Estadstica Inferencial

ESTADSTICA INFERENCIAL 1

Sesin No. 3
Nombre: Distribuciones de probabilidades para variables. Parte I.
Objetivo: Al finalizar la sesin, el estudiante explicar el concepto de variable
aleatoria y sus propiedades. As mismo describir la diferencia entre variable
aleatoria discreta y variable aleatoria continua. Conocer tambin las
condiciones de aplicacin de las distribuciones binomial e hipergeomtrica.

Contextualizacin

Con frecuencia, cuando se realiza un experimento aleatorio puede ser que

solamente nos interese el valor de determinadas magnitudes numricas, y no
todos los detalles del resultado del experimento. Estas magnitudes de inters
que vienen determinadas por el resultado del experimento se conocen como
variables aleatorias.

Para calcular la probabilidad de que una variable aleatoria tome distintos valores,
o pertenezca a un cierto intervalo existen distintos modelos de distribuciones de
probabilidad. Estos modelos tienen un gran nmero de aplicaciones en
situaciones de la vida cotidiana y en casi todas las reas profesionales.

Como estudiante y profesionista requerirs conocimientos bsicos y habilidad

para organizar, analizar y transformar datos, as como para presentar la
informacin para tomar buenas decisiones personales y de naturaleza
profesional.
 ESTADSTICA INFERENCIAL 2

Introduccin al Tema

Cmo describir la probabilidad de que un evento se realice en el futuro?

Imagen recuperada de: users.york.ac.uk

A los conceptos vistos en las sesiones anteriores vamos a aadir en primer lugar
el de variable aleatoria y su clasificacin dependiendo de los valores numricos
que asuma.

A continuacin, se presentarn dos de las distribuciones de probabilidad discreta

utilizadas ampliamente: la binomial y la hipergeomtrica, ya que resultan ser
modelos tiles para hacer inferencias y tomar decisiones de incertidumbre.
 ESTADSTICA INFERENCIAL 3

Explicacin

2.1 Variable aleatoria

Qu es una variable aleatoria?

En cualquier experimento, existen numerosas caractersticas que pueden ser

observadas o medidas, pero en la mayora de los casos la persona que realiza el
experimento se enfoca en algn aspecto especfico o aspectos de una muestra
(Devore, 2008). Por ejemplo:

Si cuentas el nmero de alumnos ausentes en la clase de Biologa del

viernes, el nmero puede ser 0, 1, 2, El nmero de ausencias es una
variable aleatoria.

En una clnica veterinaria no se

tiene manera de saber con
exactitud cuntas mascotas
enfermas van a ser atendidas de
urgencias en un da cualquiera de
modo que el nmero de mascotas

enfermas del da siguiente es una Fuente: Imagen recuperada de: impacto.mx

variable aleatoria.

En general, cada resultado de un experimento puede ser asociado con un

nmero especificando una regla de asociacin. Esta regla de asociacin se
llama variable aleatoria, variable porque diferentes valores numricos son
posibles y aleatoria porque el valor observado depende de cul de los posibles
resultados experimentales resulte.
 ESTADSTICA INFERENCIAL 4

Definicin:

Para un espacio muestral dado de algn experimento, una variable aleatoria

es cualquier regla que asocia un nmero con cada resultado en .

En lenguaje matemtico:

Una variable aleatoria es una funcin cuyo dominio es el espaci muestral y

cuyo rango es el conjunto de los nmeros reales.

Para designar a las variables aleatorias se utilizan las letras , , y los

valores que asumen estas variables pueden denotarse por medio de las letras
minsculas correspondientes. Veamos algunos ejemplos:

Si el espacio muestral es {lluvioso, soleado, fro}, se puede definir una

variable aleatoria diciendo que = 5 si est lluvioso, = 25 si est
soleado y = 3.2 si hace fro, es decir, {} = 5, {} =
25 y {} = 3.2.

Si el espacio muestral corresponde al lanzamiento de dos dados

equilibrados, se puede establecer que, sea el cubo del nmero obtenido
en el primer dado, el cuadrado del nmero obtenido en el segundo dado,
la resta de los dos nmeros que han salido, etc.

Todo valor constante c puede ser tambin una variable aleatoria si se

establece que () = para todo (Evans & Rosenthal, 2005).
Entonces, 7 es una variable aleatoria, igual que 16 o 4.5.
 ESTADSTICA INFERENCIAL 5

Si es un suceso cualquiera puede definirse una funcin indicadora de ,

representada por , como la variable aleatoria

1
() =
0

Que es igual a 1 para e igual a 0 para

Dadas dos variables aleatorias e se puede efectuar con ellas cualquier tipo
de operacin matemtica. Por ejemplo.
2
() = 2 () = () = () ()
si = , entonces () = () ()
Considera el lanzamiento de un dado equilibrado de seis caras, de modo
que:
= {1, 2, 3, 4, 5, 6}
Sea el nmero que sale, es decir, () = para
Sea cinco ms el doble del nmero que sale, o sea, () = 2 +
5

Si se define = 4 + , entonces

() = 4() + () = 4 + 2 + 5 = 6 + 5

Por tanto (1) = 11, (2) = 17, etc.

Se escribe = para representar () = () para toda ; anlogamente,

representa () () para todo , y indica () () para
todo . Por ejemplo, 6 significa () 6 para todo .

Si es infinito, entonces una variable aleatoria definida sobre puede tomar

infinitos valores. Por ltimo, suponiendo que es una variable aleatoria y que
sabemos que pueden ocurrir diferentes resultados con diferentes
probabilidades. En consecuencia, tambin () tomar diferentes valores con
 ESTADSTICA INFERENCIAL 6

diferentes probabilidades, probabilidades que se denominan la distribucin de

(Evans & Rosenthal, 2005).

Se acostumbra clasificar las variables aleatorias de acuerdo con el nmero de

valores que pueden tomar: en variables aleatorias discretas, es decir,
variables aleatorias que pueden tomar un nmero finito o contablemente infinito
(tantos valores como nmeros enteros hay); tambin hay variables aleatorias
continuas, que se usan cuando manejamos cantidades medidas en una escala
continua, por ejemplo, el peso, temperatura, distancia, entre otras. En esta
sesin se considerarn slo las variables aleatorias que son discretas.

2.2 Distribucin binomial

Cmo se calcula una probabilidad binomial?

La distribucin de probabilidad binomial es una distribucin de probabilidad

discreta que tiene muchas aplicaciones. Est relacionada con un experimento
aleatorio conocido como experimento de Bernoulli. Un experimento binomial
tiene las siguientes propiedades:

1. El experimento est constituido por un nmero finito, , de ensayos

idnticos.

2. En un determinado ensayo del experimento slo hay dos posibles

resultados. A uno de ellos se le llama xito y al otro fracaso.

3. La probabilidad de xito de cada ensayo aislado es constante para todos

los ensayos y recibe la denominacin de . La probabilidad de fracaso
que se denota = 1 es la misma en cada ensayo.

4. Los ensayos son independientes, lo cual significa que el resultado de un

ensayo no influye en el resultado del otro.

Si se presentan las tres ltimas propiedades, se dice que los ensayos son
generados por un proceso de Bernoulli. Si, adems, se presenta la propiedad 1,
 ESTADSTICA INFERENCIAL 7

se trata de un experimento binomial. En un experimento binomial lo que interesa

es el nmero de xitos en ensayos. Si denota el nmero de xitos en
ensayos, es claro que tomar los valores 0, 1, 2,, . Dado que el nmero de
estos valores es finito, es una variable aleatoria discreta. A la distribucin de
probabilidad correspondiente a esta variable aleatoria se le llama distribucin de
probabilidad binomial (Anderson, Sweeney, & Williams, 2008).

Para construir una probabilidad binomial particular es necesario conocer lo

siguiente (Render, Stair, & Hanna, 2012):

Sean:

= 1 =

La frmula binomial es:

!
= () =
! ( )!

Veamos algunos ejemplos:

Si la probabilidad de que cualquier elector

registrado en el INE (seleccionado al azar de
las listas del padrn oficial) vote en una
eleccin determinada es 0.70.

Cul es la probabilidad de que dos de

cinco electores registrados voten en la Fuente: Imagen recuperada de: lajornadadeoriente.com

eleccin?
 ESTADSTICA INFERENCIAL 8

Solucin

Este experimento tiene las caractersticas de un experimento binomial con:

1. Cantidad de ensayos idnticos realizados, = 5 .

2. En cada ensayo hay dos resultados posibles: voten (xito) o no voten

(fracaso).

3. .La probabilidad de xito y de fracaso son iguales en todos los

ensayos, siendo = 0.70 y = 0.3.

4. Los ensayos son independientes porque los electores se eligen

aleatoriamente.

Como se satisfacen las cuatro propiedades

: Variable aleatoria discreta (nmero de electores registrados que votan)

Sustituyendo en la frmula = 5, = 2, = 0.70, = 1 = 1 0.70 =

0.30 se tiene

!
() = (. ) ( . )
(
! )!

!
() = (. )(. ) = .
! !

La probabilidad de que dos de cinco electores voten en una eleccin es de

0.1323

La probabilidad de que una familia que hace ejercicio en cierto club deportivo
aproveche la promocin especial de membresa Fitness es 0.30. Obtn las
probabilidades de que, entre seis familias que se ejercitan en este club haya 0, 1,
2, 3, 4, 5, o 6 familias que aprovechen la promocin.
 ESTADSTICA INFERENCIAL 9

Solucin:

1. El experimento consiste en 7 ensayos idnticos; cada ensayo consiste en

que una familia aproveche la promocin especial de Membresa Fitness.

2. En cada ensayo hay dos resultados posibles: la familia aprovecha la

membresa (xito) o la familia no la aprovecha (fracaso).

3. Las probabilidades de que haya compra de membresa y de que no haya

compra de esta se supone que son iguales en cada ensayo, siendo
= 0.30 y = 1 = 0.70.

4. Los ensayos son independientes porque las familias se eligen de forma

aleatoria.

Como estos cuatro puntos se satisfacen, es un experimento binomial.

Ahora, sustituyendo = 6, = 0.30 y = 0, 1, 2, 3, 4, 5 6
respectivamente en la frmula de distribucin binomial se obtiene:

!
() = (. ) ( . ) = .
! ( )!

!
() = (. ) ( . ) = .
! ( )!

!
() = (. ) ( . ) = .
! ( )!

!
() = (. ) ( . ) = .
! ( )!

!
() = (. ) ( . ) = .
! ( )!
 ESTADSTICA INFERENCIAL 10

!
() = (. ) ( . ) = .
! ( )!

!
() = (. ) ( . ) = .
! ( )!

Los valores de (0), (1), (2), (3), (4), (5) (6) corresponden a la
distribucin de probabilidad para el nmero de familias que aprovechan la
promocin.

Una ventaja importante de definir una variable aleatoria y su correspondiente

distribucin de probabilidad es que una vez que se conoce la distribucin de
probabilidad, es relativamente fcil determinar la probabilidad de diversos
eventos que pueden ser tiles para tomar decisiones.

La distribucin binomial tambin puede ser expresada de manera grfica. La

representacin grfica de la distribucin binomial para el nmero de familias que
aprovechan la promocin especial de Membresa Fitness se muestra a
continuacin.

Este problema se pudo haber resuelto empleando un diagrama de rbol de

probabilidades, sin embargo, para resolver problemas ms grandes, dichos
diagramas se hacen ms complicados. De manera similar, el uso de la frmula
binomial puede llegar a ser complicada cuando se tenga que realizar clculos
 ESTADSTICA INFERENCIAL 11

que incluya, por ejemplo 21 factorial. Por tal motivo, se han construido tablas de
distribucin de probabilidad binomial (Levin & Rubin, 2004). Para usar las tablas
es necesario especificar los valores de , y en el experimento binomial de
que se trate. Para el ejemplo, = 6, = 0.30 y = 0, 1, 2, 3, 4, 5 6 se lee
directamente los valores de la tabla.
 ESTADSTICA INFERENCIAL 12

La distribucin binomial tiene un valor esperado o media () y una desviacin

estndar ().

Simblicamente se representan como:

En la que:

= =

Donde:

= = =

Del ejemplo se tiene que la media y la desviacin estndar de la distribucin

binomial son:

= = (6)(0.30) = 1.8

= = (6)(0.30)(0.70) = 1.12

2.3 Distribucin hipergeomtrica

Qu es y para qu se utiliza la distribucin hipergeomtrica?

La distribucin hipergeomtrica es otro caso de una distribucin de variable

aleatoria discreta, est estrechamente relacionada con la distribucin binomial.
Pero difieren en dos puntos: en la distribucin hipergeomtrica los ensayos no
son independientes y la probabilidad de xito vara de ensayo a ensayo
(Anderson, Sweeney, & Williams, 2008).
 ESTADSTICA INFERENCIAL 13

La funcin de probabilidad hipergeomtrica se emplea para calcular la

probabilidad de que en una muestra aleatoria de elementos, seleccionados sin
reemplazo, se tengan xitos y fracasos de los fracasos.

La frmula de la distribucin de probabilidad hipergeomtrica es la siguiente:

() =

Para 0 , donde:

() = Probabilidad de xitos en ensayos.

= Nmero de ensayos.

= Nmero de elementos en la poblacin.

= Nmero de elementos en la poblacin considerados como xitos.

= Nmero de elementos considerados como fracasos que hay en dicha

poblacin.

Adems:

!
= !()! Representa el nmero de maneras en que es posible tomar una

muestra de tamao de una poblacin de tamao .

!
= !()! Representa el nmero de formas en que se toman xitos de un

total de xitos que hay en la poblacin.

()!

= ()!{()()}! Representa el nmero de maneras en que se pueden

tomar fracasos de un total de que hay en la poblacin.

Por ejemplo, de 50 carteles para un congreso, 12 no cumplen con los requisitos

establecidos. Si se seleccionan aleatoriamente diez carteles para revisarlos,
 ESTADSTICA INFERENCIAL 14

cul es la probabilidad de que exactamente tres de los diez no cumpla los

requisitos?

Solucin

Se debe determinar () = 3. Sustituyendo en la frmula.

12
3
38
7

() = = 0.2703
50
10

Por lo tanto, la probabilidad de que exactamente tres de los diez no cumpla los
requisitos es de 0.2703.

Ahora prctica comprobando el resultado obtenido.

En resumen, las caractersticas de la distribucin hipergeomtrica son las

siguientes (Lind, Marchal, & Wathen, 2012):

1. Los resultados de cada ensayo de un experimento se clasifican en dos

categoras exclusivas: xito o fracaso.

2. La variable aleatoria es el nmero de xitos de un nmero fijo de ensayos.

3. Los ensayos no son independientes.

4. Los muestreos se realizan con una poblacin finita sin reemplazo y

> 0.05). Por lo tanto, la probabilidad de xito cambia en cada ensayo.
 ESTADSTICA INFERENCIAL 15

Conclusin

En esta sesin pudiste ver que la variable que toma diferentes valores como
resultado de un experimento se designa como variable aleatoria. Esta puede ser
discreta si se origina de un proceso de conteo y continua si se origina de un
proceso de medicin.

Tambin hemos visto los supuestos y su utilidad de dos de las distribuciones de

probabilidad que representan variables aleatorias discretas: la binomial y la
hipergeomtrica. Recuerda que todas las suposiciones que conforman la base
de una distribucin deben cumplirse para obtener resultados significativos.

Qu distribucin utilizaras para describir el nmero de llamadas que

llegan a un conmutador?
 ESTADSTICA INFERENCIAL 16

Para aprender ms

Cul es distribucin hipergeomtrica?

Rincn, L. (15 de diciembre de 2013). Distribucin hipergeomtrica.

[Archivo de video] Recuperado de:

https://www.youtube.com/watch?v=kkcLnDT1Oa0

Cules son los aspectos ms destacados de la distribucin binomial?

Trujillo, G. M. (26 de septiembre de 2011). Distribucin binomial.

Universitat Politcnica de Valncia [Archivo de video] Recuperado de:

https://www.youtube.com/watch?v=sGfGVwiRs3I
 ESTADSTICA INFERENCIAL 17

Actividad de Aprendizaje

Instrucciones:

Con la finalidad de profundizar en los conocimientos adquiridos a lo largo de esta

sesin, ahora tendrs que realizar las siguientes actividades:

Actividad 1

Elabora un mapa conceptual detallado en el que incluyas los tres subtemas

vistos en esta sesin. Puedes realizarlo en cualquier programa especializado en
mapas conceptuales, al final tendrs que guardarlo en formato PDF.

Actividad 2

Resuelve los siguientes problemas.

1. La revisin aduanal se efecta en el aeropuerto aleatoriamente, de la

siguiente manera: En la salida se encuentra un semforo, si al pasar una
persona se activa la luz roja se realizar la revisin; en caso de activarse
la verde, el viajero sale tranquilamente sin revisin. La luz roja aparece
con una frecuencia del 10%. Si se consideran 18 viajeros. Se desea
conocer:

a. La probabilidad de que 3 o ms sean revisados.

b. Menos de 5 sean revisados.
c. Cuntos de los siguientes 100 viajeros se espera sean revisados?

2. En el aeropuerto internacional de la ciudad de Mxico debido a la gran

afluencia de pasajeros slo se revisa el 10% de estos a la salida. Si de un
grupo de 20 turistas, 12 tienen compras muy por arriba de la cantidad
permitida y se conserva el mismo 10% de revisiones para las 20 personas.
Cul es la probabilidad de que las dos personas revisadas tengan que
 ESTADSTICA INFERENCIAL 18

pagar los impuestos correspondientes por exceso de compras permitidas

por las autoridades del aeropuerto?

Puedes realizarlo en un procesador de textos, al final tendrs que guardarlo en

formato PDF junto con la otra actividad, es decir, en un solo archivo, entrega tu
actividad de acuerdo a las indicaciones de tu profesor.

Recuerda que estas actividades te ayudarn a comprender los conceptos de

variable aleatoria, distribuciones binomial e hipergeomtrica y sus mltiples
aplicaciones.

Esta actividad representa el 5% de tu calificacin y se tomar en cuenta lo

siguiente:

Tus datos generales.

Ttulo del trabajo.
Mapa conceptual con la informacin solicitada.
Ejercicios resueltos completamente y correctos.
Ortografa y redaccin.
Procedimiento correcto.
Organizacin y conceptualizacin d la informacin del mapa conceptual.
 ESTADSTICA INFERENCIAL 19

Bibliografa

Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadstica

para administracin y economa (10 ed.). Mxico: Cengage Learning.

Berenson, M. L., & Levine, D. M. (1996). Estadstica bsica en

administracin. Conceptos y aplicaciones. Mxico: Pearson Educacin.

Devore, J. L. (2008). Probabilidad y estadstica para ingeniera y ciencias

(8 ed.). Mxico: Cengage Learning.

Evans, M. J., & Rosenthal, J. S. (2005). Probabilidad y estadstica. La

ciencia de la incertidumbre. Mxico: Revert.

Freund, J. E., & Simon, G. A. (1994). Estadstica elemental (8 ed.). Mxico:

Prentice Hall.

Freund, J. E., & Walpole, R. E. (1990). Estadstica matemtica con

aplicaciones (4 ed.). Mxico: Prentice-Hall.

Levin, R. I., & Rubin, D. S. (2004). Estadstica para administracin y

economa (7 ed.). Mxico: Pearson Educacin.

Lind, D. A., Marchal, W. G., & Wathen, S. A. (2012). Estadstica aplicada a

los negocios y economa (15 ed.). Mxico: McGraw-Hill.

Mendenhall, W., Beaver, R. J., & Beaver, B. M. (2015). Introduccin a la

probabilidad y estadstica (14 ed.). Mxico: Cengage Learning.

Render, B., Stair, R. M., & Hanna, M. E. (2012). Mtodos cuantitativos

para los negocios (11 ed.). Mxico: Pearson Educacin.

Triola, M. F., & Pineda Anaya, M. L. (2004). Probabilidad y Estadstica.

Mxico: Pearson Education.
 ESTADSTICA INFERENCIAL 20

Walpole, R. E., Myers, R. H., & Myers, S. L. (1999). Probabilidad y

estadstica para ingenieros (6 ed.). Mxico: Prentice-Hall.

Wooldridge, J. M. (2006). Introduccin a la econometra. Un enfoque

moderno (2 ed.). Espaa: Paraninfo.

Cibergrafa

Badii, M., & Castillo, J. (marzo de 2009). Distribuciones probabilsticas de

uso comn. Daena: International Journal of Good Conscience, 4(1), 149-
178. Obtenido de

http://www.spentamexico.org/v4-n1/4(1)%20149-178.pdf

Rincn, L. (15 de diciembre de 2013). Distribucin hipergeomtrica.

[Archivo de video] Recuperado de:

https://www.youtube.com/watch?v=kkcLnDT1Oa0

Trujillo, G. M. (26 de septiembre de 2011). Distribucin binomial.

Universitat Politcnica de Valncia [Archivo de video] Recuperado de:

https://www.youtube.com/watch?v=sGfGVwiRs3I

Te invito a que consultes la Biblioteca Digital UNID