Muestreo, Correlacin, Regresin y

distribucin de Probabilidad
INTRODUCCIN

Cuando se aborda un estudio de investigacin se incluyen muchas

interrogantes que tienen que ver a la delimitacin de una poblacin, la
determinacin de una muestra, si el tamao es adecuado o en tal caso, si el error
es el ms idneo para la ejecucin del mismo. El muestreo corresponde a una
tcnica de seleccin a partir de una poblacin con el fin de conseguir que sus
propiedades sean extrapolables. Existen muchos tipos pero los ms usados en
ste caso, en la rama de la ingeniera son los simples, sistemticos y
estratificados, entre otros, que son llamados probabilsticos. Donde a partir de
ellos se estima el tamao de la muestra.
Otra tcnica ligada a los anlisis de poblaciones y muestras son la
correlacin y regresin ya que comprenden una forma de estimacin que se
utiliza en trabajo de exploracin y determinacin de variables, utilizando los
anlisis de regresin y correlacin lineal, se puede estimar la relacin entre dos
variables.
Tambin se describe las distribuciones de probabilidad continuas y
discretas, estas asignan un suceso entro de una variable de probabilidad definida.
Por ltimo, se muestra algunos ejemplos de cada una de estas tcnicas en el rea
de la ingeniera biomdica y la importancia que tienen sobre la misma.

DESARROLLO
MUESTREO

Qu se entiende por muestreo?

En estadstica, se entiende como una tcnica de seleccin de una muestra

a partir de una poblacin.

Tipos de muestreos, Definiendo solo los probabilsticos.

Existen diferentes clasificaciones de los tipos de muestreos, pero se

dividen en dos grandes grupos: los mtodos de muestreo probabilsticos y los
mtodos de muestreos no probabilsticos.
Los no probabilsticos son: causal o accidental, intencional, por
cuotas y

bola de nieve. En stos se desconocen la probabilidad

que tienen los elementos de poblacin para integrar la muestra.

Los probabilsticos: estos si se van a definir en ste proyecto, ya
que son los ms usados en trabajos de investigacin, se definen
como todos aquellos mtodos para los que puede calcular la
probabilidad de extraccin de cualquiera de las muestras posibles.
Este conjunto de tcnicas de muestreo es el ms aconsejable,
aunque en ocasiones no es posible optar por l. En este caso se
habla de muestras probabilsticas, pues no es en rigor correcto
hablar de muestras representativas dado que, al no conocer las

caractersticas de la poblacin, no es posible tener certeza de que

tal caracterstica se haya conseguido.

1. Muestreo aleatorio simple

Es el tipo de muestreo ms simple y en l se basan todos los dems. Para
obtener los elementos de la muestra se numeran los elementos de la poblacin y
se seleccionan al azar los elementos que debe contener la muestra. Todos los
elementos tienen la misma probabilidad de ser elegidos.
2. Muestreo aleatorio sistemtico
Es una tcnica parecida a la anterior, pero, tras elegir un primer elemento
al azar, selecciona los dems a intervalos regulares, es decir, "sistematiza la
seleccin de elementos.
3. Muestreo estratificado
Consiste en dividir la poblacin total en clases homogneas (estratos).
Cada estrato funciona independientemente, pudiendo aplicarse dentro de ellos el
muestreo aleatorio simple para elegir los elementos concretos que formarn
parte de la muestra. En ocasiones las dificultades que plantean son demasiado
grandes, pues exige un conocimiento detallado de la poblacin. (Tamao
geogrfico, sexos, edades,...).
La distribucin de la muestra en funcin de los diferentes estratos se denomina
afijacin, y puede ser de diferentes tipos:

Afijacin Igual: A cada estrato le corresponde igual nmero de elementos.

Afijacin Proporcional: La distribucin se hace de acuerdo con el peso

(tamao) de la poblacin en cada estrato.

4. Muestreo estratificado
En este mtodo la poblacin se divide en conglomerado donde se
seleccionan al azar y se toma una muestra en forma aleatoria de uno de los

elementos de cada grupo. A diferencia de los estratos un conglomerado es una

unidad de elementos que contienen representantes de toda la poblacin. La
desventaja de este mtodo es el error que es mayor que cuando se utilizan otras
tcnicas de muestreo.

Tamao optimo de las muestras

Es el nmero de sujetos que componen la muestra extrada de una

poblacin, necesarios para que los datos obtenidos sean representativos de la
poblacin. La frmula utilizada sera la siguiente

nopt=

NZ 2PQ
( N 1 )E 2+ Z 2PQ

Calculo del tamao de muestra ptimo

Para determinar el tamao de una muestra se debern tomar en cuenta

varios aspectos, relacionados con el parmetro y estimador, el sesgo, el error
muestral, el nivel de confianza y la varianza poblacional.
El parmetro: Este se refiere a la caracterstica de la poblacin que es
objeto de estudio y el estimador es la funcin de la muestra que se usa
para medirlo.
El error muestral: siempre se comete ya que existe una prdida de la
representatividad al momento de escoger los elementos de la muestra.
Sin embargo, la naturaleza de la investigacin nos indicar hasta qu
grado se puede aceptar.

 El nivel de confianza: corresponde a

la probabilidad de que la

estimacin efectuada se ajuste a la realidad; es decir, que caiga dentro de

un intervalo determinado basado en el estimador y que capte el valor
verdadero del parmetro a medir.

EJEMPLO DEL CLCULO DEL TAMAO PTIMO DE LA MUESTRA

EN LA INGENIERA BIOMDICA
En ste ejercicio se ejemplifica, como en la rama de la ingeniera biomdica
se utiliza algunos tipos de muestreos para los estudios en cuanto a proyectos
aplicables en una poblacin de equipos mdicos:

1) En un Hospital tipo 4, se desea conocer si 74 bombas de infusin marca

Hospira funcionan, stas se ubican en diferentes reas, para eso, luego de
realizarse un inventario y una codificacin numeral de los mismos, se
aplica tres tipos de muestreos: Simple, Sistemtico y Estratificado.
Extrayendo solo 14 elementos de la poblacin.
Base de datos de la poblacin
Nmero de
la Bomba de
Infusin

Funciona?
SI-NO

01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19

SI
SI
NO
SI
SI
SI
SI
SI
SI
SI
NO
NO
NO
SI
SI
SI
SI
SI
SI

Nmero
de la
Bomba de
Infusin
29
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

Funciona? SI-NO

Nmero de la
Bomba de Infusin

Funciona? SI-NO

SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
NO
SI
SI

47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65

SI
SI
NO
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI

20
21
22
23
24
25
26
27
28

NO
NO
NO
SI
SI
SI
SI
SI
NO

38
39
40
41
42
43
44
45
46

SI
SI
SI
NO
SI
SI
SI
SI
NO

66
67
68
69
70
71
72
73
74

SI
SI
SI
SI
SI
SI
NO
NO
SI

CALCULO DEL TAMAO PTIMO DE LA MUESTRA:

nopt=

NZ PQ
( N 1 )E 2+ Z 2PQ

Donde;

N=74
Es importante acotar que los valores de Z se obtienen de la tabla de la
distribucin normal estndar N(0,1).

Los valores de Z y su nivel de Confianza

Valor de Z

1,15

1,28

1,44

1,65

1,96

2,24

2,58

Nivel de
Confianza

75%

80%

85%

90%

95%

97,5%

99%

Z=1.96
P=0.81
Q=0.19
E=0.18

nopt=

741.96 20.810.19
(741 )0.182 +1.9620.810.19
nopt=14.79=15

MUESTREO SIMPLE:
En esta tabla se busca 14 veces nmeros aleatorios de 2 dgitos.
TABLA DE NIVEL DE CONFIANZA

Tomando en cuenta

RESULTADO:
Numero
seleccionado
10
09

Funciona? SI-NO
SI
SI

Numero
seleccionado
34
67

Funciona? SI-NO
SI
SI

73
25
52
01
35

NO
SI
SI
SI
NO

48
17
20
05
47
42

SI
SI
NO
SI
SI
SI

Parmetro:
P=N de bombas de infusin que funcionan/N= 60/74=0.81=81%
Estadstico:
p^=N de bombas de infusin que funcionan/n=12/15=0.8=80%

MUESTREO SISTEMTICO:
La tcnica consiste en tomar cada k elementos de una lista que contiene
todos los elementos de una poblacin, eligindose al azar el primer elemento de
la muestra. Para determinar el valor k se realiza el cociente entre el tamao de la
poblacin N y el tamao de la muestra
Utilizando el mismo ejemplo se calcula K:
K=N/n=74/15=4.93 aproximado es 5
El numero en ste ejemplo que se escoge al azar es el 8.
Entonces,
2+5=7+5=12+5=17+5=22+5=27+5=32=37+5=42+5=47+5=52+5=57+5
=62+5=67+5=72

RESULTADO:
Numero
seleccionado
2
7

Funciona? SI-NO
SI
SI

Numero
seleccionado
37
42

Funciona? SI-NO
SI
SI

12
27
22
27
32

NO
SI
NO
SI
SI

47
52
57
67
72

SI
SI
SI
SI
NO

Parmetro:
P=N de bombas de infusin que SI funcionan/N= 60/74=0.81=81%
Estadstico:
p^=N de bombas de infusin que SI funcionan/n=12/15=0.8=80%

MUESTREO ESTRATIFICADO:

ESTADO DE LAS
BOMBAS DE
INFUSION

CANTIDAD EN
LOS ESTADOS
QUE SE
EXPONEN

FRECUENCIA
RELATIVA

F%

MUESTREO
POR ESTRATO

60
14

0.81
0.19

81%
19%

12.15
2.85

FUNCIONAN?
SI
NO
74

N=75
N=14

Muestreo estratificado:
Frecuencia Relativa x n

0.81 x 15=12.15
0.19 x 15=2.85
muestreo por estrato=n
12.15 + 2.85=15

MUESTREO CONGLOMERADO

reas (cdigo
numrico)
UCI (01-28)
UTIN (47-54)
EMERGENCIA (5574)

Hospital Tipo V
N de Bombas de
Infusin
11
51
70

Funciona?
SI-NO
NO
SI
SI

Parmetro:
P=N de bombas de infusin que SI funcionan/N= 60/74=0.81=81%
Estadstico:
p^=N de bombas de infusin que SI funcionan/n=2/3=0.66=66%
CORRELACION Y REGRESIN

Definicin
La regresin y la correlacin son dos tcnicas estrechamente relacionadas

y comprenden una forma de estimacin.

En forma ms especifica el anlisis de correlacin y regresin comprende
el anlisis de los datos mustrales para saber qu es y cmo se relacionan entre
si dos o ms variables en una poblacin. El anlisis de correlacin produce un
nmero que resume el grado de la correlacin entre dos variables; y el anlisis
de regresin da lugar a una ecuacin matemtica que describe dicha relacin.

El anlisis de correlacin generalmente resulta til para un trabajo de

exploracin cuando un investigador o analista trata de determinar que variables
son potenciales importantes, el inters radica bsicamente en la fuerza de la
relacin. La correlacin mide la fuerza de una entre variables; la regresin da
lugar a una ecuacin que describe dicha relacin en trminos matemticos.
Los datos necesarios para anlisis de regresin y correlacin provienen de
observaciones de variables relacionadas.

Anlisis de regresin lineal (con sus respectivas graficas)

El anlisis de regresin lineal permite conocer acerca de la relacin o

dependencia de dos caractersticas cuantitativas. Si, ambas variables estn
relacionadas entre s, as existe dependencia, teniendo la necesidad de conocer el
grado de relacin entre las mismas.

Grficos De Regresin


Correlacin Lineal. (Con sus respectivas graficas).
La c o r r e l a c i n l i n e a l trata de establecer la relacin o dependencia que
existe

entre

las

dos

variables

que

intervienen

en

una

distribucin

b i d i m e n s i o n a l , es decir, determinar si los cambios en una de las variables

influyen en los cambios de la otra. En caso de que suceda, se dice que las
variables estn correlacionadas o que hay c o r r e l a c i n entre ellas.
Grficos De Correlacin

Cual es la utilidad de la regresin y la correlacin, en el campo de

la Ingeniera biomdica.
En las entidades de salud publicas y privadas siempre estn en continuo

uso algunas tcnicas estadsticas, para ste caso, la regresin y correlacin se

usan para el anlisis de relaciones de crecimiento en cuanto a poblacin de
equipos y tcnicas de mantenimiento dentro del rea de electromedicina,
definiendo el nivel de costos, para adquisiciones nuevas o reparaciones, llevadas
dentro de una constante lineal como por ejemplo el tiempo, observndose as si
los niveles de la poblacin se elevan, disminuyen o se relacionan en tal caso.

Haciendo uso de regresin y correlacin, realice un ejercicio, para

cada tcnica que sea aplicado a su rea de conocimiento o rea de
trabajo, haciendo uso de las formulas que se les presentan.

En un Hospital tipo 4 se analiza la relacin entre el consumo de energa (en

kwh) y el nmero de equipos mdicos, en algunas de las reas, una muestra
aleatoria de 10 reas produjo lo siguiente:
rea

de

Md.
UCI
UTIN
Emerg.

Equi.

Consumo

X2

Y2

X*Y

(kw/h)
5
4
12

4
3
11

25
16
144

16
9
121

20
12
132

Quirfano
Odontologa
Oncologa
Traumatologa
Consulta

14
8
10
12
7

13
6
8
11
5

196
64
100
144
49

Externa
Ginecologa
Rehabilitacin

6
11

5
10

39
121
895

89

79

169
36
64
121
25
25
100
686

182
48
80
132
35
30
110
778

Solucin: Aplicando la formula

Regresin:
Calcular a y b.

2
n x
n x y x y
b=

a=

yb x
n

Por lo tanto si sustituye el valor de a y

b en la ecuacin de regresin.
Ecuacin de regresin:

b=

y=a+b( x )

10 ( 778 ) ( 89 ) (76) 77806764 962

=
=
=0,853
89507921 989
10(895)(89)2
b = 0,853

a=

760,85389
=7,67591=0,009
10

a = 0,009
Y = a + bX
Y= 0,009 + 0,853X
Concluimos que la formula de regresin es lineal,

la pendiente de b es

positiva

2.- Ejemplo:
Se

seleccin una muestra de 10 equipos mdicos adquiridos en la

Policlnicas ELOHIM Valencia, se puede concluir que a medida que aumenta el

nivel de tecnologa de los mismos aumenta el precio ($) de adquisicin.
N de Equi.Med
(5) de 1nivel
tec
(3) de2 nivel
tec
(2)de 3nivel tec
10

Precio ($)
100

X2

120
180
400

Y2
25

10000

X*Y
200

14400

360

32400
56800

400
1220

38

Calcule el coeficiente de correlacin

Por el mtodo de la desviacin media:

r=

( xiyi)

xi2 yi2

r=

(10400)
4000
4000
=
=
=0,011
3830800 6,164456800 350.138,7

Podemos concluir que el coeficiente de correlacin

precios ($) de los Equipos Mdicos

adquiridos y

es de 0.011 entre los

dependiendo del nivel

tecnolgico de los mismos; esto quiere decir que es una correlacin positiva dbil
porque se acerca a cero.

Ejercicio de Regresin

14
12
10
8
consumo (kw/h)

6
4
2
0
2

10

12

N de Equi. Md.

Ejercicio de Correlacin

14

16

200
180
160
140
120
Precio ($)

100
80
60
40
20
0
0.5

1.5

2.5

3.5

Nivel de Tec

DISTRIBUCION DE PROBABILIDAD
En teora de la probabilidad y estadstica, la distribucin de probabilidad
de una variable aleatoria es una funcin que asigna a cada suceso definido sobre
la variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de
probabilidad est definida sobre el conjunto de todos los sucesos, cada uno de los
sucesos es el rango de valores de la variable aleatoria.
La distribucin de probabilidad est completamente especificada por la
funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la
variable aleatoria sea menor o igual que x.
1. CONTINUAS.
Se denomina variable continua a aquella que puede tomar cualquiera de
los infinitos valores existentes dentro de un intervalo. En el caso de variable
continua la distribucin de probabilidad es la integral de la funcin de densidad,
por lo que tenemos entonces que:

Distribuciones de variable continua ms importantes

Las distribuciones de variable continua ms importantes son las siguientes:

Distribucin ji cuadrado
En estadstica, la distribucin (de Pearson), llamada Ji cuadrado, es una

distribucin de probabilidad continua con un parmetro

que representa los

grados de libertad de la variable aleatoria

donde

son variables aleatorias normales independientes de media cero y

varianza uno. El que la variable aleatoria

habitualmente as:

tenga esta distribucin se representa

Ejemplo en la ingeniera biomdica:

En trabajo de laboratorio se desea llevar a cabo comprobaciones
cuidadosas de la variabilidad de los resultados que producen muestras estndar.
En un estudio de la cantidad de calcio en el agua potable, el cual se efecta como
parte del control de calidad, se analiz seis veces la misma muestra en el
laboratorio en intervalos aleatorios. Los seis resultados en partes por milln
fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26. Estimar la varianza de los resultados
de la poblacin para este estndar, usando un nivel de confianza del 90%.
Solucin:
Al calcular la varianza de la muestra se obtiene un valor de s2= 0.0285.

Se busca en la tabla los valores correspondientes con 5 grados de libertad,

obtenindose dos resultados. Para X2(0.95,5)= 1.145 y para X2(0.0,5)= 11.07.
Entonces el intervalo de confianza esta dado por:

Distribucin t de Student

En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de

probabilidad que surge del problema de estimar la media de una poblacin
normalmente distribuida cuando el tamao de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la
determinacin de las diferencias entre dos medias mustrales y para la
construccin del intervalo de confianza para la diferencia entre las medias de dos
poblaciones cuando se desconoce la desviacin tpica de una poblacin y est
debe ser estimada a partir de los datos de una muestra.

Distribucin normal

En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss

o distribucin gaussiana, a una de las distribuciones de probabilidad de variable
continua que con ms frecuencia aparece aproximada en fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica
respecto de un determinado parmetro estadstico. Esta curva se conoce como
campana de Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la
enorme cantidad de variables incontrolables que en ellos intervienen, el uso del
modelo normal puede justificarse asumiendo que cada observacin se obtiene
como la suma de unas pocas causas independientes.
Ejemplo en la Ingeniera Biomdica
La vida media de una lmpara cialtica, segn el fabricante, es de 68
meses, con una desviacin tpica de 5. Se supone que se distribuye segn una
distribucin normal En un lote de 10.000 lmparas. a) Cuntas lmparas
superarn previsiblemente los 75 meses?. b) Cuntos lmparas se estropearn
antes de 60 meses?
a)
t = (75 -68)/5 = 1,4
P (X > 75) = (t > 1,4) = 1 - P (t 1,4) = 1 - 0,9192 = 0,0808
Luego, el 8,08% de las lmparas (808 lmparas) superarn los 75 meses

b)
t = (60 -68)/5 = -1,6
P (X 60) = (t -1,6) = P (t> 1,6) = 1 - P (t 1,6) = 0,0548
Luego, el 5,48% del lote (548 lmparas) no llegarn probablemente a durar 60
meses

Distribucin uniforme (continua)

En teora de probabilidad y estadstica, la distribucin uniforme continua

es una familia de distribuciones de probabilidad para variables aleatorias

continuas, tales que cada miembro de la familia, todos los intervalos de igual
longitud en la distribucin en su rango son igualmente probables. El dominio est
definido por dos parmetros, a y b, que son sus valores mnimo y mximo. La
distribucin es a menudo escrita en forma abreviada como U(a,b).

2. DISCRETA
Se denomina distribucin de variable discreta a aquella cuya funcin de
probabilidad slo toma valores positivos en un conjunto de valores de

finito o

infinito numerable. A dicha funcin se le llama funcin de masa de probabilidad.

En este caso la distribucin de probabilidad es la suma de la funcin de masa, por
lo que tenemos entonces que:
x

F ( x )=P ( X x )=

k=

f (k )

Y, tal como corresponde a la definicin de distribucin de probabilidad,

esta expresin representa la suma de todas las probabilidades desde

hasta el valor x.

Las distribuciones de variable discreta ms importantes son las siguientes:

Distribucin de Bernoulli
Consiste en realizar un experimento aleatorio una sola vez y observar si
cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y
q=1-p el que no lo sea (fracaso).
No se trata ms que de una que nicamente puede tomar dos
modalidades, es por ello que el hecho de llamar xito o fracaso a los posibles
resultados de las pruebas del resultado. Podramos por tanto definir este
experimento mediante una v.a. discreta X que toma los valores X=0 si el suceso
no ocurre, y X=1 en caso contrario.
Distribucin Binomial:
La distribucin binomial es una distribucin de probabilidad discreta que
mide el numero de xitos en una secuencia de n ensayos de Bernoulli
independientes entre si, con una probabilidad fija p de ocurrencia del xito entre
los ensayos.
Existen muchas situaciones en las que se presenta una experiencia
binomial. Cada uno de los experimentos es independiente de los restantes. El
resultado de cada experimento ha de admitir solo dos categoras a las que se
denomina xito y fracaso. Las probabilidades de ambas posibilidades han de ser
constantes en todos los experimentos (se denotan como p y q o p y 1-p).

Se designa por x a la variable que mide el nmero de xitos que se han

producido en los n experimentos.
Cuando se dan estas circunstancias, se dice que la variable X sigue una
distribucin de probabilidad binomial, y se denota B(n,p).
n x
x
P ( x )= n p ( 1 p ) =
x

()

Ejemplo en la Ingeniera Biomdica

En la Empresa BIOMEDICACORO se ha calculado la probabilidad de
venderle a una Clnica 30% de contrato de servicios tcnicos en mantenimientos
netamente preventivos. Se eligen al azar 10 clnicas de ese tipo que ingresan al
negocio y se desea calcular la probabilidad de concretar menos de tres servicios.
Si se cumple los supuestos bsicos de la distribucin binomial, entonces:
P(x<3) = P(x=0) + P(x=1) + P(x=2)
n= 10
p= 0,30

n x
P ( x )= n p x ( 1 p ) =
x

()

0
100
P ( x=0 )= 10 ( 0,30 ) ( 10,30 ) =0,028
0

( )

1
101
P ( x=1 )= 10 ( 0,30 ) (10,30 ) =0,012
0

( )

2
102
P ( x=2 )= 10 ( 0,30 ) ( 10,30 ) =5,19 x 103
0

( )

Entonces P(x<3) = 0,045

Distribucin Poisson
Se trata de un modelo discreto, pero en el que el conjunto de valores con
probabilidad no nula no es finito, sino numerable.
Esta distribucin suele utilizarse para contajes del tipo nmero de
individuos por unidad de tiempo, de espacio, etc.
Propiedades del modelo de Poisson
1. Esperanza: E(X)=
2. 2. Varianza. V(X)=
En esta distribucin la esperanza y la varianza coinciden.
Ejemplo en la Ingeniera Biomdica: Si una Clnica recibe en promedio 6 Cilindros
de Gases Medicinales por da, cules son las probabilidades de que reciba, a)
cuatro de Oxido Nitroso en un da dado, b) 10 de Gas Comprimido en cualquiera
de dos das consecutivos?
Solucin:
a)

x = variable que nos define el nmero de Cilindros de Gases

Medicinales en un da cualquiera = 0, 1, 2, 3, ... etc.
l = 6 Cilindro de Oxido Nitroso por da
e = 2.718

p ( x=4, =6 )=

( 6 )4 (2,718)6 ( 1296 ) ( 0,00248)

=
=0,13392
4!
24

b)
x= variable que nos define el nmero de cilindros de gases
medicinales en dos das consecutivos = 0, 1, 2, 3, ...etc.
l = 6 x 2 = 12 cilindros de gas comprimido en promedio que llegan a
la clnica en dos das consecutivos

p ( x=10, =12 )=

( 12 )10 ( 2,718 )12

10 !

p ( x=10, =12 )=

( 6,1917364E10 )( 0,000006151 )
362880

p(x=10, =12)=0,104953

Distribucin geomtrica

En teora de probabilidad y estadstica, la distribucin geomtrica es

cualquiera de las dos distribuciones de probabilidad discretas siguientes:

la distribucin de probabilidad del nmero X del ensayo de Bernoulli

necesaria para obtener un xito, contenido en el conjunto { 1, 2, 3,...} o

la distribucin de probabilidad del nmero Y = X 1 de fallos antes del

primer xito, contenido en el conjunto { 0, 1, 2, 3,... }.

Cual de stas es la que uno llama "la" distribucin geomtrica, es una

cuestin de convencin y conveniencia.
Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad
de que x ensayos sean necesarios para obtener un xito es

para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x

fallos antes del primer xito es

para x = 0, 1, 2, 3,....
En ambos casos, la secuencia de probabilidades es una progresin geomtrica.

El valor esperado de una variable aleatoria X distribuida geomtricamente es

y dado que Y = X-1,

En ambos casos, la varianza es

CONCLUSIN

El conocimiento de estas tcnicas estadsticas contribuye a la formacin

de un investigador en general, pero

abordando el rea de la ingeniera

biomdica, resulta interesante el uso de las mismas, ya que forma parte del da a
da dentro campo laboral. Para ser ms especfico, con el muestreo se puede
extraer una cantidad especfica de la poblacin para

un anlisis de inters,

utilizando cualquier tipo dentro de los probabilsticos hblese del simple,

sistemtico o estratificado, teniendo en cuenta el tamao ptimo de la muestra.
De all el problema se puede abordar conociendo con anterioridad el nivel de
confianza y las variabilidades positivas y negativas.
En la correlacin y regresin se denotan una muestra en relacin con otra
dentro de una poblacin estudiada, contribuyendo a la verificacin de estados
para avances o descensos, bien sea, econmicos, rendimiento de personal,
funcionamiento de equipos, entre otros. Dentro de una empresa o entidad de
salud publica o privada.
Por ltimo la distribucin de la probabilidad se enfoca en aspectos que son
parte del sentido de una poblacin, ya que, con niveles de varianza, valores
esperados, esto en caso de la discreta, o en estudios en un rango temporal, en

caso de la continua, se puede conocer la efectividad o productividad dentro del

un campo laboral.

BIBLIOGRAFA

Berenson,
Mark
y
LEVINE,
David
1991
estadstica
para la
administracin y economa. Conceptos y aplicaciones. Editorial MC. GrawHill. Interamericana. ISBM: 968-713-2. Mxico
LIND, MARCHAL, MASON 2004 Estadstica para Administracin y Economa
(onceava edicin) Grupo editor Alfa omega ISBN: 970-15-09749Mxico D.F.
www.gestiopolis.com/economia/procesos-de-produccion-estadisticacorrelacion-y-regresion.