Documente Academic
Documente Profesional
Documente Cultură
{A
i
}
n
i=1
= S. Sabiendo que ha ocurrido el suceso B y conocidas P(A
i
) y P(B/A
i
) desde i = 1, . . . n.
P(A
k
/B) =
P(A
k
B)
i=k
P(A
i
B)
=
P(A
k
) P(B/A
k
)
i=k
P(A
i
) P(B/A
i
)
Ejemplo 2.10 En una etapa de la producci on de un articulo se aplica soldadura y para ello se usan
tres robots diferentes. La probabilidad de que la soldadura sea defectuosa vara para cada robot, as
como la proporci on de artculos que procesa.
Robot Prob. Defecto Proporci on procesa
A 0,002 18%
B 0,005 42%
C 0,001 40%
Proporci on global de defectos producida por los tres robots?
Francisco Parre no. 2006
8 Tema 2. Probabilidad. Variables aleatorias
Si tomo un artculo al azar y resulta con defecto en soldadura, cu al es la probabilidad de que
haya sido soldado por el robot A?
Soluci on:
Sea D=total defectuosos, SR
i
=haya sido soldado por el robot i = A, B, C.
a)P(D) = P(D SR
A
) +P(D SR
B
) +P(D SR
C
)
= P(D/SR
A
) P(SR
A
) +P(D/SR
B
) P(SR
B
) +P(D/SR
C
) P(SR
C
)
= 0.002 0.18 + 0.005 0.42 + 0.001 0.40 = 0.00286
b)P(SR
A
/D) = P(SR
A
D)/P(D) = (P(D/SR
A
)P(SR
A
))/P(D)(0.0020.18)/0.00286 = 0.1258741.
Ejemplo 2.11 El circuito siguiente trabaja si, y s olo si, existe una trayectoria en funcionamiento, de
izquierda a derecha. El dibujo indica la probabilidad de que cada dispositivo funcione. Supongamos que
la probabilidad de que un dispositivo funcione no depende del funcionamiento de los dem as dispositivos.
Cu al es la probabilidad de que el circuito funcione?.
Soluci on:
P(funcione) = P(A U B) = P(A)+P(B)-P(AB)= 0.933912
P(A) = P(A1 A2 A3) = P(A1) P(A2) P(A3) = 0.9 0.9 0.8 = 0.648
P(B) = P(B1 B2 B3) = P(B1) P(B2) P(B3) = 0.95 0.95 0.9 = 0.81225
P(A B) = P(A) P(B) = 0.526338.
2.2 Variables aleatorias
Con frecuencia el interes de una muestra puede resumirse mediante un valor numerico. Como el
resultado del experimento aleatorio no se conoce por anticipado, tampoco el valor numerico.
Por ello, la variable (funci on) que asocia un n umero con el resultado de un experimento aleatorio
se le conoce como variable aleatoria.
Notaci on: X may uscula es la variable y x min uscula el valor que toma esa variable.
Francisco Parre no. 2006
2.2 Variables aleatorias 9
2.2.1 Variable aleatoria discreta
Variable aleatoria con un n umero nito ( o innito numerable) de valores.
Distribuci on de probabilidad
La distribuci on de probabilidad asocia a cada valor de la variable la probabilidad de tomar ese valor.
La funci on f
X
(x) = P(X = x) es la funci on de probabilidad y cumple:
1. f
X
(x) 0 x
2.
x
f
X
(x) = 1
La funci on F
X
(x) = P(X x) =
x
j
x
f
X
(x
j
) es la funci on de distribuci on (acumulada) y
cumple:
1. 0 F
X
(x) 1x
2. Si x y F
X
(x) F
X
(y)
El Valor esperado o media de una variable aleatoria se denota por
X
= E(X) =
xf
X
(x).
Ejemplo 2.12 Comparar dos productos en cuanto la ganancia esperada, con el producto A se gana
exactamente 3 millones de euros y con el producto B tenemos una probabilidad 0.3 de ganar 7 millones
y 0.7 de ganar 2 millones de euros.
El valor esperado del producto A es E(A) = 3 millones y para el producto B, E(B) = 0.37+0.72 =
3.5 millones.
Por tanto, tenemos mayor ganancia esperada para el producto B, pero el producto B tambien tiene
mayor variabilidad.
La Varianza de una variable aleatoria se dene como
2
X
= E(X
X
)
2
=
x
(x
X
)
2
f
X
(x) =
E(X
2
)
2
X
=
x
x
2
f
X
(x)
2
X
y la desviaci on est andar como
X
= +
_
2
X
.
Propiedades de la media y varianza de cualquier variable aleatoria
Sea X una variable aleatoria, la media de X =
X
= E(X) cumple:
1. E(c) = c c constante
2. E(cX) = cE(X) c constante
3. E(a +bX) = a +bE(X) a, b constantes
Francisco Parre no. 2006
10 Tema 2. Probabilidad. Variables aleatorias
Para la varianza se cumple:
1. V ar(c) = 0 c constante
2. V ar(a +bX) = b
2
V ar(X) a, b constantes
Distribuci on binomial
La distribuci on binomial se reere a sucesos que aparecen en una serie de experimentos aleatorios,
basados en varias hip otesis:
1. Serie de pruebas identicas, cada una con 2 resultados posible (exito-fracaso) cada una de
ellas se le conoce como un proceso de Bernouilli. X Ber(), X tiene dos valores posibles 0
con prob. 1 y 1 con prob. .
2. La probabilidad de exito , es constante en todas las pruebas.
3. Las pruebas son independientes.
A X =n umero de exitos en n pruebas, con X Bi(n, ). Este proceso aparece muy a menudo en
todos los campos.
Calculo de probabilidades:
Los valores posibles de la variable X son desde el 0, 1, . . . , n. Suponer que queremos calcular
P(X = k) con X Bi(5, ), supongamos tambien que k = 2, entonces tendremos 2 exitos y 3
fracasos. Una ordenaci on posible sera EEFFF (E=exito, F=Fracaso), otra EFEFF, EFFEF ,etc.
Tenemos
_
5
2
_
ordenaciones es el n umero de maneras de elgir 2 posiciones de 5. Si calculamos la
probabilidad de una ordenaci on, que ser a la misma para todas las ordenaciones sera
2
(1 )
3
. Por
tanto tendramos que:
P(X = k) = P(una ordenaci on) P(n
o
ordenaciones) =
_
5
2
_
2
(1 )
3
.
Sea:
X Bi(n, ) P(X = k) =
_
n
k
_
k
(1 )
(nk)
.
Recordar que
_
n
k
_
=
n!
k!(nk)!
y que tambien existen unas tablas para ayudar al c alculo de probabi-
lidades.
Ejemplo 2.13 En la prueba de la tarjeta de un circuito impreso en la que se utiliza un patr on de
prueba aleatorio, un conjunto de 10 bits tienen la misma probabilidad de ser uno o cero. Supongamos
que los bits son independientes.
Francisco Parre no. 2006
2.2 Variables aleatorias 11
a. Cu al es la probabilidad de que todos los bits sean uno?
b. Cu al es la probabilidad de que todos los bits sean cero?
c. Cu al es la probabilidad de que exactamente cinco bits sean uno, y los otros cinco, cero?
Soluci on:
X=n umero bits igual a 1 del conjunto
XBi(10,0.5)
a) P(X = 10) = P(X <= 10) P(X <= 9) = 1 0.9990 = 0.0010
b) P(X = 0) = 0.0010
c)P(X = 5) = P(X <= 5) P(X <= 4) = 0.6230 0.3770 = 0.246
El valor esperado o media y la varianza de una variable binomial, tenemos que si X Bi(n, )
podemos descomponer a X =
n
i=1
X
i
y por tanto la media de X E(X) =
n
i=1
E(X
i
) =
n
i=1
= n
y a su vez la varianza V ar(X) =
n
i=1
V ar(X
i
) = n(1 ).
Distribuci on de poisson
Consideremos un experimento en el que observamos la aparici on de sucesos puntuales a lo largo del
tiempo, entendiendo el tiempo en sentido amplio. Se dene la v.a. X=n umero de ocurrencias en un
intervalo de tiempo de longitud ja, que puede tomar los valores k = 0, 1, . . . , n, X PP() con las
probabilidades:
P(X = k) =
e
k
k!
Adem as E(X) = y V ar(X) = .
Ejemplo 2.14 Supongamos que el n umero de mensajes que entran en un canal de comunicaci on en
un intervalo t segundos de duraci on es una variable aleatoria con distribuci on de Poisson de par ametro
0.3t. Calcular las probabilidad de los siguientes sucesos:
a) En un intervalo de 10 segundos lleguen exactamente tres mensajes.
b) En un periodo de 20 segundos llegan a lo sumo 1 mensaje.
Soluci on:
a)P(X = 3) =
e
0.310
0.310
k
k!
=
e
3
3
3
3!
= 0.224
b)P(X 1) =
2
i=1
e
0.320
0.320
k
k!
= 0.01735127
La distribuci on de poisson aparece como lmite de la distribuci on binomial n y p 0, con
np = .
Francisco Parre no. 2006
12 Tema 2. Probabilidad. Variables aleatorias
Ejemplo 2.15 Suponer que tenemos una variable X Bi(1000, 0.001), si calculo
P(X = 1) =
_
1000
1
_
0.001
1
(1 0.001)
999
= 0.3680635
Si ahora utilizo una poisson X PP( = np = 1) y calculo P(X = 1) =
1e
1
1!
= 0.3678794
2.2.2 Variables aleatorias continuas
Supongamos que la variable de interes es la cantidad de energa producida por una m aquina. El
valor obtenido cada da puede variar debido a variaciones en la materia prima y/o condiciones de
funcionamiento, ambientales, etc..
El rango de posibles valores no es un conjunto denido previamente, (al menos te oricamente) sino
todo un intervalo de R ( o todo R) entonces tenemos una variable aleatoria continua.
Distribuci on de probabilidad
No podemos asociar una probabilidad a cada valor posible, como en el caso de una variable alea-
toria discreta. Necesitamos una funci on que permita calcular probabilidad de intervalos, funci on de
densidad.
La funci on f
X
(x) es la funci on de densidad y cumple:
1. f
X
(x) 0 x
2. P(x
1
X x
2
) =
_
x
2
x
1
f
X
(x)dx
3.
_
+
f
X
(x)dx = 1
Consecuencia, P(X = k) = 0) area nula.
La funci on F
X
(x) = P(X x) =
_
x
f
X
(u)du es la funci on de distribuci on (acumulada), por
tanto f
X
(x) =
d
dx
F
X
(x).
El Valor esperado o media de una variable aleatoria continua se denota por
X
= E(X) =
_
+
x f
X
(x)dx
.
la Varianza de una variable aleatoria discreta se dene como
V ar(X) =
2
X
= E(X
X
)
2
=
_
+
(x
X
)
2
f
X
(x)dx
y la desviaci on est andar como
X
= +
_
2
X
.
Francisco Parre no. 2006
2.2 Variables aleatorias 13
Ejemplo 2.16 La longitud X de una cierta pieza se distribuye seg un la funci on de densidad de pro-
babilidad.
f(x; k) =
_
2kx 2 x 3
0 x R [2, 3]
Una pieza es util, si su longitud est a comprendida entre 2.5 y 3 unidades de longitud.
a) Cu al es la probabilidad de que una pieza determinada sea util?
b) Si las piezas se empaquetan en lotes de 5 unidades, y se acepta el lote si no contiene piezas
defectuosas, cu al es la probabilidad que un lote determinado sea rechazado?.
c) Promedio de la longitud de las piezas.
Soluci on:
a) Si es una funci on de densidad debe cumplir,
+
_
f(x)dx =
+
_
2kxdx = 2k
3
_
2
xdx = 2k
_
t
2
2
_
3
2
= 1 k =
1
5
Para que una pieza sea util debe estar entre 2.5 y 3 por lo tanto:
P(2.5 X 3) =
2
5
3
_
2.5
xdx =
2
5
_
t
2
2
_
3
2.5
= 0.55
b) X=n umero de piezas defectuosas en un lote de cinco
X Bi(5,0.45)
P(X 1) = 1 P(X 0) =
_
5
0
_
0.45
0
(1 0.45)
5
= 1 0.05032844 = 0.9496716
c)
E(x) =
+
_
xf(x)dx =
3
_
2
x
2
5
xdx =
2
5
_
t
3
3
_
3
2
= 2.533
Distribuci on exponencial
La variable X exp() sigue una distribuci on exponencial de par ametro . Es muy utilizada para
modelar tiempos de vida o tama nos.
f(x) =
_
e
x
, si x 0;
0, en otro caso.
La funci on de distribuci on:
F(x) = P(X x) =
_
1 e
x
, si x 0;
0, en otro caso.
Francisco Parre no. 2006
14 Tema 2. Probabilidad. Variables aleatorias
El par ametro tiene que ser mayor que cero. Adem as E(X) =
X
= 1/ y V ar(X) = 1/
2
Ejemplo 2.17 El tiempo de vida de los reguladores de voltaje de los autom oviles tiene una distribuci on
exponencial con un tiempo de vida medio de seis a nos. Una persona compra un autom ovil que tiene
una antig uedad de seis a nos con un regulador en funcionamiento, y plantea tenerlo por espacio de seis
a nos:
a) Cu al es la probabilidad de que un regulador nuevo falle en lapso de seis a nos?
b) Cu al es la probabilidad de que falle en los siguientes seis a nos el regulador de esta persona?
Soluci on:
Si tenemos que la vida media es de 6 a nos, tenemos que el tiempo de vida sigue una distribuci on
exponencial de par ametro = 1/6.
a) P(X < 6) = 1 e
1/66
= 1 e
1
= 0.6321206
b) P(X < 12/X > 6) =
P(6<X<12)
P(X>6)
=
P(X<12)P(X<6)
P(X>6)
=
(1e
1/612
)(1e
1/66
)
e
1/66
= e
1
+ 1 =
0.6321206 Esto se debe a la propiedad de falta de memoria de la distribuci on exponencial.
Distribuci on normal
Es la distribuci on continua m as utilizada por 2 razones:
buena representaci on de muchos casos en la pr actica
propiedades estadsticas
Algunos ejemplos:
resistencia a la tensi on
intensidad electrica que pasa por un cable
di ametro de rodamientos
errores de medida
Se denota por X N(, ) y su funci on de densidad:
f(x) =
1
2
e
(x)
2
2
2
, < x <
El par ametro es la media y es la desviaci on tpica. Esta distribuci on tiene forma de campana,
es simetrica, est a centrada en . Es c oncava entre , + y es convexa fuera de ese intervalo,
casi toda est a centrada entre 3 el (0.9973) de la probabilidad.
Francisco Parre no. 2006
2.2 Variables aleatorias 15
Todas tienen igual forma se diferencian en el centro y la dispersi on .
La funci on de distribuci on:
F(x) = P(X x) =
_
x
2
e
(y)
2
2
2
dy
La funci on de distribuci on es muy difcil de resolver, por ello utilizaremos las tablas de la normal
conocida como est andar Z N(0, 1) ya que cualquier variable X N(, ) puede transformarse
en Z =
X
1) = 1 P(X
= 0) = 1
_
6
0
_
(0.0668)
0
(1 0.0668)
6
=0.339
c) X=n umero de botellas de 10000 con menos de 147 cl Bi(10000, 0.0668).
E(X
) P(Z
1
) = P(Z
1
) (1 P(Z
1
)) = 2P(Z
1
) 1 = 0.99 P(Z
1
) = 0.995
1
= 2.58 aproximadamente
= 0.3875969.
f) Sabemos que
_
+
6
k
xdx =
6
k
_
152.5
147.5
xdx despejo k y obtenemos que vale 4500.
g) E(X) =
_
+
x
6
4500
xdx =
6
4500
_
152.5
147.5
x
2
dx = 150.0139
h)
_
148
6
4500
xdx =
6
4500
_
148
147.5
xdx = 0.0985
Francisco Parre no. 2006