OBJ ET I VOS

Definir un experimento aleatorio

Entender el concepto de probabilidad.
Aplicar los conceptos de probabilidades a casos relacionados con el control
estadístico de procesos.
Definir que es una variable aleatoria
Definir y aplicar el concepto de Esperanza Matemática y varianza.
Aplicar las principales distribuciones de probabilidades al control estadístico de
procesos.

 T E M AS A T R AT AR

Probabilidades..
Variables aleatorias.
Esperanza matemática y varianza.
Distribuciones binomial, poisson y normal.

D U R AC I Ó N D E L A P R Á C TI C A

Una sesión (2 horas).

1
M AR C O T E Ó R I C O

1. Variable aleatoria discreta

La variable aleatoria discreta es aquella que tiene un rango finito (o infinito numerable).

Por ejemplo:
- el número de tornillos defectuosos en una muestra aleatoria de tamaño 15,
- el número de llamadas de servicio que hacen los clientes durante un mes.

Son todas aquellas magnitudes donde cada uno de los valores que pueda tomar, en un
1
Control estadístico de la calidad, Gutierrez

Ing. Ferly Urday Luna

 sistema de referencia o población, tiene asociada una cierta probabilidad de ocurrencia.
Se denomina variable aleatoria, a una variable estadística definida en un espacio
muestral 


|

El dominio de la variable aleatoria X es el espacio muestral W y el rango es un

subconjunto de los números reales que se denotará por R X, siendo,
RX = {x   / x = X(),  }

La función X es una variable aleatoria discreta, si el rango de X es contable (finito o

infinito numerable). Una V.A. discreta asume cada uno de sus valores con cierta
probabilidad que denotaremos por P X(Probabilidad inducida por X). En efecto si e rango
de la variable aleatoria X es el conjunto finito de números, RX = {1;2;...;Xn} y si B = {xi} es
un evento en RX, entonces:

P(xi) = P[X = xi] = P[   / X() = xi];  i = 1;2;3;…..

Ejemplo 1
Sea  el espacio muestral de lanzar al aire una moneda tres veces consecutivas, esto
es,

 = {SSS, SSC, SCS, CSS, SCC, CSC, CCS, CCC}.

Si X se define en  como “el número de caras obtenidas”, entonces, X es una variable

aleatoria cuyo rango es el conjunto: R X = {0;1;2;3;4}. En efecto,

X = 0; corresponde al elemento elemental {SSS}.

X = 1; corresponde a los elementos elementales {SSC}, {SCS}, {CSS}.
X = 2; corresponde a los elementos elementales {SCC}, {CSC}, {CSS}.
X = 3; corresponde al elemento elemental {CCC}.

P[X = 0] = P({SSS}) = 1/8

P[X = 1] = P({SSC o SCS o CSS}) = 3/8
P[X = 2] = P({SCC o CSC o CSS}) = 3/8
P[X = 3] = P({CCC}) = 1/8

Ejemplo 2
Consideremos el experimento de lanzar dos dados y observar los números que
aparecen en las caras superiores. Encuentre la función de distribución de probabilidad
de la variable aleatoria y grafique para:
a) X: suma de los números que aparecen en las caras superiores de los dos dados.
b) X: diferencia de los números que aparecen en las caras superiores de los dos dados.
c) X: máximo de los dos números que aparecen en las caras superiores de los dos
dados.
d) Calcular para cada caso P[2 < X  5].

Solución: El espacio muestral asociado al experimento es:

Ing. Ferly Urday Luna

 (1-1) (1-2) (1-3) (1-4) (1-5) (1-6)
(2-1) (2-2) (2-3) (2-4) (2-5) (2-6)
 (3-1) (3-2) (3-3) (3-4) (3-5) (3-6)
(4-1) (4-2) (4-3) (4-4) (4-5) (4-6)
(5-1) (5-2) (5-3) (5-4) (5-5) (5-6)
(6-1) (6-2) (6-3) (6-4) (6-5) (6-6)

/
={(i;j) i = 1; 2; 3; 4;5;6}
j = 1; 2; 3; 4;5;6

a) En este experimento los posibles valores de x() = i + j, donde  = {i;j} son 2; 3;

4;...;12.
Tenemos que x = 2 corresponde al evento (1-1) con probabilidad 1/36, esto es, P[x =
2] = P[(1-1)] = 1/36. Resolviendo por analogía para los demás casos, llegamos a la
siguiente distribución de probabilidad.

xi 2 3 4 5 6 7 8 9 10 11 12
pi ó f (xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Gráfica de la Distribución
Distribucion de Probabilidad
Distribución P(x)
de probabilidad
0.20
7/36
6/36
0.15
5/36
4/36 P(X)
3/36
0.10
2/36 P(x)
1/36
0.05
1 2 3 4 5 6 7 8 9 10 11 12
0.00
2 3 4 5 6 7 8 9 10 11 12

La grafica de una distribución de probabilidades discreta se

denomina gráfica de bastones, que consiste en segmentos
verticales continuos o punteados de longitud proporcional a la
probabilidad respectiva en cada valor xi de la variable (Observar
el grafico de arriba)

Cálculo de P[2 < X  5]

Para encontrar esta probabilidad se debe hallar:
2 3 4 9 1
∑
x 3
f (x i )  f (3)  f (4)  f (5)  
36 36

36

36

4
i

Realice Ud. los puntos (b); (c) y (d) del ejemplo 2.

Función de distribución acumulada de la variable aleatoria discreta.

Ing. Ferly Urday Luna

f (x)
F(x) = P[X  x]
Ejemplo 3.- Hallar la función de distribución acumulada del punto (a) del ejemplo 2

0 x<2
1/36 2x<3
3/36 3x<4
6/36 4x<5
10/36 5x<6
15/36 6x<7
21/36 7x<8
26/36 8x<9
30/36 9  x < 10
33/36 10  x < 11
35/36 11  x < 12
36/36 x  12
Ejercicio.- Encontrar la función de distribución de probabilidad acumulada para los puntos
(b) y (c) del ejemplo 2.

Ing. Ferly Urday Luna

2. Esperanza matemática de una variable aleatoria discreta
La media de una v.a. X o media de la distribución de probabilidad de X es un número
real que se denota por X o por . La media es denominada también, esperanza
matemática o valor esperado de X, se denota también por E(X)
La media de una variable aleatoria discreta X con función de probabilidad f (x) es la
expresión:

Si el rango de X es un conjunto finito Si el rango de X es un conjunto infinito

RX = {x1; x2; ...; xn}, entonces: numerable RX = {x1; x2; ...}, entonces
n 

E(X)  ∑ x i f (x i ) E(X)  ∑ x i f (x i )
i1 i1

3. Varianza de una variable aleatoria discreta

Se denota por cualquiera de estas formas:
 2 ; 2 ; Var(X); v(X)

Sea X una v.a. con distribución de probabilidad f(x) y con media igual a m. La varianza
de X es la expresión:

La desviación estándar es la raiz cuadrada de la varianza.

Ejemplo 4.- Hallar la media y la varianza del punto (a) del ejemplo 2.

Cálculo de la media o de la esperanza matemática.

  E(X)  ∑ x f (x )
xiR X
i i

xi 2 3 4 5 6 7 8 9 10 11 12
pi ó f (xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Procedemos a multiplicar cada x i por f(xi) y luego sumamos. obteniendo que  = 7.

Conclusión: La esperanza matemática de la suma de dos dados que son lanzados es 7.
Cálculo de la varianza
Se procede a elevar al cuadrado cada suma de par de dados, multiplicar ese valor por su
probabilidad y hallar dicha suma, obteniéndose: 54,83. Luego
2 2 2
Var(X) = E(X )- = 54,83 – (7) = 54,83 – 49 = 5,83
Var (X) = 5,83
4. DISTRIBUCION BINOMIAL
a) Las n pruebas son estadísticamente independientes
b) Los resultados de cada prueba son dos mutuamente excluyentes, éxito (E) y
fracaso(F).
c) La probabilidad de éxito en invariante en cada una de las pruebas.

Ing. Ferly Urday Luna

 Si X ~ B(n, p) , entonces:

  E( X )  np  2  Var ( X )  npq

5. DISTRIBUCIÓN DE POISON
Se aplica a problemas donde la variable aleatoria es el número de eventos
independientes que ocurren en un intervalo de tiempo, o en una región plana(con un
promedio dado), por ejemplo, entre otros:
a) Número de llamadas que recibe una central telefónica en el periodo de un minuto.
b) Número de accidentes de trabajo que ocurren en una fábrica durante una semana.
c) Número de fallas en la superficie de una cerámica rectangular.
3
d) Número de bacterias en un volumen de un m de agua.

f (x)  P[ X  x]  e  ,Con x  0,1,2....

 x
e = 2,718282
x!
Si X ~ P() , entonces:

  E ( X )    2  Var ( X )  
6. Extensión o reducción del intervalo unitario
La probabilidad de que ocurran k eventos de Poisson en un intervalo de tiempo o
en una región de tamaño t es:

P[ X  k ]  e
  .t
 t  k ,Con k  0,1,2 ... ,etc
k!

7. Aproximación de la distribución binomial a la de poisson.

Sea X ~ B( n , p ). Si cuando n € , p € 0 y  = np permanece constante,
entonces la distribución binomial se aproxima a la distribución de Poisson con
parámetro .

Entonces esta aproximación nos permite resolver el problema de distribución

binomial aplicando la distribución de Poisson, básicamente cuando:

n  30 y p  0,05

8. La distribución normal

La distribución normal es probablemente la distribución “continua” más importante,

tanto en estadística teórica como aplicada.
Se dice que una variable aleatoria continua, X, que toma los valores reales, - <  < ,
se distribuye normalmente ( o más brevemente es normal) con parámetros  y  y se
describe por X ~ N(□,  ), si su función de densidad es:
2

Ing. Ferly Urday Luna

 Su gráfica de función de densidad es:
f(x)

 X
Estandarización
Si la variable aleatoria X tiene una distribución normal, entonces, la variable aleatoria
estándar N(□,  ) Z, tiene una distribución normal N( 0 ; 1 ).
2

X  
z


A C T I V I D A D E S D E L A P R Á C T I C A

1. Un empresa fabrica un lote de producción de 12 computadoras, de los cuales se piensa

hay 2 defectuosos. Un cliente pide revisar de forma aleatoria de 5 de ellos. Si X es el nº
de unidades defectuosas que se compran:
a) Encontrar la probabilidad de extraer justo los 2 defectuosos
b) Encuentre la distribución de probabilidad de X.
c) Representarla gráficamente.
d) Encuentre la distribución acumulada de X.
e) Representarla gráficamente.
f) Calcule la Varianza y la Media de X.

2. En un proceso de fabricación donde se produce una gran cantidad de artículos, se sabe por
datos históricos que en promedio 3.5% de ellos están defectuosos. Los artículos son
empacados en cajas de 70, y se quiere saber: a) cuál es la probabilidad de que haya al
menos 1 artículo defectuoso en cada caja. b) como máximo 1 articulo defectuoso, c) La
pérdida media diaria en $, si se sabe que la pérdida por tener 1 articulo fallado es de $ 250

3. Suponga que llegan en forma aleatoria una serie de llamadas a una central telefónica
con un promedio de tres llamadas por minuto. Calcular la probabilidad de que en el
periodo de un minuto:
a) No ocurra llamada alguna.
b) Ocurran 5 llamadas
c) Ocurran hasta 5 llamadas.
d) Si cada llamada cuesta S/. 0,50, ¿Cuánto es el costo esperado por llamada?.

4. Un proceso de producción de partes trabaja con un porcentaje promedio de defectos de

4%. 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.
b) De acuerdo con lo contestado en a), ¿considera que el esquema de muestreo es
adecuado o generará demasiadas interrupciones?

Ing. Ferly Urday Luna

5. Una empresa textil produce un tipo de tela en rollos de 100m. El número de defectos
que se encuentran al desenrollar la tela es una variable aleatoria de Poisson que tiene
en promedio 4 defectos por cada 20 metros de tela.
a) ¿Qué probabilidad hay que al desenrollar la tela se encentre menos de tres defectos
en los primeros 50 metros?.
b) Hallar la probabilidad de que al desenrollar la tela no se encuentre defectos en el
primer segmento de 5 metros de tela.
c) Si se desenrollan 5 rollos de tela escogidos al azar, ¿Cuál es la probabilidad de que
no se encuentren defectos de tela en el primer segmento de 5 metros de tela e n al
menos dos de ellos?.

E J E R C I C I O S

2 Considere el experimento de lanzar una moneda al aire 3 veces consecutivas y anotar

el resultado obtenido. Sea X una VA discreta que se define como el número de caras
obtenidas, hallar:
a) La función de distribución de probabilidad acumulada.
b) La Esperanza matemática.
c) La varianza
d) La desviación estándar.
e) P[0 < X  2]

3 Un lote de 10 impresoras contiene 4 defectuosas. Si se obtiene una muestra al azar de

cinco artículos, determine la distribución de probabilidades del número de artículos
defectuosos en la muestra, si se escogen:
a) Los cinco a la vez.
b) Uno por uno con reposición.

4 En una empresa metal mecánica, la probabilidad de que una silla pase con éxito la
prueba de control de calidad es de 5/6. Se prueban 10 sillas. Si X es la variable
aleatoria que se define como el número de sillas que no pasan la prueba, determine:
a) La función de probabilidades de X.
b) La media y la desviación estándar de X.
c) La función de distribución de probabilidad acumulada F(X) de X.
d) Usando F(X), calcular P[7<X9].

5 Un estudiante contesta al azar un examen de 9 preguntas tipo IBM con 4 alternativas

cada pregunta. Solo una de las alternativas es la correcta. Determine la distribución de
probabilidades del número de preguntas contestadas correctamente. Si para aprobar el
examen debe contestar al menos 6 preguntas, ¿Cuál es la probabilidad de aprobar el
examen?.

6 Una empresa textil produce un tipo de tela en rollos de 100m. El número de defectos
que se encuentran al desenrollar la tela es una variable aleatoria de Poisson que tiene
en promedio 4 defectos por cada 20 metros de tela.
a) ¿Qué probabilidad hay que al desenrollar la tela se encentre menos de tres defectos
en los primeros 50 metros?.
b) Hallar la probabilidad de que al desenrollar la tela no se encuentre defectos en el
primer segmento de 5 metros de tela.
c) Si se desenrollan 5 rollos de tela escogidos al azar, ¿Cuál es la probabilidad de que
no se encuentren defectos de tela en el primer segmento de 5 metros de tela e n al
menos dos de ellos?.

Ing. Ferly Urday Luna

7 Un estudio realizado en las tierras de cultivo de Socabaya concluye afirmando de que la
probabilidad de que cada hectárea de siembra fumigada contenga por lo menos un nido
de hormiga es de 0,005. De 600 hectáreas sembradas y escogidas al azar. ¿Qué
probabilidad hay de que al menos 5 de ellas contengan por lo menos un nido de
hormiga?.

8 La gerencia de la empresa Gordon Electronics está considerando adoptar un sistema de

bonos o primas para incrementar la producción. Una opción consiste en pagar un bono
sobre el 5% más alto de la producción con base en la experiencia. Los registros indican
que, en promedio, durante una semana se elaboran 4 000 unidades de un pequeño

Ing. Ferly Urday Luna

 ensamble. La distribución de la producción semanal es, aproximadamente, normal con
desviación estándar de 60 unidades. Si la prima se paga sobre el 5% superior de la
producción, ¿este bono se pagará con respecto a cuántas unidades o más?

9 Suponga que la duración X de los focos que produce una compañía se distribuye
normalmente. Si el 18,41% de estos focos duran menos de 8,2 meses y el 6,68% duran
al menos 13 meses.
a) Calcular la media y la varianza de la duración de los focos.
b) Hallar el cuartil Q1 de la distribución.

CUEST ION ARIO

1. ¿Qué es un experimento aleatorio?

2. ¿Qué se entiende por espacio muestral?
3. ¿Qué se entiende por probabilidad?
4. ¿Qué es la probabilidad condicional?
5. ¿Qué es una distribución de probabilidad?
6. ¿Cuál es la diferencia entre distribución de probabilidad discreta y continua?
7. ¿Qué es la esperanza matemática?
8. Busque, defina y coloque dos ejemplos de por lo menos 6 distribuciones de
probabilidad que no se hayan revisado en esta práctica.

R E F E RE N C I AS B I BL I O G R ÁF I C AS

1) Montgomery, D. 2005. Control Estadístico de la Calidad. Ed. LIMUSA WILEY. pp 51 – 81.

2) CALLE, C. 1995. El control analítico, la calidad total y la excelencia humana. pp 19 – 65.

3) Córdova, M. 2003. Estadística Descriptiva e Inferencial. pp 136 – 340.

ÆDOCUMENTOS ADJUNTOS

Ing. Ferly Urday Luna