Tema 2
Tema 2
Tema 2
Objetivos:
Al terminar la unidad, el alumno ser capaz de Conocer y diferenciar los tipos de eventos asociados con los
experimentos aleatorios. Calcular y evaluar el valor numrico de su probabilidad.
Identificar los tipos de variables aleatorias relacionadas con experimentos aleatorios y con base en sus
valores probabilsticos poder describir su comportamiento.
Analizar los tipos de variables aleatorias: Uniforme, Bernoulli, Binomial, hipergeomtrica y Poisson.
Determinar descriptivamente cuando la variable de la cual provienen unos datos se desva de la normalidad
Modelo
Frecuentemente el objetivo de un investigador es establecer una adecuada descripcin matemtica de algn
fenmeno natural o artificial. Un modelo puede ser definido como una idealizacin matemtica utilizada para
aproximar un fenmeno observable. En esta idealizacin, ciertas suposiciones son hechas. El xito de un modelo
depende si o no estas suposiciones son vlidas. Para chequear la validez de un modelo, se toman observaciones.
Este proceso es llamado experimento.
Modelo determinstico
Un modelo deterministico, es aquel en el cual se establecen las condiciones para que al ejecutar el experimento se
determine el resultado.
Ejemplos
1. La distancia
. El conocimiento de
y determina el valor de
una nia.
Suponga que se registran los gneros en orden de cumpleaos. Entonces se observar una secuencia de letras
, tales como:
Esta secuencia muestra una no aparente regularidad. Sin embargo, uno no puede predecir el gnero del prximo
nacimiento , pero si se puede predecir a lo largo de muchas ejecuciones la poporcin de nios (o nias) en esta
secuencia ser cercana a
. Este comportamiento a lo largo de muchas ejecuciones es llamado regularidad
estadstica y es evidente, por ejemplo, en todos los juegos de azar.
horas
e. Seleccionar una planta de una parcela y observar si padece alguna enfermedad, es decir es sana o enferma
f.
Conceptos Bsicos
Estadstica vs probabilidad
Existen tres componentes esenciales de un modelo estocstico (o probabilistico):
1. Identificacin de todos los posibles resultados del experimento.
2. Identificacin de todos los eventos de inters
3. Asignacin de probabilidades para estos eventos de inters.
El ms importante como tambien el ms interesante y difcil parte en la construccin del modelo es la signacin de
probabilidades. Es pertinente en este momento distinguir entre probabilidad y estadstica. En probabilidad, nosotros
hacemos ciertas suposiciones acerca de la poblacin y entonces decimos algo acerca de la muestra. Esto es, el
problema en probabilidad es:
Dado un modelo estocstico, qu podemos decir acerca de los resultados?
En estadstica, el proceso es inverso. El problema en estadstica es:
Dada una muestra (conjunto de resultados), qu se puede decir acerca de la poblacin (o el modelo)?
Ejemplos
1.Lanzamiento de una moneda.
Suponga un experimento aleatorio que consiste en el lanzamiento de una moneda y observar el resultado. Hay dos
posibles resultados, llamados cara o sello. El modelo estocstcio puede ser que la moneda no esta cargada. Este
hecho especifica completamente la probabilidad de cara
y por consiguiente tambien de sello
. En
probabilidad nosostros nos preguntamos: Dado que la moneda no esta cargada, cal es la probabilidad de observar
caras en
obtuvieron
2 Gasolina.
Cuando un nuevo modelo de carro es introducido al mercado, la compaia automovilistica anuncia (un estimado) a la
agencia de proteccin al medio ambiente la trazn de consumo de gasolina (miles por gasln) paara propsitos de
comparacin. El problema inicial de la determinacin de la distribucin de probabilidad del cosumo para este modelo
es un problema estadstico. Una vez esto ha sido solucionado, el calculo de la probabilidad de que un carro particular
consuma al menos 30 millas por galn es un problema de probabilidad. Similarmente, la estimacin de promedio de
gasolina para este modelo es un problema estadstico.
3.Nmero de llamadas telefnicas. El nmero de llamadas telefnicas iniciadas en u intervalo de tiempo de logitud
horas es registrado en una central telefnica. El problema inicial de estimar la probabilidad de que
llamadas sean
iniciadas en un periodo de tiempo de logitud horas es un problema estadstico. Una vez esas probabilidades han
sido establecidas para cada
el calculo de la probabilidad de que ms de llamadas sean iniciadas
en un periodo de tiempo de una hora es un problema de probabilidad.
Conceptos Bsicos
Espacio Muestral
Un espacio muestral, denotado por
1.Cada elemento de
.donde
denota
.
y
8. a) El experimento consiste en seleccionar en una empresa manufacturera cuatro productos y observar si son
defectuosos o no.
b) Un libro dado es abierto en cualquier pgina y el nmero de errores de impresin es contado.
c) Dos cartas son seleccionadas
cartas.
con reemplazamiento,
Conceptos Bsicos
Eventos y sigma algebra
Definicin de Evento
Sea un espacio muestral. Un evento (con respecto a ) es una coleccin de puntos muestrales. Cada punto del
espacio muestral es conocido como evento simple o elemental.
El conjunto vaco
imposible o nulo, y
son subconjuntos de
tales que:
A
Si
A ,entonces
Si
A entonces
A ,entonces
Si
A entonces
Si
A entonces
Es de notar que:
1.
se sigue de
.
se asocia una
lgebra A.
Si
contiene un nmero contable de puntos, siempre se puede tomar a A como la coleccin de todos los
subconjuntos de
Si
contiene un nmero no contable de puntos, tambien se puede tomar a A como la coleccin de todos los
sera
(iii)
y
y
y
Sea
un espacio muestral.
=2
es
= {,
} es
Sea
4. Sea
a.
- Algebra #
: nmero de elementos de
- Algebra
= {a, b, c} 2
= {a, b, c} 2
=2
=2
= 8.
= 8.
} es
- Algebra? No
i.
ii. {a}
b.
pero {a}
= {, {a}, {b, c},
, por lo tanto
} es
- Algebra? S,
no es
- Algebra
es
- Algebra
i.
ii. {a}
{a}
{b, c}
{b, c} = {a}
=
=
{a}
{b, c}
por lo tanto
es una
- Algebra.
50}
8. Del ejemplo 10 de espacio muestral, el evento E: El sistema tiene no ms de una salida = {0,1}.
Conceptos Bsicos
Definicin de Probabilidad
Axiomas de Probabilidad
Sea
en
y rango el intervalo
con dominio
P( A) es llamada la probabilidad del evento A. Observese que la definicin anterior solamente expresa cales son las
propiedades que tiene que cumplir una probabilidad, pero no expresa como asignar las probabilidades especficas a
los eventos.
Tcnicas de Conteo
Se estudian en este aparte algunos tcnicas especiales que facilitan el trabajo de contar los casos favorables y
posibles que definen la medida de probabilidad.
Principios bsicos del conteo
Sea un experimento que se tiene que realizar en K diferentes etapas, cada una se puede hacer de ni formas distintas,
entonces el experimento completo puede hacerse en:
formas.
Ejemplos
Las maneras diferentes de viajar de una ciudad A a otra C pasando por una B, asumiendo que hay 3 alternativas para
ir de A a B, y 4 de B a C
El nmero total de formas diferentes de viajar de A hasta C es: n x n = 3 x 4 = 12 El nmero total de las placas de
los carros en Colombia, si se asumieran 3 letras de las 28 y 3 dgitos de los 10 se puede calcular como:
n
xn
xn
xn
xn
xn
= 10
* 28
= 21.952.000
+n
+ ...+ n
n ,..., n
maneras diferentes.
Ejemplo
Las formas de hacer un viaje a un sitio determinado al cual viajan 3 empresas de buses, el tren y 4 compaas de
aviacin son por lo tanto 3 + 1 + 4 = 8 maneras diferentes para realizar el viaje.
Tcnicas de Conteo
Muestras Ordenadas
Sea un conjunto de N elementos distinguibles, llamado poblacin. Cualquier subconjunto o arreglo de n elementos se
denomina muestra. La seleccin de los elementos de la muestra puede cumplirse de dos formas: i. Sin repeticin o
sin reemplazo. (Permutaciones) La seleccin de un elemento corresponde a cada etapa del experimento, cada vez
que se elija un elemento no se vuelve a tener en cuenta para la siguiente seleccin y aplicando el principio de la
multiplicacin se tiene que el total de formas diferentes de obtener la muestra es:
Muestras ordenadas sin repeticin: MOSR
ii. Con repeticin o con reemplazo Igual al caso anterior, pero cada vez que se realice una seleccin se vuelve a tener
en cuenta el elemento extrado anteriormente, as que el total de formas diferentes con repeticin es: N * N *... *N =N
Muestras ordenadas con repeticin : MOCR
Ejemplo
Suponga el conjunto
= {a, b, c, d} N = 4 El total de formas diferentes de seleccionar n = 2 elementos de los 4
teniendo en cuenta que se pueden distinguir uno de otro es: a. MOSR:
), aqu se hace necesario reflexionar porque no se desean cifras sin dgitos repetidos(
la respuesta es: 10
P ), por tanto
P =4960
Tcnicas de Conteo
Muestras no Ordenadas
Los N elementos de la poblacin aunque diferentes no requieren distinguirse, el total de muestras posibles depende
de la forma como se realice la seleccin pudiendo ser: i. Sin repeticin o sin reemplazo. (Combinatoria). Equivalen a
las permutaciones eliminando los n! trminos ordenados. Por lo tanto el total de muestras lo da la expresin:
formas diferentes.
i. Muestras no Ordenadas sin repeticin: MNOSR
ii. Con repeticin o con reemplazo. En este caso se puede asumir que en cada etapa de seleccin se va agregando
un elemento "nuevo", desde luego a excepcin de la primera etapa, equivale esto a aumentar la poblacin en el
nmero de etapas de seleccin menos una. Implica decir que (n-1) de los N elementos pueden volver a ser
seleccionados. La combinatoria que aparece a continuacin permite contar el total de muestras
b.
Particin de un conjunto
El total de formas diferentes en que se pueden repartir N elementos en K subconjuntos cada uno de tamao N , i =
=4N
= 12 N
= 16 N
= 20 El
E
j Probabilidad de eventos
Regla de Adicin
Los eventos compuestos se generan al aplicar las operaciones bsicas de los conjuntos a los eventos simples. Las
uniones, intersecciones y complementos de eventos son de inters frecuente. La probabilidad de un evento
compuesto a menudo pueden obtenerse a partir de las probabilidades de cada uno de los eventos que lo forman. En
ocasiones, las operaciones bsicas de los conjuntos tambin son tiles para determinar la probabilidad de un evento
compuesto.
Demostracin:
Se conoce que
Entonces
er Probabilidad de eventos
Probabilidad Condicional
La probabilidad de que un evento
se llama probabilidad
Es
definida como
Axioma I
para todo evento
Como
Axioma II
Como
Axioma III
Si
Como
Ejemplo
1. La antena de una instalacin de radar recibe, con probabilidad
y con probabilidad
solo la interferencia pura. Al suceder una seal til interferida, la instalacin indica la
Mas ejemplos
Entre los 200 empleados de una empresa hay 150 graduados, 60 del total consagran parte de su tiempo por lo
menos a trabajos tcnicos, 40 de los cuales son graduados. S se toma al azar uno de estos empleados, cul es la
probabilidad de que:
a. Sea graduado dado que se sabe no consagra su tiempo al trabajo tcnico?
b. No sea graduado dado que se sabe no consagra su tiempo al trabajo tcnico?
Solucin:
Sean los eventos:
: el empleado es graduado
Graduados
Trabajos
Otros
tcnicos
trabajos
Total
40
150
60
200
No graduados
Total
Graduados
Trabajos
Otros
tcnicos
trabajos
Total
40
150
60
200
No graduados
Total
a. La probabilidad de que sea graduado dado que se sabe no consagra su tiempo al trabajo tcnico,
, se
puede calcular en este caso de manera fcil utilizando la tabla de contingencia, en la cual esta proabbilidad es calcual
determinando proporcin de los de otros trabajos son graduados es decir,dada como el cociente entre es
b. La probababilidad de que no sea graduado dado que se sabe no consagra su tiempo al trabajo tcnico es tambin
determinada por medio de la tabla de contingencia
y como
. Luego
Probabilidad de eventos
Regla de Multiplicacin
De la definicin de probabilidad condicional se tienen los siguientes resultados al despejar
Las relaciones
. Entonces
Ejemplo
1. (Inspeccin de Lotes)
Un lote contiene
items de los cuales
son defectuosos. Los items son seleccionados uno despues del otro
para ver si ellos son defectuosos. Suponga que dos items son seleccionados sin reemplazamiento (Significa que el
objeto que se selecciona al azar se deja por fuera del lote). Cal es la probabilidad de que los dos items
seleccionados sean defectuosos?.
Solucin
Sea los eventos
Ahora suponga que selecciona un tercer item, entonces la probabilidad de que los tres items seleccionados sean
defectuosos es
Mas ejemplos
Ejemplo 2 La probabilidad de que la batera de un automvil sujeta a altas temperaturas dentro del compartimiento
del motor reciba una corriente de carga mayor que la normal, es
Ejemplo 3
El
de la poblacin de una ciudad sufre de presin sangunea alta. De la poblacin con presin sangunea alta el
Y la probabilidad a calcular es
. El diagrama de rbol, ayuda a entender problemas relacionados con la
regla de la multiplicacin, como es el caso del presente problema:
El porcentaje de personas que toman licor y sufren de presin sangunea alta es determinado como
4. Un lote contien
artculos de los cuales
son defectuosos y no defectuosos son inspeccionados uno por uno.
Si los artculos son seleccionados al azar sin reemplazamiento, calcular la probabilidad de que:
a. Los primeros dos artculos sean defectuosos
b. Entre los tres primeros artculos, dos sean buenos
c. El tercer artculo es defectuoso
d. Si se tine la siguiente regla: se acepta el lote de
calcular la probabilidad de rechazar el lote.
artculos si al observar
Solucin:
Sean los eventos:
,
a
El evento de inters es
y su probabilidad es
b. El evento de inters es
y su probabilidad es
c. El evento de inters es
y su probabilidad es
defectuoso y
Luego
rechazar
Aceptar
Probabilidad de eventos
Eventos Independientes
DEFINICIN. Independencia para dos eventos
Sea
independientes si
defectuoso, entonces
Si
NOTAS
1. Con la anterior definicin, si A y B son independientes, la probabilidad de B dado que ya ocurrio A es:
relaciones se
Ejemplo
Se sacan tres cartas de un juego en sucesin, sin reemplazo, de un paquete ordinario. Encuentre la probabilidad de
que se presente
carta sea un 10 o una jota y
, donde
que la segunda
As, la probabilidad de que al sacar tres cartas de una baraja, la primera carta sea un as rojo, la segunda carta sea un
10 o jota y la tercera carta sea mayor que 3 y menor que 7 es de 0.0014 o 0.14%.
Probabilidad de eventos
Probabilidad Total
En muchas situaciones es posible que se conozca
que el espacio muestral est particionado por una coleccin de eventos
exluyentes
mutuamente
. Esto es,
Teorema
Sea
para
un espacio muestral y
Demostracin
Considere el diagrama de Venn en la figura 1.
de
es decir,
Ejemplo
Considere una fbrica de colchones, quien realiza una campaa publicitaria para mejorar sus ventas. Para evaluar la
efectividad de la campaa, la fbrica guarda los registros de si o no un cliente ha visto el aviso publicitario y si o no el
cliente ha hecho una compra. Con base en este registro, es estimado que la probabilidad de que un cliente haya visto
el aviso es
es
, la probabilidad condicional de que una venta se haya realizado dado que el cliente ha visto el aviso
, y la probabilidad condicional de que una venta se haya realizado dado que el cliente no ha visto el aviso es
. Cul es la probabilidad de que una seleccin aleatoria de un cliente sea la un cliente que har una compra?.
Solucin
Sean los eventos
:
entonces el espacio muestral formado por todos los clientes es particionado como
es:
,
. Esto es,
Entonces
Ejercicios
1. La polica planea reforzar los lmites de velocidad mediante el uso de un sistema de radar en cuatro
diferentes puntos de la ciudad. Las trampas de radar en cada uno de los sitios
operan 40%,
30%, 20% y 30% del tiempo, y is una persona que maneja a gran velocidad cuando va a su trabajo tiene las
probabilidades de 0.2, 0.1, 0.5 y 0.2, respectivamente, de pasar por esos lugares, cul es la probabilidad de
que reciba una multa por conducir con exceso de velocidad?
2. La irregularidad del corte de productos de papel aumenta a medida que las hojas de la cuchilla se desgastan.
Slo el 1% de productos cortados con cuchillas nuevas tienen cortes irregulares, el 3% de los cortados con
cuchillas de filo promedio exhiben irregularidades y el 5% de los cortados con cuchillas desgastadas
presentan irregualridades. Si el 25% de las cuchillas utilizadas en el proceso de corte son nuevas, el 60%
tiene un filo promedio y el 15% de las cuchillas estn desgastadas, cul es la proporcin de productos que
tendrn cortes irregulares?
Probabilidad de eventos
Teorema de Bayes
En muchas situaciones es posible que se conozca
que el espacio muestral est particionado por una coleccin de eventos
exluyentes
mutuamente
. Esto es,
Entonces es recomendable utilizar el llamado Teorema de Bayes para calcular la probabilidad condicional de que un
evento de la particin
Teorema
Sea
un espacio muestral y
para
de
Ejemplos
En cierta planta de montaje, tres mquinas B B B , montan 30%, 45% y 25% de los productos,
respectivamente. Se sabe de la experiencia pasada que 2%, 3%, y 2% de los productos ensamblados por cada
mquina, respectivamente, tiene defectos. Ahora, suponga que se selecciona de forma aleatoria un producto
terminado y se encuentra que es defectuoso, cul es la probabilidad de que est ensamblado por la mquina B ?
Solucin:
Considere los eventos siguientes:
A: el producto est defectuoso,
B : el producto est ensamblado por la mquina B .
B : el producto est ensamblado por la mquina B .
B : el producto est ensamblado por la mquina B .
Al aplicar el teorema, podemos escribir:
Entonces:
As, al seleccionar de forma aleatoria un producto terminado y encontrar que es defectuoso, la probabilidad de que
est haya sido ensamblado por la mquina B
es del 20%.
Ejercicio 1 Si en el ejercicio 1 de teorema de probabilidad total la persona es multada por conducir con exceso de
velocidad en su camino al trabajo, cul es la probabilidad de que pase por el sistema de radar que se ubica en L ?
Ejercicio 2 Los clientes se encargan de evaluar los diseos preliminares de varios productos. En el pasado, el 95%
de los productos que con mayor xito en el mercado recibieron buenas evaluaciones, el 60% de los productos con
xito moderado recibieron buenas evaluaciones y, el 10 % de productos de escaso xito recibieron buenas
evaluaciones. Adems, el 40% de los productos ha tenido mucho xito, el 35% un xito moderado, y el 25% una baja
aceptacin.
a. Cul es la probabilidad de que un producto obtenga una buena evaluacin?
b. Si un nuevo diseo obtiene una buena evaluacin, cul es la probabilidad de que se convierta en un
producto de gran xito?
c.
Variables Aleatorias
Definicin general
En lecciones anteriores se estudiaron probabilidades de eventos asociados a los resultados fsicos del espacio
muestral
. Por ejemplo cuando se lanza una moneda 2 veces se obtiene como espacio muestral
y un evento de inters es
evento tiene como probabilidad
. este
positivos
Ahora si
entre
en
sino en en
.
es en s mismo un nmero real.
Definicin
Sea
nmero real
un
El concepto de variable aleatoria (v.a.) proporciona un medio para relacionar cualquier resultado de un experimento
aleatorio con una medida cuantitativa, lo cual significa que a cada elemento de un espacio muestral se le asigna un
valor sobre la recta de los reales.
Nota 1.
Suponiendo que
toma valores
?.
Todos los subconjuntos de un solo punto y todos los intervalos (cerrados, abiertos, o semicerrados) son eventos.
Tambin uniones, diferencias e intersecciones de intervalos.
Cal es la
La
subconjuntos
. Esta
es la llamada
y es denotada por
Los conjuntos de
Nota 2.
Las variables aleatorias ser denotadas con letras maysculas
ser denotado por
por
asignado por
Ejemplo 1
Nmero de hijos en una familia, nmero de cuartos en una casa, el ingreso de una familia, el tiempo de duracin de
una pieza de un equipo, el nmero de errores en un pgina de un libro, la corriente elctrica que pasa por un punto
dado.
Ejemplo 2
Un dado es lanzado una vez. En este caso el espacio muestral es
ejecucin es un nmero real. Se define la variable aleatoria
como:
un nmero real
2
3
4
5
6
Luegos se dice que la variable aleatoria toma valores
Ahora otra variable aleatoria para este experimento se definira como:
entonces
. Se oberva que la
Ejemplo 3
Un dado es lanzado dos veces, entonces
se podran definir son:
El rango o los valores que toman las anteriores variables son respectivamente:
un espacio muestral y
la
en
es llamada
Teorema
Sea
un espacio muestral y
la
en
es llamada
Teorema
es una variable aleatoria si y solo si para cada
Ejemplo 1
Sea el experimento: lanzar una moneda, entonces el espacio muestral es
todos los subconjuntos de
dada por
y sea
lgebra de
como
Entonces
luego para
la imgen inversa
es siempre un conjunto de la
lgebra
Ejemplo 2
Sea el experimento: lanzar dos monedas, entonces el espacio muestral es
lgebra de todos los subconjuntos de
nmero de caras
y sea
como
en
Entonces
luego para
la imgen inversa
es siempre un conjunto de la
Ejercicios
1. Sea
lgebra
d. Chequear si
e. Chequear si
Etiqueta 2
Contenido 2
Caso Discreto
Definicin
Una variable aleatoria (v.a.)
es discreta si los valores que asigna forman un conjunto contable (finito o infinito).
Ejemplo
Sea el nmero de caras al lanzar dos monedas. Los valores que asigna son
contable (finito).
, el cual es un conjunto
Funcin de Probabilidad
Sea
.
Se llamar una funcin de probabilidad o funcin de masa de probabilidad de la variable aleatoria discreta
Ejemplo de 2 dados
Se realiza el siguiente experimento: se lanzan dos dados, uno rojo y otro azul.
El espacio muestral para este experimento es:
En una funcin de probabilidad sobre una sigma lgebra asociada al espacio muestral
es dada por:
donde
es definida como
Explicacin: Esta es una de las maneras de definir una funcin de probabilidad sobre la sigma lgebra. En este caso
debido a que el espacio muestral es finito, se define la funcin de probabilidad para cada elemento de
que representa la suma de los nmeros obtenidos en las caras, entonces la variable
El valor
como:
anteriormente como
Explicacin: Observe que la letra representa l aprobabilidad de un evento para la variable aleatoria
representa la probabilidad para un elemento del espacio muestral.
Anlogamente la probabilidad para los otros valores de la variable se presenta en la siguiente tabla:
y la letra
Probabilidad
=
=
=
Para poder observar mejor el comportamiento de la distribucin de la probabilidad de la variable observe la figura que
se presenta a continuacin.
En la grfica se observa que la distribucin de probabilidad es simtrica esto implica que las medidas de tendencia:
Media Aritmtica, Mediana y La moda , son iguales. La manera de calcular estas medidas se estudia en la leccin
Valor esperado. Observe que lo ms probable que puede ocurrir al lanzar dos es que la suma de las caras sea 7.
Caso Discreto
Funcin de Probababilidad Acumulada
La funcin distribucin acumulada
Esto es,
Ejemplo
Para el ejemplo tratado anteriormente, La funcin distribucin acumulada
determinada as:
es
cuando
es dada por
Para el caso de
y como la pelota se
es dada por:
2
0
son:
El evento
B,B
R,B
B,B
B,B
R,B
B,B
B,B
es equivalente al evento
B,B , as:
y por ser
luego
Por tanto
Una manera ms sencilla de obtener el resultado anterior es conociendo que en este caso la variable aleatoria se
distribuye binomial , en donde
y as:
haciendo
un
razonamiento
similar
al
de
se
obtiene
que
0
1
2
El grfico de esta funcin de probabilidad aparece en la figura.
como:
y proceda de una manera similar a la anterior, pero utilizando las probabilidades anteriores para obtener los valores
de la variable aleatoria, con lo cual llegara a que
0
1
2
b
c
1.5
d
e
es
Ejercicios
Ejercicio 1
Verifique que la siguiente fuuncin es funcin de probabilidad y calcule las probabilidades pedidas.
x
f(x)
-2
-1
1. P( X/2)
2. P( X>-2)
3. P( -1/X/1)
4. P( X/-1/text o X=2)
Ejercicio 2
Un grupo de partes moldeadas se clasifica de acuerdo con su longitud, de la siguiente manera.
1. Si la variable aleatoria
2. Cul es el valor de
3. Cul es el valor de
Ejercicio 3
Un ingeniero de control de calidad muestrea cinco piezas de un lote grande de percutores fabricados y determina si
tiene defectos. Aunque el inspector no lo sabe, tres de los cinco percutores muestreados tiene defectos. El ingeniero
prueba los cinco percutores en un orden escogido al azar hasta que observa un percutor defectuoso (en cuyo caso se
rechazar todo el lote). Sea Y el nmero de percutores que debe probar el ingeniero de control de calidad. Calcule y
grafique la distribucin de probabilidad de Y.
Caso Continuo
Una variable
es llamada continua si toma todos sus valores sobre un intervalo de la recta real. Esto es, el conjunto
es un intervalo sobre
edad y estatura.
Funcin de Densidad
Sea
integrable sobre
La funcin de densidad
tal que
. Toda funcin
y satisface:
Este teorema nos sirve para determinar cuando una funcin integrable sobre
variable aleatoria continua
Ejemplo
Sea
dada por
para todo
Sea el evento A=
Caso Continuo
Funcin de Densidad Acumulada
La funcin de probabilidad acumulada o funcin de distribucin de una variable aleatoria
, es definida por la relacin
sobre
, denotada por
Ejemplo
para el ejemplo tratado anteriormente la funcin de distribucin es determinada como sigue:
1. Divida el rango de la variable en subintervalos:
. esta divisin es
realizada de acuerdo a la particin de la recta real dada en la funcin de probabilidad. cambie la notacin de
por
cuando
y el grfico
es dada por
es dado
Teorema
Sea
para todo
as F es no decreciente
para todo
lm
lm
F es continua a la derecha
y lm
Ejemplo
Sea
una variable aleatoria con funcin de distribucin acumulada dada por (Figura 3)
La funcin
con respecto a
no es continua en
se tiene
, o en
Mas ejemplos
Ejemplo 1
El error en la temperatura de reaccin, en grados centgrados, para un cierto experimento controlado de laboratorio
es una variable aleatoria continua
Ejercicio 1
El nmero total de horas, medidas en unidades de 100 horas, que una familia utiliza una aspiradora en un periodo de
un ao es una variable aleatoria continua
a. Calcule el valor de
. defina
por
Definicin
Caso discreto
Suponga que
media de
por
, entonces se define la
Caso continuo
Suponga que
o el valor esperado de
. Si
por
Mas ejemplos
Ejemplo 1
Un jugador tiene tres oportunidades de lanzar una moneda normal y obtener cara, si cae cara la 1ra vez el jugador
gana $2, si cae cara la 2da vez gana $4 y si cae cara en la 3ra vez gana $8, el juego termina en el momento en que
cae una cara o despus de tres intentos. Si no cae cara en los tres lanzamientos pierde $20.
Cul es la esperanza de ganancia o perdida en el juego?
As, el jugador esperar ganar luego de muchos juegos $0.5. Cabe notar que 50 centavos no es ninguno de los
posibles valores de la variable aleatoria, as, es completamente posible que una variable aleatoria nunca tome el
valor de su esperanza.
Ejemplo 2
Suponga que el nmero de autos que pasa por un lavado de autos entre 4:00 p.m. y 5:00 pm en cualquier viernes
soleado tiene la siguiente distribucin de probabilidad:
Sea
la cantidad de dinero en dlares, que el administrador paga al dependiente. Encuentre las
ganancias esperadas del dependiente en este periodo particular.
Solucin:
Ejemplo 3
Sea la variable aleatoria continua el dimetro de un agujero taladrado en una placa de metal. El dimetro requerido
es 12.5 milmetros, pero muchas perturbaciones aleatorias en el proceso dan como resultado dime-tros ms
grandes. La recopilacin de datos indica que la distribucin de
probabilidad
?, Cul es su varianza?
Ejercicios
Ejercicio 1
En un estudio de exploracin petrolera Kinchen (1986) cita un ejemplo en el que un presupuesto de exploracin de
50.000 dlares se asigna a un solo prospecto. El resultado puede ser un pozo seco, 50.000 barriles (bbl), 100.000
bbl, 500.000 bbl o 1.000.000 bbl, con las probabilidades y resultados monetarios que se muestran en la tabla. Sea
el valor monetario de un solo prospecto petrolero. Calcule
Cul es el valor de
Cul es el valor de
Cul es el valor de
el nmero de
2. (Ejercicio 3.26 Montgomery). Determine la funcin de distribucin acumulada para la variable aleatoria del ejercicio
1; asimismo, calcule las probabilidades siguientes:
es el conjunto
Calcule el valor de .
Calcule
, determine la media
Calcule
5. (Ejercicio 3.36 Montgomery) Determine la funcin de densidad de probabilidad asociada con cada una de las
siguientes funciones de distribucin acumulada.
(Ejercicio 5.13 Mendenhall) Investigadores de la University of Rochester estudiaron la friccin que ocurre en el
proceso de alimentacin de papel de una fotocopiadora (Journal of Engineering for Industry, mayo de 1993). El
coeficiente de friccin es una proporcin que mide el grado de friccin entre dos hojas de papel adyacente en la pila
de alimentacin. En un experimento se utiliz una distribucin triangular para modelar el coeficiente de friccin. La
funcin de densidad para la distribucin de friccin triangular est dada por:
f(y)=
Demuestre que
a. Calcule el valor de
UD(
Definicin
Es la ms simple de todas las distribuciones modelo y en ella la variable aleatoria asume cada uno de los valores con
una probabilidad idntica.
" Sea la variable aleatoria X que puede asumir valores
distribucin uniforme discreta viene dada por:
As por ejemplo cuando se lanza un dado correcto, cada una de las seis caras posibles conforman el espacio
muestral:
La v.a X: nmero de puntos en la cara superior del dado tiene una
distribucin de probabilidad Uniforme discreta, puesto que:
para
en otro caso.
La representacin grfica de esta distribucin de probabilidad puede hacerse con un histograma para v.a. discreta,
es en este caso la altura de
Varianza (
Para el caso del lanzamiento del dado: el valor esperado y la varianza del nmero de puntos en la cara superior son:
Ejercicio
(Walpole, pg 122) Seleccin de un empleado entre equipo de 10 con el fin de supervisar un proyecto especifico. Esa
seleccin se hace al azar utilizando papeleta con nmeros.
a- Cul es la probabilidad de que el nmero de la papeleta seleccionado sea menor de 4? (
b- Cul es la media y la varianza de la distribucin de probabilidad del nmero de la papeleta.?
y
Notacin:
Definicin
Es una distribucin de probabilidad conjunta para mltiples variables aleatorias (
discretas donde
cada
, dndose cuando en cada prueba ensayo independiente (con reposicin) del E.A. interesa
contar el nmero de exitos en cada una de la k maneras como se puede dar un atributo.
Ejemplo
El atributo calidad de un producto se puede dar como: Excelente, bueno, regular y malo. icas:
1. Son
resultados.
resultados
resultados posibles
En
y donde:
pruebas independientes.
ocurrir con
de probabilidad.
con probabilidades
Con
Ejemplo
Se sabe que las bombas de gasolina para autos existentes en el mercado se pueden clasificar en:
de rendimiento excelente
de rendimiento bueno
de rendimiento regular
de rendimiento malo
.
.
Ejercicio
(Walpole, pag 123)
Un estudiante que va a la universidad en carro encuentra un semforo, el cual permanece en verde durante 35
segundos, en amarillo 5 segundos y en rojo 60 segundos. Su viaje a la universidad es entre 8:00 y 8:30 AM en la
semana de 6 dias hbiles. Sea
en luz amarilla y
respectivamente
xito
Una variable aleatoria de Bernoulli, por s sola, tiene poco inters en las aplicaciones de ingeniera. En cambio la
realizacin de una serie de experimentos bernhoulli conduce a varias distribuciones de probabilidad discretas muy
tiles.
La funcin de probabilidad de una variable bernoulli es dada por
donde
es la probabilidad de xito en una sola prueba.
es el nmero de xitos en la prueba.
El parmetro es
Media y Varianza
La media y varianza de una variable aleatoria bernoulli son respectivamente
Ejemplo
El experimento de seleccionar un producto y observar si tiene defectos o no.
Aqui se puede definir ser defectuoso como el xito y no ser defectuoso como el fracaso.
Media y Varianza de la distribucin bernoulli
La media y varianza de una variable aleatoria bernoulli son respectivamente
Definicin
Es una de las distribuciones de probabilidad ms tiles ( control de calidad, produccin, investigacin). Tiene que ver
con el experimento aleatorio que produce en cada ensayo o prueba uno de dos resultados posibles mutuamente
excluyentes: ocurrencia de un criterio o caracterstica especfico (llamado xito) y no ocurrencia de ste (llamado
fracaso). Los trminos o calificativos de "xito y fracaso" son solo etiqutas y su interpretacin puede no corresponder
con el resultado positivo o negativo de un experimento en la realidad.
Ejemplo
xito podra ser hallar en un ensayo especfico que la unidad es defectuosa al examinarla. Cada experimento
aleatorio consiste en una serie de ensayos o pruebas repetidas realizadas en idnticas condiciones (
que cada uno de ellos es independiente de los dems.
Sea
veces), o sea
ensayos.
xitos en esos
ensayos o pruebas arroja solo uno de dos resultados posibles resultados: xito fracaso.
Para
entero y
Planteamiento Bsico
Supongamos un proceso productivo en serie de una misma unidad metalmecnica y en l que: Probabilidad de una
unidad defectuosa :
Supongamos que el inters est en evaluar el proceso mediante una muestra aleatoria de 4 unidades y por tanto se
define la v.a X como el nmero de unidades defectuosas en la muestra. Para garantizar que los ensayos resulten
independientes hacemos la seleccin con reemplazamiento o sustitucin.
Supongamos que centramos nuestro interes en
B=bueno y D= defectuoso. Por lo tanto el
.....
Se puede entonces notar que los eventos favorables a
constiuyen el subconjunto
o sea:
para cada
Si generalizamos:
donde:
ensayos;
es la probabilidad de
xitos se
xitos .
defectuoso; sino todos los valores que puede asumir X en las cuatro pruebas.
entonces la
Los valores de
se pueden calcular por medios electrnicos utilizando las tablas de la distribucin binomial que
proporcionan la solucin de estas operaciones, a veces largas o laboriosas.
Con los resultados de esos clculos podemos construir la tabla de distribucin de probabilidades, hacer su grfica y
definir sus principales caractersticas.
Tomemos como ejemplo la distribucin binomial de parmetros
Asimetria deformacon (Forma): con base en la razn entre los momentos centrales de orden dos y tres como
quedo definido antes:
se acerque a
(por lo tanto
tienda
Para el caso considerado y utilizando tanto la metodologa tradicional de la definicin de conceptos como usando las
frmulas simplificadas, tenemos:
Total
; tambien
;
Se pide:
La solucin ms corta para este planteamiento sera entonces:
o sea
que sera la probabilidad
de que cualquier dia se ordene parar el proceso de produccin segn el planteamiento de control del mismo.
Si consideramos las caractersticas, tenemos:
Valor esperado
unidades defectuosas.
Varianza
Valores que como es lgico tambien pueden ser hallados por el mtodo tradicional.
ir
Se puede obtener la funcin de distribucin acumulada y obtener asi los cuantiles fractiles de la distribucin.
La siguiente figura muestra tres funciones de distribucin binomial con
y valores
de
La A con
la C con
planteado.
tendra sesgo negativo, interpretaciones que resultan consecuentes con el indice de sesgo
Ejercicios
es simetrica y
ya
1. Una empresa fabricante de neumticos para tractomulas realiza pruebas de ponchaduras en un terreno difcil. Se
encuentra que el
de los neumticos probados presentaron pinchazo en el recorrido total. Se prueban 15
neumticos ms tomados al azar: Halle la probabilidad de las siguientes cantidades de neumticos con pinchaduras :
Entre 3 a 6 .
Mas de 5 .
Distribuciones de variables aleatorias discretas
Distribucin Hipergeomtrica
Notacin:
Definicin
Muchas veces en la prctica es difcil realizar pruebas con reposicin reemplazamiento. Por ejemplo, si en el
control de calidad se pierde el elemento que se prueba, pues no se puede hacer reposicin directamente. Se planta
entonces la prueba sin reposicin, donde los elementos de la muestra se toman todos a la vez y no individualmente
donde el elemento seleccionado no se reintegra al experimento a la muestra nuevamente.
La diferencia mas simple con la binomial es la forma de aplicar el muestreo. En efecto, en:
: Muestreo con reemplazamiento e independencia de pruebas ensayos.
: Muestreo sin reemplazamiento y sin independeencia entre pruebas ensayos.
Sus aplicaciones estan en areas con uso considerable de muestreo de aceptacin, pruebas electronicas y de
aseguramiento de la calidad, fabricacin de piezas, etc.
Definicin
En la distribucin Hipergeomtrica
tamao
y de la cual
no la satisface (fracaso).
del conjunto de unidades elementos es de orden fnito, de los cuales una parte:
"son
son "fracasos".
5. Se busca la probabilidad de
fracasos a partir de los
Supongamos un lote de
Obtenemos muestra de
resultados elementos y
productos
muestras de tamao
defectuosos de
de ellos ser:
de
y entonces
de ellos.
En la practica, si
productos
, no se aplica el
Ejemplo
En una empresa industrial diariamente se producen 90 unidades de unidad metalmecnica, de las cuales
generalmente 5 salen defectuosas. Se examina en un dia cualquiera una muestra de 5 unidades. Hallar la
probabilidad de
unidades defectuosas.
para
que resolviendo permite definir la tabla de distribucin de probabilidad:
Que simplificadamente:
Varianza:
tambien.
pues
Notacin:
X
Introduccin
Llamada asi por su autor Simon Denis Poisson, probabilista del siglo XIX, pues fue el primero en describirla. Es una
generalizacin de la distribucin binomial cuando sobre un
. se define una variable aleatoria que representa el
nmero de xitos independientes que ocurren para intervalos de medida especficos ( tiempos, lugares, espacios) ,
ademas con una probabilidad de ocurrencia pequea.
Se le llama distribucin de los "eventos raros" pues se usa como aproximacin a la binomial cuando el tamao de
muestra es grande y la proporcin de xitos es pequea.
Esos intervalos de medida pueden referirse a: Tiempo: (Segundo , minuto, hora, dia, semana, etc.) Area: (Segmento
de linea, pulgada cuadrada, Centimetro cuadrado, etc). Volumen:( Litro, galn, onza, etc.)
Ejemplo
Criterios propiedades
1. Se da un intervalo de medida que divide un todo de nmeros reales y donde el conto de ocurrencias es
aleatorio. Esa divisin puede ser un subintervalo de medida.
2. El nmero de ocurrencias de resultados en el intervalo subintervalo de medida, es independiente de los
dems intervalos subintervalos. por eso se dice que el proceso de Poisson no tiene memoria.
3. La probabilidad de que un solo resultado ocurra en un intervalo de medida muy corto pequeo es la misma
para todos los dems intervalos de igual tamao y es proporcional a la longitud del mismo al tamao de
medida.
4. La probabilidad de que ms de un resultado ocurra en un intervalo subintervalo corto es tan pequea que
se considera insignificante (cercana igual a cero).
Procesos que se ajustan a estos criterios, se dice, son procesos de Poisson.
Definicin
Sea una variable aleatoria que representa el nmero de eventos aleatorios independientes que ocurren con igual
rapidez en un intervalo de medida. Se tiene entonces que la funcin de probabilidad de esta variable, se expresa por:
Donde
de ocurrencias (xitos) del evento aleatorio por unidad de medida por muestra;
Nmero de
ocurrencias especificas para el cual se desea conocer la probabilidad respectiva. Segun sea el valor de de
se define toda una familia de probabilidades de Poisson. La probabilidad de que una variable aleatoria de Poisson
sea menor igual a un valor de
Ejemplo
El nmero promedio de partculas radioactivas que registra un contador en un milisegundo en la realizacin de un
experimento aleatorio es de cinco (5) partculas. Hallar la probabilidad de que se registre distinto nmero de
partculas en un mismo milisegundo.
Acudiendo a las tablas existentes para tal fn a los medios electrnicos, se llega a construir la tabla de distribucin
de probabilidades, dando:
y valores de
ms grandes pero con probabilidad mas pequea. Se nota el punto de inflexin entre
y no
Varianza:
Forma sesgo: Hacia la derecha con sesgo positivo y que se va perdiendo a medida que
Alternativa: Si se da la probabilidad de tener, de manera exacta, ocurrencias en un intervalo veces mayor que el de
refencia en la medicin entonces la distribucin de probabilidades de Y nmero de xitos en la nueva unidad de
referencia viene dada por
donde
Promedio de ocurrencias por intervalo unidad de medida considerada en X y
unidades de medida especificados.
Aqui
Nmero de intervalos
Ejemplo
El nmero de pulsos que llegan a un contador GEIGER se presentan en promedio de 6 pulsos por minuto. Hallar la
probabilidad de que en 15 minutos se reciban exactamente 20 pulsos.
por
minutos.
El modelo o expresin matemtica que representa una funcin de densidad de probabilidad se denota mediante el
smbolo
donde
es la constante matemtica aproximada por 2.71828
es la constante matemtica aproximada por 3.14159
Parmetros
es cualquier valor de la variable aleatoria continua, donde
As,
A continuacin se presentan las grficas de las funciones de densidad Normal con el objetivo de observar cambios en
la distribucin de probabilidad:
caso 1:
Cuando se mantiene la misma media, pero cambia la varianza.
Ejemplo:
caso 2:
Cuando se mantiene la misma varianza, pero cambia la media.
Ejemplo: (
1. La moda, que es el punto sobre el eje horizontal donde la curva es un mximo ocurre cuando
2. La curva es simtrica alrededor de un eje vertical a travs del valor esperado
3. La curva tiene sus puntos de inflexin en
Definicin
La distribucin de probabilidad de una variable aleatoria normal con media cero y varianza 1 se llama distribucin
normal estndar.
Funcin de Densidad
Normal (0,1)
Grfico 6.
En la distribucin normal estndar se sabe que las reas se distribuyen de la siguiente manera:
Funcin de Densidad
Normal (0,1)
Manejo de tablas
La tabla anexa representa las probabilidades o reas bajo la curva normal calculadas hasta los valores partculares
de inters (Transformados). Al observar la tabla se observa que todos los valores
hasta dos lugares decimales. Por ejemplo, para leer el rea de probabilidad bajo la curva hasta
recorrer hacia abajo la columna Z de la tabla hasta que ubiquemos el valor de inters
detenemos en la fila
, podemos
. A continuacin, leemos esta fila hasta que intersecamos la columna que contiene el
3. Construir una grfica de probabilidad normal para los datos Si los datos son aproximadamente normales, los
puntos caern (aproximadamente) en una lnea recta.
Construccin De Una Grfica de Probabilidad Normal Para Un Conjunto De Datos
1.Haga una lista de las observaciones del conjunto de datos de muestra en orden ascendente, donde
i-simo valor ordenado.
representa el
2.Para cada observacin, calcule el rea de cola correspondiente de la dsitribucin normal estndar ( ),
. Empiricamente condicin de continuidad.
donde
es el tamao de la muestra.
de la cola inferior de
en el eje horizontal.
NOTA: Las verificaciones de normalidad dadas son slo tcnicas descriptivas. Es posible (aunque poco probable) que
los datos no sean normales a pesar de que las verificaciones se satisfacen razonablemente. Por tanto, se debe tener
cuidado de no asegurar que las mediciones, de hecho, se distribuyen normalmente. Slo podemos decir que es
razonable pensar que los datos provienen de una distribucin normal.
Aproximacin para la distribucin binomial
La distribucin normal frecuentemente es una buena aproximacin a una distribucin discreta cuando la ltima
adquiere una forma de campana simtrica. Desde un punto de vista terico algunas distribuciones convergen a la
normal conforme sus parmetros se acercan a ciertos lmites. La distribucin normal es una aproximacin
conveniente pues la distribucin acumulada se tabula ms fcil. La distribucin binomial se aproxima bien por la
normal en problemas prcticos cuando se trabaja con la funcin de distribucin acumulada.
Teorema. (Aplicacin del Teorema del Lmite Central)
Si es una variable aleatoria binomial con media
limitante de la distribucin de
cuando
y varianza
entonces la forma
es pequea y
est
Introduccin
Antes de introducir la variable exponencial puede mirarse un origen natural de sta a partir de una variable aleatoria
Poisson, la cual indica el nmero de veces que ocurre un evento en una unidad de tiempo. Si se escribe la funcin de
probabilidad Poisson de la siguiente manera:
la probabilidad de que no ocurra algn evento, en el periodo hasta el tiempo est dada por:
La variable aleatoria
con media
Valor esperado:
Varianza:
Observaciones:
1. En la definicin de la variable aleatoria exponencial, sta se plantea como tiempo que tarda en ocurrir el primer
evento Poisson. Sin embargo, esta definicin puede hacerse extensiva a las dems unidades de medicin
consideradas en los eventos de Poisson, por ejemplo, cantidad de metros de carretera que deben recorrerse hasta
que aparezca el primer bache, cantidad de
primer cafetal de broca, etc.
2. En el lenguaje de las aplicaciones tambin se utiliza la distribucin exponencial para modelar tiempo entre eventos,
distancia entre eventos, volumen entre eventos.
Ejemplo
Supngase que la duracin de los instrumentos electrnicos D
yD
D
Cual se debe preferir para usarlo durante un periodo de 45 horas?
Debera preferirse aquel instrumento que de mayor garanta de duracin para un mnimo de tiempo como el
requerido, es decir, debe calcularse la probabilidad de que el instrumento dure por lo menos 45 horas, en cada caso.