Documente Academic
Documente Profesional
Documente Cultură
PROBABILIDAD
CONTENIDOS:
UNIDAD I
Conceptos Bsicos de Probabilidad
I.1.- Conceptos Preliminares
I.2.- Teora bsica de conjuntos
I.3.- Algunas definiciones y propiedades
I.4.- Conjunto Potencia
I.5.- Conjunto Producto
I.6.-Cardinalidad
I.7.- Medidas de Probabilidad
I.8.- Espacios Muestrales Discretos
I.9.- Reglas para el Clculo de Probabilidades
I.10.- Regla de Producto
I.11.- Probabilidad Condicional
I.12.- Probabilidad Total y Regla de Bayes
Actividad:
{H, T, H, T}
{H, T}
{HH, HT, TH, TT}
None of the above.
RESULTS BOX:
65%
40%
60%
None of the above.
RESULTS BOX:
RESULTS BOX:
RESULTS BOX:
RESULTS BOX:
86%
18%
57%
None of the above.
RESULTS BOX:
60%
63%
37%
None of the above.
RESULTS BOX:
81%
21%
53%
None of the above.
RESULTS BOX:
RESULTS BOX:
UNIDAD II
Combinatoria Elemental
Actividad:
1
Which of the following is a correct statement about a probability?
A) It may range from 0 to 1.
B) It may assume negative values.
C) It may be greater than 1.
D) It cannot be reported to more than 1 decimal place.
E) All the above are correct.
2
An experiment is a
A) Collection of events.
B) Collection of outcomes.
C) Always greater than 1.
The act of taking a measurement or the observation of some
D)
activity.
E) None of the above are correct.
3
Which of the following is not a type of probability?
A) Subjective
B) Independent
C) Relative frequency
D) Classical
4
Events are independent if
A) By virtue of one event happening another cannot.
B) The probability of their occurrence is greater than 1.
C) We can count the possible outcomes.
The probability of one event happening does not affect the
D)
probability of another event happening.
E) None of the above.
5
The Special Rule of Addition is used to combine
A) Independent events.
B) Mutually exclusive events.
C) Events that total more than one.
D) Events based on subjective probabilities.
E) Found by using joint probabilities.
6
We use the General Rule of Multiplication to combine
A) Events that are not independent.
B) Mutually exclusive events.
C) Events that total more than 1.00.
D) Events based on subjective probabilities.
E) Found by using joint probabilities.
7
When we find the probability of an event happening by subtracting the
probability of the event not happening from 1, we are using
A) Subjective probability.
B) The complement rule.
C) The general rule of addition.
D) The special rule of multiplication.
E) Joint probability.
8
When we determine the number of combinations
A) We are really computing a probability.
B) The order of the outcomes is not important.
C) The order of the outcomes is important.
D) We multiply the likelihood of two independent trials.
E) None of the above.
9
The difference between a permutation and a combination is:
A) In a permutation, order is important and in a combination, it is not.
In a permutation, order is not important and in a combination, it is
B)
important.
C) A combination is based on the classical definition of probability.
D) A permutation is based on the classical definition of probability.
E) None of the above.
10
The Greater Bismarck, ND Accounting Association has 15 members, 10 of
which are CPAs. The members are to be selected to study ways to increase
membership. What is the probability all three selected are CPAs?
A) .296
B) .264
C) .736
D) None of the above.
UNIDAD III
Distribuciones de Probabilidad
III.18.- Preliminares
III.19.- Definiciones Bsicas
III.20.- Parmetros en una Distribucin
III.21.- Funcin Generadora de Momentos
Actividad:
1. Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del
total de las piezas producidas en una fbrica. Los porcentajes de produccin
defectuosa de estas mquinas son del 3%, 4% y 5%. Solucionar a travs de Excel
lo siguiente:
a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea
defectuosa.
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la
probabilidad de haber sido producida por la mquina B.
UNIDAD IV
Distribuciones de Probabilidad Discretas
IV.22.- Distribucin de Probabilidad Binomial.
IV.23.- Media y varianza
IV.24.- Distribucin de Poisson
IV.25.- Distribucin de probabilidad Hipergeomtrica
Actividad:
2
A Poisson random variable is a continuous variable that can be used to describe
the number of occurrences of an event over a specified interval of time or space.
A) True
B) False
If p = .1 and n = 5, then the corresponding binomial distribution is
_______________
A) right skewed.
B) left skewed.
C) symmetric.
D) bimodal.
5
The requirement that the probability of success remains constant from trial to trial
is a property of the binomial distribution.
A) True
B) False
6
If the number of surface nonconformities on a specific size of metal piece is the
discrete random variable in question, then the appropriate probability distribution
that can describe the probability of a specific size metal sheet containing 3
nonconformities is given most likely by binomial distribution.
A) True
B) False
7 Which of the following distributions can be used to solve the following problem?
The average number of cars arriving at a drive-thru fast food restaurant is 3 in
ten minutes. What is the probability that exactly 4 cars will arrive in a five-minute
interval?
A) Binomial
B) Poisson
C) Both of the above.
D) None of the above.
8 The mean of the binomial distribution is equal to
A) p.
B) (n) (p).
C) (1.0K)
D) (n)(p)(1-p).
E) (1.0K)
9
Which of the following is a valid probability value for a discrete random variable?
A) .2
B) 1.01
C) -.7
D) All of the above.
0
Which one of the following is not an assumption of the binomial distribution?
A) Each trial results in success or failure.
B) The experiment consists of n identical trials.
C) The probability of success changes from trial to trial.
D) Trials are independent of each other.
E) Each trial results in one of two mutually exclusive outcomes.
UNIDAD V
Distribuciones Continuas
Actividad:
1. A phone-in poll conducted by a newspaper reported that 73% of those
who called in liked business tycoon Donald Trump. The unknown true
percentage of American citizens that like Donald Trump is called a:
A. statistic
B. sample
C. parameter
D. population
A. The sample from Johns Hopkins has much less sampling variability than
that from Ohio State.
B. The sample from Johns Hopkins has much more sampling variability than
that from Ohio State.
C. The sample from Johns Hopkins has almost the same sampling variability
as that from Ohio State.
D. It is impossible to make any statements about the sampling variability of
the two samples since the students surveyed were different.
A. 50%
B. 60%
C. 65%
D. 70%
7. The random variable X denotes the time taken for a computer link to be
made between the terminal in an executive's office and the computer at a
remote factory site. It is known that X has a normal distribution with mean 15
seconds and standard deviation 3 seconds. Choose the option closest to the
value of P(X < 20).
A. 0.548
B. 0.952
C. 0.048
D. 0.452
A. $347.40
B. $0.30
C. $361.30
D. $372.60
(By the way, the reason why our estimates in class were so far off was that I forgot
to use the adjustment moving from a descrete distribution (like the number of
"heads") to the continuous Normal Distribution. For example, to estimate 6 or more
"Heads", I would find the z score of 5.5 and see the area under the Normal
Distribution greater than the z-score of 5.5)
10. Forty-eight percent of the students at a certain state university prefer the
semester system over the quarter system. A survey is taken of 200 students
(selected at random). Choose the option closest to the probability that more
than half of these students prefer semesters.
A. 0.3300
B. 0.5000
C. 0.2843
D. 0.7157
UNIDAD VI
Teorema del Lmite Central
VI.30.- Desigualdades de Markov y Chebyshev
VI.31.- Leyes de los Grandes Nmeros
VI.32.- El Teorema del Lmite Central
VI.33.- Aproximacin Normal Binomial
VI.34.- Estimadores
VI.35.- Algunos Ejemplos
Actividad:
1. Una agencia de encuestas de opinin quiere estimar con un nivel del 90% de
confianza la proporcin de ciudadanos que votarn por un determinado candidato
dentro de 0.06 de la proporcin real de votantes. Cul es el tamao mnimo de
la muestra requerido si otras encuestas indican que la proporcin de votacin por
este candidato es 0.30?
PROBABILIDAD
PRINCIPIA TEMTICA
I.1.- Dado que los lectores podran no recordar algunos conceptos bsicos se
tratar de que esta seccin constituya un punto de referencia que le permita
refrescar los conocimientos indispensables para el desarrollo del resto del
material. Esto no elimina la necesidad de que en el transcurso del estudio de estas
notas debamos abordar aspectos perifricos importantes.
Este principio nos permite garantizar que para todo tipo de elemento y para todo
predicado siempre hay un subconjunto que cumple el predicado, este conjunto
puede ser vaco.
Otro principio importante es el Principio de extensin que permite establecer la
igualdad entre conjuntos.
Note que acorde con esta definicin se cumple que un conjunto sin elementos,
es subconjunto de todo conjunto.
Si es un conjunto y A se define el conjunto complemento de A respecto a
por:
~A=\A
Las siguientes propiedades se enuncian sin demostracin y resumen algunas de
las ms importantes acerca de las operaciones definidas previamente.
Propiedades de la Unin
Conmutatividad A B=B A.
Identidad A = A.
Medio Excluido =A A.
Otras A AU B
Propiedades de la Interseccin
Conmutatividad A B=B A.
Identidad A = A.
Contradiccin A A = .
Otras A B A.
Propiedades Conjuntas
Distributividad
o A (B C) = (A B) (A C).
o A (B C) = (A B) (A C).
Leyes de De Morgan
o (A B) = A B.
o (A B) = A B
Otras
o A \ (B C) = (A \ B) (A \ C).
o A \ (B C) = (A \ B) ( A \ C).
Propiedades de Cardinalidad
Si AB | A| | B|
Si A B= |A B| = | A| + | B|
Si | A| = n | P(A)| = 2n
Si | A| = n, | B| = m AB|=mn (1.1)
Cuando los conjuntos no son discretos el concepto de cardinalidad carece de
sentido y se sustituye por el trmino de medibilidad, un concepto fuera de los
objetivos de estas notas, no obstante hablaremos levemente de algunos trminos
necesarios en probabilidades.
Ejemplo 1
Ejemplo 2 P[T] =
P[R] =
Funciones de Probabilidad
Las definiciones (10) y (11), caracterizan la probabilidad de un evento en trminos
de la frecuencia relativa.
Se tiene que y .
Si A , entonces A .
Cualquier conjunto que cumpla con las propiedades anteriores se llama una -
lgebra.
Con estas propiedades se puede demostrar con alguna facilidad los siguientes
hechos, referimos al lector interesado a [2]:
1. P[] = 0.
2. P[A] = 1 - P[ A].
por lo tanto,
Similarmente:
Por induccin se puede demostrar que si A1, A2,..., An son eventos independientes
con probabilidades P[A1], P[A2], ..., P[An] respectivamente, entonces la
probabilidad de la ocurrencia del evento compuesto A1 y A2 y ... y An, es decir
todos los eventos, cumple:
Ejemplo 3
k>
.
(1.7)
P[B \A] =
Ejemplo 4
Suponga que se lanzan un par de dados. Calcule la probabilidad de que ocurra
cualquiera de los siguientes eventos. A : el primero de los dados cae impar, B : el
segundo cae impar y C : la suma de ambas caras es impar.
Solucin
No es difcil comprobar las siguientes probabilidades:
P[A] = P[B] =
P[A B C] = 0
P[C \B] =
P[A]P[B]P[C] =
Se tiene que los pares de eventos A, C y B, C son independientes, pero A, B y C
no lo son.
Ejemplo 5
Un carpintero tiene tornillos en dos cajas una azul y otra roja. l toma al azar
tonillos de cualquiera de las dos cajas, pero la caja azul est un poco ms cerca
por lo que toma tornillos de ella dos de cada tres veces. La caja azul contiene
cuatro tornillos de 15 mm y cinco de 20 mm y la caja roja contiene seis de 15 mm
y dos de 20 mm.
1. Si en las dos siguientes bsquedas de tornillo el carpintero toma un tornillo
de cada caja cul es la probabilidad de que ambos sean del mismo tipo.
2. Si el carpintero necesita dos tornillos y los toma en forma sucesiva de
alguna de la cajas cul es la probabilidad de que los dos sean del mismo
tipo
Solucin
1. Sea A el evento: toma un tornillo de 15 mm de cada caja y B el evento:
toma un tornillo de 20 mm de cada caja.
Similarmente.
P[B] = =
= + + + = .
Ejemplo 6
El siguiente ejemplo resulta interesante porque adems de ser un problema en
cierta forma clsico de las probabilidades nos muestra que eventualmente nuestra
intuicin en probabilidades debe ser mucho ms cautelosa. Nos referiremos al
mismo como el problema de los cumpleaos y aparece en buena parte de los
libros de probabilidad.
Suponga que hay n estudiantes en un saln de clase, ninguno nacido en 29 de
febrero, y que el ao en el que estamos no es bisiesto.
Por el principio del palomar cualquiera sabe que si n > 365, entonces al menos
dos personas tienen la misma fecha de cumpleaos; en el sentido que cumplen el
mismo da del mismo mes. Supongamos que 2 n < 365, y demos respuesta a las
preguntas siguientes:
Cul es la probabilidad, C, de que al menos dos personas tengan la misma
fecha de cumpleaos.
Cul es el mnimo valor de n para que esta probabilidad sea mayor que 0.5.
Solucin
Hay en total 365n posibilidades para que ocurran los cumpleaos de los n
estudiantes. La probabilidad de que dos personas cumplan en la misma fecha es
el complemento de que todos cumplan en das diferentes del ao. Tomando 1
para el primero de enero y 365 para el 31 de diciembre se tiene que la
probabilidad del evento E: ningn par de personas cumplan el mismo da es:
P[E] =
= 1- 1- 1-
1- 1- ... 1- .
La probabilidad solicitada es
P[C]= 1- 1- 1- 1- .
P[C] = 1 - 1- 1- ... 1- .
1- 1- 1- 1- 0.5,
1- 1- 1- ... 1- 0.5,
n P[C]
15 0.253
25 0.568
30 0.706
40 0.891
+
= +
Ai Aj = siempre que i j.
P[Ai] > 0, i = 1, 2,..., n.
Ai = .
= P[Ai]P[B \Ai].
El segundo de los problemas planteados se resuelve haciendo uso de
probabilidades condicionales, interesa conocer la probabilidad condicional
siguiente:
Si el resultado final de la eleccin es un tornillo de 20 mm., cul es la
probabilidad de que se haya extrado de la caja azul?
Utilizando la representacin de eventos del primer ejemplo y utilizando la frmula
1.7 y el teorema 3 obtenemos:
P[M \ S] =
Este tipo de deducciones propias de experimentos con dos estados y que implica
el clculo de la probabilidad de que ocurra algn conjunto de condiciones o
circunstancias del primer estado dado que ocurre un evento del segundo estado
se resuelven recurriendo al siguiente teorema, conocido como frmula de Bayes:
Ejemplo 7
Una caja A contiene tres bolas blancas y cuatro negras. Otra caja, B, contiene dos
bolas blancas y tres negras. Se extraen bolas, una a una, en forma aleatoria y sin
reemplazo.
Si las dos bolas son elegidas de A, cul es la probabilidad de que ambas
sean negras?
Si se eligen dos bolas, una de cada caja, cul es la probabilidad de que no
sean del mismo color?
Si se elige una de las cajas al azar se extraen dos bolas y son de colores
distintos, cul es la probabilidad de que se hayan extrado de la caja B?
Solucin
Si se saca la primer bola de la caja A y la segunda de la misma caja la
probabilidad de que ambas sean negras es:
1- +
1- + .
+ + + ==
+ + +
= + + + = .
= + + + =
La probabilidad C de extraer las dos bolas de igual color esta calculada
para el caso anterior.
P[B \C] =
=
Una aplicacin interesante de la frmula de Bayes tiene que ver con el anlisis de
confiabilidad de ciertos test realizados para detectar la presencia de
enfermedades. El problema es bsicamente el siguiente: Una persona puede sufrir
de una enfermedad y se practica un test para saber si tiene o no la enfermedad.
La exactitud del test se mide a travs de dos valores probabilsticos.
El primero de ellos se llama la sensibilidad, que es la probabilidad de que una
persona que este enferma de positivo en el test.
= P[TestPositivo \ EstaEnfermo].
= P[TestNegativo \ NoEstaEnfermo].
P[NoEstaEnfermo \TestPositivo] =
=
.
Por ejemplo, [2], existe un test llamado ELISA que se utiliza para verificar sangre
donada en una problacin en la cual la probabilidad de que un individuo tenga los
anticuerpos de SIDA es de 0.0001. Suponga que este test tiene una sensibilidad
= 0.977 y una especificidad = 0.926.
Por ejemplo la probabilidad de que una muestra que contenga los anticuerpos de
un diagnstico de que s tiene los anticuerpos es:
= 0.001319
Este test resulta deficiente, de hecho clasifica como positivos muchos casos que
no tienen los anticuerpos.
II.13.- Prcticamente todos los problemas de conteo que resolveremos se
reducirn a la aplicacin cuidadosa de los principios de conteo que se enuncian
seguidamente.
Ejemplo 9
Se van a repartir 3 rosas, 5 dalias y 2 margaritas entre 10 seoras, determine el
nmero de maneras de hacer esta distribucin si cada seora debe recibir al
menos una flor.
Solucin
Como hay igual nmero de flores que de seoras cada una recibe una flor, y el
problema se reduce a calcular el nmero de permutaciones posibles. El nmero de
maneras de distribuir estas flores es
= 2520.
Otro tipo de problema de distribucin relacionado con permutaciones tiene que ver
con los posibles ordenamientos de r elementos que se pueden hacer de un
conjunto de n elementos si se admite la repeticin, en este caso el asunto se
resuelve recurriendo a la regla del producto. El problema se reduce a elegir un
elemento para la primera posicin, para la segunda hasta llegar a la posicin r.
Como cada una de estas escogencias puede hacerse de n formas, se tiene el
siguiente resultado
Este ltimo valor se conoce cono coeficiente binomial pues con alguna cantidad de
esfuerzo es posible demostrar que:
n n-i i
(a + b) = a b.
(2.3)
n n-i i
(a + b) = a b.
.
El problema de poner r objetos en n celdas donde no hay restriccin en el nmero
de objetos en cada celda es ligeramente diferente. Una manera de abordarlo que
resulta sencilla es la siguiente: dados los r objetos, una manera de ubicarlos en las
celdas es intercalar entre ellos n - 1 banderillas, los objetos antes de la primer
banderilla, pueden ser ninguno, corresponden a la primera celda, los objetos entre
la primera y segunda corresponden a los objetos en la segunda celda y as
sucesivamente. En otras palabras el nmero de maneras de colocar r objetos
indistinguibles en n celdas es:
(2.4)
Ejemplo 10
Si n personas se colocan aleatoriamente en n oficinas, cul es la probabilidad de
que quede exactamente una oficina vaca?
Solucin
El total de posibles ubicaciones de las n personas es nn, pero para que
exactamente una oficina quede vaca el anlisis debe ser cuidadoso. Se debe
elegir una oficina para que quede vaca lo cual puede hacerse de n formas. Luego
debe elegirse otra para que quede con dos personas; esta puede elegirse de n - 1
maneras. Una vez hecho esto se eligen dos personas para la segunda oficina y las
restantes se ubican una en cada una de las n - 2 oficinas restantes. Luego la
probabilidad pedida es:
= .
Ejemplo 11
Si un arreglo binario de doce elementos contiene 8 unos y 4 ceros, cul es la
probabilidad de que los cuatro ceros queden juntos?
Solucin
Slo hay 9 arreglos en los cuales los cuatro ceros quedan juntos, y el nmero de
posibles arreglos es 12!/(4!8!), luego la probabilidad pedida es:
Ejemplo 12
En un grupo de probabilidad hay inscritas n parejas (hombre, mujer) para hacer
una tarea. El profesor decide separar todas las parejas y formar nuevamente n
parejas, pero en forma totalmente aleatoria. Cul es la probabilidad de que se
formen las mismas parejas originales? Cul es la probabilidad de que se formen
slo parejas (hombre, mujer)?
Solucin
Para que se formen las mismas parejas originales solo se necesita calcular cul es
el nmero total de parejas que se pueden formar. Si se calcula este total de
parejas como el nmero de permutaciones de las 2n personas se tiene un conteo
redundante en los dos sentidos siguientes. Primero este conteo est tomando en
cuenta el orden en que las n parejas quedan agrupadas y segundo este conteo
est tomando en cuenta el orden en que se ubica cada pareja, por lo tanto el
nmero de posibles parejas es
La probabilidad solicitada en la primera parte es el inverso de este nmero.
La segunda probabilidad pedida puede resolverse usando el mismo esquema
anterior, y se puede razonar as. Si los hombres estn fijos en las posiciones 1, 3,
5,..., las mujeres se pueden ubicar en n! formas lo cual da todas las posibles
maneras de hacer parejas. Luego la probabilidad pedida es:
= .
=
=
+
=
+
2. fX(x) = 1.
{: ^X() = x},
X x,
para referirse al evento
{: ^X() = x},
Si X es una variable aleatoria discreta se puede definir su funcin de distribucin
de probabilidad por:
fX(x) = P[X = x]. (3.1)
Ejemplo 13
Se tiene una caja que contiene 4 bolillas rojas y tres verdes y se empiezan a
extraer bolillas, sin reemplazo, hasta obtener una bolilla roja. Sea X la variable
aleatoria que indica el nmero de bolillas que se extraen, tenemos lo siguiente.
El espacio muestral para el experimento es = {roja, verde - roja, verde - verde -
roja, verde - verde - verde - roja}
Los valores que toma X son
Una distribucin de probabilidad en este ejemplo, fundamentada en asumir que
toda bolilla tiene la misma probabilidad de ser tomada, es:
Ejemplo 14
Se tira un dado que no est cargado, hasta que se obtenga un uno. Si denotamos
por Z la ocurrencia de un uno y por W la no ocurrencia, el espacio muestral tiene
la forma {Z, WZ, WWZ, WWWZ,...}. Si X es el nmero de lanzamientos los
posibles valores para X son {1, 2, 3, 4...} y la funcin de probabilidad para X tiene
la forma:
fX(x) =
P[X x] =
1. fX(x) 0 x.
f (x; )= ,
(3.4)
F(x; )= ,
Ejemplo 15
= xifX(xi),
(3.5)
= xfX(x) dx,
(3.6)
=
En realidad la media o esperanza es un promedio ponderado y cuantifica el valor
esperado para una variable aleatoria.
Ejemplo 16
Sea X la variable aleatoria del ejemplo 13. En ese caso el valor de la esperanza
es:
= 1( ) + 2( ) + 3( ) + 4( )= ,
a. Si X es discreta
a. Si X es discreta:
= = (xi - )2fX(xi),
(3.9)
b. Si es continua
= = (xi - )2fX(x)dx,
(3.10)
=
(xi - )2fX(xi)
=
(xi2 - 2xi + )fX(xi)
-2 + = -( )2.
=
De hecho no es difcil verificar que esta propiedad tambin se cumple en el caso
continuo.
f (x) =
1. Determine el valor de k.
2. Calcule P([- 2 < X 5]).
3. Calcule VAR(X).
Solucin
1. Dado que
2.
3.
mX(t) = E(etX)
=
etxifX(xi)
(txi)k/k! fX(xi)
=
tkxik/k! fX(xi)
=
=
xifX(xi)
=
E(Xk).
Esta deduccin utiliza una propiedad importante de las sumatorias que en general
no es vlida y es el intercambio de las sumatorias que se hace. Si el lector es
paciente puede expandir cada una de las sumas y verificar que es posible el
reordenamiento practicado.
Como notar esta ltima serie tiene como parte de sus coeficientes los momentos
de orden k, de hecho es bastante sencillo demostrar el siguiente lema
Si X es una variable aleatoria con funcin generadora de momentos mX(t) se tiene
que
m(n)X(0) = E(Xn). (3.12)
Es decir si tenemos la funcin generadora de momentos basta con derivarla n
veces y evaluar en 0 para obtener el momento de orden n.
2. A lo sumo cuatro palomas significa ninguna, una, dos, tres o cuatro es decir:
b(0;20, 1/3) + b(1;20, 1/3) + b(2;20, 1/3) + b(3;20, 1/3) + b(4;20, 1/3),
por lo tanto:
P[X 4] = B(4;20, 1/3).
3. Al menos cuatro puede verse como el complemento de a lo sumo tres, por
tanto la la respuesta es
1 - P[X 3]=1-B(4;20, 1/3).
Ejemplo 20
Suponga que el 20 por ciento de los componentes fabricados por una planta no
pasan un control de calidad. Cul es la probabilidad de que en una muestra de 15
componentes consecutivos a lo sumo 8 no pasen la prueba.
Solucin
Este es un experimento de tipo binomial, que tiene 15 repeticiones del mismo
experimento, con una probabilidad de xito de 0.2. Si Y es la variable aleatoria que
indica el nmero de componentes defectuosos, interesa calcular el valor de la
expresin:
P[Y 8] = (0.2)k(0.8)15 - k = B(8;15, 0.2),
b(8, 15, 0.2) = B(8, 15, 0.2) - B(7, 15, 0.2) = 0.9992 - 0.9958.
= 0(1 - p) + 1(p) = p,
IV.24.- Una variable aleatoria X se dice que sigue una distribucin de Poisson con
parmetro > 0 si su rango es el conjunto 0, 1, 2,..., y la distribucin de
probabilidad est dada por:
con lo cual p(x; ) cumple con las propiedades para ser una distribucin.
La herramienta adjunta permite realizar los clculos relacionados con la
distribucin Poisson.
Ejemplo 23
Las consultas arriban a un servidor siguiendo una distribucin de Poisson con 12
consultas por minuto.
1. Cul es la probabilidad de que el intervalo de tiempo entre las dos
prximas consultas sea menor o igual a 7.5 segundos?
2. Cul es la probabilidad de que el intervalo de tiempo entre las dos
prximas consultas sea mayor a 10 segundos?
Solucin
1. Si en 60 seg. arriban 12 consultas entonces en 7.5 segundos arriban 1.5
consultas, por lo tanto el nmero de llamadas, X, que llegan en 7.5
segundos sigue una distribucin de Poisson p(x;1.5).
Derivando dos veces y evaluando en cero, lema (2), se obtiene que E[X2] = -
que unido al lema (1) permite obtener que la varianza de una Poisson de
parmetro es .
IV.25.-
h(x;5, 5, 8) = ,
El lector puede verificar que la media para esta distribucin es 176/56.
Ejemplo 25
1-
FX(x) = P[X x] = e dt
Para efectos operacionales, las distribuciones normales son difciles pues los
clculos que deben hacerse son complejos.
Entre las normales, la distribucin ms importante es la que se llama normal
estndar, una normal cuya media es 0 y cuya desviacin estndar es 1. De hecho
en estas mismas notas veremos que toda probabilidad que implique la distribucin
normal puede reducirse a una en que se utilice la normal estndar.
La ltima expresin es una variante de una funcin que se conoce como la funcin
error erf(x), [1], y solo hay formas numricas de aproximar sus valores [3,2].
P[X x] = e dt,
obtenemos
P[X x] = e dt = ( ).
Ejemplo 26
Las notas finales de un curso se distribuyen en forma normal con una media de 75
y una desviacin estndar de 10. Si la nota de aprobacin es de 70 que porcentaje
de los estudiantes aprobarn el curso.
Solucin:
Primero se debe notar que la afirmacin de que las notas siguen una distribucin
normal debe entenderse en el sentido aproximado.
El porcentaje solicitado puede obtenerse al encontrar el valor P[X 70].
Dadas las propiedades de las distribuciones de probabilidad se tiene que
Ejemplo 27
La distribucin de peso de ciertos bultos de papel para reciclaje es normal con
media de 50 kilos y desviacin estndar de 10 kilos. La persona que transporta los
paquetes cobra 100 colones por bulto pero desea imponer un peso mximo
despus del cual cobrar un recargo. Cul debera ser ese peso para que los bultos
tengan una probabilidad inferior al 10% de pagar tal recargo.
Solucin
Hay dos aspectos importantes que se deben notar; el primero de ellos es que si X
es la variable aleatoria para el peso de cada paquete lo que se debe encontrar es
un valor r tal que:
P[ ] 0.9.
= 1.286,
de donde r = 62.86.
V.28.- Muchas veces, an cuando una variable aleatoria no siga una distribucin
normal es posible que su comportamiento pueda ser modelado con distribuciones
que siguen comportamientos similares a una normal pero de manera sesgada.
Antes de poder estudiar este tipo de distribuciones se hace necesario definir una
funcin sumamente importante en el estudio de diversos problemas en
matemtica.
Por Ejemplo:
Otra propiedad importante se obtiene de aplicar a ( +1) las partes dv=x
dx y u = e-x, para obtener:
= du
= F(x / ; )
E[X] =
Var[X] =
Ejemplo 28
Suponga que el tiempo de reaccin para iniciar el frenado ante una emergencia,
en la poblacin de cierta edad sigue una distribucin Gamma con media de .5
segundo y varianza de .1 segundo cuadrado.
Solucin
E[X] =
Var[X] =
E(X) =
xP[X = x]
xP[X = x] + xP[X = x]
=
xP[X = x]
xP[X = x]
= tP[X t]
P[X t] (6.1)
P[X n ]
P[(X - )2 t2]
(6.2)
P[| X - )| t]
La desigualdad de Chebyshev permite acotar la probabilidad de que los valores de
la distribucin queden alrededor de la media. Estas aproximaciones no
necesariamente son buenas, no obstante mejorar los resultados que se pueden
obtener con esta desigualdad implicara restringir mucho las hiptesis iniciales,
como se ver en un ejemplo posterior.
Ejemplo 31
Una persona puede digitar un texto en un tiempo que sigue una distribucin con
media 50 minutos y desviacin 10 minutos. Para estimar una cota para la
probabilidad de que esta persona tarde entre 30 y 50 minutos se puede recurrir a
la desigualdad de Chebyshev y se obtiene
Lo que nos indica que las cotas que se obtienen de la desigualdad de Chebyshev
pueden no ser muy buenas, no obstante como veremos no es tan fcil mejorar las
cotas que se obtienen con esta desigualdad sin imponer restricciones adicionales.
El siguiente ejemplo, [2], es ilustrativo en ese sentido.
Ejemplo 33
Sea X una variable aleatoria discreta cuya distribucin de probabilidad se da en la
siguiente tabla:
x1 = - 2 x2 = 0 x3 = 2
P[X = x1] = 1/8 P[X = x2] = 3/4 P[X = x3] = 1/8
P[| X - | 2]
P[ ]= .
Sin embargo, como ya hemos apuntado antes esta definicin deja abiertas una
serie de preguntas. Por ejemplo si aceptamos definir la probabilidad como el valor
lmite de estos cocientes entonces la definicin se complica. Primero que todo,
qu garantiza que ese lmite existe, segundo esta definicin no es operacional en
el sentido de que no es posible repetir infinitamente tal experimento. Estudiaremos
la ley de los grandes nmeros que nos ayudar a precisar un poco mejor el
sentido de
P[ ]= (6.3)
P -p
(6.4)
P -p .
Es decir el lmite (6.3) existe o dicho en palabras algo ms simples dada cualquier
precisin se puede encontrar un valor n de manera que el cociente xitos entre
el total de ensayos est tan cerca del valor p desconocido como queramos.
En cierta forma esta ltima desigualdad da legitimidad al proceso estadstico que
se ha citado en la definicin (10), pues garantiza que el proceso descrito en esta
definicin en realidad converge al valor de la probabilidad del evento.
Por supuesto que no resuelve en forma simple el problema operacional de saber
cul debe ser el nmero de repeticiones del experimento necesarias para obtener
aproximaciones precisas de la probabilidad buscada. Se puede utilizar la
desigualdad de Chebyshev para obtener aproximaciones del valor de n pero el
teorema del lmite central, que abordaremos en la seccin siguiente ser de mayor
utilidad en ese sentido.
Las conclusiones que se han obtenido hasta ahora se resumen en el siguiente
teorema conocido como una forma dbil de la ley de los grandes nmeros [2].
(6.5)
P - P[ ] = 0.
Paralela a la la forma dbil de la ley de los grandes nmeros existe una
generalizacin que se llama la Ley de los grandes Nmeros cuya justificacin est
fuera de los objetivos de este curso [6] y se enuncia en el siguiente teorema:
(6.6)
P - ] = 0.
Dicho en otras palabras la probabilidad de que el promedio Sn/n difiera de la
esperanza menos que un cualquiera, tiende a uno.
VI.33.- El teorema del lmite central tiene una implicacin adicional que tambin
resulta sorprendente. Si Sn sigue una distribucin binomial de parmetros n y p
entonces si x y y son enteros no negativos tales que x < y, segn el teorema del
lmite central se tiene que si n es suficientemente grande se cumple.
P [x Sn y ] -
(6.8)
P x Sn y - .
Este resultado se conoce como la aproximacin normal de la binomial y dado que
es aproximacin continua de una distribucin discreta deben tenerse algunos
cuidados adicionales.
La mejor manera de utilizar este resultado puede obtenerse en la expresin:
k
p (1 - p)
n-k
=
(6.9)
k n-k
p (1 - p) = -
k 500 - k
(0.35) (0.65)
(0.35)k(0.65)500 - k
- .
Usando la herramienta para clculo de binomiales se obtiene que la parte
izquierda es 0.008864 mientras que la parte derecha, usando la herramienta
correspondiente es 0.0108.
Existen varios criterios para asegurar la precisin de este tipo de aproximaciones.
Los ejemplos abundan, por ejemplo en [5] se afirma que si np 5 y n(1 - p) 5 la
aproximacin es adecuada, en [2] se presenta un resumen de diferentes
condiciones para asegurar precisin, al final de cuentas lo que si es vlido es que
valores de p muy cercanos a 0 o 1 hacen que las aproximaciones normales de
binomiales no sean buenas.
En la Herramienta que se da a continuacin el lector puede colocar valores de n y
p y verificar por si mismo la calidad de la aproximacin normal de la binomial.
Ejemplo 35
Dos empresas de venta de servicios telefnicos optan por el mismo mercado, hay
n clientes que seleccionan al azar alguna de las dos empresas. Si una de las
empresas tiene capacidad de atender a lo sumo r < n clientes entonces la
probabilidad de que esta empresa reciba solicitudes de ms de r clientes est
dada por
k nk
(.5) (.5) 1-
(.5)k(.5)n - k 1-
=1-
=1-
Por ejemplo si hay 1000 clientes y una de las empresas desea que el total de
solicitudes sin atender no exceda el 10% entonces usando las herramientas
disponibles se obtiene que
0.9
de donde se obtiene que r = 520, lneas bastarn para satisfacer al menos el 90%
de las demandas de servicio.
Si ese porcentaje se elevara y se quisiera que el porcentaje de solicitudes sin
atender no exceda el 1% entonces se debe resolver
0.99
VI.34.- Estimadores
Un estimador de un parmetro de una variable aleatoria X es una variable
aleatoria, que puede depender de una muestra aleatoria X1, X1,..., Xn.
Los dos estimadores ms usuales son el promedio usual llamado tambin media
muestral y denotado por y la varianza muestral denotado por S2.
Estos estimadores son a su vez variables aleatorias,
= Xi (6.10)
= Xi
2 2
S = (Xi - ) (6.11)
2 2
S = (Xi - )
1. E [ ]=
2. E[S2] =
3. Var[ ]=
VI.35.- Ejemplos
En una gran empresa el 60% de las personas tiene problemas de tensin. Cul es
la probabilidad de que en una muestra de 1000, 615 o ms presenten este
problema.
Solucin
Este problema es de tipo binomial, puede resolverse calculando en forma directa 1
- B(614;1000,.6) lo que conduce al valor 0.158528,
Tambin podemos recurrir a la aproximacin normal de binomial y la probabilidad
solicitada es:
P [ X 615] -
P[X 615] = -
= 1 - (.93597) = 0.174
Ejemplo 37
Las consultas a un sistema tienen una duracin cuya media es de 4 segundos y su
desviacin estndar es de 1.5 segundos. Si llegan 50 consultas en forma
independiente, cul es la probabilidad de que las 50 tengan una duracin
promedio entre 3.5 y 3.8 segundos.
Solucin
Si aplicamos los resultados descritos hasta ahora el promedio de la muestra de las
50 consultas sigue una distribucin que es aproximadamente normal con media
= 4 y desviacin estndar
= 1 (- 4.21) 1.
Si el promedio de funcionamiento de cada computador fuera de 410 horas y la
desviacin estndar de 30 entonces la probabilidad pedida sera:
P[Y > 4000] = 1 -
= 1 - (- 1.05409)
= 1 - 0.14592 = 0.85408.
Ejemplo 39
El rendimiento de cierto cilindro de gas est normalmente distribuido con una
media de 6 horas y una desviacin estndar de 0.5 horas. Este gas se vende en
paquetes de 5 cilindros y en cada paquete se utilizan los cinco cilindros en forma
secuencial, es decir se empieza uno solamente si se ha terminado el anterior.
Se desea determinar el tiempo mximo de duracin de cada paquete de manera
que ste sea excedido slo por el 3% de los paquetes.
Solucin
Como el tiempo de duracin de cada cilindro es normal la distribucin del tiempo
TP = T1 + ... + T5 de cada paquete tambin es normal con media 30 y desviacin
estndar 0.5 , lo que se solicita es un valor c tal que.
Ejemplo 40
P[ ] = 0, 15
o bien
P[ ] = P[Z ] = 0, 85
Ejemplo 41
Un mdico atiende un paciente en un tiempo que es una variable aleatoria con
media = 8 minutos y desviacin estndar 3 minutos. Si debe atender un total de
40 pacientes la probabilidad de que atienda todos los pacientes en menos de 5
horas, asumiendo que los pacientes ingresan, en forma continua es