Ilovepdf Merged

Unidad 3: Modelos de Probabilidad
Clase 3
Modelos de Probabilidad
p(x)
Población
Distribución
Media
Desvío
x1 x2 x3 x4 x5 x6 x
Aproximar
Se busca aproximar la
Muestra Distribución de Probabilidad
n datos
Propiedades:
promedio, desvío
Unidad 2 – Ejercicio 10
En la producción de la corona de una caja de cambio para automóvil,
las operaciones fundamentales son:
Dentado: en la cual se crean los dientes cortando el acero;

Afeitado: donde se logra la terminación de la pieza, asegurando
características como diámetro, hélice, envolvente, separación entre
dientes, excentricidad, etc.
La probabilidad de encontrar una pieza que no cumpla con las

especificaciones técnicas (No conformidad (NC) como consecuencia
de problemas en el dentado es 0,05, en tanto que por fallas de
afeitado asciende a 0,12. Por otra parte, la probabilidad que la pieza
presente defectos en las dos operaciones es de 0,03.
a. Determinar la probabilidad que una pieza se considere No

Conforme por alguno de esos dos motivos.
b. Determinar la probabilidad que falle el afeitado, dado que ha fallado
el dentado.
c. ¿Son independientes los dos tipos de no conformidad?.
Espacio Muestral: elegir una pieza al azar y observar si tiene
fallas de Dentado o de Afeitado.
Eventos elementales:
D= {x/x tienen fallas de Dentado}
A= {x/x tienen fallas de Afeitado}
Espacio Muestral: 
S  (DyA),(DyA),(DyA),(DyA) 
a. Que tenga fallas por alguno de los dos motivos
P(DoA)  P(D)  P(A)  P(AyD)  0,05  0,12  0,03  0,14
b. Prob que falle el Afeitado, dado que ha fallado el Dentado

P(DyA)  P(D) * P(A /D)  P(A /D)  P(DyA)/P(D)  P(A /D)  0,03 / 0,05  0,6
No son Independientes
Ejemplo: en un proceso productivo se trabaja con tres tornos que en
paralelo, realizan la misma operación. Como actividad de mantenimiento
preventivo, todos los días se revisan los tres equipos y se define si tienen
fallas o no. En un día cualquiera, la probabilidad que un torno falle, es de
0,3. ¿Cuál es la probabilidad de que en un día determinado fallen al menos
dos máquinas?
Experimento aleatorio: revisar los tres tornos y verificar si presentan fallas
o funcionan sin inconvenientes.
Evento elemental: F= {x/x tiene falla}
Evento Probabilidad
P(fallen dos) = P(FyFyF) + P(FyFyF) + P(FyFyF) + P(FyFyF)
FyFyF 0,343
FyFyF 0,147 = 0,063 + 0,063 + 0,063 + 0,027 = 0,216
FyFyF 0,147
FyFyF 0,147
Esta forma de cálculo es laboriosa, pero se puede
hacer.
FyFyF 0,063
Qué pasaría si se tienen 20 tornos, en lugar de 3?
FyFyF 0,063
FyFyF 0,063
Se necesita una operatoria más práctica.
FyFyF 0,027
Variable Aleatoria: es una variable que toma valores de acuerdo a los

resultados de un experimento aleatorio
Ejemplo: sigamos con el caso de los tres tornos
Evento Probabilidad X Podemos definir una variable aleatoria del

FyFyF 0,343 0 siguiente modo:
FyFyF 0,147 X: cantidad de máquinas que se
FyFyF 0,147 1 encuentran con fallas, al revisar los tres
FyFyF 0,147 tornos.
FyFyF 0,063 A cada resultado posible del Espacio
FyFyF 0,063 2 Muestral, se lo puede vincular con un
FyFyF 0,063
valor de X.
FyFyF 0,027 3 De este modo, se determina la
Distribución de Probabilidad.
Variable Aleatoria: es una variable que toma valores de acuerdo a los

resultados de un experimento aleatorio
Evento Probabilidad X
FyFyF 0,343 0
FyFyF 0,147 P(X  1)  3 * p * (1  p) * (1  p)  3 * p1 * (1  p)(3 1) 
FyFyF 0,147 1
FyFyF 0,147
FyFyF 0,063
FyFyF 0,063 2 P(X  2)  3 * p * p * (1  p)  3 * p2 * (1  p)(3 2) 
FyFyF 0,063
FyFyF 0,027 3 P(X  3)  1* p * p * p  1* p3 * (1  p)(3 3) 
P(FyFyF) = P(F)*P(F)*P(F) = 0,3*0,3*0,3= 0,027


Distribución de
Probabilidad
X p(x)
Esta es la 0 0,343
Estas son las
Población 1 0,441 probabilidades
2 0,189
3 0,027
Importante: NOTACIÓN. Las mayúsculas refieren genéricamente a la

variable. Las minúsculas hacen referencia a valores particulares de la
variable
x1 = 0 ; x2 = 1
P(X=2) = 0,189
P(X>=2) = 0,189 + 0,027
Variables aleatorias DISCRETAS, si

Rx es un conjunto finito o infinito
numerable
Conforme a Rx, el
recorrido, las variables
aleatorias se clasifican en:
Variables aleatorias CONTINUAS, si

Rx es un conjunto infinito NO
numerable
Una vez definida una variable aleatoria discreta X, es posible definir

otra Función que indica la probabilidad de cada posible valor de la
variable aleatoria.
p( xi )  P  X  xi 
Se denomina
Función de Probabilidad
La función debe cumplir:

p(x)
(i) 0  p( xi )  1xi
(ii)  p( xi )  1
xi
x1 x2 x3 x4 x5 x6 x
También se pueden calcular medidas sobre las distribuciones de las

variables aleatorias
Valor esperado de X
n
E(X)   xi p( xi )
i 1
Varianza de X
Var  X      xi     p( xi ) =  x i2 * p(xi )   2
2 2
i i
Ejemplo: para la variable aleatoria

X: cantidad de máquinas falladas al revisar tres tornos
independientes entre si
E(X)    0,9
V(X)   2  0,63
Modelo Binomial
X: Cantidad de éxitos en n experimentos de tipo Bernoulli,

Experimentos tipo Bernoulli son ensayos con solo dos

posibles resultados complementarios: Éxito o Fracaso
El Éxito tiene probabilidad p
Si una v.a. tiene Distribución Binomial con Parámetros n y p
n!
p(x)  px * (1  p)(n x)
x!* (n  x)!
E(X)    n * p
V(X)   2  n * p * (1  p)
Ejemplo: para la variable aleatoria
X: cantidad de máquinas falladas al revisar tres tornos
¿Se puede aplicar Distribución Binomial?: SI.

Porque cada torno es un intento, cada intento tiene dos posibles
resultados y la probabilidad de falla en cada intento es la misma
3!
P(X  2)  p(2)  * 0,32 * (1  0,3)(3  2)  0,189
2!* (3  2)!
3!
P(X  3)  p(3)  * 0,33 * (1  0,3)(3 3)  0,027
3!* (3  3)!
P(X  3)  p(2)  p(3)  0,216
E(X)    n * p  3 * 0,3  0,9

V(X)   2  n * p * (1  p)  3 * 0,3 * 0,7  0,63
El 10% de las llantas que produce una fábrica

resultan con defectos. Si de la producción se forma
un lote de diez unidades seleccionadas al azar.
Encontrar respuestas a las siguientes cuestiones:
 ¿Cuál es la variable de interés?
 ¿Puede ser representada mediante el modelo
Binomial? Justifique su respuesta.
 Indicar a que se considera "éxito" y cuál es su
probabilidad.
 Calcular la probabilidad que:
Haya exactamente dos llantas defectuosas.
Ninguna esté defectuosa.
Haya 2 o más defectuosas.
 Determinar la media y el desvío estándar de la
variable.
 Analizar si la asimetría es positiva o negativa.
Experimento: se revisan 10 llantas elegidas al azar y se las

clasifica según tengan o no tengan defectos. Se considera que
las llantas son independientes entre si
Parámetros: n=10 y p=0,1
Se considera Éxito al hecho de encontrar una llanta defectuosa
10!
P(X  2)  p(2)  * 0,12 * (1  0,1)(10  2) 
2!* (10  2)!
10!
P(X  0)  p(0)  * 0,10 * (1  0,1)(10 0) 
0!* (10  0)!
P(X  2)  1  (p(1)  p(0)) 
E(X)    n * p  10 * 0,1  1
V(X)   2  n * p * (1  p)  10 * 0,1* 0,9  0,9
Experimento: se revisan 10 llantas elegidas al azar y se las
clasifica según tengan o no tengan defectos. Se considera que
las llantas son independientes entre si
Parámetros: n=10 y p=0,1
Se considera Éxito al hecho de encontrar una llanta defectuosa
Cómo se comporta la asimetría????

Modelo de Poisson
X: cantidad de éxitos en un intervalo continuo (de tiempo o de espacio)
Si la variable tiene Distribución de Poisson, con parámetro lambda, entonces se
puede calcular:
 x * e 
P(X  x)  p(x) 
x!
E(X)  
V(X)  
Ejemplo: Se revisa la pintura de una pared y se determina que en promedio tiene dos
defectos por metro cuadrado.
Calcular probabilidad que en un metro cuadrado haya exactamente una mancha
Calcular probabilidad que en un metro cuadrado haya al menos dos
 1 * e2
P(X  1)  p(1)   0,27
1!
P(X  2)  1  (p(0)  p(1))
E(X)  2
V(X)  2
Unidad 3 – Ejercicio 4
Una máquina sufre, en promedio, 3 desperfectos por mes que
obligan a su detención para realizar reparaciones. Se desea
determinar la probabilidad que en un cierto mes, se produzcan
cero, una o más detenciones.
Especificar cuál debe ser la variable en estudio y proponer un
modelo de probabilidades que permita representarla. Justifique
claramente su elección.
Calcular:
 La probabilidad de que durante un mes cualquiera no sufra
ninguna detención.
 La probabilidad de que durante un mes cualquiera sufra al
menos una detención.
 La probabilidad de que durante un mes cualquiera sufra entre 1
y 3 detenciones (ambos valores incluidos).
 La probabilidad de que en dos meses sufra exactamente cinco
detenciones.
Variable aleatoria. X1: Cantidad de desperfectos que ocurren en un mes

Si puedo suponer que estos desperfectos ocurren esporádicamente y de
manera instantánea, entonces se puede aplicar Poisson
Parámetro: Lambda1 = 3 desp/mes
30 * e3
P(X1  0)  p(0)   0,0498
0!
P(X1  1)  1  p(0) 
P(1  X1  3)  p(1)  p(2)  p(3)  0,149  0,224  0,224
Para el último problema, es necesario cambiar la variable y el
Lambda. X2: Cantidad de desperfectos que ocurren en dos
meses. Entonces Lambda2 = 6
6 5 * e 6
P(X2  5)  p(5)  
5!
Ejemplo Ejercicio 5 de Unidad 3
En un proceso productivo se produce un 0,5 % de piezas

no conformes. Si se arman lotes de 400 piezas, calcular la
probabilidad de que:
 Ninguna pieza sea no conforme,
 A lo sumo una pieza sea no conforme
Trabajar de la siguiente manera:

 Empleando la distribución Binomial.
 Usando la aproximación de Poisson a la Binomial.
Cuando en la Binomial, n es muy grande y p

es muy pequeño, se puede aproximar con
Poisson con Lambda = n*p = 0,005*400 = 2
Analizar cómo varía la asimetría de la Distribución de Poisson

Clase 4
Modelos de Probabilidad
para variables continuas
p(x)
Población
Distribución
Media
Desvío
x1 x2 x3 x4 x5 x6 x
Aproximar
Se busca aproximar la
Distribución de Probabilidad
Muestra
n datos
Propiedades:
promedio, desvío
Variables aleatorias DISCRETAS, si

Rx es un conjunto finito o infinito
numerable
Conforme a Rx, el
recorrido, las variables
aleatorias se clasifican en:
Variables aleatorias CONTINUAS, si

Rx es un conjunto infinito NO
numerable
Variables continuas: la población es de tamaño infinito, no
numerable. Es decir que no se puede distinguir entre
valores consecutivos, no se pueden separarlos valores
Distribuciones de Probabilidad: al no poder separar los valores
posibles, se trabaja por intervalos. Las funciones son:
Función de densidad de probabilidad: mide la concentración de
probabilidad en un determinado entorno. Se expresa como la
derivada de la probabilidad: f(x) ≥ 0
Función Acumulada de Probabilidad: representa la probabilidad
acumulada hasta un cierto valor: F(x) = P(X ≤ xo)
𝑥𝑜
La acumulada se define como: 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥𝑜 = 𝑓 𝑥 𝑑𝑥
−∞
𝑥𝑜
La media es: E 𝑋 = −∞
𝑥 𝑓 𝑥 𝑑𝑥
𝑥𝑜 2
La varianza es: V 𝑋 = 𝑥−𝜇 𝑓 𝑥 𝑑𝑥
−∞
Ejercicio 29 de la Unidad 2
Una compañía que realiza perforaciones para agua, evalúa los
resultados obtenidos para los pozos realizados con una
calificación que va entre cero (fracaso total) y uno (éxito total).
En base a experiencias previas se ha determinado que la v.a.
“X: calificación asignada a un pozo” se puede modelar mediante
la siguiente f.d.p.: f(x) = 2x para 0  x  1.
 Determinar si f(x) cumple con las condiciones de una función
de densidad de probabilidad.
 En caso afirmativo, dibujar e interpretar la forma de dicha
función.
 Determinar la función de distribución acumulada.
 Calcular la probabilidad de que una calificación sea menor a
0,9, que sea mayor a 0,9, y que esté entre 0,6 y 0,9.
 Calcular el valor esperado y la varianza de la variable.
Interpretar.
f(x)
Ejercicio 29 de la Unidad 2 ?
Sea X: calificación asignada a un pozo
𝑓 𝑥 = 2𝑥 ∀ 0 ≤ 𝑋 ≤ 1
1 x
𝑥𝑜
F 𝑥𝑜 = 0
2𝑥 𝑑𝑥 = 𝑥 2 𝑒𝑛𝑡𝑟𝑒 𝑙𝑜𝑠 𝑒𝑥𝑡𝑟𝑒𝑚𝑜𝑠 𝑑𝑒 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛
F 𝑥𝑜 = 𝑥𝑜2
1 F(x)
𝜇 = 𝐸(𝑋) = 𝑥 2𝑥 𝑑𝑥 = 1
0
1
𝐸(𝑋 2 ) = 𝑥 2 2𝑥 𝑑𝑥 =
0
𝜎 2 = 𝐸 𝑋 2 − 𝐸2 𝑋
1 x
Distribución Exponencial:
Una variable aleatoria X tiene Distribución de Probabilidad
Exponencial, con media µ, cuando su función de densidad de
probabilidad es: f(x)
1 −𝑥/𝜇
𝑓 𝑥 = 𝑒 ∀ 𝑋≥0
𝜇
F 𝑥𝑜 = 1 − 𝑒 −𝑥/𝜇 x
F(x)
1
𝐸 𝑋 =𝜇
V 𝑋 = 𝜇2
x
El Coeficiente de Asimetría es 2
Exponencial
creciente
La variable Distancia entre dos baches en una ruta, tiene

Distribución Exponencial con media 2 Km. Determinar:
 La probabilidad que entre dos baches haya menos de 1200

metros.
 La probabilidad que entre dos baches haya más de 1500

metros.
 La distancia tal que el 80% de las separaciones son mayores

que la misma.
X: Distancia entre dos baches en una ruta, tiene Distribución

Exponencial con media 2 Km. f(x)
La probabilidad que entre dos baches

haya menos de 1200 metros.
P(X≤ 1200) = F 1200 = 1 − 𝑒 −1200/2000

1200
𝜇
f(x)
La probabilidad que entre dos baches

haya más de 1500 metros.
1500
− 2000
P(X ≥ 1500) = 1 - F 1500 = 𝑒
1500
𝜇
La distancia tal que el 80% de las
separaciones son mayores que la misma.
X: Distancia entre dos baches en una ruta, tiene Distribución
Exponencial con media 2 Km.
La distancia tal que el 80% de las

separaciones son mayores que la misma.
f(x)
xo 𝜇
𝑥𝑜
− 𝑥𝑜 = − 𝜇 ln(1 − 𝐹 𝑥𝑜 )
P(X ≤ 𝑥𝑜) = 1 − 𝑒 𝜇
𝑥𝑜 = −2000 ln 1 − 0,2 =
Distribución Normal:
Una variable aleatoria X tiene Distribución de Probabilidad
Normal, con media µ y varianza 𝜎 2 , cuando su función de
densidad de probabilidad es:
Normal
2 f(x)
1 (𝑥−𝜇)
− 𝜎
𝑓 𝑥 = 𝑒 𝑐𝑜𝑛 𝑋 ≥ 0
𝜎 2𝜋
𝐸 𝑋 =𝜇 V 𝑋 = 𝜎2
El Coeficiente de Asimetría 0
F(x)
Problema: 1
La Normal no se puede integrar. No hay una
función que al ser derivada, quede igual a
la Densidad
Solución
Algoritmos y Tablas
Curva S
N(𝜇, 𝜎 2 )
f(x)
x
Para determinar Para calcular
valores de X probabilidades
𝒙−𝝁
x=𝝁+𝒛𝝈 z=
𝝈
z
Se estudia una máquina que llena bolsas de cemento y para ello se define la
variable aleatoria X: contenido de una bolsa. Sabiendo que X tiene distribución
Normal, con media 50 Kg. y desvío 0.5 Kg.
Determinar:
 La probabilidad de que una bolsa contenga menos de 51 Kg.
 La probabilidad de que una bolsa contenga más de 51 Kg.
 La probabilidad de que una bolsa contenga entre 49.25 y 49.75 Kg.
 La probabilidad de que una bolsa contenga entre 49 y 51 Kg.
 Si un 20 % de las bolsas contienen más de x1 Kg. Hallar el valor de x1.
 Calcular los contenidos x2 y x3, valores simétricos con respecto a la media
que encierran un 50 % de la distribución.
Al controlar el llenado, se planea desechar todas las bolsas que contengan más
de 51 Kg. o menos de 49 Kg. Calcular
La probabilidad de que 3 bolsas fabricadas sucesivamente (de
manera independiente) deban ser desechadas en el control de
llenado.
La probabilidad de que en un lote de 15 bolsas a las que se les va a
controlar el llenado, 3 deban ser desechadas.
N(50, 0,52 )
¿ 𝑃 𝑋 ≤ 51 𝑘𝑔 ? f(x)
𝑥−𝜇 51 −50
𝑧= = = 2
𝜎 0,5
Vamos a la tabla. Fila 2 y columna 0
𝑃 𝑍 ≤ 2 = 0,4772
50 51 x
𝑃 𝑋 ≤ 51 𝑘𝑔 = 0,5 + 0,4772 = 0,9772
N(50, 0,52 )
f(x)
¿ 𝑃 49,25𝑘𝑔 ≤ 𝑋 ≤ 49,75 𝑘𝑔 ?
F(49,25) = 𝑃 𝑋 ≤ 49,25 𝑘𝑔 = 0,5 – 0,433 = 0,067
F(49,75) = 𝑃 𝑋 ≤ 49,75 𝑘𝑔 = 0,5 – 0,191 = 0,309
49,25 49,75 x
𝑃 49,25𝑘𝑔 ≤ 𝑋 ≤ 49,75 𝑘𝑔 = F(49,75) – F(49,25) = 0,242

N(50, 0,52 )
f(x)
 Si un 20 % de las bolsas contienen más de
x1 Kg. Hallar el valor de x1.
Después de graficar, veo que el área entre la 0,3

media y x1 es de 0,30. Voy a la tabla y saco el 0,2
correspondiente valor de z, en este caso 0,84
x1
x = 50 +𝟎, 𝟖𝟒 ∗ 𝟎, 𝟓 = 𝟓𝟎, 𝟒𝟐 𝒌𝒈
Al controlar el llenado, se planea desechar todas las bolsas que

contengan más de 51 Kg. o menos de 49 Kg. Calcular la Probabilidad
de que 3 bolsas fabricadas sucesivamente (de manera
independiente), deban ser desechadas en el control de llenado.
Sea evento elemental: D:{x/x es bolsa desechada}
𝑃 𝐷𝑦𝐷𝑦𝐷 = 𝑃 𝐷 ∗ 𝑃 𝐷 ∗ 𝑃(𝐷)= 0,053 =
Propiedades muy importantes de la Normal
Propiedad reproductiva: si se realiza una combinación lineal con una

variable aleatoria Normal, el resultado también tiene esa Distribución
Sea Y = X1 + X2 + … + Xn donde 𝑋𝑖~N(𝜇𝑖, 𝜎𝑖 2 )
2
Entonces Y ~ N( 𝑛1 𝜇𝑖 , 𝑛1 𝜎 )
Teorema del Lìmite Central: si se suman n variables aleatorias

independientes e idénticamente distribuidas, todas con media µ y con
desvío σ, cuando n es suficientemente grande, el resultado tiende a tener
Distribución Normal.
Sea Y = X1 + X2 + … + Xn donde 𝑋𝑖~(𝜇𝑖, 𝜎𝑖 2 )
2
Entonces Y ~ N( 𝑛1 𝜇𝑖 , 𝑛1 𝜎 )
Probabilidad y Estadística Intervalos de
Intervalos
Confianzadepara
Confianza
la Media
Unidad N° 4 / Estimación / Intervalos de confianza
Objetivos: Contenidos a trabajar:

• Distinguir los conceptos de • Conceptos de parámetro y
parámetro y estimador e estimador.
interpretar las diferencias entre • Estimación de parámetros.
los mismos. • Distribución de la media
• Definir las propiedades de un aritmética.
buen estimador. • Estimación puntual.
• Distinguir los diferentes tipos de • Propiedades de un buen
estimación. estimador.
• Seleccionar el método de • Distribuciones de muestreo:
estimación más apropiado para • Chi cuadrado, t de Student, F de
cada problema. Fischer
• Inferir las propiedades de una • Estimación por intervalos: para μ
población a partir del análisis de y σ2
muestras.
Preparó: José Francisco Zanazzi

Intervalos
Confianzadepara
Confianza
la Media
Recordemos:
Población
Parámetros: m, 2
Distribución de Deseamos aproximar, pero
probabilidades considerando los errores
de estimación
Muestra
Estimadores: x , Me, S2 Intervalos de Confianza
Distribución de
frecuencias Pruebas de hipótesis
A m se lo puede estimar con x , o con Me

A  se lo puede estimar con Sn-1

Intervalos
Confianzadepara
Confianza
la Media
Recordemos:
Distribución de muestreo para el promedio x

¿Cuál es la
cuando sus datos provienen de una población
normal. Distribución de x ?
Cuando: X N( m ,  2 )
entonces:
X N ( m ,  2 / n)
Si se estandariza el promedio x
xm
Zx  N (0,1)
 Cuanto mayor es el tamaño de la
n muestra, menor es la varianza de la
distribución de la media muestral.

Intervalos
Confianzadepara
Confianza
la Media
Recordemos:
Insesgados
Los estimadores
puntuales tienen Consistentes
propiedades que los Eficientes
caracterizan
Suficientes
Chi cuadrado
Se desarrollaron t de Student
distribuciones especiales
para representar a los F de Fisher-
estimadores Snedecor

Intervalos
Confianzadepara
Confianza
la Media
Un caso para analizar

Trabajamos en una empresa que elabora
productos lácteos en la Provincia de
Córdoba. Por diseño, necesitamos que
nuestros envases de leche contengan
1000 cc. Por arriba de ese valor los
envases pueden perder, por debajo se
genera una no conformidad en el cliente.
Por diseño, se supone que el desvío
estándar de la población es   10 CC.
Para mejorar el control del proceso, el grupo de reducción de la variabilidad

elabora un INSTRUCTIVO para hacer la Puesta a Punto.
Para probar el instructivo se llenan 16 envases y se mide la variable:
“Contenido de la botella”, obteniendo la muestra siguiente:
1005,1 1000,8 1011,6 996,5
1007,9 984,2 1005,8 1020,0 Promedio 1010
1028,1 1020,7 996,9 1020,3 Desvío 13,451
997,2 1009,2 1040,6 1015,1
Intervalos
Confianzadepara
Confianza
la Media
¿Eso significa que la

El promedio da 1010cc, regulación de la
es distinto de 1000 cc embotelladora es
incorrecta???
Si la máquina está perfectamente regulada, el ¡Solo sería un

promedio nunca daría exactamente =1000 cc valor cercano!
El estimador puntual no alcanza.

Necesitamos un método que nos permita Estimación puntual
decidir pese al error!!!
Por eso: necesitamos un intervalo Valoración del posible
error de estimación

Intervalos
Confianzadepara
Confianza
la Media
Intervalo para μ con σ conocido

Se aplica el método del pivote
1. Se adopta una cantidad que
debe tener:
• el parámetro a estimar xm
Zx  N(0,1)
• un estimador insesgado 
de ese parámetro n
• distribución conocida
2. Se plantea la expresión:
 
 x m 
P  z   z  
  
 n 
z
con  = 0,9; 0,95 o 0,99

Intervalos
Confianzadepara
Confianza
la Media
Seguimos con el método del pivote:
3. De la desigualdad se xm
z  z
despeja el parámetro a
estimar

n

Ei  x  z
n
Con lo cual se obtiene:

Es  x  z
n

Probabilidad y Estadística Intervalos de Confianza
¿Resolvemos el ejemplo?
Datos: n=16, x = 1010 cc y σ = 10 cc.
Con una confianza  = 0,90. Entonces z = 1,64
Calculamos los extremos del intervalo:

Ei  x  z
n

Es  x  z
n
Ei  1010  1, 64 *10  1005, 9
16
Es  1010  1, 64 *10  1014,1
16

Graficamos el intervalo:
Valor
deseado Ei= 1005,9cc Es=1014,1cc
de m
X
1000 cc x =1010 cc
Hay un 90% de confianza que el intervalo estimado incluya a la
“Verdadera” m
Por lo tanto, parece que

conviene regular la
máquina de embotellado.

¿Qué significa ?
Distribución de la Media Muestral
 2 
X ~ N m ; 
Densidad
  n 
Media Muestral
m
 
z z
n n
Incluye
x am
Muestra 1 Incluye X
am
Muestra 2
x
X
x No Incluye a m
Muestra 3 X
¿Qué significa ?
Sí estimamos
 es la probabilidad  es el porcentaje muchos intervalos ,
de confianza que
que x esté en la aproximadamente el
el intervalo incluya
zona central  % de los intervalos
a la verdadera m
incluirán a m
La expresión:
P 1005,9  m  1014,1  0,90
¿Es correcta? ¡Nooooooooooo!

• m es un valor fijo, es un parámetro, no una variable aleatoria,
• aún cuando lo fuera, no sería esa la probabilidad.

Intervalos
Confianzadepara
Confianza
la Media
Cien intervalos del 95% de confianza para la media

poblacional

Intervalos
Confianzadepara
Confianza
la Media
Intervalo para μ con σ no conocido
Distribución de muestreo para el promedio x ¿Qué distribución

con σ2 no conocida y población subyacente
normal utilizamos?
Cuando: X N( m ,  2 )
y σ2 es no conocida,
entonces se utiliza:
xm
Tx  t  n 1
S
n
Cuanto mayor es el tamaño de la muestra,

menor es la varianza de la distribución
xm
1. Se adopta una cantidad Tx  t n 1
S
n
 
 x m 
2. Se plantea la expresión P  t   t  
 S 
 n 
S
Ei  x  t
3. De la desigualdad, se despeja
n
el parámetro S
Es  x  t
n
Ojo, es sensible a la
normalidad de los datos

Intervalos
Confianzadepara
Confianza
la Media

Trabajamos en una empresa que elabora
productos lácteos en la Provincia de
Córdoba. Por diseño, necesitamos que
nuestros envases de leche contengan
1000 cc. Por arriba de ese valor los
envases pueden perder, por debajo se
genera una no conformidad en el cliente.
Por diseño, se supone que el desvío
estándar de la población es   10 CC.
Para mejorar el control del proceso, el grupo de reducción de la variabilidad

elabora un INSTRUCTIVO para hacer la Puesta a Punto.
Para probar el instructivo se llenan 16 envases y se mide la variable:
“Contenido de la botella”, obteniendo la muestra siguiente:
1005,1 1000,8 1011,6 996,5
1007,9 984,2 1005,8 1020,0 Promedio 1010
1028,1 1020,7 996,9 1020,3 Desvío 13,451
997,2 1009,2 1040,6 1015,1
¿Podemos suponer que la población es Normal?
Medidas resumen
Variable n Media D.E. CV Mín Máx Mediana Asimetría

Columna2 16 1010,00 13,45 1,33 % 984,20 1040,62 1008,55 0,37
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudian
Título
Versión Estudiantil Versión Estudiantil Versión EstudiantilTítulo
Versión Estudiantil Versión Estudiantil
1,00 Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudian
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil 1043,44
Distribución empírica
0,75
Versión Estudiantil1027,92
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudian
Contenido
0,50 Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudian
Versión Estudiantil Versión 1012,41
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
0,25
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil 996,89
0,00
981,38 996,89 1012,41 1027,92 1043,44
Versión Estudiantil 981,38
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudian
Valores observados

¿Retomamos el ejemplo?
Supongamos que no parece que   10 cc.
Entonces debemos utilizar el valor de S.
Datos: n=16, x = 1010 cc y S = 13,451 cc
Con una confianza  = 0,90. Aplicamos el método del pivote.Calculamos

los extremos del intervalo:
S
Ei  x  t
n
S
Es  x  t
n
Ei  1010  1, 753*13, 451  1004,11
16
Es  1010  1, 753*13, 451  1015, 9
16
Graficamos el intervalo:
Valor
deseado Ei=1004,11cc Es=1015,9cc
de m
X
1000 cc x =1010 cc
Hay un 90% de confianza que el intervalo estimado incluya a la
“Verdadera” m
Por lo tanto, parece que

conviene regular la
máquina de embotellado.

Consideraciones importantes con los intervalos:
L  Es  Ei La longitud L debe ser pequeña
     
L x z  x  z 
 n   n 
 L es dos veces el error de estimación

L  2z
n
Quiero que L (longitud) sea pequeño y que tenga mucha confianza!
Sí  aumenta z aumenta L aumenta
Sí quiero mantener el  y reducir el error debo aumentar n

Distribución Chi-cuadrado
Permite representar Sumas de Cuadrados Ejemplo:
de observaciones muestrales n
1
Y  Z12  Z 22  .......  Zn2 S 
2

(n  1) i 1
(xi  x )2
Y 2
 xi  x 
n 2
1
f(y)  S2 /  2 
(n  1)
 
i 1   
(n  1) x x
n 2
 S2 /    i
2 i 1   
x x
n 2
  i  2
i 1    n 1
Y (n  1) 2
 S  n21
El parámetro nú se denomina: grados de 
2
libertad. Representa la cantidad de

información genuina, que ofrece la muestra Vamos a usar mucho esta cantidad

Intervalo de confianza para la Varianza de la Normal
Deduzca expresiones para los extremos del intervalo, mediante el método del pivote
f(y)
y1 y2 Y
Y

22
La empresa “Recorridos S.A” realiza trayectos entre la ciudad de Córdoba y la localidad

de Luque. Hace unos meses se han recibido una proporción considerable de reclamos
por parte de los pasajeros respecto de incumplimientos en los horarios pautados por la
misma. La empresa afirma que el tiempo promedio en que realiza el recorrido es de
100 minutos con un desvío de 5 minutos. En tanto los pasajeros expresan: “Nunca se
sabe a la hora que pasan, a veces tardan más de dos horas!
Atendiendo a esta situación la empresa decide realizar una investigación y obtiene la
siguiente información referida a los tiempos de viaje entre Córdoba y Luque durante
once días considerados al azar:
Tiempo de viaje Córdoba-Luque
119 131 106 120 116 126 122 105 115 120 112

Resumiendo
Estimación puntual
La estimación puede ser:
Por Intervalos
La estimación por intervalos es mejor

porqué tiene en cuenta los errores.
Para tomar decisiones es buena idea estimar

intervalos de confianza que consideran el
error de estimación máximo razonable, con
un cierto nivel de confianza

Resumiendo
• Hay dos posibilidades para estimar intervalos para la Media: Normal
estándar o t de student. Para elegir cuál usamos, debemos tener en
cuenta si conocemos o no el desvío poblacional.
xm xm
Zx  N(0,1) Tx  t  n 1
 S
n n
Las fórmulas de los intervalos se el método del pivote.

deducen mediante:
Probabilidad que calculemos un intervalo

¿Qué es ? que contenga al parámetro desconocido.
Es el porcentaje de confianza.
Sí quiero mantener el  debo aumentar n

y reducir el error
Resumiendo:
• ¿Cuáles son los supuestos en los que se basa el procedimiento

realizado?
• ¿A qué se llama Confianza? ¿Qué representa? Determinar intervalos de

confianza para  = 100% y  = 0% .
• Determinar diferencias entre los términos probabilidad vs confianza.
• ¿Cuál es el error de estimación?
• ¿Cómo se construye e interpreta un intervalo de confianza?
• ¿De qué depende la longitud de un intervalo de confianza? ¿Cómo se

puede hacer para disminuir dicha longitud, conservando el nivel de
confianza?

Textos recomendados:
Anderson D, Sweeney D y Williams Th. [1999]: “Estadística para Administración y Economía”. International Thomson
Editores. México.
Benjamin, J y Cornell, A. [1985]: “Probabilidades y Estadística en la Ingeniería Civil”. MacGraw-Hill. Colombia.
Devore Jay L. [2007]: “Probabilidad y Estadística para Ingeniería y Ciencias”. Editorial Thomson Internacional.
Hines, W y Montgomery, D. [1986]: “Probabilidad y Estadística para Ingeniería y Administración”.CECSA. México.
Levin, R y Rubin, D. [1996]: “Estadística para Administradores”. Ed. Prentice-Hall. México.
Levine D, Ramsey P y Smidt R. [2001]: “Applied statistics for Engineers and Scientists”. Prentice Hall. New Jersey, USA.
Lipschutz, S. [1971-1996]: “Probabilidad”. McGraw Hill. México.
Mason, R.D.; Lind, D.A. y Marchal W.G. [2001]: “Estadística para Administración y Economía”.Alfaomega. México.
Mendenhall, H y Reinmuth, J. [1981]: “Estadística para Administración y Economía”. Grupo Editorial Iberoamericana.
México.
Mendenhall, W. y Sincich, T. [1997]: “Probabilidad y Estadística para Ingeniería y Ciencias”. Prentice-Hall.
Hispanoamericana. México.
Meyer, P. [1986]: “Probabilidad y Aplicaciones Estadísticas”. Addison-Wesley. Iberoamericana. México.
Miller,I; Freund, J. E. y Johnson R.A [1991]: “Probabilidad y Estadística para Ingenieros”. Prentice-Hall.
Hispanoamericana. México.
Milton J.S y Arnold J.C. [2005]: “Probabilidades y Estadística con aplicaciones para Ingeniería y Ciencias
Computacionales”. Editorial McGraw-Hill.
Montgomery, D. [2000]: “Diseño y Analisis de Experimentos”. Grupo Editorial Iberoamérica. México.
Montgomery, D. y Runger, G. [1996]: “Probabilidad y Estadística Aplicada a la Ingeniería”. McGraw Hill. México.
Navidi William [2006]: “Estadística Para Ingenieros y Científicos”. Editorial McGraw-Hill.
Peña, D. [1987]:”Estadística: modelos y métodos”. Alianza Editorial S.A. Madrid.
Velasco Sotomayor Gabriel [2001]: “Probabilidad y Estadística para Ingeniería y Ciencias” Editorial Thomson International
Walpole, R., Myers, R. y Myers, S. [1999]: “Probabilidad y Estadística para Ingenieros”. Pearson. México.
Webster, A. L. [2000]: “Estadística Aplicada a los Negocios y la Economía”. MacGraw-Hill Interamericana S.A. México
Zylberberg Alejandro D. [2005]: “Probabilidades y Estadística” Editorial Nueva Librería Buenos Aires.
Zylberberg Alejandro D. [2005]: “Probabilidades y Estadística” Editorial Nueva Librería Buenos Aires.
Tablas de las distribuciones de probabilidad más usadas

http://www.informatica.us.es/~calvo/tablas_estadisticas.html

Ilovepdf Merged

Cargado por

Copyright:

Formatos disponibles

Ilovepdf Merged

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ilovepdf Merged

Cargado por

Copyright:

Formatos disponibles

Unidad 3: Modelos de Probabilidad

Dentado: en la cual se crean los dientes cortando el acero;

La probabilidad de encontrar una pieza que no cumpla con las

a. Determinar la probabilidad que una pieza se considere No

b. Prob que falle el Afeitado, dado que ha fallado el Dentado

Variable Aleatoria: es una variable que toma valores de acuerdo a los

Ejemplo: sigamos con el caso de los tres tornos

Evento Probabilidad X Podemos definir una variable aleatoria del

Variable Aleatoria: es una variable que toma valores de acuerdo a los

Ejemplo: sigamos con el caso de los tres tornos

P(FyFyF) = P(F)*P(F)*P(F) = 0,3*0,3*0,3= 0,027

Ejemplo: sigamos con el caso de los tres tornos

Importante: NOTACIÓN. Las mayúsculas refieren genéricamente a la

Variables aleatorias DISCRETAS, si

Variables aleatorias CONTINUAS, si

Una vez definida una variable aleatoria discreta X, es posible definir

La función debe cumplir:

También se pueden calcular medidas sobre las distribuciones de las

Ejemplo: para la variable aleatoria

X: Cantidad de éxitos en n experimentos de tipo Bernoulli,

Experimentos tipo Bernoulli son ensayos con solo dos

¿Se puede aplicar Distribución Binomial?: SI.

E(X)    n * p  3 * 0,3  0,9

El 10% de las llantas que produce una fábrica

Experimento: se revisan 10 llantas elegidas al azar y se las

Cómo se comporta la asimetría????

Variable aleatoria. X1: Cantidad de desperfectos que ocurren en un mes

Ejemplo Ejercicio 5 de Unidad 3

En un proceso productivo se produce un 0,5 % de piezas

Trabajar de la siguiente manera:

Cuando en la Binomial, n es muy grande y p

Analizar cómo varía la asimetría de la Distribución de Poisson

Variables aleatorias DISCRETAS, si

Variables aleatorias CONTINUAS, si

Sea X: calificación asignada a un pozo

La variable Distancia entre dos baches en una ruta, tiene

 La probabilidad que entre dos baches haya menos de 1200

 La probabilidad que entre dos baches haya más de 1500

 La distancia tal que el 80% de las separaciones son mayores

X: Distancia entre dos baches en una ruta, tiene Distribución

La probabilidad que entre dos baches

P(X≤ 1200) = F 1200 = 1 − 𝑒 −1200/2000

La probabilidad que entre dos baches

La distancia tal que el 80% de las

𝑃 49,25𝑘𝑔 ≤ 𝑋 ≤ 49,75 𝑘𝑔 = F(49,75) – F(49,25) = 0,242

Después de graficar, veo que el área entre la 0,3

Al controlar el llenado, se planea desechar todas las bolsas que

Propiedades muy importantes de la Normal

Propiedad reproductiva: si se realiza una combinación lineal con una

Teorema del Lìmite Central: si se suman n variables aleatorias

Unidad N° 4 / Estimación / Intervalos de confianza

Objetivos: Contenidos a trabajar:

Preparó: José Francisco Zanazzi

A m se lo puede estimar con x , o con Me

Preparó: José Francisco Zanazzi

Distribución de muestreo para el promedio x

Preparó: José Francisco Zanazzi

Preparó: José Francisco Zanazzi

P(FyFyF) = P(F)P(F)P(F) = 0,30,30,3= 0,027