Estadística Aplicada 2024 A Clase 6
Estadística Aplicada 2024 A Clase 6
Estadística Aplicada 2024 A Clase 6
Variable aleatoria
Definición 6.1.
Una variable aleatoria X es una función que asocia un número real a
cada elemento de un espacio muestral Ω simbólicamente
X = {(w, x) / X(w) = x , w ∈ Ω , x ∈ R}
Ejemplo
X(sss) = 0
X(ssc) = X(scs) = X(css) = 1
X(scc) = X(csc) = X(ccs) = 2
X(ccc) = 3
Por lo tanto el RX = {0, 1, 2, 3}
RX = {x ∈ R / x ≥ 0}
Definición 6.2.
Sea x el valor de una v.a. X. Una función real valorada de f definida
en el rango de X será una función de cuantı́a , si
1. f (x) ≥ 0 para todo x ∈ Domf = RX
X
2. f (x) = 1
∀ x∈Domf
Sean x1 , x2 , ...xn , ... los valores de una v.a. discreta X y sea A cualquier
subconjunto del conjunto de puntos { x1 , x2 , ...xn , ...} al que llamaremos
evento A entonces la probabilidad del evento A de define:
X
P (A) = f (x)
∀ x∈A
Ejemplo 6.1.
En un lote de 8 artı́culos hay dos defectuosos. Del mlote se toman al
azar una muestra(sin sustitución) de 4 artı́culos. Sea X el número de
artı́culos defectuosos en la muestra. Determine la distribución de
probabilidad para X.
solución
Observación
1. Notemos que 0 ≤ F (x) ≤ 1
2. Si X es una v.a. discreta
P (a < X ≤ b) = F (b) − F (a)
P (a ≤ X ≤ b) = F (b) − F (a− )
P (a < X < b) = F (b− ) − F (a)
P (a ≤ X < b) = F (b− ) − F (a− )
donde F (a− ) = P (X < a) = Limn→∞ F (a − n1 )
V. Contreras T. (UNAC) 8 / 47 2024 8 / 47
Variable Aleatoria
Esperanza Matemática
Definición 6.4.
La esperanza matemática o valor esperado de la v.a. discreta X
denotado por E(X) o µX o por µ se define por
X
E(X) = xi f (xi )
xi ∈RX
Varianza de la v.a. X
Definición 6.5.
La varianza de una variable aleatoria discreta X denotado por V ar(X)
2 se define por:
ó V (X) o por σX X
V (X) = E[(X − µ)2 ] = (xi − µ)2 f (xi ) donde f (xi ) es una
xi ∈RX
función de cuantı́a de la x.a. X y µ es la media o esperanza de X.
Definición 6.6.
La desviación estandar de la v.a. X denotado por σX se define como:
q
σX = σX 2
Definición 6.7.
Sea g una función continua de la v.a. discreta X, la esperanza
matemática de g denotado por E(g(X)) se define por
X
E(g(X)) = g(x) f (x)
∀x∈RX
Ejemplo 6.2.
Una tienda de electrónica vende un modelo particular de computadora
portátil. Hay sólo cuatro computadoras en existencia y la gerente se
pregunta cuál será la demanda de hoy para este modelo particular. Ella
se entera en el departamento de marketing de que la distribución de
probabilidad para X, la demanda diaria para la laptop, es como se
muestra
x 0 1 2 3 4 5
f(x)=p[X=x] 0,1 0,4 0,2 0,15 0,10 0,05
Encuentre la media, varianza y desviación estándar de X.
solución
Ejemplo 6.3.
Por experiencias, una compañia de envı́o sabe que entregar un paquete
pequeño dentro de 24 horas cuesta S/ 14,80. la compañia cobra S/
15,50 por el envı́o, pero garantiza reintegrar el cargo si la entrega no se
hace dentro de las 24 horas. Si la compañia no entrega solo 2% de sus
paquetes dentro del periodo de 24 horas, ¿cuál es la ganacia esperada
por paquete?
solución
Ejemplo 6.4.
El gerente del almacén de una fábrica ha construido la siguiente
distribución de probabilidad para la demanda diaria (número de veces
que se usa) de una herramienta en particular.
y 0 1 2
p(y) 0, 1 0, 5 0, 4
Distribución de Bernoulli
Se denomina prueba o ensayo de Bernoulli a todo experimento aleatorio
que consiste de solo dos resultados posibles mutuamente excluyentes,
generalmente llamados éxito (E) y fracaso (F). El espacio muestral
asociado al experimento aleatorio de Bernoulli se puede escribir como el
conjunto Ω = {E, F }.
Definición 7.1.
La v.a. X definida en Ω de manera que atribuye a E el valor 1 y a F el
valor 0, se denomina v.a. Bernoulli.
Definición 7.2.
Si p = P [X = 1] es la probabilidad de éxito siendo
0 ≤ p ≤ 1 y q = P [X = 0] = 1 − p es probabilidad de fracaso, la
distribución de probabilidad de Bernoulli de parámetro p es
descrita por la ecuación
f (x) = P [X = x] = px q 1−x , x = 0, 1
V. Contreras T. (UNAC) 17 / 47 2024 17 / 47
Distribución de Bernoulli
Teorema 7.1.
Si X tiene distribucuón de Bernoulli de parámetro p, entonces
E(X) = p , V (X) = p q
Ejemplo 7.1.
Supongamos que un experimento aleatorio X consiste en seleccionar un
artı́culo defectuoso de un lote de 100 que contienen 5 artı́culos
defectuosos. Halle la distribución de probabilidad de X, dado que X es
una v.a. de Bernoulli.
Solución
X: Nº de artı́culos defectuosos.
5 95
p= = 0, 05 , q= = 0, 95
100 100
Luego, la distribución de probabilidad de Bernoulli de parámetro p es:
f (x) = P [X = x] = 0, 05x 0, 951−x , x = 0, 1
V. Contreras T. (UNAC) 18 / 47 2024 18 / 47
Distribución de Bernoulli
Distribución Binomial
El experimento binomial se caracteriza por ser un experimento aleato-
rio que consiste en efectuar n pruebas independientes y repetidas de
Bernoulli. La probabilidad de éxito p se mantiene constante a través de
las n pruebas.
Definición 7.3.
Se denomina variable binomial, a la v.a. X definida en Ω como el Nº
de éxitos que ocurren en las n pruebas de Bernoulli. Los
posibles valores de X son: 0, 1, 2, ..., n.
Definición 7.4.
Se dice que la v.a. binomial X tiene distribución binomial con
parámetros n y p y se escribe X ∼ B(n, p), si su función de
probabilidad es:
n x n−x
f (x) = P [X = x] = p q , x = 0, 1, 2, ..., n.
x
V. Contreras T. (UNAC) 19 / 47 2024 19 / 47
Distribución de Bernoulli
Teorema 7.2.
Si X ∼ B(n, p), entonces E(X) = n p , V (X) = n p q
Ejemplo 7.2.
La probabilidad de producir un artı́culo defectuoso en una fábrica es:
0,1. Halle la probabilidad de que:
a). Un lote de 12 artı́culos contenga 2 defectuosos.
b). Al revisar 6 lotes de 12 artı́culos se encuentre al menos 1 lote con 2
defectuosos.
Solución X: Nº de artı́culos defectusos en los 12 artı́culos del lote.
X ∼ B(12, p) donde
p = 0, 1 probabilidad de éxito.
12
a). P [X = 2] = 0, 12 0, 912−2 = 0, 23
2
b). Y : Nº de lotes con 2 artı́culos defectuosos de los 6 lotes revisados.
X ∼ B(6, p) donde p = 0, 23 y q = 0,
77.
6
P [X ≥ 1] = 1 − P [Y = 0] = 1 − 0, 230 0, 776 = 0, 79
0
V. Contreras T. (UNAC) 20 / 47 2024 20 / 47
Distribución de Bernoulli
Distribución Geométrica
Teorema 7.3.
Si X ∼ G(p) entonces
1 q
E(X) = , V (X) =
p p2
Ejemplo 7.3.
En cierta fábrica la probabilidad de producir un artı́culo defectuoso es
0,1. Halle la probabilidad de que:
a). Sea necesario revisar 5 artı́culos para hallar el primer defectuoso.
b). Halle la esperanza y la varianza de la distribución.
Solución
X: Nº de artı́culos que se necesita revisar para encontrar el primer
defectuoso.
a). X ∼ G(0, 1)
b).
1 0, 9
E(X) = = 10 , V (X) = = 90
0, 1 0, 12
Ejemplo 7.4.
Si X ∼ P ascal(p, r) entonces
r r (1 − p)
E(X) = , V (X) =
p p2
Ejemplo 7.5.
Una máquina se utiliza para fabricar cierto tipo de objetos en serie. Se
sabe que la probabilidad de que cada objeto sea defectuoso es 1/10. Si
se controla la calidad de cada objeto producido y si la máquina se apaga
cuando se producen 4 objetos defectuosos, ¿cuál es la probabilidad de
que se pare la máquina en el décimo objeto producido?
Solución
X: Nº de objetos producidos hasta controlar 4 defectuosos.
Los posibles valores de X son 4,5,6,... cada objeto se produce indepen-
dientemente con probabilidad p = 1/10 = 0, 1 de que sea defectuoso. La
máquina se para si se encuentran r = 4 defectuosos. La probabilidad de
que se pare la máquina en el décimo objeto producido es:
10 − 1
f (10) = P [X = 10] = 0, 14 (1 − 0, 1)10−4 = 0, 00446
4−1
distribución hipergeométrica
Un conjunto de N objetos contiene r objetos clasificados como éxitos y
N − r objetos clasificados como fracasos. Se selecciona una muestra con
tamaño de n objetos al azar (sin reemplazo) de los N objetos, donde
r ≤ N y n ≤ N.
Definición 7.7.
La v.a. X que se define como el Nº de exitos en una muestra de
tamaño n que se selecciona al azar sin reposición de N objetos
de los cuales r son clasificados como éxitos y los restantes
N − r como fracasos, se llama v.a. hipergeométrica.
Definición 7.8.
Se dice que la v.a. hipergeométrica X tiene distribución hipergeométrica
y se escribe X ∼ H(N, n, r), si su función de probabilidad es:
N −r
Cxr Cn−x
f (x) = P [X = x] = , x = 0, 1, 2, 3, ....
CnN
V. Contreras T. (UNAC) 25 / 47 2024 25 / 47
Distribución de Bernoulli
Teorema 7.4.
Si X ∼ H(N, n, r) entonces
N −n
E(X) = n p , V (X) = n p q
N −1
donde p = Nr , q = 1 − p
Además si N tiende a +∞ entonces H(N, n, r) se aproxima a una
distribución binomial B(n, p) (la aproximación es buena si
n ≤ 0, 1 × N )
Ejemplo 7.6.
Un lote de tubos contiene 100 unidades del proveedor ”A&B” y 200 unidades
del proveedor ”Plastic”. Si se seleccionan 4 piezas al azar y sin reemplazo.
a). ¿Cuál es la probabilidad de que todas sean del proveedor ”A& B”?
b). ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del
proveedor ”A& B”?
c). ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del
proveedor ”A& B”?
Solución
X: Nº de piezas de la muestra del proveedor ”A& B”.
C 100 C 200
a). P [X = 4] = 4 3000 = 0, 0119
C4
C2100 C2200 C3100 C1200 C4100 C0200
b). P [X ≥ 2] = + + = 0, 408
C4300 C4300 C4300
c). P [X ≥ 1] = 1 − P [X = 0] = 0, 196
distribución de Poisson
Definición 7.9.
Si el número promedio de conteos en el intervalo es λ > 0, la v.a. X
que es igual al número de conteos en el intervalo tiene una distribución
de Poisson con parámetro λ (se escribe X ∼ P (λ)) y tiene función de
probabilidad dada por:
e−λ λx
f (x) = P [X = x] = , x = 0, 1, 2, 3, ....
x!
NOTA 7.1.
La distribución de Poisson se aplica a problemas donde la v.a. X es el
Nº de eventos que ocurren en un intervalo de tiempo ó en una región
por ejemplo:
Nº de llamadas que recibe una central telefónica en el periodo de 1
minuto.
Nº de fallas de un sistema en un dı́a dado.
Nº de accidentes de trabajo que ocurren en una fábrica durante
una semana.
V. Contreras T. (UNAC) 29 / 47 2024 29 / 47
Distribución de Bernoulli
Teorema 7.5.
Si X ∼ P (λ) entonces
E(X) = λ , V (X) = λ
Ejemplo 7.7.
El arribo de camiones de carga a un muelle sigue una distribución de
Poisson, siendo la tasa de llegada, 2 camiones por hora.
a). Calcule la probabilidad de que en un periodo de 4 horas lleguen
entre 6 y 10 camiones.
b). ¿Cuál es la probabilidad de tener que esperar más de 4 horas hasta
la llegada del primer camión?.
Solución
X:Nº de camiones que llega al muelle en una hora. En este caso λ = 2,
X ∼ P (λ = 2).
Y :Nº de camiones que llega al muelle en 4 horas. En este caso λ = 2(4),
Y ∼ P (λ = 8). Entonces:
e−8 8y
f (y) = P [Y = y] = , y = 0, 1, 2, 3, ....
y!
10 −8 y
X e 8
a). P (6 ≤ Y ≤ 10) =
y!
y=6
−8
e 8 0
b). P [Y = 0] = = e−8
0!
Teorema 7.6.
Sea X una v.a. con distribución binomial B(n, p). Si n → ∞ , p → 0
y λ = n p, permanece constante, entonces la distribución binomial se
aproxima a la distribución de Poisson con parámetro λ, esto es:
e−λ λx
n x
P [X = x] = p (1 − p)n−x tiende a P [X = x] =
x x!
NOTA 7.2.
La aproximación es buena, si n > 30 y n p ≤ 5.
Ejemplo 7.8.
Un manual se edita con un tiraje de 100000 ejemplares. La
probabilidad de que un manual esté encuadernado en tela
incorrectamente es igual a 0,0001. Halle la probabilidad de que el tiraje
contenga exactamente 5 libros defectuosos.
Solución
X: Nº de libros incorrectamente encuadernados en un tiraje de 100000
ejemplares. X ∼ B(100000; 0, 0001).
Como n = 100000 es grande (n → ∞) y p = 0, 0001 tiende a cero,
aproximemos la distribución binomial X ∼ B(100000; 0, 0001) a la dis-
tribución de Poisson P (λ) donde λ = n p = (100000) (0, 0001) = 10.
Luego:
e−10 105
P [X = 5] = = 0, 0375
5!
Ejercicios de Aplicación
Ejemplo 7.9.
Una biblioteca se suscribe a dos revistas de noticias semanales, cada
una de las cuales se supone que llega en el correo de los miércoles. En
realidad cada una puede llegar el miércoles, jueves, viernes ó sábado.
Suponga las dos llegan independientemente una de otra y para cada una
P (M i) = 0, 3 , P (Ju) = 0, 4 , P (V i) = 0, 2 y P (Sa) = 0, 1. Sea Y el
número de dı́as después del miércoles que pasan para que ambas
revistas lleguen.
a). Calcule la función de probabilidad de Y
b). ¿Cuántos dı́as tendrı́a que esperar para que ambas revistas lleguen
después del miércoles?
Sugerencia: Y (M i, M i) = 0 , Y (V i, Ju) = 2
Solución
y 0 1 2 3
Rpta. a).
P(Y=y) 0,09 0,04 0,32 0,19
b). aprox. 2 dias
V. Contreras T. (UNAC) 34 / 47 2024 34 / 47
Distribución de Bernoulli
Ejemplo 7.10.
Un vendedor de helados gana en promedio, 20 soles diarios si hay sol;
pero si llueve gana 5 soles diarios. Por otra parte puede obtener
siempre 12 soles diarios si dedica el dı́a apintar, cualquiera sea el
tiempo que haga.
a). Si el boletı́n de SENAMHI indica que la probabilidad de que llueve
es 0,6; ¿a qué se debe dedicar el vendedor ese dı́a?
b). ¿Qué valor debe alcanzar la probabilidad p de que llueva para que
el vendedor decida no vender helados?
Solución
Rpta.
a). Se debe dedicar a pintar
b). p > 8/15
Ejemplo 7.11.
Determine la prima anual para una póliza de seguro de 1 000 dólares
que cubre un evento que, en un periodo largo, se ha presentado dos
veces de cada 100. Sea X igual a la ganancia financiera anual de la
compañı́a de seguros, resultado de la venta de la póliza, y sea C igual a
la prima anual desconocida. Calcule el valor de C tal que la ganancia
esperada E(X) sea igual a cero. Entonces, C serı́a la prima requerida
para no ganar ni perder. A esto la compañı́a agregarı́a los costos
administrativos y las utilidades.
Prima En el ámbito de los seguros, la prima es el costo del seguro o aportación económica
que ha de pagar un asegurado o contratante a una compañı́a aseguradora por la transferencia
del riesgo bajo las coberturas que esta última ofrece a sus clientes durante un determinado
perı́odo de tiempo. Comúnmente esta puede ser mediante los siguientes esquemas: pago
único, pago anual, semestral, trimestral, bimestral, mensual.
Póliza Documento con que se formalizan ciertos contratos de seguros, mercantiles o de
operaciones.
Solución
Rpta: C=20
V. Contreras T. (UNAC) 36 / 47 2024 36 / 47
Distribución de Bernoulli
Ejemplo 7.12.
Sea la v.a. X con función de distribución dada por:
0, x<1
1/6, 1 ≤ x < 2
F (x) =
1/2, 2 ≤ x < 3
1, x≥3
Ejemplo 7.13.
De todos los clientes que compran abridores automáticos de puertas de
cochera, 75% compran un modelo accionado por cadena. Sea X el
numero de entre los siguientes 15 compradores que seleccionan un
modelo accionado por cadena.
a). Halle la distribución de X.
b). Calcule P (X ≤ 12)
c). Calcule P (8 ≤ X ≤ 11)
d). Halle la esperanza y varianza de X.
Solución
Rptas:
a) B(15, 0, 75)
b)0,7639
c) 0,5214
d) E(X)=11,25 V(X)=2,8125
Ejemplo 7.14.
Se construye un complejo sistema electrónico con cierto número de
piezas de respaldo en sus subsistemas. Un subsistema tiene cuatro
componentes idénticos, cada uno con una probabilidad de 0,2 de fallar
en menos de 1000 horas. El subsistema va a operar si dos de los cuatro
componentes están operando. Suponga que los componentes operan de
manera independiente. Encuentre la probabilidad de que
a). exactamente dos de los cuatro componentes dure más de 1000
horas
b). el subsistema opere más de 1000 horas.
Solución
Rptas: Binomial
a) 0,1535
b)0,9728
Ejemplo 7.15.
Suponga que la probabilidad de mal funcionamiento de un motor
durante cualquier periodo de una hora es p =0,02. Encuentre la
probabilidad de que un motor determinado funcione bien dos horas.
Solución
Rptas:Geometrica
0,9604
Ejemplo 7.16.
El proceso de producción de un bien se debe detener tan pronto se
produzca la primera unidad que no cumpla con las especificaciones
establecidas. Se estima en 0,99 la probabilidad de que una unidad
producida cumpla las especificaciones. Si el objetivo es producir 150
unidades que cumplan las especificaciones
a). ¿Que probabilidad hay de lograr el objetivo?
b). Si despues de producir 100 unidades del bien aún no se ha
detenido el proceso, ¿con qué probabilidad de lograrı́a el objetivo?.
Solución
Geométrica
a) 0,2215
b) 0,6050
Ejemplo 7.17.
Un estudio geológico indica que un pozo petrolero de exploración debe
descubrir petróleo con probabilidad 0,2.
a). ¿Cuál es la probabilidad de que el primer hallazgo sea en el tercer
pozo perforado?
b). ¿Cuál es la probabilidad de que el tercer hallazgo sea en el séptimo
pozo perforado?
c). Encuentre la media y la varianza del número de pozos que deben
ser perforados si la compañı́a desea abrir tres pozos productores.
Solución
pascal
a) 0,128
b) 0,049
c) E(X)=15 V(X)=60
Ejemplo 7.18.
Una compañia que produce cristal fino, sabe por experiencia que 10%
de sus copas tienen imperfecciones y deben de clasificarse como de
segunda
a). entre seis copas seleccionadas al azar, ¿que tan probable es que
solo una sea de segunda?
b). Si las copas se examinan una por una, ¿Cual es la probabilidad de
que por lo menos sean seleccionados 5 para encontrar 4 que no
sean de segunda?
Solución
Binomial
a) 0,3543
b) 0,3439
Ejemplo 7.19.
Un producto industrial se envı́a en lotes de 20. Es costoso realizar
pruebas para determinar si un artı́culo es defectuoso y, por tanto, el
fabricante muestrea su producción en lugar de usar un plan de
inspección al 100%. Un plan de muestreo, construido para minimizar el
número de piezas defectuosas enviadas a los clientes, exige muestrear
cinco artı́culos de cada lote y rechazar el lote si se observa más de una
pieza defectuosa (si el lote es rechazado, cada artı́culo del mismo se
prueba posteriormente). Si un lote contiene cuatro piezas defectuosas,
¿cuál es la probabilidad de que sea rechazado? ¿Cuál es el número
esperado de piezas defectuosas en la muestra de tamaño 5? ¿Cuál es la
varianza del número de piezas defectuosas de la muestra de tamaño 5?
Solución Rpta
Hipergeométrica
a) 0,2487
b) E(X)=1 V(X)=0,632
Ejemplo 7.20.
Un director de personal que entrevista a 12 ingenieros para 4 vacantes,
ha programado 6 entrevistas al azar para el primer dia y seis para el
segundo dı́a.
a). ¿Cuál es la probabilidad de que x de los mejores cuatro candidatos
sean entrevistados el primer dı́a?
b). ¿ Cuántos de los mejores cuatro candidatos pueden esperar ser
entrevistados el primer dı́a?
Solución
Rpta.
a). hipergeometrica
b). E(X)=2
Ejemplo 7.21.
Un vendedor ha encontrado que la probabilidad de una venta en un solo
contacto es aproximadamente 0,03. Si el vendedor hace contacto con
100 posibles clientes, ¿cuál es la probabilidad aproximada de hacer al
menos una venta?
Solución
Rpta
Poisson
0,95
Ejemplo 7.22.
Los mensajes que llegan a una computadora utilizada como servidor lo
hacen de acuerdo con una distribución de Poisson con una tasa
promedio de 0,1 mensajes por minuto.
a). ¿Cuál es la probabilidad de que lleguen a lo más 2 mensajes en
una hora?
b). Determine el intervalo de tiempo necesario para que la
probabilidad de que no llegue ningún mensaje durante ese lapso de
tiempo sea 0,8.
Solución
Rptas:
a) 0,062
b) 2,231 min.