Professional Documents
Culture Documents
Y
PROBABILIDADES
Sesión 07
CONTENIDO TEMATICO
9/21/2015 Ing. William León Velasquez 3
VARIABLE ALEATORIA. Concepto
Una variable aleatoria es …..
• Una variable aleatoria puede concebirse como un valor numérico que está
afectado por el azar.
X( no falla ) = 0
X( falla ) = 1
Ing William León Velásquez 7
VARIABLE ALEATORIA DISCRETA
A cada s le
Espacio Muestral falla corresponde
exactamente un valor
no falla X(s)
- 0 IR +
X: x
1 R
Familia de eventos elementales
Ing William León Velásquez 8
VARIABLE ALEATORIA DISCRETA
Una función X : R es una
variable aleatoria discreta si el rango de
X es un conjunto finito numerable.
RX x1 , x2 , ........ , x n
Ejemplo:
• Un técnico de sistemas tiene la información del número de
usuarios que están conectados al portal Web de la UNMSM
mediante la observación en diferentes momentos.
DX CC , CS , SC , SS
X = 0, corresponde al evento elemental SS
X = 1, corresponde al evento elemental CS, SC
X = 2, corresponde al evento elemental CC
RX 0 , 1 , 2
Ing William León Velásquez 13
VARIABLE ALEATORIA DISCRETA
Ejemplo 2
• Si se lanza una moneda tres veces.
• Hallar el dominio y el rango de la variable aleatoria X :
Nº de caras .
0 P(X(s) = x ) = f(x) 1
f(x)
1
f: R [0, 1]
RX
0
X(s) = x
s
X: RX
(Función de cuantía)
Es la probabilidad de que la variable aleatoria X asuma un valor
particular de su rango. xi
p ( x1 ) si X x1
p ( x2 ) si X x 2
f ( x ) P ( X xi )
......... .......... ....
p (x k ) si X x k
a)
p( xi ) 0 x
b)
.
p ( xi ) 1
(V. A. Discretas)
• Asigna a cada posible valor de una
variable aleatoria discreta su 40%
35%
probabilidad. 30%
15%
Ejemplo 10%
0%
0 1 2 3
Si en una caja contiene 5 focos blancos y tres rojos . ¿Cuál es la probabilidad de que
al sacar dos focos los dos sean blancas
X = Número de focos blancos
seleccionados
? RX 0,1,2
x 0 1 2
P( X = x ) 3/28 15/28 10/28
8 3 5 3 5 3 5
# 28 3 15 10
2 0 León Velásquez 1 1
2 IngWilliam 0 2 20
DISTRIBUCIÓN DE PROBABILIDAD
• Muestra los valores que puede tomar la variable
aleatoria X y las probabilidades asociadas con tales
valores.
RX x1 , x2 , ...... , x k
y la función de cuantía
p( xi ) P ( X xi )
• Varianza:
Hallar:
Domínio y rango
Distribución de probabilidad
Valor esperado de la ganancia
La varianza
VV , VN , RV , RN
negra S/10 y
DX roja S/25.
VV
RX 10 , 15 , 30 , 35 5+5=10
VN
5+10=15
……..
Ing William León Velásquez 28
Ejemplos de Distribución discreta
2DO DADO
1ER DADO
b) Distribución de probabilidad:
2 4 8
P ( X 10 ) P ( VV ) P ( V ) P ( V )
6 6 36
2 2 4
P ( X 15 ) P ( VN ) P ( V ) P ( N )
6 6 36
4 4 16
P ( X 30 ) P ( RV ) P ( R ) P ( V )
6 6 36
4 2 8
P ( X 35 ) P ( RN ) P ( R ) P ( N )
6 6 36
Entonces:
8 4 16 8
10 + 15 + 30 + 35 25
36 36 36 36
V ( x ) E ( x2 ) - E ( x ) 2
k
V (x) x2
i p ( x i ) - ( 25 )2
i 1
8 4 16 8
102 + 152 + 30 2 + 352 - 25 2 94,44
36 36 36 36
Rango:
La caja contiene :
14
8B + 4N + 2V = 14
Se extraen dos fichas
C2 91
Ing William León Velásquez 33
Ejemplos de Distribución discreta
Se calculan las probabilidades para cada uno de los valores del
rango:
C14
2 91
a) Hallar el dominio de X.
• La caja contiene: 5D + 5 𝐷 = 10 tornillos.
D D , D D , D D , D D
b) Hallar el rango de X:
RX 0 , 1 , 2
Ing William León Velásquez 37
Ejemplos de Distribución discreta
5 4 2
P( X 0) P(D D)
10 9 9
5 4 2
P( X 2) P(D D)
10 9 9
5 5 5 5 5
P ( X 1) P ( D D + D D ) +
10 9 10 9 9
Se calculan las probabilidades para cada uno de los valores del rango.
Teniendo en cuenta que:
42
EJEMPLO:
• En una escuela primaria los alumnos llegan tarde a
menudo. Cinco alumnos están en el jardín de
niños. La directora lleva tiempo estudiando el
problema, habiendo llegado a la conclusión de que
hay una probabilidad de 0.4 de que un alumno
llegue tarde y de que los alumnos lleguen
independientemente uno de otro
𝑛 𝑘 𝑛−𝑘 𝑛!
𝑃 𝑋=𝑘 =𝐶 𝑝 𝑞 = 𝑝𝑘 𝑞𝑛−𝑘
𝑘 𝑘! 𝑛 − 𝑘 !
donde:
p= 0.4
q= 0.6
n= 5
• Para k = 3:
5!
𝑃(3) = 0.43 0.62
3! 5 − 3 !
P(3) = 0.2304
ING. WILLIAM LEON V. 50
LA DISTRIBUCIÓN BINOMIAL EXPRESADA EN FORMA
GRÁFICA
EJEMPLO:
• Para k = 4 :
5!
𝑃(4) = 0.44 0.61
4! 5 − 4 !
P(4) = 0.0768
• Para k = 5:
5!
𝑃(5) = 0.45 0.60
5! 5 − 5 !
P(5) = 0.01024
ING. WILLIAM LEON V. 51
LA DISTRIBUCIÓN BINOMIAL EXPRESADA EN FORMA
GRÁFICA
EJEMPLO:
• Representando los resultados en una gráfica:
P(0) = 0.07776
P(1) = 0.2592
P(2) = 0.3456
P(3) = 0.2304
P(4) = 0.0768
P(5) = 0.01024
0 1 2 3
ING. WILLIAM LEON V.
4 5 52
MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN PARA LA
DISTRIBUCIÓN BINOMIAL.
53
ING. WILLIAM LEON V.
MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN PARA LA
DISTRIBUCIÓN BINOMIAL.
• Se puede representar la media de una distribución binomial de
la siguiente forma:
E[x] = n p
donde :
• n= número de ensayos.
• p= probabilidad de éxitos.
𝑉 𝑋 = 𝑛𝑝𝑞
donde :
• n= número de ensayos.
• p= probabilidad de éxito.
• q= probabilidad de fracaso.
𝜎= (10)(0.2)(0.8)
𝜎 = 1.6
𝑃 𝑋 = 𝑥 = 𝑏 𝑥, 𝑛, 𝑝 Lectura directa
𝑃 𝑋 ≤ 𝑥 = 𝑏 𝑥, 𝑛, 𝑝 Lectura directa
10 6 4
• Reemplazando 𝑃 𝑋 = 6 = 𝐶 0.3 0.7
6
10!
= 0.36 0.74 =0.0367569
6! 10−6 !
• Este caso se da, por ejemplo, si la probabilidad de que salga cara fuese del 70%.
• Entonces, si nos piden la probabilidad de obtener 4 caras o menos tirando 10
veces la moneda, se hará lo siguiente.
Bc(<=4,10,0.7)
• Note que la probabilidad de obtener 4 caras o menos será la misma de obtener
6 sellos o más.
Bs(>=6,10,0.3)
• Este suceso es el complementario de obtener 5 sellos o menos.
1- Bs(<=5,10,0.3)
70
ING. WILLIAM LEON V.
5.- Si la probabilidad P no aparece en la tabla
P x 12 b 12 ; 20 ; 0,30 0,004
P 11 x 15 P x 15 - P x 10
1,000 - 0,9829
0,0171
n = 20 P ( A ) = 0,90
P ( x 17 ) 1 - P ( x 18 )
1 - P ( x 18 ) + P ( x 19 ) + P ( x 20 )
1 - b (18 ; 20 ; 0,90 ) + b (19 ; 20 ; 0,90 ) + b ( 20 ; 20 ; 0,90 )
1 - b ( 2 ; 20 ; 0,10 ) + b (1 ; 20 ; 0,10 ) + b ( 0 ; 20 ; 0,10 )
1 - 0,285 + 0,270 + 0,122
0,323
1- B ( <=2 ; 25 ; 0,05 )
1 – 0.8729 = 0,1271
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 . . ) =
𝑛!
𝑥1 !∗𝑥2 !∗𝑥3 !∗.
𝑝1 𝑥1 ∗ 𝑝2 𝑥2 * 𝑝3 𝑥3 ..
n=5 P1 = 0.40
x1=3 P2 = 0.30
x2=0 P3 = 0.20
x3=3 P4 = 0.10
Donde: x4=1
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que la lista 01 lo hayan
votado 3 estudiantes)
n: indica el número de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
ING. WILLIAM LEON V. 90
DISTRIBUCIONES MULTINOMIAL
En el ejemplo:
n=5 P1 = 0.40
x1=3 P2 = 0.30
x2=0 P3 = 0.20
x3=3 P4 = 0.10
x4=1
5!
𝑃(𝑋1 = 3, 𝑋2 = 0, 𝑋3 = 1, 𝑋4 = 1) = 0.43 ∗ 0.30 * 0.21 * 0.11
3!∗0!∗1!∗1!.
Luego:
P = 0,0256
Es decir, que la probabilidad de que los 5 estudiantes elegidas hayan votado
de esta manera es tan sólo del 2,56%
Ejemplo 2
• En un congreso internacional, el 20% de los asistentes son españoles, el 30%
franceses, el 40% italiano y el 10% portugueses.
92
ING. WILLIAM LEON V.
DISTRIBUCIONES MULTINOMIAL
Aplicamos el modelo:
P1 = 0.2
n=4
x1=2
𝑃(𝑥) =
𝑛!
𝑥1 !∗𝑥2 !∗𝑥3 !∗.
𝑝1 𝑥1 ∗ 𝑝2 𝑥2 * 𝑝3 𝑥3 ..
P2 = 0.3 x2=0
P3 = 0.4 x3=2
P4 = 0.1 x4=0
4!
𝑃(𝑋1 = 2, 𝑋2 = 0, 𝑋3 = 2, 𝑋4 = 0) = 0.22 ∗ 0.30 * 0.42 * 0.10
2!∗0!∗2!∗0!.
Luego
P = 0,0384
Por lo tanto, la probabilidad de que el grupo esté formado por personas de estos
países es tan sólo del 3,84%.
Ejemplo 3
Un método de un diagnóstico tiene 3 resultados posibles: positivo (P), negativo (N)
y dudoso (D).
Se sabe que, en la población, el 10% de los sujetos son positivos, el 70% negativos y
el resto dudosos.
¿Qué probabilidad hay de, en una muestra de 5 individuos, obtener exactamente 1
positivo, 1 negativo y 3 dudosos ?
94
DISTRIBUCIONES MULTINOMIAL
Aplicar el modelo:
n=5
x1=1
𝑛!
𝑝3 𝑥3 ..
P1 = 0.1
P2 = 0.7
x2=3
𝑃(𝑥) = 𝑝1 𝑥1 ∗ 𝑝2 𝑥2 *
x3=1 𝑥1 !∗𝑥2 !∗𝑥3 !∗.
P3 = 0.3
5!
p (1,3,1) 0.1 0.7 0.2 0.0112
1 1 3
1!.3!.1!
Luego
P = 0,0112
96
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
• La distribución Hipergeométrica de parámetros k, n y N (HG(k,n,N)) surge
en situaciones en donde el modelo aproximado de probabilidad se
corresponde con muestreo sin reemplazamiento de una población
dicotómica (Exito y Fracaso) finita.
• Cada individuo puede ser caracterizado como un éxito (E) o fracaso (F).
DEFINICION
• Una variable aleatoria X tiene una distribución Hipergeométrica si (para algunos
enteros positivos k , n y N) X ="numero de individuos de un total de n con cierta
característica (éxito) si en N hay un total de k"
• Media 𝐸 𝑥 =𝑛𝑝
𝑁−𝑛
• Varianza 𝑉𝐴𝑅 𝑋 = 𝑛 𝑝 𝑞
𝑁−1
Ejemplo:
Si en una urna con 5 bolas blancas y 3 negras en un primer
ensayo saco una bola blanca, en el segundo ensayo hay una
bola blanca menos por lo que las probabilidades son diferentes
(hay dependencia entre los distintos ensayos).
𝑁1 𝑁2
∗
𝑃 𝑥=𝑘 = 𝑘 𝑛 − 𝑘
𝑁
𝑛
Entonces:
N = 12; N1 = 7; N2 = 5;
k = 3; n = 4
Ejemplo 2:
En la capacitación de una empresa multinacional, sobre técnicas de ventas asisten
20 personas: 14 nacionales y 6 extranjeros.
Aplicamos el modelo: 𝑁1 𝑁2
∗
𝑃 𝑥=𝑘 = 𝑘 𝑛−𝑘
𝑁
𝑛
N = 20; N1 = 6; N2 = 14;
k = 3; n = 3
6 14
∗
𝑃 𝑥=3 = 3 3−3
20
3
Por lo tanto, P (x = 3) = 0.0175.
Es decir, la probabilidad de que las 3 personas sean extranjeras es tan sólo del
1.75%.
ING. WILLIAM LEON V. 107
Distribuciones Multihipergeométrica
108
ING. WILLIAM LEON V.
DISTRIBUCIONES MULTIHIPERGEOMÉTRICA
La distribución multihipergeométrica es similar a la distribución
hipergeométrica, con la diferencia de que en la urna, en lugar de haber
únicamente bolas de dos colores, hay bolas de diferentes colores.
𝑵𝟏 𝑵𝟐 𝑵𝟑 𝑵𝟒
∗ ∗ ∗ ..
𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 , 𝑋4 = 𝑥4 . . ) =
𝑵
𝒏
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que una de las bolas sea
blanca)
N1: indica el número de bolas blancas que hay en la urna (en el ejemplo, 7 bolas)
N: es el número total de bolas en la urna (en el ejemplo, 14 bolas)
n: es el número total de bolas que se extraen (en el ejemplo, 3 bolas)
ING. WILLIAM LEON V. 110
DISTRIBUCIONES MULTIHIPERGEOMÉTRICA
Ejemplo 1
En una urna hay 7 bolas blancas, 3 verdes y 4 amarillas:
¿Cuál es la probabilidad de que al extraer 3 bolas sea cada una
de un color distinto?
Datos:
N=14
X1=1
N1=7
X2=1
N2=3
X3=1
N3=4
n= 3
Datos:
N=17
X1=5
N1=10
X2=0
N2=3
X3=2
N3=4
n= 7
ING. WILLIAM LEON V. 114
DISTRIBUCIONES MULTIHIPERGEOMÉTRICA
Aplicamos el modelo: 𝑵𝟏 𝑵𝟐 𝑵𝟑
∗ ∗ .
𝒙𝟏 𝒙𝟐 𝒙𝟑
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 ) =
N=17 𝑵
𝒏
N1=10 X1=5
N2=3 X2=0
N3=4 X3=2
n= 7
Reemplazando con los datos del ejemplo:
10 3 4
∗ ∗ .
5 0 2
𝑃(𝑋1 = 5, 𝑋2 = 0, 𝑋3 = 2) = 17
7
117
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
CARACTERISTICAS
• Se dice que X sigue una distribución de Poisson de parámetro λ y que se
obtiene del producto n*p, que se representa con la siguiente notación:
X~Ps(λ)
• La distribución de Poisson se caracteriza por las siguientes propiedades:
• Sea una población de tamaño ∞ .
• Sea una muestra de tamaño n bastante elevado (se suele hablar de que
tiende a ∞)
• Los sucesos son independientes entre si.
Función de Cuantía:
e-λ λ x
si x : 0 , 1 , 2 , .....
f (x ) P(X x ) x!
0 en otro caso
Valor Esperado:
E( x ) λ
Varianza:
V( x ) λ
Desviación Estándar 𝜎= 𝜆
ING. WILLIAM LEON V. 122
DISTRIBUCIÓN DE POISSON
Ejemplos:
• La cantidad de llamadas telefónicas en un periodo de una hora en cierta
oficina.
• El número de accidentes de tránsito durante un mes.
• El número de errores tipográficos por página en un libro.
• El número de fallas de una computadora durante una semana de
operación.
Aplicaciones:
La distribución de Poisson tiene aplicaciones en Control de Calidad y muestreo de
aceptación.
Además, ciertas distribuciones continuas importantes utilizadas en teoría de
confiabilidad y teoría de colas dependen del proceso de Poisson.
•Lectura directa.
P( x x ) F( x )
Ejemplo:
Si el número de defectos en los rollos de tela de cierta empresa textil
es una variable aleatoria de Poisson con una media de 0,1 defectos
por metro cuadrado.
𝑒 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =
𝑥!
126
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
¿Cuál es la probabilidad de :
a) Tener dos defectos en un metro cuadrado de tela.
- 0,1 2
e . 0,1
P x 2 0, 005
2 !
¿Cuál es la probabilidad de :
b) Tener un defecto en 10 metros cuadrados de tela,.
0,1 defectos ---- 1 m2
---- 10 m2 λ 1
-1 1
e .1
P x 1 0, 368
1!
c) Que no hayan defectos en 20 metros cuadrados de tela.
λ 2 P x 0 0,135
ING. WILLIAM LEON V. 128
TABLA DE LA DISTRIBUCIÓN DE POISSON
1.-¿Cómo utilizar la tabla de la distribución de Poisson?
Procedimiento:
• Localizar en la Tabla
• λ=0.9, x=3 y
• Tomar la intersección:0.987.
ING. WILLIAM LEON V. 129
TABLA DE LA DISTRIBUCIÓN DE POISSON
• En este caso se tiene que fijar en que este suceso es el complementario del
ejemplo anterior
• P(x>3) = 1 – P(x<=3)
• Por lo tanto la probabilidad buscada es de:
P(x>3) = 1-0.987
P(x>3) =0.013
𝑒 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =
𝑥!
𝑒 −0.9 0.93
𝑃 𝑋=3 = =0.0493982
3!
ING. WILLIAM LEON V. 132
TABLA DE LA DISTRIBUCIÓN DE POISSON
4.-¿Qué pasa si el parámetro λ no aparece de forma exacta en la tabla?