PROBABILIDAD Y

ESTADÍSTICA

Equipo de Estadística

Sesión N° 06
CASO 1: PRODUCCIÓN DE TORNILLOS

En un proceso de producción de tornillos,

donde los niveles de calidad están fuera de
los permitidos, se tiene que de cada 100
tornillos producidos, 8 son defectuosos.

Si se toma una muestra de 16 tornillos:

¿Es posible tener un modelo matemático, que

nos permita estimar si menos de dos tornillos
son defectuosos?
CONTENIDO

o Variable aleatoria

o Distribuciones de Probabilidad

o Principales Distribuciones de Probabilidad discretas: Binomial y

Poisson. Características y uso de tablas
Logro específico (de sesión):

Al término de la sesión, el estudiante resuelve

problemas de situaciones reales en Ingeniería
considerando variables aleatorias y distribución de
probabilidad discreta, con orden en el procedimiento
y exactitud en el resultado.
DEFINICIONES PRELIMINARES:
I. VARIABLE ALEATORIA:
• Se denota por una X.
• Es aquella que puede tomar diferentes valores a
través del tiempo o de sujeto a sujeto.
• Si una variable, es una variable aleatoria, entonces
tiene una distribución de probabilidad.

EJEMPLOS:

• X: Nº de casas vendidas en Trujillo.

• X: Nº de ingenieros reconocidos a nivel nacional.
• X: Ventas diarias de una empresa.
• X: Nº de clientes que llegan diariamente a Plaza Vea.
• X: Nº de automóviles que llegan a una Estación de Servicio.
• X: Nº de llamadas telefónicas que recibe una secretaria.
• X: Edad de las personas.
• X: Tiempo de vida de un neumático.
• X: Nº de artículos defectuosos de un proceso productivo.
II. FUNCION DE PROBABILIDAD:
• Es una fórmula matemática que nos permite calcular
probabilidades.
• Una función de probabilidad, calcula la probabilidad para
cada valor individual de la variable aleatoria X.
• Se denota por:

f (x) = P[ X = x ]
EJEMPLOS:

n
Distribución Binomial: P[X  x]   p x q n  x
 x

eλ λ x
Distribución Poisson: P[X  x] 
x!
III. FUNCION DE PROBABILIDAD ACUMULADA:
• Llamada también función de distribución que se denota por
F(x).
• Es aquella que nos permite calcular probabilidades
acumuladas.
• Se denota por:

F(x) = P[ X ≤ x ]
Por ejemplo:

• F(1) = P[X≤1]=P(X=0) + P(X=1)

• F(2) = P[X≤2]=P(X=0) + P(X=1) + P(X=2)
• F(3) = P[X≤3]=P(X=0) + P(X=1) + P(X=2)+P(X=3)
DISTRIBUCIONES DISCRETAS
Distribución Binomial

Distribución Poisson
 DISTRIBUCIÓN BINOMIAL
CARACTERISTICAS:

• Los parámetros de la distribución binomial son “n”

y “p”., donde:
n=Número de ensayos o tamaño de muestra
p = probabilidad de éxito en cada ensayo. Parámetros:
De aquí se obtiene que la probabilidad de fracaso es
q = 1-p
• Si una v.a. X tiene una distribución binomial, esta se
n,p
denota por:
X  B ( n, p )
• Su función de probabilidad está dada por:
P(X  x)  C xn p x (1  p ) n  x , x  0,1,2,......n
EJERCICIO:

En la empresa Aceros Arequipa, el Función de probabilidad

inspector de control de calidad ha
determinado que el 25% de los P(X  x)  C xn p x (1  p ) n  x
lingotes producidos son defectuosos.
Para probar su afirmación extrae una
Solución:
muestra de 5 lingotes de acero y a
partir de ello desea calcular las a. P(X  0)  C0 0.25 (0.75)
5 0 5

siguientes probabilidades:
= 0.237
a. Ninguno sea defectuoso.
b. P(X  1)  C1 0.25 (0.75)
5 1 4
b. Exactamente 1 sea defectuoso.
c. Menos de 2 sean defectuosos. = 0.396
c. P(X  2)  P(X  1)  P(X  0)  P(X  1)
= 0.633
PARAMETROS:
n=5
p = 0.25
MANEJO DE TABLA:

Para el uso de tabla tener en cuenta lo siguiente

A. P ( X ≤ a ) = Usar directamente la tabla

B. P (X>a) =1- P(X≤a)
C. P (X≥a) =1- P(X≤a-1)
D. P (X=a) =P(X≤a)-P(X≤a-1)
E. P ( a ≤ X ≤ b ) = P ( X ≤ b ) - P ( X ≤ a-1 )
F. P ( a ≤ X < b ) = P ( X ≤ b-1 ) - P ( X ≤ a-1 )
G. P ( a < X < b ) = P ( X ≤ b-1 ) - P ( X ≤ a )
H. P (X < a ) = P ( X ≤ a-1 )
I. P (a<X≤b)=P(X≤b)–P(X≤a)
EJEMPLO DE APLICACIÓN 2:

En general, el 45% de los postulantes fallan en una prueba

de selección de personal. ¿Cuál es la probabilidad de que
en una muestra de 15:

a) Fallen exactamente 4.
b) Fallen por lo menos 8.
c) Fallen más de 4.
SOLUCIÓN:
X = Candidatos que fallan en una prueba de selección
Parámetros:
n = 15 candidatos
p = probabilidad que un candidato falle en una prueba de selección.
p = 0.45; q = 0.55
Función de probabilidad:
15  x
P(X  x)  C 15
x (0.45) x
( 0.55) , X  0,...,15

a) Fallen exactamente 4.
P(X = 4) = 0.078 = 7.8%
b) Fallen por lo menos 8.
P(X ≥ 8) = 1 - P(X ≤ 7) = 1 - 0.6535 = 0.3465 = 34.65%
c) Fallen más de 4.
P(X > 4) = 1 - P(X ≤ 4)= 1 - 0.1204 = 0.8796 = 87.96%
 DISTRIBUCIÓN POISSON
 Es otra de las distribuciones discretas
más importantes del cálculo de
probabilidades.
 Se utiliza cuando se quieren evaluar
variables aleatorias discretas pero
ocurridos en espacios continuos.
 Estos espacios continuos pueden ser el
tiempo, volumen, espacio, etc.
Función de probabilidad
e λ λ x
PX  x/λ  
x!
Donde λ = Número esperado de éxitos. Simeon Poisson
e = Constante matemática.
x = Número de éxitos por unidad.

Parámetro: λ
 EJEMPLOS

• Número de manchas en un metro cuadrado de un

esmaltado de un refrigerador.
• Número de personas que llegan a una tienda de
autoservicios durante una hora.
• Número de llamadas telefónicas en un día.
• Número de clientes que llegan a un banco durante
las 10 y 12 p.m.
• Número de bacterias en un cm3 de agua.
• Número de solicitudes de seguro procesadas por
una compañía en un tiempo determinado, etc.
 Función de probabilidad

e λ λ x
PX  x/λ  
EJERCICIO:

x!

Se conoce que el número promedio de arribos de camiones a la central de

abastos es de 3 camiones por minuto.
Calcular las siguientes probabilidades:
a.Lleguen exactamente dos arribos en un minuto.
b.Lleguen a lo más 2 arribos en un minuto.
Solución:
e3 32
a. Se tiene que λ = 3 arribos por minuto. 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!
EJEMPLO DE APLICACIÓN 2:

La central telefónica de una empresa recibe un promedio

de 3.4 órdenes de pedido por hora. Estas ocurrencias se
producen al azar. ¿Cuál es la probabilidad de que se
produzcan:
a) Exactamente 4 órdenes de pedido en una hora dada.
b) Como máximo 5 órdenes de pedido en una hora.
c) Más de 5 órdenes de pedido en dos horas.
SOLUCIÓN

  3.4 órdenes de pedido / hora

a) Exactamente 4 órdenes de pedido en una hora dada.

b) Como máximo 5 órdenes de pedido en una hora.

P(X ≤ 5) = 0.8705 = 87.05%

c) Más de 5 órdenes de pedido en dos horas.

P(X > 5) = 1 - P(X ≤ 5) = 1 - 0.327 = 0.673 = 67.3%

FIN