ESTADISTICA INFERENCIAL

ESCUELA DE INGENIERIA INDUSTRIAL

Docente: Ms. Selene Claudelina Yengle Del Castillo

syengled@upao.edu.pe
 VARIABLES
ALEATORIAS Y
DISTRIBUCIONES DE
PROBABILIDAD
SEMANA 05
¿Qué características observamos?
Variables cualitativas o cuantitativas?

Variables discretas o continuas?

• Ingresos diarios en una empresa.
• Nº de clientes que llegan diariamente a un comercio.
• Nº de automóviles que llegan a una estación de servicio.
• Nº de llamadas telefónicas que recibe una secretaria.
• Edad de las personas.
• Tiempo de vida de un producto.
• Nº de artículos defectuosos de un proceso productivo.
• Distancia recorrida por un auto.
 LOGRO DE LA SESIÓN
Al finalizar la sesión, el estudiante se
encontrará en la capacidad de
comprender y utilizar las distribuciones
de probabilidad mas importantes para la
aplicación en el contraste de hipótesis,
mostrando con precisión en sus
Figura 1. Cómo Determinar el Tamaño de la Muestra de una Encuesta Online. QuestionPro (2020).

resultados.
¿Qué es una variable aleatoria?

Una variable aleatoria es una

variable que toma valores
numéricos determinados por el
resultado de un experimento
aleatorio.
EJEMPLOS
• Nº de caras al lanzar 6 veces
una moneda (valores: 0, 1, 2,
3, 4, 5, 6 )
• Nº de llamadas que recibe
un teléfono en una hora.
• Tiempo que esperan los
clientes para pagar en un
supermercado…
TIPOS DE VARIABLES ALEATORIAS
Las variables aleatorias pueden ser discretas o
continuas:
• Discretas: el conjunto de posibles valores es
numerable. Suelen estar asociadas a experimentos
en que se mide el número de veces que sucede algo.
• Continuas: el conjunto de posibles valores es no
numerable. Puede tomar todos los valores de un
intervalo. Son el resultado de medir.
EJEMPLOS PRACTICOS
Clasificar como discretas o continuas las siguientes variables
aleatorias:
• Nº de páginas de un libro →
• Tiempo que tarda en fundirse una bombilla →
• Nº de preguntas en una clase de una hora →
• Cantidad de agua consumida en un mes →
Distribución Variable Aleatoria Discreta

• Sea x una variable aleatoria discreta. Su distribución

viene dada por los valores que puede tomar, x1, x2,
x3, …, xk, y las probabilidades de que aparezcan p1,
p2, p3, …, pk. Estas cantidades reciben el nombre de
función de probabilidad o función de masa.
Características de la variable aleatoria discreta
• Media o Esperanza Matemática (µ): es el valor
esperado o medio que toma dicha variable o
como el valor central de dicha distribución.
µ=E(X)=∑[X.P(X)]
• Varianza (σ2):
σ2= ∑[(X – µ)2.P(X)]
σ2= E(X2) – µ2
Donde: E(X2)= ∑[X2.P(X)]
• Desviación Estándar o típica (σ):

  2
 EJEMPLO
Variable aleatoria X= Nº de interruptores
defectuosos al verificar tres interruptores
termo magnéticos consecutivamente.

Posibles valores de X: 0, 1, 2 y 3
Verificar tres interruptores termo magneticos:

Ω={DDD,DDN,DND,NDD,NND,NDN,DNN,NNN}
N° INTERRUPTORES DEFECTUOSOS:
3 2 2 2 1 1 1 0
La variable aleatoria X:
• Toma valor 0 cuando ocurre el evento {NNN}
• Toma valor 1 cuando ocurre el evento
{NND,NDN,DNN}
• Toma valor 2 cuando {DDN,DND,NDD}
• Toma valor 3 cuando {DDD}
 X: Nº interruptores Función de Probabilidad Función de Distribución
defectuosos f(X)=P(X=xi) o Acumulada F(X)
0 P(X=0)=1/8=0.125 F(0)=0.125
1 P(X=1)=3/8=0.375 F(1)=0,125+0,375=0.5
2 P(X=2)=3/8=0.375 F(2)=0.875
3 P(X=3)=1/8=0.125 F(3)=1
Total 1

Función de Probabilidad de X: Función de Distribucion de X:

0.40 1.0

0.35 0.8

0.30
0.6

0.25
0.4
0.20

0.2
0.15

0.10 0.0
0 2 3 0 1 2 3
1
• ¿Cuál será la probabilidad de que se encuentren
al menos dos interruptores defectuosos?
P(X≥2)=P(X=2)+P(X=3) = 0.375+ 0.125 = 0.5

• ¿y cuál es la probabilidad de que existan entre 1

y 2 interruptores defectuosos, inclusive?
P(1≤ X ≤ 2) = P(X=1)+P(X=2)
= 0.375+0.375
=0.75
 X: Nº Bolsas Función de
cemento con Probabilidad X*P(X) X2*P(X)
rajadura f(X)=P(X=xi)
0 P(X=0)=1/8=0.125 0(0.125)=0 02(0.125)=0
1 P(X=1)=3/8=0.375 1(0.375)=0.375 12(0.375)=0.375
2 P(X=2)=3/8=0.375 2(0.375)=0.75 22(0.375)=1.5
3 P(X=3)=1/8=0.125 3(0.125)=0.375 32(0.125)=1.125
Total 1 ∑[X.P(X)]=1.5 ∑[X2.P(X)]=3

• El número promedio de interruptores defectuosos es

de:
µ=E(X)=∑[X.P(X)]=1.5 interruptores defectuosos
• La varianza es:
σ2= E(X2) – µ2 = ∑[X2.P(X)] – µ2
= 3 – (1.5)2 = 0.75
• La desviación estándar es:
  0.75  0.8660
Distribución Variable Aleatoria Continua
• Sea x una variable aleatoria continua. Si queremos conocer su
distribución de probabilidad no nos vale la función de probabilidad
empleada con las discretas (cada valor con su probabilidad
asociada) porque toma muchos valores. La probabilidad asociada a
cada valor es prácticamente nula (la función de distribución es
continua).
• Emplearemos la función de densidad. Se interpreta de forma
parecida al histograma. Expresa la “densidad” o concentración de
probabilidad en cada zona. Expresa las probabilidades por áreas.
Sus valores más altos corresponden a zonas en las que es más
probable que aparezcan resultados del experimento aleatorio.
Características de la variable aleatoria continua
• Media o valor esperado (µ): La idea de media o
esperanza de una variable aleatoria continua es
equivalente pero su cálculo es algo más complicado
porque requiere emplear el concepto de integral.

   xf (x)

• Varianza (σ2):

   ( x   ) 2 f ( x)dx
2


• Desviación Estándar o típica (σ):

  2
 CASO PRÁCTICO 01
Una compañía ha vendido 205 boletos para un avión de 200
asientos. Sea x la variable aleatoria que expresa el nº de viajeros
que va al aeropuerto para viajar en el avión. Su distribución es:

xi 198 199 200 201 202 203 204 205

pi 0,05 0,09 0,15 0,20 0,23 0,17 0,09 0,02

a) Hallar la probabilidad de que todos los viajeros que van al

aeropuerto tengan asiento.
P(X≤ 200) = P(X=198) + P(X=199) + P(X=200)
= 0.05 + 0.09 + 0.15 = 0.29
b) Obtener la probabilidad de que se quede sin asiento alguno de
los viajeros que va al aeropuerto.
P(X>200)= P(X=201)+P(X=202) + P(X=203) + P(X=204) + P(X=205)
= 0.20 + 0.23 + 0.17 + 0.09 + 0.02 = 0.71
Otra forma:
P(X>200)= 1 - P(X≤ 200)
= 1 – 0.29 = 0.71
c) Calcular el nº esperado de viajeros que acude al
aeropuerto.
µ = ∑[X.P(X)]
µ= (198x0.05)+(199x0.09)+(200x0.15)+(201x0.2)+
+(202x0.23)+(203x0.17)+(204x0.09)+(205x0.02)=
µ=201.44
d) ¿Cuál es la probabilidad de que la primera persona de la
lista de espera tenga sitio en el vuelo?
P(X≤199) = P(X=198) + P(X=199)
= 0.05 + 0.09 = 0.14
CASO PRÁCTICO 02
Sea x una variable aleatoria que expresa el nº de
personas que habitan en una vivienda elegida al
azar. La distribución de probabilidad de x es la
siguiente:

xi 1 2 3 4 5 6 7 8ó+
pi 0,230 0,322 0,177 0,155 0,067 0,024 0,015 0,010

a) Comprobar que es una distribución de probabilidad.

Todas las pi son mayores o iguales que cero y además
se cumple que:
8


i1
pi  0,23  0,322  0,177...0,010  1
b) Hallar la probabilidad de que el nº de personas que viven en un
hogar sea menor o igual que cuatro.

P x  4  P x  1  P x  2  P x  3  P x  4 
 0,23  0,322  0,177  0,155  0,884

c) Calcular la probabilidad de que al menos dos personas vivan en

una vivienda.

P x  2  P x  2  P x  3...` P x  8 
 1  P( x  2)  1  0,23  0,77

d) Obtener el nº medio de personas que habitan en una vivienda.

µ = (1x0.23) + (2x0.322) + (3x0.177) + ….+ (8x0.01) =
µ = 2.689
 ¿Qué es una distribución de probabilidad?
Una distribución de probabilidad es aquella que permite establecer
toda la gama de resultados probables de ocurrir en un experimento
determinado. Es decir, describe la probabilidad de que un evento se
realice en el futuro. ... La probabilidad de un resultado específico está
entre cero y uno.
T-STUDENT CHI-CUADRADO
Distribuciones de Probabilidad
Binomial y Poisson
 DISTRIBUCION BINOMIAL
Una distribución binomial es una distribución de probabilidad
discreta que describe el número de éxitos al realizar n
experimentos independientes entre sí, acerca de una variable
aleatoria.
Imaginemos el lanzamiento de una moneda en el que definimos el
suceso “sacar cara” como el éxito. Si lanzamos 5 veces la moneda y
contamos los éxitos (sacar cara) que obtenemos, nuestra
distribución de probabilidades se ajustaría a una distribución
binomial.
Por lo tanto, la distribución binomial se entiende como una serie
de pruebas o ensayos en la que solo podemos tener 2 resultados
(éxito o fracaso), siendo el éxito nuestra variable aleatoria.
Función de Probabilidad:
La variable aleatoria x tiene una distribución binomial como sigue:
n!
f ( x)  P( X  x)  * p x * (1  p ) n  x
x!(n  x)!
Donde:
x=0, 1, 2, …, n
p= probabilidad de éxito
q=1-p: probabilidad de fracaso
n: N° de ensayos o repeticiones o pruebas
Con media, varianza y desviación estándar: E ( X )    n. p
V ( X )   2  n. p.q
  n. p.q
EJEMPLO 01
La probabilidad de que un artículo producido por una fabrica sea
defectuoso es p = 0.02. Se envió un cargamento de 10000 artículos
a unos almacenes. Hallar el número esperado de artículos
defectuosos, la varianza y la desviación típica.
Solución:
p=0.02
q=1-p= 1- 0.02=0.98
n= 10000
µ=n.p=10000(0.02)=
σ2=n.p.q= 10000(0.02)(0.98)=
EJEMPLO 02
Un equipo requiere a lo más 10% de servicios en garantía. Para
comprobarlo se compran 20 de estos equipos y se someten a pruebas
aceleradas de uso para simular el uso durante el periodo de garantía.
a) Obtener la probabilidad para P(x≤4).
b) Obtener la probabilidad para P(X≥5).
c) Obtener la probabilidad para P(4≤ x≤7).
EJEMPLO 03
Un laboratorio afirma que una droga causa efectos secundarios en una
proporción de 3 de cada 100 pacientes. Para contrastar esta afirmación,
otro laboratorio elige al azar a 5 pacientes a los que aplica la droga.
¿Cuál es la probabilidad de los siguientes eventos?
a) Ningún paciente tenga efectos secundarios.
b) Al menos dos tengan efectos secundarios.
c) ¿Cuál es el número medio de pacientes que espera laboratorio que
sufran efectos secundarios si elige 100 pacientes al azar?
 DISTRIBUCIÓN DE POISSON
La distribución de Poisson se utiliza para modelar datos discretos como
aproximación a la Binomial dada la dificultad que existía de encontrar
tabla Binomiales adecuadas cuando n es grande y p pequeña. La
distribución de probabilidad de Poisson proporciona buenas
aproximaciones cuando np ≤ 5.
Se aproxima a la binomial cuando p es igual o menor a 0.1, y el tamaño
de muestra es grande (n > 16) por tanto np > 1.6.
FUNCION DE PROBABILIDAD
Una Variable aleatoria X tiene distribución Poisson si toma probabilidades
como sigue:
e   .x
f ( X )  P( X ) 
x!
Donde:
λ= media o promedio de éxitos por unidad de tiempo, área o producto.
X= variable que nos denota el número de éxitos que se desea que ocurra
X=0, 1, 2, …
e = épsilon equivalente a 2.718
ʎ = µ = np
Características
En este tipo de experimentos los éxitos buscados son expresados por
unidad de área, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.
EJEMPLO 03
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles
son las probabilidades de que reciba,
a) cuatro cheques sin fondo en un día dado,
b) 10 cheques sin fondos en cualquiera de dos días consecutivos?
EJEMPLO 04
Suponga que una compañía de seguros asegura las vidas de 5000
hombres de 42 años de edad. Si los estudios actuales muestran que la
probabilidad de que un hombre muera en cierto año es 0.001,
¿Cuál es la probabilidad de que la empresa pague exactamente 4
indemnizaciones en un cierto año?
EJEMPLO 05
En la inspección de hojalata producida por un proceso electrolítico
continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar
a) una imperfección en 3 minutos,
b) al menos dos imperfecciones en 5 minutos,
c) cuando más una imperfección en 15 minutos.