APUNTE DE CLASE

SEMANA 1
ESTADÍSTICA
APLICADA
Índice

I. Introducción …………………………………………………………… Pág. 3

Tema 1: Modelos analíticos de fenómenos aleatorios ………..…. Pág. 4

A. Distribución de probabilidades de una variable aleatorio ……. Pág. 7

B. Medidas descriptivas de variables aleatorios ……………….… Pág. 14

C. Valor central ………………………………………………………. Pág. 14

D. Esperanza matemática …………………………………......…… Pág. 14

E. Medidas de dispersión …………………………………………… Pág. 16

F. Distribución binomial y Bernoulli ……………...………………… Pág. 18

G. Distribución geométrica ………………………………………..… Pág. 22

H. Probabilidad acumulada y para una distribución geométrica ... Pág. 23

I. Tiempo de recurrencia y período de retorno …………………... Pág. 23

J. El proceso de Poisson ………………………………………..….. Pág. 25

K. Distribución hipergeométrica ………………………………….… Pág. 28

L. Distribución normal ………………………………………………. Pág. 30

II. Bibliografía …………………………………………………………….. Pág. 35

3 Apunte de clase

Introducción

En el presente contenido de estadística aplicada se asociará este concepto

obtenido para cada resultado posible con valores numéricos que variarán de

acuerdo con el resultado. Ya que el resultado de un experimento no se conoce con

anticipación, sucede lo mismo con el valor de la variable involucrada y, por esta

razón, a estos valores que cambian se les llama variable aleatoria.

La importancia de las distribuciones de probabilidad se ve reflejada en el uso de

estas en distintas disciplinas del quehacer humano, como por ejemplo en biología,

negocios, industrias e incluso en el deporte, entre muchas otras.

Debemos tener presente que, al aplicar la teoría de probabilidades, para sacar

conclusiones adecuadas de la población, en relación a la muestra, las variables

aleatorias son fundamentales, pues constituyen el nexo entre la teoría de las

probabilidades y la inferencia estadística.

4 Apunte de clase

TEMA 1: MODELOS ANALÍTICOS DE FENÓMENOS

ALEATORIOS

En la revisión de los fenómenos aleatorios, en el momento de idear la

construcción de un modelo probabilístico, se debe conceptualizar una función que

tenga el objetivo de asignar un valor al resultado del experimento de dicha función,

y a esta definición denominaremos variable aleatoria.

Eventos Aleatorios y variables aleatorias.

Las variables aleatorias siguen una distribución de probabilidad, la que radica en

asignar una probabilidad cuando X (variable aleatoria) toma un valor menor o igual

a un valor “x”

Donde X representa a la variable aleatoria (como concepto) y x representa el

valor que puede ser particularmente X. Entonces X puede ser menor, mayor o igual

a un valor en particular.

Representa un evento, en donde (a < x < b) es el rango de valores posibles de

X.

La asignación numérica puede ser natural o basada en datos reales.

Ejemplos: En un campeonato de tenis de mesa los participantes pueden obtener

el primer, segundo y tercer lugar, pero no se sabe con absoluta confianza cuál de
5 Apunte de clase

los tres eventos va a sucederá, sólo podemos inferir que alguno de los participantes

puede obtener el primer, segundo o tercer lugar con cierta probabilidad de

ocurrencia.

Para saber los distintos valores que puedan tomar las variables aleatorias, es

relevante realizar una gran cantidad de repeticiones de experimentos aleatorios, y

con eso poder definir el espacio muestral del experimento, calculando y obteniendo

la probabilidad de cada evento aleatorio.

¿QUÉ ES UN ESPACIO MUESTRAL?

Definiremos el espacio muestral (S o 𝛀𝛀) de un experimento como todos los

posibles resultados que se pueden obtener

Ejemplo: Lanzamiento de un dado

𝐒𝐒 = 𝛀𝛀 = {𝟏𝟏, 𝟐𝟐, 𝟑𝟑, 𝟒𝟒, 𝟓𝟓, 𝟔𝟔}

El espacio muestral (𝛀𝛀) al lanzar un dado se tiene seis posibles resultados

Ejemplo: Lanzamiento de una moneda dos veces

𝐒𝐒 = 𝛀𝛀 = {𝑪𝑪𝑪𝑪, 𝑺𝑺𝑺𝑺, 𝑪𝑪𝑪𝑪, 𝑺𝑺𝑺𝑺}

El espacio muestral (𝛀𝛀) al lanzar una moneda dos veces tiene cuatro posibles

resultados
6 Apunte de clase

¿QUÉ ES UN SUCESO O EVENTO?

Un suceso es un subconjunto del espacio muestral. Para escoger cualquier

suceso, lo expresaremos con letras mayúsculas.

Ejemplo: Lanzamiento de un dado

𝐴𝐴 = {𝑄𝑄𝑄𝑄𝑄𝑄 𝑠𝑠𝑠𝑠 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 1}

𝐵𝐵 = {𝑄𝑄𝑄𝑄𝑄𝑄 𝑠𝑠𝑠𝑠 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 6}

Ejemplo: Lanzamiento de una moneda dos veces

𝐴𝐴 = {𝑄𝑄𝑄𝑄𝑄𝑄 𝑠𝑠𝑠𝑠 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠}

𝐵𝐵 = {𝑄𝑄𝑄𝑄𝑄𝑄 𝑠𝑠𝑠𝑠 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐}

Con estas definiciones se puede calcular la probabilidad de ocurrencia de este

evento P(A).

Lo que se quiere predecir o medir, es el comportamiento de una variable. Es por

eso que la variable que asocia un número con el resultado de un experimento

aleatorio se conoce como variable aleatoria.

Son variables aleatorias:

• El número de estudiantes aprobados por Ingeniería Comercial en el primer

semestre de un curso en UNIACC

7 Apunte de clase

• El número de piñas defectuosas que hay en un puesto de fruta en la Vega

Central.

• La cantidad de microorganismos vivos a distintos grados de temperatura en

un laboratorio de cierta universidad.

• El tiempo transcurrido en la atención de un cliente en un call center.

• La concentración de litio por metro cúbico extraído.

Para los cálculos de probabilidad se clasificarán las variables en discretas y

continuas.

“Cuando se hable de variable discreta se hará referencia a una cantidad

entera y exacta”

Ejemplos:

• Número de primos.

• Años de estudio de Ingeniería Comercial en UNIACC.

A. DISTRIBUCIÓN DE PROBABILIDADES DE UNA VARIABLE

ALEATORIA

Los valores o el rango de valores que puede tomar una variable aleatoria tienen

una probabilidad específica o medidas de probabilidad asociada. La regla que

asigna la medida de probabilidad le denominaremos distribución o ley de

probabilidad.

Si X es una variable aleatoria, la distribución de probabilidad puede ser descrita

por su función de distribución de probabilidad acumulada, que corresponde a la

8 Apunte de clase

suma de todas las probabilidades hasta un cierto valor de la v. a. o menor que ese

valor. Esto es (Anderson et al, 2008):

Donde X* = valor particular de la v. a. X

Ya que sabemos que X es variable aleatoria discreta, por eso, esta función

puede ser expresada a través de la función de probabilidad, donde el rango de la

variable aleatoria x, es un conjunto finito o infinito numerable, donde la función de

probabilidad P(xi) se le asocia un número a cada valor de la variable aleatoria (que

llamaremos soporte) de X o probabilidad de X y en que se cumplen con las

siguientes condiciones (Anderson et al, 2008).

Definición: Llamaremos soporte de X a todos los posibles valores que puede

tomar la variable X (Olea, 2011, p. 9).

9 Apunte de clase

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA

Si X es una variable aleatoria discreta con recorrido 𝑅𝑅𝑋𝑋 , se denomina función de

distribución de probabilidad de la variable aleatoria X.

Y se define por:

1. 𝑝𝑝(𝑥𝑥 ) = 𝑃𝑃(𝑋𝑋 = 𝑥𝑥), que satisface las siguientes restricciones

a. 𝑝𝑝(𝑥𝑥) ≥ 0, ∀ 𝑥𝑥 ∈ 𝑅𝑅𝑋𝑋

b. ∑𝑥𝑥∈𝑅𝑅𝑋𝑋 𝑝𝑝(𝑥𝑥 ) = 1

Ejemplo: Si se lanza una moneda que tenga una parte azul y otra roja tres veces

y se anota el número de caras azules que se obtienen. Los posibles resultados son:

0 cara azul, 1 cara azul, 2 caras azules o 3 caras azules. Así la variable aleatoria es

el número de caras azules y los posibles resultados son los valores de la variable

aleatoria.

El espacio muestral será:

Ω = {𝐶𝐶𝐶𝐶𝐶𝐶, 𝐶𝐶𝐶𝐶𝐶𝐶, 𝐶𝐶𝐶𝐶𝐶𝐶, 𝑆𝑆𝑆𝑆𝑆𝑆, 𝑆𝑆𝑆𝑆𝑆𝑆, 𝑆𝑆𝑆𝑆𝑆𝑆, 𝐶𝐶𝐶𝐶𝐶𝐶, 𝑆𝑆𝑆𝑆𝑆𝑆}

Revisemos el siguiente evento:

A = {𝑁𝑁ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑞𝑞𝑞𝑞𝑞𝑞 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙}

Es observable que es una variable aleatoria discreta, porque su recorrido (𝑅𝑅𝑋𝑋 ) es

un conjunto finito definido de la siguiente manera:

𝑅𝑅𝑋𝑋 = {0,1,2,3}
10 Apunte de clase

El recorrido 𝑅𝑅𝑋𝑋 corresponde a:

• 0 cara

• 1 cara

• 2 caras

• 3 caras

Ejemplo: Utilizando el ejemplo del lanzamiento de esta misma moneda tres

veces, encontrar la distribución de probabilidad y el gráfico que represente dicha

distribución.

A = {𝑁𝑁ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑟𝑟𝑟𝑟𝑟𝑟 𝑞𝑞𝑞𝑞𝑞𝑞 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙}

Desarrollando lo anterior en la función de distribución, obtenemos:

X 0 1 2 3
𝒑𝒑(𝒙𝒙) = 𝑷𝑷(𝑿𝑿 = 𝒙𝒙) 1/8 3/8 3/8 1/8

El gráfico de la función de probabilidad es:

Figura Nª1: Ejemplo de función de probabilidad.

11 Apunte de clase

Ahora, revisemos otra aplicación:

Ejemplo: El computador, para lograr el diseño de un plato en una empresa de

regalos publicitarios, emplea 1 dispositivo en el 72% de los casos; 2 en un 26% de

los casos; y 3 en el 2% restante de los casos. Por lo tanto, la función de probabilidad

de la variable número de dispositivos necesarios corresponde a:

𝑃𝑃 (𝑋𝑋 = 1) = 0,72

𝑃𝑃 (𝑋𝑋 = 2) = 0,26

𝑃𝑃 (𝑋𝑋 = 3) = 0,02

El siguiente gráfico muestra la forma de esta Función de probabilidad y que sólo

los valores 1, 2 y 3 son posibles en este ejemplo.

Figura Nª 2: Ejemplo de función de probabilidad

Ejemplo: La Función de Distribución 𝐹𝐹𝑋𝑋 del número X de dispositivos sería:

𝑃𝑃 (𝑋𝑋 ≤ 1) = 0,72

𝑃𝑃 (𝑋𝑋 ≤ 2) = 0,98

𝑃𝑃(𝑋𝑋 ≤ 3) = 1
12 Apunte de clase

La figura muestra la forma de su Función de Distribución.

Figura N°3: Ejemplo de función de distribución

Fuente: Olea, R. (2011). Estadística para ingeniería, p. 11.

Ejemplo 1: Si X es la variable aleatoria cuyos valores representan el número de

camiones que operan frecuentemente después de 6 meses en una empresa de

transporte de carga pesada. Si los camiones inicialmente son tres, entonces los

acontecimientos posibles son:

Supongamos que cada uno de los tres camiones está o no operativo después de

6 meses con igual probabilidad e independiente de las otras.

a) Determine la función probabilidad de la variable X.

b) Grafique la función de densidad.

13 Apunte de clase

Desarrollo
14 Apunte de clase

B. MEDIDAS DESCRIPTIVAS DE VARIABLES ALEATORIAS

Es importante saber que una variable aleatoria puede ser descrita en su totalidad

por su función de distribución de probabilidad o de densidad, o por su función de

distribución de probabilidad acumulada. No obstante, en la práctica la forma exacta

puede no ser totalmente conocida.

Para esos casos, se requieren ciertas medidas tales como:

• Medidas de centralidad.

• Medidas de dispersión.

• Medidas de asimetrías y otras.

C. VALOR CENTRAL

De todos los valores posibles que tiene una variable aleatoria, el valor central

tiene un interés especial. La media de X puede interpretarse como el centro de masa

del rango de los valores de X.

Dado que para cada valor existe una medida de probabilidad, el centro equivale

a un promedio ponderado.

D. ESPERANZA MATEMÁTICA

La definición del valor esperado, como un promedio ponderado, puede ser

generalizada para funciones de la variable aleatoria X.

15 Apunte de clase

Podemos definir el valor esperado o esperanza o media de una variable aleatoria

X a 𝜇𝜇𝑥𝑥 (Olea, 2011, p. 24):

𝑛𝑛

𝐸𝐸 (𝑥𝑥 ) = � 𝑥𝑥𝑖𝑖 𝑃𝑃(𝑥𝑥𝑖𝑖 )

𝑖𝑖=1

Ejemplo 2: Sea X la variable aleatoria que representa el número de goles de un

equipo de fútbol en 34 partidos

N° de Goles ni hi
0 10 0,29
1 11 0,32
2 8 0,24
3 0 0
4 2 0,06
5 1 0,03
6 2 0,06
Totales 34 1

La gráfica de distribución de probabilidad es la siguiente:

16 Apunte de clase

Aplicando,
𝑛𝑛

𝐸𝐸 (𝑥𝑥 ) = � 𝑥𝑥𝑖𝑖 𝑃𝑃(𝑥𝑥𝑖𝑖 )

𝑖𝑖=1

Nos queda,

𝑬𝑬(𝒙𝒙) = 𝝁𝝁 = 0 ∙ 0,29 + 1 ∙ 0,32 + 2 ∙ 0,24 + 3 ∙ 0 + 4 ∙ 0,06 + 5 ∙ 0,03 + 6 ∙ 0,06 = 𝟏𝟏, 𝟓𝟓𝟓𝟓

E. MEDIDAS DE DISPERSIÓN

La medida de dispersión de una variable aleatoria es igual a la varianza de X, lo

que se define como:

𝜎𝜎 2 𝑥𝑥 = 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) = 𝐸𝐸 [(𝑋𝑋 − 𝜇𝜇𝑥𝑥 )2 ] = � (𝑋𝑋 − 𝜇𝜇𝑥𝑥 )2 ∙ 𝑝𝑝𝑋𝑋 (𝑥𝑥𝑖𝑖 ) (𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑)

𝑥𝑥𝑥𝑥𝜃𝜃𝑋𝑋

PROPIEDAD DE LA VARIANZA

En caso de hablar de dimensionalidad, es recomendable utilizar la desviación

estándar, ya que la varianza es una medida ficticia, pues las unidades en las cuales

se expresa son cuadráticas (por ejemplo, 𝑎𝑎ñ𝑜𝑜𝑜𝑜 2 , 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 2 , etc.), es decir:

17 Apunte de clase

Si 𝑢𝑢𝑥𝑥 > 0, se puede calcular una medida de variabilidad que es adimensional

llamada coeficiente de variación (c. o. v).

Usando el ejemplo del número de goles de un equipo de fútbol, en la esperanza

obtenemos lo siguiente para el cálculo de la varianza.

2 2 2 2 2
Var = (0-1,55) *0,29 + (1-1,55) *0,32 +(2-1,55) *0,24 + (3-1,55) *0 + (4-1,55) *0,06 + (5-
2 2
1,55) *0,03 + (6-1,55) *0,06 = 2,7475

Ejemplo 3: Obtenga el número esperado y la varianza de camiones operativas

después de 6 meses (continuando con el ejemplo 1 en relación con las

excavadoras).

Para calcular la varianza se calcula primero:

18 Apunte de clase

Se reemplaza:

F. DISTRIBUCIÓN BINOMIAL Y BERNOULLI

En las más diversas áreas de la ingeniería, incluidas las relacionadas con la

administración, a menudo los problemas involucran la ocurrencia o recurrencia de

un evento, el cual es impredecible, como una secuencia de “experimentos".

Ejemplos:

• Para un día de lluvia: ¿colapsa o no el tráfico?

• Al comprar un producto: ¿este satisface o no los requerimientos de calidad?

• Un estudiante: ¿aprueba o reprueba el curso?

Supuestos:

a) En cada experimento, tiene una de dos opciones ocurrencia o no ocurrencia

del evento.

b) La probabilidad de ocurrencia del evento (“éxito”) en cada experimento es

constante se asigna como 𝑝𝑝.

c) La probabilidad de ocurrencia del evento (“fracaso”) en cada experimento es

constante se asigna como 𝑞𝑞 = 1 − 𝑝𝑝.

19 Apunte de clase

d) Los experimentos son estadísticamente independientes.

e) La variable aleatoria de interés es 𝑋𝑋, el número de éxitos observado durante

los n ensayos.

Se dice que una v. a. 𝑋𝑋 se distribuye binomial si 𝑋𝑋 ~ 𝐵𝐵(𝑛𝑛, 𝑝𝑝) y su función de

cuantía es la siguiente:

𝑛𝑛 𝑥𝑥 𝑛𝑛−𝑥𝑥
𝑃𝑃(𝑋𝑋 = 𝑥𝑥 ) = ��𝑥𝑥 � 𝑝𝑝 (1 − 𝑝𝑝) 𝑠𝑠𝑠𝑠 𝑥𝑥 = 1, 2, 3, … , 𝑛𝑛
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

𝑛𝑛 𝑛𝑛!
𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 𝑞𝑞𝑞𝑞𝑞𝑞: � � =
𝑥𝑥 (𝑛𝑛 − 𝑥𝑥 )! ∗ 𝑥𝑥!

Ejemplo: Cinco imprentas se ocupan en la impresión de un libro en una librería

que además funciona como editorial. Si la variable número de imprentas que falla

antes de las 900 horas de uso se comporta como una variable binomial con

probabilidad de éxito 0,0559 y asumiendo independencia entre las imprentas,

determine la probabilidad que:

a) Exactamente dos presenten una falla en las primeras 900 hrs. de

funcionamiento.

b) Dos o más presenten fallas en las primeras 900 hrs.

c) A lo más dos presenten fallas en las primeras 900 hrs.

20 Apunte de clase

Desarrollo:

a) Sea 𝑦𝑦 = 𝑁𝑁ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑞𝑞𝑞𝑞𝑞𝑞 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙 900 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢.

𝑦𝑦 ∼ 𝐵𝐵(𝑛𝑛, 𝑝𝑝) ⇒ 𝑦𝑦 ∼ 𝐵𝐵(2; 0,0559)

5
𝑃𝑃(𝑦𝑦 = 2) = � � ∙ 0,05592 ∙ (1 − 0,0559)5−2
2

𝑃𝑃(𝑦𝑦 = 2) = 0,02629

b) 𝑃𝑃(𝑦𝑦 ≥ 2) = 1 − [𝑃𝑃(𝑦𝑦 < 2)]

𝑃𝑃(𝑦𝑦 ≥ 2) = 1 − [𝑃𝑃(𝑦𝑦 = 0) + 𝑃𝑃(𝑦𝑦 = 1)]

5 5
𝑃𝑃(𝑦𝑦 ≥ 2) = 1 − �� � ∙ 0,05590 ∙ (1 − 0,0559)5−0 + � � ∙ 0,05591 ∙ (1 − 0,0559)5−1 �
0 1

𝑃𝑃(𝑦𝑦 ≥ 2) = 1 − 0,9721

𝑃𝑃(𝑦𝑦 ≥ 2) = 0,02789

c) 𝑃𝑃(𝑦𝑦 ≤ 2) = 𝑃𝑃(𝑦𝑦 = 0) + 𝑃𝑃(𝑦𝑦 = 1) + 𝑃𝑃(𝑦𝑦 = 2)

5 5
𝑃𝑃(𝑦𝑦 ≤ 2) = � � ∙ 0,05590 ∙ (1 − 0,0559)5−0 + � � ∙ 0,05591 ∙ (1 − 0,0559)5−1
0 1

5
+ � � ∙ 0,05592 ∙ (1 − 0,0559)5−2
2

𝑃𝑃(𝑦𝑦 ≤ 2) = 0,99839
21 Apunte de clase

Ejemplo: Una tienda de venta de ropa de temporada en el barrio Italia ha logrado

determinar que la probabilidad de que una persona que entra a su tienda y compre

es de un 20%. Si la tienda tiene a 5 personas dentro en el mismo momento:

a) ¿Cuál es la probabilidad que hayan comprado 2 personas?

b) ¿Cuál es la probabilidad de que compren por lo menos 2 personas?

Desarrollo:

a) ¿Cuál es la probabilidad que hayan comprado 2 personas?

5
𝑃𝑃(𝑥𝑥 = 2) = � � 0,22 0,83 =10∗ 0,22 ∗ 0,83 = 0,2048 = 20,48%
2

b) ¿Cuál es la probabilidad de que compren por lo menos 2 personas?

P(x ≥ 2) = 𝑃𝑃 (𝑥𝑥 = 2) + 𝑃𝑃(𝑥𝑥 = 3) + 𝑃𝑃(𝑥𝑥 = 4) + 𝑃𝑃(𝑥𝑥 = 5)

5 5 5 5
P(x ≥ 2) = � � 0,22 0,83 + � � 0,23 0,82 + � � 0,24 0,81 + � � 0,25 0,80
2 3 4 5

P(x ≥ 2) = 0,2048 + 0,0512 + 0,0064 + 0,0016 = 0,264 = 26,4%

22 Apunte de clase

G. DISTRIBUCIÓN GEOMÉTRICA

Se define como una secuencia Bernoulli, es el número de experimentos hasta la

ocurrencia del primer evento exitoso sigue una distribución geométrica. Si el primer

éxito ocurre en el n-ésimo experimento, los primeros n – 1 fueron “fracasos”. Si N

es la variable aleatoria que representa el número de experimentos hasta el primer

éxito, la función de probabilidad es:

𝑃𝑃 (𝑁𝑁 = 𝑛𝑛) = {𝐸𝐸1 ∩ 𝐸𝐸2 ∩ … ∩ 𝐸𝐸𝑛𝑛−1 ∩ 𝐸𝐸𝑛𝑛 } = (1 − 𝑝𝑝) ∙ (1 − 𝑝𝑝) ∙ 𝑝𝑝 = (1 − 𝑝𝑝)𝑛𝑛−1 ∙ 𝑝𝑝

(n-1) veces

ESPERANZA DE UNA DISTRIBUCIÓN GEOMÉTRICA:

1
𝐸𝐸 (𝑋𝑋) =
𝑝𝑝

VARIANZA DE UNA DISTRIBUCIÓN GEOMÉTRICA:

1−p
VAR(X) =
p2

Ejemplo: Al lanzar una moneda de cara roja y otra cara azul, vamos a lanzar

hasta que veamos que la primera cara azul salga. ¿Cuántos lanzamientos se

requieren para cumplir con dicho evento?

Solución:

𝑃𝑃 (𝑥𝑥 = 1) = 𝑝𝑝

𝑃𝑃(𝑥𝑥 = 2) = (1 − 𝑝𝑝)𝑝𝑝

𝑃𝑃(𝑥𝑥 = 3) = (1 − 𝑝𝑝)2 𝑝𝑝

…
23 Apunte de clase

𝑃𝑃(𝑥𝑥 = 3) = (1 − 𝑝𝑝)𝑥𝑥−1 𝑝𝑝

𝑋𝑋~𝐺𝐺(𝑝𝑝)

H. PROBABILIDAD ACUMULADA PARA UNA DISTRIBUCIÓN

GEOMÉTRICA

Por definición se sabe que la función acumulada debe cumplir con la condición:

𝐹𝐹𝑁𝑁 (𝐾𝐾 ) = 𝑃𝑃(𝑁𝑁 ≤ 𝐾𝐾)

Se puede demostrar que la función de probabilidad acumulada distribución

geométrica es (Olea, 2011, p. 57):

𝐹𝐹𝑁𝑁 (𝐾𝐾 ) = 1 − (1 − 𝑝𝑝)[𝐾𝐾]

I. TIEMPO DE RECURRENCIA Y PERIODO DE RETORNO

En algunos problemas, el tiempo T (o espacio) es discretizado en intervalos

𝑇𝑇 = 𝑁𝑁, y puede ser estimado y modelado por una secuencia Bernoulli.

El número de intervalos ocurridos hasta observar el primer evento exitoso se

denomina tiempo medio de recurrencia y corresponde al tiempo entre recurrencias.

Este tiempo se conoce como periodo de retorno:

∞
1
𝑇𝑇� = 𝐸𝐸 (𝑇𝑇) = � 𝑡𝑡𝑡𝑡(1 − 𝑝𝑝)𝑡𝑡−1 =
𝑝𝑝
𝑡𝑡=1
24 Apunte de clase

PROPIEDAD DE CARENCIA DE MEMORIA

La distribución geométrica posee esta singularidad que significa que la

probabilidad no se afecta en nada con los acontecimientos que hayan ocurrido

anteriormente. El conocimiento de los resultados previos no tiene efectos sobre las

probabilidades de los eventos futuros (Montgomery & Runger, 1998, p. 199).

Ejemplo: Una barrera en un barco pesquero de una empresa encargada de la

extracción de salmón en la Región de Los Lagos es diseñada para soportar olas de

hasta 8 metros sobre el nivel medio del mar.

Una ola de estas características tiene una probabilidad del 5% de ocurrencia por

año. Determine:

a) El periodo de retorno.

b) La probabilidad de observar una ola de estas características durante el período

de retorno.

c) Probabilidad que ocurra después del tercer año.

Desarrollo:

1 1
a) 𝑇𝑇� = 𝐸𝐸 (𝑇𝑇) = = = 20 𝑎𝑎ñ𝑜𝑜𝑜𝑜
𝑝𝑝 0,05

b) La probabilidad de observar una ola de estas características durante el

periodo de retorno:

𝑃𝑃(𝑇𝑇 ≤ 20) = 𝐹𝐹𝑁𝑁 (20) = 1 − (1 − 0,05)20

25 Apunte de clase

𝑃𝑃(𝑇𝑇 ≤ 20) = 𝐹𝐹𝑁𝑁 (20) = 1 − (0,95)20

𝑃𝑃(𝑇𝑇 ≤ 20) = 𝐹𝐹𝑁𝑁 (20) = 0,6415

c) Probabilidad que ocurra después del tercer año:

𝑃𝑃(𝑇𝑇 > 3) = 1 − 𝑃𝑃(𝑇𝑇 ≤ 3) = 1 − 𝐹𝐹𝑁𝑁 (3)

𝑃𝑃 (𝑇𝑇 > 3) = 1 − 𝑃𝑃 (𝑇𝑇 ≤ 3) = 1 − [1 − (1 − 0,05)3 ]

𝑃𝑃(𝑇𝑇 > 3) = 1 − 𝑃𝑃 (𝑇𝑇 ≤ 3) = 1 − 1 + (0,95)3

𝑃𝑃 (𝑇𝑇 > 3) = 1 − 𝑃𝑃 (𝑇𝑇 ≤ 3) = 0,857375

J. DISTRIBUCIÓN DE POISSON

Muchos problemas físicos de interés para ingenieros y científicos que implican

las ocurrencias posibles de eventos en cualquier punto en el tiempo y/o en el

espacio.

Ejemplos: Los maremotos pueden ocurrir en cualquier momento y lugar en una

región con actividad sísmica en el mundo; los derrumbes por fatiga de material

pueden producirse en cualquier punto de una estructura; los accidentes aéreos

pueden suceder en cualquier momento.

Estos ejemplos pueden ser modelados como secuencia Bernoulli, dividiendo el

tiempo o el espacio en pequeños intervalos “apropiados” de tal forma que solo un

evento puede ocurrir o no dentro de cada intervalo (ensayo Bernoulli).

No obstante, si el evento ocurre al azar en cualquier instante (o en cualquier punto

del espacio), esto puede pasar más de una vez en cualquier momento o intervalo

de espacio.
26 Apunte de clase

En dicho caso, las ocurrencias del evento pueden ser modeladas con un proceso

de Poisson o la secuencia Poisson.

Supóngase un intervalo entre 0 y 1. Se hace una partición tal que en cada

subintervalo ocurra solo 1 vez la variable en estudio; además, la probabilidad de

ocurrencia en cada intervalo es un experimento Bernoulli e independiente entre

ellos.

Supuestos:

• Un evento puede ocurrir al azar y en cualquier instante o en cualquier punto

en el espacio.

• La(s) ocurrencia(s) de un evento en un intervalo dado (o espacio) es

estadísticamente independiente a lo que ocurra en otros intervalos (o

espacios) que no se traslapen.

• La probabilidad de ocurrencia de un evento en un pequeño intervalo t es

proporcional a t, y puede estar dada por v t, donde v es la tasa de incidencia

media del evento (que se supone constante).

• La probabilidad de dos o más eventos en t es insignificante.

La función de densidad de una variable Poisson.

Para la función acumulada:

27 Apunte de clase

LA ESPERANZA DE UNA DISTRIBUCIÓN POISSON

Si el número de eventos en un intervalo fluctúa entre 0 y T, el número de eventos

estadísticamente independientes está dado por:

Donde es la tasa de ocurrencia media por unidad de tiempo, es decir:

Ejemplo: A una empresa de agricultura le interesa saber probabilidades

referentes a las lluvias en ciertas zonas. Según los datos históricos de tormentas

fuertes en una ciudad X en los últimos 20 años indican un promedio de cuatro

tormentas por año. Suponiendo que las ocurrencias de tormentas se pueden

modelar con un proceso de Poisson. Calcule la probabilidad que el próximo año no

presente tormentas de lluvias.

28 Apunte de clase

Solución:

X = Número de tormentas por año

Comentario: La tasa promedio de tormentas por año se obtiene de acuerdo con

el enunciado, ya que dice “un promedio de cuatro tormentas por año” y se multiplica

por 1, ya que el periodo es un año.

K. DISTRIBUCIÓN HIPERGEOMÉTRICA

Un conjunto de N objetos contiene K objetos clasificados como éxitos y N – K

objetos clasificados como fallas.

Se toma una muestra aleatoria de tamaño n, sin reemplazo de entre los N objetos

(K ≤ N; n ≤ N). Si la variable X = número de éxitos en la muestra, entonces X es una

variable Hipergeométrica y tiene distribución de probabilidad:

29 Apunte de clase

La esperanza y la varianza son respectivamente:

Ejemplo: Una empresa de dulces está preocupada por la cantidad de pérdida en

su producto de galletas, por lo tanto, se evalúan paquetes de galletas contienen

cada uno, 10 unidades de oblea. Consisten en sacar al azar 4 unidades del paquete

y examinarlas. Si en la muestra sale a lo más una unidad defectuosa, el paquete se

acepta; en caso contrario, el paquete se revisa completamente. ¿Cuál es la

probabilidad de que en un paquete que contiene 3 unidades defectuosas deba

revisarse completamente?

Solución:

En este caso:

𝑋𝑋 = 𝑁𝑁ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚.

𝑋𝑋 𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢𝑢𝑢 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡.

𝑁𝑁 = 10 𝑦𝑦𝑦𝑦 𝑞𝑞𝑞𝑞𝑞𝑞 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐.

𝐾𝐾 = 3 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑛𝑛ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑎𝑎𝑎𝑎 𝑞𝑞𝑞𝑞𝑞𝑞 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛.

𝑛𝑛 = 4 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑒𝑒𝑒𝑒 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑦𝑦 𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑.

Lo que se busca es la probabilidad de hallar más de una unidad defectuosa. Por

lo tanto, 𝑃𝑃(𝑋𝑋 > 1).

𝑃𝑃(𝑋𝑋 > 1) = 𝑃𝑃 (𝑋𝑋 = 2) + 𝑃𝑃(𝑋𝑋 = 3)

30 Apunte de clase

Se aplica el modelo hipergeométrico:

Pero dada la condición X puede tomar los valores 2 o 3. Se reemplaza en el

modelo:

L. DISTRIBUCIÓN NORMAL

La distribución normal se define como una distribución con forma de campana en

donde las desviaciones estándar sucesivas con respecto a la media establecen

valores de referencia para estimar el porcentaje de observaciones de los datos.

31 Apunte de clase

Estos valores de referencia son la base de muchas pruebas de hipótesis, como las

pruebas Z y t.

Fuente: support.minitab.com

Puesto que la distribución de estos datos es normal, se puede determinar

exactamente qué porcentaje de los valores está dentro de cualquier rango

específico. De esa forma, tenemos que:

• Alrededor del 95% de las observaciones está dentro de 2 desviaciones estándar

de la media, indicado por el área sombreada en azul. El 95% de los valores se

ubicará dentro de 1.96 desviaciones estándar con respecto a la media (entre

−1.96 y +1.96). Por lo tanto, menos del 5% (0.05) de las observaciones estará

fuera de este rango. Este rango es la base del nivel de significancia de 0.05 que

se utiliza para muchas pruebas de hipótesis.

• Aproximadamente el 68% de las observaciones está dentro de una 1 desviación

estándar de la media (-1 a +1), y alrededor del 99.7% de las observaciones

estarían dentro de 3 desviaciones estándar con respecto a la media (-3 a +3).

Ejemplo: Una empresa de USA decide hacer un seguimiento a sus clientes que son

adultos masculinos que residen en el estado de California. Entre muchos datos,

32 Apunte de clase

decidieron tener información sobre la estatura, la cual, notaron, sigue

aproximadamente una distribución normal.

Por lo tanto, la estatura de la mayoría de los hombres estará cerca de la estatura

media de 69 pulgadas. Un número similar de hombres serán un poco más altos y

un poco más bajos que 69 pulgadas. Solo unos pocos serán mucho más altos o

mucho más bajos. La desviación estándar es de 2.5 pulgadas.

Fuente: support.minitab.com

Aproximadamente, el 68% de los hombres de California, clientes de esta

empresa tiene una estatura de entre 66.5 (μ - 1σ) y 71.5 (μ + 1σ) pulgadas.

Fuente: support.minitab.com
33 Apunte de clase

Aproximadamente, el 95% de los hombres de California tiene una estatura de

entre 64 (μ - 2σ) y 74 (μ + 2σ) pulgadas.

Fuente: support.minitab.com

Aproximadamente, el 99.7% de los hombres de California tiene una estatura

entre 61.5 (μ - 3σ) y 76.5 (μ + 3σ) pulgadas.

Ejemplo. Una afamada productora, decide poner una fonda para fiestas patrias,

para ello hace un estudio de la temperatura en la Región Metropolitana. Y descubre

que la temperatura durante septiembre está distribuida normalmente con media

18,7ºC y desviación standard 5ºC. Entonces, desean saber la probabilidad de que

la temperatura durante setiembre esté por debajo de 21ºC y así evitar una alta

probabilidad de bajas temperaturas y, por ende, pocos clientes.

Solución:

𝜇𝜇 = 18,7°𝐶𝐶 𝜎𝜎 = 5°𝐶𝐶 𝑋𝑋 = 21°𝐶𝐶

𝑋𝑋 − 𝜇𝜇 21 − 18,7 2,3
𝑍𝑍 = = = = 0,46
𝜎𝜎 5 5
34 Apunte de clase

Luego, para 𝑍𝑍 = 0,46, podemos ver que la probabilidad es de 0,6772.

Si vemos la tabla:

Nos da la oportunidad de obtener la probabilidad de que ocurran eventos

menores a la observación buscada (en este caso 21ºC) para un valor de Z tenemos
el resultado de 67,72%
35 Apunte de clase

Bibliografía

Canavos, G. (1984). Probabilidad y estadística, aplicaciones y métodos. (1ª edición).

Estados Unidos: McGraw-Hill.

Montgomery, D. & Runger, G. (1998). Probabilidad y estadística aplicadas a la

ingeniería. (1ª edición). Arizona, Estados Unidos: McGraw-Hill.

Newbold, P.; Carlson, W. & Thorne, B. (2009). Estadística para la administración y

economía. (6ª edición). Nueva Jersey, Estados Unidos: Pearson, Prentice-Hall.

Olea, R. (2011). Estadística para ingeniería. Apuntes Curso de verano TAV. Chile.

Pontificia Universidad Católica de Chile.

Si usted desea referenciar este documento, considere la siguiente

información:

Bocaz, C. (2019). Variables aleatorias: Discretas y Continuas. Apunte de clase

Semana 1, Estadística Aplicada, Universidad UNIACC.

36 Apunte de clase