T

e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Exmenes
1 30% Probabilidad, distribuciones discretas y continuas
2 35% Muestreo, estimacin de intervalos, prueba de
hiptesis
3 20% Regresin, componentes principales, clusters
Tareas
1 15% Regresin Componentes Principales - Clusters
Contenido General - Evaluacin
Revisin de los Conceptos
Bsicos de Probabilidad
Tema 1
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Contenido programtico
Espacio muestral y axiomas de probabilidad
Probabilidad condicional e independencia
Variables aleatorias discretas y continuas
Medidas de tendencia central y dispersin
Principales distribuciones discretas y continuas
Variables aleatorias bidimensionales
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Trminos bsicos
Experimento: es el proceso de obtener una
observacin
Eventos Simples: Cualquier resultado bsico de
un experimento. Un evento simple no se puede
descomponer en resultados ms simples.
Ej.: Cules son los eventos simples asociados al lanzamiento
de un dado?
Espacio Muestral (S): Es la coleccin de todos
los eventos simples de un experimento.
Ej.: Cul sera el espacio muestral asociado al
lanzamiento de un dado?
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Trminos bsicos
Eventos: Coleccin de elementos simples.
Subconjunto del espacio S.
Ej.: Un evento de lanzar un dado puede ser:
A : {1,3,5}
Donde A sera el evento en el cual el resultado
obtenido es un nmero impar.

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Diagramas de Venn
Los diagramas de Venn son tiles para
representar probabilidades.
Ej.: Probabilidad de pertenecer a uno
cualquiera de tres conjuntos.

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Operaciones elementales
Unin
El evento Unin (A B) consiste de todos
los eventos simples que estan contenidos en
A o B y en ambos.
A B puede ser descrito como que ocurre
por lo menos uno de los dos eventos A o B.

A B
A B
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Operaciones elementales
Interseccin
El evento Interseccin (A B) consiste de todos
los eventos simples comunes de A y B.
A B puede ser descrito como que ocurren ambos
eventos A y B.

A B
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Operaciones elementales
Complemento
El evento A, llamado complemento de A, consiste
de todos los eventos simples que no estn en A.
A significa que el evento A no ocurra.

A
A
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Eventos Disjuntos
Eventos disjuntos: Dos eventos son disjuntos si no
pueden ocurrir al mismo tiempo, en otras palabras,
ellos no tienen eventos simples en comn.
A y B son disjuntos si A B =

En el siguiente diagrama de Venn A y B son disjuntos porque
su interseccin es el conjunto vaco. B y C no son disjuntos.

A
B
C
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Interpretacin frecuentista de
Probabilidad

Generalmente, la probabilidad de un evento puede pensarse
como la proporcin de veces que se espera que el evento
ocurra.

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Axiomas de la probabilidad
Para cada evento, A, se asigna la probabilidad del evento,
tal que:
Axioma 1: 0 P(A) 1

Axioma 2: P(S ) = 1

Axioma 3: Si A
1
, A
2
, A
3
, ..., A
n
son disjuntos dos a
dos:
P(A
1
A
2
A
3
...A
n
) = P(A
1
) + P(A
2
) + P(A
3
) + P(A
n
)


T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Eventos complementarios

Si el evento A no ocurre, decimos que su
complemento A ha ocurrido y viceversa. Las
probabilidades de A y A estan relacionadas
por la frmula:
P(A) = 1 P(A)

A
A
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Regla general de la suma
Cuando un evento se expresa de la forma A B, su
probabilidad puede calcularse a travs de la siguiente
frmula:
P(A B) = P(A) + P(B) - P(A B)

Para 3 conjuntos:
P(A B C) =
P(A) + P(B) + P(C)
-P(A B) -P(A C) - P(B C)
+P(A B C)

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Operaciones elementales
Ejercicio
De los voluntarios que llegan a un banco de sangre, 1 de 3
tiene sangre tipo O+; 1 de 15, tipo O-; 1 de 3, tipo A+; y 1
de 16, tipo A-. Se selecciona al azar el nombre de un
donante de los registros del banco. Cul es la probabilidad
de que la persona seleccionada tenga
Sangre tipo O+?
Sangre tipo O?
Sangre tipo A?
Sangre que no es del tipo A, ni O?
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejercicio
La siguiente tabla muestra un resumen de una encuesta realizada a 500
personas en referencia a su posicin frente al aborto:
Si aleatoriamente se selecciona una persona de entre las 500, cul es la
probabilidad de que:
El encuestado est a favor de la legalizacin del aborto?
El encuestado sea hombre y est en contra de la
legalizacin del aborto?
A favor En contra Total
Mujeres 200 100 300
Hombres 50 150 200
Total 250 250 500
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejercicio
La siguiente tabla muestra un resumen del anlisis realizado a las flechas de un
compresor para determinar el grado con que stas satisfacen ciertos
requerimientos:
Si se toma una flecha al azar cul es la probabilidad de que cumpla con
los requerimientos de acabado superficial?
Cul es la probabilidad de que la flecha seleccionada cumpla con los
requisitos de acabado o con los de curvatura?
Cul es la probabilidad de que la flecha cumpla con los requisitos de
acabado o que no cumpla con los de curvatura?
Cul es la probabilidad de que la flecha cumpla con los requisitos de
acabado y curvatura?
El acabado superficial
cumple con los
requerimientos
La curvatura cumple con los requerimientos
S No
S 345 5
No 12 8
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Probabilidad Condicional
Sean A y B dos eventos con P(B) > 0. La probabilidad
condicional de A con respecto a B es la probabilidad
de que ocurra A sabiendo que ocurre B:





T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejercicio
La siguiente tabla muestra un resumen del anlisis realizado a las flechas de un
compresor para determinar el grado con que stas satisfacen ciertos
requerimientos:
Se escoge una flecha y se observa que cumple con los requisitos de
curvatura. Cul es la probabilidad de que la flecha cumpla con los requisitos
de acabado?
El acabado superficial
cumple con los
requerimientos
La curvatura cumple con los requerimientos
S No
S 345 5
No 12 8
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Eventos independientes

Dos eventos A y B son independientes si la probabilidad
de que ocurra uno no afecta la ocurrencia del otro



Luego:

) (
) (
) ( ) | (
B P
B A P
A P B A P

= =
) ( ) ( ) ( B P A P B A P =
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d


En un grupo de estudiantes de bachillerato que consta de
60 mujeres y 40 varones, se observa que 24 chicas y 16
muchachos usan lentes. Adems, se sabe que si un
estudiante es elegido aleatoriamente la probabilidad de
que el estudiante use lentes es 40%=0.4
Considerando esto,
Calcule la probabilidad de que un estudiante elegido
aleatoriamente use lentes dado que es un estudiante
varn
Puede usted afirmar que ambos eventos son
independientes en este grupo?
Eventos independientes
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Eventos independientes

Que los eventos sean
independientes significa que los
eventos son excluyentes?
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Encuesta encubierta
Se desea determinar el porcentaje de homosexuales en el Zulia,
dado que el ser homosexual no es ampliamente aceptado en la
sociedad no podemos hacer preguntas directas, para ello
utilizamos tems del tipo: Es homosexual o es fumador, de
manera que la persona conteste con honestidad. Por ejemplo:

Si Ud. fuma o es homosexual responda la siguiente pregunta

Es importante que el evento de inters en este caso ser
homosexual sea relacionado con eventos independientes a l,
tales como ser fumador, hacer deporte, etc.





T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

) ( 1
) ( ) (
) (
F P
F P H F P
H P

=

Encuesta encubierta

P(F) Probabilidad de ser fumador (Conocida)
P(H) Probabilidad de ser homosexual (Buscada)
F y H son eventos independientes

P(F H) = P(F) + P(H) P(F H) [Unin]
P(F H) = P(F) + P(H) P(F)*P(H) [F y H Independientes]
Despejamos P(H) y resulta:

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Nmero de
hijos

Casadas

Solteras

Totales
0 0.30 0.10 0.40
1 0.15 0.05 0.20
2 0.10 0.05 0.15
3 0.06 0.04 0.10
4 0.04 0.01 0.05
5 ms 0.07 0.03 0.10
Total 0.72 0.28 1.00
La siguiente tabla muestra porcentaje de mujeres adultas desglosadas por
estado civil y nmero de hijos en el pueblo de Macondo :
Suponga que de este conjunto se toma al azar una mujer. Sean A: el evento la
mujer tiene cuatro o ms hijos y B: el evento estar casada. Hallar:
a.- P(A) b.- P(B\A) c.- P(B) d.- P(A\B)
e.- P(A U B)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d


La probabilidad de infarto para hipertensos es del
0,3% y para no hipertensos del 0,1%. Si la
probabilidad de hipertensin en una cierta
poblacin es del 25% Cul es la probabilidad
del infarto en esa poblacin?
Teorema de Probabilidad Total
A2

A1

) (
1
A B
) (
2
A B
A1 = {ser hipertenso}
A2 = {no serlo}
(estos sucesos constituyen una particin)
B = {padecer infarto}
P(B) = ?

B
Recordemos que:
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Teorema de Probabilidad Total
A
1
, A
2
,, A
6
, forman
una particin del
espacio muestral.
A
1
A
3
A
4
A
6
A
5
A
2
B
j i A A
j i
= =|

=
i
i i
A P A B P B P ) ( ) | ( ) (
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Teorema de Bayes
Por definicin de
probabilidad
condicional se tiene:
) ( ) | (
) ( ) | (
) (
B P B A P
A P A B P
B A P
=
=

=
i
i i
A P A B P
A P A B P
B A P
) ( ) | (
) ( ) | (
) | (
1 1
1
A
1
A
3
A
4
A
6
A
5
A
2
B
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Teorema de Bayes
Para el caso de una particin en dos conjuntos
A y A
C
:
) ( ) | ( ) ( ) | (
) ( ) | (
) | (
C C
A P A B P A P A B P
A P A B P
B A P
+
=
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Cuando los artculos llegan al final de una lnea de
produccin, un supervisor escoge los que deben pasar por
una inspeccin completa; 10% de todos los artculos
producidos son defectuosos; 60% de todos los artculos
defectuosos y 20% de todos los artculos buenos pasan por
una inspeccin completa. Cul es la probabilidad de que un
artculo sea defectuoso, dado que pas por una inspeccin
completa?

Teorema de Bayes. Ejercicio
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

El departamento de meteorologa ha anunciado tres posibilidades
para el fin de semana:
a) Que llueva: probabilidad del 50%
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%
Segn estos posibles estados meteorolgicos, la posibilidad de que
ocurra un accidente es la siguiente:
a) Si llueve: 20%
b) Si nieva: 10%
c) Si hay niebla: 5%
Resulta que Ud, que estaba de viaje,
escuch en la radio que ocurri un accidente
el fin de semana cul es la probabilidad
de que estuviera nevando?
Teorema de Bayes. Ejercicio
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Los clientes se encargan de evaluar los diseos preliminares de
varios productos. En el pasado, el 95% de los productos con mayor
xito en el mercado recibieron buenas evaluaciones, el 60% de los
productos con xito moderado recibieron buenas evaluaciones, y el
10% de productos de escaso xito recibieron buenas evaluaciones.
Adems, el 40% de los productos ha tenido mucho xito, el 35% un
xito moderado y el 25% una baja aceptacin.
a.- Cul es la probabilidad de que un producto obtenga
una buena evaluacin?
b.- Si un nuevo diseo recibe una buen evaluacin, cul
es la probabilidad de que se convierta en un producto
de gran xito?
c.- Si un producto no obtiene una buena evaluacin,
cul es la probabilidad de que se convierta en un
producto de gran xito?
Teorema de Bayes. Ejercicio
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

A un sospechoso se le aplica un suero de la verdad que se
sabe que es confiable en un 90% cuando la persona es
culpable y en un 99% si la persona es inocente. Es decir, un
10% de los culpables son detectados como inocentes y un
1% de los inocentes son juzgados culpables. Si se
administra el suero a un sospechoso escogido de un grupo
donde solo el 5% han cometido un crimen y el suero indica
que es culpable, Cul es la
probabilidad de que sea inocente?

Teorema de Bayes. Ejercicio
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Experimento: lanzar tres monedas
S = {ccc,ccx,cxc,xcc,cxx,xcx,xxc,xxx}
xxx

ccc

ccx
cxc
xcc

cxx
xcx
xxc

0

3



2


1

S
R
Variable aleatoria:
Funcin del espacio
muestral S en el
conjunto de los reales
R
Variables Aleatorias
(Nmero de caras)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Una variable aleatoria es una funcin que asigna un nmero
real a cada resultado en el espacio muestral de un
experimento aleatorio.
Definicin
Variables Aleatorias
Ejemplos de variables aleatorias son:
Nmero de aos que un recin nacido va a vivir
Nmero de hembras en familias de 3 hijos
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d


Las variables aleatorias se denotan con una letra
mayscula (por ejemplo X) y con una letra minscula
(x) el valor posible de la variable.
Variables Aleatorias
Las variables aleatorias tienen asociada una estructura
de probabilidad que se caracteriza por la distribucin de
probabilidad
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

(X=x) representa el suceso "la variable aleatoria X toma el
valor x", y
p(X=x) representa la probabilidad de dicho suceso.

(X<x) representa el suceso "la variable aleatoria X toma
un valor menor a x", y
p(X<x) representa la probabilidad de que la v.a. X tome un
valor menor a x.
Variables Aleatorias
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Variables Aleatorias Discretas
Una Variable Aleatoria X es Discreta si el
conjunto de valores que toma es finito o, si es
infinito, puede ordenarse en una secuencia que
se corresponda con los nmeros naturales.
Ejemplo:
El nmero de artculos defectuosos en una
seleccin de 4 artculos de entre 240
El nmero de trabajos recibidos por un centro de
cmputo en un da
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Variables Aleatorias Discretas
Ejemplo: Una pareja decide tener hijos hasta
que nazca un varn o 5 hembras. Sea la
variable aleatoria nmero de hembras
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Variable aleatoria nmero de hembras
Evento probabilidad
Variable
aleatoria
v 1/2 0
hv 1/4 1
hhv 1/8 2
hhhv 1/16 3
hhhhv 1/32 4
hhhhh 1/32 5
Para cada valor que toma la variable es necesario conocer su probabilidad
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

La distribucin de probabilidad para una variable
aleatoria discreta y, es una tabla , grfica o frmula
que da la probabilidad p(y) asociada a cada posible
valor de y.

=
y toda
1 p(y)
Caractersticas
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Se lanza dos veces una moneda balanceada y se
observa el nmero X de caras. Calcule la
distribucin de probabilidad para X.
Ejemplo:
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

El espacio muestral de un experimento aleatorio es {a, b, c, d, e, f} y
cada resultado es igualmente probable. Se define una variable aleatoria de
la siguiente manera:
resultado a b c d e f
x 0 0 1.5 1.5 2 3
Determine la funcin de probabilidad de X.
Determine las siguientes probabilidades:
P(X=1.5)
P(0.5 < X < 2.7)
P(0 <= X < 2)
P(X=0 o X=2)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

La representacin grfica ms usual de la funcin de
probabilidad es un diagrama de barras no acumulativo.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de Probabilidad Acumulada
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Su representacin grfica tiene forma escalonada, siendo los
saltos coincidentes con las probabilidades p
i
correspondientes a
los valores x
i
de la variable X.
Distribucin de Probabilidad Acumulada
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Variables Aleatorias Continuas
Una Variable aleatoria X es Continua si el
conjunto de valores que toma es uno o ms
intervalos de la recta real.
Su distribucin de probabilidad est
caracterizada por la funcin de densidad f:
a b
La probabilidad es el rea bajo la curva
}
= s s
b
a
dx x f b X a prob ) ( ) (
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejemplos:
Supongamos el experimento que consiste en elegir al azar
500 personas y medir su estatura. La funcin que asocia a
cada persona su estatura es una variable aleatoria
continua.
Consideremos el experimento que consiste en elegir al
azar 100 patillas de una plantacin y pesarlas. La
funcin que asocia a cada patilla su peso es una variable
aleatoria continua.
Pero sern esas las variables asociadas a esos experimentos?
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de Probabilidad
Con el propsito de calcular probabilidades, se
tabula esta Funcin de Distribucin Acumulada.
Funcin de
distribucin
acumulada
Funcin de
Densidad
f
F
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Propiedades de una funcin de densidad
}
}
= < <
=
>=

b
a
f
constantes son b a y donde f(x)dx, b) x P(a . 3
1 f(x)dx . 2
0 (x) . 1
-
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

) x (x ) x (x
) x (x ) x (x
2 1 2 1
2 1 2 1
< < = < s
= s < = s s
X P X P
X P X P
Para cualquier x
1
y x
2
,
P(X=x)=0
Si X es una variable aleatoria continua, entonces,
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Funcin de Distribucin Acumulada
Si f(x) es la funcin de densidad su distribucin
acumulada est dada por:
Por ser una probabilidad siempre se cumple
que: 0 F(x) 1.
}

= s =
x
dx x f x X prob x F ) ( ) ( ) (
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

cy si 0<= y <= 1
0 en cualquier otro punto
f(y)
Calcule el valor de c
Calcule P(0.2 < y <0.5)
Obtenga la funcin de distribucin acumulativa para la variable aleatoria y
Calcule F(0.2) y F(0.7)
Sea c una constante y consideremos la funcin de densidad
Ejemplo:
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Medidas de Tendencia Central
Para una Variable Aleatoria X es necesario
establecer su valor medio, (Valor
Esperado), y cmo se dispersa respecto
de su valor medio (Varianza).
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Valor esperado
Si X es discreta se define el Valor Esperado
E(X):
Si X es continua se define el Valor
Esperado E(X):

- = = ) ( ) ( x P x X E
}

= = dx x xf X E ) ( ) (
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Suponga la siguiente distribucin para una variable aleatoria X y para una
variable Y:
Determine el valor esperado de X y de Y
x 18 20 22
f(x) 0.2 0.6 0.2
y 0 15 25 40
f(y) 0.2 0.3 0.3 0.2

- = = ) ( ) ( x P x X E
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

x
2
/3 si -1<= x <= 2
0 en cualquier otro punto
f(x)
Calcule la media o valor esperado de x
Sea X una variable aleatoria continua cuya funcin de densidad de
probabilidad est dada por:
Ejemplo:
}

= = dx x xf X E ) ( ) (
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Mediana
La mediana es el nmero donde la distribucin
acumulada vale .
F(mediana)=1/2
Si la distribucin es simtrica la media y la
mediana coinciden.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Medidas de Dispersin
Si X es discreta se define la varianza V(X):

= =
2 2 2
) ( ) ( ) ( ) ( x P x x P x X V
Si X es continua se define la varianza V(X):
) ( ) (
2
- X E = X V
) X V( = o y la Desviacin Estandar:
( )
2 2
) ( ) ( =
}

dx x f x X V
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribuciones continuas de distinta
Varianza
10 15 20 25 30 35 40 45 50 55 60
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
= 8
= 3
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Suponga la siguiente distribucin para una variable aleatoria X y para una
variable Y:
Determine la varianza de X y de Y
x 18 20 22
f(x) 0.2 0.6 0.2
y 0 15 25 40
f(y) 0.2 0.3 0.3 0.2

= =
2 2 2
) ( ) ( ) ( ) ( x P x x P x X V
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

x
2
/3 si -1<= x <= 2
0 en cualquier otro punto
f(x)
Calcule la varianza de x
Sea X una variable aleatoria continua cuya funcin de densidad de
probabilidad est dada por:
Ejemplo:
( )
2 2
) ( ) ( =
}

dx x f x X V
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Si un conjunto de datos tiene una distribucin simtrica con forma
aproximada de joroba, pueden utilizar las siguientes reglas
prcticas para describir el conjunto de datos:
Aproximadamente el 68% de las observaciones quedan a 1
desviacin estndar de su media (esto es, dentro del intervalo
para poblaciones)
Aproximadamente el 95% quedan a 2 desviaciones estndar de su
media (esto es, dentro del intervalo 2 para poblaciones)
Casi todas quedan a menos de 3 desviaciones estndar de su
media (esto es, dentro del intervalo 3 para poblaciones)
Regla Emprica
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Probabilidades
Si la Variable es X continua:
Prob( X a ) = F(a)
Prob( a < X b )= F(b) - F(a)
Prob( X > a ) = 1 - F(a)

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Probabilidades
Si la Variable es X discreta y toma valores
ordenados 0,1,2 ... etc.. entonces :
Prob( X k ) = F(k)
Prob( h X <= k )= F(k) - F(h-1)
Prob( X > k ) = 1 - F(k)
Prob( X = k )= F(k) - F(k-1)
Prob( X < k ) = F(k-1)

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejemplo de Distribuciones Discretas
Una pareja decide tener hijos hasta que
nazca un varn o 5 hembras. Si esta
conducta es adoptada por todos los
marabinos Se altera el orden natural
acerca del equilibrio entre hombres
mujeres?
Cmo sera la tabla del nmero de hembras
y varones?
Comprese los valores esperados

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Solucin del Ejemplo
31/32 1 total
5/32 5 1/32 hhhhh
1/8 4 1/32 hhhhv
3/16 3 1/16 hhhv
1/4 2 1/8 hhv
1/4 1 1/4 hv
0 0 1/2 v
x P(x) Hembras P(x) Evento
Valor esperado de hembras = 31/32
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Solucin del Ejemplo
1 total
0 1/32 hhhhh
1 1/32 hhhhv
1 1/16 hhhv
1 1/8 hhv
1 1/4 hv
1 1/2 v
x P(x) Varones P(x) Evento
31/32
0
1/32
1/16
1/8
1/4
1/2
Valor esperado de varones = 31/32
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribuciones Discretas
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Binomial
Caractersticas:
Hay n ensayos independientes.
El resultado del ensayo es xito (E) o fracaso
(F).
La probabilidad p de xito es constante en los
ensayos.
Distribucin asociada al muestreo con
reemplazo.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Binomial
Parmetros:
n, p.
Variable aleatoria:
Nmero x de xitos en los n
ensayos.
Valor esperado:
E(X)= n p
Varianza:
V(X)= n p (1-p)

|
|
.
|

\
|
=
x
i
x n x
x P x F
p p
x
n
x P
0
) ( ) (
) 1 ( ) (
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Grfica de Distribucin Binomial
0 2 4 6 8 10 12
0
0.05
0.1
0.15
0.2
0.25
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

E = Positivo
1-binocdf(3, 5, 0.9)
E F E E E
X = 4
n = 5
Ejemplo de Distribucin Binomial
5 pruebas de embarazo
Si estando embarazada la probabilidad de que el
test de positivo es 0.9 Cul es la probabilidad
de obtener 4 o ms positivos en 5 ensayos?
5 0.9
4
x 0.1 + 5 0.9
5
x 0.1
0
= 0.32805 + 0.5905 = 0.91854
4 5
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Binomial. Ejercicio
De acuerdo a un estudio realizado, el 26% de las
personas adultas de Barinas tiene sobrepeso. Si se
extrae una muestra aleatoria simple de 10 adultos,
encuentre la probabilidad de que el nmero de
personas con sobrepeso, dentro de la muestra,
sean:
a) Exactamente tres personas
b) Menos de 2
c) Dos o ms personas
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Binomial. Ejercicio
La probabilidad de que una persona que sufre de
migraa tenga alivio con una frmaco especfico es
de 0.9. Se seleccionan aleatoriamente a tres
personas con migraa a las que se les administra el
frmaco. Encuentre la probabilidad de que el
nmero de personas que logran alivio sean.
a) Exactamente 0
b) Exactamente uno
c) Dos o menos
d) Dos o tres
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Binomial. Ejercicio
En un estudio se encontr un gran nmero de casos de
contaminacin en peces en supermercados de las ciudades de Nueva
York y Chicago. El estudio revel que el 40% de los trozos de pez
espada disponibles para la venta tena un nivel de mercurio superior
al limite establecido por la Administracin de Alimentos y Medicinas
de Estados Unidos (FDA). Para una muestra aleatoria de tres trozos
de pez espada, calcule la probabilidad de que:
Los tres trozos tengan niveles de mercurio por encima del lmite
establecido por la FDA.
Exactamente un trozo de pez espada tenga un nivel de mercurio
por encima del lmite
Cuando mas, un trozo de pez espada tenga un nivel de mercurio
por encima lmite establecido por la FDA.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin geomtrica
Caractersticas:
Pruebas idnticas e independientes.
Dos posibles resultados: xito o fracaso
Probabilidad de xito p (constante para cada
prueba)
Variable aleatoria geomtrica Y es el nmero
de la prueba en la cual ocurre el primer xito
(en lugar del nmero de xitos que ocurren
en n pruebas)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

F F E
xito en la tercera prueba
P(x) = P(F F F F E)
X - 1
P(x) = (1-p)
x 1
p
Distribucin geomtrica
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

2
2
) 1 (
) (
1
) (
p
p
X V
p
X E

= =
= =
o

Distribucin geomtrica
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Se supone que el 5% de las enfermeras que se
presentan en el Hospital General del Sur aspirando al
cargo de asistente de ciruga, tienen entrenamiento
en Instrumentacin Quirrgica.
Determine la probabilidad de que se encuentre la
primera enfermera con entrenamiento en
instrumentacin quirrgica en la quinta entrevista.

Cul es el nmero esperado de aspirantes
que hay que entrevistar para encontrar
la primera enfermera con entrenamiento
en instrumentacin quirrgica?
Distribucin geomtrica
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Hipergeomtrica
Caractersticas:
Poblacin de tamao NP, K de ellos son del
tipo A.
Si se selecciona una muestra aleatoria de n
elementos Cul es la probabilidad de que en
sta se hallen x elementos del tipo A?
Muestreo sin reemplazo.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Hipergeomtrica
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
n
NP
x n
K NP
x
K
x P ) (
NP=nmero total de elementos
K=nmero de elementos que hay de un
determinado tipo A
n= nmero total de elementos que se
seleccionarn (tamao de la muestra)
X = nmero de elementos A en la
muestra
Parmetros:
NP, K, n.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Hipergeomtrica
Sea p= K/NP la proporcin de elementos del tipo A en la poblacin:

Valor esperado:
E(X)= n p

Varianza:


Cuando la fraccin de muestreo n/NP es pequea, la
hipergeomtrica se puede aproximar por la binomial con
parmetros p y n.
) 1 (
) )( 1 (

NP
n NP p np
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejemplo de Hipergeomtrica
El KINO!
NP = 25
Favorables = K = 15
Se elige una muestra de
15

Cul es la probabilidad
de que x sea 12, 13,
14, 15?

A A
X N
NP
x P (X =x) P (X <x) P (X x)
12 0.01670358 0.98180472 0.01819528
13 0.00144550 0.99850830 0.00149170
14 0.00004589 0.99995381 0.00004619
15 0.00000031 0.99999969 0.00000031
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

P(12) = 0.0167
P(13) = 0.0014
P(14) = 0.000046
P(15)= 0.0000003
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejemplo de Hipergeomtrica
Para evitar que lo descubran en la aduana, un viajero ha
colocado 6 tabletas de narctico en una botella que
contiene 9 pldoras de vitamina que son similares en
apariencia. Si el oficial de la aduana selecciona 3
tabletas aleatoriamente para analizarlas, a) Cul es la
probabilidad de que el viajero sea arrestado por
posesin de narcticos?, b) Cul es la probabilidad de
que no sea arrestado por posesin de narcticos?.

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejemplo de Hipergeomtrica
Cul es la probabilidad de que una mesera
se rehse a servir bebidas alcohlicas
nicamente a dos menores de edad si
verifica aleatoriamente solo 5
identificaciones de entre 9 estudiantes, de
los cuales 4 no tiene la edad suficiente?
Cul es la probabilidad de que como
mximo 2 de las identificaciones
pertenezcan a menores de edad?.

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de Poisson
Eventos que ocurren con velocidad constante en el
tiempo (nmero de casos semanales de Dengue en el
hospital del sur), o en el espacio (nmero de camarones
por m
3
en el Lago de Maracaibo).
Caractersticas
El nmero de eventos que ocurre en una unidad de
tiempo, rea o volumen es independiente del nmero de
los que ocurren en otras unidades
El nmero medio (o esperado) de eventos en cada
unidad se denota por la letra griega lambda

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de Poisson
Caractersticas:
Se utiliza como aproximacin al modelo
binomial cuando n es grande y p pequeo (ley
de los sucesos raros). p < 0.1 np < 5,
tomando como parmetro = np
Tambin se conoce como la distribucin de
los sucesos raros
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de Poisson
Parmetros:
promedio de ocurrencias
del suceso por unidad de
tiempo o espacio.

Variable aleatoria:
Nmero x de ocurrencias
del suceso por unidad de
tiempo o espacio (x = 0, 1,
2, ...).

Valor esperado:
E(X)=
Varianza:
V(X)=

=
=
x
i
x
x P x F
x
e
x P
0
) ( ) (
!
) (

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Ejemplo de Distribucin de Poisson
Si la media del nmero de casos semanales de Dengue
en un hospital es 1.3, Cul es la probabilidad de que
en una semana se presenten 5 o ms casos de
Dengue?

=1.3 x=4=5-1

Resultado = 1 - poisscdf(4, 1.3);

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

A menudo, el nmero de llamadas telefnicas que
llegan a un conmutador se modela como una
variable aleatoria de Poisson. Suponga que, en
promedio, se reciben 10 llamadas por hora.
Cul es la probabilidad de que lleguen exactamente
cinco llamadas en una hora?
Cul es la probabilidad de que se reciban
exactamente 15 llamadas en dos horas?
Cul es la probabilidad de que lleguen exactamente
cinco llamadas en 30 minutos?
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de Poisson
0 5 10 15 20 25
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Si X e Y son variable aleatorias y k es una constante
entonces:
E(k) = k
E(k X)= k E(X)
E(X+Y)= E(X) + E(Y)
V(X) = E[(X - )
2
] = E(X
2
) -
2
Algunos resultados sobre
valores esperados y varianzas
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribuciones Continuas
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Normal
Importancia
La distribucin Normal es indudablemente la
distribucin continua fundamental, tanto por sus
aplicaciones como por el rol que juega dentro de la
Teora Estadstica. Es la piedra angular de la
Inferencia ya que muchas estadsticas muestrales
tienden hacia la distribucin Normal cuando el
tamao de la muestra crece.
Enfoque original: Moivre, 1971
Posteriormente: Karl Gauss, 1855
Tambin es conocida como distribucin Gaussiana
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Normal
Caractersticas
Tiene forma de campana
Es simtrica con respecto a la media
Es Continua
Las dos colas (extremos) de una distribucin
normal de probabilidad se extienden de manera
indefinida y nunca tocan el eje horizontal.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Normal
Funcin de Densidad
Se afirma que una variable aleatoria X es Normal N(,
2
) si
su funcin de densidad est dada por:
Parmetros y
Valor Esperado




Varianza

2
< < =
|
.
|

\
|

x e x f
x
,
2
1
) (
2
2
1
o

t o
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Normal Estndar
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Grfica de Distribucin Normal
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Grfica de Distribuciones Normales
con diferentes medias e igual dispersin
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Normal Estndar
Funcin de distribucin acumulada:
Si X es N(,
2
) (una variable aleatoria normal
con media y varianza
2
) entonces, Z = (X-
)/, es N(0,1) y se le designa como Normal
Standard. Esta propiedad permite relacionar
la funcin de distribucin acumulada de X con
la de Z, ya que:

Prob( X w ) = Prob ( Z (w-)/ ).

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d










Estndar
0 1.25
( )
1056 . 0
0.8944 - 1
) 25 . 1 ( 1 25 . 1 (
=
=
< = > z p z p
3944 . 0 5000 . 0 8944 . 0
) 0 ( ) 25 . 1 ( ) 25 . 1 0 (
= =
< s = s s z p z p z p
0 1.25
Normal estndar
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Consideremos que el peso de los nios varones en el momento del
nacimiento se distribuye normalmente. Si sabemos que el peso medio
en el momento de nacer son 3,25 kgs y la desviacin tpica es de 0,82
kgs, cul es la probabilidad de que el peso de un nio varn al nacer
sea superior a 4 kgs?

Tipificamos la variable aleatoria X, peso de los nios al nacer. En el
proceso de tipificacin, al valor de X=4, le corresponde el valor,
t=0,9146 :
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Si el nivel de colesterol de los habitantes de Maracaibo
tiene una distribucin aproximadamente normal, con una
media de 200 mg/100 ml y una desviacin estndar de
20 mg/100 ml, calcule la probabilidad de que una
persona de Maracaibo, elegida al azar, tenga un nivel de
colesterol:
a.- Entre 180 y 200 mg/100 ml
b.- Mayor que 225 mg/100 ml
c.- Menor que 150 mg/100 ml
d.- Entre 190 y 210 mg/100 ml
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

El tiempo de incapacidad por enfermedad de los
empleados de una compaa en un mes tiene una
distribucin normal con media de 100 horas y
desviacin estndar de 20 horas.
Cul es la probabilidad de que el tiempo por
incapacidad del siguiente mes se encuentre entre 50 y
80 horas?
Cunto tiempo de incapacidad deber planearse
para que la probabilidad de excederlo sea solo del
10%?

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Gamma
Caractersticas
Valores positivos
Asimetra hacia la derecha
Muy verstil, dependiendo del valor de los
parmetros adopta formas muy distintas
Dos distribuciones fundamentales:
Exponencial y Chi-cuadrado son casos particulares
de sta.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Gamma
Parmetros
: Parmetro de escala
: Parmetro de forma
Funcin de Densidad:
u
o
o
u
o
) (

x
= x f
)
x
-(
1 -
I
exp
) (
Aprox (-1)!
Valor esperado
*
Varianza

2
*
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
= 1
= 3
= 5
= 1
Distribucin Gamma
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Distribucin Gamma
= 1
= 5
= 1
= 3
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Esta relacionada con la distribucin de Poisson.
Diferencia: a la distribucin de Poisson le interesa el
numero de ocurrencias, mientras que a la exponencial le
interesa el tiempo transcurrido entre las ocurrencias.
Ejemplo:
Poisson: el nmero de personas en la cola del banco
Exponencial: el tiempo entre llegadas a la taquilla
Distribucin Exponencial
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Exponencial
Funcin de Densidad:

0 , ; ) ( >

x e = x f
x


La media del
proceso de Poisson.
Nmero medio de
sucesos por unidad
de medida.
La variable aleatoria X indica el tiempo desde que empieza el
proceso de observacin hasta que ocurre un proceso de Poisson.
Ejemplo: El tiempo que puede transcurrir, en la emergencia de un
hospital, para la llegada de un paciente con una determinada
enfermedad.
El tiempo transcurrido hasta la falla de un dispositivo.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Exponencial
Funcin de Probabilidad:
x
e x X P x F

= s = 1 ) ( ) (
Valor esperado

1
Varianza

2
1

La probabilidad de que no ocurra un proceso

de Poisson en el tiempo x es equivalente a la
probabilidad de que el tiempo de observacin
requerido para que suceda el evento es mayor
que x.
x
e x X P

= > ) (
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Los clientes de un supermercado llegan en
promedio de 1 por minuto. Halle la
probabilidad de que transcurran:
A lo sumo 2 minutos antes de la llegada del
prximo cliente
Por lo menos 3 minutos
Distribucin Exponencial
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

La duracin de un cierto tipo de bombillo es
una variable aleatoria exponencial de media
5000 horas.
Cul es la probabilidad de dure ms de
6000 horas
Cul es la probabilidad de que
dure ms de 6000 horas si lleva
funcionando 1000 horas? (6000
horas adicionales a las 1000 que
lleva funcionando)
Distribucin Exponencial
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Para una variable aleatoria exponencial X,
P(X < t
1
+ t
2
/ X > t
1
) = P(X < t
2
)
Propiedad de la carencia de memoria
En la duracin que se espera que tenga el objeto, no
influye para nada el tiempo que en la actualidad lleva
funcionando El dispositivo no se desgasta.
Distribucin Exponencial
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Beta
Caractersticas:
Se la utiliza para representar variables
aleatorias cuyos valores se encuentran
restringidos a intervalos de longitud finita.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Beta
Parmetros :
y ambos parmetros de forma.
Funcin de densidad :
Es 0 en todas partes salvo en el intervalo
[0,1] donde est definida por:

0 > 0 > 1 < x < 0
) ( ) (
x
x
) + (
= ) x , , ( f
1 -
1 -
| o
| o
| o
| o
|
o
I I
I ) 1 (
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Beta
Valor esperado:
/( + )

Varianza :
/( + )
2
( + + 1)

Funcin de distribucin acumulada en el MATLAB:
betacdf(x, , )
Es la funcin de distribucin acumulada definida para todo x en
(0,1).

Inversa :
BETAINV(p, , ).
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Grfica de Distribucin Beta
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin Uniforme Continua
Caractersticas:
La distribucin uniforme o rectangular tiene densidad
constante en un intervalo [a, b] y vale 0 fuera del
mismo.


a b
f(x)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Parmetros:
a y b

Funcin de densidad:
f(x)= 1/(b-a) en [a, b]
0 en el resto
Valor esperado:
(a + b)/2

Varianza:
(b a)
2
/12
Distribucin Uniforme Continua
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Suponga que el departamento de investigacin de un fabricante de
acero cree que una de las mquinas de la compaa est
produciendo lminas de metal con espesores variables. El espesor es
un variable aleatoria uniforme con valores entre 150 y 200
milmetros. Cualquier lmina que tenga menos de 160 milmetros de
espesor debe desecharse, pues resulta inaceptable para los
compradores.
Distribucin Uniforme Continua
Grafique la distribucin de probabilidad de
las lminas de acero producidas por esta
mquina
Calcule la fraccin de las lminas de acero
producidas por esta mquina que se
desechan
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Investigadores de la Universidad de los Andes han
diseado, construido y probado un circuito de condensador
conmutado para generar seales aleatorias. Se demostr
que la trayectoria del circuito estaba distribuida
uniformemente en el intervalo (0,1).
Distribucin Uniforme Continua
Indique la media y la varianza de la
trayectoria del circuito
Calcule la probabilidad de que la trayectoria
est entre 0.2 y 0.4
Esperara usted observar una trayectoria
que excediera 0.995?
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de probabilidad conjunta
Si X y Y son variables aleatorias discretas, la distribucin de
probabilidad conjunta de X y Y, es una descripcin del conjunto de
puntos (x,y) en el rango de (X,Y) junto con la probabilidad asociada
con cada uno de ellos.
Es conocida como distribucin bivariada o distribucin bivariable
Satisface las siguientes condiciones:
) , ( ) , (
1 ) , (
1 ) , ( 0
y Y x X P y x f
y x p
y x p
xy
x y
= = =
=
s s

para todos los valores de x y y

(1)

(2)



(3)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

DISTRIBUCIN
CONJUNTA
Y
1 2 3
X 0 .1 .2 .3
1 .2 .2 0
Distribucin Bidimensional Discreta
Suponga dos variables aleatorias:
X: Posicin frente al aborto (0: en contra, 1: a favor)
Y: Nivel de educacin de la persona (1: primaria, 2: bachiller, 3:
universitaria)
Distribucin de probabilidad conjunta
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

DISTRIBUCIN
CONJUNTA
Y Marginal
de X
1 2 3
X 0 .1 .2 .3 .6
1 .2 .2 0 .4
Marginal de Y .3 .4 .3 1
Distribucin de probabilidad conjunta

=
x
y x p y p ) , ( ) (
1
=
y
y x p x p ) , ( ) (
2
Distribuciones de probabilidad marginales (incondicionales)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de probabilidad conjunta
Obtenga la distribucin de probabilidad
condicional de x dado y=1
DISTRIBUCIN
CONJUNTA
Y Marginal
de X
1 2 3
X 0 .1 .2 .3 .6
1 .2 .2 0 .4
Marginal de Y .3 .4 .3 1
) (
) , (
) / (
y p
y x p
y x p =
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de probabilidad conjunta

=
y x
y x xyp XY E ) , ( ) (
Valor esperado
En el ejemplo,
Cul sera el valor esperado de X? y el de Y? el de XY?
DISTRIBUCIN
CONJUNTA
Y Marginal
de X
1 2 3
X 0 .1 .2 .3 .6
1 .2 .2 0 .4
Marginal de Y .3 .4 .3 1
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Distribucin de probabilidad conjunta
Teorema
Si x y y son variables aleatorias
independientes, entonces

E(xy) = E(x)E(y)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Covarianza
La covarianza(X,Y) es una medida de
asociacin lineal entre las variables X e Y
Producto cruzado de las desviaciones (x-
x
)
(y-
y
) para cada punto de datos
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

(x,y)
(y-
y
)
(
x
,
y
)
(x-
x
)
-
+
+
-
Signos de los productos cruzados (x-
x
)(y-
y
)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Signos de los productos cruzados (x-
x
)(y-
y
)
Relacin lineal
dbil
(valor medio
cercano a 0)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Covarianza
Si
( ) ( )
| |

. - ) E( = ) COV(
) )( ( E ) , COV(
) V( ; ) V( ; E ; E
Y
2 2


o o
x
Y X
Y X Y X
XY X,Y
Y X Y X
Y X Y X
=
= = = =
Definicin
Teorema
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Y=Abs(X)
0
0,5
1
1,5
2
2,5
3
3,5
-4 -3 -2 -1 0 1 2 3 4
Covarianza: 0
La covarianza(X,Y) es una medida de asociacin
lineal entre las variables X e Y
Si la relacin entre las variables aleatorias no es lineal, puede que la
covarianza no sea sensible a dicha relacin.

Ejemplo:
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

DISTRIBUCIN
CONJUNTA
Y Marginal
de X
1 2 3
X 0 .1 .2 .3 .6
1 .2 .2 0 .4
Marginal de Y .3 .4 .3 1
E(x) = 0.4
E(y) = 2
E(xy) = 0.6
Calcule la covarianza de las variables aleatorias
En el ejemplo,
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Teorema
Si X y Y son dos variables aleatorias
independientes, entonces:

Cov(X,Y)=0
Ser lo contrario cierto tambin? Es decir:
si la covarianza es cero entonces puede
concluirse que las variables son
independientes?
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Supongamos Y
1
y Y
2
dos variables aleatorias
discretas con la siguiente distribucin de
probabilidad conjunta:
DISTRIBUCIN
CONJUNTA
Y
1
-1 0 1

Y
2
-1 1/16 3/16 1/16
0 3/16 0 3/16
1 1/16 3/16 1/16
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

E(aX + bY) = aE(X) + bE(Y)
Var (aX + b) = a
2
Var(X)
Var(aX+bY) = a
2
Var(X) + b
2
Var(Y) + 2abCov(X,Y)
Sean X y Y dos variables aleatorias continuas y a y b
dos constantes:
Valor esperado y varianza de funciones
lineales de variables aleatorias
Si X y Y son independientes, entonces:
Var(aX+bY) = a
2
Var(X) + b
2
Var(Y)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Un vendedor obtiene sus ingresos mediante la venta de dos
productos distintos. Por experiencia sabe que el volumen de
ventas de A no tiene influencia alguna sobre el de B. Su
ingreso mensual es el 10% del volumen, en dlares, del
producto A y el 15% del volumen de B.
Si en promedio las ventas del producto A
ascienden a $10.000 con una desviacin
estndar de $2.000 y las de B a $8.000 con
una desviacin estndar de $1.000, obtngase
el valor esperado y la desviacin estndar del
ingreso mensual del vendedor.

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Correlacin
La correlacin entre dos variables (x, y) es una
medida de asociacin que expresa el grado de
dependencia lineal entre ambas, formalmente:
Si las variables aleatorias son independientes
entonces la correlacin entre ambas es 0
-1 1
y x
Y X
Y X
o o

) , cov(
) , ( =
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Correlacin Positiva
Si la correlacin es 1, todas las observaciones se
encuentran alineadas en una recta.

-1 1 Si = 0 X, Y independientes
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

X
1

X
2

X
2

X
2

r =0.9
r =0.5
r =0
r = -0.5
r =-0.9 Distintos grados de
asociacin lineal entre
dos variables

Ntese la orientacin de
la nube en funcin del
signo de la correlacin
Coeficiente de Correlacin r
Independencia
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Algunos resultados sobre
valores esperados y varianzas
Si X e Y son variable aleatorias y k es una
constante entonces:
E(k X)= k E(X)
V(k X)= k
2
V(X)
E(X+Y)= E(X) + E(Y)
Adems si X e Y son independientes:
V(X + Y) = V(X - Y) = V(X) + V(Y)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Cuidado con la confusin
entre correlacin y causalidad
Que dos fenmenos estn correlacionados no implica que uno sea
causa del otro. Es frecuente que una correlacin fuerte indica que las
dos variables dependen de una tercera que no ha sido considerada.
Este tercer elemento se llama factor de confusin. Por ejemplo,
puede ser que una fuerte correlacin exprese una verdadera
causalidad, como en el nmero de cigarrillos que se fuma al da y la
aparicin de cncer de pulmn. Pero no es la estadstica la que
demuestra la causalidad, ella solo permite detectarla.
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

Cantidad de prostitutas y cajas de chicles
consumidas en Maracaibo
Periodo: 1990 - 2004
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

0
0,5
1
1,5
2
2,5
0 0,2 0,4 0,6 0,8 1
P(0.2 < y < 0.5)
T
e
m
a

1
.

R
e
v
i
s
i

n

d
e

l
o
s

C
o
n
c
e
p
t
o
s

B

s
i
c
o
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d

0
0,5
1
1,5
2
2,5
0 0,2 0,4 0,6 0,8 1
F(0.7)