Adriana Paola

Pachón

Estadística
Inferencial
 Distribuciones discretas especiales
1. Distribución de Binomial
Tiene las siguientes características:

• En cada prueba del experimento sólo son posibles dos

resultados: el suceso p (éxito) y su complemento 1 – p (fracaso)
denotado también como q.
• El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
 1. Distribución de Binomial
 
Definición de la variable aleatoria:

Rango de la variable aleatoria:

Parámetros: p: Probabilidad de éxito

N: Número de ensayos realizados
1. Distribución de Binomial
 Ejemplo 3 – Distr. Binomial
 
La dureza de un metal se determina al golpear con una herramienta la
superficie del metal. Se seleccionó una muestra aleatoria de ítems
fabricados con esta aleación y se determino que un ítem tiene una dureza
Aceptable con probabilidad de 0.89 y No aceptable con probabilidad 0.11.
Si se seleccionan 8 ítems al azar en forma independiente, ¿Cuál es la
probabilidad de que 2 de los 8 ítems seleccionados sean NO aceptables?
 Ejemplo 4 – Distr. Binomial
 
La dureza de un metal se determina al golpear con una herramienta la
superficie del metal. Se seleccionó una muestra aleatoria de ítems fabricados
con esta aleación y se determino que un ítem tiene una dureza Aceptable
con probabilidad de 0.89 y No aceptable con probabilidad 0.11. Si se
seleccionan 8 ítems al azar en forma independiente, ¿Cuál es la probabilidad
de que a lo sumo 2 de los 8 ítems seleccionados sean NO aceptables?
 
Ejemplo 5 – Distr. Binomial
Juan Manuel, es el gerente de una importante empresa que produce frascos
para medicamentos. Para comercializar el producto, los frascos son empacados
en cajas, las cuales contienen 12 frascos cada una. La probabilidad de que un
frasco sea desechado es 0,6875. Si se selecciona al azar una caja de inspección,
¿Cuál es la probabilidad de que se encuentren a lo sumo 3 frascos que no sean
aptos para su comercialización?
 
Ejemplo 6 – Distr. Binomial
En una ciudad determinada, se dice que los gastos médicos son la razón del
60% de todas las bancarrotas personales. ¿Cuál es la probabilidad de que se
mencionen los gastos médicos como el motivo de cinco de las seis
bancarrotas personales próximas que se registren en esa ciudad?
 Distribuciones discretas especiales
2. Distribución de Poisson
Para que una variable recuento siga una distribución de Poisson deben cumplirse
varias condiciones:

1. En un intervalo muy pequeño (p. e. de un milisegundo) la probabilidad de que

ocurra un evento es proporcional al tamaño del intervalo.
2. La probabilidad de que ocurran dos o más eventos en un intervalo muy pequeño es
tan reducida que, a efectos prácticos, se puede considerar nula.
3. El número de ocurrencias en un intervalo pequeño no depende de lo que ocurra
en cualquier otro intervalo pequeño que no se solape con aquél.
 Distribuciones discretas especiales
2. Distribución de Poisson
El parámetro de la distribución, λ, representa el número promedio de eventos
esperados por unidad de tiempo o de espacio, por lo que también se suele
hablar de λ como “la tasa de ocurrencia” del fenómeno que se observa.
 Distribuciones discretas especiales
2. Distribución de Poisson
Función de probabilidad:

Donde:

X : variable aleatoria que representa el número de llegadas de ocurrencias o sucesos por

unidad de tiempo, área, longitud.
P(X) : Probabilidad de que ocurran exactamente x sucesos
λ : Número medio de llegadas de ocurrencias o sucesos por unidad de tiempo, área,
longitud
e : base de los logaritmos neperianos ( e = 2.718282)
 Distribuciones discretas especiales
2. Distribución de Poisson
 Ejemplo 8 – Distr. Poisson
El número de llamadas que entran a una central telefónica durante un
viernes en la noche se puede representar por medio de un proceso de
Poisson. De acuerdo con los datos del último mes, se ha estimado el número
de llamadas entre las 8 PM y las 9 PM es una variable Poisson con una tasa
de 70 llamadas por hora, entre las 9 PM y la 1 AM es una variable Poisson
con una tasa de 50 llamadas por hora, mientras que entre la 1AM y las 3 AM
es una variable Poisson con una tasa de 40 llamadas por hora.
 Ejemplo 8 – Distr. Poisson
El número de llamadas que entran a una central telefónica durante un
viernes en la noche se puede representar por medio de un proceso de
Poisson. De acuerdo con los datos del último mes, se ha estimado el número
de llamadas entre las 8 PM y las 9 PM es una variable Poisson con una tasa
de 70 llamadas por hora, entre las 9 PM y la 1 AM es una variable Poisson
con una tasa de 50 llamadas por hora, mientras que entre la 1AM y las 3 AM
es una variable Poisson con una tasa de 40 llamadas por hora.

¿Cuál es la probabilidad de que entre las 8 PM y las 9 PM entre 70 llamadas?

 Ejemplo 8 – Distr. Poisson
 
a) ¿Cuál es la probabilidad de que entre las 8 PM y las 9 PM entre 70
llamadas?
 Ejemplo 8 – Distr. Poisson
 
b)¿Cuál es la probabilidad de que entre las 9 PM y las 11 PM entren más de
80 llamadas?
 Ejemplo 8 – Distr. Poisson
 
c) ¿Cuál es el número esperado de llamadas que entran entre las 2:00AM y
las2:30 AM?
 Distribuciones continuas
especiales

1. Distribución normal
Distribución continua de probabilidad más importante por la frecuencia con
que se encuentra y por sus aplicaciones teóricas.
1. Distribución normal
Aplicaciones de la distribución normal

Caracteres morfológicos de individuos (personas, animales, plantas, …) de

una especie (tallas, pesos, edades, diámetros, perímetros,…)

Caracteres sociológicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen, competencias..
1. Distribución normal
1. Distribución normal
• Está caracterizada por dos parámetros: la media, μ y
la desviación típica o estándar, σ.

• Su función de densidad es:

1. Distribución normal
La curva normal adopta un número infinito de formas,
determinadas por sus parámetros μ y σ.
La media se
interpreta como un
factor de traslación.

La desviación típica o
estándar es un factor
de escala, grado de
dispersión,…
 Ejemplo 9 – Normal
Se quiere dar una beca a uno de dos estudiantes de
sistemas educativos diferentes y se asignará al que
tenga mejor expediente académico:

• El estudiante A tiene una calificación de 8 en un sistema

donde la calificación de los alumnos se comporta como
N(µ=6, V(x)=1).

• El estudiante B tiene una calificación de 80 en un

sistema donde la calificación de los alumnos se
comporta como N(µ= 70, v(x) =100).
 Ejemplo 9 – Normal
No se puede comparar directamente 8 puntos de A
frente a los 80 de B, pero como ambas poblaciones se
comportan de modo normal, se puede tipificar,
normalizar o estandarizar y observar las puntuaciones
sobre una distribución de referencia N(0,1).
 Ejemplo 9 – Normal
Como zA > zB, se puede concluir que el porcentaje de
compañeros del mismo sistema de estudios que ha
superado en calificación al estudiante A es mayor que
el que ha superado B. En principio A es mejor
candidato para la beca.
 Ejemplo 9 – Normal
Las probabilidades de la variable tipificada, normalizada o
estándarizada (z) están tabuladas para los diferentes
valores de la variable.

Para calcular probabilidades, una vez transformada, la

variable a valores de z, se busca en una tabla el área
correspondiente.
 Ejemplo 10 – Normal
Sea una variable distribuida normalmente con media  = 4 y
desviación típica  = 1.5. ¿Cuál es la probabilidad de encontrar un
valor x  6 (P(x  6 ))?
1.Transformar x en un valor
de z
z = (6 - 4)/1.5 = 1.33

2.- Hallar P ( z < 1.33)

Ejemplo 11 – Normal