FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD

Recopilación de la aplicación a la probabilidad con MATLAB, Richard F Choque, LP 2010

1. INTRODUCCIÓN

Variable Aleatoria

Sea S un espacio muestral, sobre el que se encuentra definida una función de

probabilidad. Sea X una función de valor real definida sobre S, de manera que
transforme los resultados de S en puntos sobre la recta de los reales. Se dice entonces
que X es una variable aleatoria.
X es una función definida sobre el espacio muestral, de manera que transforma todos los
posibles resultados del espacio muestral en cantidades numéricas.
Se dice que una variable aleatoria X es discreta si el número de valores que
puede tomar es contable (ya sea finito o infinito), y si éstos pueden arreglarse en una
secuencia que corresponde con los enteros positivos. En general una variable aleatoria
discreta X representa los resultados de un espacio muestral en forma tal que por P(X=x)
se entenderá la probabilidad de que X tome el valor de x.
Se dice que una variable aleatoria X es continua si sus valores consisten en uno o más
intervalos de la recta de los reales.

Función de Densidad de Probabilidad (PDF)

Al considerar los valores de una variable aleatoria es posible desarrollar un

función matemática que asigne una probabilidad a cada realización x de la
variable aleatoria X. Esta función recibe el nombre de función de distribución
(densidad) de probabilidad de la variable aleatoria X. Se refiere a la colección
de valores de la variable aleatoria y a la distribución de probabilidades entre éstos.
La probabilidad de que un valor x ocurra es P(x), expresado con un valor o un porcentaje
(Discreto).
La probabilidad de que x tenga un valor entre a y b viene dado por el área bajo la curva
de P(x) (Continuo).
La probabilidad de que x tenga un valor entre   y   es 1.
La función de densidad de probabilidad es 0 o positiva.

Función de Densidad Acumulativa (CDF o FDA)

La función de distribución acumulativa de la variable aleatoria X es la

probabilidad de que X sea menor o igual a un valor específico de x.

• La probabilidad de que x tenga una valor entre   y a es

Cx  xa   P( x)dx


C( x)  PX  x 
• 0  C( x)  1 para cualquier x
Cx i   Cx j  xi  x j
• si
• PX  x   1  C( x)
2.- LAS DISTRIBUCIONES EN MATLAB

Características clave
El Statistics Toolbox proporciona funciones que soportan:
• Modelización lineal y no lineal
• Estadística multivariante
• Estadística descriptiva
• Cálculo y ajuste de distribuciones de probabilidad
• Análisis de varianza (ANOVA)
• Verificación de hipótesis
• Estadística industrial (control de procesos estadísticos, diseño de experimentos)
• Representación gráfica estadística y gráficos interactivos

Statistics Toolbox
El Statistics Toolbox incluye una GUIA interactiva que permite experimentar, describir o
ajustar sus datos a una variedad de diferentes probabilidades. Por ejemplo, puede usar
la GUI para representar gráficamente una función de densidad de probabilidad o
una función de distribución acumulativa para investigar cómo los parámetros de
distribución afectan a su posición y forma. Además, puede usar el generador de números
aleatorios para simular el comportamiento asociado a distribuciones particulares. Usted
puede usar entonces estos datos aleatorios para obtener modelos bajo diferentes
condiciones.
El Statistics Toolbox aporta 20 distribuciones de probabilidad diferentes. Las funciones
soportadas para cada distribución incluyen:
• Función de densidad de probabilidad (pdf)
• Función de distribución acumulativa (cdf)
• Inversa de la función de distribución acumulativa
• Media y varianza
• Generador de números aleatorios

Hay disponibles funciones adicionales para calcular estimaciones de parámetros e

intervalos de confianza para las distribuciones guiadas por los datos, por ejemplo beta,
binominal, exponencial, gamma, normal, Poisson, uniforme y Weibull.
Nota importante: Nos vamos a enfocar en la función de densidad de probabilidad (PDF) y
en los generadores de números aleatorios (RND), que son los dos tipos de
funciones.
Nota: teclear en MATLAB:
>>help stats
Aquí se mostrarán todas las funciones que hay para las distintas distribuciones.
Para consultar la ayuda de alguna en particular, teclear help seguido de su nombre:
>>help normrnd

A continuación mostramos algunas de las funciones del Statistics Toolbox más útiles:
Distribuciones
Funciones de Densidad de Probabilidad (pdf)
betapdf - Beta density
binopdf - Binomial density
chi2pdf - Chi square density (chi cuadrado)
exppdf - Exponential density
fpdf - F density
gampdf - Gamma density
geopdf - Geometric density
hygepdf - Hypergeometric density
lognpdf - Lognormal density
nbinpdf - Negative binomial density (pascal)
ncfpdf - Noncentral F density
nctpdf - Noncentral t density
ncx2pdf - Noncentral Chi-square density
normpdf - Normal (Gaussian) density
pdf - Density function for a specified distribution
poisspdf - Poisson density
raylpdf - Rayleigh density
tpdf - T density
unidpdf - Discrete uniform density
unifpdf - Uniform density
weibpdf - Weibull density

Funciones de Distribución Acumulada (cdf)

betacdf - Beta cdf
binocdf - Binomial cdf
cdf - Specified cumulative distribution function
chi2cdf - Chi square cdf
expcdf - Exponential cdf
fcdf - F cdf
gamcdf - Gamma cdf
geocdf - Geometric cdf
hygecdf - Hypergeometric cdf
logncdf - Lognormal cdf
nbincdf - Negative binomial cdf
ncfcdf - Noncentral F cdf
nctcdf - Noncentral t cdf
ncx2cdf - Noncentral Chi-square cdf
normcdf - Normal (Gaussian) cdf
poisscdf - Poisson cdf
raylcdf - Rayleigh cdf
tcdf - T cdf
unidcdf - Discrete uniform cdf
unifcdf - Uniform cdf
weibcdf - Weibull cdf

Generadores de Números Aleatorios

betarnd - Beta random numbers
binornd - Binomial random numbers
chi2rnd - Chi square random numbers
exprnd - Exponential random numbers
frnd - F random numbers
 gamrnd - Gamma random numbers
geornd - Geometric random numbers
hygernd - Hypergeometric random numbers
lognrnd - Lognormal random numbers
mvnrnd - Multivariate normal random numbers
mvtrnd - Multivariate t random numbers
nbinrnd - Negative binomial random numbers
ncfrnd - Noncentral F random numbers
nctrnd - Noncentral t random numbers
ncx2rnd - Noncentral Chi-square random numbers
normrnd - Normal (Gaussian) random numbers
poissrnd - Poisson random numbers
random - Random numbers from specified distribution
raylrnd - Rayleigh random numbers
trnd - T random numbers
unidrnd - Discrete uniform random numbers
unifrnd - Uniform random numbers
weibrnd - Weibull random numbers

Estadísticos
betastat - Beta mean and variance
binostat - Binomial mean and variance
chi2stat - Chi square mean and variance
expstat - Exponential mean and variance
fstat - F mean and variance
gamstat - Gamma mean and variance
geostat - Geometric mean and variance
hygestat - Hypergeometric mean and variance
lognstat - Lognormal mean and variance
nbinstat - Negative binomial mean and variance
ncfstat - Noncentral F mean and variance
nctstat - Noncentral t mean and variance
ncx2stat - Noncentral Chi-square mean and variance
normstat - Normal (Gaussian) mean and variance
poisstat - Poisson mean and variance
raylstat - Rayleigh mean and variance
tstat - T mean and variance
unidstat - Discrete uniform mean and variance
unifstat - Uniform mean and variance
weibstat - Weibull mean and variance
Disttool

Es una herramienta de MATLAB que permite visualizar de forma gráfica las

características de cada distribución con la posibilidad de variar sus parámetros. Las
funciones que muestra son PDF y CDF.
Al activar este comando:
>> disttool
Se despliega una ventana donde podemos elegir el tipo de distribución además de sus
parámetros y ver su PDF o su CDF.
2.1- FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD (PDF)

2.1.1- DISTRIBUCIONES CONTINUAS

2.1.1.1- DISTRIBUCIÓN UNIFORME
CDF PDF

Descripción:
• Computa la función de distribución uniforme continua para el valor X y los parámetros
A y B. X, A y B deben ser del mismo tamaño. El parámetro B debe ser mayor que A.
• Genera una matriz de tamaño m x n, formada por números aleatorios que cumplen que
su distribución sobre la recta real es de la forma indicada. (m y n son parámetros
opcionales y pueden no ser necesaria su inclusión).
• El resultado Y es la probabilidad de que ocurra X en el intervalo (A,B).
• La distribución uniforme estándar tiene A=0 y B=1.
• Ocurre en un evento donde una variable aleatoria toma valores de un intervalo finito,
de manera que éstos se encuentran distribuidos igualmente sobre el intervalo. Esto es,
la probabilidad de que la variable aleatoria tome un valor en cada subintervalo de igual
longitud es la misma.
• Se aplica con un conocimiento muy general o poco conocimiento sobre la distribución.
También para errores de redondeo en la medida, generación de números aleatorios y
llegadas (cuando son independientes y el número total está determinado).
Sintaxis:
Y = unifpdf(X,A,B,m,n)
EJEMPLO 1. Coincidiendo con los valores de X, A y B para obtener las gráficas previas se
tiene:
>> Y = unifpdf(1,0,1) % X=1, A=0, B=1
Y se despliega:
Y= 1
EJEMPLO 2. Para A y B fijados, para un rango de 0.1 a 0.6 , con diferencia de 0.1, la pdf
uniforme es constante.
>> X = 0.1:0.1:0.6;
Y = unifpdf(X)
Y se despliega:
Y= 1 1 1 1 1 1
Agregando plot(X,Y); grid; xlabel('x'); ylabel('p') para obtener la gráfica :
EJEMPLO 3. ¿Qué ocurre si X no está Entre A y B?
Y = unifpdf(-1,0,1)
Y se despliega:
Y= 0
EJEMPLO 4. La cantidad de agua consumida al mes en una vivienda, medida en m3, sigue
una distribución uniforme continua en el intervalo (20, 40). Calcula la probabilidad de
que se consuman:
(a) 28 m3, (b) menos de 35 m3 , (c) entre 25 y 35 m3 , (d) más de 28 m3 .
Calcular la función de distribución, así como el número esperado de m3 consumidos.

Del enunciado obtenemos los extremos del intervalo es decir A = 20 y B=40

a) se requiere encontrar la probabilidad P( X  28)
>> Y = unifpdf(28,20,40)
Y = 0.0500
Es decir que P( X  28)  0.0500
b) menos de 35 m3, es decir la probabilidad P( X  35)
>> Y = unifcdf(35,20,40) % el comando unifcdf para calcular la función de densidad
% acumulada
Y = 0.7500
Es decir que P( X  35)  0.7500
c) entre 25 y 35 m3, P( 25  X  35)

>> Y = unifcdf(35,20,40)- unifcdf(25,20,40) % se evalúa para la CDF para el límite

% superior = 35 menos
% el límite inferior = 25
Y = 0.5000
Es decir que P(25  X  35)  0.500
d) más de 28m3 , es decir P( X  28)  1  P( X  28)
>> Y = 1 - unifcdf(28,20,40)
Y = 0.6000
Es decir que : P( X  28)  0.600
Para la gráfica de la función de distribución acumulada:
>> X = 20:40;
Y = unifcdf(X,20,40)
Se despliega
Y = Columns 1 through 9
 0 0.0500 0.1000 0.1500 0.2000 0.2500 0.3000 0.3500 0.4000
Columns 10 through 18
0.4500 0.5000 0.5500 0.6000 0.6500 0.7000 0.7500 0.8000 0.8500
Columns 19 through 21
0.9000 0.9500 1.0000
>> plot(X,Y);
>> grid

y despliega : De lo que se puede deducir que la

1
pendiente es positiva, es y pasa por
20
X=20
Entonces
 0 X  20
 X  20
CDF  F( x)   20  X  40
 20 X  40
 0
Ajustando con el MATLAB nos da la
ecuación: y = 0.05* x - 1

20  40
Para el valor esperado no es más que E( x )   30
2
Es decir que el valor esperado es 30 m3.

2.1.1.2- DISTRIBUCIÓN NORMAL (GAUSIANA)

PDF CDF

Descripción:
• Computa la función de distribución exponencial negativa para el valor X y los
parámetros MU y SIGMA. X, MU y SIGMA pueden ser vectores, matrices y arreglos que
deben ser del mismo tamaño. El parámetro SIGMA debe ser positivo.
• La distribución normal estándar tiene MU = 0 y SIGMA = 1.
• Fluctuaciones simétricas alrededor de un valor medio (MU).
• Se aplica para describir atributos humanos o de objetos: peso, altura, etc. dentro
de un grupo (variaciones en las notas de exámenes), medidas de errores
angulares o lineales, generación de ruido y pequeñas perturbaciones, datos
meteorológicos como temperatura y precipitación pluvial, erroresde
instrumentación, etc.
Sintaxis:
Y = normpdf(X,MU,SIGMA)

EJEMPLO 5. Coincidiendo con los valores de X, MU y SIGMA la gráfica de la PDF previa

se tiene:
>> Y = normpdf(0.019048,0,1) % X=0.019048, MU = 0, SIGMA= 1
Y se despliega:
Y = 0.3989

EJEMPLO 6. Si MU es un arreglo de valores entre 0 y 2, con una diferencia de 0.1

>> mu = [0:0.1:2]; % el rango va desde 0 a 2, con un incremento de 0.1, teniendo 21
% valores
>> Y = normpdf(1.5,mu,1)
Y se despliega:
Y = Columns 1 through 8
0.1295 0.1497 0.1714 0.1942 0.2179 0.2420 0.2661 0.2897
Columns 9 through 16
0.3123 0.3332 0.3521 0.3683 0.3814 0.3910 0.3970 0.3989
Columns 17 through 21
0.3970 0.3910 0.3814 0.3683 0.3521

EJEMPLO 7. Si X es un arreglo de valores entre 150 y 180, con una diferencia de 5

>> X = (150:5:180);
Y = normpdf(X,165,5) % con MU = 165 y SIGMA = 5
Y se despliega:
Y = 0.0009 0.0108 0.0484 0.0798 0.0484 0.0108 0.0009

Agregando: plot(X,Y); grid; xlabel('x'); ylabel('p')

para obtener la gráfica de la izquierda.
EJEMPLO 8. Una compañía de suministro de electricidad ha determinado que el
consumo, medido en Kw/h, de una vivienda familiar durante un mes, sigue una
distribución normal de media 300 y desviación típica 50.

(a) Calcula la probabilidad de que una familia consuma 245 kw/h en un mes.
(b) Calcula la probabilidad de que se consuman entre 200 y 300 Kw/h.
(c) ¿Qué porcentaje de viviendas consumirán más de 300 kw/h?
(d) ¿Qué porcentaje de viviendas familiares consumirán más de 250 Kw/h? ¿Y
menos de 350?

Del enunciado tenemos, que MU= 200 y el SIGMA =50

a) se quiere encontrar P( X  245)
>> Y = normpdf(245,200,50)
Despliega
Y = 0.0053
Es decir que P( X  245)  0.0053
b) se quiere encontrar P200  X  300 
>> Y = normcdf(300,200,50) - normcdf(200,200,50) % se evalúa para la CDF para el
% límite superior = 300 menos
% el límite inferior = 200
Y = 0.4772
c) se quiere encontrar P( X  200)  1  P( X  200)
>> Y = 1- normcdf(200,200,50)
Y = 0.5000
d) más de 250 Kw/h P( X  250)
>> Y = 1- normcdf(250,200,50)
Y = 0.1587
Menos de 350 P( X  350)
>> Y = normcdf(350,200,50)
Y = 0.9987

2.1.1.3- DISTRIBUCIÓN EXPONENCIAL (NEGATIVA)

PDF CDF
Descripción:
• Computa la función de distribución exponencial negativa para el valor X y el
parámetro MU. X y MU deben ser del mismo tamaño. El parámetro MU debe ser positivo.
• La pdf exponencial es la pdf gamma con su primer parámetro (a) igual a 1.
• La variable aleatoria exponencial es el tiempo que transcurre hasta que se da el
primer evento de Poisson. Es decir, la distribución exponencial puede modelar el lapso
entre dos eventos consecutivos de Poisson que ocurren de manera
independiente y a una frecuencia constante.
• Se utiliza en sucesos independientes entre sí. Es apropiada para modelar tiempos
de espera cuando dicho tiempo se supone independiente del tiempo que haya
transcurrido hasta ese momento. Por ejemplo, la probabilidad de que una
bombilla deje de lucir en el próximo minuto es relativamente independiente del tiempo
que haya estado luciendo hasta ahora. Tiempos entre roturas, tamaño de pedidos,
tiempos de procesos, llegada de personas a una tienda y, en general, acciones
por unidad de tiempo.
Sintaxis:
Y = exppdf(X,MU)

EJEMPLO 9.
Coincidiendo con los valores X y MU de la gráfica de la PDF previa se tiene:
>> Y = exppdf(10,3) % con X= 10 y MU = 3
Y se despliega:
Y = 0.0119

EJEMPLO 10.
Con un arreglo de valores para X desde 1 a 5 al igual que para MU en el mismo rango, se
tiene:
>> Y = exppdf(1:5,1:5)
Y se despliega:
Y = 0.3679 0.1839 0.1226 0.0920 0.0736
Para obtener la gráfica del ejemplo, definimos X primero y luego de esta manera con el
comando plot(X,Y):
>> X = (1:1:5);
>> Y = exppdf(X,1:1:5)
>> plot(X,Y); grid; xlabel('x'); ylabel('p')
Y se despliega el gráfico:
2.1.1.4- DISTRIBUCIÓN LOG-NORMAL
PDF CDF

Descripción:
 Computa la función de distribución log-normal para el valor X con media MU y
desviación estándar SIGMA. X, MU y SIGMA deben ser del mismo tamaño, que
determina el tamaño de Y.
Es una distribución normal asimétrica.
Se utiliza para modelar tiempos de procesos y reparación, averías de un coche con el
tiempo, población de un sitio con respecto al dinero, estancia de tiempo en un banco,
etc.
Sintaxis:
Y = lognpdf(X,MU,SIGMA)

EJEMPLO 11. Coincidiendo con los valores X y MU de para obtener la gráfica de la PDF
previa se tiene:
>> Y = lognpdf(3,0,1)
Y = 0.0727
EJEMPLO 12. Con un arreglo de valores para X desde el 1 al 10, tomados de uno en uno
>> X = (1:1:10); % arreglo desde 1 a 10, tomados de 1 en 1
Y = lognpdf(X,0,1) % con MU = 0 y SIGMA = 1
Y = Columns 1 through 8
0.3989 0.1569 0.0727 0.0382 0.0219 0.0134 0.0086 0.0057
Columns 9 through 10
0.0040 0.0028
para incluir la gráfica, se agregan: plot(X,Y); grid; xlabel('x'); ylabel('p')
2.1.1.5- DISTRIBUCIÓN GAMMA (ERLANG)
PDF CDF

Descripción:
Computa la función de distribución gamma para el valor X y los parámetros A y B. X,
A y B deben ser del mismo tamaño. A y B deben ser positivos y X tiene que estar dentro
del intervalo [0, ) .
La pdf de gamma es útil en los modelos de dependencia de ciclos de vida. La
distribución gamma es más flexible que la exponencial. Los casos especiales de la
función gamma son las funciones: exponencial y chi-cuadrado.
Se aplica para tiempos de procesos, tiempos de reparación, tiempos entre
llegadas (con poca aleatoriedad), incluso ingresos familiares, edad del hombre al
contraer matrimonio por primera vez, etc.
Sintaxis:
Y = gampdf(X,A,B)
EJEMPLO 13. Coincidiendo con los valores X, A y B de para obtener las gráficas previas
de la PDF y de la CDF se tiene:
>> Y = gampdf(1,1,2) % donde X=1, A=1 y B=2
Y se despliega:
Y = 0.3033
EJEMPLO 14. Con un arreglo de valores para B, desde 1 a 5, de 1 en 1, con X=1 y A=1
>> X =(1:1:5);
Y = gampdf(1,1,X)
Y se despliega:
Y = 0.3679 0.3033 0.2388 0.1947 0.1637 Incluyendo la gráfica, tenemos:
2.1.1.6 DISTRIBUCIÓN BETA:
CDF PDF

Descripción:
Computa la función de distribución gamma para el valor X y los parámetros A y B. X, A
y B deben ser del mismo tamaño. A y B deben ser positivos y X tiene que estar dentro del
intervalo [0,1].
La distribución uniforme en [0,1] es un caso derivado de la distribución beta
donde A=1 y B=1.
X, A, y B pueden ser vectores, matrices, o arreglos multidimensionales que tengan la
misma dimensión. Una entrada escalar se expande a un arreglo constante con las mismas
dimensiones de las otras entradas.
La distribución beta para un valor dado x y un par de parámetros a y b es
y  f x a, b   xa1 1  x  I ( 0 ,1) ( x)
1 b 1

Ba, b 
donde B( · ) es la función Beta. La function inidcador I ( 0 ,1) ( x ) asegura que solo los valores
de x en el rango (0 1) tengan una probabilidad distinta a cero. La distribución uniforme
en (0 1) es un caso degenerado de la pdf de beta donde a= 1 y b = 1.
Permite generar una gran variedad de perfiles. Se puede usar para representar la
distribución de artículos defectuosos sobre un intervalo de tiempo específico, etc.
Sintaxis:
Y = betapdf(X,A,B)

EJEMPLO 15. Coincidiendo con los valores de X, A y B para obtener las gráficas previas
se tiene:
>> Y = betapdf(0.5,1.9,1.9) % X= 0.5, A=1.9, B=1.9
Y se despliega:
Y = 1.4574
EJEMPLO 16. Con un arreglo matricial y con x = 0,5
>> A= [0.5 1; 2 4];
Y = betapdf(0.5,A,A)
Se despliega:
Y=
0.6366 1.0000
1.5000 2.1875
2.1.2- DISTRIBUCIONES DISCRETAS
2.1.2.1- DISTRIBUCIÓN UNIFORME
PDF CDF

Descripción:
Computa la función de distribución uniforme discreta para el valor X y el
parámetro N. X y N deben ser del mismo tamaño y N un entero positivo.
El resultado Y es la probabilidad de que ocurra X de entre N números, que en este
caso, por ser uniforme, será la misma para cualquier X entre 1 y N.
 Se usa para generar números aleatorios de entre N. Por ejemplo podemos
calcular la probabilidad de sacar un número X (del 1 al 6) al tirar un dado.
Sintaxis:
Y = unidpdf(X,N)

EJEMPLO 17. Para un rango de valores de X desde 1 a 6, avanzando de 1 en 1, en 10

ensayos , además de su gráfica
>> X = (1:1:6);
>> Y = unidpdf(X,10)
Y = 0.1000 0.1000 0.1000 0.1000 0.1000 0.1000
>> plot(X,Y,'+'))
Para un N fijado, la pdf uniforme discreta es una constante.

EJEMPLO 18: Ahora fijamos x y variamos n.

>> X = (4:1:9); % el rango de valores de 4 a 9 ,incrementados de 1 en 1
probabilidad = unidpdf(5,X)

Se despliega:
probabilidad = 0 0.2000 0.1667 0.1429 0.1250 0.1111

2.1.2.2- DISTRIBUCIÓN BINOMIAL

FDP CDP

Descripción:
Computa la función de distribución binomial para el valor X y los parámetros N y P. X,
N y P deben ser del mismo tamaño. N debe ser un entero positivo y P tiene que estar en
el intervalo [0,1].
El resultado Y es la probabilidad de observar X sucesos en N pruebas
independientes, donde la probabilidad de que ocurra el suceso (acierto) viene
dada por el parámetro P, que permanece constante para cada prueba, y la
probabilidad de que no ocurra el suceso (fracaso) es 1-P.
Sus áreas de aplicación incluyen inspección de calidad, ventas, mercadotecnia,
medicina, investigación, de opiniones y otras. Por ejemplo, un proceso de
manufactura produce un determinado producto en el que algunas unidades son
defectuosas; si la proporción de unidades defectuosas producidas por este proceso
es constante durante un periodo razonable y, si como procedimiento de rutina, se
seleccionan aleatoriamente un determinado número de unidades, entonces las
proposiciones de probabilidad con respecto al número de artículos defectuosos puede
hacerse mediante el empleo de la distribución binomial.
Sintaxis:
Y = binopdf(X,N,P)

EJEMPLO 19: Coincidiendo con los valores X, N y P de para obtener las gráficas previas
de la PDF y de la CDF se tiene:
>> Y = binopdf(5,10,0.5)
Y = 0.2461
lo que equivale a la probabilidad P( X  5)
 Y para la CDF:
>> Y = binocdf(5,10,0.5)
Y = 0.6230
lo que equivale a la probabilidad P( X  5)
EJEMPLO 20: Un inspector de comercio testea al día 200 muestras de un producto. Si el
2% de ellas son defectuosas, cuál es la probabilidad de que el inspector no encuentre
ninguna defectuosa ese día?
Es decir se quiere encontrar PX  0 , aquí entonces tenemos x=0, N =200 y la
probabilidad P=0.02

>> binopdf(0,200,0.02)

ans = 0.0176

Cuál es el número más probable de piezas defectuosas que se encontrará?

>> defectuosos = 0:200; % definimos el rango de valores de X

Y = binopdf(defectuosos,200,0.02);
[x,i] = max (Y);
defectuosos (i)
ans = 4

Es decir se encontrarán 4 piezas defectuosas.

EJEMPLO 21. Un jugador de dardos da justo en la diana 2 de cada cinco veces que lanza.
Si en una partida dicho jugador lanza 10 veces,
(a) calcula la probabilidad de que acierte en la diana tres veces,
(b) calcula la probabilidad de que acierte en la diana por lo menos una vez.
(c) ¿Cuántas veces se espera que el jugador haga diana?
(d) Calcula la probabilidad de que el jugador haga más dianas de las esperadas
en el partido.
Del enunciado se determina que la probabilidad P es 2/5 =0.4, el número de ensayos
N=10
a) se pide encontrar: P( X  3)
>> binopdf(3,10,0.4)
ans = 0.2150
Es decir que P( X  3)  0.2150
b) por lo menos una vez, se refiere que como mínimo una , se pide encontrar
P( X  1)  1  P( X  1)  1  P( X  0)
>>Y = 1 - binocdf(0,10,0.4) % utilizamos el comando binocdf porque se trata de la
% función de densidad acumulada con x=0, N=10 y P =0.4
ans = 0.9940
Es decir que P( X  1)  0.9940
c) valor esperado es : E = NP = 10 *0.4 = 4 dianas
d) más de las esperadas se refiere a más de cuatro: P( X  4)  1  P( X  4)
>> 1 - binocdf(4,10,0.4)
ans = 0.3669
2.1.2.3- DISTRIBUCIÓN BINOMIAL NEGATIVA O DE PASCAL
FDP CDP

Descripción:
Computa la función de distribución binomial negativa para el valor X y los
parámetros R y P. X, R y P deben ser del mismo tamaño. La función de densidad es 0 a
menos que X sea un entero.
La variable aleatoria representa el número de ensayos necesarios para observar R
éxitos. Los ensayos son independientes entre sí. La probabilidad de éxito en cada ensayo
es constante e igual a P.
 La aplicación principal de esta distribución es una alternativa adecuada para el modelo
de Poisson cuando la frecuencia de ocurrencia no es constante en el tiempo o el
espacio. También se emplea para modelar las estadísticas de accidentes, datos
psicológicos, compras del consumidor y otras eventos similares en donde la
frecuencia de ocurrencia entre grupos o individuos no se espera que sea la misma.
Sintaxis:
Y = nbinpdf(X,R,P)

EJEMPLO 21. Para un rango de valores de X desde 0 a 10, en 10 ensayos, donde se repite
3 éxitos, donde la probabilidad es p= 0.5. Incluir la gráfica de
>> X = (0:10);
>> Y = nbinpdf (X,3,0.5)
Se despliega:
Y = Columns 1 through 9
0.1250 0.1875 0.1875 0.1562 0.1172 0.0820 0.0547 0.0352 0.0220
Columns 10 through 11
0.0134 0.0081
Su gráfica de la PDF:
plot(X,Y,'+')
set(gca,'Xlim',[-0.5,10.5])
% fijando los límites del eje de las X desde -0.5 a 10.5
2.1.2.4- DISTRIBUCIÓN DE POISSON
PDF CDF

Descripción:
Computa la función de distribución de Poisson para el valor X y el parámetro LAMBDA.
X y LAMBDA deben ser del mismo tamaño y LAMBDA positivo. X puede ser cualquier
entero no negativo. La función de densidad es 0 a menos que X sea un entero.
La variable aleatoria representa el número de eventos independientes que
ocurren a una velocidad constante en el tiempo o en el espacio.
Ofrece una aproximación muy buena a la función de probabilidad binomial
cuando p es pequeño y n grande.
Es el principal modelo de probabilidad empleado para analizar problemas de
líneas de espera. Se usa para estimar el número de personas que llegan a una
tienda de autoservicio en un tiempo estimado, el número de defectos en piezas similares
para el material, el número de bacterias en un cultivo, número de solicitudes de
seguro procesadas por una compañía en un período específico, etc.

Sintaxis:
Y = poisspdf(X,LAMBDA)

EJEMPLO 22.Un fabricante de discos duros para ordenadores ha observado que ocurren
defectos en el proceso de fabricación aleatoriamente con una media aproximada de
2 defectos por disco de 4 Gb. Se considera este término de fallos aceptable para el
proceso. ¿ Cuál es la probabilidad de que un disco duro cualquiera sea fabricado sin
fallos ?
Para este caso, LAMBDA = 2 y X = 0
Se quiere calcular P( X  0)
>> P = poisspdf(0,2)
P = 0.1353
Es decir que P( X  0)  0.1353 o sea un 13.53% de que un disco duro sea fabricado sin
fallos.
EJEMPLO 23. El número de vehículos que llegan a una intersección de caminos
durante una hora sigue una distribución de Poisson de parámetro λ = 10.
(a) Calcula la probabilidad de que sólo llegue un vehículo.
(b) ¿Cuál es el número medio de vehículos que se espera que lleguen al cruce en una
hora?
(c) Calcula la probabilidad de que el número de vehículos que llegan al cruce sea mayor
al número esperado
Para este caso , LAMBDA= 10
a) se quiere encontrar P( X  1)
>> P = poisspdf(1,10)

P = 4.5400e-004
Es decir que P( X  1)  4.5400  10 4 o sea un 0.05% de que llegue sólo un vehículo
b) el número medio o esperado = LAMBDA= 10 vehículos
c) se quiere encontrar P( X  10)  1  P( X  10)
>> P = 1- poisscdf(10,10)

P = 0.4170
Es decir, P( X  10)  0.4170 o sea 41.70 % de vehículos mayor al valor esperado
EJEMPLO 24. Supóngase que un libro de 585 páginas contiene 43 errores tipográficos. Si
esos errores están distribuidos aleatoriamente en el libro, ¿Cuál es la probabilidad de
que 10 páginas, seleccionadas al azar, estén libres de error?
1
Para este caso la probabilidad de encontrar un error tipográfico es p 
585
1 43
El valor de LAMBDA será: LAMBDA= N  p  43  
585 585
Para la probabilidad de no encontrar error, se necesita calcular P( X  0)
>> N = 43; % cantidad de errores
>> p = 1/585; % probabilidad de que una hoja tenga un error
>> LAMBDA= N*p
LAMBDA = 0.0735

>> P = poisspdf(0,LAMBDA)

P= 0.9291

Para determinar la probabilidad de que 10 páginas están libres de error, recurrimos a la

distribución binomial, con la probabilidad P y X= 10. Es decir P( X  10)
>> Y = binopdf(10,10,P)
Y = 0.4795
2.1.2.4- DISTRIBUCIÓN GEOMÉTRICA
Descripción

computa la función de distribución geométrica de cada uno de los valores de X usando

las probabilidades correspondientes en P. X y P puede ser vectores, matrices o arreglos
multidimensionales que tengan el mismo tamaño. Los parámetros en P debe estar en el
intervalo [0 1].
SÍNTAXIS
Y = geopdf(X,P)
 PDF CDF

EJEMPLO 25.Suponga que se lanza una moneda común repetidamente, puede salir cara o
sello. Si la moneda cae y sale cara, eso es un éxito. ¿Cuál es la probabilidad de que
exactamente salgan tres sellos antes de obtener una cara?
En este caso la probabilidad de éxito, es p= 0.5
Se quiere encontrar P( X  3)
>> p = geopdf(3,0.5)

p= 0.0625

Por tanto P( X  3)  0.0625

2.1.2.5- DISTRIBUCIÓN HIPERGEOMÉTRICA

Descripción
 computa la function distribución hipergeométrica de cada uno de los valores de X
usando los parámetros en M, K, y N. X, M, K, y N pueden ser vectores, matrices, o
arreglos multidimensionales que tengan el mismo tamaño.
 Los parámetros M, K, y N deben ser enteros positivos, con N = M. Los valores de X
deben ser menores o iguales a todos los valores de los parámetros.
 K  M  K 
  
x  N  x 
 La distribución de probabilidad hipergeométrica es y  f x M , K , N  

,
M
 
N
el resultado, y, es la probabilidad de sacar exactamente x de unos artículos posibles de
K artículos de N extracciones sin reemplazo de un grupo de M objetos.

Sintaxis
Y = hygepdf(X,M,K,N)

EJEMPLO 26. Supongo que Ud. tiene un LOTE de 100 discos floppys y se sabe que 20 de
ellos son defectuosos. ¿Cuales son las probabilidades de tener de 0 a 5 discos floppys
defectuosos, si se seleccionan 10 al azar? Calcular la probabilidad de que salgan
exactamente tres defectuosos, y de que salgan tres o menos defectuosos?
En este caso, M = 100, los discos defectuosos son K=20 y se toman N = 10 al azar
Se quiere hallar la función de probabilidad
>> X = 0:5;
p = hygepdf(X,100,20,10)

p= 0.0951 0.2679 0.3182 0.2092 0.0841 0.0215

Para hallar la gráfica, agregamos el comando plot

Para la probabilidad de que salgan exactamente tres P( X  3)

>> p = hygepdf(3,100,20,10)

p = 0.2092
Es decir que P( X  3)  0.2092 o sea que hay un 20.92 % de que se extraigan 3
defectuosos.
Para la probabilidad de que salgan tres o menos P( X  3)
>> p = hygecdf(3,100,20,10)

p = 0.8904
Es decir que P( X  3)  0.8904 o sea que hay un 89.04 % de que se extraigan 3 o menos
defectuosos.

2.2 GENERADORES DE NÚMEROS ALEATORIOS (RND)

Descripción:
En el apartado <distribución> se coloca el nombre de ésta entre comillas
simples.
Los parámetros corresponden a la distribución usada en cada caso y deberán
cumplir las condiciones que esta exija.
La generación de números aleatorios es útil para la simulación de eventos en los
intervengan un factor aleatorio pero del que conocemos su distribución.
Las distribuciones pueden ser: ‘beta', 'Binomial', 'Chisquare', 'Exponential', 'F',
'Gamma', 'Geometric', 'Hypergeometric', 'Lognormal', 'Negative Binomial',
'Noncentral F', 'Noncentral t', 'Noncentral Chi-square', 'Normal', 'Poisson',
'Rayleigh', 'T', 'Uniform', 'Discrete Uniform', 'Weibull'.
Cadenas aceptables para las distintas distribuciones:

 'beta' (Distr. Beta)  'nbin' (Distr. Binomial negativa)

 'bino' (Distr. Binomial)
 'chi2' (Distr. Chi- cuadrado)
 'exp' (Distr. Exponencial)
 'ev' (Distr. valor extremo)
 'f' (Distr. F )
 'gam' (Distr. Gamma )
 'gev' (Distr. Valor extreme
Generalizado)
 'gp' (Distr.Generalizada Pareto)
 'geo' (Distr. Geométrica)
 'hyge' (Distr. Hipergeométrica)
 'logn' (Distr. Lognormal)
Sintaxis:
R = RANDOM (<distribución>,<parámetros>)
(ó R = <distribución>rnd (<parámetros>) Ej: R = lognrnd(...) )
 'ncf' (Distr. F No central)
 'nct' (Distr. T no central)
 'ncx2' (Distr. Chi- cuadrado No
central)
 'norm' (Distr. Normal)
 'poiss' (Distr. Poisson)
 'rayl' (Distr. Rayleigh)
 't' (Distr. t)
 'unif' (Distr.Uniforme)
 'unid' (Distr. Uniforme discreta)
 'wbl' (Distr. Weibull)

EJEMPLO 27. Generar con una distribución binomial con los siguientes parámetros:
X = 10, P=0.2
>> RANDOM('bino',10,0.2,1,5)

ans = 4 0 4 2 4

EJEMPLO 28. Se quiere comprobar la eficiencia de una maquina empaquetadora a la que

le llegan piezas de repostería casa 5minutos. El número de piezas en cada remesa viene
dado por una distribución uniforme con un mínimo de 5 y un máximo de 13.

>> Remesa = RANDOM('unid',5,13)

Remesa =

2 4 3 1 3 5 3 2 3 4 4 2 5
4 1 2 5 3 3 5 4 4 2 4 4 4
4 2 2 5 4 2 3 5 2 5 4 3 3
3 3 3 5 4 1 5 2 4 2 5 5 4
4 5 2 2 4 4 4 4 3 4 2 5 3
4 1 2 3 1 4 5 4 1 1 4 2 4
1 5 4 1 1 3 2 1 1 2 2 4 3
1 4 2 3 2 1 4 4 4 1 1 3 4
5 2 5 2 3 2 2 2 3 3 4 3 3
1 1 5 1 4 1 4 5 1 4 3 5 5
1 3 4 1 3 2 4 1 2 3 3 2 2
3 3 2 3 5 3 1 3 4 3 4 2 1
5 1 3 1 4 3 2 3 1 4 4 1 1
 PROBLEMAS PROPUESTOS
1. Se sabe que aproximadamente el 90% de los matriculados en Ingeniería son hombres.
(a) Calcula la probabilidad de que en un grupo de cinco estudiantes escogidos al azar
haya alguna chica.
(b) Calcula la probabilidad de que en una clase de 30 estudiantes no haya ningún chico.
(c) Calcula la probabilidad de que en una clase de 40 personas, menos del 20% sean
mujeres.
Respuestas. a) 0.4095; b) 10-30 ; c) 0.9489

2. Si se lanza un dado 150 veces, ¿cuál es la probabilidad de que salga 30 veces un seis?
Respuesta. 0.048

3. En un colegio se realizan una serie de pruebas psicotécnicas para determinar el

coeficiente de inteligencia de los alumnos, quedando establecido que dicha medida se
distribuye según una distribución normal de parámetros 100 y 10.
(a) Calcula la probabilidad de que un alumno seleccionado al azar tenga un
coeficiente intelectual por encima de 120.
(b) Calcula el porcentaje de alumnos cuyo coeficiente intelectual está
comprendido entre 95 y 105.
(c) ¿Qué valor del coeficiente intelectual verifica que sólo el 10% de los alumnos tienen
un coeficiente superior?
(d) Se decide repetir las pruebas a aquellos alumnos con un coeficiente
demasiado alto, que resultan ser un 5% del total, y a aquellos con coeficiente
demasiado bajo, que representan un 2%. Calcula los valores del coeficiente de
inteligencia a partir de los cuales se repetirán las pruebas.
Respuestas. a) 0.0228; b) 0.383; c) 112.816; d) Por encima de 116.45 y por debajo 79.46.

4. Según estudios realizados por una compañía de seguros, se sabe que la probabilidad
de que una mujer mayor de sesenta años sufra un accidente de circulación es del
0.001%. Sabiendo que la compañía tiene 40000 clientes de esas características, calcular
la probabilidad de que tenga que soportar más de 4 siniestros de este tipo.
Respuesta. 0.0001

5. Según las encuestas previas a las elecciones se supone que el 25% de los electores de
la ciudad de La Paz votan por un determinado candidato. Se eligen al azar 50
votantes en un distrito electoral paceño. Calcular la probabilidad de que más de 20
voten por dicho candidato.
Respuesta. 0.0045

6. Una máquina de lavado a presión está diseñada para suministrar 25 litros de limpiador
por minuto, pero se ha comprobado que la máquina suministra una cantidad aleatoria
entre 24 y 26 litros, siguiendo una distribución uniforme.
a) Calcular la probabilidad de suministrar ma´s de la cantidad esperada por minuto
b) Calcular la probabilidad de que la cantidad suministrada en un minuto sea menor de
25 litros y medio, sabiendo que ha sido superior a la cantidad esperada.
Respuestas. a) 0.5; b) 0.5