CAPÍTULO 3 “INTRODUCCIÓN A LA PROBABILIDAD”

Alejandra Marín Cobo

Unidad Central del Valle del Cauca

Ing Industrial

Control Estadístico de Procesos

Tuluá, 2023
Preguntas
1. Señale qué es una variable aleatoria e incluya un par de ejemplos de

variables aleatorias discretas y otro par de continuas. ...................................................... 4

2. ¿Qué es una distribución de probabilidad? ................................................. 4

3. ¿Qué es una función de densidad de probabilidades y qué requisitos debe

cumplir? 5

4. Explique en cada caso qué tipo de variables siguen una distribución binomial,

de Poisson e hipergeométrica. .......................................................................................... 6

Mencione dos ejemplos de cada una de ellas. ...................................................... 6

5. ¿Cuál es la relación entre la distribución normal y la distribución ¡¡-cuadrada?

.......................................................................................................................................... 7

6. ¿Cómo se relaciona la distribución T de Student con la ji-cuadrada? .............. 8

7. El departamento de compras inspecciona un pedido de 500 piezas eléctricas,

para lo cual toma una muestra aleatoria de 20 de ellas y se prueban. El vendedor asegura

que el porcentaje de piezas defectuosas es sólo de 5%, así, suponiendo el peor de los

casos según el vendedor, p = 0.05, responda lo siguiente: ............................................... 9

a) ¿Cuál es la probabilidad de que el porcentaje muestral de defectuosos sea

mayor a 10%? ............................................................................................................... 9

b) ¿Cuál es la probabilidad de obtener una o menos piezas defectuosas? ...... 10

8. Un proceso de producción de partes trabaja con un porcentaje promedio de

defectos de 5%. Cada hora se toma una muestra aleatoria de 18 artículos y se prueban.

Si la muestra contiene más de un defecto el proceso deberá detenerse. ......................... 10

a) Calcule la probabilidad de que el proceso se detenga debido al esquema de

muestreo. .................................................................................................................... 10
 b) De acuerdo con lo contestado en a), ¿considera que el esquema de muestreo

es adecuado o generará demasiadas interrupciones? .................................................. 11

9. Un fabricante de calculadoras electrónicas desea estimar la proporción de

unidades defectuosas producidas, para ello toma una muestra aleatoria de 250 y

encuentra 25 defectuosas. Con base en esto el fabricante afirma que el porcentaje de

calculadoras defectuosas que se produce es de 10%, es real esta afirmación? Argumente

su respuesta. .................................................................................................................... 11
 1. Señale qué es una variable aleatoria e incluya un par de ejemplos de

variables aleatorias discretas y otro par de continuas.

Una variable aleatoria es una función que asigna valores numéricos a los

posibles resultados de un experimento aleatorio. En otras palabras, es una cantidad que

puede variar aleatoriamente y cuyo valor depende de los resultados del evento o proceso

aleatorio que se está estudiando.

2. ¿Qué es una distribución de probabilidad?

Una distribución de probabilidad es una descripción sistemática de todos los

posibles valores que puede tomar una variable aleatoria y la probabilidad asociada a

cada uno de esos valores. En otras palabras, es una manera de organizar y representar la

información sobre las probabilidades de los diferentes resultados que una variable

aleatoria puede tener en un experimento o proceso aleatorio.

Hay dos tipos principales de distribuciones de probabilidad:

Distribuciones de probabilidad discretas: Se utilizan para variables aleatorias

discretas, que toman valores aislados y separados. Ejemplos de distribuciones discretas

incluyen la distribución binomial, la distribución de Poisson y la distribución

geométrica.

Distribuciones de probabilidad continuas: Se utilizan para variables aleatorias

continuas, que pueden tomar cualquier valor dentro de un rango. Estas distribuciones

son descritas mediante funciones de densidad de probabilidad. Ejemplos de

distribuciones continuas incluyen la distribución normal (o gaussiana), la distribución

exponencial y la distribución uniforme.

3. ¿Qué es una función de densidad de probabilidades y qué requisitos

debe cumplir?

Una función de densidad de probabilidad (PDF por sus siglas en inglés,

Probability Density Function) es una función matemática que describe la probabilidad

de que una variable aleatoria continua tome un valor particular. A diferencia de las

variables aleatorias discretas, donde se asignan probabilidades a valores específicos, en

el caso de variables continuas, la probabilidad se encuentra en intervalos de valores.

La función de densidad de probabilidad debe cumplir con los siguientes

requisitos.

1. No negatividad: La función de densidad de probabilidad debe ser siempre no

negativa en todo su dominio. Esto significa que su valor no puede ser menor que cero.

2. Integral total igual a 1: La integral de la función de densidad de probabilidad

sobre todo su rango debe ser igual a 1. Esto asegura que la probabilidad total abarca

todos los posibles valores de la variable continua.

\[ \int_{-\infty}^{\infty} f(x) \, dx = 1 \]

3. Probabilidad en un intervalo: La probabilidad de que la variable aleatoria

caiga dentro de un intervalo dado se calcula integrando la función de densidad de

probabilidad sobre ese intervalo.

\[ P(a \leq X \leq b) = \int_{a}^{b} f(x) \, dx \]

 4. Propiedad de normalización: La función de densidad de probabilidad debe

cumplir la propiedad de normalización, lo que significa que su área total bajo la curva

debe ser igual a 1. Esto garantiza que la probabilidad total de todos los posibles

resultados sea igual a 1.

4. Explique en cada caso qué tipo de variables siguen una distribución

binomial, de Poisson e hipergeométrica.

Mencione dos ejemplos de cada una de ellas.

Las distribuciones binomial, de Poisson e hipergeométrica son tres tipos

diferentes de distribuciones de probabilidad que modelan diferentes tipos de

experimentos y situaciones. A continuación, explicaré en qué casos cada una de estas

distribuciones es apropiada:

1. Distribución Binomial: La distribución binomial se utiliza para modelar

experimentos en los que hay dos posibles resultados (éxito o fracaso) en cada intento, y

la probabilidad de éxito es constante en todos los intentos. Las siguientes condiciones

son típicas de los experimentos que siguen una distribución binomial:

- Hay un número fijo de intentos o ensayos, denotados por "n".

- Cada intento tiene dos resultados posibles: éxito o fracaso.

- La probabilidad de éxito en cada intento es "p" y la probabilidad de fracaso

es "1 - p", donde "p" es constante en todos los intentos.

- Los intentos son independientes entre sí.

2. Distribución de Poisson: La distribución de Poisson se utiliza para modelar

eventos raros o poco frecuentes que ocurren en un intervalo continuo de tiempo o

espacio. Las siguientes condiciones son típicas de los experimentos que siguen una

distribución de Poisson:

- Se refiere a eventos que ocurren en un intervalo continuo, como tiempo o

espacio.

- Los eventos ocurren de manera independiente en el tiempo o espacio.

- La tasa promedio de ocurrencia de los eventos es constante y denotada por

"λ".

3. Distribución Hipergeométrica: La distribución hipergeométrica se utiliza para

modelar experimentos de muestreo sin reemplazo, donde se toma una muestra de

elementos de una población finita. Las siguientes condiciones son típicas de los

experimentos que siguen una distribución hipergeométrica:

- Hay una población finita de tamaño "N".

- La muestra se toma sin reemplazo, lo que significa que los elementos no se

devuelven a la población después de ser seleccionados.

- El experimento involucra la cuenta de elementos exitosos y no exitosos en la

muestra.

5. ¿Cuál es la relación entre la distribución normal y la distribución ¡¡-

cuadrada?

1. Distribución Chi-cuadrada como suma de cuadrados de variables normales:

Cuando se suman los cuadrados de variables aleatorias normales independientes y

estándar, el resultado sigue una distribución chi-cuadrada. Esta propiedad se utiliza en

pruebas estadísticas como la prueba chi-cuadrada de independencia o la prueba chi-

cuadrada de bondad de ajuste.

 2. Distribución t de Student y la distribución normal estándar: La distribución t

de Student se deriva de una distribución normal estándar dividiendo una variable

normal estándar por la raíz cuadrada de una variable chi-cuadrada dividida por sus

grados de libertad. La distribución t se utiliza principalmente para realizar pruebas de

hipótesis cuando el tamaño de la muestra es pequeño y la desviación estándar

poblacional es desconocida.

3. Distribución F de Fisher-Snedecor y la distribución chi-cuadrada: La

distribución F de Fisher-Snedecor es una distribución que surge de la relación entre dos

variables chi-cuadrada divididas por sus grados de libertad. Se utiliza en análisis de

varianza y comparaciones de varianzas en diferentes grupos.

6. ¿Cómo se relaciona la distribución T de Student con la ji-cuadrada?

La relación entre la distribución t de Student y la distribución chi-cuadrada está

relacionada con la forma en que se deriva la distribución t a partir de una variable

aleatoria normal y una variable aleatoria chi-cuadrada.

La distribución t de Student se utiliza en estadísticas para realizar inferencias

sobre medias poblacionales cuando el tamaño de la muestra es pequeño y la desviación

estándar poblacional es desconocida. La distribución t tiene forma de campana, similar a

la distribución normal, pero con colas más amplias.

La relación entre la distribución t y la distribución chi-cuadrada se explica de la

siguiente manera:

1. Distribución t y la distribución normal estándar: Supongamos que tenemos

una variable aleatoria Z que sigue una distribución normal estándar (con media 0 y

desviación estándar 1). Además, tenemos una variable aleatoria chi-cuadrada (X²) con
"n" grados de libertad. Si dividimos Z entre la raíz cuadrada de (X² / n), el resultado

sigue una distribución t de Student con "n" grados de libertad.

2. Uso en pruebas de hipótesis: La distribución t de Student se utiliza en pruebas

de hipótesis para comparar medias poblacionales cuando el tamaño de la muestra es

pequeño y la desviación estándar poblacional es desconocida. La distribución chi-

cuadrada también puede estar involucrada en estas pruebas, ya que se utiliza para

estimar la varianza poblacional a partir de los datos de la muestra.

7. El departamento de compras inspecciona un pedido de 500 piezas

eléctricas, para lo cual toma una muestra aleatoria de 20 de ellas y se prueban. El

vendedor asegura que el porcentaje de piezas defectuosas es sólo de 5%, así,

suponiendo el peor de los casos según el vendedor, p = 0.05, responda lo siguiente:

a) ¿Cuál es la probabilidad de que el porcentaje muestral de defectuosos sea

mayor a 10%?

10% de 20 = 2

𝑝(𝑥 ≥ 2) = 1 − 𝑝(𝑥 ≤ 2)

𝑝(𝑥 ≤ 2) = 𝑝(𝑥 = 0) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 2)

20
𝑝(𝑥 = 0) = ( ) (0,05)0 (1 − 0,05)20 = 0,3585
0

20
𝑝(𝑥 = 1) = ( ) (0,05)1 (1 − 0,05)19 = 0,3774
1

20
𝑝(𝑥 = 2) = ( ) (0,05)2 (1 − 0,05)18 = 0,1887
2

𝑝(𝑥 ≤ 2) = 0,9246
 𝑝(𝑥 ≥ 2) = 1 − 0,9246 = 0,0754 = 7,54%

Según los cálculos realizados, la probabilidad de que el 10% de las piezas en la

muestra sea defectuosa es de 0,0754.

b) ¿Cuál es la probabilidad de obtener una o menos piezas defectuosas?

20
𝑝(𝑥 = 0) = ( ) (0,05)0 (1 − 0,05)20 = 0,3585
0

20
𝑝(𝑥 = 1) = ( ) (0,05)1 (1 − 0,05)19 = 0,3774
1

𝑝(𝑥 ≤ 1) = 0,7359

La probabilidad de obtener una cantidad igual o menor a una pieza defectuosa es

de 0.7359, lo que equivale al 73.59% de la muestra aleatoria.

8. Un proceso de producción de partes trabaja con un porcentaje promedio

de defectos de 5%. Cada hora se toma una muestra aleatoria de 18 artículos y se

prueban. Si la muestra contiene más de un defecto el proceso deberá detenerse.

a) Calcule la probabilidad de que el proceso se detenga debido al esquema de

muestreo.

Datos

P = 0,05

q = 0,95

n = 18

18
𝑝(𝑥 = 0) = ( ) (0,05)0 (1 − 0,05)18 = 0,3972
0

18
𝑝(𝑥 = 1) = ( ) (0,05)1 (1 − 0,05)17 = 0,3763
1
 𝑝(𝑥 > 1) = 1 − 𝑝(𝑥 ≤ 1)

𝑝(𝑥 > 1) = 1 − 0,7735 = 0,2265 = 22,65%

La probabilidad de que el proceso se interrumpa debido al esquema de muestreo

es de 0.2265.

b) De acuerdo con lo contestado en a), ¿considera que el esquema de muestreo

es adecuado o generará demasiadas interrupciones?

Si se lleva a cabo el proceso con interrupciones, dado que en cada hora se

seleccionan 18 artículos, el 22.65% de ellos estarán defectuosos, lo que resultará en

unidades defectuosas por hora.

9. Un fabricante de calculadoras electrónicas desea estimar la proporción

de unidades defectuosas producidas, para ello toma una muestra aleatoria de 250 y

encuentra 25 defectuosas. Con base en esto el fabricante afirma que el porcentaje

de calculadoras defectuosas que se produce es de 10%, es real esta afirmación?

Argumente su respuesta.

Datos

n= 250 calculadoras electrónicas (tamaño de muestra)

x= 25 calculadoras electrónicas defectuosas

p= 0,10 (probabilidad de calculadoras electrónicas defectuosas)

250
𝑝(𝑥 = 25) = ( ) (0,10)25 (1 − 0,10)225 = 0,0838 = 8,38%
25

Se anticipa que el 8.38% de la muestra contendrá 25 unidades defectuosas, en

contraste con la afirmación del fabricante de un 10%.