05 IntroduccionEstadistica Teran2013 PDF

Introduccin a la estadstica ndice 1. - Probabilidad. .....................................................................................................................
3
1.1. - Definiciones. .......................................................................................................................................... 3 1.1.1. - Experimento estadstico (E).............................................................................................................. 3 1.1.2. - Universo, espacio de muestreo o poblacin (U). .............................................................................. 3 1.1.3. - Suceso o evento (A) de un experimento ......................................................................................... 3 1.1.4. - Elementos de un suceso (xi).............................................................................................................. 4 1.1.5. - Tipos de sucesos. .............................................................................................................................. 4 1.2. - Operaciones con sucesos........................................................................................................................ 5 1.2.1. - Interseccin de sucesos. C = A B = {x : x A y x B} ............................................................... 5 1.2.2. - Suceso incluido en otro. B A ....................................................................................................... 5 1.2.3. - Unin de sucesos. C = A B = {x : x A x B sin repeticin} ................................................... 6 1.2.4. - Sucesos compatibles. A B C ... { } ..................................................................................... 6 1.2.5. - Sucesos incompatibles. A B C K = { } ................................................................................. 6 1.2.6. 1.2.7. 1.2.8. 1.2.9. -
Sucesos complementarios. A = {x : x U y x A} ......................................................................... 7 Sucesos dependientes (B/A).............................................................................................................. 7 Sucesos independientes. B / A = B .................................................................................................. 8 Particin ( Ai A j = { } para i j y A1 A2 A3 K = U )................................................... 8
1.3. - Probabilidad de sucesos. ...................................................................................................................... 10 1.3.1. - Frecuencia absoluta de un suceso (nA)............................................................................................ 10 1.3.2. - Frecuencia relativa de un suceso ( f r ( A) )...................................................................................... 10 1.3.3. - Probabilidad de un suceso A ( P( A) ). ............................................................................................. 10 1.3.4. 1.3.5. 1.3.6. 1.3.7. Probabilidad de un suceso complementario ( P A )....................................................................... 11 Probabilidad de un suceso (B), condicionada a otro (A) ( P(B / A) )............................................... 11 Probabilidad de un suceso (B) obtenido a partir de una particin del universo (Ai). ...................... 12 Probabilidad de un suceso (B), dependiente de otro suceso (A) si ambos son independientes ( P(B / A) = P(B ) )........................................................................................................................ 13 1.3.8. - Propiedades de la probabilidad de sucesos. .................................................................................... 13
()
2. - Tablas de contingencia y diagramas de rbol............................................................... 15

2.1. - Tablas de contingencia......................................................................................................................... 15 2.2. - Diagramas de rbol. ............................................................................................................................. 17 2.3. - Conversin entre el diagrama de rbol y la tabla de contingencia ....................................................... 20
3. - Fiabilidad de un sistema. ................................................................................................ 22

3.1. - Fiabilidad de dispositivos con configuracin en serie.......................................................................... 22 3.2. - Fiabilidad de dispositivos con configuracin en paralelo. ................................................................... 24 3.3. - Fiabilidad de dispositivos con configuracin mixta. ............................................................................ 25 3.4. - Tabla resumen. ..................................................................................................................................... 27
4. - Anlisis combinatorio. .................................................................................................... 28

4.1. - Principios de multiplicacin................................................................................................................. 28 4.2. - Nmeros combinatorios. ...................................................................................................................... 28 4.3. - Variaciones........................................................................................................................................... 29
Introduccin a la estadstica - 1/61 -
4.4. - Permutaciones. ..................................................................................................................................... 31 4.5. - Combinaciones..................................................................................................................................... 32 4.6. - Tabla resumen ...................................................................................................................................... 34
5. - Variable aleatoria, esperanza y varianza...................................................................... 35

5.1. - Variable aleatoria y recorrido............................................................................................................... 35 5.1.1. - Variables aleatorias discretas.......................................................................................................... 36 5.1.2. - Variables aleatorias continuas. ....................................................................................................... 37 5.2. - Caractersticas de las variables aleatorias. ........................................................................................... 39 5.2.1. - Media ( )...................................................................................................................................... 39 5.2.2. - Varianza (2) y desviacin estndar o tpica (). ........................................................................... 39 5.2.3. - Funcin acumulativa de distribucin (F(x)). .................................................................................. 40 5.2.4. - Funciones de variable aleatoria. ..................................................................................................... 43 5.2.5. - Esperanza (E) y varianza (V). ......................................................................................................... 44 5.2.6. - Covarianza y correlacin. ............................................................................................................... 46 5.2.7. - Propiedades de la esperanza. .......................................................................................................... 47 5.3. - Tabla resumen ...................................................................................................................................... 48
6. - Distribuciones discretas importantes. ........................................................................... 49

6.1. - Bernoulli (Be(p)). ................................................................................................................................. 49 6.2. - Binomial. (Bi(n,p)). .............................................................................................................................. 50 6.3. - Geomtrica (G(p))................................................................................................................................ 51 6.4. - Pascal (Pasc(m,p))................................................................................................................................ 53 6.5. - Binomial negativa (BN(m,p)). .............................................................................................................. 54 6.6. - Multinomial (M((x1,p1), (x1,p1),,(xk,pk)))........................................................................................... 55 6.7. - Hipergeomtrica (H(N,n,D)). ............................................................................................................... 56 6.8. - Poisson (Poi(,t)) ................................................................................................................................. 57 6.9. - Aproximaciones. .................................................................................................................................. 58 6.10. - Tabla resumen. ..................................................................................................................................... 61
1. -
Probabilidad.
La probabilidad es el procedimiento por el que se obtiene la frecuencia de un suceso determinado de un experimento aleatorio, del que se conocen todos los resultados posibles.
1.1. - Definiciones.
1.1.1. - Experimento estadstico (E). Es un proceso cuyo resultado est sujeto a incertidumbre, y que cumple con las siguientes condiciones: 1- No se conoce el resultado particular que va a ocurrir en cada caso, pero s el conjunto de todos los posibles resultados. 2- Puede repetirse con las mismas condiciones. 3- Los resultados obtenidos son aleatorios. Ej.: Anlisis de una pieza, indicando el nmero de veces que aparece cada uno de los seis posibles tipos de fallos a analizar. 1.1.2. - Universo, espacio de muestreo o poblacin (U). Es el conjunto de todos los posibles resultados de un experimento (E), tambin denominado dominio. Se representa indicando los resultados entre corchetes {}. El orden de los resultados no es importante, por lo que dos universos con los mismos resultados en distinto orden son idnticos. Se van a utilizar diagramas de Venn1 para su visualizacin grfica, usando la forma rectangular para el caso del universo (U). Ej.: Determinar los seis posibles tipos de fallos a analizar del experimento anterior. Si se les de una notacin con la letra F y un nmero del 1 al 6 que identifica el fallo, el universo del experimento es
U F2 F3 F1 F5 F4 F6
U = {F 1, F 2 , F 3, F 4 , F 5 , F 6} .
Nota - U = {F 1, F 2 , F 3, F 4 , F 5 , F 6} significa Universo formado por los fallos F1, F2, F3, F4, F5, F6. 1.1.3. - Suceso o evento (A) de un experimento . Es un subconjunto del universo (U) del experimento formado por uno o varios de los resultados posibles. Un suceso (A) ocurre cuando se considera al menos uno de sus resultados.
John Venn, 1834 - 1923, matemtico britnico.
Ej.: En el experimento anterior definir el conjunto de los fallos de los tipos F2, F4, y F6.
U A F2 F6 F4 F5 F1 F3
El suceso sera:
A = {F 2 , F 4 , F 6}
Nota - A = {F 2 , F 4 , F 6} significa Suceso A formado por los fallos F2, F4, F6. 1.1.4. - Elementos de un suceso (xi). Partes en las que se divide un suceso. Ej.: Si en el experimento anterior el nmero de cada uno de los fallos es el que aparece reflejado a continuacin, indicar el suceso con mayor nmero de elementos. F1=3 F2=5 F3=1 F4=2 F5=4 F6=3 El suceso con mayor nmero de elementos es el F5 1.1.5. - Tipos de sucesos. Elemental. Aquel que est formado por un solo elemento. Ej.: En el experimento anterior, determinar el suceso (A) que tenga un nico elemento. El fallo F3 tiene un nico elemento por lo que el suceso elemental es A = {F 3}
Compuesto. Formado por ms de un elemento. Ej.: En el experimento anterior, determinar el suceso (B) correspondiente al fallo con mayor nmero de elementos. El fallo F2 tiene cinco elementos, por lo que el suceso del fallo con mayor nmero de elementos es B = {F 5}
Seguro. Es el que ocurre siempre, ya que coincide con el universo (U). Ej.: En el experimento anterior, determinar el suceso (C) correspondiente a todos los posibles tipos de fallos analizados. C = U = {F 1, F 2 , F 3, F 4 , F 5 , F 6}. Imposible. El que no ocurre nunca. Se simboliza mediante el conjunto vaco . Ej.: En el experimento anterior, determinar el suceso (D) correspondiente al fallo que tenga ms de 6 elementos. D ={ }.
1.2. - Operaciones con sucesos.

1.2.1. - Interseccin de sucesos. C = A B = {x : x A y x B} El resultado de la operacin interseccin ( ) de dos sucesos (A, B) es un suceso (C) formado por los elementos comunes a los sucesos que se intersectan (A, B). Nota - C = A B = {x : x A y x B} significa C es igual a la interseccin de A y B, formado por los elementos x tal que pertenezcan a A y a B La interseccin de sucesos tiene, entre otras, las siguientes propiedades: Conmutativa: Asociativa:
A B = B A A (B C ) = ( A B ) C = A B C
Ej.: En el experimento anterior, se definen los sucesos A, formado por los fallos tipo F1, F2, F3 y F4 ( A = {F 1, F 2 , F 3, F 4} ), y B, formado por los fallos tipo F3, F4, F5 y F6 ( B = {F 3, F 4 , F 5 , F 6} ). Determinar los fallos comunes a dichos sucesos.
U A B
F2 F1 F3 F4
B F5 F6
C = A B = {F 3, F 4}
1.2.2. - Suceso incluido en otro. B A Es cuando todos los elementos de un suceso (B) pertenecen tambin al otro suceso (A). Un suceso (A) obtenido por la interseccin de otros (A1, A2,) est incluido en cada uno de ellos. Si A = A1 A2 A3 ... A A1 , A A2 , A A3 ,... Nota - B A significa B est incluido en A. Si A = A1 A2 A3 ... A A1 , A A2 , A A3 ,... significa Si A es igual a la interseccin de los mismos A1, A2, A3, entonces A est incluido en los sucesos A1, A2, A3,. Ej.: De los elementos del suceso A del ejemplo anterior, determinar el suceso B correspondiente al fallo que afecta a menos piezas.
F3 F4 B F2 F1
B A
A = {F 1 = 3 , F 2 = 5 , F 3 = 1, F 4 = 2} , B = {F 3 = 1} , B A
1.2.3. - Unin de sucesos. C = A B = {x : x A x B sin repeticin} El resultado de la operacin unin ( ) de dos sucesos (A, B) es un suceso (C) formado por los elementos sin repeticin de los sucesos que se unen (A, B). Posteriormente se analizar la probabilidad de la unin de sucesos justificando la no aparicin de elementos repetidos. La unin de sucesos tiene, entre otras, las siguientes propiedades: Conmutativa: Asociativa:
A B = B A A (B C ) = ( A B ) C = A B C
Nota - C = A B = {x : x A x B sin repeticin} significa C es igual a la unin de A y B, formado por los elementos x tal que pertenezcan sin repeticin a A a B. Ej.: Considerando los sucesos A ( A = {F 1, F 2 , F 3, F 4} ) y B ( B = {F 3, F 4 , F 5 , F 6} ) del experimento anterior, determinar el suceso C correspondiente a la unin de los anteriores.
U A F2 F1 F3 F4
A B
B F5 F6
C = A B = {F 1, F 2 , F 3, F 4 , F 5 , F 6} = U
1.2.4. - Sucesos compatibles. A B C ... { } Ocurre cuando algn elemento es comn a todos los sucesos analizados. La condicin de sucesos compatibles es que el suceso interseccin de todos ellos no sea el conjunto vaco. Ej.: Considerando los sucesos A ( A = {F 1, F 2 , F 3, F 4} ) y B ( B = {F 3, F 4 , F 5 , F 6} ) del experimento anterior, determinar si son compatibles.
U A F2 F1 F3 F4 A B B F5 F6
A B = {F 3 , F 4}
luego s son compatibles
1.2.5. - Sucesos incompatibles. A B C K = { } Tambin denominados excluyentes o disjuntos. Aparecen cuando ningn elemento es comn a todos los sucesos analizados. La condicin de sucesos incompatibles es que su interseccin sea el conjunto vaco ( ). Ej.: En el experimento anterior, se definen los sucesos C, formado por los fallos tipo F1 y F2 ( C = {F 1, F 2} ), y D, formado por los fallos tipo F5 y F6 ( D = {F 5 , F 6} ). Determinar si son incompatibles.
U C F2 F3 F1 F4 D F5 F6
C D = { }
luego s son incompatibles
1.2.6. - Sucesos complementarios. A = {x : x U y x A} Dos sucesos (A, A ) son complementarios entre s cuando son incompatibles ( A A = { } ) y su unin es el universo ( A A = U ). Nota - A significa complementario de A Ej.: En el experimento anterior, definir el suceso A correspondiente a los fallos que han ocurrido en menos de 4 ocasiones, y determinar su complementario. F1=3 F2=5 F3=1 F4=2 F5=4 F6=3
U A F1 F3 F6 F4 F2 F5 A
A = {F 1, F 3 , F 4 , F 6} A = {F 2 , F 5}
1.2.7. - Sucesos dependientes (B/A). Tambin denominados condicionados. Ocurre cuando el orden de aparicin de los sucesos es fundamental, de forma que: B/A - se ha que producir el suceso A antes de que ocurra el B (A condiciona a B). A/B - se ha que producir el suceso B antes de que ocurra el A (B condiciona a A). Nota B/A significa B dependiente a A o habiendo ocurrido el suceso A, ocurra el B. La influencia de la dependencia se basa en la modificacin del dominio del suceso condicionado, de forma que: B/A - el suceso B tiene como dominio otro suceso A del mismo experimento (E), pero distinto del universo ( A U ). A/B - el suceso A tiene como dominio otro suceso B del mismo experimento (E), pero distinto del universo ( B U ). El resultado de la operacin de dependencia de sucesos se expresa mediante la relacin de su interseccin respecto del suceso que lo condiciona.
B/ A= A B A A/ B = A B B
Cuando un suceso est condicionado por varios sucesos distintos, se expresa mediante la interseccin de los sucesos condicionantes
C / (A B) = C (A B) A B
Hay que indicar que cualquier suceso es dependiente de su universo (U), aunque normalmente no se indica por ser evidente ( C / U = C ).
Ej.: Considerando los sucesos A ( A = {F 1, F 2 , F 3, F 4} ) y B ( B = {F 3, F 4 , F 5 , F 6} ) del experimento anterior, determinar si existe la dependencia B/A. La interseccin de los sucesos es
U A F2 F1 F3 F4 A B B F5 F6
A B = {F 3 , F 4}
A F1
luego s existe la dependencia

A B
B/ A=
A B A
F2
F3 F4
1.2.8. - Sucesos independientes. B / A = B Ocurre cuando dos sucesos (A, B) no son dependientes entre s, lo que equivale a que el orden con el que se produzcan es indiferente. Si se tienen dos sucesos independientes (A, B), se cumple B / A = B y A / B = A . Ej.: En el experimento anterior, si el orden de aparicin de los sucesos A1 ( A1 = {F 1, F 2} ), y el A2 ( A2 = {F 3, F 4} ) es indiferente, determinar la probabilidad condicionada de A1 respecto de A2 (A1/A2). Al no estar influidos por el orden de aparicin A1 / A2 = A1 1.2.9. - Particin ( Ai A j = { } para i j y A1 A2 A3 K = U ). Es el conjunto de sucesos (A1, A2, A3, ) mutuamente incompatibles tomados de dos en dos, y cuya unin es el universo (U). Tiene la propiedad de que cada uno de los elementos de un experimento (E) solo puede pertenecer a uno de los sucesos de la particin. Si se tienen n sucesos (Ai) que forman una particin de un dominio (U), cualquier otro suceso (B) se puede expresar mediante la unin de las intersecciones de este suceso (B) con cada uno de los sucesos (Ai) de la particin
B = (B A1 ) (B A2 ) (B A3 ) K (B An )
Ej.: En el experimento anterior, definir una particin formada por los tipos de fallos agrupados por parejas.
U A1 F1 F3 F4 A2 F5 F6 A3
A1 = {F 1, F 2}, A2 = {F 3, F 4}, A3 = {F 5 , F 6}
F2
Ej.: En el experimento anterior, comprobar que el suceso B formado por los fallos con denominacin par ( B = {F 2 , F 4 , F 6} ) se puede obtener de la interseccin de este suceso con la particin ( A1 = {F 1, F 2}, A2 = {F 3, F 4}, A3 = {F 5 , F 6} ) del problema a anterior.
B = (B A1 ) (B A2 ) (B A3 ) = {F 2} {F 4} {F 6} = {F 2 , F 4 , F 6}
U A1 F1 F2 B F3 F4 A2 F5 F6 A3
Es importante remarcar la diferencia entre sucesos independientes e incompatibles: Sucesos independientes: Sucesos incompatibles:
B/ A=B
A B = { }
1.3. - Probabilidad de sucesos.

1.3.1. - Frecuencia absoluta de un suceso (nA). Es el nmero de veces (nA) que ocurre un suceso (A). Ej.: Frecuencia absoluta del suceso A si ste se repite 100 veces.
n A = 100
1.3.2. - Frecuencia relativa de un suceso ( f r ( A) ). Es el cociente entre el nmero de resultados pertenecientes a un suceso (nA) y el nmero de resultados posibles (n) del experimento (E). Conforme el nmero de resultados posibles (n) aumenta, la frecuencia relativa tiende a un valor numrico determinado.
f r ( A) = nA n
Ej.: Frecuencia relativa del suceso A que aparece 10 veces cuando el experimento se repite 50 veces. La frecuencia relativa es
f r ( A) = n A 10 = = 0 ,2 n 50
1.3.3. - Probabilidad de un suceso A ( P( A) ). Es el valor de la frecuencia relativa de un suceso ( f r ( A) ) cuando el experimento (E) se repite muchas veces
P ( A) =
r lim f ( A) = nA n grande
Otro mtodo para determinar la probabilidad de un suceso (A) respecto de un universo (U) con un nmero finito (n) de resultados, en el que la probabilidad de cada resultado es p(xi ) , es a travs de la suma de las probabilidades de los distintos resultados del suceso.
P( A) = ( p(xi ) : xi A)
i =1 n
Nota P( A) = ( p(xi ) : xi A) significa suma de las probabilidades de cada resultado (xi) del
i =1
universo, con la condicin de que pertenezca al suceso A. En experimentos (E) con universos grandes, la determinacin del nmero de resultados (nA) de un suceso (A) y del experimento (n) es complicada, por lo que se utilizan grficos de rbol o mtodos combinatorios. Como se indicar posteriormente en las propiedades, la probabilidad de la unin de sucesos incompatibles es su suma Si Ai A j = { } para i j P( A1 A2 A3 K An ) = P( A1 ) + P( A2 ) + K + P( An )
Ej.: Determinar la probabilidad de que aparezcan los tres primeros tipos ( A = {F 1, F 2 , F 3} ) al realizar el anlisis en el que existen seis tipos de fallos distintos (incompatibles), teniendo todos los fallos la misma posibilidad de aparicin. La probabilidad de cada uno de los fallos del experimento es la misma
P(Fi ) = 1 6
y al ser un suceso compuesto por varios fallos incompatibles

P( A) = P(F 1 F 2 F 3) = P(F 1) + P(F 2 ) + P(F 3) = 1 1 1 3 1 + + = = 6 6 6 6 2
1.3.4. - Probabilidad de un suceso complementario ( P A ). La probabilidad de un suceso (A) se puede obtener a partir de su complementario ( A ) ya que al ser incompatibles
A A =U P A A = P(U ) = 1 P( A) + P A = 1 P ( A) = 1 P A
()
()
()
Ej.: Determinar la probabilidad de que al realizar el anlisis de seis fallos incompatibles, en el que todos los fallos tienen la misma posibilidad de aparicin, el fallo no sea de tipo 1. El suceso correspondiente a que el fallo no sea F1 es A = {F 2 , F 3, F 4 , F 5 , F 6} , por lo que para determinar la probabilidad es ms sencillo utilizar el suceso complementario ( A )
n=6 A = {F 1} P(Fi ) = 1 6 P ( A) = 1 P A = 1
()
1 5 = 6 6
1.3.5. - Probabilidad de un suceso (B), condicionada a otro (A) ( P(B / A) ). Es la probabilidad de que ocurra un suceso (B), condicionado a que antes haya ocurrido el suceso A. Como ya se ha indicado, en este caso el dominio del suceso B no es el universo (U), sino el suceso que lo condiciona (A). Ej.: Determinar la probabilidad de que al realizar el anlisis de seis fallos incompatibles con la misma probabilidad, si el fallo tiene denominacin par ( A = {F 2 , F 4 , F 6} ) sea el fallo 2 ( B = {F 2} ).
n=6 1 P(Fi ) = 6 1 ( ) ( ) A B P A B P F 2 1 P (B / A ) = P = = 6 = = P ( A) P (F 2 , F 4 , F 6 ) 3 3 A 6
1.3.6. - Probabilidad de un suceso (B) obtenido a partir de una particin del universo (Ai). Como por definicin los sucesos (Ai) de una particin son mutuamente incompatibles Ai A j = { } para i j y su unin es el universo A1 A2 K An = U , cualquier suceso (B) se puede obtener a partir de la unin de los resultados de las intersecciones de B con cada uno de los sucesos de la particin (Ai)
B = (B A1 ) (B A2 ) (B A3 ) K (B An )
Al ser los sucesos (B Ai ) incompatibles entre s (B Ai ) (B A j ) = { } para i j , la probabilidad de B se puede expresar mediante la suma de las probabilidades
P(B ) = P((B A1 ) (B A2 ) (B A3 ) K (B An )) = P(B A1 ) + P(B A2 ) + P(B A3 ) + K + P(B An )
P(B ) = P(B Ai )
i =1
Al mismo tiempo, como la probabilidad de la interseccin del suceso B con cada uno de los sucesos de la particin (Ai), a partir de considerar su dependencia, se puede expresar mediante
P(B / Ai ) = P(B Ai ) P(B Ai ) = P(B / Ai ) P( Ai ) P( Ai )
al ser los sucesos de la particin mutuamente incompatibles, la probabilidad de B queda

P (B ) =
i =1
[P(B Ai )] = P(B / A1 ) P( A1 ) + P(B / A2 ) P( A2 ) + K + P(B / An ) P( An ) = [P(B / Ai ) P( Ai )]

n n i =1
Ej.: Determinar la probabilidad de que al realizar el anlisis de seis fallos incompatibles, teniendo cada uno de los sucesos la misma probabilidad, se obtengan fallos de tipo par ( B = {F 2 , F 4 , F 6} ), utilizando una particin en la que los sucesos corresponda a los fallos consecutivos tomados de dos en dos cuando se ordenan segn su denominacin ( A1 = {F 1, F 2}, A2 = {F 3, F 4}, A3 = {F 5 , F 6} ). Las probabilidades condicionadas y de cada uno de los sucesos son
P(B / A1 ) = 1 2 P( A1 ) = 2 6 P(B / A2 ) = 1 2 P( A2 ) = 2 6 P(B / A3 ) = 1 2 P( A3 ) = 2 6
por lo que la probabilidad del suceso B es

P(B ) = P(B / A1 ) P ( A1 ) + P(B / A2 ) P ( A2 ) + P(B / A3 ) P ( A3 ) =
U A1 F1 F2 B F3 F4 A2 F5 F6 A3
1 2 1 2 1 2 1 + + = 2 6 2 6 2 6 2
1.3.7. - Probabilidad de un suceso (B), dependiente de otro suceso (A) si ambos son independientes ( P(B / A) = P(B ) ). Es la probabilidad de que ocurra un suceso (B) cuando el orden de aparicin respecto del otro suceso (A) es indiferente, por lo que
P (B / A ) = P (B ) .
Ej.: Determinar la probabilidad de que en el anlisis de seis fallos con la misma probabilidad, se detecte el fallo F2 despus de haberse detectado el fallo F1, si el orden de deteccin de fallos es indiferente.
P(F 2 / F 1) = P(F 2 ) = 2 1 = 6 3
1.3.8. - Propiedades de la probabilidad de sucesos. La probabilidad de cualquier suceso (A) est comprendida entre 0 y 1: 0 P( A) 1 La probabilidad de un suceso seguro (U) es 1: P(U ) = 1 La probabilidad de un suceso imposible ( ) es 0: P( ) = 0 La probabilidad de la unin de sucesos ( A1 A2 ... An ) depende de su compatibilidad ( Ai A j {0} para i j ). Se van a analizar distintos casos: o Si los sucesos son incompatibles Ai A j = {0} para i j no existen elementos compartidos entre los sucesos y la probabilidad de su unin es
P ( A1 A2 ... An ) = P ( A1 ) + P ( A2 ) + ... + P ( An ) = [P ( Ai )]
n =1
A B = { } A B F2 F3 F4 F5 F6 = A B F2 F1 F3 F4 + F5 F6
F1
o Si los sucesos son compatibles Ai A j {0} para i j existen elementos compartidos entre los sucesos y la probabilidad de su unin es:
n n n n n n P( A1 A2 ... An ) = [P ( Ai )] P ( Ai ) P A j + P ( Ai ) P A j P( Ak ) + ... + i =1 i =1 j =i +1 k = j +1 j =1+1 i =1
( )]
( )
n n n n + ( 1)(m1) ... P ( Ai ) P A j P( Ak ) ... P( Am ) k = j +1 m=l +1 i =1 j =1+1
( )
o Si son dos sucesos (A, B) compatibles ( A B { } ), la probabilidad de su unin es

P ( A B ) = P ( A ) + P (B ) P ( A B )
A B
F2 F1 F3 F4
B F5 = F6
B F2 F1 F3 F4 F3 + F4 F5 F6
A B
F3 F4
o En el caso en que sean tres sucesos compatibles ( Ai A j { } para i j ), la probabilidad de su unin es

P( A B C ) = P( A) + P(B ) + P (C ) P( A B ) P( A C ) P(B C ) + P ( A B C )
Relacin de la probabilidad de sucesos complementarios

A A =U P( A) + P A = P(U ) = 1 .
U A F2 F6 F4 F5 F1 A F3
()
La probabilidad condicionada de sucesos (A, B) dependientes es P(B / A ) =

A F6 F2 F4
A B
P( A B ) . P( A)
La probabilidad de la interseccin de sucesos (A, B) dependientes es

P(B / A ) = P( A B ) P( A B ) = P(B / A ) P( A) P ( A)
como la interseccin de sucesos es conmutativa ( A B = B A ) se cumple que

P (B A ) P ( A) P( A B ) P( A / B ) = P (B ) P(B / A ) = P(B A) = P(B / A ) P( A) P( A B ) = P( A / B ) P(B ) P( A B ) = P( A / B ) P(B ) = P(B / A ) P( A) P(B A) = P( A B )
A esta ltima expresin se la denomina regla de la multiplicacin. La probabilidad de la interseccin de sucesos (A, B) independientes ( P(B / A) = P(B ) ) es
P (B / A ) = P( A B ) P( A B ) = P (B / A ) P( A) P ( A) P ( A B ) = P(B ) P( A) P(B / A ) = P(B )
Es importante remarcar la diferencia de la interseccin de sucesos cuando son independientes e incompatibles: Independiencia: Incompatibilidad:
P(B / A) = P(B ) P( A B ) = P(B ) P( A) P( A B ) = P({ }) = 0
2. - Tablas de contingencia y diagramas de rbol.

En los problemas de probabilidad, y en especial en los que aparecen probabilidades condicionadas, resulta muy prctico organizar la informacin en una tabla de contingencia o en un diagrama de rbol, ya que permiten visualizar procesos complejos. Las tablas de contingencia y los diagramas de rbol estn ntimamente relacionados entre s, por lo que a partir de los datos de uno se puede construir el otro. Sin embargo con las tablas de contingencia solo se pueden analizar dos particiones, mientras que con el diagrama de rbol el nmero de particiones que se pueden hacer del universo es ilimitado.
2.1. - Tablas de contingencia.

Dado un universo (U), se puede dividir en dos particiones ( Ai , B j ). Con las tablas de contingencia se organizan los datos (frecuencias absolutas o probabilidades), correspondientes a los resultados de las intersecciones ( Ai B j ) de los sucesos de dichas particiones ( Ai , B j ). Para hacer la tabla, se ordenan en filas (i) y columnas (j) los sucesos ( Ai , B j ) de cada una de las particiones, y en cada una de las celdas se indica la probabilidad de la interseccin de los sucesos de la fila y columna correspondientes ( P (Ai B j ) ). En la fila y columna de los extremos se introduce la probabilidad de cada uno de los sucesos ( Ai , B j ), obtenido de la suma de las filas o columnas correspondientes, ya que Fila: P(Bi ) = P( A1 Bi ) + P( A2 Bi ) + K + P(AnA Bi ) = P(A j Bi )
nA j =1
Columna: P (A j ) = P (A j B1 ) + P(A j B2 ) + K + P (A j Bn B ) = P (A j Bi )
nB i =1
Siendo nB y nA el nmero de sucesos de las particiones de la columna y fila, respectivamente.
A1 B1 B2 B3 B4 TOTAL
P( A1 B1 ) P( A1 B2 ) P( A1 B3 ) P( A1 B4 ) P( A1 ) =
A2
P( A2 B1 ) P( A2 B2 ) P( A2 B3 ) P( A2 B4 ) P( A2 ) = P( A2 Bi )
i =1 nB
A3
P( A3 B1 ) P( A3 B2 ) P( A3 B3 ) P( A3 B4 ) P( A3 ) =
TOTAL
P(B1 ) = P(B2 ) = P(B3 ) = P(B4 ) =
j =1 nA
P(A j B1 )
nA
j =1 nA
P(A j B2 ) P(A j B3 ) P(A j B4 )

nA
j =1
j =1
i =1
P( A1 Bi )
nB
i =1
P( A3 Bi )
nB
Ej.: Debido a la experiencia acumulada, un taller estima que por la maana acuden 3 automviles con problemas elctricos, 8 con problemas mecnicos y 3 con problemas de chapa, y por la tarde acuden 2 automviles con problemas elctricos, 3 con problemas mecnicos y 1 con problemas de chapa. Determinar la tabla de contingencias, a partir de la cual obtener: a) Probabilidad de que acuda un usuario por la tarde; b) Probabilidad de que acuda un usuario con problemas mecnico; c) Probabilidad de que teniendo problemas elctricos acuda por la maana. Se realizan dos particiones del universo, una asociada a que se acuda en horario de maana o tarde (M, T) y otra a que el tipo de avera sea elctrica, mecnica o de chapa (E, M, Ch). Las tablas de contingencia con las frecuencias absolutas y las probabilidades, respectivamente, son las que aparecen a continuacin. Para pasar de la tabla de frecuencias absolutas a la probabilidad, se divide la frecuencia entre el nmero total de sucesos
P Ai B j =
Bj ) ) n(Ai n
P( Ai ) =
n( Ai ) n
P Bj =
Bj ) ( ) n(n
ELCTRICOS MECNICOS CHAPA TOTAL MAANA TARDE TOTAL 3 2 5 8 3 11 3 1 4 14 6 20
ELCTRICOS MECNICOS CHAPA TOTAL MAANA TARDE TOTAL 0.15 0.10 0.25 0.40 0.15 0.55 0.15 0.05 0.20 0.70 0.30 1.00
Con la tabla delante, las respuestas a las cuestiones planteadas son fciles de obtener a) La probabilidad de que acuda un usuario por la tarde corresponde a
P(T ) = P(T E ) + P(T M ) + P(T Ch ) = 0 ,3
b) La probabilidad de que acuda un usuario con problemas mecnico corresponde a

P(M ) = P(M M ) + P (M Tarde ) = 0 ,55
c) La probabilidad de que teniendo problemas elctricos acuda por la maana es

P(M / E ) = P (M E ) 0 ,15 = = 0 ,6 P (E ) 0 ,25
2.2. - Diagramas de rbol.

Es una representacin grfica de los posibles resultados de mltiples experimentos en donde los sucesos de cada experimento son incompatibles ( Ai A j = { } para i j ). En caso de que los resultados de los experimentos sean dependientes entre s, se ordenan segn ese criterio. En caso contrario el orden de los experimentos es indiferente. Para la construccin de un diagrama en rbol se parte de organizar los resultados de cada experimento en distintas columnas. Los sucesos de los distintos experimentos se unen entre s mediante flechas que indican su relacin. De cualquier suceso pueden partir varias ramas (flechas), pero slo puede llegar una. Al suceso que se encuentra en el origen de la flecha se el denomina antecedente respecto del que se encuentra en el extremo, mientras que al suceso que se encuentra en el extremo de la flecha se le denomina precedente respecto del que se encuentra en el origen.
Primer experimento Segundo experimento Tercer experimento
Para hacer el diagrama se dibujan flechas que parten desde un punto comn inicial hasta cada uno de los sucesos del primer experimento, acompaando a cada flecha con su probabilidad (probabilidad condicionada a que, habiendo ocurrido el suceso antecedente, ocurra el precedente). Cada una de estas ramas se denomina de primera generacin. De los sucesos en los extremo de las flechas de la primera generacin parten nuevas ramas (denominados de segunda generacin) hacia los sucesos correspondientes al segundo experimento, en los que se indicar nuevamente su probabilidad condicionada a que ocurran los sucesos antecedentes.
Ramas primera generacin
Ramas segunda generacin
Ramas tercera generacin
Este procedimiento se ir desarrollando con todos los sucesos de cada experimento hasta que se agoten todos los experimentos. El nmero de ramas de cada generacin depende del nmero de resultados del experimento precedente. La suma de las probabilidades condicionadas de las ramas concurrentes en un suceso ha de ser 1, ya que corresponde a una particin del universo de dicho experimento.
P Bi / A j =
P A j Bi P Aj
nA
( )
i =1
i =1
[P(Bi / A j )] =
nA nA
P A j Bi 1 = P A P Aj i =1 j
( )
nA P A j Bi = P A j i =1
( ) i =1
[P(A j Bi )]
[(
)] ( )
[P(Bi / A j )] = 1
nA
Las probabilidades condicionadas que aparecen en las ramas del rbol corresponden a que se produzca el suceso del extremo de la rama (precedente), asociado al experimento siguiente, condicionado a que se hayan producido los sucesivos sucesos antecedentes, asociados a los experimentos anteriores. Si hay ms de un suceso anterior, la condicin es la interseccin de los sucesos anteriores (se tienen que producir todos los sucesos anteriores). Ejemplo: P(C1 / ( A1 B1 )) - Probabilidad de que se produzca el suceso C1 del experimento tercero habindose producido antes los sucesos A1 y B1 de los experimentos primero y segundo respectivamente. Probabilidad de la interseccin de sucesos P( A1 B1 ) . A partir de las probabilidades condicionadas que aparecen en las ramas del rbol, se puede obtener la probabilidad de la interseccin de sucesos de distintos experimentos ( P( A1 B1 ) ). Dicha probabilidad se obtiene del producto de las probabilidades de las ramas hasta llegar al suceso analizado
P(B1 / A1 ) =
P(C1 / ( A1 B1 )) =
P( A1 B1 ) P( A1 )
P( A1 B1 ) = P(B1 / A1 ) P( A1 )
P(C1 ( A1 B1 )) P(C1 ( A1 B1 )) = P(C1 / ( A1 B1 )) P( A1 B1 ) = P(C1 / ( A1 B1 )) P(B1 / A1 ) P( A1 ) P( A1 B1 )

Primer experimento Segundo experimento Tercera experimento
Probabilidad de la unin de sucesos P(B1 B2 ) . Para obtener la probabilidad de la unin de sucesos ( P(B1 B2 ) ) del mismo experimento, correspondientes a ramas que parten de un mismo suceso, se suman la probabilidades correspondientes, al ser sucesos incompatibles ( B1 B2 = { } )
P( B1 B2 ) = P( B1 ) + P(B2 ) P( B1 B2 ) = P( B1 ) + P(B2 ) 14 24 3
0
Ramas primera generacin
Ramas segunda generacin
Ramas tercera generacin
Ej.: Debido a la experiencia acumulada, un taller de vehculos conoce que el 25 % de las averas son elctricas, de las cuales el 60 % acuden por la maana; el 55 % son mecnicas, de los cuales el 72,7 % acuden por la maana; y por ltimo, el 20 % son de chapa, de las cuales el 75 % acuden por la maana. Determinar el diagrama de rbol, a partir del cual obtener: a) Probabilidad de que acuda un usuario por la tarde; b) Probabilidad de que acuda un usuario con problemas mecnico; c) Probabilidad de que teniendo problemas elctricos acuda por la maana. Los sucesos se clasifican en dos generaciones: tipo de avera y momento en el que se lleva a arreglar, de forma que el diagrama de rbol es
Con el diagrama delante, las respuestas a las cuestiones planteadas son fciles de obtener
a)
La probabilidad de que acuda un usuario por la tarde corresponde a

P(T ) = P(T E ) + P(T M ) + P(T Ch ) = 0 ,25 0 ,4 + 0 ,55 0 ,272 + 0 ,20 0 ,25 = 0 ,3
b) La probabilidad de que acuda un usuario con problemas mecnico corresponde a

P(M ) = 0 ,55
c)
La probabilidad de que teniendo problemas elctricos acuda por la maana es

P(M / E ) = 0 ,6
2.3. - Conversin entre el diagrama de rbol y la tabla de contingencia

Los valores que aparecen en las celdas de las tablas de contingencia son las probabilidades de las intersecciones de los sucesos de la fila y columna correspondiente ( P (Ai B j ) ), mientras que los valores que aparece en las ramas de los diagramas de rbol son las probabilidades condicionales de que hayan ocurrido los sucesos de las ramas antecedentes ( P(B j / Ai ) ), luego la relacin entre ambos parmetros viene dada por la expresin
P B j / Ai =
Diagrama de rbol Tabla de contingencia
P Ai B j P ( Ai )
P Ai B j = P B j / Ai P( Ai )
Tabla de contingencia
) (
Diagrama de rbol
Ej.: Dada la tabla de contingencia siguiente, asociada a las averas y momento en los que se lleva el vehculo al taller
ELCTRICOS MECNICOS CHAPA TOTAL MAANA TARDE TOTAL 0.15 0.10 0.25 0.40 0.15 0.55 0.15 0.05 0.20 0.70 0.30 1.00
determinar el diagrama de rbol correspondiente. Los valores corresponden a las intersecciones de los sucesos de las dos particiones del universo, por lo que las probabilidades de las ramas que aparecen en el diagrama de rbol se obtienen de
P B j / Ai =
Diagrama de rbol
P Ai B j P( Ai )
)
P(T E ) 0 ,10 = = 0 ,4 P (E ) 0 ,25 P(T M ) 0 ,15 = = 0 ,272 P(M ) 0 ,55
luego:
P(M / E ) = P(M / M ) = P(M E ) 0 ,15 = = 0 ,6 P (E ) 0 ,25 P(T / E ) = P(T / M ) =
P(M M ) 0 ,40 = = 0 ,727 P(M ) 0 ,55
P(M / Ch ) =
P(M Ch ) 0 ,15 = = 0 ,75 P(Ch ) 0 ,20
P(T / Ch ) =
P(T Ch ) 0 ,05 = = 0 ,25 P(Ch ) 0 ,20
Luego el diagrama de rbol correspondiente es
3. - Fiabilidad de un sistema.
Un sistema es un conjunto de componentes (sucesos) independientes dispuestos segn un diseo, con el objetivo de cumplir unas funciones. La fiabilidad es la probabilidad de que un sistema o componente funcione correctamente. La fiabilidad del sistema depende tanto del comportamiento individual de cada uno de los componentes del sistema, como del modo en que los componentes estn conectados entre s. El sistema estar formado por n componentes independientes, donde el estado del componente i se determina mediante la variable Xi, que puede tomar los valores 1 (funciona) o 0 (no funciona), siendo ambos incompatibles entre s ( {( X i = 1) ( X i = 0 )} = { } ). El estado del sistema (XS) ser entonces funcin de las variables Xi de sus componentes, de forma que
X S = ( X 1 , X 2 ,K , X n )
El concepto de independencia de las componentes se ha de entender en el sentido en que estos pueden tomar cualquier valor (1, 0) de forma independiente entre si. La fiabilidad de cada uno de los componentes (i) se determina mediante una variable Ri, correspondiente a la probabilidad de que el componente funcione
Ri = P( X i = 1)
mientras que la fiabilidad del sistema se determina mediante la variable RS, correspondiente a la probabilidad de que el sistema funcione
RS = P( X S = 1)
Como ya se ha indicado, existen distintos tipos de conexiones entre los componentes de un sistema, de los que se van a analizar las disposiciones en serie, paralelo y mixta.
3.1. - Fiabilidad de dispositivos con configuracin en serie.

La configuracin en serie aparece cuando los componentes se encuentran secuenciados uno tras otro, de forma que el orden de actuacin est definido por dicha secuenciacin. La representacin grfica se realiza mediante cajas que representan cada uno de los componentes, unidas entre s por una lnea (lo que genera la configuracin en serie). Dentro de las cajas se indica la probabilidad de que el componte funcione correctamente Ri = P( X i = 1) .
P(XS=1)
P(X1=1)
P(X2=1)
El resultado del sistema ( X S ) es la interseccin de los resultados de todos los componentes en serie
X S = (X 1 X 2 K X n )
Si la interseccin es igual a cero (todos los componentes fallan X i = 0 ) o conjunto vaco (al menos uno de los componentes falla) el sistema no funciona ( X S = 0 ), mientras que si la interseccin es igual a 1 (todos los componentes funcionan X i = 1 ), el sistema funciona ( X S = 1 ).
1 el sistema funciona X S = (X 1 X 2 K X n ) = 0 el sistema no funciona
La probabilidad de funcionamiento de un sistema ( P( X S = 1) ) formado por dos componentes (X1, X2 ) en serie, es el producto de la probabilidad individual de funcionamiento de cada uno de sus componentes ( P( X 1 = 1) , P( X 2 = 1) )
P( X S = 1) = P ( X 1 = 1 X 2 = 1) = P( X 1 = 1) P( X 2 = 1)
lo que hace que la probabilidad de que el sistema funcione sea siempre menor o igual que la menor probabilidad de los componentes del sistema
P( X S = 1) = P( X 1 = 1) P( X 2 = 1) P( X i = 1)menor
Generalizando para un sistema de n componentes en serie

P( X S = 1) = P( X i = 1) = [P( X i = 1)] P( X i = 1)menor
n i =1
Ej.: Determinar la probabilidad de funcionamiento del sistema de la figura cuando las probabilidades de funcionamiento de los componentes son P( X 1 = 1) = 0 ,8 , P( X 2 = 1) = 0 ,7 , P( X 3 = 1) = 0 ,5 .
P(X1=1) P(X2=1) P(X3=1)
Al ser un sistema en serie, la probabilidad de funcionamiento del sistema se basa en que todos los componentes del sistema funcionen. En la figura siguiente se muestra la representacin mediante un diagrama de rbol de la situacin del sistema
X1 X2 X3 1 0,5 1 0,7 1 0,3 0,5 0,8 0 0,5 0 1 0,5 0
1 0,5 0,2 0,7 0 0,3 0,5 0 0,5 0 1 1 0,5 0
La probabilidad de que el sistema funciones es

P( X S = 1) = P( X i = 1) = [P( X i = 1)] = 0 ,8 0 ,7 0 ,5 = 0 ,28
n i =1
3.2. - Fiabilidad de dispositivos con configuracin en paralelo.

La configuracin en paralelo aparece cuando los componentes se encuentran secuenciados de forma que el orden de actuacin es indiferente. Como los componentes son independiente, el fallo de uno de ellos situado en una posicin i (Xi=0) no induce el fallo del sistema (XS=0). Han de fallar todos los componente en paralelo (Xi=0, i=1,2,,n) para que el sistema falle (XS=0). La representacin grfica se realiza mediante cajas unidas entre s por una lnea bifurcada (en paralelo). Dentro de las cajas se indica la probabilidad de que el componente funcione correctamente
P(X1=1)
P(X2=1)
El resultado del sistema en paralelo ( X S ) es la unin de todos sus componentes

X S = (X 1 X 2 K X n )
Si en la unin todos los resultados de los componentes son cero (todos los componentes fallan X i = 0 ) se provoca el fallo del sistema ( X S = 0 ), mientras que si la unin contiene un 1 (al menos uno de los componentes funciona X i = 1 ) el sistema funciona ( X S = 1 )
a lg n 1 el sistema funciona X S = (X 1 X 2 K X n ) = todos 0 el sistema no funciona
La probabilidad de funcionamiento de un sistema ( X S = 1 ) formado por dos componentes en paralelo (X1, X2) se obtiene a partir de los sucesos complementarios
X1 X 2 = X1 X 2
y viene dada por

P( X S = 1) = P(( X 1 X 2 ) = 1) = P (U ) P X 1 X 2 = 1 P X 1 X 2 = 1 P X 1 P X 2 = = 1 [1 P( X 1 )] [1 P( X 2 )]
( ) ( )
lo que hace que la probabilidad de funcionamiento del sistema sea igual o mayor que la mayor probabilidad de funcionamiento de los componentes del sistema.
P( X S = 1) = P(( X 1 X 2 ) = 1) P( X i )mayor
Generalizando para un sistema de n componentes en paralelo

P( X S = 1) = P( X i ) = 1 [1 P( X i )] P( X i )mayor
n i =1
Ej.: Probabilidad de funcionamiento del sistema de la figura cuando las probabilidades de funcionamiento de los componentes son P( X 1 = 1) = 0 ,8 , P( X 2 = 1) = 0 ,7 , P( X 3 = 1) = 0 ,5 .
P(X1=1)
P(X2=1)
P(X3=1)
Al ser un sistema en paralelo, la probabilidad de funcionamiento del sistema se basa en que alguno de los componentes del sistema funcione. En la figura siguiente se muestra la representacin mediante un diagrama de rbol de la situacin del sistema, basada en los sucesos complementarios al funcionamiento correcto
X1 X2 X3 1 0,5 1 0,7 1 0,3 0,5 0,8 0 0,5 0 1 0,5 0
1 0,5 0,2 0,7 0 0,3 0,5 0 0,5 0 1 1 0,5 0
La probabilidad de que el sistema funcione es

P( X S = 1) = P( X i ) = 1 [1 P( X i )] = 1 [1 0 ,8 ] [1 0 ,7 ] [1 0 ,5] = 1 0 ,2 0 ,3 0 ,5 = 0 ,97
n i =1
3.3. - Fiabilidad de dispositivos con configuracin mixta.

La configuracin mixta es la combinacin de componentes en serie y paralelo. La probabilidad del sistema se obtiene de los anlisis sucesivos de los sistemas en serie y paralelo.
P(X1=1) P(X3=1) P(X2=1)
P(X1=1)
P(X3=1)
P(X2=1)
Ej.: Probabilidad de funcionamiento del sistema de la figura cuando las probabilidades de funcionamiento de los componentes son P( X 1 = 1) = 0 ,8 , P( X 2 = 1) = 0 ,7 , P( X 3 = 1) = 0 ,5 , P( X 4 = 1) = 0 ,6 , P( X 5 = 1) = 0 ,4 .
P(X1=1) P(X2=1)
P(X3=1)
P(X5=1)
P(X4=1)
Al ser un sistema formado por una combinacin de componentes en serie y paralelo, la probabilidad de funcionamiento del sistema se basa en que alguno de los elementos en paralelo y todos los elementos en serie funcionen. Para que el sistema en serie inicial funcione P( X 1 X 2 ) = P( X 1 ) P( X 2 ) = 0 ,8 0 ,7 = 0 ,56 Para que el sistema en paralelo funcione
P(( X 1 X 2 ) X 3 X 4 ) = 1 [1 P( X 1 X 2 )] [1 P( X 3 )] [1 P( X 4 )] = 1 [1 0 ,56 ] [1 0 ,5] [1 0 ,6 ] = = 1 0 ,44 0 ,5 0 ,4 = 0 ,912
Para que el sistema en serie final correspondiente al conjunto funcione

P([( X 1 X 2 ) X 3 X 4 ] X 5 ) = P([( X 1 X 2 ) X 3 X 4 ]) P ( X 5 ) = 0 ,912 0 ,4 = 0 ,365
3.4. - Tabla resumen.

Conceptos Suceso Definicin
A = {ei }
Probabilidad
n P ( A) = A n P( A) = [P(xi ) : xi A]
n i =1
Representacin grfica
A B
Compatibles Incompatibles Complementarios Incluido Dependientes
A B { } A B = { } A A = { } A A =U B A
P ( A B ) = P ( A ) + P (B ) P ( A B )
A 1
2 3 4
B 5
=
A 1
B 2 3 4 3 + 4 5 6
A B
3 4
P ( A B ) = P ( A ) + P (B ) P A = 1 P ( A) P(B / A ) P(B / A ) = P( A B ) P( A)
A B
A 1
B 2 3 4 5 6 =
A 1
B 2 3 4 + 5 6
()
U A 2 6 4 5 1
A 3
B 6 4
B A
A 6 2 4
A B
B/ A P (B / A) = P (B ) A1 A2 A3 K = { } A1 A2 A3 K = U
P (Ai B j ) = P (B j / Ai ) P( Ai )
Tabla de contingencia Diagrama de rbol
Independientes A partir de una particin Tablas de contingencia
P( A B ) = P(B ) P( A) B = (B A1 ) (B A2 ) K P(B ) = [P(B / Ai ) P ( Ai )]

n i =1
A 6 2 4
B 3 1 5
U A1 1 2 B 3 4 A2 5 6 A3
A1
A2
P( A2 B1 ) P( A2 B2 ) P( A2 B3 ) P( A2 )
Segundo experimento
A3
P( A3 B1 ) P( A3 B2 ) P( A3 B3 ) P( A3 )
Tercer experimento
TOTAL
P(B1 ) P(B2 ) P(B3 )
P Ai B j
B1 B2 B3 TOTAL
P( A1 B1 ) P( A1 B2 ) P( A1 B3 ) P( A1 )
Primer experimento
Diagramas de rbol
P B j / Ai =
Diagrama de rbol
P Ai B j P( Ai )
P B j / Ai
)
Primera generacin Segunda generacin Tercera generacin
Fiabilidad en serie Fiabilidad en paralelo
1 el sistema funciona XS = 0 el sistema no funciona
P( X S = 1) = P( X i = 1) = [P( X i = 1)]
n i =1
P(X1=1)
P(X2=1)
a lg n 1 el sistema funciona XS = todos 0 el sistema no funciona
P ( X S = 1) = P ( X i = 1) = 1 [1 P ( X i = 1)]
n i =1
P(X1)=1
P(X2)=1
4. -
Anlisis combinatorio.
La teora combinatoria estudia los mtodos que permiten determinar el nmero de agrupaciones que puede formarse con los elementos de conjuntos finitos que cumplen con distintas caractersticas.
4.1. - Principios de multiplicacin.

Si los sucesos A1, A2,, Ak tienen n1, n2,, nk elementos respectivamente, existen
n1 n2 K nk
formas distintas de seleccionar primero un elemento del suceso A1, despus un elemento del suceso A2, y as sucesivamente hasta el suceso Ak. Si se tiene un experimento compuesto (E) de universo U, formado por varios experimentos E1, E2,,Ek con universos U1, U2,, Uk, que contienen respectivamente n1, n2,, nk elementos cada uno, el nmero de elementos del universo U.
n1 n2 K nk
Ej.: Una matrcula para vehculos consta de 4 nmeros y 3 letras (considerar el alfabeto formado por 26 letras). Cuntas matrculas distintas pueden hacerse? A partir del principio de multiplicacin m=10101010 262626= 175.760.000
4.2. - Nmeros combinatorios.

Los nmeros combinatorios Ckn indican el nmero de agrupaciones de k elementos distintos que se pueden escoger de un conjunto de n elementos. Se representan mediante el coeficiente n binomial que se lee "n sobre k", y cuyo valor es
k
n n! n Ck = k = k ! (n k )!
Nota - n! significa n factorial y se obtiene mediante el desarrollo

n! = n (n 1) (n 2 ) (n 3 ) K 3 2 1 .
El coeficiente binomial o binomio de Newton2 es el coeficiente que multiplica al trmino k

x
nk
y del desarrollo de (x + y ) , por ello, los trminos de la expresin (x + y )n se obtienen de

n n
nk k (x + y )n = x y k
n k = 0
Una propiedad de los nmeros combinatorios es

n n! n = C0 =1 0 = 0! (n 0 )!
ya que 0! = 1
Isaac Newton (1642-1727) Fsico, filsofo, telogo, inventor y matemtico ingls.
Ej.: Desarrollar la expresin (x + y )3 Utilizando del binomio de Newton

(x + y )3 =
3
3 3k k 3 30 0 3 31 1 3 32 2 3 33 3 3 2 2 3 x y = x + 3 x y + 3 xy + y 3 x y + 2 x y + 1 x y + 0 x y = k k =0
3 3! 0 = 0! (3 0 )! = 1
3 3! 1 = 1! (3 1)! = 3
3 3! 2 = 2! (3 2 )! = 3
3 3! 3 = 3! (3 3)! = 1
En la determinacin del nmero de agrupaciones posibles hay que tener en cuenta una serie de caractersticas como son la importancia de su ordenacin, y el nmero y repeticin de los elementos de las agrupaciones. Unas pautas generales para identificar el tipo de agrupacin son funcin que determina el nmero de posibles agrupaciones son:
Variaciones. Cuando el orden de los elementos es importante y no se consideran todos los posibles elementos. Permutaciones. Cuando el orden de los elementos es importante y se consideran todos los posibles elementos (permutaciones), Combinaciones. Cuando el orden de los elementos no es importante (combinaciones), Con repeticin. Cuando los experimentos se realizan con reemplazo (los elementos pueden estar repetidos).
La determinacin del nmero de agrupaciones de un experimento es compleja, por lo que una vez identificada la funcin a identificar, se aconseja realizar comprobaciones mediante aplicaciones a casos simplificados cuyo resultado pueda ser fcilmente verificable.
4.3. - Variaciones.
Es cada una de las distintas agrupaciones que pueden formarse tomando k elementos a partir de n elementos iniciales en las que dos agrupaciones son distintas si tienen distintos elementos, o en caso de tener los mismos, si difieren en el orden de colocacin ( a ,b , c b , a , c ). En el caso en que los elementos no puedan aparecer repetidos en la misma agrupacin, el nmero de agrupaciones posibles ser
Vkn =
(n k )!
n!
En el caso en que los elementos puedan aparecer repetidos en la misma agrupacin, el nmero de agrupaciones posibles ser
n VRk = nk
Ej.: Cuantos nmeros distintos se pueden formar con los dgitos sin repeticin 1, 2, 3, 4. El problema corresponde a una variacin sin repeticin, ya que las agrupaciones (en este caso nmeros) son distintas si tienen los mismos elementos pero vara el orden. Se consideran las variaciones de los cuatro elementos tomados de 1 en 1, de 2 en 2, de 3 en 3, y de 4 en 4 elementos.
Nmeros Ordenacin 1, 2, 3, 4 12, 13, 14, 21, 23, 24, 31, 32, 34, 41, 42, 43 123, 124, 134, 132, 142, 143, 213, 214, 234, 231, 241, 243, 312, 314, 324, 321, 341, 342, 412, 413, 423, 421, 431, 432 1234, 1243, 1324, 1342, 1423, 1432, 2134, 2143, 2314, 2341, 2413, 2431, 3124, 3142, 3214, 3241, 3412, 3421, 4123, 4132, 4213, 4231, 4312, 4321
V14 , con un dgito

V24
Recuento 4! V14 = =4 (4 1)!

V24 =
, con dos dgitos
(4 2 )!
4!
= 12
V34 , con tres dgitos
V34 =
(4 3)!
4!
= 24
V44 , con cuatro dgitos
V44 =
4! = 24 (4 4 )!
La suma da 64 nmero distintos. La siguiente figura corresponde al diagrama de rbol de los primeros trminos de la variacin de los 4 elementos tomados de 4 en 4.
3 2 4 2 1 3 4 2 4 3 2 2 3 3 4 4
Ej.: Cuantos nmeros distintos, con un mximo de tres cifras, se pueden formar con los dgitos 1, 2, 3 con repeticin. El problema corresponde a una variacin con repeticin, ya que las agrupaciones son distintas si tienen los mismos elementos pero vara el orden. Se consideran las variaciones de los tres elementos tomados de 1 en 1, de 2 en 2 y de 3 en 3 elementos.
Nmeros 2 VR1 , con un dgito
3 VR2 , con dos dgitos
3 VR3 , con tres dgitos
Ordenacin 1, 2, 3 11, 12, 13, 21, 22, 23, 31, 32, 33 111, 112, 113, 121, 122, 123, 131, 132, 133, 211, 212, 213, 221, 222, 223, 231, 232, 233, 311, 312, 313, 321, 322, 323, 331, 332, 333
Recuento 3 VR1 = 31 = 3
3 VR2 = 32 = 9
3 VR3 = 3 3 = 27
Los nmeros distintos son 39. La siguiente figura corresponde al diagrama de rbol de los primeros trminos de la variacin con repeticin de 3 elementos tomados de 3 en 3.
1 1 2 3 1 1 2 2 3 1 3 2 3
4.4. - Permutaciones.
Es cada una de las distintas agrupaciones que pueden formarse con los n elementos iniciales. Dos agrupaciones son distintos si los elementos estn en distinto orden de colocacin ( a ,b , c b , a , c ). Una permutacin es una variacin en la que se tienen en cuenta todos los elementos iniciales. En el caso en que los elementos no puedan aparecer repetidos en cada una de las agrupaciones, el nmero de agrupaciones posibles es
Pn = Vnn = n! = n! (n n )!
En el caso en que los elementos puedan aparecer repetidos en las agrupaciones, se consideran las permutaciones con repeticin de n elementos donde el primer elemento se repite a veces, el segundo b veces, el tercero c veces, y lo mismo con el resto, cumplindose que
a + b + c +K = n
el nmero de agrupaciones con repeticin posibles es

n PRa ,b ,c ,K =
Pn n! = a!b!c!K a!b!c!K
Ej.: Cuantos nmeros distintos de cuatro cifras se pueden formar con los dgitos sin repeticin 1, 2, 3, 4. El problema corresponde a una permutacin sin repeticin, ya que las agrupaciones son distintas si tienen los mismos elementos pero vara el orden.
Nmeros
P4 = V44 , con cuatro dgitos
Ordenacin 1234, 1243, 1324, 1342, 1423, 1432, 2134, 2143, 2314, 2341, 2413, 2431, 3124, 3142, 3214, 3241, 3412, 3421, 4123, 4132, 4213, 4231, 4312, 4321
Recuento
P4 = V44 = 4! = 24 (4 4 )!
Los nmeros distintos son 24.
Ej.: Cuantos nmeros distintos de cuatro cifras se pueden formar con los dgitos 1, 2, 2, 3. El problema corresponde a una permutacin con repeticin, ya que las agrupaciones son distintas si tienen los mismos elementos pero vara el orden. En esta permutacin el segundo elemento se repite dos veces.
Nmeros
4 PR1 ,2 ,1
, el primero se repite 1
veces, el segundo 2 y tercero 1
Ordenacin 1223, 1232, 1322, 2123, 2132, 2213, 2231, 2312, 2321 3122, 3212, 3221
Recuento
4 PR1 ,2 ,1 =
4! = 12 1!2!1!
Los nmeros distintos son 12. La siguiente figura corresponde al diagrama de rbol de los trminos.
2 2 1 3 3 2 2 1 3 1 2 2 3 1 3 1 3 2 2 2 1 2 3 2 2 3 2 3 1 2 1 2 2 1
4.5. - Combinaciones.
Es cada una de las distintas agrupaciones que pueden formarse tomando k elementos a partir de n elementos iniciales. Dos grupos son distintos si tienen distintos elementos (no importa el orden a ,b = b , a ). En el caso en que los elementos no puedan aparecer repetidos en cada una de las agrupaciones, el nmero de agrupaciones posibles es
n Ck =
n! k ! (n k )!
En el caso en que los elementos puedan aparecer repetidos en cada una de las agrupaciones, el nmero de agrupaciones posibles es
n + k 1 (n + k 1)! (n + k 1)! n CRk = = k ! ((n + k 1) k )! = k ! (n 1)! k
Ej.: En un grupo de 6 persona se quiere elegir un comit formado por tres de ellos. Cuntos comits diferentes se pueden formar?. El problema corresponde a una combinacin sin repeticin, ya que las agrupaciones son iguales si tienen los mismos elementos, independientemente del orden en que se seleccionen las personas. Se consideran las combinaciones de los seis elementos tomados de 3 en 3. Cada nmero corresponde a un estudiante.
Estudiantes
6 C3
Ordenacin 123, 124, 125, 126, 134, 135, 136, 146, 146, 156 234, 235, 236, 245, 246, 256 345, 346, 356, 456
Recuento
6 C3 =
6! = 20 3! (6 3)!
El nmero de comits distintos es 20. La siguiente figura corresponde al diagrama de rbol de los primeros trminos de la combinacin de 6 elementos tomados de 3 en 3.
3 4 2 5 6 4 3 1 4 5 6 5 6
Ej.: En un taller hay mltiples llaves inglesas de cuatro medidas diferentes identificadas con la numeracin 1, 2, 3 y 4. Cuntas agrupaciones distintas de dimensiones pueden aparecer al elegir tres de las llaves? El problema corresponde a una combinacin con repeticin, ya que las agrupaciones son iguales si tienen los mismos elementos. Cada nmero corresponde a una dimensin.
Bebidas
4 CR3
Ordenacin 111, 112, 113, 114, 122, 123, 124, 133, 134, 144 222, 223, 224, 233, 234, 244, 333, 334, 344, 444
Recuento
4 CR3 =
(4 + 3 1)! = 20 3! (4 1)!
El nmero de agrupaciones distintas es 20. La siguiente figura corresponde al diagrama de rbol de los primeros trminos de la combinacin.
1 2 1 3 4 2 2 1 3 4 4 4 3 4 3
4.6. - Tabla resumen

Combinatoria Combinatoria Definicin Agrupaciones de k elementos de un conjunto de n elementos Agrupaciones de k elementos de un conjunto de n elementos. Grupos distintos con distintos elementos, o en distinto orden ( a ,b b , a ). Nmero de resultados
n n! n = Ck k = k ! (n k )! V24 Vkn = n! (n k )!
Recuento
Variaciones sin repeticin
12, 13, 14, 21, 23, 24, 31, 32, 34, 41, 42, 43
3 VR2
Variaciones con repeticin
n VRk = nk
11, 12, 13, 21, 22, 23, 31, 32, 33

P4 = V44
Permutaciones sin repeticin
Agrupaciones de n elementos. Grupos distintos con elementos en distinto orden ( a ,b b , a ).

n PRa ,b ,c ,K =
Pn = Vnn = n!
1234, 1243, 1324, 1342, 1423, 1432, 2134, 2143, 2314, 2341, 2413, 2431, 3124, 3142, 3214, 3241, 3412, 3421, 4123, 4132, 4213, 4231, 4312, 4321
4 PR1 ,2 ,1
Permutaciones con repeticin
Pn n! = a!b!c!K a!b!c!K
1223, 1232, 1322, 2123, 2132, 2213, 2231, 2312, 2321 3122, 3212, 3221
6 C3
Combinaciones sin repeticin
Combinaciones con repeticin
Agrupaciones de k elementos de un conjunto de n elementos. Grupos distintos con distintos elementos (no importa el orden a ,b = b , a ).
n Ck
n n! = = k ! (n k )! k
123, 124, 125, 126, 134, 135, 136, 146, 146, 156 234, 235, 236, 245, 246, 256 345, 346, 356, 456
4 CR3
n CRk
n + k 1 (n + k 1)! = = k ! (n 1)! k
111, 112, 113, 114, 122, 123, 124, 133, 134, 144 222, 223, 224, 233, 234, 244, 333, 334, 344, 444
5. -
Variable aleatoria, esperanza y varianza.
5.1. - Variable aleatoria y recorrido.

Una variable numrica es aleatoria si su valor est determinado por el azar. El universo (U) de un experimento (E) no siempre viene definido por valores numricos, sin embargo, en la mayor parte de los experimentos es interesante cuantificar los resultados, por lo que a cada resultado (e) del experimento (E) se le asigna un nmero real (x), obtenido de aplicar una funcin (X).
x = X (e )
A esta funcin (X) se la denomina variable aleatoria o estocstica, y relaciona los resultados (U) de un experimento (E) con los nmeros reales. Al dominio de dicha variable se la denomina recorrido (Rx). Para todo suceso (A) perteneciente al universo (U) de un experimento (E), existe un suceso equivalente (B) perteneciente a los nmeros reales (Rx) de la variable aleatoria (X), siendo la probabilidad de ambos sucesos la misma
P ( A U ) = P (B R x )
X U A F2 F6 F4 F5 F1 F3 Rx B
P(e ) = P( X )
Ej.: Determinar el universo del experimento (E) y el recorrido (RX) de la variable aleatoria (X) asociada al experimento correspondiente al nmero de fallos independientes observados en el anlisis de tres caractersticas de una pieza. Los resultados para cada caracterstica pueden ser correcto (C) o incorrecto (X). El universo del experimento es U = {CCC ,CCX ,CXC ,CXX , XCC , XCX , XXC , XXX } , y el recorrido de la variable aleatoria Rx = {x : x = 0 ,1,2 ,3} . La relacin entre ambos dominios es el mostrado en la figura
U
CCC
CCX
CXC
XCC
CXX
XCX
XXC
XXX
RX
Las variables aleatorias (X) se pueden clasificar en discretas o continuas.
5.1.1. - Variables aleatorias discretas. Son aquellas en las que el recorrido (Rx) de la variable aleatoria (X) es un conjunto finito de nmeros reales
Rx = {x1 , x2 ,K , x N }
A cada valor (xi) de la variable aleatoria discreta (X) va asociada un valor numrico (px), que satisface las siguientes condiciones
p x (xi ) 0
n i =1
para toda i
[ p x (xi )] = 1
Al conjunto del valor y la probabilidad de cada resultado [(xi , p x (xi )); i = 1,2 ,3 K n] , se le denomina funcin probabilstica de x. La funcin (px) se representa de forma tabular o grfica. Ej.: En el experimento (E) correspondiente al anlisis de tres caractersticas incompatibles de una pieza, cuyo resultado para cada anlisis puede ser correcto (C) o incorrecto (X), ambas con la misma probabilidad, determinar la funcin probabilstica asociada al nmero de incorrectos (X) y representarla de forma grfica. Como la probabilidad de cada resultado es la misma, y el universo tiene 8 posibles resultados, la probabilidad de cada uno de ellos es
P{CCC} = P{CCX } = P{CXC} = P{CXX } = P{XCC} = P{XCX } = P{XXC} = P{XXX } = 1 8
El recorrido de la variable aleatoria X correspondiente al nmero de resultados incorrectos por pieza es

Rx = {x : x = 0 ,1,2 ,3}
Al ser los resultados del universo incompatibles ( Ai A j = { } ) la probabilidad de cada uno de los resultados de la variable aleatoria (X) se obtiene de la suma de las probabilidades de cada uno de los resultados del universo U asociados al mismo valor de la variable aleatoria
P(x = 0 ) = P({CCC}) = 1 8 3 8 3 8
P(x = 1) = P({CCX } {CXC} {XCC}) = P(x = 2 ) = P({CXX } {XCX } {XXC}) = P(x = 3) = P({XXX }) = 1 8
La representacin tabular y grfica de estos resultados es la siguiente

Representacin tabular Representacin grfica
0,38 0,38
x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8
0,13
0,13
5.1.2. - Variables aleatorias continuas. Son aquellas en las que el recorrido (Rx) de la variable aleatoria (X) es un intervalo o conjunto de intervalos de nmeros reales
Rx = {x : a x b}
A toda variable aleatoria continua (X) va asociada una funcin (fx), denominada funcin probabilstica de densidad, que satisface las siguientes condiciones
f x (x ) 0
f x (x ) dx = 1
para toda x Rx
Rx
Esto indica que existe una funcin de probabilidad (P) definida mediante la expresin
P(a x b ) = f x (x ) dx
a b
a la que se corresponde el rea bajo la grafica de la funcin (fx) entre los dos puntos del intervalo (a, b) entre los que se quiere calcular la probabilidad
f(x)
Como la probabilidad de que el universo ocurra tiene un valor 1, el rea total bajo la grfica de la funcin f x (x ) (entre , ) es 1. La probabilidad de que ocurra un suceso (e) del universo (U) se relaciona con el rea bajo la funcin probabilstica de densidad f x (x ) segn la expresin siguiente
P(e ) = P (a x b ) = f x (x ) dx
a b
con x = X (e )
El valor de la funcin (fx) aplicada a un punto x no se corresponde con la probabilidad de que ocurra ese valor, y solo se define esta probabilidad cuando se integra dicha funcin entre los extremos (a, b) de un intervalo. Al conjunto de la variable (x) y la funcin probabilstica de densidad (fx) en su intervalo de actuacin (RX) [(x , f x (x )); x R X ] , se le denomina funcin probabilstica de x. La funcin ( f x (x ) ) se determina mediante la funcin matemtica correspondiente o de forma grfica.
Ej.: Una variable aleatoria X tiene la siguiente funcin probabilstica de densidad
x 0 x 1 f (x ) = 2 x 1 x 2 1 3 Calcular las siguientes probabilidades: a) P 1 < x < ; b) P x 2 2
a) Al ser f (x ) una funcin continua con distintos valores en cada uno de los intervalos, se van a calcular las probabilidades mediante el siguiente proceso de integracin.
1 2 1 0 x2 P 1 < x < = 0 dx + xdx = 0 + 2 1 2 0 1 2 0
1 8
La representacin grfica es la siguiente

f(x)
P ( 1 x 0 ,5 ) = 1 8
b) En este caso
3 x P x = xdx + (2 x )dx = 2 2 0 1
1 3 2 2 1
x + 2x 2 1
2
3 2
2 3 1 3 2 = + 2 2 2 2
1 2 1 = 2
1 9 1 1 15 3 1 3 7 + 3 2 = + = + = 2 8 2 2 8 2 2 8 8
La representacin grfica es la siguiente

f(x)
P (0 x 1,5 ) = 7 8
5.2. - Caractersticas de las variables aleatorias.

Aunque las distribuciones estn totalmente especificadas mediante la funcin probabilstica, ya sean stas discretas [(xi , p x (xi )); i = 1,2 ,3 K n] o continuas [(x , f x (x )); x R X ] , a menudo se utilizan otras caractersticas descriptivas de la variable aleatoria (X) como la media (), la varianza (2) y la desviacin estndar o tpica (). 5.2.1. - Media ( ). La media ( ) proporciona una indicacin de la tendencia central de la variable. Dependiendo del tipo de variable aleatoria (X), se define mediante las expresiones Para variables aleatorias (X) discretas Para variables aleatorias (X) continuas
= [xi p(xi )]
n i =1
= [x f (x )]dx
5.2.2. - Varianza (2) y desviacin estndar o tpica (). La varianza (2) proporciona una indicacin de la dispersin de la variable respecto de la media (), dependiendo del tipo de variable aleatoria (X), se define mediante las expresiones Para variables aleatorias (X) discretas Para variables aleatorias (X) continuas
2 = (xi )2 p(xi )
i =1 n
2 = (x )2 f (x ) dx
La desviacin estndar o tpica () es la raz cuadrada de la varianza (2)
= 2
Ej.: En el experimento (E) correspondiente al anlisis de tres caractersticas de una pieza, cuyo resultado para cada caracterstica puede ser correcto (C) o incorrecto (X) con la misma probabilidad, determinar el valor de la media ( ), varianza (2) y desviacin tpica () correspondiente al nmero de incorrectos (x). Aplicando la formulacin de variables aleatorias discretas
= [xi p(xi )] = 0
n i =1
1 3 3 1 3 + 1 + 2 + 3 = 8 8 8 8 2
2 2 2
2 = (xi )2 p(xi ) = 0
i =1
3 2
1 3 3 3 3 3 1 + 1 + 2 + 3 = 2 8 2 8 2 8 2 8
= 2 = 1,414
En la figura siguiente se indica el valor de la media sobre la representacin grfica de la funcin probabilstica
0,38 0,38
0,13
0,13
3 2
Ej.: Para la funcin probabilstica de densidad indicada en la parte inferior, determinar el valor de la media ( ), varianza (2) y desviacin tpica () de la variable aleatoria (X).
x 0 x 1 f (x ) = 2 x 1 x 2
Aplicando la formulacin correspondiente a variables aleatorias continuas

= [x f (x )]dx = [x 0 ]dx + [x x ]dx + [x (2 x )]dx + [x 0 ]dx =
1 0 1 2 2 2
x 3
2x x 1 8 8 2 1 1 7 = + 3 = 1 + 2 3 = 3 + 2 3 2 3 3 3 1
2 3
2 = (x )2 f (x ) dx = (x 1)2 0 dx + (x 1)2 x dx + (x 1)2 (2 x ) dx + (x 1)2 0 dx =

0 2 1 1 2 2 4 3 2 x4 x3 x 2 + x + 4 x 5 x + 2x = = x 2 x + x dx + x + 4 x 5 x + 2 dx = + 2 4 3 2 3 2 0 1 0 4 1 1 3 2 2 3
1 1 1 + = 12 12 6
1 = 0 ,408 6
En la figura siguiente se indica el valor de la media sobre la representacin grfica de la funcin probabilstica
f(x)
=1
5.2.3. - Funcin acumulativa de distribucin (F(x)). La funcin de distribucin (F) de variable aleatoria (X), permite determinar la probabilidad de que dicha variable sea menor o igual a un valor dado de x.
FX (x ) = P( X x )
Dependiendo del tipo de variable aleatoria en estudio, define mediante las expresiones Para variables aleatorias (X) discretas Para variables aleatorias (X) continuas
FX (x ) = [ p(xi )]
x i = x xi x
FX (x ) = f (x ) dx
Ej.: En el experimento (E) correspondiente al anlisis de tres caractersticas de una pieza, cuyo resultado para cada caracterstica puede ser correcto (C) o incorrecto (X) con la misma probabilidad, determinar la funcin acumulativa de distribucin. Se conocen los resultados de cada uno de los sucesos del universo, obtenidos de un ejemplo anterior.
P( < x < 1) = P( ) = 0 P(x = 0 ) = P(CCC ) = 1 8 3 8 3 8
P(x = 1) = P(CCX CXC XCC ) = P(CCX ) + P(CXC ) + P( XCC ) = P(x = 2 ) = P(CXX XCX XXC ) = P(CXX ) + P( XCX ) + P( XXC ) = P(x = 3) = P( XXX ) = P(x > 3) = P( ) = 0 1 8
Luego la funcin acumulativa de distribucin es:

F (x < 0 ) = P( < x < 0 ) = 0 1 F (0 x < 1) = P(x < 1) = 8 4 F (1 x < 2 ) = P(x < 2 ) = 8 7 F (2 x < 3 ) = P(x < 3 ) = 8 F (x 3 ) = 1
cuya grfica es la que aparece a continuacin

F(x)
Ej.: Para la funcin probabilstica de densidad indicada en la parte inferior, determinar la funcin acumulativa de distribucin.
x 0 x 1 f (x ) = 2 x 1 x 2
Aplicando la formulacin correspondiente a variables aleatorias continuas

FX ( < x < 0 ) = f (x ) dx = 0
0
{x = 0
FX (x = 0 ) = 0
x2 FX (0 < x < 1) = FX (x = 0 ) + x dx = 2 0
x x
x2 = 2
x = 0 FX (x = 0 ) = 0 1 x = 1 FX (x = 1) = 2
x
FX (1 < x < 2 ) = FX (x = 1) + (2 x ) dx =
1
1 x2 + 2x 2 2
=
1
1 x2 3 + 2x 2 2 2
1 x = 1 FX (x = 1) = 2 x = x FX (x = 2 ) = 1
cuya grfica es la que aparece a continuacin

F(x)
5.2.4. - Funciones de variable aleatoria. En muchos casos lo que interesa no es ni los resultados (e) de un experimento (E), ni el de una variable aleatoria (X) asociada, sino el de una funcin (H) que genera una variable aleatoria (Y) que depende de la anterior (X) de valores
Y = H (X )
Si se tiene un experimento (E) y se toma un suceso (A) con resultados (e) en el dominio del universo (U), existe una variable aleatoria (X) sobre el dominio de los nmeros reales (RX) asociada a los resultados (e) de dicho suceso (A) de forma que los valores de la variable aleatoria son
x = X (e )
Si se considera una funcin (H) de forma que

Y = H (X )
la variable (Y) tambin es aleatoria, ya que para cada resultado (e) del suceso (A) del universo (U), se tiene un valor (y) de la nueva variable aleatoria (Y) sobre el dominio de los nmeros reales (RY)
x = X (e ) y = H (x )
X U A F2 F6 F4 F5 F1 F3 Rx B Ry C
y = H (x ) = H ( X (e ))
Y
Si A es un suceso asociado al universo (U), B es un suceso asociado a la variable aleatoria X de recorrido Rx y C es un suceso asociado a la variable aleatoria Y de recorrido RY, los sucesos A, B y C son equivalentes, de forma que
P ( A U ) = P (B R x ) = P C R y
P(e ) = P( X (e )) = P(H ( X (e )))
Si se desea conocer la probabilidad de un suceso C ( P(C ) ) con C R y , siendo H la funcin de la variable aleatoria Y, cuando se conoce la funcin probabilstica de la variable aleatoria X, habr que obtener los nuevos lmites correspondiente de la variable aleatoria X inducidos por la funcin H de variable aleatoria Y.
Ej.: Se desea determinar la probabilidad de que el rea de la seccin de un alambre sea menor de 0,78 cm2 si el dimetro sigue una funcin de densidad
200 1,000 cm x 1,005 cm f (x ) = 0 de otra manera
Se va a considerar Y la funcin de variable aleatoria asociada al rea de la seccin y X la variable aleatoria asociada al dimetro del alambre. La condicin que se va a utilizar es que la funcin de variable aleatoria correspondiente al rea de la seccin del alambre (Y) sea menor de 0,78 cm2, luego esto limita a la variable aleatoria (X)
Y 0 ,78 X 2 X 2 Y = 4 0 ,78 Y = H (X ) = 4 X 0 ,78 4
= 1,0029
que corresponde al suceso de la variable aleatoria X equivalente a Y 0 ,78 . Segn los datos el dominio de x es 1,000 x 1,005 , pero su cota inferior se ha vuelto ms exigente debido al lmite impuesto por la funcin H de la variable aleatoria Y por lo que el nuevo dominio es 1,000 x 1,0029 . Luego la probabilidad buscada es:
P(1,000 x 1,0029 ) =
1,0029 1
200 dx = 200 x 1
1,0029
= 200(1,0029 1) = 0 ,58
5.2.5. - Esperanza (E) y varianza (V). Si X es una variable aleatoria, e y = H (x ) los valores obtenidos a travs de la aplicacin de una funcin H a la variable aleatoria X, el valor esperado de Y se define mediante la siguiente expresin para X discretas para X continuas
E (Y ) = E (Y ) =
i =1
[H (xi ) p(xi )] = [ yi p(xi )]

n n i =1
[H (x ) f (x )]dx = [y f (x )]dx
Se analizan ahora la esperanza de dos funciones caractersticas. 1- H (x ) = X para X discretas para X continuas luego
E(X ) = H (xi ) = xi H (x ) = X E (H (xi )) = E ( X ) = E (H (x )) = E ( X ) =
i =1
[xi p(xi )] =
n
[x f (x )]dx =
2- H (x ) = (x )2 Para X discretas Para X continuas luego

Y (x ) = ( X )2 E ( X )2 = (xi )2 p( xi ) = 2
i =1
) [
n
Y (x ) = ( X )2
E ( X )2 = (x )2 f (x ) dx = 2
) [
E ( X )2 = V ( X ) = 2
Se puede obtener otra expresin para la determinacin del valor de la varianza de una variable aleatoria (V(X)) considerando que E ( X ) = , luego si
[E ( X )]2 = E [E (X 2 )] = E [x 2 p(x )] = x 2 [ p(x )]2

E [XE ( X )] = E [x (x p(x ))] = x 2 [ p(x )]2 = [E ( X )]2
y se tiene
Y = H ( X ) = ( X )2 = ( X E ( X ))2 E (Y ) = E (H ( X )) = E ( X E ( X ))2 = E X 2 + [E ( X )]2 2 XE ( X ) = =E X
( ) + [E ( X )]
2
) ( 2[E ( X )] = E (X ) [E ( X )]
2 2
por lo que
V ( X ) = E X 2 [E ( X )]2
( )
Ej.: Un trabajo requiere un periodo de tiempo para su realizacin. Segn se alargue el tiempo de trabajo aumentarn las prdidas. El nmero de das de demora, junto con la probabilidad de que ocurra (obtenido de experiencias anteriores) y las prdidas producidas aparecen reflejadas en la siguiente tabla
Da de retraso 0 1 2 3 4 5 Probabilidad 1/16 2/16 4/16 3/16 4/16 2/16 Prdidas 0 500 1000 1200 2000 2500
Realizar el estudio de esperanza y varianza del tiempo de retraso y de las prdidas. Es un anlisis de esperanza (E) y varianza (V) de una variable aleatoria discreta (X) que representa los das de retraso, y de la funcin de la variable aleatoria (Y=H(X)) correspondiente a las prdidas. La esperanza y varianza del tiempo de retraso (X) son
E(X ) =
i =1
[xi p(xi )] = 0
n
1 2 4 3 4 2 45 = 2 ,81 das + 1 + 2 + 3 +4 + 5 = 16 16 16 16 16 16 16
2
V ( X ) = E X 2 [E ( X )]2 = 0
( )
1 2 4 3 4 2 45 519 = 2 ,02 das + 12 + 22 + 32 + 42 + 52 = 16 16 16 16 16 16 16 256
la esperada y varianza de la perdidas (Y=H(X)) son las siguientes

E (Y ) = E (H ( X )) =
i =1
[H (xi ) p(xi )] = 0
n
1 2 4 3 4 2 + 500 + 1000 + 1200 + 2000 + 2500 = 1350 16 16 16 16 16 16
V (Y ( X )) = E (Y ( X ))2 [E (Y ( X ))]2 = 0 + 2500 2 2 1350 2 = 510.000 16
1 2 4 3 4 + 500 2 + 1000 2 + 1200 2 + 2000 2 + 16 16 16 16 16
5.2.6. - Covarianza y correlacin. Son dos funciones que se utilizan para describir la dependencia entre dos variables aleatorias (X,Y). Se define la covarianza de dos variables aleatorias X, Y mediante la expresin
Cov( X ,Y ) = [E ( X Y ) [E ( X ) E (Y )]]
Si las variables aleatorias X, Y son independientes, su covarianza es nula. El coeficiente de correlacin se define mediante
=
V ( X ) V (Y ) Cov( X ,Y )
5.2.7. - Propiedades de la esperanza. Si X e Y son variables aleatorias discretas y a un escalar constante, a) La esperanza y varianza de un escalar (a) son
E (a ) = [a p(xi )] = a [ p(xi )] = a
n n i =1 i =1
V (a ) = E a 2 [E (a )]2 = a 2 a 2 = 0
( )
b) La esperanza y varianza del producto de un escalar (a) por una variable aleatoria (X) son
E (a X ) = [a xi p(xi )] = a [xi p(xi )] = a E ( X )
n n i =1 i =1
V (a X ) = E (a X )2 [E (a X )]2 = a 2 E X 2 a 2 [E ( X )]2 = a 2 E X 2 [E ( X )]2 = a 2 V ( X )
[ ]
[[ ]
c) La esperanza del producto de variables aleatorias son

E ( X Y ) = [xi yi p(xi , yi )]
n i =1
en la que p(xi , yi ) es la probabilidad conjunta, en el caso de que las variable aleatorias X, Y sean dependientes entre s. Si las variables aleatorias son independientes p(xi , yi ) = p(xi ) p( yi )
E ( X Y ) = [xi yi p(xi , yi )] = [xi p(xi ) yi p( yi )] = [xi p(xi )] [ yi p( yi )] = E ( X ) E (Y )
n n n n i =1 i =1 i =1 i =1
d) La esperanza y varianza de la suma de las variable aleatorias es

E ( X + Y ) = [xi p(xi ) + yi p( yi )] = [xi p(xi )] + [ yi p( yi )] = E ( X ) + E (Y )
n n n i =1 i =1 i =1
V ( X + Y ) = E ( X + Y )2 [E ( X + Y )]2 = E X 2 + Y 2 + 2 XY [E ( X ) + E (Y )]2 =
= V ( X ) + V (Y ) + 2Cov ( X ,Y )
( )+ E (Y ) + E (2 XY ) [E (X )] [E (Y )] 2[E (X ) E (Y )] = = [E (X ) [E ( X )]] + [E (Y ) [E (Y )] ] + 2[E ( X Y ) [E ( X ) E (Y )]] =

=E X
2 2 2 2 2 2 2 2
Las mismas expresiones seran vlidas para el caso de variables aleatorias continuas.
5.3. - Tabla resumen

Caracterstica Variable aleatoria Discontinua Definicin
x = X (e )
Probabilidad
P( X ) = P({e}) p x (xi ) 0
n i =1
Representacin
Rx = {x1 , x2 ,K , xk }
para toda i
0,13
0,38
0,38
[ p x (xi )] = 1
0,13
f(x)
Continua
Rx = {x : a x b}
P({e : a X (e ) b}) = f x (x ) dx
a
a b
= [xi p(xi )]
i =1 n
Media
= [xf (x )]dx
2 = (xi )2 p(xi )
i =1 n
Varianza
2 = (x )2 f (x ) dx
Funcin acumulativa de distribucin Funcin de variable aleatoria
FX (x ) = P( X x )
x = X (e ) y = Y (x )
y = H (x ) = H ( X (e ))
n
P ( A U ) = P (B R x ) = P C R y P(e ) = P( X (e )) = P(H ( X (e )))
X U A F2 F6 F4 F5 F1 F3 Rx B
Ry
E (H (xi )) = [ yi p(xi )]
Esperanza
E (H (x )) =
i =1
Varianza
V ( X ) = E ( X )2 = 2
2 2
( ) V ( X ) = E (X ) [E ( X )]
E (a ) = a E (a X ) = a E ( X )
n
E(X ) =
[ y f (x )]dx
V (a ) = 0
V (a X ) = a 2 V ( X )
Propiedades
E ( X Y ) = [xi yi p(xi , yi )]
Cov( X ,Y ) = [E ( X Y ) [E ( X ) E (Y )]] V ( X + Y ) = V ( X ) + V ( y ) + 2Cov( X ,Y )
i =1
E ( X + Y ) = E ( X ) + E (Y )
6. -
Distribuciones discretas importantes.
Los parmetros a analizar en el estudio de una distribucin discreta son los siguientes: Adecuacin del problema en estudio con la distribucin a utilizar en funcin de la definicin de la variable aleatoria (X). Determinacin de los parmetros de los que depende. Conocimiento de la ley de probabilidad ( p(x ) ). Conocimiento del dominio de aplicacin (Rx) de la variable aleatoria (X). Conocimiento del valor esperado (E) y su dispersin (Var). Grfica de su comportamiento. Estos anlisis se van a aplicar a la distribuciones de Bernouillli, binomial, geomtrica, Pascal, binomial negativa, multinomial, hipergeomtrica y de Poisson.
6.1. - Bernoulli3 (Be(p)).

Distribucin de probabilidad discreta cuya variable aleatoria (X) determina el xito o fracaso de un experimento (E). Existen solo dos posibles resultados excluyentes, xito (x=1) con probabilidad p, o fracaso (x=0) con probabilidad q=1-p. Si se cumple lo anterior, se dice que la variable aleatoria X sigue una funcin de Bernoulli de parmetro p,
X Be( p )
La probabilidad de xitos se expresa mediante

p x (x , p ) = p x q 1 x con x = 0 ,1
El estudio se aplica al resultado de un nico experimento por lo que la funcin de probabilidad es

p si x = 1 p (x , p ) = q = 1 p si x = 0
La esperanza y varianza de esta variable aleatoria son

E ( X ) = [xi p x (xi )] = 1 p + 0 q = p
2 i =1
V ( X ) = xi2 p x (xi ) = 1 p + 0 q = p
i =1
La representacin grfica de la funcin X Be( p = 0 ,8 ) con E(X)= 0,8 y V(X)=0,8 aparece a continuacin
1,00 0,80 0,80
0,60
0,40 0,20 0,20
0,00 0 1
E(X)
Jakob Bernoulli (1654-1705). Cientfico suizo.
Ej.: Un experimento consiste en un ensayo en el que la probabilidad de xito es 0,3. Cul es la probabilidad de fracaso?. La variable aleatoria es de tipo Bernoulli X Be( p = 0 ,3) y su probabilidad de fracaso es
q = 1 p = 1 0 ,3 = 0 ,7
6.2. - Binomial. (Bi(n,p)).

Distribucin de probabilidad discreta cuya variable aleatoria (X) determina el nmero de xitos en una sucesin de n ensayos de Bernoulli independientes, con probabilidad de xito (xi=1) en cada uno de los ensayos (E). Si se cumple lo anterior, se dice que la variable aleatoria X sigue una funcin de Binomial de parmetros n y p,
X Bi(n , p )
El estudio corresponde a una combinacin de n experimentos tomados de x en x, por lo que, utilizando trminos combinatorios, la funcin de probabilidad es
n x n x n! p x (x ) = = p xqn x p q x ( ) x ! n x ! con x = 0 ,1,2 ,K , n
La esperanza y varianza de esta distribucin son

E ( X ) = np V ( X ) = npq
La representacin grfica de la funcin X Bi(n = 10 , p = 0 ,4 ) con E(X)=4 y V(X)=2,4 aparece a continuacin

1,00
0,80
0,60
0,40 0,21 0,20 0,01 0,00 0 1 2 3 4 5 6 7 8 9 10 0,04 0,12 0,25 0,20 0,11 0,04 0,01 0,00 0,00
E(X)
Ej.: Un proceso de produccin genera un 1% de resultados defectuosos. Determinar la probabilidad de que en una muestra de 100 resultados haya ms de dos defectuosos. Cada pieza puede ser defectuosa o no, luego X Be(n ) por lo que la produccin es una variable aleatoria que sigue una distribucin binomial X Bi(n = 100 , p = 0 ,01) , mientras que el suceso a analizar es ( A = {x : x > 2} ) cuya probabilidad es
P( X > 2 ) = P( X = 2 ) + P( X = 4 ) + ... + P( X = 100 )
La determinacin de la probabilidad del suceso A es muy laboriosa (suma de la probabilidad de 97 trminos con ms de dos defectos) por lo que se utiliza el suceso complementario, que necesita la determinacin de tres sumandos
A = {x : x 2}
y A A = U P ( A) + P A = 1 P ( A) = 1 P A = 1 P ( x 2 )
()
()
El suceso A = {x : x 2} se puede poner como
A = {x : x 2} = {x : x = 0} {x : x = 1} {x : x = 2}
Y como cada uno de los sucesos es incompatible con el resto

P(x 2 ) = P (x = 0 ) + P(x = 1) + P (x = 2 ) = [ p(xi )]
3 i =0
Desarrollando mediante la funcin binomial

n x n x p (x ) = x p q con x = 0 ,1,2
luego
100 0 100 0 = 0 ,366 p(0 ) = 0 ,01 0 ,99 0
100 1 100 1 p(1) = = 0 ,369 1 0 ,01 0 ,99
100 2 100 2 p (2 ) = = 0 ,185 2 0 ,01 0 ,99
y el valor de la probabilidad solicitada es

P( A) = U P A = 1 P{x 2} = 1 (0 ,366 + 0 ,369 + 0 ,185 ) = 1 0 ,920 = 0 ,08
()
6.3. - Geomtrica (G(p)).

Distribucin de probabilidad discreta basada en ensayos de Bernoulli con probabilidad de xito p en todos los experimentos (E), cuya variable aleatoria (X) determina el nmero de experimentos requeridos para lograr el primer xito (incluido). Si se cumple lo anterior, se dice que la variable aleatoria X sigue una funcin geomtrica de parmetro p,
X G( p )
El estudio se aplica al resultado de un nico experimento por lo que la funcin de probabilidad de que el ensayo x sea en el que se produce el primer xito es
p x (x ) = pq x 1 con x = 1,2 ,K , n

E(X ) = 1 p V (X ) = q p2
La representacin grfica de la funcin X G( p = 0 ,6 ) con E(X)=1,66 y V(X)=1,11 aparece a continuacin

1,00
0,80 0,60 0,60
0,40 0,24 0,20 0,10 0,04 0,02 0,01 0,00 0,00 0,00 0,00 0,00 1 2 3 4 5 6 7 8 9 10
E(X)
Ej.: Un proyecto se basa en la realizacin de un experimento que se repite hasta que se consigue el xito. Los experimentos realizados son independientes y el coste de cada uno es de 25.000 , a los que se aaden 5.000 por reposicin de material en cada ensayo sin xito. Si la probabilidad de xito de cada experimento es de 0,25, determinar: a) En qu experimento se espera que ocurra dicho xito, b) con qu probabilidad y c) cual es el coste esperado del proyecto. Si el presupuesto mximo es de 120.000 , d) qu probabilidad existe de sobrepasar esa cantidad? La variable aleatoria X correspondiente al nmero de experimentos a realizar para conseguir el primer xito, se distribuya segn una funcin geomtrica X G( p = 0 ,25 ) a) La esperanza de xito de la variable aleatoria es
E(X ) = 1 1 = =4 p 0 ,25
luego se espera que en el cuarto experimento se consiga el xito. b) La probabilidad de que en el cuarto ensayo se produzca el xito es
P(x < 5 ) = pq x 1 = 0 ,25 0 ,75 x 1 = 0 ,683
x =1 x =1 4
c) La funcin de costes teniendo en cuenta que se realizan x ensayos de los que x-1 no tienen xito
C ( X ) = 25.000 x + 5.000 (x 1)
y el coste esperado es
E (C ( X )) = 25.000 E (x ) + 5.000 E (x 1) = 25.000 4 + 5.000 3 = 115.000
donde E ( X 1) = E ( X ) E (1) = 4 1 = 3 d) La probabilidad de superar los 120.000 se calcula a partir de determinar el dominio de la variable aleatoria asociada al coste (C(X)) equivalente a la variable aleatoria correspondiente al nmero de experimentos (X) (C ( X ) > 120.000 ) = [[25.000 x + 5.000 (x 1)] > 120.000] = [[30.000 x 5.000] > 120.000]
x> 125.000 = 4 ,16 30.000
luego
P(C ( X ) > 120.000 ) = P(x > 4 ,16 ) = P(x 5 )
Como la determinacin de esta probabilidad conlleva el desarrollo de una suma de infinitos trminos (x>5), utilizando la propiedad de sucesos complementarios se tiene
P(x 5 ) = 1 P(x < 5 )
donde
P(x < 5 ) = p q x 1 = 0 ,25 0 ,75 x 1 = 0 ,684
x =1 x =1 4
( )
luego
P(C ( X ) > 120.000 ) = P(x 5 ) = 1 0 ,684 = 0 ,316
6.4. - Pascal (Pasc(m,p))

Distribucin de probabilidad discreta basada en ensayos de Bernoulli con probabilidad de xito p en todos los experimentos (E), cuya variable aleatoria (X) determina el nmero del experimento en el que se logra el xito nmero m (incluido). Si se cumple lo anterior, se dice que la variable aleatoria X sigue una funcin de Pascal de parmetros p y m
X Pasc(m , p )
El estudio corresponde a una combinacin en la que el proceso se para en el m-esimo xito, luego no se contabiliza ni en el nmero de experimentos (x-1) ni el de xitos (m-1), lo que es una combinacin de x-1 experimentos tomados de m-1 en m-1, y la funcin de probabilidad de que en el ensayo x se produzca el xito m es
x 1 m xm p(x ) = p q m 1 con x = m ,m + 1,K ,

E(X ) = m p
V (X ) = m q p2
La representacin grfica de la funcin X Pasc(m = 3, p = 0 ,6 ) con E(X)=5 y V(X)=3,33 aparece a continuacin

1,00
0,80
0,60
0,40 0,22 0,20 0,26 0,21 0,14 0,08 0,00 3 4 5 6 7 8 9 10 11 12 13 0,05 0,02 0,01 0,01 0,00 0,00
E(X)
Ej.: En el proyecto del ejemplo anterior se desea conocer el nmero de experimentos que se han de realizar para obtener el segundo xito, la probabilidad de que esto ocurra y el coste esperado. La variable aleatoria X, correspondiente al nmero de experimentos a realizar hasta conseguir el segundo xito, est distribuida segn una funcin de Pascal X Pasc(m = 2 , p = 0 ,25 ) por lo que, la esperanza de X es
E(X ) = m 2 = =8 p 0 ,25
lo que indica que habra que repetir 8 veces el experimento para obtener el segundo xito. La probabilidad de que esto ocurra es
p( y ) =
8 x 1 x 1 m x m 2 x2 = p q 2 1 0 ,25 0 ,75 = 0 ,623 m 1 x = 2 x = 2
y su coste ser
C (x ) = 25.000 x + 5.000 (x 2 )
teniendo en cuenta que E ( X 2 ) = E ( X ) E (2 ) = 8 2 = 6 el valor esperado del coste es

E (C (x )) = E (25.000 x + 5.000( x 2 )) = 25.000 E (x ) + 5.000 (x 2 ) = 25.000 8 + 5.000(6 ) = 230.000
6.5. - Binomial negativa (BN(m,p)).

Distribucin de probabilidad discreta basada en ensayos de Bernoulli con probabilidad de xito p en todos los experimentos (E), cuya variable aleatoria (X) determina el nmero de fracasos antes de lograr el xito nmero m. Si se cumple lo anterior, se dice que la variable aleatoria X sigue una funcin binomial negativa de parmetros p y m
X BN (m , p )
El estudio corresponde a una combinacin, pero el proceso se para en el m-esimo xito, luego no se contabiliza ni en el nmero de experimentos (x-1) ni el de xitos (m-1), lo que es una combinacin de m+x-1 experimentos tomados de m-1 en m-1, y la funcin de probabilidad de que despus del fracaso x se produzca el xito m es
m + x 1 m x p(x ) = p q m 1 con x = 0 ,1,2 ,K ,n

E(X ) = m q p
V (X ) = m q p2
La representacin grfica de la funcin X BN (m = 3, p = 0 ,6 ) con E(X)=2 y V(X)=3,33 aparece a continuacin

1,00
0,80
0,60
0,40 0,22 0,20 0,26 0,21 0,14 0,08 0,00 0 1 2 3 4 5 6 7 8 9 10 0,05 0,02 0,01 0,01 0,00 0,00
E(X)
Ej.: En el proyecto del problema anterior se desea conocer el nmero de fracasos antes de obtener el tercer xito, la probabilidad de que esto ocurra. Se considera X el nmero de fracasos antes de conseguir el tercer xito, distribuido segn una funcin binomial negativa X BN (m = 3, p = 0 ,25 ) por lo que, la esperanza de X es
E(X ) = m q 0 ,75 =3 =9 p 0 ,25
lo que indica que se esperan 9 fracasos antes del tercer xito. La probabilidad de que esto ocurra es
9 m + x 1 9 (2 + x )! m x 3 x p (x < 10 ) = m1 p q = 2! x! 0 ,25 0 ,75 = 0 ,609 x =0 i 0 =
6.6. - Multinomial (M((x1,p1), (x1,p1),,(xk,pk))).

Distribucin probabilstica discreta basada en n experimentos (E), en los que existirn mltiples posibles resultados (k) excluyentes entre si. El conjunto de estos resultados forman una particin (A1, A2,,Ak) del universo (U). Se estudia la variable aleatoria X1, asociada a que el resultado A1 con probabilidad p1 = P( A1 ) ocurra x1 veces; la variable aleatoria X2, asociada a que el resultado A2 con probabilidad p2 = P( A2 ) ocurra x2, y en general que la variable aleatoria Xi, asociada a que el resultado Ai con probabilidad pi = P( Ai ) ocurra xi veces, de manera que la suma de todos los resultados (xi) coincide con el nmero de experimentos realizados (n)
i =1
xi = n
y la suma total de probabilidades (p(xi)) es 1, por lo que estas variables no son independientes entre s.
i =1
[ p(xi )] = 1
k
Si se cumple lo anterior, se puede generar un vector de componentes las variables aleatorias correspondientes al nmero de resultados de cada suceso de la particin [X 1 , X 2 ,K , X k ] que siguen una probabilidad multinomial de parmetros n, pi, p2,, pk
[X 1 , X 2 ,K , X k ]
M ((x1 , p1 ), (x2 , p2 ),K , (xk , pk ))
El estudio corresponde a una permutacin con repeticin, y la funcin de probabilidad de dicho vector es
p(x1 , x2 ,K , xk ) = n! xk p x1 p x 2 K p k x1 ! x2 ! K xk ! 1 2 E ( X i ) = npi con xi = 0 ,1,2 ,K , k
La esperanza y varianza de un componente particular de resultados (Xi) son

V ( X i ) = npi qi
Una variable multinomial de dimensin dos (X1, X2), M ((x1 , p1 ),(x2 , p2 )) , se puede reducir, considerando una cualquiera de sus componentes, a una distribucin binomial.
[X 1 , X 2 ]
M ((x1 , p1 ),(n x1 ,1 p1 )) = Bi(n , p )
Ej.: Tras la inspeccin de un proceso de fabricacin, se determina que el 85 % del producto cumple con las especificaciones, el 10 % es defectuoso pero puede arreglarse y el 5 % es defectuoso y debe eliminarse. Determinar la probabilidad de que en una muestra de 20 resultados aparezcan 18 correctos y 2 defectuosos pero con posibilidad de arreglarse. En el universo de resultados se ha hecho una particin con los resultados correctos (C), defectuosos con posibilidad de arreglarse (D) y defectuosos sin posibilidad de arreglarse (X), conocindose la probabilidad de cada uno de ellos. U = C D X El conjunto de resultados [X 1 , X 2 , X 3 ] sigue una funcin multinomial de parmetros
X M ((18 , 0 ,85 ), (2 , 0 ,10 ), (0 , 0 ,05 ))
La probabilidad que se solicita es la siguiente

p(18 ,2 ,0 ) = 20! 0 ,8518 0 ,10 2 0 ,050 = 0 ,102 18!2!0!
6.7. - Hipergeomtrica (H(N,n,D)).

Distribucin probabilstica discreta basada en un universo (U) de N resultados, siendo D el nmero de ellos que pertenecen al suceso de estudio (normalmente defectos). Del universo (U) se toma una muestra aleatoria de n elementos, de la que x pertenecen a dicho suceso (D). La distribucin hipergeomtrica permite determinar la probabilidad de estos x resultados pertenezcan al suceso de inters (normalmente defectos). Si se cumple lo anterior se dice que la variable aleatoria X sigue una funcin hipergeomtrica de parmetros N, n y D
X H (N , n , D )
mientras que la funcin de probabilidad es

U (N = 6)
D N D x nx p (x ) = N n
r2
D=3 r1 r5 r6 r4
con
x = 0 ,1,2 ,K ,min(n , D )
r3
muestra (n = 3)

E(X ) = n D N V (X ) = n D N n D 1 N N N 1
La representacin grfica de la funcin X H (N = 50 ,n = 10 , D = 20 ) con E(X)= 4 y V(X)=1,96 aparece a continuacin

1,00
0,80
0,60
0,40 0,28 0,23 0,20 0,00 0,03 0,00 0 1 2 3 4 5 6 7 8 9 10 0,11 0,22 0,10 0,03 0,01 0,00 0,00
E(X)
Ej.: En un departamento de inspeccin se reciben lotes de 100 elementos con los que se sigue el siguiente plan de muestreo: se selecciona y analiza una muestra de 10 unidades sin reemplazo, de forma que se acepta el lote si la muestra no tiene ms de 1 elemento defectuoso. Si la probabilidad de que cada resultado sea defectuoso es de 0,05, determinar: a) esperanza del nmero de elementos defectuosos en el lote, b) probabilidad de dichos elementos, c) probabilidad de aceptar el lote. a) El suceso de los elementos defectuosos sigue una variable aleatoria X binomial de parmetros N=100, p=0,05 X Bi(n = 100 , p = 0 ,05 ) cuya esperanza es
E ( X ) = n p = 100 0 ,05 = 5
luego la esperanza de elementos defectuosos en el lote es de 5, valor que se utilizar como estimador del nmero de defectos (D=5) b) La probabilidad de que aparezcan 5 defectos
p (x 5 ) =
x n x x 100 x = 0 ,616 p q = 0 ,05 0 ,95 x x =0 x x =0 5
100
c) Si se considera X el nmero de elementos defectuosos que sigue una distribucin hipergeomtrica X ' H (N = 100 ,n = 10 , D = 5 ) . Se desea determinar la probabilidad de que el nmero de elementos defectuosos sea menor que uno, que corresponde al suceso
( X ' 1) = ( X ' = 0 ) ( X ' = 1)

Luego la probabilidad de aceptar el lote es
P( X ' 1) = P( X ' = 0 ) + P( X ' = 1)
Siendo la probabilidad de cada uno de los resultados

5 95 5! 95! 0 10 ( ) ( 0! 5 0 ! 10! 95 10 )! 1,011 10 13 = = 0 ,5838 p(x' = 0 ) = = 100! 100 1,731 10 13 10 10! (100 10 )! 5 95 5! 95! 1 9 ( ) ( 9 )! 5 1,135 10 12 1 ! 5 1 ! 9 ! 95 = = 0 ,328 p(x' = 1) = = 100! 100 1,731 10 13 10 10! (100 10 )!

P( X ' 1) = P( X ' = 0 ) + P( X ' = 1) = 0 ,5838 + 0 ,328 = 0 ,9118
6.8. - Poisson4 (Poi(,t))

Distribucin de probabilidad discreta que expresa, a partir de la frecuencia media () de una serie de sucesos (X), la probabilidad de que ocurran durante cierto periodo de tiempo (t). Si se cumple lo anterior, se dice que la variable aleatoria X sigue una funcin de Poisson de parmetro = t
X Poi( = t )
mientras que la funcin de probabilidad de que ocurran x sucesos en un tiempo t es

p (x , t ) =
(t )x e (t )
x!
x = 0 ,1,2 ,K

E ( X ) = t = V ( X ) = t =
a partir del valor esperado (), la funcin de probabilidad ( p x (x ,t ) ) se puede expresar mediante
p x (x ,t ) =
( )x e ( )
x!
x = 0 ,1,2 ,K
La representacin grfica de la funcin X Poi( = t = 4 ) con E(X)=4 y V(X)=4 aparece a continuacin
Simon Denis Poisson (1781- 1840) Fsico y matemtico francs.
1,00
0,80
0,60
0,40 0,20 0,20 0,16 0,10 0,06 0,03 0,01 0,01 8 9 10
0,20 0,07 0,02 0,00 0 1
0,15
E(X)
Ej.: En un departamento de inspeccin se recibe un lote de 400 elementos. Determinar la probabilidad de que 5 de ellos sean defectuosos si se conoce que se producen una media de 4 fallos por hora y el anlisis se realiza durante 2 horas. Se considera X la variable aleatoria correspondiente al nmero de resultados defectuosos (x) que sigue una funcin de Poisson de parmetros X Poi( = t ) La frecuencia media () es de 4 fallos por hora por lo que el parmetro () para el intervalo de 2 horas es
= t = 4 2 = 8
Luego la probabilidad que se solicita es la siguiente

p (x = 5 ) =
x e
x!
8 5 e 8 = 0 ,0916 5!
6.9. - Aproximaciones.
Aproximacin de la funcin binomial a la hipergeomtrica. La funcin de distribucin binomial, correspondiente al nmero de xitos en n experimentos X Bi(n , p ) , con probabilidad
n x n x p(x ) = p q x con x = 0 ,1,2 ,K , n
se aproxima a la distribucin hipergeomtrica, correspondiente al nmero (x) de defectos de entre los n de una muestra, con D defectos en un universo de N elementos X H (N ,n , D ) , con probabilidad
D N D x nx p(x ) = N n
cuando la fraccin de muestreo (n/N) de la hipergeomtrica es pequea (n/N 0,1). Si lo anterior se cumple, la distribucin binomial (Bi(n,p)) con probabilidad p = D / N proporciona una buena aproximacin a la distribucin hipergeomtrica (H(N,n,D))
X Bi(n , p = D / N ) H (N , n , D ) con n / N 0 ,1
Ej.: En un departamento de inspeccin se reciben lotes de 100 elementos con los que se sigue el siguiente plan de muestreo: se selecciona y analiza una muestra de 10 unidades sin reemplazo, de forma que se acepta el lote si la muestra no tiene ms de 1 elemento defectuoso. Determinar la probabilidad de aceptar el lote si la probabilidad de que cada elemento sea defectuoso es de 0,05. Utilizar como aproximacin la distribucin binomial. Se considera X el nmero de resultados defectuosos de sigue una variable aleatoria X Bi(n , p ) . Como n / N = 10 / 100 = 0 ,1 se realiza la aproximacin binomial por lo que
X Bi (n = 10 , p = D / N = 0 ,05 )
La aceptacin se produce cuando el nmero de defectos es menor o igual a uno, luego
( X 1) = ( X
= 0 ) ( X = 1)
y al ser sucesos excluyentes, la probabilidad de aceptar el lote es la siguiente

P( X 1) = P( X = 0 ) + P( X = 1)
La probabilidad de cada uno de ellos es

10 x 10 x p( x = 0 ) = = 0 ,5987 0 ,05 0 ,95 0
10 x 10 x p(x = 1) = = 0 ,3151 1 0 ,05 0 ,95

P( X 1) = P( X = 0 ) + P( X = 1) = 0 ,5987 + 0 ,3151 = 0 ,9138
La probabilidad obtenida con la distribucin hipergeomtrica, tal como se vio anteriormente, es

X H (N = 100 , n = 10 , D = N p = 100 0 ,05 = 5 )
P( X 1) = P( X = 0 ) + P( X = 1) = 0 ,5838 + 0 ,328 = 0 ,9118
Aproximacin de la funcin binomial a la de Poisson. La funcin de distribucin binomial X Bi(n , p ) tambin se aproxima a la distribucin de Poisson, correspondiente al nmero de resultados durante un tiempo t cuando la frecuencia media de aparicin de defectos es , luego X Poi( = t ) , con probabilidad
p (x , t ) =
(t )x e (t )
x!
x = 0 ,1,2 ,K
cuando en la funcin binomial n es grande y p es pequea. Si lo anterior se cumple, la distribucin de Poisson con parmetro = n p proporciona una buena aproximacin
X n grande Bi(n , p ) Poi( = t = n p ) con p pequea
Ej.: En un departamento de inspeccin se recibe un lote de 400 elementos. Determinar la probabilidad de que 5 de ellos sean defectuosos si la probabilidad individual de que cada elemento sea defectuoso es de 0,02. Resolver el problema considerando la aproximacin binomial. Se desconoce tanto la frecuencia de ocurrencia media () como el tiempo de ocurrencia (t), pero se puede estimar el valor esperado del parmetro a partir de considerar que los experimentos siguen una ley Binomial, por lo que el valor esperado del nmero de defectos es
E (x ) = n p = 400 0 ,02 = 8 = t =
Si se considera que el nmero de resultados defectuosos (x) sigue una funcin de Poisson de parmetros X Poi( = t = 8 ) La probabilidad de que el nmero de defectos sea 5, obtenida con la distribucin de Poisson, tal como se vio en un problema anterior, es
p (x = 5 ) =
x e
x!
8 5 e 8 = 0 ,0916 5!
Si se considera una distribucin binomial de parmetros x = 5, n = 400 y p=0,02.

X n = 400 grande Bi(n = 400 , p = 0 ,02 ) con p = 0 ,02 pequea
la probabilidad de que aparezcan 5 fallos es

n x n x 400 5 400 5 p(x = 5 ) = = 0 ,0911 = 0 ,02 0 ,98 5 p q x
comprobndose que los resultados son muy prximos entre s.
6.10. - Tabla resumen.

Distribucin Bernoulli Variable x xito (1) o fracaso (0)
X Be( p )
Probabilidad
p si x = 1 p(x , p ) = q = 1 p si x = 0
Esp/Var
1,00 0,80 0,60
Grfica
0,80
p pq
0,40 0,20 0,20
0,00 0 1
1,00
Binomial
x N de xitos en n experimentos
X Bi(n , p )
0,80
n x n x p(x ) = x p q
con x = 0 ,1,2 ,K , n
0,60
np npq
0,40 0,21 0,20 0,01 0,00 0 1 2 3 4 5 6 7 8 9 10 0,04 0,12 0,25 0,20 0,11 0,04 0,01 0,00 0,00
1,00
Geomtrica
x - N de experimentos para lograr el primer xito

X G( p )
0,80
p(x ) = pq
x 1
con x = 1,2 ,K , n
1 p
q p2
0,60 0,60
0,40 0,24 0,20 0,10 0,04 0,02 0,01 0,00 0,00 0,00 0,00 0,00 1 2 3 4 5 6 7 8 9 10
Pascal
x Experimento para lograr el xito n m

X Pasc(m , p )
x 1 m x m p (x ) = m 1 p q
con
x = m , m + 1,K ,
Binomial negativa
x Fracasos para lograr el xito n m

X BN (m , p )
m + x 1 m x p (x ) = m1 p q
con
x = 0 ,1,2 ,K , n
[x1 , x2 ,K , xk ] - N de veces
Multinomial que ocurre cada resultado
[X 1 , X 2 ,K , X k ]
M ((x1 , p1 ), (x2 , p2 ),K , (xk , pk ))
1 p q m 2 p q m p q m 2 p m npi npi qi
1,00
0,80
0,60
0,40 0,22 0,20 0,26 0,21 0,14 0,08 0,00 3 4 5 6 7 8 9 10 11 12 13 0,05 0,02 0,01 0,01 0,00 0,00
1,00
0,80
0,60
0,40 0,22 0,20 0,26 0,21 0,14 0,08 0,00 0 1 2 3 4 5 6 7 8 9 10 0,05 0,02 0,01 0,01 0,00 0,00
p(x1 , x2 ,K , xn ) =
n! xn p x1 p x2 K pn x1 ! x2 !K xn ! 1 2
x N de resultados de entre los n de una categora, con D resultados Hipergeomtrica respecto de los N del universo
X H (N , n , D )
D N D x nx p (x ) = N n
1,00
D n N
n D D N n 1 N N N 1
0,80
0,60
0,40 0,28 0,23 0,20 0,00 0,03 0,00 0 1 2 3 4 5 6 7 8 9 10 0,11 0,22 0,10 0,03 0,01 0,00 0,00
Poisson
x - N de resultados durante un tiempo t con frecuencia de ocurrencia media

X Poi( = t )
1,00
(t )x e (t ) p (x , t ) =
x! X
x = 0 ,1,2 ,K
V ( X ) = t
E ( X ) = t
0,80
0,60
0,40 0,20 0,20 0,16 0,10 0,06 0,03 0,01 0,01 8 9 10
0,20 0,07 0,02 0,00 0 1
0,15
Binomial/Hipergeomtrica Aproximaciones Binomial/Poisson

X
Bi(n , p = D / N ) = H (N , n , D ) con n / N < 0 ,1
n grande Bi(n , p ) = Poi ( = t = n p ) con p pequea

05 IntroduccionEstadistica Teran2013 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

05 IntroduccionEstadistica Teran2013 PDF

Uploaded by

Copyright:

Available Formats

Introduccin a la estadstica ndice 1. - Probabilidad. .....................................................................................................................

2. - Tablas de contingencia y diagramas de rbol............................................................... 15

3. - Fiabilidad de un sistema. ................................................................................................ 22

4. - Anlisis combinatorio. .................................................................................................... 28

Introduccin a la estadstica - 1/61 -

5. - Variable aleatoria, esperanza y varianza...................................................................... 35

6. - Distribuciones discretas importantes. ........................................................................... 49

Introduccin a la estadstica - 2/61 -

John Venn, 1834 - 1923, matemtico britnico.

Introduccin a la estadstica - 3/61 -

Introduccin a la estadstica - 4/61 -

1.2. - Operaciones con sucesos.

Introduccin a la estadstica - 5/61 -

luego s son compatibles

luego s son incompatibles

Introduccin a la estadstica - 6/61 -

Introduccin a la estadstica - 7/61 -

luego s existe la dependencia

Introduccin a la estadstica - 8/61 -

Introduccin a la estadstica - 9/61 -

1.3. - Probabilidad de sucesos.

Introduccin a la estadstica - 10/61 -

y al ser un suceso compuesto por varios fallos incompatibles

Introduccin a la estadstica - 11/61 -

al ser los sucesos de la particin mutuamente incompatibles, la probabilidad de B queda

[P(B Ai )] = P(B / A1 ) P( A1 ) + P(B / A2 ) P( A2 ) + K + P(B / An ) P( An ) = [P(B / Ai ) P( Ai )]

por lo que la probabilidad del suceso B es

Introduccin a la estadstica - 12/61 -

n n n n + ( 1)(m1) ... P ( Ai ) P A j P( Ak ) ... P( Am ) k = j +1 m=l +1 i =1 j =1+1

o Si son dos sucesos (A, B) compatibles ( A B { } ), la probabilidad de su unin es

Introduccin a la estadstica - 13/61 -

o En el caso en que sean tres sucesos compatibles ( Ai A j { } para i j ), la probabilidad de su unin es

Relacin de la probabilidad de sucesos complementarios

La probabilidad condicionada de sucesos (A, B) dependientes es P(B / A ) =

La probabilidad de la interseccin de sucesos (A, B) dependientes es

como la interseccin de sucesos es conmutativa ( A B = B A ) se cumple que

Introduccin a la estadstica - 14/61 -

2. - Tablas de contingencia y diagramas de rbol.

2.1. - Tablas de contingencia.

Siendo nB y nA el nmero de sucesos de las particiones de la columna y fila, respectivamente.

P(A j B2 ) P(A j B3 ) P(A j B4 )

Introduccin a la estadstica - 15/61 -

ELCTRICOS MECNICOS CHAPA TOTAL MAANA TARDE TOTAL 3 2 5 8 3 11 3 1 4 14 6 20

b) La probabilidad de que acuda un usuario con problemas mecnico corresponde a

c) La probabilidad de que teniendo problemas elctricos acuda por la maana es

Introduccin a la estadstica - 16/61 -

2.2. - Diagramas de rbol.

Ramas primera generacin

Ramas segunda generacin

Ramas tercera generacin

Introduccin a la estadstica - 17/61 -

P(C1 ( A1 B1 )) P(C1 ( A1 B1 )) = P(C1 / ( A1 B1 )) P( A1 B1 ) = P(C1 / ( A1 B1 )) P(B1 / A1 ) P( A1 ) P( A1 B1 )

Introduccin a la estadstica - 18/61 -

Ramas primera generacin

Ramas segunda generacin

Ramas tercera generacin

Introduccin a la estadstica - 19/61 -

La probabilidad de que acuda un usuario por la tarde corresponde a

b) La probabilidad de que acuda un usuario con problemas mecnico corresponde a

La probabilidad de que teniendo problemas elctricos acuda por la maana es

2.3. - Conversin entre el diagrama de rbol y la tabla de contingencia

P(M M ) 0 ,40 = = 0 ,727 P(M ) 0 ,55

P(M Ch ) 0 ,15 = = 0 ,75 P(Ch ) 0 ,20