Professional Documents
Culture Documents
Universidad de El Salvador
Facultad de Ingeniera y Arquitectura
Unidad de Ciencias Bsicas
Probabilidad y Estadstica
DEFINICIN
Variable aleatoria: una variable numrica cuyos valores dependen del resultado de un experimento aleatorio.
Una variable aleatoria es discreta, si sus posibles valores son puntos aislados en la recta real y continua si
sus posibles valores son todos los puntos en algn intervalo.
Usaremos letras maysculas, del final del alfabeto, para representar variables aleatorias, y su respectiva letra
minscula para representar sus posibles valores. En la prctica, las variables aleatorias discretas generalmente
estn asociadas a experimentos aleatorios que involucran el conteo de alguna caracterstica (por ejemplo, el nmero de tems defectuosos, el nmero de veces que un servidor falla), mientras que las continuas estn asociadas
a experimentos aleatorios que involucran la medida de alguna caracterstica (por ejemplo, la altura y el peso de
un individuo, la temperatura).
Debido a que hay un lmite en la precisin de los instrumentos de medicin, como un reloj o una balanza, pareciera
que cualquier variable debiera considerarse como discreta. Por ejemplo, si la resolucin del instrumento (el cambio ms pequeo en el valor medido al cual responde el instrumento) solo permite lecturas a la libra ms cercana,
stas parecern puntos aislados en la recta real, como 2, 3, 6, 100 libras. Pero esto slo se debe a la resolucin
del instrumento y no porque un peso entre 2 y 3 libras no sea posible. En este caso la variable es continua.
En la siguiente figura se muestra un conjunto de posibles valores para cada uno de los tipos de variables aleatorias.
Posibles valores
de una variable
aleatoria continua
El resultado en el cual el primer y el tercer cliente compra en formato digital y el segundo en formato impreso
puede ser abreviado como DPD. El valor asociado de la variable aleatoria es 2, ya que dos de los tres clientes
optaron por comprar en formato digital.
En la siguiente tabla se resume el comportamiento de la variable aleatoria X
Resultado
x
PPP
0
DPP
1
PDP
1
PPD
1
DDP
2
DPD
2
PDD
2
DDD
3
De inmediato notamos que los posibles valores de X son 0, 1, 2 y 3. A este conjunto de valores se le conoce como
el rango de la variable aleatoria. Adems, como los posibles valores son puntos aislados en la recta real, se trata
de una variable discreta.
Distribuciones de Probabilidad.
La distribucin de probabilidad de una variable aleatoria discreta, es un modelo que describe el comportamiento
a largo plazo de dicha variable. Por ejemplo, el gerente de la tienda podra estar interesado, adems de los posibles
valores de la variable aleatoria, de cmo sta se comportara si fuera observada para muchos clientes, es decir,
cul sera su valor ms comn? qu proporcin de las veces los clientes comprarn en formato digital? Una
distribucin de probabilidad proporciona respuestas a stas y otras preguntas.
DEFINICIN
La Distribucin de Probabilidad de una variable aleatoria discreta X proporciona la probabilidad asociada con
cada uno de los posibles valores de la variable aleatoria. Cada probabilidad es la proporcin a largo plazo en la
que el valor correspondiente de X ocurrir.
Ejemplo 2: Refrigeradoras de energa eficiente.
Suponga que cada uno de cuatro clientes seleccionados al azar que compran en un almacn de electrodomsticos
escoge cualquiera de dos modelos de refrigeradoras: el modelo de energa eficiente (E) o un modelo ms barato
que no posee la caracterstica de eficiencia de energa (G). Asuma que los clientes hacen su eleccin de manera
independiente uno del otro y que el 40% de todos los clientes seleccionan refrigeradoras del tipo energa eficiente.
2
X = Nmero de refrigeradoras del tipo energa eficiente compradas por los cuatro clientes.
Solucin:
Con P (G ) 0.6 y P ( E ) 0.4 , un posible resultado del experimento aleatorio es GGEE (en este caso X 2 ). Como
las elecciones de los clientes son independientes, la regla del producto implica que:
P(GGEE ) P(el primero escoge G y el segundo escoge G y el tercero escoge E y el cuarto escoge E)
P(GGEE ) P(G ) P(G ) P( E ) P( E ) (0.6)(0.6)(0.4)(0.4) 0.0576
Probabilidad
0.1296
0.0864
0.0864
0.0864
0.0864
0.0576
0.0576
0.0576
Resultado
GEEG
GEGE
GGEE
GEEE
EGEE
EEGE
EEEG
EEEE
x
0
1
1
1
1
2
2
2
Probabilidad
0.0576
0.0576
0.0576
0.0384
0.0384
0.0384
0.0384
0.0256
x
2
2
2
3
3
3
3
4
La distribucin de probabilidad de X puede ser obtenida fcilmente a partir de esta informacin. Por ejemplo
p (0) P( X 0) P(GGGG ) 0.1296
p (1) P ( X 1) P ( EGGG ) P (GEGG ) P (GGEG ) P (GGGE ) 0.3456
Y as sucesivamente.
La distribucin de probabilidad se resume en forma tabular de la siguiente manera:
x
p( x)
0
0.1296
1
0.3456
2
0.3456
3
0.1536
4
0.0256
Cmo se interpreta esta distribucin de probabilidad? Por ejemplo, para interpretar p(3) 0.1536 piense que el
experimento se realiza repetidamente, cada vez con un nuevo grupo de clientes. A la larga, 15.36% de estos grupos
tendrn exactamente 3 clientes que compran refrigeradoras del tipo energa eficiente.
La distribucin de probabilidad puede ser usada para determinar la probabilidad de varios eventos que involucren
a la variable aleatoria X . Por ejemplo, la probabilidad que al menos dos de los cuatro clientes compren el modelo
con energa eficiente es
P ( X 2) P ( X 0 o X 3 o X 4) p (2) p(3) p(4) 0.5248
Este resultado significa que, a largo plazo, un grupo de 4 refrigeradoras compradas incluir al menos dos del tipo
energa eficiente en aproximadamente el 52.48% de las veces.
Una distribucin de probabilidad muestra todos los posibles valores x de la variable aleatoria y los valores p( x)
para cada uno de ellos. Como ste ltimo valor es una probabilidad, y como se incluyen a todos los posibles valores
toda distribucin de probabilidad debe de satisfacer las dos siguientes propiedades:
1. Para cada uno de los posibles valores de X , 0 p ( x) 1
2. p( x) 1
La media de una variable aleatoria discreta X , denotada por X , describe dnde se centra la distribucin
de probabilidad de X . Para su clculo usaremos la siguiente expresin
x p( x)
Para toda x
X2
Para toda x
( x X ) 2 p( x)
x 2 p( x) ( X ) 2 entonces
Para toda x
X X2
0
0.4
1
0.3
2
0.2
3
0.1
y
p( y)
0
0.2
1
0.6
2
0.2
3
0.0
X2 x 2 p( x) X2
Y2 y 2 p( y ) Y2
X X2 1
Y Y2 0.4 0.632
Como el valor esperado de ambas distribuciones result ser 1, a la larga, para cualquiera de los proveedores el
nmero de imperfecciones es uno. Sin embargo, los histogramas muestran que la distribucin de probabilidad
para el primer fabricante 1 es ms dispersa que la del 2 (recuerde que las desviaciones eran 1 y 0.632 respectivamente). La mayor dispersin del primer fabricante significa que habr ms variabilidad en los valores observados
de X que en los de Y . Por ejemplo, ninguno de los valores observados de Y ser 3, pero cerca del 10% de los
valores observados de X sern 3. Parece ser que los paneles del fabricante 2 son de mejor calidad.
0
0.4
1
0.3
2
0.2
3
0.1
F ( x) 0.7 1 x 2
0.9 2 x 3
x3
1
O en forma grfica
P ( X 2) F (2) 0.9
P( X 2) 1 P( X 2) 1 P( X 1)
1 F (1) 1 0.7 0.3
Distribucin Binomial
Muchos tipos de problemas de probabilidad tienen solamente dos resultados o pueden ser reducidos a dos La distribucin de probabilidad binomial tambin se
resultados posibles.
puede representar por un grfico como el siguiente
Un experimento binomial satisface los siguientes supuestos: (a) El experimento consiste en un nmero fijo
de ensayos. (b) Cada ensayo puede ser clasificado como
xito o Fracaso. (c) Los ensayos son independientes y
(d) La probabilidad de xito se mantiene constante de
ensayo en ensayo.
La variable aleatoria X , que es igual al nmero de xitos en una secuencia de n ensayos tiene una distribucin de probabilidad dada por
n
f ( x) b( x; n, p) p x (1 p)n x
x
para x 0,1, , n
Adems
E ( x) np y X2 V ( X ) np(1 p)
Ejemplo 5: Distribucin Binomial. Basados en la experiencia, la probabilidad que cierto componente elctrico funcione adecuadamente es 0.98. Los componentes se muestrean uno a uno de la lnea de produccin.
En una muestra de 5 componentes Cul es la probabilidad de encontrar (a) cero, (b) exactamente uno, (c)
exactamente dos, (d) dos o ms defectuosos?
Como E ( x) np (5)(0.02) 0.1 , a la larga, si repetimos una y otra vez el experimento, tendremos 0.1 componentes defectuosos.
para x r ,r 1,
Solucin: Sea X el nmero de productos muestreados Ejemplo 7 Distribucin Hipergeomtrica: Diez ingeniehasta que se obtienen tres defectuosos. Entonces
ros aplican para un puesto de ingeniero residente. Cinco
de ellos poseen una maestra en energas renovables,
X nb(3;0.15)
dos poseen un doctorado y tres slo el grado de ingea) Una secuencia tpica de esta situacin es la si- nieros.
guiente, donde S = se obtiene un defectuoso.
F
Primer defectuoso
Segundo defectuoso
10
120 12
3
120
120 15
10
Cuando hacemos un muestreo sin reemplazo, la distri
bucin binomial no proporciona probabilidades exac3
tas, debido a que los ensayos no son independientes.
Mientras ms pequea sea la poblacin, menos exactas c) Ninguno tenga maestra o doctorado.
sern las probabilidades binomiales.
Solucin: Sea Z = nmero de ingenieros que no poseen
Si un lote de N objetos contiene K objetos clasificados maestra o doctorado. Entonces
como xitos y N-K objetos clasificados como fracasos, y
3 7
si se toma una muestra aleatoria de tamao n de stos
objetos al azar y sin reemplazo, entonces la variable P( Z 3) 3 0 1
120
10
aleatoria X = nmero de xitos en la muestra, tiene
una distribucin binomial cuya funcin de distribucin
3
K N K
En la siguiente grfica se muestra el histograma de pro
x n x
babilidad de X
es f ( x) h( x; n, K , N )
N
n
r
3
b) Se pide E ( x)
224241.2
p 0.000013378
Adems
E ( x) n
M
N
M
N n
n
N
N 1
X2 V ( X )
M
1
N
Distribucin de Poisson.
Solucin:
Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus principales aplicaciones hacen referencia a la modelizacin de situaciones
en las que nos interesa determinar el nmero de hechos
de cierto tipo que se pueden producir en un intervalo
de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas como las siguientes: Las ocurrencias deben de ser aleatorias y la
probabilidad de ocurrencia no debe de ser afectada por
la ocurrencia o no de un resultado previo, es decir que
los resultados son independientes.
Con 2
accidentes
, t 1 semana y t 2 . Y sea X =
semana
nmero de accidentes en una semana cualquiera.
a)
2
P( X 0)
e2
0!
b) P( X 1)
0.1353
e2
0.2707
1!
c) P ( X 2) P ( X 0) P ( X 1) P ( X 2)
22 e2
2!
P( X 2) 0.1353 0.2707 0.2707 0.6767
La probabilidad de que ocurran exactamente r eventos
en un determinado intervalo de tiempo o espacio bajo d) Con t (2)(4) 8 y Y = nmero de accidentes en
ciertas condiciones est dada por
un mes
t
f ( x) P( x; )
P( X 2) P( X 0) P( X 1)
e t
r!
Adems
P(Y 3)
e8
3!
0.0286
E ( x) t y X2 V ( X ) t
Donde t (en unidades de tiempo, longitud, rea, volumen) es un intervalo de tiempo o espacio en el cual los
eventos ocurren, y es el promedio de ocurrencia por
unidad de tiempo o espacio (por lo que el producto t
es adimensional)
Ejemplo 8: Distribucin de Poisson. El nmero promedio de accidentes automovilsticos ocurridos en una semana en un cruce en particular es de 2. Asuma que se
cumplen todos los requerimientos para la distribucin
de Poisson.
a) Cul es la probabilidad de que no haya ningn accidente en cualquier semana en particular?
b) Cul es la probabilidad de que haya exactamente
un accidente en una semana cualquiera?
c) Cul es la probabilidad de que hayan no ms de 2
accidentes en una semana?
d) Cul es la probabilidad que haya 3 accidentes en un
mes?