Estadística Descriptiva y Probabilidades

Variable aleatoria y distribuciones de

Unidad:
probabilidad
 LOGRO

Al finalizar la unidad, el estudiante

comprende y aplica los conceptos
de variable aleatoria y distribución
de probabilidad
 IMPORTANCIA

Esta unidad permitirá al estudiante asignar

una descripción o valor numérico a los
resultados obtenidos en un experimento
estadístico, cuyos resultados se
encuentran sujetos al azar. Por otro lado
podremos analizar las distribuciones
discretas y continuas de probabilidad
asociadas a una variable aleatoria.
CONTENIDO GENERAL

1. Variable aleatoria

2. Distribución de probabilidad discreta

3. Distribución de probabilidad continua
Tema: Variable aleatoria
 Variable aleatoria
 Es la descripción numérica del resultado de un experimento.
 Una variable aleatoria asocia un valor numérico a cada uno de los resultados experimentales.
 Las variables aleatorias se designan por letras mayúsculas: X, Y, Z, etc., y a sus valores por letras latinas
minúsculas.

Lo que es aleatorio es el
La variable aleatoria
experimento sobre cuyo
atribuye a cada elemento
espacio muestral se
un número fijo y
define la variable
determinado
aleatoria
 Variable aleatoria
Ejemplo 1: Sea el experimento aleatorio que consiste en lanzar dos monedas. Este experimento determina el
espacio muestral S = {C1C2, C1S2, S1C2, S1S2}. Si se define la variable aleatoria X como el número de caras
obtenidas al lanzar dos monedas, entonces los valores posibles de X son:

Valor de X Significado
0 Al lanzar dos monedas, no se obtuvo cara

1 Al lanzar dos monedas, se obtuvo una sola cara

2 Al lanzar dos monedas, se obtuvieron dos caras

 Variable aleatoria
Ejemplo 2: Cuando se prueban tres componentes electrónicos, el espacio muestral que ofrece una descripción
detallada de cada posible resultado se escribe como:
S = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
Donde:
N: componente electrónico no defectuoso
D: componente electrónico defectuoso
Al área de control de calidad le interesa identificar el número de componentes defectuosos que se presenten. Si
se define la variable aleatoria X como: Número de componentes electrónicos defectuosos, los posibles valores
de X son: 0, 1, 2, 3.
Valor de X Significado
0 Al realizar la prueba, ningún componente es defectuoso
1 Al realizar la prueba, solo un componente es defectuoso
2 Al realizar la prueba, solo 2 componentes son defectuosos
3 Al realizar la prueba, los 3 componentes son defectuosos
 Variable aleatoria
Variable aleatoria discreta
El rango está determinado por un conjunto
finito o infinito numerable de valores.
Ejemplos:
 Número de alumnos matriculados por
curso.
 Cantidad de preguntas correctamente
contestadas en una evaluación de personal.
 Número de Ingenieros que participan en un
proyecto.
Variable aleatoria continua
El rango está determinado por un conjunto
infinito no numerable de valores.
Ejemplos:
 Temperatura del ambiente en °C.
 Peso en Kg de lotes de mercadería.
 Tamaño en MB de una aplicativo en
ANDROID.
 Distribución de probabilidad discreta

El conjunto de pares ordenados (x, f(x)) es una función de probabilidad o una distribución de probabilidad de
la variable aleatoria discreta X si, para cada resultado x posible:
 Distribución de probabilidad discreta
Caso 10: Uso de Canvas
La distribución de probabilidad del número de visitas
realizadas por un estudiante de la UTP a la plataforma
virtual Canvas en un día se obtuvieron a partir de una
encuesta realizada en el presente ciclo académico:

Número de 0 1 2 3 4
visitas

Probabilidad 0.20 2a 4a 0.30 0.05

a.Halle la valor de la constante “a” para que dicha distribución sea de probabilidad.
b.Calcule la probabilidad que un estudiante de la UTP seleccionado al azar visite la plataforma Canvas más de
2 veces por día.
 Distribución de probabilidad discreta
Caso 10: Uso de Canvas

b. Se define la variable aleatoria X:

X: Número de visitas realizadas a la plataforma Canvas en un día.
P(X > 2) = P(X =3) + P(X = 4) = 0.30 + 0.05 = 0.35
P(X > 2) = 0.35
 Valor esperado
Sea X una variable aleatoria con distribución de probabilidad f (x). La media o valor esperado de X es:

Para variable aleatoria discreta: Para variable aleatoria

continua:

Propiedades:
Sean a, b y k constantes numéricas y X una variable aleatoria, entonces:

E(k) = k

E(aX+b) = aE(X)+b
 Valor esperado
Caso: Fabricación de una pieza industrial
La siguiente tabla muestra la distribución del número de errores que un obrero comete al fabricar una pieza
industrial.
Número de errores Probabilidad
0 0.07
1 0.15
2 0.13
3 0.25
4 0.26
5 0.14

Calcule e interprete el valor esperado del número de errores.

 Valor esperado
Caso: Fabricación de una pieza industrial

Solución:

El valor esperado será:

E(X) = 0x0.07 + 1x0.15 + 2x0.13 + 3x0.25 + 4x0.26 + 5x0.14

E(X) = 2.9

Interpretación: Si el experimento se repitiera muchas veces, a la larga, el

promedio de errores cometidos por el obrero en la fábrica al elaborar una
pieza industrial es igual a 2.9 errores.
 Distribución de probabilidad discreta
Distribución de probabilidad Binomial

Es una distribución de probabilidad discreta que

correspondiente al número de éxitos en una secuencia de n
ensayos independientes entre sí, con una probabilidad fija de
éxito p de ocurrencia y una probabilidad de fracaso q .

Propiedades:

- Solo hay dos resultados posibles en el resultado de la realización

específica o ensayo de un experimento: éxito (p) y fracaso (q).

-La variable aleatoria discreta que sigue la distribución binomial es igual al número
de éxitos obtenidos en una muestra de n observaciones o ensayos.

-El resultado (éxito o fracaso) de cualquier observación o ensayo es independiente

del resultado de cualquier otra observación.
 Distribución de probabilidad discreta
Distribución de probabilidad Binomial: Función de probabilidad
La función de probabilidad para la distribución binomial está definida por:

 n 
B ( n , p )  P ( X  x )    p x q n 
x x

Donde:

P(X = x): función de probabilidad binomial.

X: variable aleatoria discreta.
x: número de éxitos. x: 0, 1, 2, 3, …, n
n: número de ensayos.
p: probabilidad de éxito en cada ensayo.
q: probabilidad de fracaso en cada ensayo.
 Distribución de probabilidad discreta
Distribución de probabilidad Binomial: Propiedades
Media o Esperanza matemática
Donde:

  E(x)  np E(X): Media o esperanza matemática

X: variable aleatoria discreta.
n: número de ensayos.
Varianza
p: probabilidad de éxito en cada ensayo.
q: probabilidad de fracaso en cada ensayo.

 2 
Nota:

q=1-p
 Distribución de probabilidad discreta
Caso: Compra de dispositivos electrónicos

Una cadena de tiendas de venta de equipos electrónicos compra

un dispositivo electrónico a un fabricante, el cual le indica que la
tasa de dispositivos defectuosos es de 3%. El inspector de la
cadena de tiendas elige 25 artículos al azar de un lote de
mercadería.

a. ¿Cuál es la probabilidad de que haya al menos un artículo

defectuoso entre estos 25?
b. ¿Cuál es la probabilidad de que haya 3 artículos defectuosos
entre estos 25?
 Distribución de probabilidad discreta
Caso: Compra de dispositivos electrónicos
Solución:

X: número de artículos defectuosos

n = 25 artículos por lote de mercadería
p = 0.03 (probabilidad que el artículo sea defectuoso)
q = 0.97 (probabilidad que el artículo no sea defectuoso)
 Distribución de probabilidad discreta
Distribución de probabilidad de Poisson

Es una distribución de probabilidad discreta

que está determinada por el número de
resultados que ocurren durante un intervalo de
tiempo o en una región específica. Dicho
intervalo puede ser de cualquier duración:
minutos, días, semanas, meses, etc.
 Distribución discreta
Distribución de probabilidad de Poisson
Propiedades:

El número de resultados que ocurren en un intervalo o región específica es independiente del número que ocurre
en cualquier otro intervalo de tiempo o región del espacio disjunto.

La probabilidad de que ocurra un solo resultado durante un intervalo de tiempo muy corto o en una región
pequeña es proporcional a la longitud del intervalo o al tamaño de la región, y no depende del número de
resultados que ocurren fuera de estos.

La probabilidad de que ocurra más de un resultado en tal intervalo de

tiempo corto o que caiga en tal región pequeña es insignificante.
 Distribución de probabilidad discreta
Distribución de probabilidad de Poisson: Función de probabilidad
La función de probabilidad de Poisson está determinada por:

Donde:

P(X = k): función de probabilidad de Poisson.

X: variable aleatoria discreta.
k: número de éxitos. x: 0, 1, 2, 3, …, n
: Es el número promedio de resultado por unidad de tiempo o región.
e = 2.7182

Nota: La media y varianza de la distribución de Poisson tienen ambas el

valor .
 Distribución de probabilidad discreta
Distribución de probabilidad de Poisson: Función de probabilidad
Caso: Cajero automático
La gerencia de un banco desea conocer información relacionada
con la cantidad de personas que se acercan a retirar dinero de uno
de sus cajeros automáticos un viernes por la tarde. Si se tiene
información que el número promedio de personas que llegan al
cajero en un periodo de 10 minutos es 4.

a. ¿Cuál es la probabilidad de que 4 personas lleguen al cajero en

un periodo de 10 minutos?
b. ¿Cuál es la probabilidad que llegue al cajero una persona en un
periodo de 5 minutos?
 Distribución de probabilidad discreta
Distribución de probabilidad de Poisson: Función de probabilidad
Caso: Cajero automático
Solución:
X: Número de personas
que se acercan al cajero
automático
e = 2.7182

a.Probabilidad de que 4 personas lleguen al cajero en un periodo de 10

minutos.
k=4
λ1 = 4 personas
P(X=4) = (e-4x44)/4! = 0.1954
N° de personas que llegan Tiempo (minutos)
b. Probabilidad4 que 10
llegue unaλpersona
2
en 5
un período de 5
λ2 =minutos.
4 x 5 / 10 = 2 personas  P(X=1) = (e-2x21)/1! = 0.2707
Tema: Distribuciones continuas
 Distribuciones continuas
Función de densidad continua:

La función f(x) es una función de densidad de probabilidad

para la variable aleatoria continua X, definida en el conjunto
de números reales, si:

Ejemplos de distribuciones continuas:

Distribución Distribución Distribución

uniforme normal
exponencial
 Distribuciones continuas
Distribución normal
La distribución de probabilidad continua mas importante en
todo el campo de la estadística.

Su gráfica denominada curva normal, describe de manera

aproximada muchos fenómenos que ocurren en la
naturaleza, la industria y la investigación, como por ejemplo:

 Las mediciones físicas en áreas como los experimentos

meteorológicos.
 Estudios de la precipitación pluvial.
 Mediciones de partes fabricadas.
 Los errores en las mediciones científicas.
 Distribuciones continuas

Distribución normal

Una variable aleatoria continua X que tiene la

distribución en forma de campana se denomina variable
aleatoria normal. La ecuación matemática para la
distribución de probabilidad de la variable normal
depende de los dos parámetros μ y σ, su media y su
desviación estándar, respectivamente.
 Distribuciones continuas
Distribución normal

Función de densidad

La densidad de la variable aleatoria normal X, con media μ y varianza σ 2, es:

Donde:
π = 3.14159
e = 2.71828

Una vez que se especifican μ y σ, la curva normal queda determinada

por completo.
 Distribuciones continuas
Distribución normal
Función de densidad

μ1 < μ2 y σ1 = σ2
 Distribuciones continuas
Distribución normal

Función de densidad

μ1 = μ2 y σ1 < σ2
 Distribuciones continuas
Distribución normal
Función de densidad

μ1 < μ2 y σ1 < σ2
 Distribuciones continuas
Distribución normal
Propiedades de la curva normal

1. La moda, que es el punto 3. La curva tiene sus puntos

sobre el eje horizontal
donde la curva tiene su
punto máximo, ocurre en x =
μ.
2. La curva es simétrica
alrededor de un eje vertical
a través de la media μ.
de inflexión en x = μ ± σ , es
cóncava hacia abajo si μ –
σ
< X < μ + σ, y es cóncava
hacia arriba en otro caso.

4. La curva normal se
aproxima al eje horizontal
de manera asintótica, 5. El área total bajo la
conforme nos alejamos curva y sobre el eje
de la media en cualquier horizontal es igual a
dirección. uno.
 Distribuciones continuas
Distribución normal
Propiedades de la curva normal

Teorema: La media y la varianza de n

(x; μ, σ) son μ y σ2, respectivamente.
Por lo tanto, la desviación estándar es
σ.
 Distribuciones continuas
Distribución normal
Distribución de probabilidad normal:
La curva de cualquier distribución continua de probabilidad o función de densidad se construye de manera que
el área bajo la curva limitada por las dos ordenadas x = x1 y x = x2 sea igual a la probabilidad de que la variable
aleatoria X tome un valor entre x = x1 y x = x2. En consecuencia:
 Distribuciones continuas
Distribución normal
Distribución de probabilidad normal:

P(x1 < X < x2) = Área de la región sombreada

El área bajo la curva entre cualesquiera dos ordenadas también debe

depender de los valores μ y σ.
 Distribuciones continuas
Distribución normal
Distribución normal estándar:

Es la distribución de una variable aleatoria normal con media 0 y varianza 1.

En este caso, podemos transformar o estandarizar todas las observaciones de cualquier variable aleatoria
normal X en un nuevo conjunto de observaciones de una variable aleatoria normal Z con media 0 y varianza
1. Para ello utiliza la siguiente fórmula de transformación:
 Distribuciones continuas
Distribución normal
Distribución normal estándar:

Siempre que X tome un valor x, el valor

correspondiente de Z es dado por z = (x –
μ)/σ. Por lo tanto, si X cae entre los valores
x = x1 y x = x2, la variable aleatoria Z caerá
entre los valores correspondientes: z1 = (x1
– μ)/σ y z2 = (x2 – μ)/σ.

A, B: distribuciones normales
x1, x2: variables aleatorias normales
 Tabla de distribución normal estándar
Ejemplo: Calcular P(Z<0.23) 1 5

Solución:

1. Separación de decimales:
0.23 = 0.2 + 0.03

2. Ubicar el valor de 0.2 en la primera

columna (1) de la tabla.
4. El valor correspondiente al cruce de
3. Ubicar el valor de 0.03 en la quinta fila con valor de 0.2 y la columna con
columna (5) de la tabla. valor de 0.03 es el valor de P(Z<0.23).

P(Z<0.23) = 0.59095

0.23
 Distribuciones continuas
Distribución normal
Caso: Resistencias eléctricas

Cierta maquina fabrica resistencias eléctricas que tienen una resistencia

media de 40 ohms y una desviación estándar de 2 ohms. Si se supone que
la resistencia sigue una distribución normal y que se puede medir con
cualquier grado de precisión, ¿Qué porcentaje de resistencias tendrán una
resistencia que exceda 43 ohms?
 Distribuciones continuas
Distribución normal
Caso: Resistencias eléctricas
Solución:
1. Definimos la variable aleatoria:
X: medida de la resistencia eléctrica en ohms.

2. Estandarizando el valor de la variable a Z:

P (X > 43) = P (Z > 1.5) = 1−P (Z < 1.5) = 1−0.9332 = 0.0668

Interpretación: El 6.68% de las resistencias tendrán una

resistencia que exceda 43 ohms.
 Distribuciones continuas
Distribución normal

Caso: Cojinete de bolas

En un proceso industrial el diámetro de un cojinete de bolas
es una medida importante. El comprador establece que las
especificaciones en el diámetro sean 3.0 ± 0.01 cm. Esto
implica que no se aceptara ninguna parte que no cumpla estas
especificaciones. Se sabe que en el proceso el diámetro de un
cojinete tiene una distribución normal con media μ =
3.0 y una desviación estándar σ = 0.005. En promedio,
¿Cuántos de los cojinetes fabricados se descartaran?
 Distribuciones continuas
Distribución normal
Caso: Cojinete de bolas
Solución:
1. Definimos la variable aleatoria:
X: diámetro de un cojinete de bolas
2. Estandarizando los valores de los limites especificados:
x1 = 2.99 y x2 = 3.01
P (2.99 < X < 3.01) = P (−2.0 < Z < 2.0).

A partir de la tabla de valores Z, P(Z < –2.0) = 0.0228. Debido a la simetría de la distribución normal,
encontramos que:
P (Z <−2.0) +P (Z > 2.0) = 2(0.0228) = 0.0456.

Interpretación: Se descartaran 4.56% de los cojinetes fabricados.

 Conclusiones
• Una variable aleatoria es una función que asocia un
número real con cada elemento del espacio muestral.

• Una distribución de probabilidad discreta describe la

probabilidad de ocurrencia de cada valor de una variable
aleatoria discreta.

• Una función de densidad de probabilidad para una

variable aleatoria continua se construye de manera que el
área bajo su curva limitada por el eje x sea igual a 1.

• La distribución de probabilidad normal es simétrica

alrededor de su media.
 Gracias
Docente: Antonio Alejandro Gamero
Paredes