Estadistica 2 I - Und

ESTADISTICA 2
EXPERIMENTO ALEATORIO: Ei
Un experimento aleatorio es cualquier hecho o fenómeno cuyo resultado no puede
predecirse antes de que sea realizado.
Ejemplos :
E1 : Observar si una máquina excavadora está encendido o no.
E2 : Determinar el tiempo que una excavación tarda hasta encontrar la veta.
E3 : Determinar el ganador de cuatro contratistas que participan para la exploración de cierta
mina.
E4 : Decidir donde situar dos nuevas plantas recicladoras en Trujillo.
ESPACIO MUESTRAL: i
Se define así, al conjunto de todos los resultados posibles de un experimento aleatorio.
A los elementos del espacio muestral se les conoce como “puntos muestrales”.
Ejemplos :
El espacio muestral asociado a los experimentos anteriores.
1 : encendido , apagado
2 : 0 meses. , 1 mes. , ... , etc.
3 : B1 , B2 , B3 , B4 donde Bi :representa al i-ésimo excavación.
4 : R1 , R2 ,..., Rn donde Ri : representa algún lugar de Trujillo.
SUCESO O EVENTO : Ai
Es un subconjunto del espacio muestral. Se clasifica en :
1) Suceso elemental : Cuando Ai contiene exactamente un punto muestral, es decir:

Ai = un solo elemento
2) Suceso Compuesto : Son aquellos Ai que contienen más de un punto muestral, es decir
Ai = 2 ó + elementos
3) Suceso Imposible : Es aquel Ai que no contiene algún punto muestral, es decir:
Ai =  
4) Suceso Seguro : Es aquel Ai que contiene todos los elementos del espacio muestral, es
decir :
Ai = 
2018-I - Universidad Nacional de Trujillo -4-
ESTADISTICA II
Ejemplo : El servicio de garantia de cierta herramienta para laboratorio de materiales evalúa

el funcionamiento de una plancha términca como: fácil de operar, de dificultad
mediana o difícil de operar; y respecto a su precio, como: cara o barata ¿De
cuantas maneras diferentes puede clasificarse la plancha térmica por dicho
servicio?
Solución:
Cara
Fácil de Operar
Barata
Cara
Inicio Dificultad Mediana
Barata
Cara
Difícil de Operar
Barata
 El espacio muestral será  = (F,C),(F,B),(M,C),(M,B),(D,C),(D,B) 
Luego el suceso donde la plancha térmica sea cara será :

A1 : (F,C) , (M,C) , (D,C) 
EJERCICIO EN CLASE
1. Un ingeniero de materiales debe evaluar las caracteristicas de cierto numero de

muestras de suelo el lunes, martes, miércoles o jueves, a las 8 a.m., 1 p.m. ó 2 p.m.
Dibujar el diagrama del árbol que muestre las varias formas en que puede ocurrir dicha
inspección.
a) Encuentre el espacio muestral.
b) Encuentre el suceso donde la revisión se realice a las 8 a.m.
c) Encuentre el suceso donde la revisión se realiza el lunes jueves a las 8a.m.
-5- Universidad Nacional de Trujillo - 2021-1

ESTADISTICA 2
2. Un almacén contiene 12 herramientas para medir PH de las cuales 2 están defectuosas.

Obtener las diferentes posibilidades cuando extraemos 3 herramientas al azar y además
el suceso cuando de las tres extracciones 1 herramienta resultó defectuosa.

ESTADISTICA II

ESTADISTICA 2
3. Guillermo Bravo (Estudiante de Ingeniería) va a resolver un corto examen de sólo dos

preguntas. Ambas son de opción múltiple y hay cuatro posibles respuestas. En vista de
que Guillermo no ha estudiado para el examen, escribe los números 1, 2 , 3 y 4 sobre
tiras de papel y selecciona una de éstas para responder a la pregunta 1 . Repite el
proceso para la pregunta 2 . ¿Cuántas posibles respuestas podrían aparecer?
PROBABILIDAD DE UN SUCESO: P(Ai)
La probabilidad de un evento o suceso es la razón entre el número de sucesos

favorables y el número total de sucesos posibles, siempre que todos los resultados posibles

ESTADISTICA II
del experimento aleatorio sean igualmente probables; es decir cada uno de los elementos del
espacio muestral tienen la misma probabilidad de salir.
N(A) Donde : N(A) : Es el Nº de elementos que tiene el evento A

P(A) = (Número de sucesos favorables)
N()
N() : Es el Nº de elementos que tiene el espacio muestral
(Número de casos posibles)
PROPIEDADES :
Si A es un evento imposible,  P(A) = 0.
Si A es un evento seguro,  P(A) = 1.
La probabilidad de un evento A es igual a la unidad menos la probabilidad de su complemento.
Es decir : P(A) = 1 - P(A´)
Si A1 y A2 son dos eventos tal que A1  A2 , entonces P(A1)  P(A2).
Si A1 y A2 son dos eventos cualesquiera, entonces
P(A1  A2) = P(A1) + P(A2) - P(A1  A2).
Si A1 y A2 son dos eventos mutuamente excluyentes, entonces
P(A1  A2) = P(A1) + P(A2).
La probabilidad de un evento cualesquiera (A) , siempre estará comprendida entre 0 y 1. Es
decir : 0  P(A)  1
Ejemplo: Un nuevo gerente de Recursos Humanos de una empresa minera es sometido a tres
exámenes de conocimientos y actitud (Preguntas Objetivas: Verdadero, falso).
Calcular las probabilidades de los siguientes sucesos:
a) Que los tres exámenes apruebe.
b) Que ninguno de los exámenes apruebe.
c) Al menos un examen apruebe.
d) Que apruebe dos exámenes.
Solución :
1er exám. 2do exám. 3er exám.
A  AAA
A
D  AAD
A
A  ADA
D
Inicio D  ADD
ESTADISTICA 2
A  DAA
A
D  DAD
D
A  DDA
D
D  DDD
Entonces :  = AAA , AAD , ADA , ADD , DAA , DAD , DDA , DDD 
Luego : N() = 8
a) A1 = AAA  N(A1) = 1
Luego P(A1) = N(A1) / N() = 1/8
b) A2 =  DDD  N(A2) = 1
Luego P(A2) = N(A2) / N() = 1/8
c) A3 =  AAA , AAD , ADA , ADD , DAA , DAD , DDA   N(A3) = 7
Luego P(A3) = N(A3) / N() = 7/8
d) A4 =  AAD , ADA , DAA   N(A4) = 3
Luego P(A4) = N(A4) / N() = 3/8

ESTADISTICA II
Ejercicio 1. Un almacén tiene 12 baterías para volquete de las cuales 3 baterías están
defectuosas; Obtener la probabilidad cuando extraemos 3 baterías al azar (con reposición) y se
obtiene 1 batería defectuosa y cuando se obtiene todas las baterías defectuosas.
Ejercicio 2. Un almacén tiene 12 baterías para volquete de las cuales 3 baterías están
defectuosas; Obtener la probabilidad cuando extraemos 3 baterías al azar (sin reposición) y se
obtiene 1 batería defectuosa y cuando se obtiene todas las baterías defectuosas.
PROBABILIDAD CONDICIONAL
Para definir la probabilidad condicional debemos tener en claro lo siguiente:
- Dos sucesos son independientes cuando la ocurrencia o no ocurrencia de un

suceso no tiene efecto sobre la probabilidad de ocurrencia del otro suceso; es decir :

ESTADISTICA 2
P(A1A2) = P(A1)P(A2)
- Dos sucesos son dependientes cuando la ocurrencia o no ocurrencia de uno

de ellos afecta la probabilidad de ocurrencia del otro suceso, es decir:
P(A1A2) = P(A1)P(A2A1)
Definición :- Sea un evento A2 con P(A2)  0 , la probabilidad condicional de que ocurra el

evento A1, dado que ha ocurrido A2, se define como:
P(A1A2)
P(A1A2) =
P(A2)
Si A1 y A2 son dos eventos independiente; entonces : P(A1A2)=P(A1)
Ejemplo 1: Los alumnos de la U.N.T. que pertenecen a las carreras de Ing. de Sistemas, Ing
Civil e Ing. Metalúrgica. Se clasifican por sexo y carrera tal como sigue:
Sexo \ Carrera Sistemas Civil Metalúrgica Total

Hombres 250 350 200 800
Mujeres 100 50 50 200
Total 350 400 250 1000
Se selecciona un estudiante aleatoriamente de esta Población, y se sabe que el estudiante es

HOMBRE
a) ¿Calcular la probabilidad de que estudie Ing. Sistemas?
b) ¿Calcular la probabilidad de que estudie Ing. Civil?
Solución :
a) Tenemos como B1: estudiante HOMBRE y B2 : estudiante MUJER
Tenemos como A1 : estudiante de la carrera Ing. Sistemas.

A2 : estudiante de la carrera Ing. Civil.
A3 : estudiante de la carrera Ing. Metalúrgica.
P(A1B1) 250/1000
Entonces P(A1B1) = = = 0.3125
P(B1) 800/1000
P(A2B1) 350/1000
b) Entonces P(A2B1) = = = 0.4375
P(B1) 800/1000

ESTADISTICA II
Ejemplo 2: La Empresa minera Yanacocha tiene en su almacén, una urna que contiene 100
muestras de cobre de 3 cm3 de volumen de los cuales 10 de ellos son defectuosos.
Además contiene 50 muestras de cobre de 2 cm3 de volumen y 5 muestras de cobre
de la misma dimensión están defectuosos. Si se escoge una muestra de cobre al
azar y se sabe que es DEFECTUOSO ¿Cuál es la probabilidad que sea de 3 cm3 de
volumen?
Solución:
Condición \ Tamaño 3 cm3 2 cm3 Total

Defectuosa 10 5 15
No defectuosa 90 50 140
Total 100 55 155
P(3 Pulg  D)
P(3 Pulg D) =
P(D)
P(D) = 10/155 + 5/155 = 15/155

P(3 Pulg  D) = 10/155
P(3 Pulg  D) 10/155

P(3 Pulg D) = = = 10/15 = 0.667
P(D) 15/155

ESTADISTICA 2
TEOREMA DE BAYES
El procedimiento de la composición de los eventos para resolver los problemas de la

probabilidad se facilita algunas veces al considerar el espacio muestral  como una unión de
subconjuntos que son mutuamente excluyentes. Es decir, se supone que
 = B1B2 ... Bk con Bi Bj =  para ij . Entonces cualquier subconjunto A de  se puede
escribir como:
A = A = A(B1B2 ... Bk)

= (AB1)(AB2) ... (ABk)
Entonces observamos que
P(A) = P(AB1) + P( AB2) +... + P(ABk)

= P(B1)P(AB1) + P(B2)P(AB2) + P(B3)P(AB3)
k
=  P(Bi)P(ABi)
i=1
Una probabilidad condicional de la forma P(BjA) se puede calcular como
P(ABj) P(Bj)P(ABj)
P(BjA) = =
P(A) k
 P(Bi)P(ABi)
i=1
Esta fórmula para la probabilidad condicional se llama Regla de Bayes.
Ejemplo: Un campamento minero recibe sus reguladores de voltaje de tres proveedores: 60%
del proveedor B1, 30% del proveedor B2, y 10% del proveedor B3. Si 95% de los
reguladores de voltaje que provienen de B1,80% de los reguladores del proveedor
B2, y el 65% de los reguladores proporcionados por B 3 tienen un rendimiento de
acuerdo con las especificaciones, queremos conocer la probabilidad de que un
regulador de voltaje específico, cuyo rendimiento corresponde a las especificaciones
, provenga del proveedor B3.
Solución 1:
0.05 D  P(B1)P(A B1) = 0.03
B1
0.60 0.95 N  P(B1)P(A B1) = 0.57

ESTADISTICA II
0.20 D  P(B2)P(A B2) = 0.06

Inicio B2
0.30 0.80 N  P(B2)P(A B2) = 0.24
0.35 D  P(B3)P(A B3) = 0.035

0.10 B3
0.65 N  P(B3)P(A B3) = 0.065
Si denotamos a A el evento de que un regulador recibido por el campamento minero tiene

rendimiento confirme a las especificaciones.
P(B3)P(A B3)
P(B3 A) =
3
 P(Bi)P(A Bi)
i=1
(0.10)(0.65)
P(B3 A) =
(0.60)(0.95) + (0.30)(0.80) + (0.10)(0.65)
P(B3 A) =0.074
La probabilidad de que un regulador de voltaje sea proporcionado por B 3 disminuye de 0.10 a

0.074, una vez que se sabe que el rendimiento corresponde a las especificaciones.
Solución 2:
Condición \ proveedor B1 B2 B3 Total

Defectuosa
No defectuosa
Total
EJERCICIOS en clase
1. Sobre un estante hay cinco pilas secas, una de las cuales está descargada. Usted
escoge dos pilas para colocarlas en su linterna. ¿Cuál es la probabilidad de que la
linterna no funcione, debido a que compró una pila descargada?

ESTADISTICA 2
2. Una minera tiene almacenados nueve motores diferentes, dos de los cuales fueron
suministrados por un proveedor en particular. Se deben distribuir los motores en tres
líneas de producción, con tres motores en cada línea. Encuentre la probabilidad de que
los dos motores del proveedor especificado sean asignados a la primera línea, si la
asignación de los mismos es aleatoria.
3. Existen dos métodos A y B para enseñar a los trabajadores cierta habilidad minera. El
porcentaje de fracasos es 20% para A y 10% para B. Sin embargo, B cuesta más y por
eso se utiliza solamente en el 30% de los casos (se utiliza A en el otro 70%). Se entrenó
a un trabajador según uno de los dos métodos pero no logró aprenderlo correctamente.
¿Cuál es la probabilidad de que haya recibido el entrenamiento con el método A?

ESTADISTICA II

ESTADISTICA 2
VARIABLE ALEATORIA
Se dice que X es una v. a. si es una función que tiene como dominio (Conjunto de
partida) a los elementos de un espacio muestral () y como rango (Conjunto de llegada) a los
elementos de los números Reales.
Simbólicamente se expresa así :
X: R
Ejemplo : Consideremos el experimento del gerente de Recursos humanos de una empresa

minera que se somete a tres exámenes de conocimientos y actitud.
Entonces  = AAA,AAD,ADA,ADD,DAA,DAD,DDA,DDD
Ahora solo nos interesa el número de veces que sale aprobado (A).
Es decir ; Sea X : Nº de veces que sale aprobado (A).
Entonces tenemos:
X(AAA) = 3 veces aprobado.
X(AAD) = X(ADA) = A(DAA) = 2
X(ADD) = X(ADA) = X(DDA) = 1
X(DDD) = 0
Como se puede observar, X actúa sobre los elementos de  , obteniendo como
números reales : 0,1,2,3 .
Entonces se dice que X es una v. a.
Gráficamente se puede observar de la siguiente manera:
 AAA R
AAD
ADA 3
DAA
ADD 2
DAD
DDA 1
DDD
0
Donde : D x = AAA , AAD , ADA , ADD , DAA , DAD , DDA , DDD

R x = 0 , 1 , 2 , 3 

ESTADISTICA II
VARIABLES ALEATORIAS DISCRETAS
Se dice que X es una v. a. discreta si el rango de la v. a. X es un conjunto finito o

infinito numerable.
FUNCION DE PROBABILIDAD
Sea X una v.a. discreta con rango Rx , asociamos a ella una función
P(x) = P(X = x) =  P(A)

A / X(A) = x
y satisface las siguientes condiciones :
(a) P(x)  0 ,  x  R x
(b)  P(x) =  P(X = x) = 1

xRx xRx
Además P(X) = P(X = x) = 0 si x  R x
DISTRIBUCION DE PROBABILIDAD DE X
Se llama a la colección de pares ( X,P(X) ) ,  x  R x cuya representación tabular es :
Rx x1 x2 ... xk
P(X) = P(X = x) P(x1) P(x2) ... P(xk)
y su representación gráfica es :
P(x2)
P(xk)
P(x1)
x1 x2 ... xk
Ejemplo : En el ejemplo anterior consideremos y definimos a X: Nº de veces que el gerente

salía Aprobado. Dar la distribución de probabilidad en forma tabular y gráfica.
Solución :
R x =  0 , 1 , 2 , 3  y  = AAA , AAD , ADA , DAA , ADD , DAD , DDA , DDD

ESTADISTICA 2
Luego :
P(0) = P(x = 0) = P(DDD) = 1/8

P(1) = P(x = 1) = P(ADD) + P(DAD) + P(DDA) = 1/8 + 1/8 + 1/8 = 3/8
P(2) = P(x = 2) = P(AAD) + P(ADA) + P(DAA) = 1/8 + 1/8 + 1/8 = 3/8
P(3) = P(x = 3) = P(AAA) = 1/8
Representación Tabular :
Rx 0 1 2 3
P(X) 1/8 3/8 3/8 1/8
Representación Gráfica:
P(x)
3/8
1/8
0 1 2 3 x
FUNCION DE DISTRIBUCION DE UNA VARIABLE DISCRETA
Sea X una v. a. discreta con rango R x y función de probabilidad P(x) ; sea x un número real
cualquiera , la Función de Distribución de X se denota por ¨F(x)¨ y se define como :
F(x) = P( X  x ) =  P(xi) =  P(X = xi )

xi  x xi  x
Ejemplo : En un campamento minero, se sabe por experiencia que un nuevo trabajador debe
asistir a un programa de capacitación de la mina. Si el campamento minero tiene
450 trabajadores de las cuales 125 no asistieron a dicho programa 100 asistieron 1
vez, 60 asistieron por 2 veces, 80 asistieron por 3 veces y 85 por 4 veces. Ahora si
se selecciona al azar un trabajador y hacemos X: Nº de veces que este trabajador
haya asistido al programa de capacitación de la mina. Calcular y dar la función de
distribución.
Solución :
Tenemos X : Nº de veces que asistió al programa de capacitación.

X : 0 , 1 , 2 , 3 , 4 .  R x = 0 , 1 , 2 , 3 , 4 
Ahora calculamos la Función de Probabilidad :
P(0) = 125/450
P(1) = 100/450
P(2) = 60/450

ESTADISTICA II
P(3) = 80/450
P(4) = 85/450
Luego Calculamos la Función de Distribución:
Representación Tabular:
Rx 0 1 2 3 4
P(X) 125/450 100/450 60/450 80/450 85/450
F(X) 125/450=0.28 225/450=0.5 285/450=0.63 365/450=0.8 450/450=1
0 1
Representación Gráfica:
0 , si x0
0.28 , si 0x1
Entonces : F(X) = 0.50 , si 1x2
0.63 , si 2x3
0.81 , si 3x4
1 , si 4x
F(x)
0.81
0.63
0.50
0.28
0 1 2 3 4 x
VARIABLES ALEATORIAS CONTINUAS
Si el Rango Rx , de una v. a. X es un intervalo o una colección de intervalos sobre la

recta de los reales, entonces X se llama v. a. continua .
FUNCION DE PROBABILIDAD
Sea X una v. a. continua con Rx tal que es un intervalo o unión de intervalos. La

Función de Densidad de Probabilidad asociado a la v. a. X es una función (x) integrable que
satisface las siguientes condiciones :
(1)f ( x)≥0, ∀ x∈R x

(2)∫ f ( x) ó ∫ f ( x)dx=1
Cuya gráfica es :

ESTADISTICA 2
f(x)
- +
Luego la probabilidad de un evento A =  x / a  x  b se define :

a
P(A) = P(a  x  b) =  (x) dx
b
y su gráfica sería : f(x)
- x=a x=b +
Ejemplo : En el campamento de MARSA, el consumo diario de energía eléctrica (en millones

de Kilowatt-hora) es una v. a. con función de densidad.
x , 0x1
f(x) = 2-x , 1x2
0 , en otros casos
Hallar :
a) La gráfica de f(x) c) P( x  4)
b) P( -1  x  ½ ) d) P( ¼  x  3/2 )
Solución :
a)
f(x)
1-
0 1 2 x

ESTADISTICA II
1/2 0 1/2
x 2 1/2 1
b ) P(-1 ≤ x ≤ 1/2)= ∫ f ( x)= ∫ 0 dx+ ∫ xdx= |0 =
−1 −1 0 2 8
c) Ejercicio .
d) Ejercicio .

ESTADISTICA 2
FUNCION DE DISTRIBUCION
Sea X una v. a. continua con función de densidad f(x), la función de distribución o

función de distribución de la variable aleatoria X se denota por “F(x)” , y se define así :
x
F(x) = P(X  x) =  f(t) dt ,xR
-
cuya gráfica es :
f(x)
- x +
F( x ) = P( X  x )
ESPERANZA MATEMATICA
Definición : Sea x una variable aleatoria discreta con una distribución de probabilidad p(x) , y
sea E(x) el valor esperado o promedio de x , entonces :
E(x) =  x p(x)
donde se suman los elementos para todos los valores de la variable aleatoria x
VARIANZA
Definición : La varianza 2 de una v. a. d. es el valor esperado de ( x - E(x) )2 , es decir :
2 = E( x - E(x)2 =  (x - E(x) )2 p(x)

ESTADISTICA II
Ejemplo : Sea x una v.a. con la distribución de probabilidad dada en la tabla siguiente :
x p(x)
-1 0.05
0 0.10
1 0.40
2 0.20
3 0.10
4 0.10
5 0.05
Determinar el valor esperado y la varianza.
Solución :
E(x) =  x p(x) = (-1)(0.05) + (0)(0.10) + ... + (5)(0.05) = 1.70
V(x) =  ( x - E(x))2p(x) = (-1-1.70)2(0.05) + (0-1.70)2(0.10) + ..+(5-1.70)2(0.05) = 2.11
Ejemplo : Un distribuidor de maquinaria para laboratorio de materiales ofrece una utilidad

adicional de $20 por una maquinaria si es embarcado de la fábrica en perfectas
condiciones y si llega a tiempo; pero la reduce en $2 si no llega a tiempo y en $12,
sin importar el hecho de que llegue a tiempo, si no es embarcada desde la fabrica
en perfectas condiciones. Si el 70% de las maquinarias son embarcados en
perfectas condiciones y llegan a tiempo , el 10% son embarcados en perfectas
condiciones pero no llegan a tiempo y el 20 % no son embarcadas en perfectas
condiciones, ¿ cuál es la utilidad que puede esperar el distribuidor por cada
maquinaria para laboratorio de materiales?
Solución :
El distribuidor concederá la utilidad de $20 el 70% de las veces

de $18 el 10% de las veces
de $08 el 20% de las veces
Utilidad Esperada = 20(0.70) + 18(0.10) + 08(0.20) = $ 17.40

ESTADISTICA 2
EJERCICIOS EN CLASE
1. Se sabe que un grupo de cuatro componentes contiene dos defectuosos. Un ingeniero de
materiales prueba los componentes uno por uno hasta encontrar los dos defectuosos. Una
vez encontrado el segundo defectuoso, se concluye la prueba, pero se prueba el segundo
defectuoso como comprobación. Sea X el número de pruebas necesarias hasta encontrar
el segundo defectuoso. Encuentre la función de probabilidad y la de distribución para X.
2. Una compañía subarrendataria (SERVI) debe preparar una propuesta para ganar un
contrato de evaluacion de suelos en un asiento minero. El costo de prepararla es $5,000 y
las probabilidades de obtener utilidades brutas potenciales de $50,000 , $30,000 , $10,000
o $0 son de 0.20 , 0.50 , 0.20 y 0.10 , respectivamente, suponiendo que la propuesta sea
aceptada. Si la probabilidad de que la propuesta sea aceptada es 0.30, ¿Cuál es la
utilidad neta esperada?
3. En el campamento de CHAVIMOCHIC, el consumo diario de energía eléctrica (en millones

de Kilowatt-hora) es una v. a. con función de densidad.
x/2 , 0x1
f(x) = 4 – x/2 , 1x8
0 , en otros casos

ESTADISTICA II
Hallar :
a) La gráfica de f(x) c) P( x  4)
b) P( -1  x  1½ ) d) P( ¼  x  5/2 )
ENSAYOS Y DISTRIBUCION DE BERNOULLI
Hay muchos problemas en la cual el experimento consiste de n sub-ensayos E 1 , E2 , E3

, ..., En , donde cada sub-experimento Ei tiene solo dos resultados posibles, llamados Éxito “E”
y fracaso “F” .
Es decir para cada Ei se tiene su espacio muestral i = E , F. Un sub-experimento o
ensayo con esta característica se llama un ENSAYO DE BERNOULLI .
Los n ensayos de bernoulli, E1 , E2 , ... , En , se llama un proceso de Bernoulli si cumple
las siguientes condiciones :

ESTADISTICA 2
a) Cada ensayo tiene solo dos resultados posibles, denominados por Éxito “E” y Fracaso “F”.
b) La probabilidad de Éxito denotado por “p”permanece constante de ensayo a ensayo, por lo
tanto la probabilidad de fracaso es “q =1-p” , también permanece constante.
c) Los ensayos sucesivos son independientes, es decir el resultado de un ensayo cualquiera
es independiente de los resultados de los ensayos anteriores.
DISTRIBUCION BINOMIAL
El espacio muestral de los n ensayos , tiene 2 n elementos, de los cuales son una
sucesión de n símbolos E y F . Es decir  = EEEFFEF...FEF,...
definimos ahora una variable aleatoria de la siguiente manera:
X: Nº de éxitos obtenidos en los n ensayos de Bernoulli luego Rx = 0,1,2,...,n
Entonces la v.a. X así definida se llama una VARIABLE ALEATORIA BINOMIAL
Y la distribución de probabilidad de la v.a. binomial X , se lla DISTRIBUCION
BINOMIAL y se denota frecuentemente por b(X:n,p)
La distribución Binomial de la v.a. X es :
n p x q n−x
P( X )=P( X =x )= x
{( )
0
(1) La Media de v.a. Binomial es :  = E(X) = np
(2) La varianza de la v.a. Bonomial es :  2 = V(X) = npq
Ejemplo : Se asegura que en el 60% de las instalaciones de agua cuidando el medio

ambiente, los gastos de servicios se reducen al menos en una tercera parte. De
acuerdo con lo anterior ¿Cuáles son las probabilidades de que se reduzcan al
menos en una tercera parte en
a) cuatro de cinco instalaciones.
b) al menos cuatro de cinco instalaciones.
Solución:
La v.a. esta definida así : X: Nº de veces que se reduzcan al menos en una 1/3 parte los
gastos de servicio de 5 instalaciones.
R x = 0,1,2,3,4,5
Estamos interesados en X = 4 y tenemos n = 5 , p = 0.60 , q = 0.40
Luego :

ESTADISTICA II
P( x)=P( x=x= ( nx ) p q
x n−x
Reemplazando P ( X=4 )= 5 (0. 60 )4 (0 . 40)5−4 =0 . 259

()
4
Estamos interesados que X tome valores de 4 y 5
5
n 5 5
() () ()
P( X= x)= ∑ p x q n−x = (0 .60) 4 (0 .40 )1+ (0 . 60)5 (0 . 40)0
x=4 x 4 5
=0. 259+0. 078=0 .337
Aplicación de la Distribución Binomial en una muestra
(1) Cuando los elementos de la muestra se extraen con o sin reemplazo de una población
infinita.
(2) Cuando los elementos de la muestra se extraen con reemplazo de una muestra finita.
NOTA IMPORTANTE
En la práctica se extrae una muestra sin reemplazo de una población finita, cuando el
tamaño de ésta es pequeño en relación con el de la población (tamaño de la muestra no mayor
que el 10% de la población) y siempre que “p” no sea cerca a 0 ni a 1.

ESTADISTICA 2
Ejemplo : La máquina vaciadora A produce, 5% de lingotes defectuosas. Se extrae una

muestra aleatoria de 4 lingotes de la producción de la máquina vaciadora A. ¿cuál es la
probabilidad de que la muestra tenga 1 lingote defectuoso de la máquina A?¿Cuál es la
probabilidad de que la muestra tenga 3 ó 4 lingotes defectuosos?.
Solución :
X : Nº de lingotes defectuosos de una muestra de 4 lingotes de la máquina vaciadora A.
R x = 0 , 1 , 2 , 3 , 4
con P = 0.05 y P = 0.10
a ) Tenemos que X=1

P( X =1)= 4 0 . 051 0 . 953 =0 .171475
()
1
b ) Tenemos que X=3 ó X=4
4 4
() ()
P( X ≥3 )= 0. 053 0. 951 + 0 . 054 0 . 950 =0 .000475+0. 0000062=0. 0004812
3 4
DISTRIBUCION DE POISSON
Diremos que los eventos discretos que se generan en un intervalo continuo (unidad de
medida: longitud, área, volumen, etc. ) forman un proceso de Poisson con parámetro  , si
tiene la siguientes propiedades :
1) El número de éxitos, que ocurre en una unidad de medida es conocido e igual a  .
2) La ocurrencia de un evento en una unidad h no afecta a la ocurrencia o no ocurrencia de
otro intervalo no trasladado de longitud h (Es decir, la ocurrencia de los sucesos son
independientes)
3) Sea una unidad de medida suficientemente pequeño de longitud h , luego :
(i) La probabilidad de un éxito en esta unidad pequeña es proporcional a la longitud del
intervalo, esto es : h .
(ii) La probabilidad de 2 o más éxitos en esta unidad pequeña es aproximadamente 0.
En un proceso de Poisson de parámetro  se observa t unidades de medida, definimos
a X de la siguiente manera :
X : número de ocurrencia de eventos en las t unidades de medida.
Entonces R x =  0 , 1 , 2 , ... 
La variable aleatoria así definida se llama v. a. de Poisson y la distribución de probabilidad de

X se llama Distribución de Poisson la cual esta definida por :

ESTADISTICA II
ℓ− λ t ( λ t )x
P( X= x )=
0
{ x!
,
, x=0,1,2 , .. . ,
en otros casos
Donde:  t: Número de ocurrencias de los eventos en las t unidades de medida.
Nota : La Distribución de Poisson tiende a la Distribución Binomial , cuando p es pequeño y

n es grande. Tal que np permanece casi constante. ( = n p) y la Función de
Distribución esta dado por :
ℓ− λ ( λ )x
P( X= x )=
0
{x!
,
, x=0,1,2 ,. . .,
en otros casos
Media de Distribución de Poisson :  = 
Varianza de la Distribución de Poisson : 2 = 
Ejemplo : El ingeniero supervisor de la mina de Yanacocha, indica un promedio de 2

llamadas a su nextel cada 3 minutos. ¿Cuál es la probabilidad de que ocurran
hasta 5 llamadas o más en un promedio de 9 minutos ? y ¿Cuál de que no haya
llamadas a su nextel en dicho periodo ?
Solución :
Sea X : Número de llamadas a su nextel en un periodo de 9 minutos

Entonces  t = (2)( 3) = 6
Luego la Distribución de probabilidad de X es
6 x e-6
P(X = x) = x = 0,1,2,...
x!
4
6x e-6
a) P(X  5) = 1- P(X  4) = 1-   1  0.285  0.715
x=0 x!
b) P(X = 0) = e-6 = 0.0025
Ejemplo : La empresa Aceros Arequipa produce ciertas planchas de acero bajo cierto peso
específico. Se sabe que la probabilidad de que una plancha de acero sea
defectuosa es 0.02. En un lote de 100 piezas, ¿Cuál es la probabilidad de que no

ESTADISTICA 2
hallan planchas de acero defectuosas? ¿Cuál es la probabilidad de que haya, a lo

sumo 3 planchas de acero defectuosas?
Solución :
n = 100 p = 0.02 Luego  = n p = (100)(0.02) = 2
Sea X : Número de planchas de acero defectuosas en 100 planchas de acero
Entonces:
2 x e -2
P(X = x) =
x!
a) P(X = 0) = e -2 = 0.135335
3
2 x e -2 19 e -2
b) P(X  3) = 
x=0 x!
=
3
= 0.857123

ESTADISTICA II
EJERCICIOS en clase
6. Si la probabilidad de que cierto análisis de muestra de suelo no esté bien analizado es
0.05. ¿Cuáles son las probabilidades de que entre 16 análisis de muestras de suelo
a) a lo máximo dos no estén bien analizados;
b) al menos cuatro no estén bien analizados?
7. Un lote grande de fusibles para expectrómetro de emision atomica supuestamente

contiene solamente el 5% de defectuosos, determine la probabilidad de que se encuentren
al menos tres defectuosos en una muestra aleatoria de 20 fusibles para expectrómetro de
emision atomica.
8. En un almacén de un campamento minero los requerimientos llegan, conforme una

distribución de Poisson con un promedio de siete requerimientos por hora. ¿Cuál es la
probabilidad de que:
a) lleguen al menos dos requerimientos, en dos horas?
b) no lleguen más de tres requerimientos, en hora y media?
c) lleguen exactamente cinco requerimientos en 45 minutos?
ESTADISTICA 2

ESTADISTICA II
9. Al inspeccionar la aplicación de estaño por un proceso de soldadura continua, se

descubren en promedio 0.2 imperfecciones por minuto. Calcúlese las probabilidades de
descubrir :
a) una imperfección en 3 minutos; y b) al menos dos imperfecciones en 5 minutos.
DISTRIBUCION NORMAL
Una variable aleatoria continua X, se dice que está distribuida normalmente. con media
-     y varianza  2  0 , si su función de densidad de probabilidad está dada por :
- (x -  ) 2
1
f(x) = e 2 2
, -  x  
 2
Una notación muy usada para la distribución Normal es :

X N (  ,  2 ) que se lee : “La variable X esta distribuida normalmente con media  y
varianza  2 ”

ESTADISTICA 2
Una propiedad de la distribución Normal es su simetría respecto a la recta x=.

La gráfica de la función de Probabilidad y función de Distribución es :
1/2 -
1/2e
-  + X
Una propiedad importante de la Distribución Normal es su simetría respecto a la recta

x =  pues:
Y2
1
f(  + y) = f(  - y) = e -
2 2
 2
La función de distribución acumulativa de la variable aleatoria X distribuida normalmente esta
dada por :
x ( r−μ )2
−
1 2σ 2
F( x )=P( X≤x )=∫ e dr
−∞ σ √2 π
La grafica de la Función de distribución Acumulativa es :
f(x) F(x)
P(X  x)
1/2
x  X 0  X
La media de la distribución Normal esta dada por :

E(x)=
La varianza de la Distribución Normal esta dada por :
V ( x ) = 2

ESTADISTICA II
DISTRIBUCION NORMAL ESTANDARIZADA
Si Z es una v.a. que tiene una distribución Normal con media  = 0 y varianza
 2 = 1 , entonces a Z se le llama v.a. Normal estándar y su función de densidad es :
- Z2
1
f(x) = e 2
, -  Z  
2
La función de distribución de z se denota por N z ( z ) y esta dada por :
z t2
1 −
2
F( X≤x )=∫ e dt
−∞ √ 2 π
Los valores de esta función están tabulados y se dan en tablas especiales.
Cualquier v. a. X normal con media  y varianza  2 puede ser transformada a una

variable aleatoria estandarizada z . mediante la sgte. transformación.
x-
z =

donde : E(Z)=0 y V(Z)=1
Representación Gráfica :
f(z)
-3 -2 - + +2 +3

68.26 %
95.46 %
99.74 %
DISTRIBUCION T DE STUDENT

ESTADISTICA 2
Definición :- Sea Z una variable aleatoria normal con media 0 y varianza 1. Y sea Y una
variable aleatoria que tiene una distribución Chi-Cuadrado con r grados de
libertad, y si Z e Y son independientes, entonces la variable aleatoria
Z Z r
T = =
Y Y
r
Se dice que tiene una Distribución t - de Student ( o Distribución t ) con r grados de libertad.
La media y la varianza de la Distribución t están dados por :

 = E(T) = 0 ,r1
 2
= Var ( T ) =
r
r -2
,r2
La Distribución t es simétrica y centrada alrededor de t = 0 .


Por lo tanto la probabilidad de que la variable aleatoria T sea menor o igual a una constante
t = t  es  ; gráficamente :
0 t
P(Tt)=
DISTRIBUCION CHI - CUADRADO
Definición :- Sean X 1 , X 2 , X 3 , ... X r , variables aleatorias independientes, distribuidas

normalmente, cada una con media 0 y varianza 1 . la variable aleatoria
2 = X21 + X22 + X23 + ... + X2r
Se dice que es una variable aleatoria Chi - Cuadrado con r grados de libertad.
El grado de libertad r , es el número de variables aleatorias independientes que se suman.

ESTADISTICA II
La media y la varianza de la variable aleatoria Chi - Cuadrado esta dado por :
 = E ( 2 ) = r
2 = Var ( 2 ) = 2r
Es decir , la media es igual al número de grados de libertad y su varianza es igual a dos veces
el número de grados de libertad.
Cuando (r = grado de libertad) aumenta la Distribución Chi - Cuadrado se aproxima a
una Distribución Normal. Por esta razón, es que en la práctica, cuando r es grande ( r  30 ).
La probabilidad de la Chi - Cuadrado pueden calcularse empleando aproximación Normal.
Se puede encontrar en la Tabla la probabilidad de que la v.a. 2 que tiene una distribución Chi
- Cuadrado ( 2 ( r ) , 0    30 ) sea menor o igual a un valor constante 2  representado por :
P ( X  2  ) =  , 0    1
Gráficamente :
1-
0 2  2
P ( X  2  ) = 
DISTRIBUCION F DE FISHER
En muchas situaciones estaremos interesados en comparar las varianzas de dos

variables aleatorias independientes distribuidas normalmente.
Definición : Sea U y V dos variables aleatorias independientes que tiene distribuciones Chi-
Cuadrado , con r1 y r2 grados de libertad, respectivamente . Entonces la variable
aleatoria :
U
r1
F =
V
r2
Tiene una distribución F con r1 y r2 grados de libertad.
La media y la varianza de la v.a. F están dadas por :

ESTADISTICA 2
 F = E(F) =
r2
r2  2
r2  2
2 r 22 ( r 1 + r 2  2)
 F
2
= Var ( F ) =
r 1 ( r 2  2) 2 ( r 2  4)
r2  4
Las distribuciones F son asimétricas hacia la derecha. La probabilidad de que la variable

aleatoria f sea menor o igual que la variable f  esta dado graficamente :
1-
0  f  F
P ( F  f ) = 

ESTADISTICA II
EJERCICIOS en clase
1. Ciertos estudios demuestran que el rendimiento de 1 galón de gasolina para
motoniveladoras compactos vendidos en EE.UU., tiene una distribución normal, con un
rendimiento promedio de 30.5 kilómetros por galón y una desviación estándar de 4.5
kilómetros por galón. Si un fabricante desea diseñar una motoniveladora compacta
más económico que el 95 % de las motoniveladoras compactos vendidos en EE.UU.
¿Cuál debe ser el rendimiento mínimo de la motoniveladora nueva?
2. Ciertos pipetas de vidrio moldeados por inyección son cortados automáticamente en

longitudes nominales de 6 pulgadas. Las longitudes reales están distribuidos

ESTADISTICA 2
normalmente alrededor de la media de 6 pulgadas y sus desviaciones son 0.06

pulgadas.
a) ¿Qué proporción de pipetas pasan los Límites de T., que son de 5.9 a 6.1
pulgadas?
b) ¿A qué valor es necesario reducir la desviación estándar si 99% de las pipetas
debe estar dentro de los límites de tolerancia?

Estadistica 2 I - Und

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica 2 I - Und

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA 2

1) Suceso elemental : Cuando Ai contiene exactamente un punto muestral, es decir:

Ejemplo : El servicio de garantia de cierta herramienta para laboratorio de materiales evalúa

 El espacio muestral será  = (F,C),(F,B),(M,C),(M,B),(D,C),(D,B) 

Luego el suceso donde la plancha térmica sea cara será :

1. Un ingeniero de materiales debe evaluar las caracteristicas de cierto numero de

-5- Universidad Nacional de Trujillo - 2021-1

2. Un almacén contiene 12 herramientas para medir PH de las cuales 2 están defectuosas.

2018-I - Universidad Nacional de Trujillo -6-

-7- Universidad Nacional de Trujillo - 2021-1

3. Guillermo Bravo (Estudiante de Ingeniería) va a resolver un corto examen de sólo dos

PROBABILIDAD DE UN SUCESO: P(Ai)

La probabilidad de un evento o suceso es la razón entre el número de sucesos

2018-I - Universidad Nacional de Trujillo -8-

N(A) Donde : N(A) : Es el Nº de elementos que tiene el evento A

1er exám. 2do exám. 3er exám.

Entonces :  = AAA , AAD , ADA , ADD , DAA , DAD , DDA , DDD 

Luego P(A1) = N(A1) / N() = 1/8

Luego P(A2) = N(A2) / N() = 1/8

c) A3 =  AAA , AAD , ADA , ADD , DAA , DAD , DDA   N(A3) = 7

Luego P(A3) = N(A3) / N() = 7/8

d) A4 =  AAD , ADA , DAA   N(A4) = 3

Luego P(A4) = N(A4) / N() = 3/8

2018-I - Universidad Nacional de Trujillo -10-

Para definir la probabilidad condicional debemos tener en claro lo siguiente:

- Dos sucesos son independientes cuando la ocurrencia o no ocurrencia de un

-11- Universidad Nacional de Trujillo - 2021-1

- Dos sucesos son dependientes cuando la ocurrencia o no ocurrencia de uno

Definición :- Sea un evento A2 con P(A2)  0 , la probabilidad condicional de que ocurra el

Si A1 y A2 son dos eventos independiente; entonces : P(A1A2)=P(A1)

Sexo \ Carrera Sistemas Civil Metalúrgica Total

Se selecciona un estudiante aleatoriamente de esta Población, y se sabe que el estudiante es

a) Tenemos como B1: estudiante HOMBRE y B2 : estudiante MUJER

Tenemos como A1 : estudiante de la carrera Ing. Sistemas.

2018-I - Universidad Nacional de Trujillo -12-

Condición \ Tamaño 3 cm3 2 cm3 Total

P(D) = 10/155 + 5/155 = 15/155

P(3 Pulg  D) 10/155

-13- Universidad Nacional de Trujillo - 2021-1

El procedimiento de la composición de los eventos para resolver los problemas de la

A = A = A(B1B2 ... Bk)

Entonces observamos que

P(A) = P(AB1) + P( AB2) +... + P(ABk)

Una probabilidad condicional de la forma P(BjA) se puede calcular como

Esta fórmula para la probabilidad condicional se llama Regla de Bayes.

0.05 D  P(B1)P(A B1) = 0.03

2018-I - Universidad Nacional de Trujillo -14-

0.20 D  P(B2)P(A B2) = 0.06

0.35 D  P(B3)P(A B3) = 0.035

Si denotamos a A el evento de que un regulador recibido por el campamento minero tiene

La probabilidad de que un regulador de voltaje sea proporcionado por B 3 disminuye de 0.10 a

Condición \ proveedor B1 B2 B3 Total

-15- Universidad Nacional de Trujillo - 2021-1

2018-I - Universidad Nacional de Trujillo -16-

-17- Universidad Nacional de Trujillo - 2021-1

Simbólicamente se expresa así :

Ejemplo : Consideremos el experimento del gerente de Recursos humanos de una empresa

Donde : D x = AAA , AAD , ADA , ADD , DAA , DAD , DDA , DDD

2018-I - Universidad Nacional de Trujillo -18-

VARIABLES ALEATORIAS DISCRETAS

Se dice que X es una v. a. discreta si el rango de la v. a. X es un conjunto finito o

P(x) = P(X = x) =  P(A)

y satisface las siguientes condiciones :