$RK0B45P

FACULTAD DE JURISPRUDENCIA Y CIENCIAS SOCIALES Y POLÍTICAS
ASIGNATURA: ESTADISTICA II
INTRODUCCIÓN A LA ESTADÍSTICA INFERENCIAL
Docente:
MBA. LIC. NELLY PANCHI CASTRO
Doctorante en Derecho Económico
nelly.panchic@ug.edu.ec
Celular: 0999-793-666
VIDEO
• https://www.youtube.com/watch?v=4-Iitl9P7S4
Introducción a la Estadística
• La estadística es una rama de las matemáticas
que actúa como disciplina puente entre los
modelos matemáticos y los fenómenos reales.
• Es un modelo matemático, una abstracción
simplificada de una realidad más compleja y
siempre existirá una cierta discrepancia entre lo
que se observa y lo previsto por el modelo.
• Proporciona una metodología para evaluar y
juzgar estas discrepancia entre la realidad y la
teoría.
La Estadística permite
Recolectar
datos
Tomar
Organizar
decisiones
Interpretar Clasificar
Analizar
DEFINICIÓN
• Según los autores Lind, Marchal y Wathen,
2012 en el libro Estadística aplicada a los
Negocios y a la Economía señala que la
Estadística es una:
“Ciencia que recoge, organiza,

clasifica, analiza e interpreta datos
con el fin de propiciar una toma de
decisiones más eficaz”
TIPOS DE ESTADÍSTICAS
• Recolecta, presenta y
caracteriza un conjunto de
datos.
• Organiza datos.
• Medición de variables.
ESTADISTICA • Mide centralización y
DESCRIPTIVA dispersión.
• Gráficas y Tabulaciones.
• Se ocupa de los procesos de

estimación,
• Es un argumento.
ESTADISTICA • Muestra vs. Población.
INFERENCIAL • Hipótesis
• Mide tendencia
ESTADISTICA DESCRIPTIVA
• Según los autores Lind, Marchal y Wathen, 2012
en el libro Estadística aplicada a los Negocios y a
la Economía señala que la Estadística Descriptiva:
“Métodos para organizar, resumir y presentar
datos de manera informativa”.
• Su finalidad es obtener información, analizarla,

elaborarla y simplificarla lo necesario para que
pueda ser interpretada cómoda y rápidamente y,
por tanto, pueda utilizarse efizcamente para el fin
que se desee.
ESTADISTICA DESCRIPTIVA
• El proceso que sigue la estadística descriptiva para el
estudio de una cierta población con los siguientes pasos:
• Selección de caracteres dignos de ser estudiados.
• Mediante encuesta o medición, obtención del valor de cada
individuo en los caracteres seleccionados.
• Elaboración de tablas de frecuencias, mediantes la
adecuada clasificación de los individuos dentro de cada
carácter.
• Representación gráfica de los resultados (elaboración de
gráficas estadísticas)
• Obtención de parámetros estadísticos, números que
sintetizan los aspectos más relevantes de una distribución
estadística.
EJEMPLO DE ESTADISTICA
DESCRIPTIVA
• Cuánto invierte el hombre y la mujer en San Valentín en el año 2010?
• Una persona promedio gastó 103,00 dólares en mercancía alusiva a San
Valentín el 14 de febrero de 2010. Esto representa un aumento de 0,50
dólares con respecto a 2009. Como en años anteriores, los hombres
gastaron el doble que las mujeres en esa fecha. El hombre promedio gastó
135.35 dólares para impresionar a sus seres queridos, mientras que las
mujeres sólo gastaron 72.28. Las mascotas también sienten amor: una
persona promedio gastó 3.27 dólares en su amigo peludo, en comparación
con los 2.17 del año anterior.
• Sirve para realizar conclusión acerca de un tema de interés, además nos

permite hacer una buena descripción de las características de un conjunto
de datos respecto a un tema particular.
ESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL
• Según los autores Lind, Marchal y Wathen, 2012 en el libro
Estadística aplicada a los Negocios y a la Economía señala que la
Estadística Inferencial son:
“Métodos que se emplean para determinar una propiedad de una
población con base en la información de una muestra de ella”
• Según Berenson y Levine, señalan que la “estadística inferencial

son procedimientos estadísticos que sirven para deducir o inferir
algo acerca de un conjunto de datos numéricos (población),
seleccionando un grupo menor de ellos (muestra)”.
• Engloba los métodos estadísticos que permiten inferir conclusiones
para las poblaciones relativas al objetivo de estudio.
• A partir de los datos de la muestra, se basa en teorías de
probabilidades y trabaja con los datos que proporciona la
Estadística Descriptiva.
EJEMPLO DE ESTADISTICA
INFERENCIAL
• Por ejemplo, una encuesta reciente mostró que
sólo 46% de los estudiantes del último grado de
secundaria podían resolver problemas que
incluyeran fracciones, decimales y porcentajes.
• Además, sólo 77% de los alumnos de último año

de secundaria pudo sumar correctamente el
costo de una ensalada, una hamburguesa, unas
papas fritas y un refresco de cola, que figuraban
en el menú de un restaurante.
DESCRIPTIVA vs. INFERENCIAL
• La estadística descriptiva trabaja con todos los individuos
de la población.
• La estadística inferencial, sin embargo, trabaja con
muestras, subconjuntos formados por algunos individuos
de la población.
• A partir del estudio de la muestra se pretende inferir
aspectos relevantes de toda la población. Como se
selecciona la muestra. Cómo se realiza la inferencia, y qué
grado de confianza se puede tener en ella son aspectos
fundamentales de la estadística inferencial, para cuyo
estudio se requiere un alto nivel de conocimiento de
estadística, probailidad y matelmaticas.
Variables estadísticas
Una variable estadística es cada una de
las características o cualidades que poseen los
individuos de una población.
Ejemplos de variables estadísticas:
- Color de las bebidas gaseosas: rojo, amarillo, negro,
naranja.
- Contenido de las bebidas gaseosas: 0.5 litros, 1 litro,
1.5 litros, 2.5 litros.
Tipo de Variables
Variables cualitativas
• Son aquellas que expresan características o
cualidades, y no pueden ser medidas con números.
Pueden ser ordinales o nominales.
• Ejemplos de variables cualitativas:
• El color de los ojos de tus amigos.
• El estado civil de una persona.
Variables cualitativas
1.1. Variable cualitativa ordinal
Es aquella que presenta valores no numéricos, pero existe un orden.
Ejemplos:
• Las medallas conseguidas en una competencia. Los valores serían: oro,
plata, bronce.
• Grado de satisfacción laboral en una compañía. Los valores serían:
muy satisfecho, satisfecho, regular, insatisfecho, muy insatisfecho
(mañana mismo renuncio).
1.2. Variable cualitativa nominal
Es aquella que presenta valores no numéricos, y no existe un orden.
Ejemplos:
• El estado civil. Los valores serían: soltero, casado, divorciado, viudo.
• El lugar de nacimiento de tus amigos. Los valores serían: Lima,
Santiago, Buenos Aires, Zagreb, entre otras ciudad.
Variables cuantitativas
Son aquellas que se expresan mediante un número, por lo tanto,
se puede realizar operaciones aritméticas con ellas. Puede ser
discretas o continuas.
• Ejemplos de variables cuantitativas:
• Peso de una bolsa de café.
• El número de hijos en una familia.

Variables cuantitativas
2.1. Variable cuantitativa discreta
Es aquella que puede asumir un número contable de valores.
Ejemplos:
El número de hijos en las familias. Puede ser 0, 1, 2, 3, 4,…
Otro ejemplo sería el número de alumnos en un aula.
2.2. Variable cuantitativa continua

Es aquella que puede asumir un número incontable de valores.
Ejemplos:
La estatura de los habitantes de una ciudad. Existen infinitos valores posibles, un
habitante puede medir 1,784596 metros, otro puede medir 1,589641254125
metros y otro puede medir 1,6457843120 metros. Existen infinitos valores
posibles, es decir, un número incontable de valores.
El ancho de las puertas producidas en una fábrica. Existen infinitos valores

posibles. Una puerta medir 95,24513 cm, otra puerta medir 96,41 cm, etc.
EJERCICIO EN CLASE
EJERCICIO EN CLASE
CONTENIDO
• 1.1. Variables aleatorias discretas y continuas.
• 1.2. Distribución de variables aleatorias discretas:
• 1.2.1. Binomial
• 1.2.2. Poisson.
• 1.2.3. Hipergeométrica.
• 1.3. Distribución de variables aleatorias continuas:
• 1.3.1. Uniforme continua.
• 1.3.2. Exponencial.
• 1.3.3. Normal.
• 1.3.4. T de Student
• 1.4. Distribución Muestral
• 1.5. Análisis de los tipos de distribuciones muestrales.
• 1.5.1. Introducción a las distribuciones muestrales.
• 1.5.2. Distribución muestral de media.
• 1.5.3. Distribución muestral de proporciones.
• 1.5.5. Distribución muestral de diferencia de proporciones.
• 1.5.6. Distribución muestral de varianza (chisquare).
VARIABLES ALEATORIAS
Una variable aleatoria X es una función real medible que
asocia un valor numérico a cada resultado del espacio
muestral asociado a un experimento aleatorio.
Variable Valores Eventos

Aleatoria posibles Aleatorios
EJEMPLOS DE VARIABLES ALEATORIAS
• Variable que toma el valor 1 si el paciente cura
y 0 si no se cura
• Variable que mide el tiempo que tarda un
paciente en curar su enfermedad.
• Variable que mide el nivel de colesterol en la
población.
• Variable que mide el tiempo de espera en un
servicio de urgencia.
VIDEO EJEMPLOS ALEATORIOS
• https://www.youtube.com/watch?v=ttf8QxwaXxw
• https://www.youtube.com/watch?v=tQh29_Noo9w
REFERENCIAS BIBLIOGRÁFICAS
• Lind, D., Marchal, W., y Wathen, S., (2012)
Estadística aplicada a los Negocios y a la
Economía. México: Mc Graw Hill /Interamericana
Editores, S.A. de C.V.
• Anderson, D., Sweeney, D., & Williams, T. (2008).

Estadísticas para administración y economía.
México, DF: CENGAGE Learning.
ASIGNATURA: ESTADISTICA 2
Unidad # 1: Variables aleatorias, distribución de probabilidades y
distribución muestral
Docente:
la adicción, la adversiòn, la causalidad, la temporilidad
CONTENIDO
• 1.2.1. Binomial
• 1.2.2. Poisson.
• 1.3.3. Normal.
VARIABLES ALEATORIAS
Una variable aleatoria X es una función real medible que
asocia un valor numérico a cada resultado del espacio
muestral asociado a un experimento aleatorio.
Variable Valores Eventos

Aleatoria posibles Aleatorios
EJEMPLOS DE VARIABLES ALEATORIAS
• Variable que toma el valor 1 si el paciente cura
y 0 si no se cura
• Variable que mide el tiempo que tarda un
paciente en curar su enfermedad.
• Variable que mide el nivel de colesterol en la
población.
• Variable que mide el tiempo de espera en un
servicio de urgencia.
1.1. VARIABLES ALEATORIAS
• Experimento Aleatorio: Son aquellos experimentos en
los que no se puede predecir su resultado.
• Experimento muestral: Ω Es el conjunto de todos los
resultados posibles de un experimento aleatorio.
• Evento o suceso: Uno o varios de los posibles
resultados.
TIPOS DE VARIABLES ALEATORIAS
VARIABLE ALEATORIA DISCRETA
Es aquella que puede asumir un número contable de
valores.
Por ejemplo, si realizamos el experimento de salir a la calle
y seleccionar 5 personas al azar para un examen sorpresa
de matemáticas, podemos definir la variable aleatoria A:
A = número de personas que aprobaron el examen.
Los valores que asume A (en su rango), van del 0 al 5 (0, 1,
2, 3, 4, 5). El rango lo expresaríamos de la siguiente
manera:
• RA = {0, 1, 2, 3, 4, 5}
• La variable aleatoria A asume un número contable de
valores, por ello, es una variable aleatoria discreta.
OTRO EJEMPLO
Realizar un experimento de registrar los
automóviles que cruzan la caseta de peaje.
Podemos definir la variable aleatoria V:
• V = número de vehículos que llegan durante el
periodo de un día.
• Los valores que asume V (en su rango), son 0, 1,
2, 3, 4, 5, …; así sean muchos vehículos los que
llegan, siempre podremos contar la cantidad de
valores que asume V. Por ello, la variable V es una
variable aleatoria discreta.
VARIABLE ALEATORIA CONTINUA
Es aquella que puede asumir un número
incontable de valores.
Por ejemplo, si realizamos el experimento en una granja y
estudiamos el peso de una vaca en kilogramos. Posiblemente
tendríamos los siguiente resultados:
EJEMPLO
En una agencia bancaria registramos los datos
de atención a los clientes, podemos definir la
variable aleatoria D = tiempo de atención a los
clientes del banco (en segundos).
DIFERENCIAR
Función de probabilidad de una
variable discreta.
Es una función que asigna probabilidades a los valores de la variable
aleatoria. Ejemplo: Calcular la función de probabilidad del resultado de lanzar un dado
X: resultados de lanzar un dado
P(A)= número de casos favorables de A
f(x)
número total de casos posibles
1 1/6
1/6 P(1)= 1
2
6
3 1/6
4 1/6 P(2)= 1
5 1/6 6
6 1/6
S: Espacio muestral x: Valores de la VA F(x): probabilidades

variable discreta.
Función de probabilidad también se puede representar de manera gráfica
mediante un diagrama de barras
f(x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
x: Valores de la VA F(x): probabilidades
Ahora colocamos las probabilidades en la tablita:

variable discreta.
Una función de probabilidad de una variable aleatoria discreta es una función que
asigna probabilidades a los valores de la variable aleatoria. Su fórmula es la
siguiente:
Además, la función de probabilidad tiene que cumplir con 2 condiciones:

1) La probabilidad de cada valor de la variable aleatoria debe estar entre 0 y 1.
2) La suma de las probabilidades asignadas a todos los valores de la variable

aleatoria debe ser 1.
variable discreta.
Una función de probabilidad de una variable aleatoria discreta es una función que
asigna probabilidades a los valores de la variable aleatoria. Su fórmula es la
siguiente:
variable discreta.
La función de probabilidad tiene que cumplir con 2 condiciones:

1
1 + 1+ 1+ 1+ 1+ 1 66
6 6 6 6 6 6
=
66
1 = 1
1
Ejercicio 1:
• Determina si la siguiente función es una función de probabilidad.
Si lo es, encuentra la función de probabilidad en forma de tabla y
el diagrama de barras de la función.
Para que f(x) sea una función de probabilidad, se tienen que

cumplir las 2 propiedades que mencionamos, vamos a
comprobarlo.
Ejercicio 1:
La función de probabilidad tiene que cumplir con 2 condiciones:

1
6 9 14 21 6 + 9 + 14 + 21 50
+ + + = = = 1
50 50 50 50 50 50
1
Ejercicio 1:
• Colocamos la misma tabla pero ya ordenada y pasaremos las
fracciones a decimales
Tarea 1
1. Una psicóloga realiza un estudio y busca información del número de hijos por familia en
cierta ciudad. Indica la variable aleatoria de interés, sus posibles valores e indica si es
discreta o continua.
2. Un francotirador dispara a un blanco de 1 metro de radio y mide la distancia desde el

centro del blanco hasta la bala. Indica la variable aleatoria de interés, sus posibles
valores e indica si es discreta o continua
3. Se realiza un estudio que busca información de la estatura de los jugadores de la NBA en

toda su historia. Indica la variable aleatoria de interés, sus posibles valores e indica si es
discreta o continua.
4. Se realiza una encuesta en un salón acerca de la estatura de los alumnos y el número de

hermanos que tienen. Identifica las 2 variables aleatorias de interés, sus posibles valores
e indica si son discretas o continuas.
Tarea 1
5. Una moneda tiene 2 caras: gato y perro. Encuentra la función de probabilidad (en forma
de tabla) de la variable aleatoria X, sabiendo que X= número de perros al lanzar la moneda 2
veces.
X
F (x)
P(A)= número de casos favorables de A

número total de casos posibles
F( ) = P (x = ) =
F( ) = P (x = ) =
F( ) = P (x = ) =

Docente:
CONTENIDO
• 1.2.1. Binomial
• 1.2.2. Poisson.
• 1.3.3. Normal.
RESPUESTA Tarea 1
• Una psicóloga realiza un estudio y busca información del número de hijos por familia en cierta
ciudad. Indica la variable aleatoria de interés, sus posibles valores e indica si es discreta o
continua.
Respuesta = Variable aleatoria discreta.
• Un francotirador dispara a un blanco de 1 metro de radio y mide la distancia desde el centro
del blanco hasta la bala. Indica la variable aleatoria de interés, sus posibles valores e indica si
es discreta o continua.
Respuesta = Variable aleatoria continua
• Se realiza un estudio que busca información de la estatura de los jugadores de la NBA en toda
su historia. Indica la variable aleatoria de interés, sus posibles valores e indica si es discreta o
continua. Respuesta = Variable aleatoria continua.
• Se realiza una encuesta en un salón acerca de la estatura de los alumnos y el número de

hermanos que tienen. Identifica las 2 variables aleatorias de interés, sus posibles valores e
indica si son discretas o continuas.
A= estatura de los alumnos. Variable aleatoria continua.

B= número de hermanos de los alumnos. Variable aleatoria discreta.
Respuesta
1.1. VARIABLES ALEATORIAS
Es una función que asigna un valor numérico, al
resultado de un experimento aleatorio. Recordemos
que el resultado de un experimento aleatorio depende
del azar.
Por ejemplo, lanzar un dado o una moneda.
En el dominio de la función
tenemos el espacio
muestral, es decir, todos los
resultados posibles de nuestro
experimento aleatorio.
Mientras que el rango
tenemos un conjunto
de números reales.
TIPOS DE VARIABLES ALEATORIAS
X : VAD
(variable aleatoria discreta)
Es aquella variable aleatoria que puede asumir un número contable de valores
f (x) = P ( X = x )
f (x) : función de la probabilidad VAD
Es una función que asigna probabilidades a los valores de la variable aleatoria.
F (X) : FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA

DE LAS VARIABLES ALEATORIAS DISCRETA
F (x) = P ( X < x )
Función de distribución de variables
aleatorias discretas
Especifica la probabilidad de que una variable aleatoria sea
menor o igual que un valor dado:
F (x) : función de distribución acumulativa de VAD
F (x) = P ( X < x )
Las condiciones que debe cumplir la FDVAD

1. Los valores de F(x) se encuentran siempre en este intervalo: 0 ≤ F(x) ≤ 1.
2. F (x) no es una función decreciente.
Además, para la función de distribución acumulativa de la variable aleatoria

discreta, se cumple que:
Ejercicio 1
Una tienda vende discos duros de 1 TB, 2 TB y 3 TB de capacidad.
Encontrar la función de distribución de acumulativa de X,
sabiendo que X = la capacidad de memoria en un disco duro
comprado
X f (x)
Primero vamos a encontrar F(x) para cada uno de los posibles
1 0,5 valores de X:
2 0,3 F ( 1) = P (X < 1) = f ( 1) = 0,5
3 0,2 F ( 2) = P (X < 2) = P (X = 1 o 2 ) = f(1) + f(2) = 0,5 + 0,3 =0,8
F ( 3) = P (X < 3) = P (X = 1, 2 o 3 ) = f(1) + f(2) + f(3) =
0,5 + 0,3 +0,2 = 1

x 1 2 3 Σ
f (x) 0,5 0,3 0,2 1
F(x) 0,5 0,8 1
Se puede graficar de la VAD x vs F(x) ?:

Las condiciones que debe cumplir la FDVAD
1. Los valores de F(x) se encuentran siempre en este intervalo: 0 ≤ F(x) ≤ 1.
2. F (x) no es una función decreciente.

EJERCICIO - TAREA
Sea X el número de hámsters vendidos en una tienda por día en una veterinaria.
Encontrar la función de distribución acumulativa de X a partir de su función de
probabilidad.
x 0 1 2 Σ
f (x) 0,25 0,50 0,25
F(x)
F ( ) = P (X < ) =
F ( ) = P (X < ) =
F ( ) = P (X < ) =

Docente:
CONTENIDO
• 1.2.1. Binomial
• 1.2.2. Poisson.
• 1.3.3. Normal.
EJERCICIO - TAREA
Sea X el número de hámsters vendidos en una tienda por día en una veterinaria.
Encontrar la función de distribución acumulativa de X a partir de su función de
probabilidad.
x 0 1 2 Σ
f (x) 0,25 0,50 0,25
F(x)
F ( ) = P (X < ) =
F ( ) = P (X < ) =
F ( ) = P (X < ) =
RESPUESTA
HANSTER
Calcular la media (esperanza o valor esperado),
la varianza y la desviación estándar de una
variable aleatoria discreta a partir de su función
o distribución de probabilidad.
Media o valor esperado
• La media «µ» o valor esperado «E(X)» es un
promedio ponderado de los valores que
asume la variable aleatoria cuando los pesos
son las probabilidades. Es una medida de
tendencia central.
µ = E(X)
Fórmula para calcular
µ o E(X)
Cuando trabajamos con una variable aleatoria discreta, la media
o valor esperado se calcula mediante la siguiente fórmula:
La media µ de una variable aleatoria discreta X se encuentra al

multiplicar cada posible valor de X por su propia probabilidad y
luego sumar todos los productos
Fórmula µ o E(X)
µ = E(X) =
µ = E(X) =
La media µ de una variable aleatoria discreta X se encuentra al

multiplicar cada posible valor de X por su propia probabilidad y
luego sumar todos los productos
Ejercicio µ o E(X)
Sea X el número de clientes que visitan una tienda por día.
Calcular el valor esperado de X a partir de su función de
probabilidad:
µ = E(X) = 0 x 0,60 + 1 x 0,25 + 2 x 0,10 + 3 x 0,05=

µ = E(X) = 0 + 0,25 + 0,20 + 0,15 =
µ = E(X) = 0,60 x 30 días = 18 personas

Media o valor esperado
• La media «µ» o valor esperado «E(X)» es un promedio

ponderado de los valores que asume la variable
aleatoria cuando los pesos son las probabilidades. Es
una medida de tendencia central.
• Cuando se trabaja con una variable aleatoria discreta,
la media o valor esperado se calcula mediante la
siguiente fórmula:
Varianza
• La varianza, σ2 o V(X), es un promedio ponderado de
las desviaciones al cuadrado de una variable
aleatoria de su media. Los pesos son las
probabilidades. La varianza σ2 o V(X) se calcula con la
siguiente fórmula:
Desviación estándar
• La desviación estándar σ es la raíz cuadrada
positiva de la varianza:
• Recuerda que la varianza se mide en las

mismas unidades que la variable aleatoria
original.
Ejercicio
Calcular la media (valor esperado), la varianza y la desviación
estándar de la variable aleatoria discreta de los siguientes datos.
x 0 1 2 µ = E(X) =
f(x) 0,25 0,5 0,25
µ = E(X) = 1
x . f(x) 2 2
x f(x) x x . f(x)
0 0,25 0 0 0
2
1 0,50 0,50 0,50 1,50 - ( 1 ) = 1,50 – 1=0,5
1
2 0,50 4 1 0,50
0,25
1 1 1,50 0,50 = 0,7071

Ejemplo 2
Encuentra la media, varianza y desviación estándar de la variable aleatoria X:
1. Para calcular la media µ o valor esperado E(X), usamos su fórmula:
2. varianza, usaremos la fórmula rápida:
3. Desviación estándar, usaremos la fórmula rápida:

Ejemplo 2
1. Para calcular la media µ o valor esperado E(X), fórmula:

Ejemplo 2
Ejemplo 2
Encuentra la media, varianza y desviación estándar de la variable aleatoria X:
1. Para calcular la media µ o valor esperado E(X), usamos su fórmula:
3. Desviación estándar, usaremos la fórmula rápida:

Tarea 3
Tarea 3
Distribución de variables aleatorias
discretas
Estudiaremos algunas de las distribuciones o modelos
de probabilidad más importantes y que después nos
resultarán muy útiles para el tema de la Estimación.
Como hemos visto, las variables pueden ser discretas o
continuas; por ello, también las distribuciones podrán ir
asociadas a variables aleatorias discretas o continuas.
• Binomial
• Poisson.
• Hipergeométrica.

Docente:
CONTENIDO
• 1.2.1. Binomial
• 1.2.2. Poisson.
• 1.3.3. Normal.
Tarea 3
Tarea 3
RESPUESTA 1.
Respuesta 2.
discretas: Binomial
La distribución de probabilidad binomial es una distribución
discreta que tiene muchísimas aplicaciones.
Se asocia con un experimento de múltiples pasos que se llama

experimento binomial. La palabra binomial viene de otra
palabra que significa “dos nombres” y esto nos hará recordar
que en cada ensayo que veremos en este tema siempre habrá
dos resultados: éxito y fracaso.
Si es que respondes una pregunta de alternativas al azar, la

respuesta es correcta o incorrecta. Si es que realizas un control
de calidad a un producto, este será defectuoso o no
defectuoso.
Un experimento binomial es un experimento
que cumple las siguientes condiciones:
1. El experimento consta de una secuencia de n ensayos
idénticos.
2. En cada ensayo hay dos resultados posibles. A uno de
ellos se le llama éxito y al otro, fracaso.
3. La probabilidad de éxito es constante de un ensayo a
otro, nunca cambia y se denota por p. Por ello, la
probabilidad de fracaso será 1 – p. Esto se debe a que
la probabilidad de éxito más la probabilidad de
fracaso suman 1.
4. Los ensayos son independientes, de modo que el
resultado de cualquiera de ellos no influye en el
resultado de cualquier otro ensayo
Función de probabilidad binomial
(fórmula)
• Para un experimento binomial, sea p la probabilidad
de “éxito” y 1-p la probabilidad de un “fracaso” en un
solo ensayo; entonces la probabilidad de
obtener x éxitos en n ensayos, está dada por la
función de probabilidad f(x):
• Siendo el coeficiente binomial o número

combinatorio:
(fórmula)
• Por eso, en algunos libros encontrarás la función de
probabilidad binomial f(x) con el coeficiente binomial ya
incorporado y presentada de la siguiente manera:
Se utilizará
(fórmula)
• Por eso, en algunos libros encontrarás la función de
probabilidad binomial f(x) con el coeficiente binomial ya
incorporado y presentada de la siguiente manera:
Se utilizará
Ejercicio 1
La probabilidad de que a un cliente nuevo le guste la Cangre Burger es de 0,8. Si
llegan 5 clientes nuevos, ¿Cuál es la probabilidad de que solo a 2 de ellos les gustes
la Cangre Burger?
1. =El Número
experimento
de clientes consta 2. En cada ensayo hay dos
nuevos de 5 que le guste
de una secuencia
la Cangre Burger de n resultados posibles. A uno
ensayos idénticos. de ellos se llama éxito y al
otro fracaso.
=
3. La probabilidad de éxito 4. Los ensayos son

: número de ensayo
es constante de un ensayo independientes, de modo
=
u otro, nunca cambia y se que el resultado de
denota por p. Por ello la cualquiera de ellos no
probabilidad deéxitofracaso
: probabilidad de influyen en el resultado de
será 1-p cualquier otro ensayo.
= =
=
Ejercicio 1
La probabilidad de que a un cliente nuevo le guste la Cangre Burger es de 0,8. Si
llegan 5 clientes nuevos, ¿Cuál es la probabilidad de que solo a 2 de ellos les gustes
la Cangre Burger?
Número de clientes
X =
nuevos de 5 que le guste
la Cangre Burger 2 5-2
5
X ~ B ( n; 2 2 0,8 (1-0,8)
p)
5; 0,8) 2
x = 0, 1, 2, 3, 4, 5 2 3
2 2 10. 0,8 . 0,2 = 0,0512
n : número de ensayo n = 5,12%

x
n = 5 2
5 5! 5. 4. 3. 2. 1
= = 10
p : probabilidad de éxito 2 2. 1. 3. 2. 1
2! (5-2)!
p = 1
0,8 n! = n . (n-1) . . .3.2.1
TAREA
De todas las flores plantadas por una empresa de
jardinería, el 90% sobrevive. Si se plantan 10 flores
¿cuál es la probabilidad de que 9 o más sobrevivan?
Solución:
Antes de aplicar la fórmula, verificamos que se trate
de un experimento binomial. Para ello, tiene que
cumplir con las 4 condiciones que mencionamos
arriba. Efectivamente, se trata de un experimento
binomial.

Docente:
CONTENIDO
• 1.2.1. Binomial
• 1.2.2. Poisson.
• 1.3.3. Normal.
TAREA
De todas las flores plantadas por una empresa de
jardinería, el 90% sobrevive. Si se plantan 10 flores
¿cuál es la probabilidad de que 9 o más sobrevivan?
Solución:
Antes de aplicar la fórmula, verificamos que se trate
de un experimento binomial. Para ello, tiene que
cumplir con las 4 condiciones que mencionamos
arriba. Efectivamente, se trata de un experimento
binomial.
En este caso, vamos a centrarnos en las flores que sobreviven, por ello
diremos que:
X = número de flores de 10 que sobreviven
Entonces consideramos un éxito si la flor sobrevive. A las que flores que se
mueren, las consideramos como un fracaso.
Aplicaremos la fórmula binomial:
piden calcular la probabilidad de 9 o más sobrevivan
Ahora colocamos los valores de n, k y p. Recuerda que n es el número de

ensayos, k el número de éxitos y p la probabilidad de éxito. En este caso:
Vamos a calcular cada probabilidad por separado,
empezando con P(X = 9):
discretas: Poisson.
• La distribución de Poisson fue
propuesta por primera vez por
Simeón Poisson en libro publicado
en 1837.
• Es una distribución de probabilidad
discreta, que describe el número
de veces que ocurre un evento
durante un intervalo específico; el
cual puede ser de tiempo,
distancia, área, volumen, entre
otros.
discretas: Poisson.
La variable aleatoria es el número de veces que ocurre un evento
durante un intervalo definido. El intervalo puede ser tiempo,
distancia, área, volumen o alguna unidad similar.
X = número de veces que ocurre un evento durante un intervalo definido.
X = número de clientes que ingresan a un supermercado en un día

Con qué intervalo hemos trabajado?
Intervalo de tiempo
X = número de autos que llegan a una gasolinera en 8 horas

discretas: Poisson.
La variable aleatoria es el número de veces que ocurre un evento
durante un intervalo definido. El intervalo puede ser tiempo,
distancia, área, volumen o alguna unidad similar.
X = número de veces que ocurre un evento durante un intervalo
definido.
X = número de bacterias presentes en 1 litro de agua
Con qué intervalo hemos trabajado?
Intervalo de volumen
Ejemplos típicos de variables aleatorias que
siguen una distribución de Poisson:
• El número de accidentes registrados en una fábrica durante
una semana.
• El número de llamadas que recibe una central telefónica en el
período de un minuto.
• El número de vehículos que llegan a una gasolinera en una
hora.
• El número de fallas en la superficie de una pieza de cerámica
rectangular.
• El número de toxinas en partes por millón encontradas en un
litro de agua de un río.
Ejemplos típicos de variables aleatorias que
siguen una distribución de Poisson:
• La llegada de un cliente al negocio durante una hora.
• Las llamadas telefónicas que se reciben en un día.
• Los defectos en manufactura de papel por cada metro
producido.
• Los envases llenados fuera de los limites por cada 100 galones
de producto terminado.
• Número de fallas en la superficie de una cerámica rectangular.
• Número de bacterias en un volumen de un m3 de agua.
• Número de accidentes de trabajo que ocurren en una fábrica
durante una semana.
Cómo podemos utilizar la
Distribución Poisson?
1. La distribución de Poisson se utiliza en situaciones donde los
sucesos son impredecibles o de ocurrencia aleatoria. En otras
palabras no se sabe el total de posibles resultados.
2. Permite determinar la probabilidad de ocurrencia de un
suceso con resultado discreto.
3. Es muy útil cuando la muestra o segmento n es grande y la
probabilidad de éxitos p es pequeña.
4. Se utiliza cuando la probabilidad del evento que nos interesa
se distribuye dentro de un segmento n dado como por
ejemplo la distancia, área, volumen o tiempo definido.
Distribución de Poisson
Se dice que una variable discreta X tiene una
distribución de Poisson con parámetros μ (μ>0) (mu va
ser mayor a cero) si la función de probabilidad de X es:
La función de probabilidad es f de (x), la probabilidad de que la variable aleatoria

discreta X sea igual a un determinado valor, va a ser igual de e elevado a la menos μ
multiplicado por μ elevado a x , dividido por x factorial
OJO que solo toma valores enteros de x = 0; 1; 2; 3;……… y no puede tomar valores
negativos.
Distribución de Poisson
Se dice que una variable discreta X tiene una distribución de Poisson
con parámetros μ (μ>0) (mu va ser mayor a cero) si la función de
probabilidad de X es: Recordemos que la variable
aleatoria X se representa con la
letra mayúscula mientras sus
valores con letra minúscula
La función de x es la probabilidad de la variable
aleatoria discreta X sea igual a un determinado valor
es la probabilidad de x ocurrencias en un intervalo
μ: media o valor esperado X

e: base de los logaritmos naturales, su valor es de 2,71828….
Ejercicio 1
Una clínica recibe un promedio de μ = 4 pacientes al día. Sabiendo que el número
de pacientes que llegan en un día sigue una distribución de Poisson, calcular: a) la
probabilidad de que lleguen 3 pacientes en un día.
Número de pacientes
X =
que llegan a la clínica en
un día.
3
X ~ Poisson ( μ
4 ) e- 4 .4
3 3
3!
μ = 4 3 3 0,1954
P(x= 3 ) 0,1954 x 100%= 19,54%
n! = 1.2.3….n El factorial del # n es el producto

de los numero enteros hasta n
3! = 1.2.3 = 6
0! = 1
TAREA 5
Una clínica recibe un promedio de μ = 4 pacientes al día. Sabiendo que el número de pacientes que llegan en un día
sigue una distribución de Poisson, calcular:
b) la probabilidad de que lleguen 5 pacientes en un día.
c) La probabilidad de que lleguen 4 pacientes en un día.
= Número de pacientes
un día.
μ =
P ( x =v )

0! = 1

Docente:
CONTENIDO
• 1.2.1. Binomial
• 1.2.2. Poisson.
• 1.3.3. Normal.
TAREA 5
Una clínica recibe un promedio de μ = 4 pacientes al día. Sabiendo que el número de pacientes que llegan en un día
sigue una distribución de Poisson, calcular:
b) la probabilidad de que lleguen 5 pacientes en un día.
c) La probabilidad de que lleguen 4 pacientes en un día.
= Número de pacientes
un día.
μ =
P ( x =v )

0! = 1
TAREA 5
de pacientes que llegan en un día sigue una distribución de Poisson, calcular: b) la
X =
un día.
5
X ~ Poisson ( μ
4 ) e- 4 .4
5 5
5!
μ = 4 5 5 0,1563
P ( x = 5) 0,1563 x 100%= 15,63%

5! = 1.2.3.4.5 =120 0! = 1
Tarea 5
de pacientes que llegan en un día sigue una distribución de Poisson, calcular: c) la
X =
un día.
4
X ~ Poisson ( μ
4 ) e- 4 .4
4 4
4!
μ = 4 4 4 0,1954
P ( x = 4) 0,1954 x 100%= 19,54%

5! = 1.2.3.4.5 =120 0! = 1
discretas: Hipergeométrica
Esta distribución esta estrechamente relacionado con la
distribución binomial, pero difieren en dos puntos: en la
distribución hipergeométrica los ensayos no son independientes
y la probabilidad de éxito varia de ensayo a ensayo.
En la notación usual en la distribución hipergeométrica, r

número de elementos en la población considerados como éxitos
que hay en una población de tamaño N, y N - r denota el
números considerados como fracasos que hay en dicha
población.
https://www.youtube.com/watch?v=zUnOZut
WjGc
La función de probabilidad hipergeométrica se usa para calcular
la probabilidad de que en una muestra aleatoria de n elementos,
seleccionados sin reemplazo, se tengan x éxitos y n - x fracasos.
Para que se presente este resultado, debe tener x éxitos de los r

éxitos que hay en la población y n - x fracasos de los N - r
fracasos. La siguiente función de probabilidad hipergeométrica
proporciona f(x), la probabilidad de tener x éxitos en una
muestra de tamaño n.
WjGc
Distribución
Hipergeométrica
Distribución Hipergeométrica
Formula:
𝑟 𝑁−𝑟
𝑥 𝑛−𝑥
ƒ(𝑥)= 𝑁
𝑛
𝐾 𝑁−𝐾 𝐶 𝑁−𝐶
𝑥 𝑛−𝑥 𝑥 𝑛−𝑥
f(𝑥)= 𝑁
P(𝑥)=
𝑁
𝑛 𝑛
• f(x)= probabilidad de x éxitos en n ensayos.

• n = número de ensayos
• N = Número de elementos en la población
• r = número de elementos en la población
𝑟 𝑁−𝑟
𝑥 𝑛−𝑥
ƒ(𝑥)= 𝑁
𝑛
𝑁
Observe que 𝑛
representa el número de maneras en
que es posible tomar una muestra de tamaño n de una
población de tamaño N; 𝑥𝑟 representa el número de
formas en que se toman x éxitos de un total de r (números
de elementos de la población) éxitos que hay en la población, y
𝑁−𝑟
𝑛−𝑥
representa el número de maneras en que se
puede tomar n – x fracasos de un total de N – r que
hay en la población.
Ejercicio 1
Una empresa fabrica fusibles que empaca en cajas de 12 unidades cada una. Asuma
que un inspector selecciona al azar tres de los 12 fusibles de una caja para
inspeccionarlos. Si la caja contiene exactamente cinco fusibles defectuosos, ¿cuál es la
probabilidad de que el inspector encuentre que uno de los tres fusibles está
defectuoso? En esta aplicación n = 3 y N = 12. Si r = 5 fusibles defectuosos en la caja,
la probabilidad de hallar x = 1 defectuoso es
𝑟5 𝑁12 − 𝑟
5
ƒ( 𝑥1 )= 𝑥1 𝑛3 − 𝑥1 = 0,4773
𝑁
12
𝑛
3
• f(x)= probabilidad de x éxitos en n ensayos.
WjGc
Ejercicio 1
Ahora suponga que desea conocer la probabilidad de hallar por lo menos un
fusible defectuoso. La manera más sencilla de contestar es calcular primero la
probabilidad de que el inspector no encuentre ningún fusible defectuoso. La
probabilidad de x 0 es En esta aplicación n = 3 y N = 12. Si r = 5 fusibles
defectuosos en la caja, la probabilidad de hallar x = 0 defectuoso es
Si la probabilidad de cero fusibles

defectuosos es f(0) = 0.1591, se
𝑟5 𝑁12 − 𝑟
5
concluye que la probabilidad
ƒ( 𝑥0 )= 𝑥0 𝑛3 − 𝑥0 = 0,1591
de hallar por lo menos un fusible
defectuoso debe ser 1 - 0.1591 =
𝑁
12
0.8409.
𝑛
3 Así, existe una probabilidad
• f(x)= probabilidad de x éxitos en n ensayos. razonablemente alta de que el
inspector encuentre por lo menos
un fusible defectuoso.
WjGc
Distribución Hipergeométrica
CARACTERISTICAS
- La información de la muestra se toma sin reposición de una
población finita.
- La probabilidad de éxito no es constante. Cambia para cada
observación.
- El resultado de una prueba es dependiente de la prueba
anterior, siempre se vera afectado por el resultado de
observaciones previas.
- El tamaño de la muestra (n) debe ser superior en un 5% con
respecto al tamaño poblacional (N).
- La distribución es adecuada. Cuando el tamaño de la
población es pequeña.
RECOMENDACIÓN:
• La distribución HIPERGEOMÉTRICA es especialmente
útil en todos aquellos casos en los que se extraigan
muestras o se realizan experiencias repetidas sin
devolución del elemento extraído o sin retornar a la
situación experimental inicial.
CONCLUSIÓN:
• El número de repeticiones del experimento (n) es
constante.
• Las probabilidades asociadas a cada uno de los
resultados no son constantes.
VIDEO
• https://youtu.be/zUnOZutWjGc


$RK0B45P

Cargado por

Copyright:

Formatos disponibles

$RK0B45P

Cargado por

Información del documento

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

$RK0B45P

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE JURISPRUDENCIA Y CIENCIAS SOCIALES Y POLÍTICAS

INTRODUCCIÓN A LA ESTADÍSTICA INFERENCIAL

“Ciencia que recoge, organiza,

• Se ocupa de los procesos de

• Su finalidad es obtener información, analizarla,

• Sirve para realizar conclusión acerca de un tema de interés, además nos

• Según Berenson y Levine, señalan que la “estadística inferencial

• Además, sólo 77% de los alumnos de último año

• El número de hijos en una familia.

2.2. Variable cuantitativa continua

El ancho de las puertas producidas en una fábrica. Existen infinitos valores

Variable Valores Eventos

• Anderson, D., Sweeney, D., & Williams, T. (2008).

Variable Valores Eventos

S: Espacio muestral x: Valores de la VA F(x): probabilidades

x: Valores de la VA F(x): probabilidades

Ahora colocamos las probabilidades en la tablita:

Además, la función de probabilidad tiene que cumplir con 2 condiciones:

2) La suma de las probabilidades asignadas a todos los valores de la variable

1) La probabilidad de cada valor de la variable aleatoria debe estar entre 0 y 1.

2) La suma de las probabilidades asignadas a todos los valores de la variable

Para que f(x) sea una función de probabilidad, se tienen que

2) La suma de las probabilidades asignadas a todos los valores de la variable

2. Un francotirador dispara a un blanco de 1 metro de radio y mide la distancia desde el

3. Se realiza un estudio que busca información de la estatura de los jugadores de la NBA en

4. Se realiza una encuesta en un salón acerca de la estatura de los alumnos y el número de

P(A)= número de casos favorables de A

• Anderson, D., Sweeney, D., & Williams, T. (2008).

• Se realiza una encuesta en un salón acerca de la estatura de los alumnos y el número de

A= estatura de los alumnos. Variable aleatoria continua.

F (X) : FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA

Las condiciones que debe cumplir la FDVAD

Además, para la función de distribución acumulativa de la variable aleatoria

0,5 + 0,3 +0,2 = 1

f (x) 0,5 0,3 0,2 1

F(x) 0,5 0,8 1

Se puede graficar de la VAD x vs F(x) ?:

1. Los valores de F(x) se encuentran siempre en este intervalo: 0 ≤ F(x) ≤ 1.

2. F (x) no es una función decreciente.

f (x) 0,25 0,50 0,25

• Anderson, D., Sweeney, D., & Williams, T. (2008).

f (x) 0,25 0,50 0,25

La media µ de una variable aleatoria discreta X se encuentra al

La media µ de una variable aleatoria discreta X se encuentra al

µ = E(X) = 0 x 0,60 + 1 x 0,25 + 2 x 0,10 + 3 x 0,05=

• Anderson, D., Sweeney, D., & Williams, T. (2008).

• La media «µ» o valor esperado «E(X)» es un promedio

• Recuerda que la varianza se mide en las

1 1 1,50 0,50 = 0,7071

1. Para calcular la media µ o valor esperado E(X), usamos su fórmula:

2. varianza, usaremos la fórmula rápida:

3. Desviación estándar, usaremos la fórmula rápida:

2. varianza, usaremos la fórmula rápida:

1. Para calcular la media µ o valor esperado E(X), usamos su fórmula:

2. varianza, usaremos la fórmula rápida:

3. Desviación estándar, usaremos la fórmula rápida:

• Anderson, D., Sweeney, D., & Williams, T. (2008).

Se asocia con un experimento de múltiples pasos que se llama

Si es que respondes una pregunta de alternativas al azar, la

• Siendo el coeficiente binomial o número