencias sobre la media de una
poblacin.
Debido a que si se obtiene una muestra aleatoria de tamao n
de una poblacin cuya distribucin es normal, entonces el
estadstico:
DISTRIBUCIN T de Student
Sigue una distribucin T de Student con n 1 grados de libertad.
En la figura 3 se muestra la grfica de densidades T para
diferentes grados de libertad.
Como se aprecia, esta distribucin es similar a la normal (0, 1),
excepto que tiene colas ms pesadas.
En la tabla 3 se dan valores para los diferentes cuantiles o
puntos crticos de esta distribucin.
En Excel es posible obtener los cuantiles y reas de la
distribucin T de Student mediante las funciones Distr.T.Inv y
Distr.T, respectivamente.
Es preciso considerar que la funcin
Distr.T.Inv arroja valores considerando las dos colas de la
distribucin.
Ejemplos de densidades de la
distribucin T de Student
Fig. 3
Puntos crticos para la distribucin t de Student
Tabla 3
DISTRIBUCIN F
Sean W y Y variables aleatorias ji-cuadrada independientes con
u y v grados de libertad, respectivamente.
Entonces el cociente:
La media y la varianza de una distribucin F con u y v grados de
libertad, en el numerador y en el denominador, respectivamente,
son:
E(X) = v/(v 2) para v > 2, y
DISTRIBUCIN F
En la figura 4 se muestra la grfica de densidades F para
diferentes grados de libertad, en donde se puede observar que
tiene una apariencia similar a la distribucin ji-cuadrada, excepto
que la distribucin F se encuentra centrada con respecto a 1, y
los dos parmetros le dan mayor flexibilidad.
En la tabla 4 se dan valores para un par de cuantiles o puntos
crticos de esta distribucin.
La importancia de la distribucin F radica en que es de especial
utilidad para hacer inferencia cuando se comparan varianzas, ya
que si se tienen dos poblaciones con distribucin normal y
varianzas 1 y 2 , respectivamente, y se toman muestras
aleatorias de cada poblacin, de tamao n1 y n2,
respectivamente, entonces la variable aleatoria formada por el
cociente
DISTRIBUCIN F
Sigue una distribucin F con n1 y n2 grados de libertad en el

numerador y denominador, respectivamente, donde
son las varianzas muestrales.
Ejemplos de densidades de la distribucin F
Fig. 4
Puntos crticos al 5% de la distribucin F, P(X > x) = 0.05.
Tabla 4

Ayuda 05 Introducción A La Probabilidad

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ayuda 05 Introducción A La Probabilidad

Enviado por

Direitos autorais:

Formatos disponíveis

Mdulo : I

CONTROL ESTADSTICO DE LA CALIDAD

En muchos experimentos aleatorios los resultados son

A esta funcin se le denomina funcin densidad de probabilidad

DIAGRAMA DEL RBOL

DIAGRAMA DEL RBOL

ELABORACIN DEL DIAGRAMA DEL RBOL

ELABORACIN DEL DIAGRAMA DEL RBOL

ELABORACIN DEL DIAGRAMA DEL RBOL

ELABORACIN DEL DIAGRAMA DEL RBOL

ELABORACIN DEL DIAGRAMA DEL RBOL

DE DIAGRAMA DEL RBOL

La 1 con el 50% de estudiantes.

DIAGRAMA DEL RBOL

DE DIAGRAMA DEL RBOL

P(alumna de la primera facultad = 05. * 0.6 = 0.3

DIAGRAMA DEL RBOL

P(alumno varn) = 0.5 * 0.4 + 0.25 * 0.4 + 0.25*0.4 = 0.4

EJEMPLO 2 DE DIAGRAMA DEL RBOL

EJEMPLO 2 DE DIAGRAMA DEL RBOL

EJEMPLO 2 DE DIAGRAMA DEL RBOL

p(2 varones y 1 dama) = 10 * 9 * 6 * 10 * 6 * 9 * 6 * 10 * 9 = 0,482

EJEMPLO 2 DE DIAGRAMA DEL RBOL

Cul es la probabilidad de seleccionar 3 damas?

EJEMPLO 3 DE DIAGRAMA DEL RBOL

EJEMPLO 3 DE DIAGRAMA DEL RBOL

f (x)dx =1 (el rea bajo toda la curva es 1).

P(x1 X x2) = f (u) du

(la probabilidad es igual al

MEDIA O VALOR ESPERADO DE UNA

donde E(X) = x1p(x1) + x2 p(x2) + .... + xn p(xn), se lee como

MEDIA O VALOR ESPERADO DE UNA

La funcin de distribucin acumulada de una variable

En el caso continuo, se sustituye la suma por la integral,

Es el nmero de combinaciones de n elementos tomados

DISTRIBUCIN BINOMIAL (n,p)

DISTRIBUCIN BINOMIAL (n,p)

Donde [nr] es igual al entero ms grande que es menor o

DISTRIBUCIN BINOMIAL (n,p)

DISTRIBUCIN BINOMIAL (n,p)

DISTRIBUCIN BINOMIAL (n,p)

DISTRIBUCIN BINOMIAL (n,p)

Entonces, se espera que 16.7% de las cajas tenga

DISTRIBUCIN BINOMIAL (n,p)

Esto indica que existe una alta probabilidad de

Una situacin frecuente en control de calidad es evaluar

nmero de defectos por artculo,

Todos los casos anteriores se resumen as: nmero de

Esta probabilidad de 0.007 es muy baja, por lo que en

Al graficar la funcin f (x) se obtiene una grfica simtrica y

TEOREMA CENTRAL DEL LMITE

Se localiza en la Tabla 1 el valor de probabilidad que

Puntos crticos de la distribucin normal

Sigue una distribucin ji-cuadrada con k grados de libertad, y su

Donde () es la funcin gama que est definida por

Tiene una distribucin ji-cuadrada con n 1 grados de libertad

Ejemplos de densidades de la distribucin ji-cuadrada.

Puntos crticos para la distribucin Ji-cuadrada

La media y la varianza de esta distribucin estn dadas por, E(X)

Puntos crticos para la distribucin t de Student

Sigue una distribucin F con n1 y n2 grados de libertad en el

Ejemplos de densidades de la distribucin F

Puntos crticos al 5% de la distribucin F, P(X > x) = 0.05.