Documente Academic
Documente Profesional
Documente Cultură
REALIZADO POR:
DRA. PATRICIA GUEVARA V.
SANGOLQUI, 2008
INDICE
1.
1.1.1.
1.1.2.
1.1.3.
1.1.4.
1.2.
1
1
2
2
1.2.1.
1.2.2.
1.3.
Experimento ____________________________________________________________________
Espacio muestral ()______________________________________________________________
Evento _________________________________________________________________________
Definicin clsica de probabilidad ___________________________________________________
Axiomas _______________________________________________________________________ 3
Eventos son Mutuamente excluyentes ________________________________________________ 3
1.3.1.
1.3.2.
1.3.3.
1.3.4.
3
6
9
9
1.4.
1.5.
1.5.1.
1.5.2.
1.5.3.
1.5.4.
1.5.5.
1.6.
2.
Regla mn ______________________________________________________________________
Permutaciones __________________________________________________________________
Combinaciones _________________________________________________________________
Frmula de Stirling ______________________________________________________________
Aplicaciones ___________________________________________________________________
13
13
14
14
14
DEFINICIONES ____________________________________________________________ 16
5.1.1.
5.1.2.
5.1.3.
5.1.4.
5.1.5.
5.1.6.
5.1.7.
5.2.
DISTRIBUCIN BINOMIAL_________________________________________________ 21
5.3.1.
5.3.2.
5.4.
16
16
17
18
18
18
18
5.2.1.
5.3.
5.4.1.
5.4.2.
5.5.
5.6.
5.6.1.
5.6.2.
5.7.
5.7.1.
5.7.2.
5.7.3.
5.7.4.
5.7.5.
5.7.6.
27
27
28
28
29
29
ii
5.7.7.
5.7.8.
iii
1.1.1. Experimento
Es un proceso por el cual se obtiene una observacin. Ejemplos: a) Lanzamiento de una moneda,
b) Lanzamiento de un dado, c) Nmero de artculos defectuosos en una fbrica.
1.1.2. Espacio muestral ()
El espacio muestral es el conjunto de todos los posibles del experimento. S lo notar con .
Ejemplos:
a) Del experimento lanzamiento de una moneda, el espacio muestral es: = {C, S}
b) Del experimento lanzamiento de un dado, el espacio muestral es:
= {1,2,3,4,5,6,}
c) Del experimento Lanzamiento de dos monedas, se tiene espacio un muestral:
= {CC, CS, SC, SS}
C
C
S
C
S
S
1.1.3. Evento
Es un subconjunto del espacio muestral, se lo puede notar con letras Ei o A, B, etc.
Ejemplos:
a) Del experimento lanzamiento de una moneda, puede interesar el evento C: Se observa cara
b) Del experimento lanzamiento de un dado, puede interesar el evento A: Se observa el nmero
6
Los eventos pueden ser simples y compuestos. Se llama simple, si el evento no se puede
descomponer en otros eventos, mientras que el evento compuesto se puede descomponer en dos
o ms eventos simples. Ejemplos:
a) Del experimento lanzamiento de una moneda, un evento simple es C: Se observa cara.
b) Del experimento lanzamiento de un dado, se tienen algunos eventos simples: E1: Se observa
el nmero 1, . . . , E6: Se observa el nmero 6, etc.; y se tienen algunos eventos compuestos:
A1: Se observa nmero par, A2: Se observa el nmero impar, etc.
1.1.4. Definicin clsica de probabilidad
Si un experimento que est sujeto al azar, resulta de n formas igualmente probables y
mutuamente excluyentes, y si nA de estos resultados tienen un atributo A, la probabilidad de A es
n
la proporcin de nA con respecto a n.
donde 0nAn
p( A ) = A ,
n
Ejemplo:
De un estudio realizado a 200 graduados, se determin que 60 de ellos no estaban empleados en
su rea. Cul ser la probabilidad de que un graduado no est empleado en su rea?.
Solucin:
Sea el evento A: graduado que no est empleado en su rea nA= 60
La probabilidad de que un graduado no trabaje en su rea, es p(A)=
60
=0,30
200
Nota.- Si existe poca o ninguna experiencia sobre un fenmeno que permita hallar su
probabilidad, se puede utilizar la probabilidad subjetiva, la misma que se basa en opiniones
disponibles, por lo que La probabilidad de suceda un evento, es asignada por una persona en
base a cualquier informacin que esta disponga.
1.1.4.1. Propiedades de la probabilidad
La probabilidad se interpreta como una frecuencia relativa, por lo tanto cumple con las
siguientes propiedades:
1) Dado evento simple Ei, se cumple
0P{Ei} 1
2) La suma de las probabilidades es 1, es decir
p(Ei ) =1
i
Ejemplos:
a) Del experimento lanzamiento de una moneda, dados los eventos: C: Observar cara, S:
Observar sello, la probabilidad de ocurrencia de cada evento es: p(C)= ,
p(S) =
b) Del experimento lanzamiento de un dado, con eventos E1: Se observa nmero par, E2: Se
observa el nmero impar, y sus probabilidad de ocurrencia son:
p(E1)=3/6,
p(E2)=3/6
c) En la extraccin de cartas con reposicin de un juego de naipes, se tiene un espacio
muestral formado por 52 resultados:
={2,..., K, 2,..., K, 2,..., K, 2,..., K}
Se puede hallar la probabilidad para los siguientes eventos:
2
P(As) = 1/52
P() = 13/52
P() =1
Evento nulo
p() = 0
Evento A
Ac
Evento contrario:
CA, A, No sucede A
A
AB
p(Ac)=1 - p(A)
p(Ac)=1 - p(A)
Suceden A o B.
A
A
(implica que al
B
menos uno de los
dos eventos)
p(AoB) = p(A) + p(B) p(AB)
A B
Suceden A y B
(implica que los dos
eventos suceden a p(AB)
la vez)
=A Ac.
P(Ac) = 1 P(A)
Ejemplos:
1. En el lanzamiento de una moneda se definen dos eventos mutuamente excluyentes:
A:Observar cara; B:Observar sello. Determine P(AB) =
2. En el lanzamiento de un dado se definen los eventos: C:Observar uno; D:Observar dos;
E:Observar nmeros menores que 4; F:Observar nmeros impares. Determine
P(CD) =
P(EF) =
3. En la extraccin de cartas, se definen muchos eventos no excluyentes; ejemplo de ello son: G:
Extraer un As;
H: Extraer carta de . Son eventos no excluyentes. Determine
P(GH) =
4. Si P(A)= 0.3, P(B)=0.2 y P(AB)=0.1, determine las siguientes probabilidades. (sec.2.3Montgomerry, Ej. 2.45)
a) P(Ac)=
b) P(AB)=
c) P(AcB)=
d) P(ABc)=
e) P[(AB)c]=
f) P(AcB)]=
g) P[(AB)c]=
5. La tabla siguiente presenta un resumen del anlisis realizado a las flechas de un compresor
para determinar el grado con que stas satisfacen ciertos requerimientos.
La curva cumple con los requerimientos
No (B2)
Total
Si (B1)
El acabado superficial
cumple
con
los
requerimientos
Si (A1)
345
350
No (A2)
12
20
Total
367
13
370
a. Si se toma una flecha al azar, cul es la probabilidad de que cumpla con los
requerimientos de acabado superficial?
b. Cul es la probabilidad de que la flecha seleccionada cumpla con los requerimientos de
acabado superficial o con los de curvatura?
c. Cul es la probabilidad de que la flecha seleccionada cumpla con los requerimientos de
acabado superficial o que no cumpla con los de curvatura?
d. Cul es la probabilidad de que la flecha seleccionada cumpla con los requerimientos de
acabado superficial y de curvatura?
P(5) =
1.3.2. Regla de Probabilidad conjunta (Multiplicacin)
Supngase que se realiza un control de 10 elementos que contiene una caja, y se conoce que 3 de
estos son defectuosos, entonces la probabilidad de que sea seleccionado un defectuoso es
p=3/10; si se hace una nueva extraccin sin reposicin, la probabilidad es afectada por el primer
resultado. Por ejemplo si el primero ya fue defectuoso, la nueva probabilidad sera 2/9, a sta
ltima probabilidad se la llamar condicional.
1.3.2.1. Regla general de multiplicacin
Utilizada para calcular una probabilidad conjunta se define como la probabilidad de que ocurran
A y B al mismo tiempo. De modo que si A y B son dos eventos cualquiera:
p(AB) = p(A).p(B|A).
1.3.2.2. Eventos independientes
Dos eventos A y B son independientes, cuando la ocurrencia del uno no afecta en la probabilidad
de ocurrencia del otro.
Es decir, Si A y B son independientes, si se cumple una de las siguientes proposiciones:
i) P (A/B) = P(A)
j) P (B/A) = P(B)
k) P(AB) = P(A)P(B)
Esto significa que el conocimiento de la realizacin del evento B no aporta en nada al
conocimiento de la realizacin del evento A y viceversa. Para las aplicaciones y demostraciones
de la independencia de eventos se usa la siguiente propiedad.
Ejemplo
8. Supngase que se tienen 10 rollos de pelcula fotogrfica, en una caja y se sabe que tres son
defectuosos. Se selecciona uno al azar, la probabilidad de extraer uno defectuoso es p(D) =
3/10, y la probabilidad de seleccionar uno satisfactorio es p(Dc) = 7/10.
Caso 1) Extracciones con reposicin:
Se elige despus un segundo rollo, haciendo reposicin del primero, entonces la
probabilidad de que el segundo rollo sea defectuoso no cambia, pero se tienen dos
posibilidades, por lo que:
p(D/D) = 3/10
p(D/Dc) = 3/10
Si nuevamente se hace reposicin antes de la segunda extraccin, entonces la probabilidad
de que el segundo rollo sea satisfactorio no cambia, pero se tienen dos posibilidades, por lo
por lo que:
p(Dc/D) = 7/10
p(Dc/Dc) = 7/10
Caso 2) Extracciones sin reposicin:
Se elige un segundo rollo, sin haber hecho reposicin, entonces la probabilidad de que el
segundo rollo sea defectuoso, tiene dos posibilidades:
p(D/D) = 2/9
p(D/Dc) = 3/9
Si nuevamente no se repone el rollo saliente, entonces la probabilidad de que el segundo
rollo sea satisfactorio tiene dos posibilidades, por lo por lo que:
6
p(Dc/D) = 7/9
p(Dc/Dc) = 6/9
Ejemplo
9. Considere el ejemplo anterior. Ahora se seleccionarn dos rollos uno despus de otro. Cul
es la probabilidad:
a) De seleccionar uno defectuoso seguido de otro defectuoso?
b) De seleccionar uno defectuoso seguido de uno sin defectos?
c) De seleccionar uno sin defectos seguido uno defectuoso?
Halle dichas probabilidades en el caso 1) y en el caso 2)
Caso 1)
a) p(DD)=P(DD)=
b) p(DDc)=P(DDc)=
c) p(DcD)=P(DcD)=
Caso 2)
d) p(DD)=P(DD)=p(D)p(D/D)
e) p(DDc)=P(DDc)=p(D)p(Dc/D)
f) p(DcD)=P(DcD)=p(Dc)p(D/Dc)
3 2
=
10 9
2 7
= =
10 9
7 3
= =
10 9
=
Tiempo de servicio
Lealtad
A1: Se quedara
A2: No se quedara
Total
B1:
Menos de 1 ao
10
25
B2:
1 5 aos
30
15
B3:
6 10 aos
5
10
B4:
Ms de 10 aos
75
30
Total
120
80
200
Prob. a Priori
Prob. Condicionales
10/120
30/120
p(A1) = 120
200
5/120
75/120
25/80
p(A2) = 80
200
15/80
10/80
30/80
200
Prob. Conjuntas
< 1 ao
1 5 aos
< 1 ao
p(A2)p(B1/A2) = 80 x 25 = 0.125
200 80
Total = 1.000
E2
E3
En
...
EnB
Definicin: Supngase que E1, E2, . . . , En, son eventos mutuamente excluyentes, entonces:
P(B) = P(E1B) +P(E2B) + . . . +P(EnB) = P(E1)P(B/E1) +P(E2)P(B/E2) + . . . + P(En)P(B/En)
Puesto que, B = (E1B) P(E2B) . . . P(EnB),
Ejemplo
12. La irregularidad del corte de productos de papel aumenta a mediad que las hojas de la
cuchilla se desgastan. Slo el 1% de productos cortado con cuchillas nuevas tienen cortes
irregulares, el 3% de los cortados con cuchillas de filo promedio exhiben irregularidades y
el 5% de los cortados con cuchillas desgastadas presenta irregularidades. Si el 25% de las
cuchillas utilizadas en el proceso de corte son nuevas, el 60% tienen un filo promedio y el
15% de las cuchillas estn desgastadas, cul es la proporcin de productos que tendrn
cortes irregulares?
En el ejemplo de los semiconductores se cuenta con una tabla que muestra todas las
probabilidades entre los eventos A y B, ya sean las probabilidades conjuntas, condicionales y
totales, pero no siempre ocurre esto.
Supngase que se conoce p(B/A), pero se quiere determinar p(A/B), en este caso hace falta una
nueva regla de probabilidad que nos permita hallar est probabilidad, llamada Teorema de
Bayes.
Comencemos con un caso particular, dados los eventos A y B,
se tiene que
p(AB) = p(BA),
pero a su vez,
p(AB) = p(A)p(B/A) = p(BA) = p(B)P(A/B)
p(B/A)p(A)
Por lo tanto:
p(A/B) =
p(B)
Lo que implica p(A/B) puede determinarse en funcin de la informacin previa, p(B/A) y p(B)
En general para hallar este tipo de probabilidades cuando se tienen ms eventos requiere de los
siguientes elementos:
9
Probabilidades a Priori, que son las probabilidades iniciales con base al nivel actual de
informacin, se denota con p(Ei)
Probabilidades condicionales: P(B/Ei)
Probabilidad total: p(B)
Teorema de Bayes
Sean E1, E2, . . . , En, eventos mutuamente excluyentes, y B un evento cualquiera, y dados los
eventos condicionales B/Ei entonces:
p(E i )p(B E i )
p(E i )p(B E i )
=
p(E i B) =
p(B)
p(E 1 )p(B E 1 ) + p(E 2 )p(B E 2 ) + ... + p(E n )p(B E n )
Ejemplo:
13. Suponga que el 5% de una poblacin padece de una enfermedad, se A1 el evento tiene la
enfermedad y A2 el evento no tiene la enfermedad. Existe una prueba para detectar la
enfermedad aunque no es muy exacta. Sea B el evento la prueba indica que la
enfermedad est presente. De acuerdo a los datos histricos, se conoce que: si una
persona padece la enfermedad, la probabilidad de que la prueba indique la presencia de la
misma es 0.90, y si una persona no padece la enfermedad la probabilidad de que la prueba
indique la presencia de la misma es 0.15. Cul es la probabilidad de que la persona est
enferma dado que la prueba result positiva?
Solucin:
Eventos y probabilidades a priori (datos)
Eventos y probabilidades simples:
tiene la enfermedad
p(A1) = 0.05
A1:
p(A2) = 0.95
A2: no tiene la enfermedad
p(B/A1) = 0.90
tiene la enfermedad
B/A2:
la prueba indica que la enfermedad est presente, dado que la persona no
p(B/A2) = 0.15
tiene la enfermedad
Evento y probabilidad a posteriori (lo que se desea encontrar)
Hallemos primero la probabilidad de que la prueba indica presencia de la enfermedad en
cualquiera de las condiciones indicadas inicialmente:
p(A1 B) =
0.05 * 0.90
= 0.3015
0.14925
10
14. Una caja contiene 12 esferas de colores de las cuales 2 son amarillas, 3 blancas, 4 rojas y
tres negras. Con dicha informacin:
a. Halle la probabilidad de extraer una bola blanca o roja
b. Halle la probabilidad de extraer una bola negra o roja
15. Un estudio de 200 cadenas de comestibles revel estos ingresos, despus del pago de
impuestos:
Ingresos (dlares). Despus de pagar los impuestos
Menos de 1 milln
De 1 a 20 millones
Ms de 20 millones
Nmeros de empresas
102
61
37
0.90
0.99
0.95
0.90
11
Si (B1)
No (B2)
Si (A1)
514
68
No (A2)
112
246
Total
Total
24. (Ejerc. 2.67 Montgomery). La probabilidad de que falle un conector elctrico que se
mantiene seco durante el periodo de garanta es 1%. Si el conector se humedece, la
probabilidad de falla durante el periodo de garanta es 5%. Si el 90% de los conectores se
mantienen secos, y el 10% se humedece, qu porcentaje de conectores fallar durante el
periodo de garanta?
25. (Ejerc. 2.68 Montgomery). Suponga que el 2% de los rollos de tela de algodn son
defectuosos, al igual que el 3% de los rollos de tela de nylon. De los rollos de tela de
utilizados por el fabricante, 70% son de algodn y 30% son de nylon, cul es la
probabilidad de que al seleccionar uno de los rollos ste sea defectusos?
26. (Ejerc. 2.69 Montgomery). En la fabricacin de un adhesivo qumico, el 2% de todos los
lotes contienen materia que proviene de dos embarques diferentes. Esto sucede cuando los
tanques de almacenamiento son rellenados y lo que queda de un lote es insuficiente para
llenar otro tanque. Solo es necesario volver a procesar el 5% de los lotes con materia prima
que proviene de un solo embarque. Sin embargo, la viscosidad de los lotes que contienen
materia prima de dos o ms embarques es ms difcil de controlar, y el 40% de estos lotes
requieren un procesamiento adicional para almacenar la viscosidad requerida. Sea A: el
evento en que un lote contiene material prima de dos embarques diferentes, y B: el evento
en que el lote requiere de procesamiento adicional. Determine las probabilidades siguientes:
p(A), p(A), p(B/A), p(B/A), p(AB),p(AB), p(B)
Ejercicios 2.83 2.91 de las secciones 2.6, (pg. 91) y 2.7, (pg. 92-93), Probabilidades y
Estadstica aplicadas a la ingeniera Douglas Montgomerry
Ejercicios: 34 36 del Cap. 5, pg. 166, Estadstica para Administr. y Economa, Masson
12
Problema 3: En una sala de espera hay solamente dos sillas, entonces de cules y cuntas
formas pueden colocarse 4 personas en estas sillas? Sol.
=
Definicin.- El nmero de formas en que se pueden ordenar n objetos distintos tomados r (rn) a
la vez denotamos por nPr, o, Pn,r que se lee permutaciones de n objetos tomados r a la vez.
n!
Pn,r = n(n-1) (n-2)...(n-r+1) =
donde n! = n(n-1)...1.0!, y 0!=1.
(n r)!
Luego de los problemas 3 y 4 se tiene:
13
1.5.3. Combinaciones
Problema 4: En una sala de espera hay solamente dos sillas, entonces de cules y cuntas
formas pueden colocarse 4 personas en estas sillas, si no interesa el orden de colocacin?
Sol.
=
Definicin.- El nmero de formas en que se pueden ordenar n objetos distintos tomados r (rn) a
la vez donde no interesa el orden, se denota por nCr, o, Cn,r y se lee combinaciones de n
n!
objetos tomados r a la vez.
Cn,r =
r!(n r)!
Ejemplo: Las combinaciones de 7 objetos tomados 3 a la vez son: 7 =
3
7!
3!(7 3)!
= 7! = 35
3!.4!
20!
(20 10)!
10
14
1.
2.
3.
4.
5.
Supngase que se disponen de 8 mquinas pero solo caben 3 en el espacio donde deben
colocarse, de cuntas formas deben colocarse en dichos espacios?
6.
7.
8.
La compaa PIONER fabrica tres modelos de receptores de estreo, cuatro bocinas, y tres
aparatos de discos compactos. Cuando los tres tipos de componentes compatibles se venden
juntos forman un sistema. Cuntos sistemas distintos pueden ofrecer una empresa?
9.
10. Para identificar un artculo de ropa se utilizar cdigos de barra con cuatro dgitos, si no
debe repetirse dgito alguno, cuntas codificaciones se pueden formar?
11. Un entrevistador seleccionar 4 personas al azar de 10 personas disponibles. Cuntos
grupos de 4 personas son posibles?
12. Una agencia ambiental, desea seleccionar para un estudio una muestra de 5 rellenos
sanitarios. Si dispone de 20 rellenos, cuntas muestras posibles se pueden formar?
13. De cuntas formas pueden seleccionarse 2 hombres, 4 mujeres, 3 nios y 3 nias, si se
dispone de 6 hombres, 8 mujeres, 4 nios y 5 nias?
14. Cuntos comits diferentes de 3 hombres y 4 mujeres pueden formarse con 8 mujeres y 6
hombres?
15. Una compaa ofrece 3 cargos, para lo cual dispone de 8 candidatos, 6 de los cuales son
hombres, determine:
a. La probabilidad de que se seleccione a 3 hombres
b. La probabilidad de que se seleccione a 2 mujeres
c. La probabilidad de que se seleccione a 2 hombres y una mujer
d. La probabilidad de que se seleccione a 2 mujeres y un hombre
15
2. DISTRIBUCIONES DE PROBABILIDAD
El estudio de las variables aleatorias y el modelo matemtico que siguen permitir el clculo de
las probabilidades.
5.1.
DEFINICIONES
Una variable aleatoria (v.a.) X, es una funcin que asigna un nmero a cada resultado del
espacio muestral, es decir: X: S R. Se la denota con X y los valores que sta toma con x.
Por ejemplo, en el experimento lanzamiento de dos monedas interesa la variable aleatoria:
nmero de caras, y en la siguiente tabla se muestran los resultados del espacio muestral y las
respectivas asignaciones numricas realizadas por la funcin variable aleatoria.
Espacio muestral:
SS
SC, CS
CC
Variable aleatoria: X
0
1
2
Existen dos tipos de variables aleatorias, que son discretas y continuas, las mismas que van a
generar las distribuciones discretas y las distribuciones continuas.
Una v.a. discreta toma un rango finito de valores. Ejemplo: En una institucin hay 100
empleados, de modo que si la v.a. es X: nmero de ausentes el da Lunes, entonces: X= 0,1, ...
,100
Una v.a. continua es aquella que toma un rango infinito de valores en R. Ejemplo: X: altura de
una persona: X= 1.70, 1.71, 1.80, 1.83, . . . ,
El evento {X=x} indica que, el inters recae en determinar los resultados del espacio muestral
para los cuales X=x, y su probabilidad respectiva es, es p(X=x)
5.1.2. Funcin de densidad f(x)
Sea X una v.a., la funcin de densidad de probabilidad es una funcin cuyo dominio es la
variable aleatoria X (conjunto de nmeros reales) y recorrido es el intervalo [0, 1], y se define
f: X [0, 1], f(x) = p(X=x).
como:
Esta funcin satisface las siguientes propiedades:
Si X es variable aleatoria discreta:
x X
i) 0f(x) 1
ii) f(x) =1, si X es v.a. discreta,
X
ii)
16
Probabilidad
2
1
1
0
0.64
0.16
0.16
0.04
1.00
Total
Sea X una v.a., la funcin de distribucin de probabilidad es una funcin cuyo dominio es la
variable aleatoria X (conjunto de nmeros reales) y recorrido es el intervalo [0, 1], y se define
como la probabilidad de que X sea menor o igual a un valor especfico de x, es decir:
F: X [0, 1], F(x0) = p(Xx) =
f(x) ,
xi x0
f(x)dx ,
f(x)dx
, xi<xj
xi
f(x) = p(X=x).
F(x) = p(Xx)
X=2
X=1
X=0
P(X=2) = 0.64
P(X=1) = 0.32
P(X=0) = 0.04
0.64
0.96
1.00
17
X = x.f(x)dx ,
si X es v.a. continua
si X es v.a. discreta
V(X)= X2 = E(X x ) 2 =
(x - u
) 2 .f(x)dx ,
si X es v.a. continua
Si X y Y son v.a. independientes y a, b, c son constantes, la varianza V(x) cumple las siguientes
propiedades:
2) Var(a) =
3) Var(ax+bY) =
1) Var(x) 0
5.1.6. Coeficiente de asimetra
Estudiada anteriormente, se puede definir como: 3=3/2, donde 3= E(x-)3.
5.1.7. Coeficiente de curtosis
Estudiada anteriormente, se puede definir como: 4=4/2, donde 4= E(x-)4.
Ejemplo:
La produccin diaria de 600 partes contiene 40 que no satisfacen los requerimientos del cliente.
Del lote se eligen al azar sucesivamente 2 partes sin reemplazo.
Sea X la v.a. nmero de partes de la muestra que no cumplen con los requerimientos.
Cul es la funcin de f.d.p.a. de X?
Solucin:
X = 0, 1, 2
P(X=0)= (560/600)*(559/599) =
0.8710
P(X=1)= 2*(560/600)*(40/599)= 2*(0.0623)= 0.1246
P(X=2)= (40/600)*(39/599)
=
0.0044
1.0000
luego:
FX(0) = 0.87410
FX(1) = P(X0) + P(X1) = 0.87410 + 0.1246 = 0.9956
FX(2) = P(X0) + P(X1) + P(X2)= 0.87410 + 0.1246 + 0.0044 = 1.0
18
5.2.
EJERCICIOS PROPUESTOS
Evento
f(x)
F(x)
x.f(x)
(x-u)
(x-u)2
(x-u)3
(x-u)2 f(x)
(x-u)3 f(x)
(x-u)4 f(x)
2
3
4
5
6
7
8
9
10
11
12
Funcin de densidad
Funcin de distribucin
1.200
1.000
4
Frequency
0.800
3
0.600
0.400
0.200
0.000
0
2
2
10
11
10
11
12
12
19
Evento
fx(x)= P(X=x)
Fx(x)= P(Xx)
Evento
fx(x)= P(X=x)
Fx(x)= P(Xx)
Total
b)
c)
d)
e)
f)
P(X=1)=
P(0.5< X <2.7)=
P(X >2)=
P(0X<2)=
Grfico f.d.p.a
20
Funcin de densidad:
Funcin de distribucin:
x = 0, 1, 2,...,n
x = 0, 1, 2,...,n
Varianza
E(x) = np
Var(x) =npq
Coeficiente de asimetra
3 =
Coeficiente de curtosis
qp
(npq)1/2
4 = 3 +
1 - 6pq
npq
0.45
d0.4
a
0.35
d
lii 0.3
b
a0.25
b0.2
o
r
0.15
P
0.1
0.05
0
0.2401
0.2646
0.0756
0.0081
0.375
0.25
0.25
0.0625
0.0625
0.4116
0.2646
0.2401
0.0756
0.0081
x
21
Ejemplos:
1. Usted ha contratado 8 recepcionistas telefnicas para que tomen los pedidos de una lnea de
productos deportivos que su empresa est comercializando. Una recepcionista est ocupada
el 30% del tiempo catalogando un pedido. Usted no desea que la probabilidad de que una
llamada del cliente reciba una seal de ocupado exceda el 50%. Debera usted contratar
ms recepcionistas si 3 clientes llaman?
Solucin:
X: Nmero de veces en las que la lnea est ocupada
n=8
(nmero de ensayos)
p = 0.3 probabilidad de que la lnea est ocupada
P(X = x) = f(x)
0,1678
0,3355
0,2936
0,1468
0,0459
0,0092
0,0012
0,0001
0,0000
1,00000
P(X x) = F(x)
0.1678
0.5033
0.7969
0.9437
0.9896
0.9988
0.9999
1.0000
1.0000
Distribucin de probabilidad
de la v.a. X
4
5
5
3
3
.
0
0.4
7
7
7
6
.1
0
0.3
)
x
=
(X
p
0
6
3
9
.2
0
0.2
0
8
6
4
.1
0
1 .0
8
8
5
4
0
.0
0.1
8
1
9
0
.0
0
5
1
1
0
0
.
0
8
0
0
0
0
.
0
0
0
0
0
0
.
0
0.0
1
) 0 .8
x
= 0 .6
<
X 0 .4
(
p 0 .2
2
3
3
0
.5
0
7
7
7
6
1
.
0
7
7
8
9
.9
0
9
5
9
8
.9
0
2
7
3
4
.9
0
2
9
6
9
.7
0
1 .2
2
9
9
9
.9
0
0
0
0
0
.0
1
0
0
0
0
.0
1
0 .0
1
22
En muchos problemas puede interesar determinar el Nmero de sucesos o xitos por unidad de
tiempo. Esos problemas pueden estar relacionados con la teora de colas, y ejemplos para este
tipo de variable son: nmero de personas por hora que llegan a una fila de espera, nmero de
autos por minuto que llegan al peaje, nmero de llamadas por realizadas a la central telefnica.
Sin embargo, tambin puede interesar estudiar el Nmero de sucesos o xitos por otro de tipo
de unidad, que puede ser: nmero de fallas por metro cuadrado, nmero de defectos por lote,
etc.
En general, se define variable aleatoria de Poisson, como una variable aleatoria discreta, donde
X es el Nmero de sucesos o xitos por unidad de tiempo o espacio, la misma que debe
ocurre dentro de un proceso con las siguientes caractersticas:
i) La probabilidad de observar un xito, depende solamente de la longitud de tiempo o
espacio, por lo que si el tiempo es mayor, entonces, mayor es el nmero de llegadas. Y
es proporcional a la longitud del intervalo.
ii) La probabilidad de observar ms de un xito en el intervalo pequeo tiende a cero, si se
la compara con un intervalo en el que ocurre una sola llegada.
iii) La ocurrencia de un xito en cualquier intervalo es independiente de lo ocurrido en otro
intervalo.
5.4.1. Funciones de densidad y distribucin de Poisson
Si el nmero promedio de ocurrencias en el intervalo es >0, la v.a. X definida como nmero
de ocurrencias en el intervalo tiene una distribucin de Poisson con parmetro , y las funciones
de densidad y probabilidad de X son respectivamente:
e x
f(x) = P(X = x ) =
;
x = 0, 1, 2,...
x!
e x
F(x) = P(X x ) =
;
x = 0, 1, 2,...
x!
x
5.4.2. Medidas descriptivas:
Valor esperado E(X) =
Varianza
V(X) = 2 = ,
=
En ocasiones, no est dado explcitamente, pero puede hallarse con np, o m
Ejemplo:
Supngase que para un alambre, el nmero de fallas est descrito por una v.a. X de Poisson con
una media de 2.3 fallas por milmetro.
a) Determine la probabilidad de tener dos fallas en un milmetro de alambre.
2.3
2
P(X=2) = fx(2; 2.3) = e (2.3) =
2!
10!
23
1.
2.
3.
Ejerc. 96. Suponga que el nmero de clientes que entran a un banco en una hora es una v.a.
de Poisson, y que P(X=0)=0.05. Calcule la media y la varianza de X.
4.
5. Ejerc.: 98. El nmero de defectos en los rollos de tela de cierta industria textil es una v.a.
Poisson con una media de 0.1 defectos por metro cuadrado.
a. Cul es la probabilidad de tener dos defectos en un metro cuadrado de tela?
b. Cul es la probabilidad de tener un defecto en 10 metros cuadrados de tela?
c. Cul es la probabilidad de que no haya defectos en 20 metros cuadrados de tela?
d. Cul es la probabilidad de que existan al menos dos defectos en 10 metros cuadrados
de tela?
6. Si la variable aleatoria X sigue una distribucin binomial, con n=10, p=0.05 Calcule las
probabilidades siguientes:
a. P(X=5)
b) P(X<=2)
c) P(X>=9) d) P(3<=X<5)
Resp. a) 0.246, b) 0.055, c) 0.011, d) 0.322
7.
Halle el valor de x, tal que P(X<=2) = 0.85, si se conoce que el nmero de ensayos es 10, y
la probabilidad de xito para la variable aleatoria binomial X es: 0.25.
Estadstica Bsica en Administracin Berenson, Levine, cp.7, pg.260, ej. 7.5.: 17-19
24
8.
Suponga que los registros de garantas muestran que la probabilidad de que un carro nuevo
necesite una reparacin de garanta en los primeros noventa das es 0.05. Si selecciona una
muestra de tres nuevos carros, Cul es la probabilidad de que:
a. Ninguno necesite una reparacin de garanta?
b. Al menos uno necesite una reparacin de garanta?
c. Ms de uno necesite una reparacin de garanta?
d. Qu suposiciones son necesarias en a?
e. Cules son la media y la desviacin estndar de la distribucin de probabilidad en a?
9. La probabilidad de que un vendedor venda una suscripcin a una revista a alguien que ha
sido seleccionado aleatoriamente del directorio telefnico es 0.2. Si el vendedor le habla a
10 individuos esta tarde, cul es la probabilidad de que:
a. No se venda una suscripcin?
b. Se venda exactamente dos suscripciones?
c. Se vendan al menos dos suscripciones?
d. Se vendan a lo ms dos suscripciones?
10. Una parte importante de las responsabilidades del servicio a clientes de una empresa pblica
de gas natural se refiere a la rapidez con se pueden atender las llamadas relativas a la falta
de calefaccin en una casa. Suponga que una variable de servicio de importancia se refiere a
s la persona de reparaciones llega o no a la casa en un perodo de dos horas. Los datos
pasados indican que la probabilidad es de 0.60 de que la persona de reparaciones llegue a la
casa en un perodo de dos horas. Si se selecciona una muestra de cinco llamadas de servicio
de falta de calefaccin, cul es la probabilidad de que una persona de reparaciones
llegue a:
a. Las cinco casas en un perodo de dos horas?
b. Al menos a tres casa en el perodo de dos horas?
c. Encuentre la probabilidad de que la persona de reparaciones llegue a cero, una y dos
casas y grafique el histograma para la distribucin de probabilidad.
d. Cul es la forma de la distribucin graficada, explique?
Resp. a) 0.0778,
b)0.6826, c) P(X=0)=0.0102, P(X=1)=0.0768, P(X=2)=0.2304
Estadstica aplicada a las ciencias sociales y a la educacin WAYNE W. DANIEL.
Captulo 3. Ejercicio 9 pg. 79.
11. En una zona geogrfica, el 15% de los adultos son analfabetos. Dada una muestra aleatoria
de 25 adultos de sta rea, cul es la probabilidad de que el nmero de analfabetos sea:
a. Exactamente 10?
b. Menos de 5?
c. Cinco o ms?
d. Entre 3 y 5 inclusive?
e. Menos de 7 pero ms de 4?
Resp.: a) 0.0016, b) 0.6822, c) 0.3178, d) 0.5848, e)
0.2484
25
La distribucin binomial es til cuando el muestreo se realiza con reemplazo, sin embargo
cuando esto no ocurre, es necesario utilizar la distribucin hipergeomtrica.
5.6.1. Funciones de densidad y distribucin Hipergeomtrica
26
1
f X (x) =
e 2
2
-<X< ,
e=2,71828... y =3,14159
Donde la media =E(X) y la varianza Var(X)=2 son los parmetros de la distribucin. Si X tiene una
distribucin normal con media y varianza 2, se la puede notar: X N(, 2).
La funcin de densidad, tiene las siguientes caractersticas:
i) Es simtrica alrededor de la media, por lo que, la media, moda y mediana son iguales.
ii) Tiene la forma de una campana, llamada Campana de Gauss.
iii) Asinttica respecto al eje X.
iv) Los puntos de inflexin tienen abscisas los x x
Varianza
Var(x) =2
Coeficiente de asimetra
3 = 0
Coeficiente de curtosis
4 = 3
5.7.2.1. Nota
Si se representan grficamente distribuciones de diferentes variables aleatorias, se puede observar que:
Si tienen las misma media pero diferentes desviaciones estndar se puede notar el efecto de una
menor o mayor dispersin.
Si tienen la misma desviacin estndar pero diferente media, se puede notar el efecto de una
traslacin de la media.
Por lo tanto, los cambios en la los valores de no alteran la forma de la distribucin, pero si
modifican la posicin de la curva en el eje de las abscisas, mientras que cambios en 2 pueden
modificar drsticamente la forma de la distribucin pero no cambian la posicin de la curva en el eje
de las abscisas. Ello debido a que es un parmetro de localizacin, mientras que 2 es un parmetro
de escala o de dispersin.
27
x0
1
FX (x) = P(X < x 0 ) =
e 2
2
f(X)
X
x
f(Z)
Z
z=0
28
x ux
x
E(Z) = E
E(Z)=0
1
1
=
( x x ) = 0
E(x x ) =
x
x
Se demuestra que
X x
Var(Z)=Var
x
Var(Z)=1
1
1
2x
= 2 Var(X x ) = 2 Var(X) = 2 = 1
x
x
x
1 2
f z (z) =
e
2
FZ (z) =
-<z<
1
1 2 z
e
dz
2
-<z<
Si X N(, ), entonces
1)
0 fx(x) 1
2)
(x) = 1
(z) = 1
1)
0 fz(z) 1
2)
1
2
2
1
X x = P(Z>z) = 1-F(z)
2) P(X > x) = P
>
Para la variable aleatoria normal estndar Z N(0, 1) se definen propiedades especficas por la propiedad
de simetra de sta distribucin.
1) P(Z z) = 1- P (Z z) = P(Z-z)
2) P( z Z z) = 1 2P(Z z) = 2P(Z z) 1
29
Las tablas para la funcin de distribucin acumulada se definen para la variable Z N(0, 1), con
valores positivos y negativos, mientras que existen otras tablas diseadas solamente para valores
positivos1.
La primera tabla contiene valores de Z de 3,6 a 3,6 distribuidos a lo largo de una primera
columna con el nmero entero y un dgito decimal, mientras que a partir de la segunda columna
se distribuye la segunda cifra decimal. En las celdas interiores se encuentran los valores de las
probabilidades P(Zz), que corresponden al rea bajo la curva limitado por el punto crtico z.
Por ejemplo para calcular P(Z1,96), se busca en la primera columna el nmero 1,9 y en las
columnas el centsimo 0,06; luego la celda interseccin de la fila y columna correspondientes es
la probabilidad buscada; en este caso ese nmero es 0,975 por lo que: P(Z 1,96) = 0,975
Z = 1.96
Z
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
1.6
0.9452
0.8277
0.7961
0.7870
0.7844
0.7836
0.7834
0.7833
0.7833
1.7
1.8
0.9554
0.9641
0.9564
0.9649
0.9573
0.9656
0.9582
0.9664
0.9591
0.9671
0.9599
0.9678
0.9608
0.9686
0.9616
0.9693
0.9625
0.9699
1.9
0.9713
0.9719
0.9726
0.9732
0.9738
0.9744
0.9750
0.9756
0.9761
0.9772
0.9778
0.9783
0.9788
0.9793
0.9798
0.9803
0.9808
0.9812
2.1
0.9821
0.9826
0.9830
0.9834
0.9838
0.9842
0.9846
0.9850
0.9854
2.2
0.9861
0.9864
0.9868
0.9871
0.9875
0.9878
0.9881
0.9884
0.9887
Ejemplo
Considere la variable aleatoria normal estndar Z N(0,1), halle las siguientes probabilidades.
b) P(Z1,73) = 1 0,9582 = 0,0418.
a) P(Z 1,73) = 0,9582
c) P( 0,17 Z 1,82) =
d) P(-3,6 Z 3,6) =
y si z>0
30
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.5000
0.5040
0.5080
0.5120
0.5160
0.5199
0.5239
0.5279
0.5319
0.5359
0.1
0.5398
0.5438
0.5478
0.5517
0.5557
0.5596
0.5636
0.5675
0.5714
0.5753
0.2
0.5793
0.5832
0.5871
0.5910
0.5948
0.5987
0.6026
0.6064
0.6103
0.6141
-2
-1
rea bilateral
z = 2,58
z = 1,96
z = 1,64
Ejercicios
1.
Sea X una variable aleatoria distribuida de forma normal con media 50 y varianza 100,
encontrar P(X 30)
Sol.
Como 2 = 100, la desviacin estndar es = 100 =10
P(X 30) = P X 30 50 = P(Z 2) = 0.0228
10
31
2.
Si el tiempo (en segundos) que una bacteria resiste a determinado antibitico se distribuyera
de forma normal con media 1200s y varianza 14400s2, cul es la proporcin de bacterias
que resisten ms de 1000 segundos?
Sol.
X: tiempo (seg) de resistencia al antibitico, X N(1200, 14400), = 14400 = 120
P(X1000)= P Z 1000 1200 = P(Z 1.67) = 1 P(Z 1.67) = 1 0,0475 = 0,9525
120
En el estudio del ingreso en la poblacin, se sabe que ste se distribuye de forma normal con
un ingreso promedio de $345 y una desviacin estndar de $46. Si se elige un ciudadano al
azar,
a. cul es la probabilidad de que sta tenga un sueldo inferior a $280?
e. cul es la probabilidad de que sta tenga un sueldo entre $300 y superior a $360?
32