VARIABLE ALEATORIA Y

DISTRIBUCIONES DE
PROBABILIDAD

1
CASO1: PRODUCCIÒN DE TORNILLOS

En un proceso de producción de
tornillos, donde los niveles de
calidad están fuera de los
permitidos.

Se desea saber:

¿Es posible tener un modelo

matemático, que nos permita
estimar el número de tornillos
defectuosos en todo el proceso?

2
LOGRO DE LA SESIÓN

Al término de la sesión, el estudiante desarrolla y explica problemas de

situaciones reales en Ingeniería considerando variables aleatorias y
distribución de probabilidad discreta.

3
CONTENIDO

•Variable aleatoria
•Distribuciones de Probabilidad
•Principales Distribuciones de Probabilidad discretas:
Binomial y Poisson. Características y uso de tablas
•Distribución de probabilidad contínua: Distibución Normal.

4
Uno de los problemas centrales de Estadística es inferir las
características y propiedades de cierta población a partir de los datos
de una muestra. Para este objetivo es necesario disponer de modelos
matemáticos de referencia para describir la población. El modelo
matemático apropiado viene dado por las distribuciones de
probabilidad

5
 I. VARIABL E ALEATORI A (X)

Una variable aleatoria o variable estocástica

es una variable estadística cuyos valores se
obtienen de mediciones en algún tipo de
experimento aleatorio.

• Se denota por una X.

• Es aquella que puede tomar diferentes valores a través del tiempo o de

sujeto a sujeto.

6
I. VARIABL E ALEATORI A (X)

• Formalmente es una función que asigna un número real a

cada resultado del espacio muestral.

7
 EJEMPLO 1

Consideremos el experimento que consiste en revisar tres componentes de

una bomba centrífuga, que pueden ser defectuosos (D) y no defectuosos (N)

ε = Revisar tres componentes de una bomba centrífuga

El espacio muestral será:

NNN, NND, NDN, DNN, NDD, DND, DDN, DDD

Definimos la variable aleatoria X = como el número de componentes defectuosos

X(DDD) = 3
X(NDD) = X (DND) = X ( DDN) = 2
X ( NND) = X(NDN) = X(DNN) = 1
X ( NNN) =0

X = 3,2,1,0

8
EJEMPLO 2:

• X: Ventas diarias de una empresa.

• X: Presión de una botella
• X: Nº de accidentes en un proceso.
• X: Nº de automóviles que llegan a una Estación de
Servicio.
• X: Contenido de un balón de gas
• X: Nº de llamadas telefónicas que recibe una central
• X: Edad de las personas.
• X : Peso de un envase
• X: Tiempo de vida de un neumático.
• X: Nº de artículos defectuosos de un proceso
productivo.

9
Tipos de Variable s Aleatorias:

Variable Aleatoria Discreta:

Cuando la variable aleatoria
toma valores discretos
(números anteros) se dice
que es una v.a.d.

Variable Aleatoria Continua.

Cuando la variable aleatoria
toma valores de la recta real
(número reales) se dice que
la variable es una v.a.c. .

10
Un lote de artículos contiene artículos conformes (C) y no conformes
(N). Se extrae sucesivamente 2 artículos. Definimos como v.a. X :
número de artículos no conformes obtenidos.
Definir el experimento:
E:
Definir el espacio muestral
Ω={CC, NC, CN, NN} Rx = { 0 , 1 , 2 }
Definir la variable aleatoria. X:
El recorrido de X. Rx= { }
X(CC) = 0
X(NC) = 1 v.a. X : Número de artículos
X(CN) = 1 no conformes obtenidos.
X(NN) = 2 Número DISCRETOS

11
Sea X una variable aleatoria que representa la Resistencia de los
eslabones usados en la fabricación de cadenas industriales.

La resistencia es una variable aleatoria continua, pues su espacio

muestral (los valores que pueden tomar) son todos los puntos de un
intervalo

Identificar el recorrido de la variable definida anteriormente:

X = {……………………………. … }

Número CONTINUO

12
FUNCIÓN DE PROBABILIDAD DE UNA
VARIABLE ALEATORIA DISCRETA

13
 Función de probabilidad discreta

La probabilidad en las variables discretas se expresa como Pi=( X=xi) y

se cumple lo siguiente:

14
 Ejemplo

Sea X el número de defectos diarios de artículos industriales que

produce la Fabrica “EDELSA SAC”. La función de probabilidad para X es:

Nº de defectos 0 1 2 3 4 5 6

Probabilidad k k k K+0.2 0.2 k k

Calcule:
•El valor de la constante K sabiendo que la distribución es de probabilidad.
•La probabilidad de que el número de defectos diarios en los artículos sea superior a 4.
•La probabilidad de que el número de defectos diarios en los artículos sea por lo menos 2.
•La probabilidad de que el número de defectos diarios en los artículos sea menos de 2.
•La probabilidad de que el número de defectos diarios en los artículos sea a lo más 3.

15
Valor Esperado y Varianza de una
variable Aleatoria Discreta
El valor esperado y varianza de una variable aleatoria discreta X, se
definen por:

Donde:

16
 En el Ejemplo Anterior:
•Determine el número esperado de defectos diarios y su desviación estándar.

17
DISTRIBUCION DE PROBABILIDAD

Una distribución de probabilidad es un

modelo matemático que desarrolla en forma
analítica el comportamiento de un fenómeno
(variable) real .

Por: Aracelli Poèmape 18

II. DISTRIBUCIONES DISCRETAS Y CONTINUAS
LAS DISTRIBUCIONES DISCRETAS
_Distribución Bernoulli
– Distribución Binomial
– Distribución Poisson

LAS DISTRIBUCIONES CONTINUAS

– Distribución Normal
– Distribución Normal Estándar
– Distribución t de Student
–Distribución Chi-cuadrado 2
– Distribución F
19
DISTRIBUCIONES DE
PROBABILIDAD
DISCRETAS

20
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN BERNOULLI

Si X es una variable aleatoria que mide Función de probabilidad

"número de éxitos", y se realiza un
único experimento con dos posibles
resultados (éxito o fracaso), se dice
que la variable aleatoria X se distribuye
como una Bernouilli de parámetro p.
X Be (p)
Parámetro:

•Un experimento al cual se aplica la distribución de Bernoulli

se conoce como Ensayo de Bernoulli o simplemente ensayo,
y la serie de esos experimentos como ensayos repetidos.

21
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN BERNOULLI

Media o Valor Esperado

  E(X )  p
Varianza

  pq
2

Desviación Estándar

  pq
22
22
23
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN BINOMIAL
•Cada ensayo tienen solo dos
resultados posibles. Para variables
dicotómicas.
• Los ensayos son
independientes.
• La probabilidad de éxito “p” es
constante en cada ensayo.
Función de probabilidad
n x
P(X  x)  b(x;n, p)   p (1 p)n  x
x
Donde x = 0, 1, 2, …, n

FUNCIÓN DE PROBABILIDAD Parámetros:

BINOMIAL
n , p
Es la probabilidad de obtener
exactamente x “éxitos” en n pruebas
independientes de un experimento,
con p como la probabilidad de éxito
para cada prueba.

24
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN BINOMIAL

Media o Valor Esperado

  E(X )  np
Varianza

  npq
2

Desviación Estándar

  npq
25
25
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN BINOMIAL
Ejercicio 1:

Un almacenero de laboratorio, reporta que el 5% de

puntas de un dosificador electrónico están malogradas. Si
se extrae una muestra aleatoria de cinco de estas puntas.

Encuentre la probabilidad de que :

a) Ninguna esté malograda.

b) Exactamente una esté malograda.
c) Menos de dos están malograda.

26
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN
BINOMIAL Función de probabilidad
n x
P(X  x)  b(x;n, p)   p (1 p)n  x
Solución de Ejercicio 1: x

a) Ninguna esté malograda.

5
P(X  0)  b(0;5,0.25)   0.250 (0.75)5
0 
= 0.237

b) Exactamente una esté malograda c) Menos de dos están malograda.

 5 P(X  2)  P(X 1)  P(X  0)  P(X 1)
P(X  1)  b(1;5,0.25)   0.251 (0.75)4
1 
= 0.633
= 0.396

27
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN BINOMIAL Términos Acumulativos

"Probabilidad de menos de x éxitos en n intentos"

1)
n X
0.01 0.02 0.04 0.05 0.06 0.08 0.1 0.12 0.14 0.15 0.16 0.18 0.2 0.24 0.25 0.3 0.4 0.45 0.5
2 o 0.:980 0.%0 0.:922 0.:903 0.884 0.846 0.810 0.714 0.740 0.723 0.706 0.6 72 0.640 0.578 0.563 0.4:90 0.360 0.303 0.250
1 1.000 1.000 0.:9:98 0.:9:98 0.:9% 0.:9:94 0.:9:90 0.:986 0.:980 0.:978 0.:974 0.868 0.860 0.:942 0.:938 0.:910 0.840 0.7:98 0.750
2 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
3 o 0.:970 0.:94 0.885 0.857 0.831 0.71:9 0.72:9 0.681 0.636 0.614 0.5:93 0.551 0.512 0.43:9 0.422 0.343 0.216 0.166 0.125
1 1.000 1 0.:9:9 0.:9:93 0.:9:9 0.:982 0.:972 0.860 0.:947 0.:93:9 0.:931 0.:914 0.886 0.855 0.844 0.784 0.648 0.575 0.500
2 1.000 0.:9:9: 5 1.000 0 0.:9:9: 0.:9:9: 0.:9:98 0.:9:9 0.:9:9 0.:9:96 0.:9:94 0.:9:92 0.:986 0.:984 0.:973 0.:936 0.:90:9 0.875
1.000 9 1.000 1.000 1.000 9 9 1.000 7 7 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
3
1.000
.. o 0.861
1.000
1.000
0.84:9
0.815 1.000
0.781
1.000
0.716
1.000
0.656
0.600 1.000
0.547
1.000
0.522
0.4:98 0.452 0.410 0.334 0.316 0.240 0.130 0.0:92 0.063
0.:9:9: 0.:986 0.:927 0.877 0.84:9 0.81:9 0.755 0.738 0.652 0.475 0.3:91 0.313
. 1
9 0.:922 0.:9:9 1.000 0.:980 0.:966 0.:948 0.:9:94 0.:903 0.8:90 0.:986 0.:980 0.:973 0.:955 0.:94:9 0.:916 0.821 O. 0.688
2 0.:9:9 1
1.000 1.000 0.:9:9: 0.:9:98 0.:986 1.000 0.:9:90 0.:988 0.:9:9: 0.:9:9: 0.:9:98 0.:9:9 0.:9:96 0.:9:92 0.:974 75:9 0.:938
3 8 1.000 9
1.000 1.000 1.000 1.000 1.000 1.000 0.:9:9: 9 9 1.000 7 1.000 1.000 1.000 0.:95: 1.000
1.000
5 '
o
1
1.000
0.:95 1.000
1.000
1.000
1.000
0.774
0.:977
1.000
1.000
1.000
0.65:9
1.000
0.5:90
0.528
0.888
1.000
0.470
9
1.000
1.000
0.418
1.000
0.371
0.328
0.737
1.000
0.254
0.237
0.633
0.168
0.528
0.078
0.337
9
1.000
0.031
0.188
1 0.815 0.734 0.:946 0.:91: 0.853 0.444 0.817 0.778 0.654 0.050
0.:9:98 0.:986 0.842 0.886 0.837 0.683 0.500
2 0.:9:9: O.M4 0.:985 0.:968 9 0.835 0.256
1.000 0.:985 0.888 0.878 0.868 0.856 0.883 0.807 0.884 0.%8 0.813 0.813
3 9 0.:986 0.:988 0.:9:9 1.000 0.:9:9 0.888 0.873 0.887 0.886 0.887 0.583
1.000 1.000 1.000 0.888 0.888 0.880 0.868
1.000 1.000 8 1
'
5 1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000 1.000
1.000
1.000 1.000
1.000
0.888
1.000
1.000
1.000
1.000
1.000
1.000
1.000 0.888
1.000
1.000 1.000 1.000 0.868
0.882
1.000

1.000 1.000
1.000 1.000 1.000 1.000

28
DISTRIBUCION DE PROBABILIDAD DISCRETA

29
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN BINOMIAL

Ejercicio 2:

Un estudiante se presenta a un examen de selección múltiple que contiene 8

preguntas, cada una con tres respuestas opcionales. Sí, el estudiante está
adivinando al responder cada pregunta y además se sabe que para aprobar el
examen debe responder correctamente 6 o más preguntas. ¿Cuál es la
probabilidad de aprobar el examen?

30
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN BINOMIAL

Solución de Ejercicio 2:

31
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DIISTRIB
BUUCIO
ÓN BINOMIAL
Solución de Ejercicio 2:

3. Luego, la distribución de probabilidad de X es:

p ( X) = p ( X= X)=

4. Sea A, el evento:" Aprobar el examen", entonces:

P(A)= P(X >6) =J [:] ��s-x

6

=P(X=6)+P(X=7)+P(X=8)

0.01623 + 0.0023 + 0.000 1 = 0.01865771 = 0.02

32
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN POISSON

Función de probabilidad
FUNCIÓN DE PROBABILIDAD POISSON.
λ
e λ x

La función de probabilidad de Poisson PX  x/λ  

define la probabilidad de exactamente x x!
ocurrencias o “éxitos”, que aparecen por Donde λ = Número esperado de éxitos.
unidad de tiempo o espacio, dado el e = Constante matemática.
x = Número de éxitos por unidad.
número medio de ocurrencias en el
intervalo dado t.
Parámetro:

33
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN POISSON

Esta distribución se utiliza para describir ciertos .

procesos
Características:

En este tipo de experimentos los éxitos buscados son expresados

por unidad de área, tiempo, pieza, etc:

-# de defectos de una tela por m2

- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.

- # de bacterias por cm2 de cultivo

- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.

- # de llegadas de embarcaciones a un puerto por día, mes, etc

34
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN POISSON

Media o Valor
Esperado

Varianza  2

Desviación
Estándar
 
35
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN POISSON
Ejercicio 3:
Función de probabilidad
Si como promedio un tablero
e λ λ x
PX  x/λ  
electrónico recibe 0.05 llamadas
por segundo, ¿Cuál es la
probabilidad de que en un x!
determinado minuto:
Solución:
a. Reciban exactamente dos Se tiene que λ = 0.05 llamadas por segundo
llamadas.
Entonces: λ = 0.05(60) = 3 llamadas por minuto.
b. Reciban no más de dos
llamadas.
e 3 32
a. PX  2   0.224
2!
b. PX  2  P(X  0)  P(X 1)  P(X  2)
e 3 30 e 3 31 e 3 32
    0.497  0.149  0.224  0.423
0! 1! 2! 36
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DDISTRIBUCIÓ POISSON
N
DISTRIBUCIÓN POISSON-
Términos Acumulativos
Probabilidad de menos de x éxitos
11

-A X
con h promedio n
e �
11

P[ < x y
i,,,,,,,,
A
¡.

X ] X=Ü x
h
o 1 2 3 4 5 6 7 8
X
9 1 1 1 1 1 1 1 1
i 1
2 0.08 0.28 0.54 0.75 0.8 0.95 0.38 0.39 0.99 1.0 0 1 2 3 4 5 6 7 8
. 2 7 4 8 91 8 6 6 9 00 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
5 0.07 0.26 0.5 0.73 0.87 0.9 0.38 0.39 0.99 1.0 00 00 00 00 00 00 00 00 00
2 4 7 18 6 7 51 3 5 9 00 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
. 0.06 0.24 0.49 0.7 0.86 0.94 0.97 0.99 0.99 0.99 00 00 00 00 00 00 00 00 00
6 7 9 4 14 3 3 9 3 8 9 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
2 0.0 0.2 0.46 0.69 0.84 0.93 0.97 0.99 0.99 0.99 00 00 00 00 00 00 00 00 00
. 61 31 9 2 8 5 6 2 8 9 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
7 0.05 0.2 0.44 0.67 0.83 0.92 0.9 0.99 0.99 0.99 00 00 00 00 00 00 00 00 00
2 5 15 6 0 2 6 71 0 7 9 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
. 1
0.1 0.42 0.64 0.8 0.9 0.96 0.98 0.99 0.99 00 00 00 00 00 00 00 00 00
8 0.050 99 3 7 15 16 6 8 6 9 1.0 1.0 1.0 1.0 1.0 1.0 1.0 37
1.0 1.0
00
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN POISSON

38
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN POISSON
Ejercicio 4:

Supongamos que estamos investigando la seguridad de una peligrosa área de

trabajo, los registros indican una media de 5 accidentes mensuales .

a) El departamento de seguridad desea que calculemos la probabilidad de que

en cualquier mes ocurran exactamente 3 accidentes.

39
 DISTRIBUCION DE PROBABILIDAD DISCRETA

DISTRIBUCIÓN POISSON
Ejercicio 4:

b) ¿Cuál sería la probabilidad de que sucedan como máximo 2 accidentes en

un mes?

En este caso sería: P ( x ≤ 2 ) = P( x= 0) + P( x= 1) + P( x= 2)

40
41
 DISTRIBUCION DE PROBABILIDAD DISCRETA

Aproximación de la Binomial a la Poisson

En problemas de
distribución binomial
donde n es grande y la
probabilidad de éxito p
Se cumple que:
es bastante pequeña,
las probabilidades se
  np
pueden aproximar
usando la distribución
de Poisson.

42
 DISTRIBUCION DE PROBABILIDAD DISCRETA

Aproximación de la Binomial a la Poisson

Ejercicio 5 :

En un proceso en el cual se producen piezas de

vidrio, ocurren defectos o burbujas, ocasionando
que la pieza no sea apta para la venta. Se sabe que
en promedio 1 de cada mil piezas tiene una o más
burbujas. ¿Cuál es la probabilidad de que en una
muestra aleatoria de 8000 piezas, menos de 7 de
ellas tengan burbujas?

43
 DISTRIBUCION DE PROBABILIDAD DISCRETA

Aproximación de la Binomial a la Poisson

Solución de Ejercicio 5:

Datos: n=8000
p=0.001 (por dato:1 de cada1000=1/1000=0.001)
éste es por tanto un experimento binomial, pero dado
que : p se acerca a 0 y n es bastante grande, se hace
la aproximación con la distribución de Poisson.

Entonces: λ=np=8000*0.001=8

Nos piden: P( X<7) =P( X≤6)

De tabla: P( X ≤6)=0.313=31.3% 44
 BIBLIOGRAFIA :
Estimado estudiante, debe revisar los siguientes textos que se facilitaron en
versión digital.