Universidad Nacional del Comahue

Facultad de Economía y Administración

PROBABILIDAD Y ESTADÍSTICA

Ingenierías – MODULO 2
1er cuatrimestre 2019
Mg. Roxanna Zuliani

CONTENIDOS

UNIDAD 3: Definición de variable aleatoria. Caso discreto y

continuo. Función de cuantía y de densidad. Función de
distribución. Esperanza y varianza. Propiedades.
Modelos usuales de probabilidad: Bipuntual, Binomial,
Geométrico, Poisson, Uniforme, Exponencial, Normal
Estándar y Normal Generalizado. Otros modelos teóricos: Chi-
Cuadrado, t-Student y F-Snedecor. Aproximación del modelo
Binomial al modelo de Poisson y al modelo Normal.

1
Modelo de Probabilidad: Expresión matemática que resulta de un
cúmulo de supuestos. Describe el comportamiento de una variable
aleatoria si el experimento se repite bajo ciertas condiciones iniciales, y
por lo tanto ayuda a predecir resultados de futuras repeticiones.

MODELO UNIFORME

1
𝑝 𝑥 = 𝑥 = 1,2, … , 𝑘
𝑘

2
 0,75
p
X p F
0 0,25 0,25
0,50

1 0,25 0,50

2 0,25 0,75 0,25

0,25

3 0,25 1

0,00
0 1 2 3
X

MODELO BERNOULLI

1) Distribución Bernoulli: sea un experimento aleatorio que admite

sólo dos resultados posibles: éxito o fracaso, presencia o ausencia, si o
no, etc. Podemos definir una variable aleatoria discreta X tal que:
éxito  1 y fracaso  0 entonces RX = {0, 1}

Si la probabilidad de éxito es p y la de fracaso q = 1 - p, podemos

construir una función de probabilidad:

X p F
0 1-p 1-p

1 p 1

 𝑝 𝑥 ≥ 0 𝑥 = 0,1
 𝑥∈𝑅𝑥 𝑝 𝑥 = 1

3
 P ( X  x )  p x q 1 x x  0,1

X  Ber(p) con E(X) = p y V(X) = p . (1-p)

E 𝑋 = 𝑥𝑝 𝑥 = 𝑥 𝑝𝑥 1 − 𝑝 1−𝑥 =𝒑
𝑥∈𝑅𝑥 𝑥∈𝑅𝑥

𝝈𝟐 = 𝑬 𝒙 − 𝝁 𝟐 = 𝒙−𝝁 𝟐𝒑
𝒙 = 𝒙 − 𝒑 𝟐 𝒑𝒙 𝟏 − 𝒑 𝟏−𝒙 =
∀𝒙∈𝑹𝒙 ∀𝒙∈𝑹𝒙

= −𝑝 2 1 − 𝑝 + 1 − 𝑝 2𝑝 = 𝑝 1 − 𝑝 𝑝 + 1 − 𝑝 =𝒑 𝟏−𝒑

Ej: El 10% de las baterías producidas en una fábrica son defectuosas.

Elegimos una al azar y observamos si resulta defectuosa

1,00
0,90
F(x)

0,10 X p F(x) =1
D 0,75 1
0 0,90

0,50
1 0,10 p
0,90 Dc
0,25

0,10
F(x) = 0
0,00
0 1 2 0 1 x
X

𝑃 𝑋 = 𝑥 = 0,10 𝑥 0,901−𝑥 x=0,1

4
Ej: El 10% de las baterías producidas en una fábrica son defectuosas.
Elegimos tres al azar y las clasificamos en defectuosas o no

 = 𝐷𝐷𝐷, 𝐷𝐷𝐷, … . , 𝐷𝐷𝐷 , 𝐷𝐷 𝐷 0,10 D

0,10 D
= 𝑥1 , 𝑥2 , 𝑥3 /𝑥𝑖 = 𝐷, 𝐷 𝑐𝑜𝑛 𝑖 = 1,2,3 0,90
DC
0,10
D 0,10 D
0,90 DC
0,90 DC
D
0,10
0,90 0,10
Dc D
0,90 DC
P(obtener ninguna defectuosa)= P(𝐷𝐷 𝐷)= 0,93 = 0,729 0,90
D C
0,10

X : ’Nro. de baterías defectuosas’

0,90

X p
0 0,729

1 0,243

2 0,027

3 0,001

P(X = 1) =P(D𝐷𝐷  𝐷 𝐷D 𝐷𝐷 𝐷)= 0,10 ∗ 0,902 + 0,92 ∗ 0,10 + 0,9 ∗ 0,10 ∗ 0,9
= 3(0,10 ∗ 0,902 )=0,243
1.0
0.6

0.8
Cumulative Probability

0.6
Probability

0.4

0.4
0.2

0.2
0.0

0.0

0.0 0.5 1.0 1.5 2.0 2.5 3.0

0 1 2 3 4
X
X

5
Y si elegimos 20 al azar y las clasificamos en defectuosas o no ?????

 = 𝐷𝐷𝐷 … . . 𝐷 , ….,
20 𝑣𝑒𝑐𝑒𝑠

= 𝑥1 , 𝑥2 , … . , 𝑥20 /𝑥𝑖 = 𝐷, 𝐷 𝑐𝑜𝑛 𝑖 = 1 … 20

D ….
DC
D

D Dc D ….
DC
Dc
D c D

Dc …. ….

Experimento con 20 pasos!!!!!!!!!

MODELO BINOMIAL

2) Distribución Binomial: sea un experimento aleatorio que consiste

en n ensayos repetidos con probabilidad constante donde cada prueba
es un exp. dicotómico o Bernoulli (admite dos resultados) con V.A.
asociada X : ’Nro. de éxitos en las n repeticiones’ , entonces:

X : ’Nro. de baterías defectuosas en una muestra de 20’

RX = {0, 1, 2, 3, ... , 20}
𝑃 𝐸𝐸𝐸 … 𝐸 . 𝐸 𝐸 . . 𝐸 = 𝑃 𝐸 …𝑃 𝐸 𝑃 𝐸 …𝑃 𝐸
𝒙 𝑣𝑒𝑐𝑒𝑠 𝟐𝟎−𝒙 𝑣𝑒𝑐𝑒𝑠 𝑥 𝑣𝑒𝑐𝑒𝑠 20−𝑥 𝑣𝑒𝑐𝑒𝑠

= 𝑝𝑝 … . 𝑝 . 1 − 𝑝 … . 1 − 𝑝 = 𝑝 𝑥 1 − 𝑝 20−𝑥

𝑥 𝑣𝑒𝑐𝑒𝑠 20 −𝑥 𝑣𝑒𝑐𝑒𝑠

𝑃 𝑋=𝑥 =
𝟐𝟎 𝑝𝑥 1 − 𝑝 20−𝑥
𝐱

6
 MODELO BINOMIAL

2) Distribución Binomial: sea un experimento aleatorio que consiste

en n ensayos repetidos con probabilidad constante donde cada prueba
es un exp. dicotómico o Bernoulli (admite dos resultados) con V.A.
asociada X : ’Nro. de éxitos en las n repeticiones’ , entonces:

RX = {0, 1, 2, 3, ... , n} X  B(n;p)

n
P( X  x )     p x  (  p)n  x con p : prob. de éxito
x
n n!
  
x (n  x )!  x!

X : ’Nro. de baterías defectuosas en una muestra de 20’

X  B(20; 0.1)
x p
0 0.1215767
1 0.2701703 RX = {0, 1, 2, 3, ... , 20}
2 0.2851798
3 0.1901199
4 0.08977883 𝑃 𝑋=𝑥 = 20 0,1𝑥 0,9 20−𝑥
5 0.03192136 x
6 0.008867045
7 0.001970454
8 0.0003557765
9 5.270763e-05
10 6.442043e-06
11 6.507115e-07
12 5.422595e-08
13 3.707758e-09
14 2.059865e-10
15 9.154957e-12
16 3.178805e-13
17 8.3106e-15
18 1.539e-16
19 1.8e-18
20 1e-20

7
 𝒙𝟎 𝒏 𝒌
𝑭 𝑿𝟎 = 𝐏 𝑿 ≤ 𝒙𝟎 = 𝒌=𝟎 𝒌
𝒑 𝟏−𝒑 𝒏−𝒌

P(X ≤ 18)= ?

P(X ≤ 18)= 1- P(X>18)

Tabla APP: Probability Distributions Geogebra Infostat

E(X) = n p V(X) = np(1-p)

E(X) = 20(0,1)= 2 V(X) =20(0,1)(0,9)= 1,8

8
 45% 35%
40,96%
31,25% 31,25%
40%
30%

35%

Bi(5;0.2) Bi(5;0.5)
32,77%
25%
30%
Probabilidad

Probabilidad
25% 20%

20,48%
20%
15,62% 15,62%
15%

15%
10%
10%

5,12%
5% 5%
3,13% 3,13%
0,64% 0,03%
0%
0 1 2 3 4 5 0%
0 1 2 3 4 5
X
X

70%

60% 59,06%

50% Bi(5;0.9)
40%

Porcentaje
32,80%

30%

20%

10% 7,29%

0,00% 0,04% 0,81%

0%
0 1 2 3 4 5
X

Y si elegimos al azar 2 baterías de una población de 12 donde 5 son

defectuosas????

X : ’Nro. de baterías defectuosas en una muestra de 2’

4/11 D

5/12 D
7/11
DC
X  Binomial ????
7/12 D c 5/11 D

6/11 Dc

Y si elegimos al azar baterías hasta encontrar la primera defectuosa ?????

X : ’Nro. de baterías defectuosas en una muestra de n’

X : ’Nro. de baterías seleccionadas hasta encontrar la primera defectuosa’

9
 MODELO GEOMÉTRICO

3) Distribución Geométrica: sea un experimento aleatorio que

consiste en una serie de ensayos repetidos con probabilidad constante
donde cada prueba es un exp. dicotómico o Bernoulli (admite dos
resultados) con V.A. asociada X : ’Nro. de repeticiones hasta el primer
éxito’ , entonces:

RX = {1, 2, 3, ..... } X  G(p)

P( X  x )  (  p ) x    p con p : prob. de éxito

E(X) = 1 / p V(X) = (1-p) / p2

Cuál es la probabilidad de que haya que seleccionar cuatro baterías para

encontrar la primera defectuosa?

X : ’Nro. de baterías seleccionadas hasta encontrar la primera defectuosa´

X  G(0,1)

P(X=4) = (1-p) x−1 p = 0.93 × 0.1 = 0.0729

0,10 D

0,10
0,90 Dc D
0,10 D
0,90 Dc

0,10
0,90
Dc D

0,90
E(X) = 1/p = 1 / 0,1= 10 Dc
Se espera que la décima batería seleccionada sea la primera defectuosa

10
 Geometric Distribution: Probability of success=0.1

0.08
0.06
Probability Mass

0.04
0.02
0.00

0 10 20 30 40 50

Cuál es la probabilidad de que haya que seleccionar cuatro baterías para

encontrar la segunda defectuosa????
X : ’Nro. de baterías seleccionadas hasta encontrar la segunda defectuosa´

MODELO POISSON

4) Distribución Poisson : Sea un experimento en el que observamos la

aparición de sucesos puntuales sobre un soporte continuo. El proceso de
Poisson se caracteriza por: 1) es estable produce a largo plazo, un número
medio de sucesos constantes  por unidad de tiempo o espacio; 2) los
sucesos aparecen aleatoriamente de forma independiente

11
 MODELO POISSON

X= ´nro de éxitos en una unidad de tiempo o espacio´

Rx ={0,1,2,....} X  P ()

Su función de cuantía es:

e    x
P( X  x ) 
x!

E(X) = V(X) = 

Poisson Distribution: Mean=1.5 Poisson Distribution: Mean=1.5

1.0
0.30

0.8
0.25

Cumulative Probability
0.20
Probability Mass

0.6
0.15

0.4
0.10

0.2
0.05
0.00

0.0

0 5 10 15 20 25 30 0 5 10 15 20 25 30

x x

12
 Poisson Distribution: Mean=0.5 Poisson Distribution: Mean=1

0.6

0.3
Probability Mass

Probability Mass
0.4

0.2
0.2

0.1
0.0

0.0
0 1 2 3 4 5 6 0 1 2 3 4 5 6

x x

Poisson Distribution: Mean=1.5 Poisson Distribution: Mean=5

0.30

0.15
Probability Mass

Probability Mass
0.20

0.10
0.10

0.05
0.00

0.00

0 1 2 3 4 5 6 0 2 4 6 8 10

x x

X : ’Nro. de accidentes graves en boca de pozo por año ´ Poisson Distribution: Mean=0.1
0.8

X  P (0.1)
0.6
Probability Mass

0.4
0.2
0.0

0 1 2 3 4 5

𝑒 −0.1 0.11
𝑃 𝑜𝑐𝑢𝑟𝑟𝑎 𝑢𝑛 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒 𝑒𝑛 𝑒𝑙 𝑎ñ𝑜 = 𝑃 𝑋 = 1 = = 0,09048
1!
𝑃 𝑋 = 1 = 𝑃 𝑋 = 1 𝜆 = 0.1
2
𝑒 −0.1 0.1𝑘
𝑃 𝑜𝑐𝑢𝑟𝑟𝑎𝑛 𝑐𝑢𝑎𝑛𝑡𝑜 𝑚𝑢𝑐ℎ𝑜 𝑑𝑜𝑠 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑎ñ𝑜 = 𝑃 𝑋 ≤ 2 = = 0,999
𝑘!
𝑘=0
𝑒 −0.1 0.10
𝑃 𝑛𝑜 𝑜𝑐𝑢𝑟𝑟𝑎 𝑛𝑖𝑛𝑔ú𝑛 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒 𝑒𝑛 𝑒𝑙 𝑎ñ𝑜 = 𝑃 𝑋 = 0 = = 0,90
0!
−0.1 0.1𝑘
∞ 𝑒
P 𝑜𝑐𝑢𝑟𝑟𝑎𝑛 𝑚á𝑠 𝑑𝑒 𝑑𝑜𝑠 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑎ñ𝑜 = 𝑃 𝑋>2 = 𝑘=3 =1−𝑃 𝑋 ≤2 ≅0
𝑘!

13
 𝑃 𝑛𝑜 𝑜𝑐𝑢𝑟𝑟𝑎 𝑛𝑖𝑛𝑔ú𝑛 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒 𝑒𝑛 6 𝑚𝑒𝑠𝑒𝑠 =

´
𝑃 𝑋´ = 0 = 𝑃 𝑋 = 0 = 0.95123
𝜆 = 0.1 2 = 0.05

𝑃 𝑛𝑜 𝑜𝑐𝑢𝑟𝑟𝑎 𝑛𝑖𝑛𝑔ú𝑛 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒 𝑒𝑛 2 𝑎ñ𝑜𝑠 =

´
𝑃 𝑋 ´ = 0 = 𝑃 𝑋 = 0 𝜆 = 0.1 ∗ 2 = 0.2 = 0.8118

Además de aplicarse en procesos de Poisson se aplica en eventos raros

(con probabilidad muy baja)

Como aproximación de Bi: se puede presentar como una forma límite de la

distribución Binomial en situaciones donde p es pequeño (p  0) y n muy
grande o incluso imposible de determinar (n  ).
RX = {0, 1, 2, 3, ...} X  P () con  = n.p
n ≥ 30 o 50 p ≤ 0,01 o 0,05

𝑛 𝜆 𝑥 𝜆 𝑛−𝑥 𝑒 −𝜆 𝜆𝑥
lim 1− = 𝜆 = 𝑛𝑝
𝑛→∞,𝑝→0 𝑥 𝑛 𝑛 𝑥!

14
Ejemplo: En un proceso de manufactura en el cual se producen piezas de
vidrio, ocurren defectos o burbujas ocasionando que la pieza sea
indeseable para la venta. Se conoce que la probabilidad de que una pieza
tenga una o más burbujas es 0,001 ¿Cuál es la probabilidad de que en
una muestra aleatoria de 3000 piezas menos de 3 de ellas tengan
burbujas?

X : ’Nro. de piezas con una o más burbujas en una muestra de 3000’

RX = {0, 1, 2, 3, ... , 3000} X  B(3000; 0.001)

2
3000
𝑃 𝑋 < 3 = 𝑃 𝑋 ≤ 2 𝑛 = 3000, 𝑝 = 0.001 = 0.001𝑘 1 − 0.001 3000−𝑘
𝑘
𝑘=0

= 0,42308
𝑒 −33𝑘
𝑃 𝑋 ≤ 2 𝜆 = 𝑛𝑝 = 3 =
2
𝑘=0 = 0,42319
𝑘!

Binomial Distribution: n=3000, p=0.001 Poisson Distribution: Mean=3

0.20

0.20
0.15
0.15
Probability Mass

Probability Mass
0.10

0.10
0.05
0.05
0.00

0.00

0 5 10 15 20 25 30 0 5 10 15 20 25 30

Number of Successes x

15
Ejemplos de aplicaciones en las que suele usarse la distribución de
Poisson son:

• El número de llamadas a una central telefónica en un periodo de

tiempo.
• El número de imperfecciones de un tejido por unidad de superficie.
• El número de bacterias en un líquido por unidad de volumen.
• El número de clientes que llega a una estación de servicios en un
periodo de tiempo.
• El número de veces que falla una máquina por día.
• El número de accidentes que se producen al día en una fábrica con un
gran número de empleados
• El número de bits transmitidos erróneamente en un canal de
comunicación digital

16