Está en la página 1de 101

Estadstica y Probabilidades MB-613 Captulo 1 Probabilidades

Alberto Coronado Matutti Facultad de Ingeniera Mecnica Universidad Nacional de Ingeniera

1. Espacios de muestreo y eventos

1.1 Experimentos aleatorios

Medir el flujo de corriente en un alambre de cobre es hacer un experimento. Al repetir el experimento varias veces, las mediciones diferirn una de otra. Eso debido a cambios en la temperatura ambiente, impurezas en diferentes secciones del conductor, etc. En general, los experimentos tendrn una componente aleatoria.
3

1.1 Experimentos aleatorios

A veces, las variaciones sern pequeas en comparacin a las variables medidas. En esos casos pueden ser ignoradas. Sin importar cuan cuidadosamente diseamos los experimentos, existirn dichas variaciones. Y si estas variaciones son grandes pueden afectar nuestras conclusiones.

1.1 Experimentos aleatorios

Experimentos aleatorios son aquellos que producen resultados diferentes, aun cuando son repetidos de la misma manera.

1.2 Espacio muestral: ej. 1

Espacio muestral (S) es el conjunto de todos los posibles resultados individuales de un experimento. S es frecuentemente definido en funcin de los objetivos del anlisis. Considerando un experimento en el que se mide el espesor de una pieza:

1.2 Espacio muestral: ej. 2

Un espacio muestral es discreto si consiste de un conjunto finito, o contable infinito, de posibles resultados. Un espacio muestral es continuo si contiene un intervalo (finito o infinito) de nmeros reales.

1.2 Espacio muestral: ej. 3

Espacios muestrales pueden tambin ser descritos grficamente usando diagramas de rbol. Por ejemplo, si cada mensaje en un sistema de comunicacin digital es clasificado como siendo recibido a tiempo o no:

1.2 Espacio muestral: ej. 4

Si un fabricante produce vehculos equipados con diversas opciones: - Con o sin transmisin automtica. - Con o sin aire acondicionado. - Con una de tres opciones de estreo. - Con una de cuatro opciones de color externo. Cual seria el espacio muestral que incluya todos los tipos de vehculos? Que tamao tiene el espacio muestral?
9

1.2 Espacio muestral: ej. 4

El espacio muestral estar conformado por 48 posibles resultados.

10

1.2 Espacio muestral: ej. 5

Del ej. 4, considerando que hay adicionalmente 4 opciones de color interno: rojo, blanco, azul y marrn.

Con exterior rojo, podemos tener 2 opciones, con blanco 4, con azul 3 y con marrn solo una. Que tamao tiene el espacio muestral?

11

1.2 Espacio muestral: ej. 5


Continuando el diagrama de rbol del ej.4. Considerando una de las 12 ramas de color exterior:

12

1.3 Eventos

Un evento es un subconjunto del espacio muestral obtenido en un experimento aleatorio

13

1.3 Eventos: Operaciones bsicas

Podemos describir eventos nuevos como una combinacin de eventos existentes.

Ya que eventos son subconjuntos podemos usar operaciones bsicas relacionadas.

14

1.3 Eventos: Operaciones bsicas

La unin es el evento que contiene todos los resultados combinados La interseccin contiene los resultados comunes a ambos eventos El complemento es el conjunto de resultados en el espacio muestral que no estn contenidos en el evento

15

1.3 Eventos: Diagramas

Diagramas de Venn son comnmente usados para representar relaciones entre subconjuntos.
Eventos mutuamente exclusivos

16

1.3 Eventos: ej. 7

Mediciones del tiempo necesario para completar una reaccin qumica pueden ser modeladas en el espacio muestral

17

1.3 Eventos: ej. 8

50 muestras de policarbonato son testadas para analizar su resistencia a ralladuras (scratch) e impactos (shock).

Sea A el evento donde las muestras tienen alta resistencia a impactos, B el evento de alta resistencia a ralladuras. Hallar el nmero de muestras en
R: 45, 40, 9 (en desorden)
18

1.3 Eventos: Propiedades

La definicin de complemento implica: La ley distributiva implica: Las leyes de DeMorgan implican: La ley conmutativa implica:

19

1.4 Tcnicas de conteo: ej. 9

En casos simples es fcil determinar el nmero de elementos de un espacio muestral.

En casos ms complicados se pueden hacer uso de tcnicas de conteo.


En el ejemplo del automvil, donde tenemos 2 opciones de transmisin, 2 de aire acondicionado, 3 de estreo y 4 de color exterior:
20

1.4 Tcnicas de conteo: Regla


Regla de la multiplicacin: Asumiendo una operacin que puede ser descrita como una secuencia de k pasos. El nmero de formas de completar el paso 1 es n1, el paso 2 es n2 y as sucesivamente. El nmero total de maneras de completar la operacin es:

21

1.4 Tcnicas de conteo: Permutaciones

Otro clculo til es el nmero de secuencias ordenadas de los elementos de un conjunto.

Considere el siguiente conjunto S={a,b,c} cuya permutacin es: El nmero de permutaciones de n elementos diferentes es:

22

1.4 Tcnicas de conteo: Permutaciones

En ocasiones podemos estar interesados en el nmero de arreglos de solo algunos elementos.

El nmero de permutaciones de subconjuntos de r elementos seleccionados de un conjunto de n elementos ser:

23

1.4 Tcnicas de conteo: ej. 10

Un circuito integrado tiene 8 diferentes posiciones en las que se puede localizar un componente.

Si 4 componentes diferentes deben ser posicionados Cuntos posibles diseos existen?

24

1.4 Tcnicas de conteo: Permutaciones

Otras veces nos interesa contar el nmero de secuencias ordenadas de objetos no todos diferentes.

El nmero de permutaciones de n = n1+n2++nr objetos, de los cuales n1 son de un tipo, n2 de otro, etc. es:

25

1.4 Tcnicas de conteo: ej. 11

Considere la operacin de maquinado de una plancha de metal en la que se necesitan dos agujeros (d, drilling) de igual dimetro y dos muescas (n, notching) idnticas. Cul es el nmero de las posibles secuencias de operaciones?

ddnn, dndn, dnnd, nddn, ndnd, nndd

26

1.4 Tcnicas de conteo: Combinaciones

Combinaciones ocurren cuando deseamos saber el nmero de subconjuntos de r elementos que podemos escoger de un conjunto de n elementos. Aqu el orden no importa:

27

1.4 Tcnicas de conteo: ej. 14

Una caja con 50 componentes contiene 3 componentes defectuosos. Se selecciona una muestra de 6 componentes sin reemplazo, es decir cada componente puede seleccionarse solo una vez.

Cuntas muestras de 6 componentes diferentes hay que contienen 2 componentes defectuosos?


28

1.4 Tcnicas de conteo: ej. 14

Un subconjunto conteniendo 2 componentes defectuosos puede ser formado escogiendo 2 de los 3 defectuosos:

Luego seleccionamos los restantes 4 componentes de entre los 47 aceptables:

29

1.4 Tcnicas de conteo: ej. 14

Usando la regla de la multiplicacin, el nmero de subconjuntos de 6 que tienen 2 componentes defectuosos es: El nmero total de subconjuntos de 6 es:

La probabilidad de que una muestra tenga 2 componentes defectuosos:


30

2. Interpretaciones de la probabilidad y axiomas

31

2. Interpretaciones: Introduccin

La probabilidad cuantifica la chance de que un resultado de un experimento aleatorio ocurra.

La chance se cuantifica por un nmero en el intervalo [0,1], correspondiente a 0100%. 0 indica que el resultado no ocurrir. 1 indica que ocurrir con certeza.
Las probabilidades de todos los resultados debern sumar 1.
32

2. Interpretaciones: Introduccin

Las probabilidades se asignan en base a un modelo razonable del sistema bajo estudio. Una abordaje es basar las asignaciones en el concepto de resultados igualmente probables. En ese caso, toda vez que un espacio de muestreo tiene N posibles resultados, la probabilidad de cada uno es 1/N.

33

2. Interpretaciones: Introduccin

En un espacio muestral discreto, la probabilidad de un evento E, P(E), es igual a la suma de las probabilidades de los resultados en E

34

2. Interpretaciones: ej. 16

Un experimento aleatorio puede resultar en uno de los siguientes resultados {a,b,c,d}, con probabilidades 0.1, 0.3, 0.5 y 0.1, respectivamente. Sea A el evento que incluye {a,b}, B el evento que incluye {b,c,d} y C el evento que incluye {d}.

35

2. Interpretaciones: ej. 16

Adicionalmente:

36

2. Interpretaciones: ej. 17

Suponiendo que una caja contiene 6 piezas {a,b,c,d,e,f} y 2 piezas se seleccionan aleatoriamente.

Asumiendo que la pieza f es defectuosa Cul es la probabilidad de que f aparezca en una muestra? El espacio muestral consiste de todos los pares posibles a ser seleccionados.

37

2. Interpretaciones: ej. 18

Muestras de las emisiones de 3 proveedores son clasificadas de acuerdo a su conformidad con especificaciones de calidad del aire.

Sea A el evento de que una muestra sea del proveedor 1 y B el evento que una muestra cumpla las especificaciones. Hallar:

R: 0.22, 0.85, 0.92, 0.30, 0.77, 0.70 (en desorden)

38

2. Axiomas de probabilidad

Sea S el espacio muestral y E un evento en un experimento aleatorio. Probabilidad es un nmero asignado a cada miembro de una coleccin de eventos de un experimento, que cumple:

39

3. Reglas de adicin

40

3. Reglas de adicin

Eventos conjuntos son generados al aplicar operaciones bsicas a eventos individuales. Uniones, intersecciones y complementos son las mas comunes. La probabilidad de un evento conjunto puede ser determinada de las probabilidades de los eventos individuales que lo componen. En esta seccin nos enfocaremos en operaciones de unin.
41

3. Reglas de adicin: ej. 19

Se muestra el anlisis de 940 wafers de semiconductores usados en la fabricacin de celdas solares.

Sea H el evento que contenga wafers con altos niveles de contaminacin:


42

3. Reglas de adicin: ej. 19

Sea C el evento que contenga wafers ubicados en el centro:

La probabilidad que el wafer este en el centro y sea altamente contaminado: La probabilidad de que este en el centro o sea altamente contaminado:

43

3. Reglas de adicin

Si los eventos tienen elementos en comn

Si los eventos son mutuamente excluyentes

44

3. Reglas de adicin: 3 eventos

Probabilidades de eventos ms complicados pueden ser determinadas usando las operaciones bsicas repetidamente. Usando la regla de adicin de eventos que tienen elementos en comn:

45

3. Reglas de adicin: 3 eventos

Por tanto, para 3 eventos que tienen elementos en comn:

En cambio, para eventos mutuamente exclusivos:

46

4. Probabilidad condicional

47

4. Probabilidad condicional

Muchas veces las probabilidades deben ser reevaluadas cuando se dispone de informacin adicional. Una forma til de incorporar informacin adicional es asumir que el resultado a ser generado es miembro de un evento dado. Este evento, digamos A, define las condiciones que se sabe el resultado satisface. Luego, las probabilidades deben ser revisadas para incluir esta informacin.
48

4. Probabilidad condicional

La probabilidad del evento B bajo el conocimiento de que el resultado pertenecer al evento A se denota:

Esta expresin se interpreta como la probabilidad condicional de B dado A.

49

4. Probabilidad condicional

Un sistema de comunicacin digital tiene un error de 1 bit por cada 1000 transmitidos. Los errores son raros, pero cuando ocurren lo hacen en rfagas que afectan muchos bits consecutivos. Si 1 bit es transmitido, la probabilidad de que sea errneo es 1/1000. Pero si el bit previo fue errneo, es esperable que la probabilidad de error en el siguiente sea mayor a 1/1000.
50

4. Probabilidad condicional: ej. 20

En un proceso de manufactura, la proporcin de partes no aceptables es 2%. El proceso es sensible a problemas de contaminacin que pueden incrementar el porcentaje de partes no aceptables. Si sabemos que en un turno determinado hubo problemas con los filtros que controlan la contaminacin, las partes no aceptables sern probablemente mayores a 2%.
51

4. Probabilidad condicional: ej. 21

En un proceso de manufactura, 10% de las partes contienen fallas superficiales visibles. Adems, 25% de las partes con fallas superficiales visibles son funcionalmente defectuosas. Mientras que solo 5% de las partes sin fallas superficiales visibles son funcionalmente defectuosas. La probabilidad de un defecto depende de nuestro conocimiento de la presencia de una falla superficial visible.
52

4. Probabilidad condicional: ej. 21

Sea D el evento donde una parte es defectuosa y F el evento donde la parte tiene falla superficial visible. La probabilidad de D asumiendo falla superficial visible es Por otro lado, asumiendo que no existe la falla superficial F tendremos

53

4. Probabilidad condicional: ej. 22

La tabla de contingencia muestra 400 partes clasificadas:

De las partes con falla superficial (40) el numero de partes defectuosas es 10. De las partes sin falla superficial (360) el numero de defectos es 18.
54

4. Probabilidad condicional: ej. 22

Un diagrama de rbol puede tambin ser usado para mostrar probabilidades condicionales:

55

4. Probabilidad condicional

La probabilidad condicional de un evento B dado un evento A (P(A)>0) es:

La cual se puede interpretar como la frecuencia relativa del evento B entre las muestras que producen un resultado en el evento A.

56

4.1 Muestreo aleatorio

Al seleccionar aleatoriamente una muestra de un conjunto grande es mejor evitar la enumeracin del espacio muestral. En este caso las probabilidades se calculan usando probabilidades condicionales. Seleccionar aleatoriamente implica que en cada paso del muestreo, los tems que quedan tienen igual probabilidad de ser seleccionados.

57

4.1 Muestreo aleatorio: ej. 23

Suponga que un conjunto tiene 10 partes de la herramienta 1 y 40 partes de la herramienta 2. Si 2 partes se seleccionan aleatoriamente, sin reemplazo. Cul es la probabilidad condicional de que una parte de la herramienta 2 sea seleccionada luego de que una parte de la herramienta 1 sea seleccionada primero?

58

4.1 Muestreo aleatorio: ej. 23

Si una parte de la herramienta 1 fuese la primera seleccionada, quedarn 49, donde 9 son de la herramienta 1 y 40 de la 2. La probabilidad de que una parte de la herramienta 2 sea seleccionada ser:

Sea E el evento donde el primer resultado sea parte de la herramienta 1 y el segundo de 2:


59

4.1 Muestreo aleatorio: ej. 24

En un da se fabricaron 850 piezas, de las cuales 50 no cumplen los requerimientos necesarios. Se seleccionan 2 piezas aleatoriamente sin reemplazo. Cul es la probabilidad de que la segunda pieza sea defectuosa si la primera lo fue? Si se seleccionan 3 piezas aleatoriamente, cul es la probabilidad de que las dos primeras sean defectuosas, pero no la tercera?
60

4.1 Muestreo aleatorio: ej. 24

Sea A el evento de que la primera pieza sea defectuosa y B el evento de que la segunda sea defectuosa. Usando la siguiente notacin P(ddn), donde d indica defectuoso:

61

4.1 Muestreo aleatorio: ej. 25

Se tienen datos sobre los mecanismos de falla de sistemas de aire acondicionado:

Hallar la probabilidad de que una falla envuelva fuga de gas. La probabilidad de que hay evidencia de falla elctrica si existe fuga de gas. La probabilidad de que hay evidencia de fuga de gas si existe falla elctrica.

62

5. Regla de la multiplicacin

63

5. Reglas de multiplicacin y probabilidad total

Muchas veces se requiere la probabilidad de la interseccin de dos eventos.

La regla de multiplicacin de probabilidades es:

64

5. Reglas de multiplicacin y probabilidad total: ej. 26

La probabilidad de que la primera fase de un proceso de fabricacin cumpla los requerimientos es 0.9. Si la primera fase es aprobada, la probabilidad de que la segunda fase cumpla los requerimientos es 0.95. Cul es la probabilidad de que ambas fases cumplan las especificaciones? Sean A y B los eventos en los que la primera y segunda fases sean aprobadas.
65

5. Reglas de multiplicacin y probabilidad total

A veces la probabilidad de un evento es dada bajo diversas condiciones. Con una cantidad suficiente de esas probabilidades condicionales, la probabilidad del evento puede recuperarse. Para cualquier evento B, tenemos:

66

5. Reglas de multiplicacin y probabilidad total

Usando las reglas de la unin de eventos mutuamente excluyentes y de la multiplicacin. Obtenemos la regla de la probabilidad total: De manera ms general tenemos:

Dado que: E1, E2, , Ek se denominan eventos colectivamente exhaustivos


67

5. Reglas de multiplicacin y probabilidad total: ej. 27

Considerando los datos de contaminacin y fallas:

Sea F el evento donde el producto falla y H el evento donde el chip est expuesto a altos niveles de contaminacin. Hallar P(F)

68

5. Reglas de multiplicacin y probabilidad total: ej. 28

Considerando los datos de contaminacin y fallas:

Para una produccin particular 20% tienen alto nivel de contaminacin, 30% medio y 50% bajo. Cul es la probabilidad de que un producto que use uno de estos chips falle?
69

5. Reglas de multiplicacin y probabilidad total: ej. 28

Los clculos anteriores pueden ser visualizados en un diagrama de rbol:

70

6. Independencia

71

6. Independencia

En algunos casos la probabilidad condicional P(BA) es igual a P(B).

En este caso especial, saber que el resultado del experimento pertenece al evento A no afecta la probabilidad que pertenezca al evento B.

72

6. Independencia: ej. 29

Suponga que de la produccin de un da 50 piezas, de las 850, no cumplen los requerimientos. Dos piezas se seleccionan aleatoriamente, pero la primera pieza es reemplazada antes de seleccionar la segunda. Hallar la probabilidad de que la segunda pieza sea defectuosa (B) dado que la primera fue defectuosa (A).

73

6. Independencia: ej. 29

Ya que la primera pieza se reemplaza antes de seleccionar la segunda, todava tenemos 850 piezas, de las cuales 50 son defectuosas. Por tanto, la probabilidad de B no depende de que la primera pieza haya sido o no defectuosa: La probabilidad de que ambas partes sean defectuosas es:
74

6. Independencia: ej. 30

La tabla de contingencia relaciona fallas superficiales a partes defectuosas:

75

6. Independencia

En el caso especial:

Dos eventos son independientes si alguna de las condiciones se cumple:

76

6. Independencia

Los eventos E1, E2, , En son independientes si y solo si para cualquier subconjunto de estos eventos Ei1, Ei2,,Eik

77

6. Independencia: ej. 31

De la produccin de un da 50 de las 850 piezas no cumplen los requerimientos. Dos piezas se seleccionan aleatoriamente sin reemplazo. A es el evento donde la primera pieza es defectuosa y B aquel donde la segunda lo es. Se sospecha que estos dos eventos son dependientes ya que el conocimiento de que la primera pieza es defectuosa sugiere que es menos probable que la segunda lo sea. De hecho: Hallar P(B).
78

6. Independencia: ej. 31

Para hallar la probabilidad incondicional P(B) los posibles valores de la primera seleccin deben ser considerados:

La probabilidad incondicional de B, es decir sin conocimiento de la primera pieza, es la misma que la probabilidad de A. Ya que P(BA) no es igual a P(B), los dos eventos dependientes.

79

6. Independencia: ej.32

El siguiente circuito opera solo si hay un camino de dispositivos funcionales de izquierda a derecha. Se muestra la probabilidad de que cada dispositivo funcione. Asumiendo que los dispositivos fallen independientemente, cul es la probabilidad de que el circuito opere?
80

6. Independencia: ej. 33

La probabilidad de que una pieza contenga una gran partcula contaminante es 0.01. Esa probabilidad no depende del estado de las otras piezas. Si 15 piezas son analizadas, cul es la probabilidad de no encontrar contaminantes? Sea Ei el evento de que la pieza i no contenga contaminantes.

81

6. Independencia: ej. 34

El circuito opera solo si hay un camino de dispositivos funcionales de izquierda a derecha.

Se muestra la probabilidad de que cada dispositivo funcione. Los dispositivos fallan independientemente. Cual es la probabilidad de que el circuito opere?
82

6. Independencia: ej. 34

Habr un camino si al menos uno de los dispositivos funciona. La probabilidad de que el circuito funcione ser: Usando la suposicin de independencia:

83

6. Independencia: ej. 35

El circuito opera solo si hay un camino de dispositivos funcionales de izquierda a derecha:

Se muestra la probabilidad de que cada dispositivo funcione. Asuma que los dispositivos fallan independientemente. Cul es la probabilidad de que el circuito funcione?

84

6. Independencia: ej. 35

L denota el evento de haber un camino funcional a travs de las 3 unidades de la derecha. Del ej. anterior: M denota el evento de haber un camino funcional a travs de las 2 unidades del medio: Para sistemas independientes la probabilidad de que el sistema funcione ser:
85

7. Teorema de Bayes

86

7. Teorema de Bayes

Como se mostr anteriormente, la informacin muchas veces es presentada en trminos de probabilidades condicionales. Estas probabilidades dan la chance de un evento (falla) dada una condicin (contaminacin). En otras situaciones estamos interesados en la probabilidad de una condicin (contaminacin) dado un resultado (falla).

87

7. Teorema de Bayes

Thomas Bayes estudi este problema en el siglo 18. De la definicin de probabilidad condicional:

Luego:

88

7. Teorema de Bayes

Si P(B) es puesta en funcin de la regla de la probabilidad total:

As obtenemos el resultado general conocido como Teorema de Bayes:

E1, E2,, Ek son mutuamente excluyentes y exhaustivos y B es cualquier evento.


89

7. Teorema de Bayes: ej. 36

Hallar la probabilidad condicional de que ocurra un alto nivel de contaminacin cuando presenta una falla.

Considerando que:

90

7. Teorema de Bayes: ej. 37

Dado que un procedimiento mdico ha sido mostrado como efectivo en la deteccin de una enfermedad, se propone su uso en la poblacin. La probabilidad de que el test identifique correctamente a alguien con la enfermedad como positivo es 0.99. La probabilidad de que el test identifique alguien sin la enfermedad como negativo es 0.95. La incidencia de la enfermedad en la poblacin general es 0.0001. Si alguien toma el test y resulta positivo, cul es la probabilidad de que tenga la enfermedad?
91

7. Teorema de Bayes: ej. 37

Sea D el evento en el que la persona tiene la enfermedad y S el evento en el que el test da positivo. Se pide la probabilidad La probabilidad de identificar alguien que no tiene la enfermedad como negativo es 0.95. La probabilidad de que el test de positivo a alguien sin la enfermedad es:

92

7. Teorema de Bayes: ej. 38

Redes Bayesianas son usadas en sitios Web de fabricantes de alta tecnologa para permitir diagnosticar problemas rpidamente a sus usuarios. Un fabricante de impresoras obtuvo las siguientes probabilidades de su base de datos. Fallas de impresoras se asocian a 3 tipos: hardware, software y otros (tales como conectores), con probabilidades 0.1, 0.6 y 0.3, respectivamente. La probabilidad de la impresora fallar debido a un problema de hardware es 0.9, a uno de software 0.2 y ante cualquier otro 0.5. Si un cliente entra a la Web del fabricante a diagnosticar un problema, cul es la causa ms probable del problema?

93

7. Teorema de Bayes: ej. 38

Sean los eventos H, S y O, que denotan problemas en hardware, software y otros. Sea F el evento donde la impresora falla. La causa ms probable de falla es aquella que corresponde a la cantidad ms alta de:

En el Teorema de Bayes, el denominador es:

94

7. Teorema de Bayes: ej. 38

Por tanto:

Observe que: Ya que presenta la probabilidad ms alta, la primera pgina de dialogo de la Web debera comenzar pidiendo al usuario chequear ese tipo de problema.
95

7. Teorema de Bayes: ej. 39

Tres mquinas automticas fabrican piezas de automviles. La mquina M1 produce el 40% del total, la mquina M2 el 25% y la mquina M3 el 35%. En media, el porcentaje de piezas no conformes son 10% de M1, 5% de M2 y 1% de M3. Si una pieza es seleccionada al azar de la produccin total y se constata de que no cumple los requerimientos, cul es la probabilidad de haber sido hecha por M1?
96

7. Teorema de Bayes: ej. 39

Sea B el evento que la pieza sea buena y D el evento que sea defectuosa. Tenemos el siguiente rbol:

97

8. Variables aleatorias

98

8. Variables aleatorias

Frecuentemente resumimos el resultado de un experimento aleatorio con un simple nmero. Ya que el resultado particular de un experimento no es conocido de antemano, no se conoce el valor resultante con anticipacin. Por ello, la variable que asocia un nmero con el resultado de un experimento aleatorio se llama variable aleatoria.
99

8. Variables aleatorias

Una variable aleatoria es una funcin que asigna un nmero real a cada resultado en el espacio muestral de un experimento aleatorio. Una variable aleatoria se denotar con una letra mayscula, ej. X. Luego de conducir un experimento, el valor medido de la variable aleatoria se denota por una letra minscula, ej. x=70 mA.

100

8. Variables aleatorias

Una variable aleatoria discreta es aquella que tiene un rango finito (o contable infinito). Ej.: nmero de ralladuras en una superficie, proporcin de partes defectuosas entre 1000 piezas testadas, nmero de bits transmitidos con error. Una variable aleatoria continua es aquella que tiene un intervalo (finito o infinito) de nmeros reales por rango. Ej.: corriente elctrica, longitud, presin, temperatura, tiempo, voltaje, peso.
101