UNIVERSIDAD NACIONAL HERMILIO VALDIZÁN

FACULTAD DE CIENCIAS DE LA EDUCACIÓN

Escuela Profesional
SESIÓN 3

Matemática y Física

Inferencia Estadística

Prof. Jesús VILCHEZ GUIZADO

07/09/2023 J. Vilchez
¿Qué ya saben? -¿Qué probabilidad tengo de
estar enfermo?

 En el ejemplo anterior, al llegar un individuo a la - En principio un 2%. Le haremos

consulta tenemos una idea a priori sobre la unas pruebas.
probabilidad de que tenga una enfermedad.

 A continuación se le pasa una prueba diagnóstica

que nos aportará nueva información: Presenta
glucosuria o no.

 En función del resultado tenemos una nueva idea

(a posteriori) sobre la probabilidad de que esté
enfermo. - Presenta glucosuria. La
 Nuestra opinión a priori ha sido modificada probabilidad ahora es del
45,6%.
por el resultado de un experimento.
 ¿Qué ya se debe haber estudiado?
 Espacio muestral y eventos
 Álgebra de sucesos
 Unión, intersección, complemento
 Probabilidad
 Nociones
 Frecuentista
 Subjetiva o Bayesiana
 Axiomas
 Probabilidad condicionada Ahora toca a
 Reglas de cálculo estudiar
 Complementario, Unión, Intersección distribución
 Independencia de eventos de
 Sistema exhaustivo y excluyente de sucesos
probabilidad
 Teorema probabilidad total.
 Teorema de Bayes
 Pruebas diagnósticas

 A priori: Incidencia, prevalencia.

 Eficacia de la prueba: Sensibilidad, especificidad.

 A posteriori: Índices predictivos.

 Variable aleatoria
 El resultado de un experimento aleatorio puede ser descrito en ocasiones
como una cantidad numérica.

 En estos casos aparece la noción de variable aleatoria

 Función que asigna a cada suceso un número.

 Las variables aleatorias pueden ser discretas o continuas (como hicieron en el

curso anterior).

 En las siguientes transparencias vamos a recordar conceptos de temas

anteriores, junto con su nueva designación. Los nombres son nuevos. Los
conceptos no.

4
Función de probabilidad (V. Discretas)

 Asigna a cada posible valor de

una variable discreta su
probabilidad.

 Recuerda los conceptos de frecuencia

relativa y diagrama de barras.

 Ejemplo
 Número de caras al lanzar 3
monedas.

5
 Valor esperado y varianza de una v.a. X
 Valor esperado
 Se representa mediante E[X] ó μ
 Es el equivalente a la media
 Más detalles: Ver Módulo 1.

 Varianza
 Se representa mediante VAR[X] o σ2
 Es el equivalente a la varianza
 Se llama desviación típica a σ
 Más detalles: Ver módulo 1.
 RESUMEN
 Distribución de probabilidad: lista de todos los posibles resultados
de un experimento junto con las probabilidades de cada resultado.
 Variable: la cantidad que es resultado de un experimento que, por
azar, puede suponer distintos valores.
✓ Variable aleatoria discreta: es una variable que solo puede tomar
ciertos valores en un rango determinado.
✓ Variable aleatoria continua: es una variable que puede tomar
cualquier valor dentro de un rango determinado.
 Distribución de probabilidad discreta
En teoría de la probabilidad y estadística, la distribución de probabilidad
de una variable aleatoria es una función que asigna a cada suceso
definido sobre la variable la probabilidad de que dicho suceso ocurra
En teoría de la probabilidad, la distribución discreta es una distribución de
probabilidad que asume un número finito de valores con la misma
probabilidad.
Por ejemplo, una distribución discreta describe la probabilidad de que las unidades
familiares de Cayhauyna tengan 0, 1, 2, 3 o 4 motos. La Dirección de Vehículos
Automotores pudiera utilizar esta información para determinar la probabilidad de
que cada unidad familiar tenga 2 o menos vehículos.

La distribución discreta se utiliza comúnmente en la configuración de calidad del

servicio en algunos lugares, tales como centros de atención al cliente, hospitales e
instituciones financieras.
 Distribuciones discretas:
Entre las distribuciones de probabilidad discreta más
conocidas, destacan:
✓ Bernoullí
✓ Binomial
✓ Poisson
✓ Hipergeométrica
✓ Geométrica
 1. Distribución de Bernoulli
Experimento de base:
Todo experimento aleatorio que tenga sólo dos resultados posibles, mutuamente
excluyentes, que pueden denominarse Éxito y Fracaso.
P[Éxito] = p P[Fracaso] = 1 – p = q

Variable aleatoria – Definición:

Número de Éxitos observados en un ensayo.

Usos – aplicaciones:
Muy poco. Electrónica, proceso binarios en general.
Variable aleatoria – Valores: 0 y 1 Parámetros: p: Probabilidad de éxito

Notación: X  Ber(p)
 Distribución Bernoulli…
Función de distribución de probabilidades:

X P(X = x) = p(x)
0 1–p p(x) = px(1–p)1-x ; x = 0,1
1 p

Función de distribución acumulativa:

X P(X = x) = p(x) F(x) = P(X  x)

0 1–p 1–p
X  Ber(p)
1 p (1 – p) + p = 1
Propiedades:

E( X ) = p Var ( X ) = p (1 − p )
 Ejemplo de distribución de Bernoulli
 Se ha observado estudiando 2000 accidentes de tráfico con impacto
frontal y cuyos conductores no tenían cinturón de seguridad, que 300
individuos quedaron con secuelas. Describa el experimento usando
conceptos de v.a.
 Solución.
 La noción frec. de prob. nos permite aproximar la probabilidad de tener
secuelas mediante 300/2000=0,15=15%
 X=“tener secuelas tras accidente sin cinturón” es variable de Bernoulli
 X=1 tiene probabilidad p ≈ 0,15

 X=0 tiene probabilidad q ≈ 0,85

 Ejemplo de distribución de Bernoulli.
 Se ha observado estudiando 2000 accidentes de tráfico con impacto
frontal y cuyos conductores sí tenían cinturón de seguridad, que 10
individuos quedaron con secuelas. Describa el experimento usando
conceptos de v.a.
 Solución.
 La noc. frecuentista de prob. nos permite aproximar la probabilidad
de quedar con secuelas por 10/2000=0,005=0,5%
 X=“tener secuelas tras accidente usando cinturón” es variable de
Bernoulli
 X=1 tiene probabilidad p ≈ 0,005

 X=0 tiene probabilidad q ≈ 0,995

 Observación
 En los dos ejemplos anteriores hemos visto cómo enunciar los resultados de un
experimento en forma de estimación de parámetros en distribuciones de Bernoulli.
 Sin cinturón: p ≈ 15%

 Con cinturón: p ≈ 0,5%

 En realidad no sabemos en este punto si ambas cantidades son muy diferentes o

aproximadamente iguales, pues en otros estudios sobre accidentes, las cantidades
de individuos con secuelas hubieran sido con seguridad diferentes.
 Para decidir si entre ambas cantidades existen diferencias estadísticamente
significativas necesitamos introducir conceptos de estadística inferencial (extrapolar
resultados de una muestra a toda la población).
2. Distribución binomial
En estadística, la distribución binomial es una distribución de
probabilidad discreta que cuenta el número de éxitos en una secuencia de
n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p
de ocurrencia del éxito entre los ensayos.

 Características
❑ cada ensayo de una distribución binomial termina en sólo uno de dos resultados
mutuamente excluyentes. Éxito (p) ó fracaso (1 – p).
❑ La probabilidad de éxito en un ensayo es independiente de la probabilidad de éxito en otro
ensayo.
❑ La probabilidad de cada resultado permanece constante de un ensayo al otro.
❑ El experimento puede repetirse muchas veces. (n veces)
 Experimento de base:
Realización de n ensayos Bernoulli, todos independientes, y cada uno con
probabilidad de Éxito p.
Variable aleatoria – Definición:
Número de Éxitos observados en n ensayos Bernoulli, todos independientes,
y cada uno con probabilidad de Éxito p.

Usos – aplicaciones:
Control de calidad, tratamientos de encuestas …

Valores de la variable: 0, 1, 2, …, n
Parámetros: n: Número de ensayos
p: Probabilidad de éxito
Notación: X  bin(n , p)
 Distribución binomial…
Función de distribución de probabilidades:
 n k
P( X = k ) = B(k , n, p) =  . p .(1 − p) n−k 0kn
k 
Función de distribución acumulativa: p= probabilidad de éxito.
k
1– p = q =probabilidad de fracaso.
F (k ) = P( X  k ) =  p( x)
n = tamaño de la muestra (ensayos
realizados).
x =0 k = éxitos en la muestra.
Cálculo de probabilidades acumulativas:
k
F (k ) = P( X  k ) =  p( x)
x =0

Propiedades: X  B(n , p) :

𝜇 = 𝐸 𝑋 = 𝑛. 𝑝 𝜎 2 = 𝑉𝑎𝑟 𝑋 = 𝑛. 𝑝. (1 − 𝑝) 𝜎= 𝑛. 𝑝. (1 − 𝑝)
◼ EJEMPLO: Al adivinar al azar un examen de 100 preguntas múltiples,
cada una con 4 posibles respuestas:
◼ ……………………………………..…..
◼ ………………………………………….
◼ …………………………………………

◼ ¿Probabilidad de obtener cuatro veces el número 3 al lanzar un

dado ocho veces?
◼ El número de aciertos k es 4. Esto es k=4
◼ El número de experimentos n son 8
◼ Probabilidad de éxito p = 1/6 ( 0.1666)
◼ La fórmula queda:
k

◼ P (k = 4) = 0.026
◼ Es decir, probabilidad de obtener cuatro veces el números 3 al tirar
un dado 8 veces es de 2.6%.
 Distribución Binomial
 Si se repite un número fijo de veces, n, un experimento de Bernoulli con parámetro p, el
número de éxitos sigue una distribución binomial de parámetros (n, p).
 Lanzar una moneda 10 veces y contar las caras.

 Bin(n=10,p=1/2)

 Lanzar una moneda 100 veces y contar las caras.

 Bin(n=100,p=1/2)

 Difícil hacer cálculos con esas cantidades. El modelo normal será más
adecuado.
 El número de personas que enfermará (en una población de 500.000 personas) de
una enfermedad que desarrolla una de cada 2000 personas.
 Bin(n=500.000, p=1/2000)

 Difícil hacer cálculos con esas cantidades. El modelo de Poisson será más
adecuado.
 OBSERVACIÓN

 Aún no conocemos la distribución normal, ni de

Poisson.

 De cualquier forma tendremos al comparación

entre valores de p no muy extremos y una
normal de misma media y desviación típica, para
tamaños de n grandes (n>30).

 Cuando p es muy pequeño es mejor usar la

aproximación del modelo de Poisson.
PROBLEMAs

1.Un supervisor de mercado afirma que solo el 45% de todos los trabajadores utilizan las
medidas sanitarias en su puesto de trabajo. Suponiendo que esta afirmación es cierta,
encuentre la probabilidad de que exactamente 5 de 8 trabajadores elegidos al azar utilizan
dichas medidas sanitarias en su puesto de trabajo.
2. En una prueba de 8 preguntas con respuesta dicotómica, en el que los evaluado
contestan al azar, hallar: a) la probabilidad de obtener 2 aciertos, b) la probabilidad de
tener a lo más 4 aciertos, c) la probabilidad de tener al menos cuatro aciertos.
3.La probabilidad de que Metodio acierte en convertir un penal es 68%, si dispara en rondas
de 10 tiros, encuentre la media, la varianza y la desviación estándar del número de
aciertos por ronda.
4.Imaginemos que un 80% de personas en el mundo han visto el partido de la final del
último mundial de futbol. Tras el evento, 5 amigos se reúnen a conversar, ¿Cuál es la
probabilidad de que 3 de ellos hayan visto?

J. Vilchez
3. Distribución de Poisson

 También se denomina de sucesos raros.

 Se obtiene como aproximación de una distribución binomial con la
misma media, para ‘n grande’ (n >30) y ‘p pequeño’ (p<0,1).
 Queda caracterizada por un único parámetro μ (que es a su vez su
media y varianza.)
 Función de probabilidad: e = 2,718….

k
P[ X = k ] = e −  , k = 0,1,2,...
k!
 Distribución de Poisson…
Experimento de base:
Observación de la ocurrencia de eventos en un espacio (intervalo) determinado (fijo).

Variable aleatoria – Definición:

Número de eventos que ocurren de manera aleatoria e independiente, a una tasa
constante , en un espacio o intervalo determinado.
Usos – aplicaciones:
Fenómenos de espera, fenómenos de transporte …

Valores de la variable: 0, 1, 2, …
Parámetros: : Tasa promedio de ocurrencia de los evento

Notación: X  P()
 Distribución de Poisson…
Función de distribución de probabilidades:
e − x
p ( x) = ; x = 0,1,2,
x!
Función de distribución acumulativa:
k
F (k ) = P( X  k ) =  p( x)
x =0

Cálculo de probabilidades acumulativas:

k
F (k ) = P( X  k ) =  p( x)
x =0

Propiedades: X  P ()

Media: E ( X ) =  Varianza: Var ( X ) = 

 Ejemplos de variables de Poisson
 El número de individuos que será atendido un día cualquiera en el servicio de urgencias del hospital
clínico universitario.
 En Málaga hay 500.000 habitantes (n grande)
 La probabilidad de que cualquier persona tenga un accidente es pequeña, pero no nula. Supongamos
que es 1/10.000
 Bin(n=500.000,p=1/10.000) ≈ Poisson (μ=np=50)

 Sospechamos que diferentes hospitales pueden tener servicios de traumatología de diferente “calidad”
(algunos presentan pocos, pero creemos que aún demasiados, enfermos con secuelas tras la
intervención). Es difícil compararlos pues cada hospital atiende poblaciones de tamaños diferentes
(ciudades, pueblos,…)
 Tenemos en cada hospital n, nº de pacientes atendidos o nº individuos de la población que cubre el
hospital.
 Tenemos p pequeño calculado como frecuencia relativa de secuelas con respecto al total de pacientes
que trata el hospital, o el tamaño de la población,…
 Se puede modelar mediante Poisson (μ=np)
EJERCICIO:
1.Si un banco determina que el promedio de cheques sin fondo en una
semana es de 8. ¿Cuál es la probabilidad que el banco reciba 5 sin fondo
en la semana?
2.El asesor de tesis de atiende en promedio a 4 estudiantes por hora. ¿Cuál
es la probabilidad que en la siguiente hora atienda solo a dos estudiantes?,
¿Atienda a lo más a 4 estudiantes?, ¿Atienda al menos 3 estudiantes?
3.Una central telefónica recibe en promedio 60 llamadas por hora. ¿Cuál se
la probabilidad de que en 2 minutos no se reciba ninguna llamada
telefónica?
 4. Distribución de Hipergeométrica
En teoría de la probabilidad y estadística, la distribución hipergeométrica es una
distribución de probabilidad discreta relacionada con muestreos aleatorios y sin reemplazo.
La distribución de probabilidad de la variable aleatoria hipergeométrica X, el número de
éxitos en una muestra aleatoria de tamaño n seleccionada de N resultados posibles, de los
cuales p son considerados como éxitos y N – m como fracasos es:
𝑚 𝑁−𝑚
𝑥 𝑛−𝑥
𝑃 𝑋=𝑥 =
𝑁
𝑛
Donde:
N = Número total de elementos o población.
m = Número de éxitos (o elementos que cumplen la característica deseada.
n = Número de elementos extraídos de la población (muestra).
x = Número de éxitos de la muestra.
 Propiedades características
El valor esperado y la varianza de una variable aleatoria X que sigue la
distribución hipergeométrica es:
𝑝 = 𝑚/𝑁

𝐸 𝑥 = 𝑛. 𝑝
𝑁−𝑛
𝑉 𝑥 = 𝑛. 𝑝(1 − 𝑝)
𝑁−1

Ejemplo. El dueño de una tienda tiene 12 artefactos seleccionados al azar, de

una caja que contiene 5 electrónicos y 7 digitales, escogen 4 artefactos. ¿Cuál es
la probabilidad de escoger 2 electrónicos o 3 digitales?

J. Vilchez
PROBLEMAS
En una caja hay 12 camisas de los cuales 4 tienen algún defecto, si se sacan 6 camisas de la caja,
¿cuál es la probabilidad de sacar una camisa con defecto?, ¿cuál es la probabilidad de sacar una
camisa con sin defecto?
Se embarcan artefactos eléctricos en lotes de diez, antes de aceptar el lote, un inspector elige tres de
esos lotes y los inspecciona, si ninguno de los artefactos probados está defectuoso, el lote se acepta;
si uno o más salen con defectos, revisan todo el lote. Suponga que hay dos artefactos defectuosos.
¿Cuál es la probabilidad de que se necesite un 100% de inspección?
Un auditor de recaudación selecciona al azar 4 solicitudes de devolución de entre los 15 presentados,
si 5 solicitudes contienen deducciones ilegales, ¿Cuál es la probabilidad de que el auditor examine:
exactamente una solicitud legal?, 4 solicitudes ilegales?
En el curso de Inferencia Estadística hay un total de 30 estudiantes matriculados, de los cuales 18 son
varones. Se toma al azar una muestra 10 estudiantes, determine la probabilidad de que: a) 8 no sean
varones, b) Exactamente 13 sean varones, c) áximo 5 no sean varones.

J. Vilchez
5. Distribución de geométrica
El valor esperado, la media, de esta distribución es μ = (1 – p) p.μ = ( 1 – p ).p .
Esto nos indica cuántos fracasos debemos esperar antes de tener un acierto. En
cualquier caso, la secuencia de probabilidades es una secuencia geométrica.
𝑃 𝑥 = 𝑝. (1 − 𝑝)(𝑥−1)
𝐸 𝑥 = 1/𝑝
EJEMPLO. La probabilidad de que un estudiante de contabilidad apruebe su
examen de titulación es 0.6. Encuentre la probabilidad de que el estudiante
apruebe dicho examen en el segundo intento, antes del cuarto intento, después
del cuarto intento.
EJEMPLO. Suponga que cada una de las llamadas que realiza a Essalud para
pactar una cita es de 0,035 de ser respondida. Asumiendo que las llamadas son
independientes, ¿cuál es la probabilidad de que respondan a la doceava llamada?,
¿cuál es número medio de llamadas en promedio que se requiere para ser
atendidos en la consulta?

J. Vilchez