Trabajo No. 1 Estadística II

UNIVERSIDAD DE PAMPLONA
Centro Regional de Educación a Distancia – CREAD

Tutor: Álvaro Parada Lozano
TRABAJO 1DE ESTADISTICA II
TUTOR: ÁLVARO PARADA LOZANO
CENTRO REGIONAL DE EDUCACIÓN A DISTANCIA – CREAD

TABLA DE CONTENIDO
- Definiciones, generalidades y de la probabilidad.

- Experimentos aleatorios.
- Espacios muestrales.
- Eventos.
- Probabilidad de un evento.
- Valor esperado.
- Principios de Multiplicación.
- Factorial de un Número.
- Generalidades y propiedades de Permutaciones.
- Generalidades y propiedades de Combinatorias.
- Tablas de Contingencia.
- Distribución De Probabilidades de variables Discretas (Tipos,
características, etc)
- Distribución De Probabilidades de variables Continuas (Tipos,
características, etc)
TRABAJO No. 1 ESTADISTICA II
1. Consultar con la ayuda del módulo, la bibliografía entregada y/o

cualquier otra fuente de información, los siguientes temas con los
cuales debe desarrollar un informe detallado y preciso
 PROBABILIDAD
La probabilidad es una medida de la certidumbre asociada a un suceso o
evento futuro y suele expresarse como un número entre 0 y 1 (o entre 0 %
y 100 %).
Una forma tradicional de estimar algunas probabilidades sería obtener la
frecuencia de un acontecimiento determinado mediante la realización de
experimentos aleatorios, de los que se conocen todos los resultados
posibles, bajo condiciones suficientemente estables. Un suceso puede ser
improbable (con probabilidad cercana a cero), probable (probabilidad
intermedia) o seguro (con probabilidad uno).
La teoría de la probabilidad se usa extensamente en áreas como
la estadística, la física, la matemática, las ciencias,
la administración, contaduría, economía y la filosofía para sacar
conclusiones sobre la probabilidad discreta de sucesos potenciales y la
mecánica subyacente discreta de sistemas complejos, por lo tanto es la
rama de las matemáticas que estudia, mide o determina los experimentos
o fenómenos aleatorios
 Experimento aleatorio: o experimento predicho de anterioridad con

seguridad. Ejemplo:
a) lanzamiento de una moneda
b) lanzamiento de un dado
c) extracción de una carta de una baraja de 52 cartas
 Espacio muestral: es el conjunto de todos los posibles resultados

asociados a un experimento. Su símbolo es Ω. Si el espacio muestral tiene
un número finito de elementos o infinito numerable, entonces se dice que

éste es y si el espacio discreto muestral tiene como elementos todos los
puntos de algún intervalo real, entonces se dice que éste es continuo.
Ejemplo:
a) experimento: lanzamiento de un dado
Ω = {1, 2, 3, 4, 5,6}
b) experimento: tiempo de duración de un tubo fluorescente
c) Ω = {t,t≥0}
 Evento o suceso:
Es un subconjunto de un espacio muestral, es decir, un conjunto de

posibles resultados que se pueden dar en un experimento aleatorio. En
teoría de la probabilidad a cada evento aleatorio se le puede asignar
una medida de probabilidad, y el conjunto de todos los sucesos aleatorios
constituye una σ-álgebra de conjuntos.
Formalmente, sea un espacio muestral, entonces

un evento es un subconjunto , donde
son una serie de posibles resultados.
EJEMPLO:
Si se considera una baraja de naipes sin comodines, y se toma una sola

carta del mazo de cartas, entonces el espacio muestral está formado por
un conjunto de 52 eventos elementales, ya que en el experimento aleatorio
de extraer una carta existen 52 posibilidades diferentes. Un evento, sin
embargo, es cualquier subconjunto de este espacio muestral, no solo
los conjuntos unitarios (eventos elementales), sino también el evento
imposible y el conjunto total o evento cierto. Otros eventos no triviales sin
los subconjuntos propios, entre los cuales están por ejemplo, eventos
potenciales como:
Usualmente la relación de áreas, puede usarse como una probabilidad
de A.
- "Sale una carta roja y negra al mismo tiempo" (0 elementos,
evento imposible).
- "Sale el 5 de corazones" (1 elemento)
- "Sale una carta de rey" (4 elementos).

- "Sale una carta con figura" (12 elementos).
- "Sale una carta de espadas" (13 elementos).
- "Sale una carta con figuras o una carta roja" (32 elementos).
- "Sale una carta" (52 elementos).
 Principios de Multiplicación.
Es una técnica que se utiliza para resolver problemas de conteo para hallar
la solución sin que sea necesario enumerar sus elementos. Es conocido
también como el principio fundamental del análisis combinatorio; se basa
en la multiplicación sucesiva para determinar la forma en la que puede
ocurrir un evento.
Este principio establece que, si una decisión (d1) puede ser tomada de n
maneras y otra decisión (d2) puede tomarse de m maneras, el número total
de maneras en las que pueden ser tomadas las decisiones d 1 y d2 será
igual a multiplicar de n * m. Según el principio, cada decisión se realiza una
tras otra: número de maneras = N1 * N2… * Nx maneras.
Ejemplo 1
Paula planea ir al cine con sus amigas, y para escoger la ropa que usará,
separo 3 blusas y 2 faldas. ¿De cuantas maneras se puede vestir Paula?
Solución
En este caso, Paula debe tomar dos decisiones:
d1 = Escoger entre 3 blusas = n
d2 = Escoger entre 2 faldas = m
De esa forma Paula tiene n * m decisiones a tomar o maneras
diferentes de vestirse.
n * m = 3* 2 = 6 decisiones.
El principio multiplicativo nace de la técnica del diagrama del árbol, que
se trata de un diagrama que relaciona todos los posibles resultados, de
manera que cada uno pueda ocurrir un número finito de veces.
Ejemplo 2
Mario tenía mucha sed, así que fue a la panadería a comprar un jugo. Luis
lo atiende y le dice que tiene en dos tamaños: grande y pequeño; y cuatro
sabores: manzana, naranja, limón y uva. ¿De cuantas maneras puede
Mario escoger el jugo?
Solución
En el diagrama puede observarse que Mario tiene 8 maneras distintas

para escoger el jugo y que, al igual que en el principio multiplicativo, este
resultado se obtiene por la multiplicación de n*m. La única diferencia es
que a través de este diagrama puede saberse cómo son las maneras en
que Mario escoge el jugo.
Por otra parte, cuando el número de resultados posibles es muy grande,

resulta más práctico utilizar el principio multiplicativo.
 Factorial de un Número.
Tomemos un número entero positivo cualquiera, por ejemplo el 5, y hagamos

la siguiente multiplicación:
5.4.3.2.1=120
Es decir, el producto de todos los enteros positivos que son menores que 5.
A este resultado se le llama factorial de cinco y se indica poniendo un signo
de admiración al lado del número cinco: 5! y se lee diciendo "cinco factorial".
5!=5.4.3.2.1=120
Ejemplo
Otros ejemplos serían:

Tres factorial: 3!=3.2.1=6
Ocho factorial: 8!=8.7.6.5.4.3.2.1=40320
Cuatro factorial: 4!= 4.3.2.1=24
 PERMUTACIONES
Una permutación es la variación del orden o posición de los elementos de

un conjunto ordenado o una tupla.
Hay dos tipos de permutaciones:
1. Permutaciones con repetición
Son las más fáciles de calcular. Si tienes n cosas para elegir y eliges r de
ellas, las permutaciones posibles son:
n × n × ... (r veces) = nr
(Porque hay n posibilidades para la primera elección, DESPUÉS

hay n posibilidades para la segunda elección, y así.)
Por ejemplo en la cerradura de arriba, hay 10 números para elegir (0,1,...,9) y

eliges 3 de ellos:
10 × 10 × ... (3 veces) = 103 = 1000 permutaciones
Así que la fórmula es simplemente:
nr
donde n es el número de cosas que puedes elegir, y eliges r de ellas
(Se puede repetir, el orden importa)
2. Permutaciones sin repetición
En este caso, se reduce el número de opciones en cada paso.
Por ejemplo, ¿cómo podrías

ordenar 16 bolas de billar?
Después de elegir por ejemplo la

"14" no puedes elegirla otra vez.
Así que tu primera elección tiene 16 posibilidades, y tu siguiente elección tiene

15 posibilidades, después 14, 13, etc. Y el total de permutaciones sería:
16 × 15 × 14 × 13 ... = 20,922,789,888,000
Pero a lo mejor no quieres elegirlas todas, sólo 3 de ellas, así que sería
solamente:
16 × 15 × 14 = 3360
Es decir, hay 3,360 maneras diferentes de elegir 3 bolas de billar de entre 16.
¿Pero cómo lo escribimos matemáticamente? Respuesta: usamos la "función

factorial"
La función factorial (símbolo: !) significa que se multiplican

números descendentes. Ejemplos:
 4! = 4 × 3 × 2 × 1 = 24
 7! = 7 × 6 × 5 × 4 × 3 × 2 × 1 = 5040
 1! = 1
Nota: en general se está de acuerdo en que 0! = 1. Puede que parezca

curioso que no multiplicar ningún número dé 1, pero ayuda a simplificar
muchas ecuaciones.
Así que si quieres elegir todas las bolas de billar las permutaciones serían:
16! = 20,922,789,888,000
Pero si sólo quieres elegir 3, tienes que dejar de multiplicar después de 14.
¿Cómo lo escribimos? Hay un buen truco... dividimos entre 13!...
16 × 15 × 14 × 13 × 12 ...
= 16 × 15 × 14 = 3360
13 × 12 ...
¿Lo ves? 16! / 13! = 16 × 15 × 14
La fórmula se escribe:
donde n es el número de cosas que puedes elegir, y eliges r de ellas

(No se puede repetir, el orden importa)
Ejemplos:
Nuestro "ejemplo de elegir en orden 3 bolas de 16" sería:
16! 16! 20,922,789,888,000
= = = 3360
(16-3)! 13! 6,227,020,800
¿De cuántas maneras se pueden dar primer y segundo premio entre 10

personas?
10! 10! 3,628,800
= = = 90
(10-2)! 8! 40,320
(que es lo mismo que: 10 × 9 = 90)
Notación
En lugar de escribir toda la fórmula, la gente usa otras notaciones como:
 COMBINACIONES
Una combinación es un arreglo donde el orden NO es importante. La notación

para las combinaciones es C(n,r) que es la cantidad de combinaciones de “n”
elementos seleccionados, “r” a la vez. Es igual a la cantidad de permutaciones
de “n” elementos tomados “r” a la vez dividido por “r” factorial. Esto sería
P(n,r)/r! en notación matemática.
También hay dos tipos de combinaciones (recuerda que ahora el

orden no importa):
 Se puede repetir: como monedas en tu bolsillo (5,5,5,10,10)

 Sin repetición: como números de lotería (2,14,15,27,30,33)
1. Combinaciones con repetición
En realidad son las más difíciles de explicar, así que las dejamos para luego.
2. Combinaciones sin repetición
Así funciona la lotería. Los números se eligen de uno en uno, y si tienes los
números de la suerte (da igual el orden) ¡entonces has ganado!
La manera más fácil de explicarlo es:

 imaginemos que el orden sí importa (permutaciones),

 después lo cambiamos para que el orden no importe.
Volviendo a las bolas de billar, digamos que queremos saber qué 3 bolas se
eligieron, no el orden.
Ya sabemos que 3 de 16 dan 3360 permutaciones.
Pero muchas de ellas son iguales para nosotros, porque no nos importa el
orden.
Por ejemplo, digamos que se tomaron las bolas 1, 2 y 3. Las posibilidades

son:
El orden importa El orden no

importa
1 2 3 123
1 3 2
2 1 3
2 3 1
3 1 2
321
Así que las permutaciones son 6 veces más posibilidades.
De hecho hay una manera fácil de saber de cuántas maneras "1 2 3" se
pueden ordenar, y ya la sabemos. La respuesta es:
3! = 3 × 2 × 1 = 6
(Otro ejemplo: 4 cosas se pueden ordenar de 4! = 4 × 3 × 2 × 1 = 24 maneras

distintas, ¡prueba tú mismo!)
Así que sólo tenemos que ajustar nuestra fórmula de permutaciones

para reducir por las maneras de ordenar los objetos elegidos (porque no nos
interesa ordenarlos):
Esta fórmula es tan importante que normalmente se la escribe con grandes

paréntesis, así:
donde n es el número de cosas que puedes elegir, y

eliges r de ellas
(No se puede repetir, el orden no importa)
Y se la llama "coeficiente binomial".
Notación
Además de los "grandes paréntesis", la gente también usa estas notaciones:
Ejemplo
Entonces, nuestro ejemplo de bolas de billar (ahora sin orden) es:
16! 16! 20,922,789,888,000
= = = 560
3!(16-3)! 3!×13! 6×6,227,020,800
O lo puedes hacer así:
16×15×14 3360
= = 560
3×2×1 6
1. Combinaciones con repetición
Digamos que tenemos cinco sabores de helado: banana,

chocolate, limón, fresa y vainilla. Puedes tomar 3 paladas.
¿Cuántas variaciones hay?
Vamos a usar letras para los sabores: {b, c, l, f, v}. Algunos

ejemplos son
 {c, c, c} (3 de chocolate)
 {b, l, v} (uno de banana, uno de limón y uno de vainilla)
 {b, v, v} (uno de banana, dos de vainilla)
(Y para dejarlo claro: hay n=5 cosas para elegir, y eliges r=3 de ellas.
El orden no importa, ¡y sí puedes repetir!)
Bien, no puedo decirte directamente cómo se calcula, pero te voy a enseñar

una técnica especial para que lo averigües tú mismo.
Imagina que el helado está en contenedores,

podrías decir "sáltate el primero, después 3
paladas, después sáltate los 3 contenedores
siguientes" ¡y acabarás con 3 paladas de
chocolate!
Entonces es como si ordenaras a un robot que te

trajera helado, pero no cambia nada, tendrás lo
que quieres.
Ahora puedes escribirlo como (la flecha es saltar, el círculo

es tomar)
Entonces los tres ejemplos de arriba se pueden escribir así:

{c, c, c} (3 de chocolate):
{b, l, v} (uno de banana, uno de limón y uno

de vainilla):
{b, v, v} (uno de banana, dos de vainilla):
OK, entonces ya no nos tenemos que preocupar por diferentes sabores, ahora
tenemos un problema más simplepara resolver: "de cuántas maneras puedes
ordenar flechas y círculos"
Fíjate en que siempre hay 3 círculos (3 paladas de helado) y 4 flechas

(tenemos que movernos 4 veces para ir del contenedor 1º al 5º).
Así que (en general) hay r + (n-1) posiciones, y queremos que r de ellas
tengan círculos.
Esto es como decir "tenemos r + (n-1) bolas de billar y queremos elegir r de

ellas". Es decir, es como el problema de elegir bolas de billar, pero con
números un poco distintos. Lo podrías escribir así:
donde n es el número de cosas que puedes elegir,

y eliges r de ellas
(Se puede repetir, el orden no importa)
Es interesante pensar que podríamos habernos fijado en flechas en vez de

círculos, y entonces habríamos dicho "tenemos r + (n-1) posiciones y
queremos que (n-1) tengan flechas", y la respuesta sería la misma...
¿Qué pasa con nuestro ejemplo, cuál es la respuesta?
(5+3-1)! = 7! = 5040 = 35
3!(5-1)! 3!×4! 6×24
 Tablas de Contingencia
En estadística las tablas de contingencia se emplean para registrar y

analizar la asociación entre dos o más variables, habitualmente de
naturaleza cualitativa (nominales u ordinales).
Ejemplo
Suponiendo que se tienen dos variables, la primera el género (Masculino -

Femenino) y la segunda recoge si el individuo es zurdo o diestro. Se ha
observado esta pareja de variables en una muestra aleatoria de 100
individuos. Se puede emplear una tabla de contingencia para expresar la
relación entre estas dos variables puedes resolver cualquier operación de
probabilidad o álgebra
Diestro Zurdo TOTAL
Hombre 43 9 52
Mujer 44 4 48
TOTAL 87 13 100
Las cifras en la columna de la derecha y en la fila inferior reciben el nombre

de frecuencias marginales y la cifra situada en la esquina inferior derecha
es el gran total.
La tabla nos permite ver de un vistazo que la proporción de hombres diestros

es aproximadamente igual a la proporción de mujeres diestras. Sin embargo,
ambas proporciones no son idénticas y la significación estadística de la
diferencia entre ellas puede ser evaluada con la prueba χ² de Pearson,
supuesto que las cifras de la tabla son una muestra aleatoria de una población.
Si la proporción de individuos en cada columna varía entre las diversas filas y
viceversa, se dice que existe asociación entre las dos variables. Si no existe
asociación se dice que ambas variables son independientes.
El grado de asociación entre dos variables se puede evaluar empleando
distintos coeficientes: el más simple es el coeficiente phi que se define por
donde χ2 se deriva del test de Pearson, y N es el total de observaciones -el

gran total-. Φ puede oscilar entre 0 (que indica que no existe asociación entre
las variables) e infinito. A diferencia de otras medidas de asociación, el
coeficiente Φ de Cramer no está acotado.
 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y

DISCRETAS
Las distribuciones de probabilidad son distribuciones de probabilidad

continuas o distribuciones de probabilidad discretas, dependiendo de si
definen probabilidades para variables continuas o discretas.
¿Qué es una distribución continua?
Una distribución continua describe las probabilidades de los posibles valores

de una variable aleatoria continua. Una variable aleatoria continua es una
variable aleatoria con un conjunto de valores posibles (conocido como el
rango) que es infinito y no se puede contar.
Las probabilidades de las variables aleatorias continuas (X) se definen como

el área por debajo de la curva de su PDF. Por lo tanto, solo los rangos de
valores pueden tener una probabilidad diferente de cero. La probabilidad de
que una variable aleatoria continua equivalga a algún valor siempre es cero.
Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de
hombres adultos. Por ejemplo, usted puede calcular la probabilidad de que un
hombre pese entre 160 y 170 libras.
Gráfica de distribución del peso de hombres adultos

El área sombreada debajo de la curva en este ejemplo representa el rango de
160 a 170 libras. El área de este rango es 0.136; por lo tanto, la probabilidad
de que un hombre seleccionado aleatoriamente pese entre 160 y 170 libras
es de 13.6%. Toda el área por debajo de la curva equivale a 1.0.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor
siempre es cero, porque el área por debajo de la curva en un punto individual,
que no tiene anchura, es cero. Por ejemplo, la probabilidad de que un hombre
pese exactamente 190 libras es cero. Podría calcular una probabilidad
diferente de cero de que un hombre pese más de 190 libras, menos de 190
libras o entre 189.9 y 190.1 libras, pero la probabilidad de que pese
exactamente 190 libras es cero.
Tipos de distribuciones de variable continua.

Distribuciones definidas en un intervalo acotado
 La distribución arcoseno, definida en el intervalo [a,b].

 La distribución beta, definida en el intervalo [0, 1], que es útil a la hora de
estimar probabilidades.
 La distribución del coseno alzado, sobre el intervalo [\mu-s,\mu+s].
 La distribución degenerada en x0, en la que X toma el valor x0 con

probabilidad 1. Puede ser considerada tanto una distribución discreta
como continua.
 La distribución de Irwin-Hall o distribución de la suma uniforme, es la
distribución correspondiente a la suma de n variables aleatorias i.i.d. ~ U(0,
1).
 La distribución de Kent, definida sobre la superficie de una esfera unitaria.
 La distribución de Kumaraswamy, tan versátil como la beta, pero con FDC
y FDP más simples.
 La distribución logarítmica continua.
 La distribución logit-normal en (0, 1).
 La distribución normal truncada, sobre el intervalo [a, b].
 La distribución reciproca, un tipo de distribución inversa.
 La distribución triangular, definida en [a, b], de la cual un caso particular
es la distribución de la suma de dos variables independientes
uniformemente distribuidas (la convolución de dos distribuciones
uniformes).
 La distribución uniforme continua definida en el intervalo cerrado [a, b], en
el que la densidad de probabilidad es constante.
 La distribución rectangular es el caso particular en el intervalo [-1/2, 1/2].
 La distribución U-cuadrática, definida en [a, b], utilizada para modelar
procesos bimodales simétricos.
 La distribución von Mises, también llamada distribución normal circular o
distribución Tikhonov, definida sobre el círculo unitario.
 La distribución von Mises-Fisher, generalización de la anterior a una
esfera N-dimensional.
 La distribución semicircular de Wigner, importante en el estudio de las
matrices aleatorias.
Definidas en un intervalo semi-infinito, usualmente [0,∞)
 La distribución beta prima.

 La distribución de Birnbaum–Saunders, también llamada distribución de

resistencia a la fatiga de materiales, utilizada para modelar tiempos de
fallo.
 La distribución chi.
 La distribución chi no central.
 La distribución χ² o distribución de Pearson, que es la suma de cuadrados
de n variables aleatorias independientes gaussianas. Es un caso especial
de la gamma, utilizada en problemas de bondad de ajuste.
 La distribución chi-cuadrada inversa.
 La distribución chi-cuadrada inversa escalada.
 La distribución chi-cuadrada no central.
 La distribución de Dagum.
 La distribución exponencial, que describe el tiempo entre dos eventos
consecutivos en un proceso sin memoria.
 La distribución F, que es la razón entre dos
variables y independientes. Se utiliza, entre otros usos, para

realizar análisis de varianza por medio del test F.
 La distribución F no central.
 La distribución de Fréchet.
 La distribución gamma, que describe el tiempo necesario para que
sucedan n repeticiones de un evento en un proceso sin memoria.
 La distribución de Erlang, caso especial de la gamma con un parámetro k
entero, desarrollada para predecir tiempos de espera en sistemas de
líneas de espera.
 La distribución gamma inversa.
 La distribución gamma-Gompertz, que se utiliza en modelos para estimar
la esperanza de vida.
 La distribución de Gompertz.
 La distribución de Gompertz desplazada.
 La distribución de Gumbel tipo-2.
 La distribución de Lévy.
Distribuciones en las que el logaritmo de una variable aleatoria está

distribuido conforme a una distribución estándar:
 La distribución log-Cauchy.
 La distribución log-gamma.
 La distribución log-Laplace.
 La distribución log-logistic.
 La distribución log-normal.
 La distribución de Mittag–Leffler.
 La distribución de Nakagami.
 Variantes de la distribución normal o de Gauss:
 La distribución normal pleglada.
 La distribución semi normal.
 La distribución de Gauss inversa, también conocida como distribución de
Wald.
 La distribución de Pareto y la distribución de Pareto generalizada.
 La distribución tipo III de Pearson.
 La distribución por fases bi-exponencial, comúnmente usada en
farmacocinética.
 La distribución por fases bi-Weibull.
 La distribución de Rayleigh.
 La distribución de mezcla de Rayleigh.
 La distribución de Rice.
 La distribución T² de Hotelling.
 La distribución de Weibull o distribución de Rosin-Rammler, para describir
la distribución de tamaños de determinadas partículas.
 La distribución Z de Fisher.
Definidas en la recta real completa
 La distribución de Behrens–Fisher, que surge en el problema de Behrens–

Fisher.
 La distribución de Cauchy, un ejemplo de distribución que no tiene
expectativa ni varianza. En física se le llama función de Lorentz, y se
asocia a varios procesos.
 La distribución de Chernoff.
 La distribución estable o distribución asimétrica alfa-estable de Lévy, es
una familia de distribuciones usadas e multitud de campos. Las
distribuciones normal, de Cauchy, de Holtsmark, de Landau y de Lévy
pertenecen a esta familia.
 La distribución estable geométrica.
 La distribución de Fisher–Tippett o distribución del valor extremo

generalizada.
 La distribución de Gumbel o log-Weibull, caso especial de la Fisher–
Tippett.
 La distribución de Gumbel tipo-1.
 La distribución de Holtsmark, ejemplo de una distribución con expectativa
finita pero varianza infinita.
 La distribución hiperbólica.
 La distribución secante hiperbólica.
 La distribución SU de Johnson.
 La distribución de Landau.
 La distribución de Laplace.
 La distribución de Linnik.
 La distribución logística, descrita por la función logística.
 La distribución logística generalizada.
 La distribución map-Airy.
 La distribución normal, también llamada distribución gaussiana o campana
de Gauss. Está muy presente en multitud de fenómenos naturales debido
al teorema del límite central: toda variable aleatoria que se pueda modelar
como la suma de varias variables independientes e idénticamente
distribuidas con expectativa y varianza finita, es aproximadamente normal.
 La distribución normal generalizada.
 La distribución normal asimétrica.
 La distribución gaussiana exponencialmente modificada, la convolución
de una normal con una exponencial.
 La distribución normal-exponencial-gamma.
 La distribución gaussiana menos exponencial es la convolución de una
distribución normal con una distribución exponencial (negativa).
 La distribución de Voigt, o perfil de Voigt, es la convolución de una
distribución normal y una Cauchy. Se utiliza principalmente en
espectroscopía.
 La distribución tipo IV de Pearson.
 La distribución t de Student, útil para estimar medias desconocidas de una
población gaussiana.
 La distribución t no central.
Definidas en un dominio variable
 La distribución de Fisher–Tippett o distribución del valor extremo

generalizada, puede estar definida en la recta real completa o en un
intervalo acotado, dependiendo de sus parámetros.
 La distribución de Pareto generalizada está definida en un dominio que
puede estar acotado inferiormente o acotado por ambos extremos.
 La distribución lambda de Tukey, puede estar definida en la recta real
completa o en un intervalo acotado, dependiendo de sus parámetros.
 La distribución de Wakeby.
Distribuciones mixtas discreta/continua
 La distribución gaussiana rectificada, es una distribución normal en la que

los valores negativos son sustituidos por un valor discreto en cero.
Distribuciones multivariable
 La distribución de Dirichlet, generalización de la distribución beta.

 La fórmula de muestreo de Ewens o distribución multivariante de Ewens,
es la distribución de probabilidad del conjunto de todas las particiones de
un entero n, utilizada en el análisis genético de poblaciones.
 El modelo de Balding–Nichols, utilizado en el análisis genético de
poblaciones.
 La distribución multinomial, generalización de la distribución binomial.
 La distribución normal multivariante, generalización de la distribución
normal.
 La distribución multinomial negativa, generalización de la distribución
binomial negativa.
 La distribución log-gamma generalizada multivariante.
Distribuciones matriciales
 La distribución de Wishart.
 La distribución de Wishart inversa.
 La distribución normal matricial.
 La distribución t matricial.
Distribuciones no numéricas
 La distribución categórica.
Distribuciones misceláneas
 Distribución de Cantor.
 Distribución de tipo fase.
¿Qué es una distribución discreta?
Una distribución discreta describe la probabilidad de ocurrencia de cada valor

de una variable aleatoria discreta. Una variable aleatoria discreta es una
variable aleatoria que tiene valores contables, tales como una lista de enteros
no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero.
Por lo tanto, una distribución de probabilidad discreta suele representarse en
forma tabular.
Ejemplo del número de quejas de clientes

Con una distribución discreta, a diferencia de una distribución continua, usted
puede calcular la probabilidad de que X sea exactamente igual a algún valor.
Por ejemplo, puede utilizar la distribución discreta de Poisson para describir el
número de quejas de clientes en un día. Supongamos que el número promedio
de quejas por día es 10 y usted desea saber la probabilidad de recibir 5, 10 y
15 quejas de clientes en un día.
x P (X = x)
5 0.037833
10 0.12511
15 0.034718
Usted también puede visualizar una distribución discreta en una gráfica de

distribución para ver las probabilidades entre los rangos.
Gráfica de distribución del número de quejas de clientes
Las barras sombreadas en este ejemplo representan el número de

ocurrencias cuando las quejas diarias de los clientes son 15 o más. La altura
de las barras suma 0.08346; por lo tanto, la probabilidad de que el número de
llamadas por día sea 15 o más es 8.35%.
Tipos de distribuciones de variable discreta[editar]

Definidas sobre un dominio finito
 La distribución binomial, que describe el número de aciertos en una serie

de n experimentos independientes con posibles resultados binarios, es
decir, de "sí" o "no", todos ellos con probabilidad de acierto p y probabilidad
de fallo q = 1 − p.
 La distribución de Bernoulli, la clásica binomial, que toma valores "1", con
probabilidad p, o "0", con probabilidad q = 1 − p (ensayo de Bernoulli).
 La distribución de Rademacher, que toma valores "1" o "-1" con
probabilidad 1/2 cada uno.
 La distribución beta-binomial, que describe el número de aciertos en una
serie de n experimentos independientes con posibles resultados "sí" o
"no", cada uno de ellos con una probabilidad de acierto variable definida
por una beta.
 La distribución degenerada en x0, en la que X toma el valor x0 con
probabilidad 1. A pesar de que no parece una variable aleatoria, la
distribución satisface todos los requisitos para ser considerada como tal.
 La distribución uniforme discreta, que recoge un conjunto finito de valores

que son resultan ser todos igualmente probables. Esta distribución
describe, por ejemplo, los comportamientos aleatorios de una moneda, un
dado, o una ruleta de casino equilibrados -sin sesgo-.
 La distribución hipergeométrica, que mide la probabilidad de obtener x (0
≤ x ≤ d) elementos de una determinada clase formada por d elementos
pertenecientes a una población de N elementos, tomando una muestra de
n elementos de la población sin reemplazo.
 La distribución hipergeométrica no central de Fisher.
 La distribución hipergeométrica no central de Wallenius.
 La ley de Benford, que describe la frecuencia del primer dígito de un
conjunto de números en notación decimal.
Definidas sobre un dominio infinito
 La distribución binomial negativa o distribución de Pascal, que describe el

número de ensayos de Bernoulli independientes necesarios para
conseguir n aciertos, dada una probabilidad individual de éxito p
constante.
 La distribución geométrica, que describe el número de intentos necesarios
hasta conseguir el primer acierto.
 La distribución beta-binomial negativa, que describe el número de
experimentos del tipo "si/no" necesarios para conseguir n aciertos, cuando
la probabilidad de éxito de cada uno de los intentos está distribuida de
acuerdo con una beta.
 La distribución binomial negativa extendida.
 La distribución de Boltzmann, importante en mecánica estadística, que
describe la ocupación de los niveles de energía discretos en un sistema
en equilibrio térmico. Varios casos especiales son:
 La distribución de Gibbs.
 La distribución de Maxwell–Boltzmann.
 La distribución elíptica asimétrica.

 La distribución fractal parabolica.
 La distribución hipergeométrica extendida.
 La distribución logarítmica.
 La distribución logarítmica generalizada.
 La distribución de Poisson, que describe el número de eventos

individuales que ocurren en un periodo de tiempo. Existen diversas
variantes como la distribución de Poisson desplazada,
la hiperdistribución de Poisson, la distribución binomial de Poisson y
la distribución de Conway–Maxwell–Poisson, entre otras.
 La distribución de Polya-Eggenberger.
 La distribución Skellam, que describe la diferencia de dos variables
aleatorias independientes con distribuciones de Poisson de distinto
valor esperado.
 La distribución de Yule–Simon.
 La distribución zeta, que utiliza la función zeta de Riemman para
asignar una probabilidad a cada número natural.
 La ley de Zipf, que describe la frecuencia de utilización de las palabras
de una lengua.
 La ley de Zipf–Mandelbrot es una versión más precisa de la anterior.
2. Resolver los ejercicios 1, 3,5, 7,9 de la Unidad Uno del Módulo.
 En una caja hay 10 bolas rojas y 6 blancas. ¿Si se extrae una bola
de la caja, cuál es la probabilidad de que la bola sea blanca?
P (B) = 6/16 = 3/8 = 0.375 = 37.5%
 En un grupo de 48 estudiantes, 12 de ellos expresan preferencia

por el ajedrez; ¿cuál es la probabilidad de que al seleccionar un
estudiante éste exprese preferencias por el ajedrez?
P (A) = 12/48 = 1/4 = 0.25 = 25%
 Suponer que en una fábrica se producen 5000 artículos eléctricos.

200 de ellos son defectuosos. ¿Cuál es la probabilidad de que al
seleccionar un artículo de esa fábrica, el artículo no sea
defectuoso?
P (ND) = 4800/5000 = 0.96= 96%

 Suponer que un vendedor de seguros ofrece este servicio a 5000

personas de las cuales el 20% de ellas adquiere el seguro. ¿Cuál
es la probabilidad de que al seleccionar una de estas personas
haya comprado el seguro?
P (CS) = 1000/5000 = 0.2 = 20%
 Suponer que en un grupo de 60 estudiantes, 20 de ellos

obtuvieron una nota de matemática sobresaliente, 30 bueno y los
demás insuficientes.
¿Cuál es la probabilidad de que al seleccionar un alumno, éste

tenga una nota Sobresaliente?
P (S) = 20/60 = 1/3 = 0.333= 33%
Cuál es la probabilidad de que al seleccionar un alumno, éste

tenga una nota insuficiente?
P (I) = 10/60 = 1/6= 0.166= 16%

tenga una nota sobresaliente o bueno?
P (SoB) = 50/60 = 5/6 = 0.833= 83.33%

tenga una nota sobresaliente, buena o insuficiente?
P (SoBoI) = 60/60 = 100%
3. Resolver los ejercicios referenciados a continuación:
 En un gimnasio se aplicó una encuesta a 100 personas que asisten con

una frecuencia de tres o más veces a la semana. Los resultados
arrojados dicen que: 35 personas han tomado hormonas para tonificar
su cuerpo, 25 consumen fibra para fortalecer su masa muscular y 45

consumen bebidas energéticas para aumentar su capacidad física. 5
de las personas toman hormonas, fibras y bebidas energéticas, 12
consumen fibra y hormonas, 18 toman hormonas y bebidas energéticas
y 16 prefieren bebidas energéticas y fibra. Con base en la información
obtenida resolver.
a) Elaborar el diagrama de venn con la información obtenida en la

encuesta.
b) Si se selecciona una persona al azar, ¿cuál es la probabilidad

de que no consuma ninguna de estas tres sustancias?
P (NS) = 36/100 = 0.36 = 36%
c) ¿Cuál es la probabilidad de que no consuma hormonas?
P (NH) = 65/100 = 13/20 = 65%
d) ¿Cuál es la probabilidad de que no consuma hormonas ni

bebidas energéticas?
P (NHNB) = 38/100 = 38%
e) ¿Cuál es la probabilidad de que haya tomado hormonas, pero

no fibra?
P (NHNF) = 23/100 = 23%
f) ¿Cuál es la probabilidad de que no consuma fibra?
P (NF) = 75/100 = 75%
 En una corporación de ahorro y vivienda se toma una muestra de tres

créditos hipotecarios. Cada crédito está clasificado como de tasa Fija
(F) o de tasa Variable (V).
a. Escribir el espacio muestral del evento.
Ω= { (TF, TF, TF) (TF, TF, TV)( TF, TV, TF)( TV, TF, TF)( TV,
TV, TF)( TV, TF, TV)(TF, TV, TV)( TV, TV, TF)( TV, TV, TV}
b. b. Elaborar un diagrama de árbol para determinar el espacio

muestral del experimento.
 Se realizó una encuesta a los ejecutivos de una empresa nacional,

sobre el tipo de automóvil preferido: Cupé, Sedán, Camioneta. Los
resultados se registran en la tabla a continuación, teniendo en cuenta
el género de la persona. Elaborar una tabla de de doble entrada para
las dos variables de género y el tipo de auto preferido.
TIPO DE AUTOMOVIL
CUPE SEDAN CAMIONETA
HOMBRE 12 24 6
MUJER 22 14 16
TIPO DE AUTOMOVIL TOTAL

CUPE SEDAN CAMIONETA
GENERO HOMBRE 12 24 6 42
MUJER 22 14 16 52
TOTAL 34 38 22 94
Si se selecciona al azar uno de los ejecutivos.

a) ¿Cuál es la probabilidad de que sea hombre?
P (H) = 42/94 = 0.4468= 44.68%
b) ¿Cuál es la probabilidad de que sea hombre y prefiera las

camionetas?
P (HC) = 6/94= 0.0638= 6.38%
c) ¿Cuál es la probabilidad de que sea mujer o prefiera un

automóvil cupé?
P (MC) = 22/94 = 0.234= 23.4%
d) ¿Cuál es la probabilidad de que no le gusten los automóviles tipo

sedán?
P (AS) = 56/94 = 0.5957= 59.57%
e) ¿Cuál es la probabilidad de que sea mujer y prefiera las

camionetas?
P (MC) = 16/94 = 0.17= 17%
BIBLIOGRAFIA
 https://proyectodescartes.org/iCartesiLibri/materiales_didacticos/E
stadisticaProbabilidadInferencia/Probabilidad/2_1ExperimentosAle
atorios.html
 https://www.academia.edu/27250685/Estadistica_y_Probabilidad.p
dfhttps://support.minitab.com/es-mx/minitab/18/help-and-how-
to/probability-distributions-and-random-data/supporting-
topics/basics/continuous-and-discrete-probability-distributions/
 https://issuu.com/eralveto/docs/becu-libro-alumno-
matematica1/190
 https://es.wikipedia.org/wiki/Probabilidad
 https://www.vitutor.com/pro/2/a_1.html
 https://www.smartick.es/blog/matematicas/probabilidad-y-
estadistica/probabilidad-que-es/
 https://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematic
as-28.html
 https://es.khanacademy.org/math/probability/probability-
geometry/probability-basics/a/probability-the-basics

Trabajo No. 1 Estadística II

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Trabajo No. 1 Estadística II

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD DE PAMPLONA

Centro Regional de Educación a Distancia – CREAD

TRABAJO 1DE ESTADISTICA II

TUTOR: ÁLVARO PARADA LOZANO

CENTRO REGIONAL DE EDUCACIÓN A DISTANCIA – CREAD

- Definiciones, generalidades y de la probabilidad.

TRABAJO No. 1 ESTADISTICA II

1. Consultar con la ayuda del módulo, la bibliografía entregada y/o

 Experimento aleatorio: o experimento predicho de anterioridad con

 Espacio muestral: es el conjunto de todos los posibles resultados

un número finito de elementos o infinito numerable, entonces se dice que

Es un subconjunto de un espacio muestral, es decir, un conjunto de

Formalmente, sea un espacio muestral, entonces

Si se considera una baraja de naipes sin comodines, y se toma una sola

- "Sale una carta de rey" (4 elementos).

En el diagrama puede observarse que Mario tiene 8 maneras distintas

Por otra parte, cuando el número de resultados posibles es muy grande,

Tomemos un número entero positivo cualquiera, por ejemplo el 5, y hagamos

Otros ejemplos serían:

Una permutación es la variación del orden o posición de los elementos de

Hay dos tipos de permutaciones:

1. Permutaciones con repetición

(Porque hay n posibilidades para la primera elección, DESPUÉS

Por ejemplo en la cerradura de arriba, hay 10 números para elegir (0,1,...,9) y

10 × 10 × ... (3 veces) = 103 = 1000 permutaciones

Así que la fórmula es simplemente:

2. Permutaciones sin repetición

En este caso, se reduce el número de opciones en cada paso.

Por ejemplo, ¿cómo podrías

Después de elegir por ejemplo la

Así que tu primera elección tiene 16 posibilidades, y tu siguiente elección tiene

¿Pero cómo lo escribimos matemáticamente? Respuesta: usamos la "función

La función factorial (símbolo: !) significa que se multiplican

Nota: en general se está de acuerdo en que 0! = 1. Puede que parezca

¿Lo ves? 16! / 13! = 16 × 15 × 14

donde n es el número de cosas que puedes elegir, y eliges r de ellas

Nuestro "ejemplo de elegir en orden 3 bolas de 16" sería:

16! 16! 20,922,789,888,000

(16-3)! 13! 6,227,020,800

¿De cuántas maneras se pueden dar primer y segundo premio entre 10

10! 10! 3,628,800

(que es lo mismo que: 10 × 9 = 90)

En lugar de escribir toda la fórmula, la gente usa otras notaciones como:

Una combinación es un arreglo donde el orden NO es importante. La notación

También hay dos tipos de combinaciones (recuerda que ahora el

 Se puede repetir: como monedas en tu bolsillo (5,5,5,10,10)

1. Combinaciones con repetición

2. Combinaciones sin repetición

La manera más fácil de explicarlo es:

 imaginemos que el orden sí importa (permutaciones),

Ya sabemos que 3 de 16 dan 3360 permutaciones.

Por ejemplo, digamos que se tomaron las bolas 1, 2 y 3. Las posibilidades

El orden importa El orden no

Así que las permutaciones son 6 veces más posibilidades.

(Otro ejemplo: 4 cosas se pueden ordenar de 4! = 4 × 3 × 2 × 1 = 24 maneras

Así que sólo tenemos que ajustar nuestra fórmula de permutaciones

Esta fórmula es tan importante que normalmente se la escribe con grandes

donde n es el número de cosas que puedes elegir, y

Y se la llama "coeficiente binomial".

Además de los "grandes paréntesis", la gente también usa estas notaciones:

Entonces, nuestro ejemplo de bolas de billar (ahora sin orden) es:

16! 16! 20,922,789,888,000

3!(16-3)! 3!×13! 6×6,227,020,800

O lo puedes hacer así: