Estadstica Inferencial-Sesin 1

Cusco 2015

ESTADSTICA

INFERENCIAL

I. VARIABLES ALEATORIAS
Debe notarse que los resultados de un experimento aleatorio no necesariamente son numricos, frecuentemente
estos resultados son

matematizados

asignndoles nmeros. Por ejemplo, como parte de un estudio

experimental un ingeniero qumico selecciona aleatoriamente un producto producido por una nueva mquina
computarizada y puede clasificar a cada uno de los productos como defectuoso o no defectuoso. El conjunto de
posibles resultados, el espacio muestral, es S defectuoso, no defectuoso D, N . Se define una
funcin, digamos X, tal que

X ( N ) 0 y X ( D) 1 . Tales funciones definidas en el espacio muestral, son

llamadas variables aleatorias. Las variables aleatorias se representan por letras maysculas y sus valores
observados por letras minsculas. El conjunto de los posibles valores de la variable aleatoria X recibe el nombre
de rango de X.
Definicin 1.1

Dado un experimento aleatorio con un espacio maestral S. Una funcin que asigna a cada

elemento s en S uno y slo un nmero real es llamada una variable aleatoria. El rango o soporte de valores de X es
el conjunto de nmeros reales x : x X s , s S .

Ejemplo 1.1 En una operacin de moldeado de plstico, cada pieza se clasifica segn cumpla las especificaciones
de color. El espacio muestral es: S cumple, no cumple C , NC .
Se define la variable aleatoria X, tal que X (C ) 0 y X ( NC ) 1
Ejemplo 1.2

Se define la variable aleatoria X: Tiempo de vida (en horas) de un

componente de una

fotocopiadora.
Ejemplo 1.3 Durante un proceso de produccin, se mide la longitud de una pieza maquinada (se refiere a la
formacin de una pieza por medio de taladrado y de perforaciones de una pieza bsica). Se define la variable
aleatoria X: Longitud de la pieza maquinada.
Ejemplo 1.4 Puede considerarse como una variable aleatoria al volumen de petrleo que es vertido al mar por
empresas de harina de pescado, el cual es registrado anualmente.

Estadstica Inferencial-Sesin 1
Cusco 2015

Las variables aleatorias pueden ser clasificadas como discretas o continuas. Se dice que es discreta si tiene un
rango finito o infinito numerable:
X: EN de modo que f: N[0,1].
Es continua si puede tomar cualquier valor en algn intervalo del conjunto de los nmeros reales y la probabilidad
que tome un valor especfico es cero.
A continuacin se describir el comportamiento de la variable aleatoria en trminos de probabilidades.
1.2 Variable aleatoria discreta y su distribucin de probabilidad
La distribucin de probabilidad de una variable aleatoria discreta, X, es el conjunto de pares ( x, p ( x )) ; donde:

x , representa a un valor observado de la variable aleatoria X y,

p x P X x la correspondiente probabilidad.

La probabilidad P X x representa la fraccin de veces que puede esperarse que x

ocurra y cumple con las

siguientes propiedades:
(i) 0 p x 1 para toda x.
(ii)

p x 1 , donde la sumatoria se toma sobre todos los valores de x con probabilidad diferente de cero.
x

Para todos los valores reales de x que no son posibles de ocurrir, p ( x ) = 0. Este hecho debe ser interpretado
correctamente aunque no est especificado correctamente.
Ejemplo 1.2.1 Una mquina que realiza la operacin de llenado de las bolsas de detergentes de 280 grs. cumple
con esta especificacin en un 85% de los casos. De un lote se seleccionan tres bolsas al azar y el experimento
consiste en observar si cada una de las bolsas cumple con el peso especificado. Se define la variable aleatoria:
X: Nmero de bolsas que cumplen la especificacin (peso exacto).
La variable X es discreta y su rango de valores es R X : 0,1,2,3 respectivamente. Para obtener las
probabilidades relacionadas a esta variable se construir su distribucin de probabilidad. Dado que el llenado de
una bolsa no tiene efecto sobre las dems bolsas, la probabilidad de que una bolsa cumpla con la especificacin es
de 0.85 y que no cumpla es de 0.15 respectivamente, durante todo el proceso. A continuacin se muestra un
diagrama de rbol y a partir de las diferentes trayectorias se obtendrn las probabilidades de cada uno de los
posibles valores de X.

Estadstica Inferencial-Sesin 1
Cusco 2015

C: Cumple con la especificacin

C /: No cumple con la especificacin

Para determinar las probabilidades de la variable aleatoria X, cuando toma el valor 0, 1, 2 3 se sumaran las
probabilidades de las trayectorias correspondientes. As,
p 0 P X 0

0.15 3
2
p1 P X 1 3 0.15 0.85
2
p 2 P X 2 3 0.15 0.85
3
p 3 P X 3 0.85

0.0034
0.0574
0.3251
0.6141

La distribucin de probabilidad es la siguiente:

0
0.0034

p ( x)

1
0.0574

2
0.3251

3
0.6141

La funcin de probabilidad puede ser expresada a travs del siguiente modelo.

p x 1 p 3 x , x 0,1,2,3
p x
c.c.
0,
donde: p 0.15 y 1 p 0.85
Se verifica que p x cumple:
(i) p x 0

para todo x 0,1,2,3

(ii)

p x 1
x 0

p x 0.0034 0.0574 0.3251 0.6141 1

x 0

Por lo tanto, p x , es una funcin de probabilidad.

Fig.1. Representacin grfica de la funcin de probabilidad

Estadstica Inferencial-Sesin 1
Cusco 2015

En base a la funcin de probabilidad, se respondern preguntas tales como:

i)

Cul es la probabilidad que exactamente dos de las bolsas de detergentes cumplan con el peso

especificado?
La probabilidad que se necesita calcular es P X 2 = 0.3251.
(ii) Cul es la probabilidad que ninguna de las bolsas de detergente cumplan con el peso especificado?
La probabilidad que necesitamos calcular es P X 0 . P X 0 = 0.0034.
(iii) Cul es la probabilidad que las tres bolsas de detergente cumplan con el peso especificado?
La probabilidad que necesitamos calcular es P X 3 . Si observamos la tabla, se encuentra

que

P X 3 = 0.3251.
(iv) Cul es la probabilidad que a lo ms dos de las bolsas de detergente cumplan con el peso especificado?
La probabilidad que necesitamos calcular es P X 2 . Si observamos la tabla, se encuentra que,
P X 2 P X 0 P X 1 P X 2
0.0034 0.0574 0.3251
0.3859

(v) Cul es la probabilidad de que por lo menos una de las bolsas de detergente cumplan con el peso
especificado?
La probabilidad que necesitamos calcular es P X 1 . Si observamos la tabla, se encuentra que,
P X 1 P X 1 P X 2 P X 3
0.0574 0.3251 0.6141

0.9966

(vi) Cul es la probabilidad que ms de una de las bolsas de detergente cumplan con el peso especificado?
La probabilidad que necesitamos calcular es P X 1 . Si observamos la tabla, se encuentra que,
P X 1 P X 2

P X 2 P X 3
0.3251 0.6141
0.9392

(vi) Cul es la probabilidad que menos de dos de las bolsas de detergente cumplan con el peso especificado?
La probabilidad que necesitamos calcular es P X 2 . Si observamos la tabla, se encuentra que,
P X 2 P X 1

P X 0 P X 1
0.0034 0.0574
0.0608

La probabilidad que menos de dos de las bolsas de detergente cumplan con el peso especificado, es equivalente a
decir que una bolsa o ninguna cumpla con el peso especificado.

Estadstica Inferencial-Sesin 1
Cusco 2015

Funcin de distribucin
La funcin de distribucin est definida como la probabilidad de que la variable aleatoria X tome un valor
inferior o igual a

x . Es

decir,

F x P X x
F x , satisface las propiedades siguientes.

(i) F x P X x

p x

xi x

(ii) 0 F x 1
(iii)

x1 x 2 , entonces F x1 F x 2 .

A continuacin se presenta la funcin de distribucin y su respectiva representacin grfica para el Ejemplo1.5.

As, se tiene que:

F 0 P X 0 P X 0 0.0034
F 1 P X 1 P X 0 P X 1 0.0034 0.0574 0.0608

F 2 P X 2 P X 0 P X 1 P X 2 0.0034 0.0574 0.3251 0.3859

F 3 P X 3 P X 0 P X 1 P X 2 P X 3 0.0034 0.0574 0.3251 0.6141 1
La funcin de distribucin es expresada de la siguiente forma:

x0
0,
0.0034, 0 x 1

F x P X x 0.0608, 1 x 2
0.3859, 2 x 3

1,
x3
F x , tambin es llamada funcin escalera.
Fig.2. Representacin grfica de la funcin de distribucin del
Ejemplo 1.5

Estadstica Inferencial-Sesin 1
Cusco 2015

Ejemplo 1.2.2 El administrador de la maderera El Pino, conoce que en la produccin diaria de 85 entablados
de madera se encuentra que 5 de ellos no cumplen con los requerimientos del cliente. Del lote se
escogen dos entablados de madera al azar, sin remplazo. Se define la variable aleatoria X: nmero de
entablados que no cumplen con los requerimientos del cliente. Cul es la funcin de probabilidad de
X? Cul es la funcin de distribucin de X?
Solucin

El nmero total de formas de seleccionar dos entablados de un total de 85 es

85
3570
2

Por tanto el espacio muestral S contiene 3 570 puntos muestrales con igual probabilidad, considerando que se
realiza una seleccin al azar.
El rango de X es, R X 0,1,2 . Es decir, es posible que al seleccionar dos entablados y observar si no
cumplen con los requerimientos del cliente, pueda ocurrir:

X 0 , significa que ambos entablados seleccionados cumplen con los

(ninguno no cumple). El nmero total de formas de que este evento ocurra es

80
3160
2

requerimientos del cliente

y su probabilidad es,

Estadstica Inferencial-Sesin 1
Cusco 2015

80

XP 0 2 3160 0.8 52
85 3570

2

X 1 , significa que uno de los entablados no cumple con los requerimientos del cliente y su

probabilidad es,

80 5

PX 1 11 40 0.1 20
85 3570

2
7

Estadstica Inferencial-Sesin 1
Cusco 2015

X 2 , significa que ambos entablados no cumplen con los requerimientos del cliente y su probabilidad
es,

5

XP 2 2 10 0. 028
85 3570

2
La distribucin de probabilidad es la siguiente.

x
p ( x)

0
0.8852

1
0.1120

2
0.0028

La funcin de probabilidad puede ser expresada a travs del siguiente modelo.

Estadstica Inferencial-Sesin 1
Cusco 2015

5 80

x 2x , x0,12

p x 85

2
0, c.
Grficamente,
Fig.2. Representacin grfica de la funcin de probabilidad del
ejemplo

2. Se determinar la funcin de distribucin de X:

Estadstica Inferencial-Sesin 1
Cusco 2015

F 0 P X 0 0.8852
1

F 1 P X 1 P X x P X 0 P X 1 0.8852 0.112 0.9972

x 0
2

F 2 P X 2 P X x 0.8852 0.1120 0.0028 1

x 0
Fig.2. Representacin
grfica de la funcin de distribucin del ejemplo

Media, varianza y desviacin estndar

Definicin 1.2.1 La media o valor esperado de una variable aleatoria discreta X, denotada por

o E(X), es

E ( X ) x p x
x

Este valor es empleado para identificar el valor central de la variable aleatoria. Puede interpretarse como el centro
de la masa del rango de los valores de X.
Ejemplo1.2.3

En relacin al ejercicio 1.5,

la variable aleatoria X: Nmero de bolsas que cumplen la

especificacin (peso exacto), cuya funcin de probabilidad es,

x
p ( x)

0
0.0034

1
0.0574

2
0.3251

3
0.6141

La funcin de probabilidad puede ser expresada a travs del siguiente modelo.

p x 1 p 3 x , x 0,1,2,3
p x
c.c.
0,
donde: p = 0.85

1-p = 0.15

Por consiguiente,

10

Estadstica Inferencial-Sesin 1
Cusco 2015

E X 0 p 0 1 p 1 2 p 2 3 p 3

0 0.0034 1 0.0574 2 0.3251 3 0.6141

2.5499

De notarse que X nunca toma el valor 2.5499, pero este valor puede interpretarse como el centro de la masa del
rango de los valores de X.
Adems de identificar el valor central de X, es frecuentemente importante determinar la magnitud de su
dispersin o variabilidad.
Definicin 1.2.2 Suponga que la media de X es

y que la funcin de probabilidad de X es p x . La varianza

de una variable aleatoria discreta X, denotada por 2 Var ( X ) , es

2 E X x p x
2

Es decir, la varianza de una variable aleatoria se calcula ponderando el cuadrado de cada desviacin con respecto a
la media, con la probabilidad asociada a la desviacin.
Debe notarse que como la desviacin de cada valor de X con respecto a

se eleva al cuadrado, para cualquier

variable aleatoria X se cumple que,

2 0
En que caso 2 es cero? Esto ocurre cuando X toma un solo valor constante, por ejemplo c, entonces,

E X c y E X 2 c c 2 0 .
Ejemplo 1.2.4 Considerando el Ejemplo1.5, la varianza de X es:
2 0 2.5499 p 0 1 2.5499 p 1 2 2.5499 p 2 3 2.5499 p 3
2

6.502 0.0034 2.4022 0.0574 0.3024 0.3251 0.2026 0.6141

0.3827

Las unidades

de la variable en este ejemplo son nmero de bolsas que cumplen con la especificacin (peso

exacto), y dado que la varianza de una variable eleva al cuadrado las desviaciones con respecto a la media, las
unidades de 2 , se relacionan con el nmero de bolsas que cumplen con la especificacin al cuadrado. Por ello,
otra alternativa para medir la variabilidad, que con frecuencia es ms fcil de interpretar es la desviacin estndar,
definida a continuacin.
Definicin1.2.3 La desviacin estndar de una variable aleatoria X, denotada por

, es la raz cuadrada positiva

de 2 .
Las unidades de la desviacin estndar son idnticas a las unidades de la variable X.
Ejemplo 1.2.5 En el Ejemplo 1.5,

0.3827 0.7654 1 . En este ejemplo, los resultados pueden

resumirse como la desviacin promedio de X con respecto a su media es de 1 bolsa.

Ejemplo 1.2.6 El encargado de la vigilancia de una fbrica recibe un llavero con cinco llaves, y no sabe con
exactitud cul es la llave que abre el candado de la puerta principal. Por tanto, intenta con cada llave hasta que

11

Estadstica Inferencial-Sesin 1
Cusco 2015

consigue abrirlo. Se define la variable aleatoria X como el nmero de intentos realizados para abrir el candado. Se
determinar la funcin de probabilidad, la funcin de distribucin y se calcular:
(i)

La probabilidad de que realice a lo ms tres intentos.

(ii)

La probabilidad de que por lo menos realice cuatro intentos.

(iii)

La probabilidad de que exactamente realice cinco intentos.

(iv)

La probabilidad de que realice menos de dos intentos.

(v)

La media y la desviacin estndar de la variable.

Solucin
El rango de la variable aleatoria es R X 1,2,3,4,5 . El nmero de intentos que realiza el vigilante para abrir el
candado, se representa a travs del siguiente diagrama de rbol.

1 intento:
P(X = 1) = P(E1 ) = 1/5
2 intento:
P(X = 2) = P(E /1 E2) = P(E /1 ) P(E2/ E /1 ) =(4/5) (1/4) = 1/5
3 intento:
P(X = 3) = P(E /1 E /2 E3) = P(E /1 ) P(E /2/ E /1 ) P(E3/ E /1 E /2)=(4/5) (3/4) (1/3) = 1/5
4 intento:
P(X = 4) = P(E /1 E /2 E /3 E4) = P(E /1 ) P(E /2/ E /1 ) P(E /3/ E /1 E /2) P(E4/ E /1 E /2 E/3)
=(4/5)(3/4)(2/3)(1/2) = 1/5
5 intento:
P(X = 5) = P(E /1 E /2 E /3 E /4 E5) = P(E /1 ) P(E /2/ E /1 ) P(E /3/ E /1 E /2) P(E /4/ E /1 E /2 E /3) P(E5/ E /1 E /2 E /3 E /4)

= (4/5)(3/4)(2/3)(1/2)(1) = 1/5
La funcin de probabilidad es

12

Estadstica Inferencial-Sesin 1
Cusco 2015

1
, x 1, 2, 3, 4, 5
p x 5
0, c.c.

y, la correspondiente funcin de distribucin:

x 1
0,
1 5, 1 x 2

2 5 , 2 x 3

F x

3 5, 3 x 4
4 5, 4 x 5

1,

x5

Respuesta a las preguntas formuladas.

(i)

La probabilidad que realice a lo ms tres intentos.

P X 3 F 3 0.6
(ii)

La probabilidad que por lo menos realice cuatro intentos.

P X 4 1 P X 3 1 F 3
(iii)

La probabilidad que exactamente realice cinco intentos.

P X 5 p 5 0.20
(iv)

La probabilidad que realice menos de dos intentos.

P X 2 P X 1 p 1 0.20
(v)

La media y la desviacin estndar de la variable.

Media:
E X 1 p 1 2 p 2 3 p 3 4 p 4 5 p 5

1 0.2 2 0.2 3 0.2 4 0.2 5 0.2

3

Puede decirse que para abrir el candado, en promedio realizar tres intentos.
Varianza

13

Estadstica Inferencial-Sesin 1
Cusco 2015

2 1 3 0.2 2 3 0.2 3 3
2

0.2 4 3 2 0.2 5 3 2 0.2

2 2
Desviacin estndar

2 1.4142
A continuacin se describirn algunas distribuciones de probabilidad de variables aleatorias discretas tales
como Bernoulli, Poisson y Geomtrica que se usan con ms frecuencia.
1.3 DISTRIBUCIN DE BERNOULLI
La distribucin de Bernoulli caracteriza a una variable aleatoria discreta con dos posibles resultados y con
probabilidades de ocurrencia constante. Tpicamente cada uno de estos resultados representa un xito (
X 1 ) o un fracaso X 0 . Este tipo de ensayos o pruebas fueron investigados por primera vez en
la obra de Jacques (Jakob) Bernoulli (1654 -1705): Ars Conjectandi, publicada por su joven sobrino
Nicolaus en forma pstuma en Basilea, Suiza (1713), y por eso se llaman ensayos de Bernoulli.
Definicin 1.3.1 Una variable aleatoria
est dada por:

X , tiene distribucin de Bernoulli si su funcin de probabilidad

p x 1 p 1 x ,
x 0,1
0
, cualquier otro caso

P X x
donde

p es la probabilidad de xito y 1 p la probabilidad de fracaso, es decir:

P X 1 p1 1 p

P X 0 p 0 1 p

1 0

11

1 p , donde 0 p 1 .

La representacin grfica de la funcin de probabilidad y la funcin de distribucin se muestran en las

Figura 1 y Figura 2 respectivamente.
Notacin: X ~ B p , se lee X tiene una distribucin de Bernoulli con parmetro p .
Una variable aleatoria con distribucin de Bernoulli puede ser utilizada para modelar situaciones como la
siguiente:

Ante una promocin de becas en computacin un individuo puede aceptar o no la promocin.

Un analista clnico evala a un paciente y podr clasificarlo como inmune o no a una determinada
enfermedad.
Un artculo puede ser clasificado como defectuoso o no defectuoso despus de haber sido
sometido a un proceso de control de calidad.

Fig.1 Funcin de probabilidad de Bernoulli

Fig.2 Funcin de distribucin de Bernoulli

14

Estadstica Inferencial-Sesin 1
Cusco 2015

Esperanza o Media
La media de una variable aleatoria

X con distribucin de Bernoulli est definida por:

E X p

Varianza
La varianza de una variable aleatoria

X con distribucin Bernoulli est definida por:

Var X 2 p 1 p pq

Ejemplo 2.4.1 Juan, cliente de un hotel, esta jugando con su amigo Carlos, Juan lanza una moneda y
observa la cara superior, si sale sello l tendr que pagar a Carlos $100 y si sale cara el ganar el juego. En
un solo juego:
a.

Cul es la probabilidad de que Juan gane?

b.

Cul es la probabilidad de que Carlos gane?

Solucin
Consideremos la variable aleatoria
Si

X : Cliente del Hotel gana el juego

X 1 : Juan gana el juego y si X 0 : Juan no gana el juego.

a) Luego la probabilidad que Juan gane es:

P X 1 p x 1 p

1 x

0.51 1 0.5

11

0.5 ,

1 0

0.5 .

p 0.5 es la probabilidad que resulte cara al lanzar la moneda.

b) Luego la probabilidad que Juan no gane el juego es:

P X 0 p x 1 p

1 x

0.5 0 1 0.5

Asimismo, el SPSS nos proporciona estas probabilidades:

a)
Ingresar al EDITOR DATA y acceder a TRANSFORM / COMPUTE / OK.

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.BERNOULLI(x,p) con

parmetro p . Para resolver la parte a) del ejemplo anterior se realiza la siguiente operacin:

15

Estadstica Inferencial-Sesin 1
Cusco 2015

P X 1 P X 1 P X 0
CDF .BERNOULLI 1,0.5 CDF .BERNOULLI (0,0.5)

Se define en Target Variable Bernoulli, la variable que contendr el valor de la probabilidad requerida.

b) Continuando con el uso del SPSS para resolver la parte b) del ejemplo:
Ingresar al EDITOR DATA y acceder a TRANSFORM / COMPUTE
Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.BERNOULLI(x,p) con
parmetro p . Se realiza la siguiente operacin:
P X 0 P X 0 CDF .BERNOULLI 0,0.5

OK.

Y se obtiene la informacin requerida

16

Estadstica Inferencial-Sesin 1
Cusco 2015

1.4 DISTRIBUCIN BINOMIAL

El experimento de lanzar una moneda discutido anteriormente tiene slo dos posibles resultados: cara y
sello. La probabilidad de cada uno de ellos es conocida y constante de un lanzamiento al siguiente, y
adems el experimento puede repetirse muchas veces. Los experimentos de este tipo siguen una
distribucin binomial. En base al proceso de Bernoulli, llamado as por Jacob Bernoulli (1654-1705),
miembro de una familia de matemticos suizos, una distribucin Binomial presenta cuatro propiedades:
i. Slo puede haber dos posibles resultados. Uno se identifica como xito, y el otro como fracaso. Sin
embargo, se advierte que estos trminos no tienen ninguna connotacin de bueno o malo. Son
completamente subjetivos, y un xito no implica necesariamente un resultado deseable.
ii. La probabilidad de un xito, p , sigue siendo constante de un ensayo a otro, al igual que lo hace la
probabilidad de fracaso, q .
iii. La probabilidad de un xito en un ensayo es totalmente independiente de cualquier otro ensayo.
iv. El experimento puede repetirse muchas veces.
Definicin Una variable aleatoria
dada por:

X , tiene una distribucin binomial si su funcin de probabilidad est

n x
nx
p 1 p ,
x 0,1,2,3,..., n
x

P X x

donde

, representa el nmero total de xitos en los

, caso contrario

ensayos.

La representacin grfica se muestra en las Fig. 3.

Notacin: X ~ b n, p , se lee

X tiene una distribucin binomial con parmetros n y p .

Una variable aleatoria con distribucin binomial puede ser utilizada para modelar situaciones como las
siguientes:
Los sindicatos laborales con frecuencia estn interesados en saber cuntos trabajadores: estn
interesados en unirse al sindicato y quienes no estn interesados.
En una campaa escolar, el equipo de marketing tendr inters en conocer el nmero de personas
que prefiere o no prefiere comprar un producto que cumplen con los estndares de calidad.
La aplicacin de la distribucin binomial en los diversos campos del conocimiento es amplia.
Fig. 3 Grfica de la funcin de Probabilidad Binomial
para b 5,0.5

17

Estadstica Inferencial-Sesin 1
Cusco 2015

Esperanza o Media
La media de una variable aleatoria

X con distribucin de probabilidad Binomial est definida por:

E X np

Varianza
La varianza de una variable aleatoria

X con distribucin Binomial est definida por:

Var X 2 np 1 p npq
Ejemplo Se conoce que el 20% de las empresas dedicadas el sector construccin cumplen con los
estndares de calidad. Si 10 empresas de este sector son evaluadas respecto al cumplimiento de los
estndares de calidad, cul es la probabilidad que se encuentre:
a) Cuatro empresas que no cumplen con los estndares de calidad?
b) Por lo menos 4 empresas que no cumplen con los estndares de calidad?
c) A lo ms 5 empresas que no cumplen con los estndares de calidad?
d) Entre 4 y 7 empresas que no cumplen con los estndares de calidad?
e) El nmero medio de empresas que no cumplen con los estndares de calidad.
Solucin
Consideremos la variable aleatoria como

X , donde

X : Nmero de empresas que no cumplen con los estndares de calidad

X ~ b n, p , donde n 10 y p 0.20 , x 0,1,...,10
10
10!
10 4
0.20 4 1 0.20

(0.20) 4 (0.80) 6
a) P X 4
6!4!
4

b) P X 4

10 x9 x8 x 7 x6!
(0.0016) 0.2621 0.088
6!4 x3 x 2 x1

complemento

1 P X 4 1 P X 3 1 0.88 0.12

P X 3 P X 0 P X 1 P X 2 P X 3
0.11 0.26 0.31 0.20 0.88
Puede verificarse que

10
10 0
P X 0 0.200 0.80 0.11
0

10
10 1
1
0.26
0.20 0.80
1

P X 1

10
10 2
2
0.31
0.20 0.80
2

P X 2

18

Estadstica Inferencial-Sesin 1
Cusco 2015

10
10 3
3
0.20
0.20 0.80
3

P X 3

c) P X 5 P X 0 P X 1 P X 2 P X 3 P X 4 P X 5
0.11 0.26 0.31 0.20 0.088 0.026 0.994
10
10 5
5
0.026
0.20 0.80
5

P X 5

d) P 4 X 7 P X 4 P X 5 P X 6 P X 7
0.088 0.026 0.0055 0.0000066 0.120
10
10 6
6
0.0055
0.20 0.80
6
10
10 7
P X 7 0.207 0.80
0.0000066
7
P X 6

e) np 10 0.20 2 , en promedio 2 empresas no cumplen con los estndares de calidad.

Para resolver, el ejemplo anterior, usando SPSS se procede de la siguiente manera:
a)

Ingresar al EDITOR DATA y acceder a TRANSFORM / COMPUTE

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.BINOM(x,n, p) con

parmetros n y p, para resolver la parte a) del ejemplo anterior se realiza la siguiente operacin:

P X 4 P X 4 P X 3 CDF .BINOM ( 4,10,0.20) CDF .BINOM (3,10,0.20)

OK.
Definir variable en Target Variable , por ejemplo, binomal.
Se obtiene la probabilidad requerida

b) Ingresar al EDITOR DATA y acceder a TRANSFORM y luego COMPUTE

19

Estadstica Inferencial-Sesin 1
Cusco 2015

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.BNOM(x,n, p) con

parmetros n y p , para resolver la parte b) del ejemplo anterior se realiza la siguiente operacin:

P X 4

complemento

1 P X 4 1 P X 3 1 CDF .BINOM (3,10,0.20)

Definir variable en Target Variable, por ejemplo, binomal.

Se obtiene la probabilidad requerida

La probabilidad obtenida es exactamente igual que al realizar el proceso usando directamente la funcin de
probabilidad binomial.
c) Ingresar al EDITOR DATA y acceder a TRANSFORM / COMPUTE
Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.BINOM(x,n, p) con
parmetros n y p , para resolver la parte c) del ejemplo anterior se realiza la siguiente
operacin: P X 5 CDF .BINOM 5,10,0.20

OK.
Definir variable en Target Variable , por ejemplo, binomal.
Se obtiene la probabilidad requerida

20

Estadstica Inferencial-Sesin 1
Cusco 2015

d) Ingresar al EDITOR DATA y acceder a TRANSFORM/ COMPUTE

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.BINOM(x,n,p) con
parmetros n y p , para resolver la parte d) del ejemplo anterior se realiza la siguiente
operacin:
P 4 X 7 P X 7 P X 3 CDF .BINOM (7,10,0.20) CDF .BINOM (3,10,0.20)

e)

Se obtiene la probabilidad requerida

np

Ingresar al EDITOR DATA y acceder a TRANSFORM / COMPUTE

Calcular np.

Se obtiene la informacin requerida

21

Estadstica Inferencial-Sesin 1
Cusco 2015

np 2 .

1.5 DISTRIBUCIN DE POISSON

Esta distribucin se usa con frecuencia para estimar la cantidad de sucesos u ocurrencias en determinado
intervalo de tiempo o espacio, ideada por el matemtico francs Simeon Poisson (1781-1840). Por ejemplo,
la variable aleatoria de inters podra ser el nmero de llegadas a la plataforma de un banco entre las 11:15
y 12:15, el nmero de reparaciones que necesitan 10 km. de carretera, el nmero de accidentes industriales
de una empresa de harina de pescado cada mes; el nmero de conexiones elctricas defectuosas por km. de
cableado en un sistema elctrico de una ciudad, o el nmero de mquinas que se daan y esperan ser
reparadas en un mes.
Son necesarios dos supuestos para la aplicacin de la distribucin de Poisson:
La probabilidad de ocurrencia del evento es constante para dos intervalos cualesquiera de tiempo o
espacio.
La ocurrencia del evento en un intervalo es independiente de la ocurrencia en otro intervalo
cualquiera.
Definicin Una variable aleatoria
dada por:

X , tiene una distribucin Poisson si su funcin de probabilidad est

P X x
donde :

e x
,
x!

x 0,1,2,3,... ,

es el nmero de veces que ocurre el evento

es el nmero promedio de ocurrencias por unidad de tiempo o espacio
e 2.71828 , la base del logaritmo natural

La representacin grfica se muestra en las Figura 4.

Notacin:

X ~ P , se lee X tiene una distribucin de Posison con parmetro .

Fig. Distribucin de Probabilidad Poisson para 0.7

Esperanza o Media
La media de una variable aleatoria

X , con distribucin de Poisson est definida por:

E X
22

Estadstica Inferencial-Sesin 1
Cusco 2015

Varianza
La varianza de una variable aleatoria

X , con distribucin Poisson est definida por:

Var X 2

Ejemplo La Municipalidad de Lima hizo un contrato con la compaa de pavimentacin Capeco S.A. para
hacer mantenimiento a las vas del centro de Lima. Las vas recientemente pavimentadas por esta compaa
demostraron un promedio de dos defectos por km., despus de haber sido utilizadas durante un ao. Si la
Municipalidad sigue con esta compaa de pavimentacin. Cul es la probabilidad que:
a) Se presenten 3 defectos en cualquier kilmetro de va despus de haber tenido trfico durante un
ao?
b) Se presenten 5 defectos en cualquier kilmetro de la va despus de haber tenido trfico durante 3
aos?
c) Se presenten entre 2 y 5 defectos en cualquier kilmetro de la va despus de haber tenido trfico
durante 2 aos?
d) Estime el nmero promedio de defectos en cualquier kilmetro de la va despus de haber tenido
trfico durante 5 aos?
Solucin:
Se define la variable aleatoria como X , donde
X : Nmero de defectos en cualquier kilmetro de va despus de haber tenido
trfico durante un ao.
Luego, X ~ P , donde 2 defectos por km.
a) P X 3

e 2 2 3
e 2 8

0.1351.33 0.18
3!
6

b) En este caso cambia el valor de , para hallar el nuevo valor utilizamos una regla de tres simple:
2 defectos por Km.
_______
1 ao
'
_______
3 aos

Entonces el nuevo valor de es ' 6 , luego

P X 5

e 6 65 0.0025 7776

0.16
5!
120

c) En este caso cambia el valor de , el nuevo de ' 4 , luego

P X 2
P X 3

e 4 4 3
0.195
3!

P X 4
P X 5

e 4 4 2
e 4 0.01832
2!

e 4 44
0.195
4!

e 4 45
0.156
5!

P 2 X 5 P X 2 P X 3 P X 4 P X 5

23

Estadstica Inferencial-Sesin 1
Cusco 2015

0.01832 0.195 0.195 0.156 0.693

d) En este caso cambia el valor de es 10, luego el nmero medio de defectos es

10
Para resolver el mismo ejemplo usando el SPSS procedemos de la siguiente manera:
a)

Ingresar al EDITOR DATA y acceder a TRANSFORM/ COMPUTE

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.POISSON(q, mean) con

parmetro mean , para resolver la parte a) del ejercicio anterior se realiza la siguiente
operacin:
P X 3 P X 3 P X 2 CDF .POISSON (3,2) CDF .POISSON (2,2)

Se obtiene la probabilidad requerida

b) Ingresar al EDITOR DATA y acceder a TRANSFORM/ COMPUTE

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.POISSON(x, mean) con
parmetro mean , para resolver la parte b) del ejercicio anterior se realiza la siguiente
operacin:
P X 5 P X 5 P X 4 CDF .POISSON (5,6) CDF .POISSON ( 4,6)
Se obtiene la probabilidad requerida

24

Estadstica Inferencial-Sesin 1
Cusco 2015

c)

Ingresar al EDITOR DATA y acceder a TRANSFORM / COMPUTE

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.POISSON(x, mean) con
parmetro mean , para resolver la parte c) del ejercicio anterior se realiza la siguiente
operacin:

P 2 X 5 P X 5 P X 1 CDF .POISSON (5,4) CDF .POISSON (1,4)

Se obtiene la probabilidad requerida

1.6 DISTRIBUCIN

DE PROBABILIDAD GEOMTRICA

En el experimento que consiste en una secuencia de ensayos independientes de Bernoulli, con probabilidad p
constante de xito en cada ensayo, la cual termina cuando se obtiene xito por primera vez, consideramos la
variable aleatoria X que indica el nmero de ensayos realizados.
Por ejemplo una compaa de Componentes de Computadora, desea saber el nmero de artculos a producirse,
en un nuevo proceso de produccin, hasta conseguir el primer artculo defectuoso; suponiendo que el proceso da a
cada artculo la misma probabilidad de ser defectuoso.
Definicin Una variable aleatoria X tiene distribucin geomtrica con parmetro
de probabilidad est dada por,

P X x p 1 p

x 1

p , si su funcin de distribucin

x 1,2,3,... ,

siendo 0 p 1 .
Notacin Se escribe X G p y se suele decir tambin que la variable aleatoria
geomtrica con parmetro p . La representacin grfica se muestra en la Fig. 5.
Fig. 5 Distribucin de Probabilidad Geomtrica para G 0.50

X tiene distribucin

25

Estadstica Inferencial-Sesin 1
Cusco 2015

Esperanza o Media
La media de una variable aleatoria con distribucin geomtrica est definida por:
E X

1
p

Varianza
La varianza de una variable aleatoria con distribucin geomtrica est definida por:

Var X 2

1 p
p2

Ejemplo 2.7.1 La empresa Report S.A. dispone de un aparato que fabrica bateras de celulares. Este aparato se
utiliza hasta que aparece la primera batera defectuosa. Por informacin anterior se tiene que la probabilidad de
que la batera sea no defectuosa es 6/7, la probabilidad de que la batera sea defectuosa es 1/7. Considere la
variable aleatoria nmero de bateras que produce el aparato hasta antes de darle de baja.
a) Determine la distribucin de probabilidad del nmero de bateras que produce el aparato hasta antes de
darle de baja
b) El nmero medio de bateras que produce el aparato hasta antes de darle de baja
c) La desviacin tpica del nmero de bateras que produce el aparato hasta antes de darle de baja
Solucin
a) Consideremos la variable definida por
X : Nmero de bateras que produce el aparato hasta antes de darle de baja
Los valores que toma la variable aleatoria son: x 1,2,3,...
La probabilidad de xito representa la probabilidad de que la batera sea defectuosa, esto es, p
probabilidad de fracaso representa la probabilidad de que la batera sea no defectuosa, esto es, q

1
y la
7

6
, luego la
7

distribucin de probabilidad de la variable aleatoria es:

P X x

x 1

1
,
7

x 1,2,...

b) El nmero medio de bateras que produce el aparato hasta antes de darle de baja es :

c)

1
1

7
p 1/ 7
La varianza del nmero de bateras que produce el aparato hasta antes de darle de baja es:
26

Estadstica Inferencial-Sesin 1
Cusco 2015

6
1

p
1

1
/
7
49 x 6
2 2
7
42
2
1
p
7 x1
1 / 7
49
La desviacin estndar es :

42 6.48

Ejemplo 2.7.2 Un estudiante de maestra de la UNMSM tiene una probabilidad de 0.75 de aprobar el examen de
suficiencia de ingls en cualquier intento que haga.
a) Cul es la probabilidad de que logre aprobar en el cuarto intento?
b) Cul es la probabilidad de que logre aprobar entre el cuarto y sexto intento?
Solucin
Consideremos la variable definida por
X : Nmero de intentos que el estudiante hace para aprobar el examen de
suficiencia del idioma ingls
Los valores que toma la variable aleatoria son: x 1,2,3,...
La probabilidad de xito representa la probabilidad de que el estudiante apruebe el examen de suficiencia
del idioma ingls, esto es, p 0.75 y la probabilidad de fracaso representa la probabilidad de que el
estudiante no apruebe el examen , esto es, q 0.25 , luego la distribucin de probabilidad de la variable
aleatoria es:
x 1
P X x 0.75 0.25 ,
x 1,2,...
a)

La probabilidad de aprobar en el cuarto intento es :

P X 4 0.75 0.25

4 1

0.75 0.016 0.012

b) La probabilidad de que logre aprobar entre el cuarto y sexto intento es:

P 4 X 6 P X 4 P X 5 P X 6

0.012 0.003 0.00075 0.02

P X 5 0.75 0.25

P X 6 0.75 0.25

5 1
6 1

0.75 0.004 0.003

0.75 0.001 0.00075

Asimismo, volviendo a resolver el mismo ejercicio con auxilio del SPSS nos proporciona estas probabilidades:
a)
Ingresar al EDITOR DATA y acceder a TRANSFORM / COMPUTE

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.GEOM(x, p) con parmetro

para resolver la parte a) del ejercicio anterior se realiza la siguiente operacin:

p,

P X 4 P X 4 P X 3 CDF .GEOM ( 4,0.75) CDF .GEOM (3,0.75)

27

Estadstica Inferencial-Sesin 1
Cusco 2015

OK.
b)

Ingresar al EDITOR DATA y acceder a TRANSFORM y luego COMPUTE

Muestra la pantalla COMPUTE VARIABLE y se escoge la funcin CDF.GEOM(x, p) con parmetro

para resolver la parte b) del ejercicio anterior se realiza la siguiente operacin:

p,

P 4 X 6 P X 6 P X 4 CDF .GEOM (6,0.75) CDF .GEOM (3,0.75)

Se obtiene la informacin requerida

28