Universidad Andina del Cusco

Escuela de Posgrado
MAESTRÍA EN ESTADISTICA

ESTADÍSTICA INFERENCIAL
Mg. Ysabel Adriazola Cruz
Variables aleatorias
Es una descripción numérica del resultado de un
experimento aleatorio

Las variables pueden ser clasificadas como discretas o

continuas

Las discretas son variable aleatorias con un rango finito

( o infinito numerable)

Las continuas son variables que pueden asumir

cualquier valor en un intervalo o conjunto de intervalos
 VARIABLE
ALEATORIA

Es una función que traduce

numéricamente los resultados de un
experimento
Distribución de Probabilidad
Discreta
Distribución de probabilidad: p(x)

La distribución de probabilidad de una variable aleatoria

discreta X, se define como una descripción del conjunto de
valores posibles de X, junto con su respectiva
probabilidad.

Para una variable aleatoria discreta la distribución de

probabilidad se describe mediante una función de
probabilidad, representada por p(x). Donde esta función
define la probabilidad de cada valor de la variable
aleatoria.
 Las condiciones requeridas para una función de
probabilidad son :

1. p ( x)  0
n
2.  p( x)  1
i 1

p(x)

x
Media o valor esperado de una variable aleatoria discreta es
una medida de localización central. Es un promedio
ponderado de los valores que puede tener una variable en
donde los factores de ponderación son las probabilidades y se
expresa de acuerdo a:

n
E ( x)   xi p ( x)  
i 1
 Varianza de una variable aleatoria discreta es
una medida de dispersión o variabilidad y
corresponde a promedio ponderado de las
desviaciones de una variable aleatoria respecto a
su promedio, elevadas al cuadrado
n 2

Var ( x)    xi    p ( x )   2
i 1

Var ( x)  E  X    E  X  
2 2

Donde :

E  X 2    x 2 p( x)
 Ejemplo.
Dada la siguiente tabla de distribución de
probabilidades de la variable aleatoria X: Número
de peces capturados.
x p(x)

2 0.20

4 0.30

7 0.40

8 0.10

Verificar si p(x), cumple con las condiciones

para ser una función de probabilidad.
Calcular E(X)
Calcular Var(X)
Distribuciones de Probabilidad
Continua
Función de Densidad de
Probabilidad
FUNCIÓN DE DISTRIBUCIÓN ACUMULADA
Media o valor esperado de una variable aleatoria
continua es una medida de localización central:

E ( x)   x f ( x)dx  
Varianza de una variable aleatoria discreta es una
medida de dispersión o variabilidad.
2
Var ( x)    xi    f ( x) dx   2

Var ( x)  E  X    E  X  
2 2

Donde :

E  X 2    x 2 f ( x )dx
Distribución de Bernoulli

Distribución binomial

Distribución de Poisson
DISTRIBUCIÓN DE
BERNOULLI
Dato histórico

• Jacob Bernoulli (1654-1705).

Matemático suizo
• Bernoulli definió el proceso conocido por
su nombre el cual establece las bases
para el desarrollo y utilización de la
distribución binomial.
 La distribución de Bernoulli caracteriza a una
variable aleatoria con dos posibles resultados y con
probabilidad de ocurrencia constante. Típicamente,
estos resultados representan un “éxito” (x=1) o un
“fracaso” (x=0) . La función de probabilidad es:

 p x ( 1  p)n  x ; x  0,1; 0  p  1
P( X  x)  
0 ;c.c

Donde p es la probabilidad de “éxito”.

PROPIEDADES

i. 0  p( x)  1
1
ii.  p( x )  1
i 0
i
ESPERANZA: E ( X )  p
VARIANZA: V ( X )  p(1  p )
 Una distribución de Bernoulli puede ser usada para
modelar por ejemplo si :

Una empresa cumple o no con la responsabilidad

ambiental.

Un paciente es inmune o no, a una enfermedad.

En el proceso de control de calidad, un medicamento

puede ser clasificado como defectuoso o no defectuoso.
Representación Gráfica: Distribución de
Probabilidad de Bernoulli
DISTRIBUCIÓN BINOMIAL
 DISTRIBUCIÓN BINOMIAL
Se basa |en un experimento aleatorio que tiene las
siguientes características:
En cada ensayo del experimento sólo existen dos posibles resultados: el evento
A (éxito) y su complemento Ac (fracaso). Denominado ensayo de Bernoulli.

El resultado obtenido en cada ensayo es independiente de los resultados

obtenidos anteriormente.

La probabilidad del evento A es constante y es representada por p, y no varía

de un ensayo a otro. La probabilidad de Ac    es  1- p.

El experimento consta de un número n  de ensayos de Bernoulli.

Función de Probabilidad

 n  x n x
  p ( 1  p) ; x  0,1,..,n; 0  p  1
P( X  x)   x 
0 ;c.c


P  X  x  x : Número de éxitos , 0  x  n
PROPIEDADES

i. 0  p( x)  1
n
ii.  p( x )  1
i 1
i
Notación: X  B  n, p 
n : número de ensayos; n  0
B  n, p   
 p : probabilidad de éxito;0  p  1

ESPERANZA: E ( X )  np
VARIANZA: V ( X )  np (1  p )
Representación Gráfica: Distribución de
Probabilidad binomial
EJEMPLO
La probabilidad de que una semilla germine es 0.8. Así, la variable aleatoria, X,
representa el número de semillas que germinan en un conjunto de nueve semillas,
entonces , suponer que la suposición de independencia es válida.
i. Obtener :  ,  2 , y 
ii. Graficar un histograma de probabilidad de X.
iii. Si 100 conjuntos de nueve semillas fueron plantadas, calcular X , S2, y S

para las siguientes 100 observaciones.

 POBLACIÓN
X ~ B 9,0.8

i.   7.2 ii.
  1.44
2

  1.2
iii.
X  7.32 S  1.188 S 2  1.412
 x p(x)
Distribución teórica 0 0.00
1 0.00
2 0.00
3 0.00
4 0.02
5 0.07
6 0.18
7 0.30
8 0.30
9 0.13
Total 1.00

x h(x)
Distribución empírica 0 0.00
1 0.00
2 0.00
3 0.00
4 0.02
5 0.06
6 0.12
7 0.35
8 0.28
9 0.17
Total 1.00
DISTRIBUCIÓN DE
POISSON
Dato histórico

La distribución de Poisson se llama

así en honor a su creador, el francés
Simeón Dennis Poisson (1781-1840),
Esta distribución de probabilidades
fue uno de los múltiples trabajos
matemáticos que Dennis completó
en su productiva trayectoria.
 La distribución de Poisson, ya había sido introducida en
1718 por Abraham De Moivre como una forma límite de la
distribución binomial que surge cuando se observa un
evento inusitado después de un número grande de
repeticiones. En general, la distribución de Poisson se
puede utilizar como una aproximación de la binomial,
Bin(n, p), si el número de pruebas n es grande, pero la
probabilidad de éxito p es pequeña; una regla es que la
aproximación Poisson-binomial es “buena” si n≥20 y
p≤0.05 y “muy buena” si n ≥ 100 y p ≤ 0.01.
Función de Probabilidad

 e  x
 , si x  0,1,...;   0
P( X  x)   x !
0 , c.c.


e = 2.71828
PROPIEDADES
i. 0  p ( x)  1

ii.  p( x )  1
i 1
i
Representación Gráfica: Distribución
de Poisson =5
Notación: X P    ,   0

ESPERANZA: E( X )  
VARIANZA: V (X )  
EJEMPLO
En un laboratorio de física se cuenta con un contador de Geiger
el cual registra el número de partículas alfa emitidas por el
carbono-14 en 0.5 segundos. Se obtuvieron las siguientes 50
observaciones.

i. Calcular la media muestral y varianza muestral. ¿Son estas dos

medidas aproximadamente iguales?
ii. En un mismo gráfico presente el histograma para la distribución
de Poisson con  = 8, con el histograma de frecuencia relativa de
los datos.
 Población X ~ P    ,   8

 8
Muestra n=50  82

  2.8
X  7.94  8

S 2  7.731  8
 x p(x)
0 0
Distribución teórica 1
2
0
0.01
3 0.03
3 0.03
4 0.06
5 0.09
6 0.12
7 0.14
8 0.14
9 0.12
10 0.1
11 0.07
12 0.05
13 0.03
14 0.02
Total 1

x h(x)
0 0
Distribución empírica 1 0
2 0
3 0
3 0.02
4 0.1
5 0.08
6 0.18
7 0.12
8 0.06
9 0.12
10 0.1
11 0.1
12 0.08
13 0.02
14 0.02
Total 1
H0: El número de partículas tiene una distribución de Poisson con =8
H1: El número de partículas no tiene una distribución de Poisson con =8

P-valor = 0.995>0.05
No se rechaza H0.
Por lo tanto, el número de partículas tiene una distribución de Poisson con =8.
En resumen:

1.La distribución de Poisson se forma de una serie

de experimentos de Bernoulli.

2.La media μ o valor esperado en la distribución de

Poisson es igual a λ.

3.La varianza (σ2 ) en la distribución de Poisson

también es igual a λ.

4.La desviacion estándar es la raíz cuadrada de λ.