UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERIA AMBIENTAL Y DE

RECURSOS NATURALES

ESTADÍSTICA DESCRIPTIVA
VARIABLES ALEATORIAS CONTINUAS
 Variables aleatorias discretas con modelos estándar
VARIABLE BINOMIAL
 Variable X discreta definida como el recuento de ´éxitos entre un
número, n, de pruebas:
X B(n,p)
Con función de probabilidad definida por:
 n  x n −x
p(x) =   p q ; x = 0,1,2, ...,n
x
p = P(éxito) y q =1 − p = P(fracaso)
 Variables aleatorias discretas con modelos estándar
VARIABLE BINOMIAL
 EJEMPLO. En una Facultad el 35 % de los alumnos realiza algún
deporte. Se ha obtenido una muestra de 10 estudiantes de dicha
Facultad
 1. ¿Que modelo sigue la variable X = nº de estudiantes que realiza
algún deporte entre los 10 seleccionados?.
 2. Esperanza y varianza de la variable.
 3. Probabilidad de que más de 2 realicen algún deporte.
 4. Probabilidad de que entre 2 y 8 inclusive, realicen algún deporte.
 5. Probabilidad de que menos de la mitad realice algún deporte.
 SOLUCUÓN:
 X: 0 1 2 3 4 5 6 7 8 9 10
 P(x):
 Variables aleatorias discretas con modelos estándar
x
VARIABLE BINOMIAL
F(x) =  p(x i )
i =1

F(x) = P(X  x) = P(X = 0) + P(X = 1) + P(X = 2); hasta x = 2

10  10   10 
=   0,35 * 0,65 +   0,35* 0,65 +   0,35 * 0,65
0 10 9 2 8

0  1  2 
= 02616

 2. E(X) = np = 10*0,35 = 3.5; V(X) = npq = 10*0,35*0,65

= 2,275
 3. P(X > 2) = 1 – P(X≤ 2) = 1- F(2) = 1-0,2616 = 0,7384
 Variables aleatorias discretas con modelos estándar
VARIABLE BINOMIAL

 4. P(2 ≤ X ≤ 8) = P(X ≤ 8)- P(X ≤ 1) = 0,9995 – 0,860 = 0,9135

 5. P(X < 5) = P(X ≤ 4) F(4)= 0,7517
 EJERCICIOS VARIABLE ALEATORIA BINOMIAL
EJEERCICO 1: El 20 % de los trabajadores de una empresa irá a la
huelga. Se seleccionan 5 trabajadores de dicha empresa. Obtenga.
1. El modelo de probabilidad que sigue la variable X: Número de
asistentes a la huelga entre los 5 seleccionados
2. Probabilidad de que al menos tres vayan a la huelga
3. Probabilidad de que todos vayan a la huelga
4. Probabilidad de que no vaya ninguno

EJERCICIO 2: Siete de cada diez estudiantes aprueba el primer parcial de una

asignatura. Se seleccionan 8 estudiantes al azar. Obtenga las probabilidades que
se especifican a continuación e indique que modelo de probabilidad define para
obtenerlas.
1. Probabilidad de que exactamente 2 suspendan entre los 8 seleccionados.
2. Probabilidad de que todos aprueben.
3. Probabilidad de que 3 o más aprueben.
 VARIABLE ALEATORIA DE POISSON
 Variable X discreta definida como el recuento de éxitos por
unidad de espacio continuo:
 X ~p(λ), con función de probabilidad dada por:

e − x
p( x) = ; x = 0,1, 2,....
x!
 VARIABLE ALEATORIA DE POISSON
 Ejemplo 1: Poisson El número medio de robos con violencia que
se registra en una barrio marginal es de 4 al mes.
 Determine las siguientes probabilidades indicando el modelo de
probabilidad en que se basa.
1. Probabilidad de que en un mes determinado no haya ningún
robo de este tipo.
2. Probabilidad de que haya al menos uno en un mes dado.
3. Probabilidad de que haya entre 2 y 6, inclusive en un mes
dado. 4. Probabilidad de que haya más de dos en 15 días.

e − x
p( x) = ; x = 0,1, 2,....
x!
 VARIABLE ALEATORIA DE POISSON
1. Probabilidad de que en un mes determinado no haya ningún
robo de este tipo.

e 
− x
p ( x) = ; x = 0,1, 2,....
x!
−4 0
e 4 1
p(0) = = = 0,368
0! 2.71828
 VARIABLE ALEATORIA DE POISSON
2. Probabilidad de que haya al menos uno en un mes dado.

P ( X  1) = 1 − P ( X  1) = 1 − P( X  0) = 1 − 0, 368 = 0, 632
3. Probabilidad de que haya entre 2 y 6, inclusive en un mes dado.
P (2  X  8) = P ( X  8) − P ( X  2)
= P ( X  8) − P ( X  1)
= F (8) − F (1) =
4. Probabilidad de que haya más de dos en 15 días.
 VARIABLE ALEATORIA DE POISSON
4. Probabilidad de que haya más de dos en 15 días.

P ( X  2) = 1 − P ( X  2) = 1 − FF(2)
(2) = ?
P ( X  2) = 1 −  P ( X = 0) + P ( X = 1) + P ( X = 2) 
 2 e −4 4 x   4 0
41
4 2

P ( X  2) = 1 −   
−4
= 1− e  + + +
 x =0 x !   0! 1! 2! 
−4  4 0
41
4 2

P ( X  2) = 1 − e  + + + =
 0! 1! 2! 
P ( X  2 = 1 − (0, 0183)(1 + 4 + 8) = 0, 7621
 VARIABLE ALEATORIA NORMAL
 Variable X continua definida en toda la recta real: X ~N(μ, σ)
Con media y desviación típica dadas por μ y σ, respectivamente.
Con función de densidad definida por:
2
1  x− 
1 −  
f ( x) = e 2  
; −   x   : −     ;   0
 2
 VARIABLE ALEATORIA NORMAL
Ejemplo 1: El valor (en miles) de las ventas
mensuales realizadas en una Editorial sigue un
modelo normal de media igual a 200 y desviación
típica igual a 40 X→ N(200, 40)
1. Probabilidad de que la ventas de un mes sean
superiores 300.
2. Probabilidad de que las ventas de un mes se
encuentren entre 160 y 240.
3. Probabilidad de que las ventas de un mes no
superen a 150.
4. Probabilidad de que las ventas de un mes superen
3000.
 VARIABLE ALEATORIA NORMAL
SOLUCIÓN:
1. Probabilidad de que la ventas de un mes sean superiores 300.
 X −  300 − 200 
P( X  300) = P    = P( Z  2,5)
  40 
P( X  300) = 1 − P( Z  2.5) = 1 − F (2.5) = 1 − 0.9938 = 0, 0062
 VARIABLE ALEATORIA NORMAL
2. Probabilidad de que las ventas de un mes se encuentren entre
160 y 240.
 160 − 200 X −  240 − 200 
P(160  X  240) = P    
 40  40 
P(160  X  240) = P ( −1  Z  1) = 2 F (1) − 1
P ( −1  Z  1) = 2 F (1) − 1 = 2(0,84134) − 1 = 0, 68268
 VARIABLE ALEATORIA NORMAL
3. Probabilidad de que las ventas de un mes no superen a 150.
 X −  150 − 200 
P( X  150) = P    = P( Z  −1, 25)
  40 
P( X  150) = P( Z  −1, 25) = F (−1, 25) = 0,10565

4. Probabilidad de que las ventas de un mes superen 3000.

 X −  3000 − 200 
P( X  3000) = P    = 1 − P( Z  700)
  40 
 X −  3000 − 200 
P   = 1 − P( Z  700) = 1 − F (700) = 0
  40 
 VARIABLE ALEATORIA NORMAL
EJERCICIO 1: Normal Las puntuaciones en un test obtenidas por un grupo de
opositores se distribuyen normalmente con media 30 y desviación típica 5.
Determine
1. Probabilidad de tener una puntuación menor a 20 puntos.
2. Probabilidad de tener entre 28 y 40 puntos
3. Probabilidad de tener más de 40 puntos
4. Probabilidad de tener menos de 5 puntos

EJERCICIO 2: Normal La duración en días de ciertos componentes mecánicos

de una planta industrial sigue un modelo N(250, 55). Obtenga
1. Probabilidad de que no duren más de 200 días
2. Probabilidad de que a lo sumo dure 200 días
3. Probabilidad de que superen los 500 días de duración
4. Proporción de componentes que duran entre 250 ± 110
VARIABLE ALEATORIA NORMAL: Aproximación de variable binomial a
un modelo normal
Ejercicio 1: Aproximación de variable binomial a un modelo normal
En una Ciudad el 13 % de los ciudadanos acude a un mitin. Se ha
obtenido una muestra de 250 ciudadanos de dicha ciudad
1. Qué modelo sigue la variable X = nº de ciudadanos que acude al
mitin entre los 250 seleccionados6.
2. Esperanza y varianza de la variable.
3. Probabilidad de que más de 20 asista al mitin.
4. Probabilidad de que entre 20 y 80 inclusive, asista al mitin.
5. Probabilidad de que menos de la mitad acuda al mitin.
VARIABLE ALEATORIA NORMAL: Aproximación de variable binomial a
un modelo normal
a) La variable definida sigue un
modelo binomial de parámetros:
n = 250 y p = 0,13
X~B(250; 0,13)

b) La Esperanza y varianza de la variable

definida vienen dadas por:
E(X) = np = 250*0,13 = 32,5
V(X) = npq = 250 *0,13*0,87 = 28,275

c) Probabilidad de que más de 20 asistan al mitin. Aproximando el

modelo binomial a una normal con parámetros:
E(X) = 32,5; V(X) = 28.275; σ = 5,32
VARIABLE ALEATORIA NORMAL: Aproximación de variable binomial a
un modelo normal
Es necesario realizar la corrección por continuidad8 (asignando a
cada valor entero el intervalo de amplitud 1, obtenido restando y
sumando 1/2). En binomial:
 X −  20.5 − 32.5 
P( X  20) = 1 − P( 20,5) = 1 − P    = P( Z  −2, 26)
  5,32 
P( X  20) = 1 − P( Z  −2, 26) = 1 − F (−2, 26) = 1 − 0, 0119 = 0,9881
VARIABLE ALEATORIA NORMAL: Aproximación de variable binomial a
un modelo normal
d) Probabilidad de que entre 20 y 80 inclusive, asista al mitin. En
modelo binomial
 19,5 − 32,5 X −  80,5 − 32,5 
P(20  X  80) = P    
 5,32  5,32 
= P(−2, 44  Z  9, 02) = F (9, 02) − F (−2, 44)
= F (9, 02) − F (−2, 44) = 1 − 0, 00734 = 0,99266
e) Probabilidad de que menos de la mitad acuda al mitin.
 X −  125,5 − 32,5 
P( X  125) = P   
  5,32 
= P( Z  17, 48) = F (17, 48) = 1
 EJERCICIOS DE VARIABLES ALEATORIAS
 Ejercicio 2: Una prueba consta de 200 preguntas de verdadero o
falso, para un sujeto que respondiese al azar ¿Cual sería la
probabilidad de que acertase:
 a) 50 preguntas o menos.
 b) Más de 50 y menos de 100.
c) Más de 120 preguntas.
Ejercicio 3: Una gran tienda de artículos eléctricos descubre que el
número x de tostadores vendidos por semana obedece a una ley de
Poisson de media 10. La ganancia de cada tostador vendido es de 500
ptas. Sin embargo, un lunes se encuentran con que solo les quedan 10
tostadores, y que a lo largo de esa semana no van a poder traer más
del almacén. Determinar la distribución de las ganancias totales (en
S/.) en concepto de tostadores de pan a lo largo de esa semana.
 EJERCICIOS DE VARIABLES ALEATORIAS
 Ejercicio 4: El tiempo de reparación de unas máquinas de escribir tiene una
distribución aproximadamente exponencial, con media 22 minutos.
 a) Hallar la probabilidad de que el tiempo de reparación sea menor que diez
minutos.
 b) El costo de reparación es de 2000 soles. por cada media hora o fracción. ¿Cuál
es la probabilidad de que una reparación cueste 4000 pts.?
 c) Para efectuar una programación, ¿cuanto tiempo se debe asignar a cada
reparación para que la probabilidad de que cualquier tiempo de reparación
mayor que el tiempo asignado sea solo de 0.1?
Ejercicio 5: Los pesos de 2000 soldados presentan una distribución
normal de media 65 kg y desviación típica 8 kg. Calcular la
probabilidad de que un soldado elegido al azar pese:
a) Más de 61 kg.
b) b) Entre 63 y 69 kg.
c) c) Menos de 70 kg.
d) d) Más de 75 kg
 EJERCICIOS DE VARIABLES ALEATORIAS
 Ejercicio 8: La duración de un láser semiconductor a potencia constante
tiene una distribución normal con media 7.000 horas y desviación típica de
600 horas.
 a) ¿Cuál es la probabilidad de que el láser falle antes de 5.000 horas?
 b) ¿Cuál es la duración en horas excedida por el 95 % de los láseres?
 c) Si se hace uso de tres láseres en un producto y se supone que fallan de
manera independiente, ¿Cuál es la probabilidad de que tres sigan
funcionando después de 7.000 horas?
Ejercicio 9: Supongamos que disponemos de 3 variables independientes con las
siguientes características:
X1 ~N(µ=1,σ =1)
X2 ~ N(µ=3, σ=2)
X3 ~ N(µ=4, σ=3).
Definimos una nueva variable Y=X1+X2+X3, se pide:
a) Hallar E(Y) y Var(Y).
b) b) Determinar la probabilidad de que P(Y>A), siendo A=E(Y)-2
 EJERCICIOS DE VARIABLES ALEATORIAS
 Ejercicio 10: El volumen que una máquina de llenado automático deposita
en latas de una bebida gaseosa tiene una distribución normal con media 34
cl. Y una desviación típica 1,5 cl.
 a) Si se despachan aquellas latas que tienen menos de 33 cl., ¿cuál es la
proporción de latas desechadas?
 b) La máquina de llenado puede ser ajustada para cambiar el volumen
medio ö para que únicamente el 1% de las latas tuviera menos de 33 cl.?
 c) Si tomamos 10 latas llenadas con la máquina tal y como figura
originalmente, ¿cuál es la probabilidad de que ninguna sea desechada?
 d) Si ahora tomamos 500 latas llenadas con la máquina tal y como figura
originalmente, ¿cuál es la probabilidad de que al menos 100 sean
desechadas?