Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDADES
2
INTRODUCCIN
PERMUTACIONES
Ejemplo 3:
En un proceso de manufactura hay seis operaciones distintas, que se indican con A,
B, C, D, E y F. En general no existe una secuencia fija para las operaciones, con la
salvedad de que A debe efectuarse al principio y F al final. Cuntas secuencias
diferentes pueden ocurrir?
5
Solucin:
A B C D E F
P4 = 4! = 24 formas diferentes
Cuando se toman parte de los elementos del conjunto se tiene:
n!
Pn,r =
(n r )!
Ejemplo 4:
Si : n = 5 y r=3
5! 5! 120
P5,3 = 60
(5 3)! 2! 2
Ejemplo 5:
Hay 7 candidatos para desempear 3 tareas, si todos los candidatos son igualmente
eficientes, De cuntas maneras se puede efectuar la asignacin?
Solucin:
7! 7! 7.6.5.4!
P7,3 = 210
(7 3)! 4! 4!
Ejemplo 6:
De cuntas maneras 3 fresadoras, 4 tornos, 4 taladros y 2 cepillos pueden ordenarse
en fila en un taller, de modo que el mismo tipo de mquina queden juntas.
3F 4T 4T 2C
6
P3 = 3! P4 = 4! P4 = 4! P2 = 2!
P4 = 4!
Combinaciones :
Una combinacin de n elementos tomados de r en r es un subconjunto no
ordenado de r elementos con r n.
2 combinaciones formadas por r elementos son distintas, si difieren al menos en un
elemento.
Ejemplo 1:
Sea el conjunto {a, b, c} de cuntas maneras podemos seleccionar:
a) un elemento
b) dos elementos
c) tres elementos
Solucin:
n
Notacin: nCr;
r
Para determinar el nmero de combinaciones de n elementos tomando de r en r:
n!
C rn
r!(n r )!
Ejemplo :
Si n = 10 r=7
10! 10! 10 .9.8.7! 720
C710 120
7!(10 7)! 7!.3! 7!.3! 6
Ejemplo 2:
El congreso anglomexicano de administracin pblica, debe elegir el futuro comit
ejecutivo que regir a esa institucin durante el prximo ao.
La comisin directiva se forma con 6 integrantes y este ao han sido propuestos 7
representantes mexicanos y 4 ingleses para ser electos. Se pide determinar de
cuntas maneras se puede integrar la comisin en los siguientes casos:
Conjuntamente : C 47 . C 24 = 35 x 6 = 210
3) 4 ingleses y 2 mexicanos: C 44 C 37 = 21
210 + 140 + 21 = 371
Ejemplo 3:
En los laboratorios ELKO hay 3 plazas vacantes de un total de 33 solicitudes de
empleo, slo 14 se han considerado aceptables, en bases en las entrevistas
practicadas por el departamento de personal. De cuntas maneras pueden
asignarse las 3 plazas?
a) Si todos los empleos son de la misma categora
14!
b) 14 P3 2184
11!
9
4. Cuntos objetos distintos deben existir para que el nmero de combinacin que
se puede formar , tomndolos de 2 en 2 sea igual a 6 veces el nmero de
objetos
5. Calcular :
35!*28!
a) K
27!*36!
29!
b) K
27!28!
36!37!
c) K
37!36!
10
COMBINACIONES
Anlisis Combinatorio
Ejemplo 2: En una ciudad los nmeros de telfono constan de 5 dgitos, cada uno
de los cuales se llama con alguno de los 10 dgitos (0 al 9). Cuntos nmeros
diferentes pueden formularse?
Solucin:
10 x 10 x 10 x 10 x 10 = 100,000 nmeros diferentes
Ejemplo 3:
La agencia de Publicidad PIPSA, ha obtenido la exclusividad respecto a una lnea
de polvos para preparar postres. A estos efectos la agencia ha decidido organizar
un concurso nacional destinado a adivinar el nombre futuro de esa lnea de
productos.
Las condiciones son:
a) Los nombres que se propongan deben ser de 4 letras.
b) Ninguna letra debe repetirse.
c) La primera y tercera letras deben ser consonantes.
d) La segunda y cuarta letras deben ser vocales.
e) Si una persona propone 2 veces el mismo nombre queda descalificada.
Cuntos nombres debe proponer una persona para estar seguro que participa en el
sorteo pblico?
Considerar 28 letras del alfabeto
Solucin:
23 x 5 x 22 x 4 = 10,120 nombres diferentes
Por qu esos nmeros?
Porque hay 28 letras del alfabeto, 23 consonantes y 5 vocales, pero se disminuy
de 23 a 22 en la primera y tercera cifra porque una de las condiciones es que las
13
Notacin Factorial
En algunos problemas de matemticas se nos presentan multiplicaciones de
nmeros naturales sucesivos tal como:
4 x 3 x 2 x 1 = 24 ; 3x2x1=6 ; 2 x 1 = 2.
Para abreviar estas expresiones, se usa una notacin especial llamada notacin
factorial y nos denota las multiplicaciones sucesivas de n hasta l y se define como:
4 x 3 x 2 x 1 = 4! Se lee: cuatro factorial o factorial de cuatro
3 x 2 x 1 = 3! Se lee: tres factorial o factorial de tres
En trminos generales:
n(n-1)(n-2)...x 2 x 1 = n! Se lee n factorial o factorial de n
Propiedades:
a) para n natural
n! = n(n-1)!
Ejemplo: 7! = 7 x 6! = 7 x 6 x 5 x 4!
b) 0! = 1
Ejemplos:
1) 5! = 5 x 4 x 3 x 2 x 1 = 120
2) 4! 3! = (24)(6) = 144
3)
14
4)
5)
Ejemplo:
Determinar 50! por Stirling:
15
VARIACIONES
INTRODUCCIN A LA PROBABILIDAD
Azar y Desconocimiento.
El azar est relacionado con el desconocimiento. Un ejemplo nos puede ayudar;
piense en un proceso industrial que produce grandes cantidades de un artculo
determinado. No todos los artculos producidos son idnticos, cada artculo puede
calificarse como ``bueno'' o ``defectuoso''. Si de toda la produccin se escoge un
artculo ``a ciegas'', ese artculo puede resultar bueno o defectuoso. Esta es una
situacin azarosa (o aleatoria) y la parte esencial de este azar es que no sabemos si
el artculo seleccionado es defectuoso. Claro que con experiencia en el proceso es
16
posible cuantificar de una manera numrica qu tan factible es que el artculo sea
defectuoso o no.
Azar e incertidumbre.
Hay otro concepto asociado al azar y es el de incertidumbre. Veamos un ejemplo.
Respecto a una inversin, podemos estar contemplando invertir una cantidad de
dinero. El retorno sobre la inversin puede ser fijo, como en el caso de una cuenta
en un banco con inters fijo; pero pensemos en una empresa. El negocio puede
resultar desde un gran xito hasta un fracaso, es decir, la ganancia no es fija, sino
que depende del xito a obtener. Si no podemos evaluar qu tan factible es cada
monto posible de la ganancia, tenemos una situacin de incertidumbre. Por el
contrario, si
podemos tener una idea de qu tan probables son los diferentes resultados y
entonces tendremos una situacin de riesgo. Esta ltima es la que llamamos
aleatoria o azarosa.
Espacio Muestral y Probabilidad.
El prrafo anterior se resume diciendo que en las situaciones o experimentos
aleatorios tenemos dos elementos esenciales:
1. Una lista de posibilidades a futuro: espacio muestral
2. Una cuantificacin de la incertidumbre sobre esa lista de posibilidades:
asignacin de probabilidades.
Cualquier problema o situacin en la probabilidad, parte de esos dos elementos:
Espacio Muestral y Probabilidades.
ESPACIO MUESTRAL.
17
SUCESOS O EVENTOS.
Cuando se tiene un espacio muestral llamamos, formalmente evento a cualquier
subconjunto del espacio muestral.
Decimos que un evento se realiza, cuando el resultado del experimento aleatorio es
un elemento del evento.
Las dos definiciones anteriores son muy abstractas. Veamos un par de ejemplos.
En el caso de contar cuantos volados hacen falta para conseguir tres guilas
seguidas o tirar 15 volados; el espacio muestral son los nmeros: 3, 4, 5, . . . , 15.
Un evento podra ser { 3, 5, 7, . . . , 15}.
18
Problemas Propuestos:
1. En una caja hay 8 focos de los cuales 3 estn fundidos. Se van a sacar los
focos de uno en uno, hasta encontrar los tres fundidos. Si nos fijamos en
el nmero de focos que se quedan en la caja cul es el espacio muestral?
2. En el experimento de los volados mencionado arriba. Si nos fijamos en el
nmero de soles que salieron, describa en sus propias palabras, cul es el
evento { 0, 1, 2 }. Si los resultados fueron AASAASAAA Por qu se
detuvo el experimento? Se realiz el evento?
3. Jntese con un compaero de este curso y entre los dos discutan y
encuentren un ejemplo de un experimento aleatorio relacionado con las
personas que estn en la biblioteca despus de las 10 de la noche.
Expliquen cul es el espacio muestral. Expliquen qu informacin
necesitaran para asignar probabilidades.
4. Con su mismo compaero, encuentren un ejemplo de un experimento
aleatorio referente a las inscripciones. Detallen el espacio muestral.
Propongan un evento. Den un ejemplo de un resultado que implique que
el evento no se realiz y otro resultado donde el evento s se haya
realizado.
20
PROBABILIDAD
Aparte del espacio muestral, en cada experimento aleatorio hay una asignacin
primaria de probabilidades. Basados en la experiencia o en razonamientos de
simetra, a cada elemento del espacio muestral le asignamos una evaluacin de qu
tan factible es. Esta evaluacin se refleja en un porcentaje (nmero entre 0 y 1).
Entre ms factible sea el resultado, mayor es el porcentaje que se le asigna. Los
casos extremos son:
Un evento que no puede suceder, tiene probabilidad cero. Muchas veces
estos eventos con probabilidad cero son imposibles por alguna
contradiccin lgica en su definicin. Por ejemplo: ``que la suma de dos
dados sea n n y los dos dados tengan el mismo nmero''.
En el otro extremo hay eventos que siempre suceden y estos tienen
probabilidad uno. Por ejemplo: ``que el nmero de guilas en dos volados
sea menor o igual a 7.8'', aunque el evento pueda resultar extrao en su
definicin, siempre sucede y tiene probabilidad igual a 1.
La asignacin toma la forma matemtica de una funcin y se llama funcin de
probabilidad.
El dominio de esta funcin es el espacio muestral y su codominio es el intervalo
real [ 0, 1 ].
Esta funcin nos da las probabilidades de los eventos simples. Para un evento
compuesto, simplemente sumamos las probabilidades de los elementos que lo
componen.
21
EJEMPLOS.
La probabilidad es un concepto muy viejo en las matemticas. Actualmente lo
aplicamos en prcticamente todos los campos de la actividad humana. La variedad
de situaciones en que se aplica va desde la produccin hasta la planeacin a largo
plazo de las empresas.
Aunque esta es la visin moderna, y la razn de que estemos estudiando
probabilidad en este curso, los orgenes del concepto son muy humildes, comenz
aplicndose a los juegos de azar.
Pensemos en un dado perfectamente balanceado de modo que ninguno de los seis
lados es favorecido.
El espacio muestral es { 1, 2, 3, 4, 5, 6 }.
La funcin de probabilidad le asigna a cada uno de los elementos del espacio
muestral el valor de 1 / 6.
Esta asignacin la hacemos porque el dado est balanceado.
Decimos que la probabilidad de un evento es el nmero de resultados favorables al
evento entre el nmero de resultados posibles.
Otro ejemplo: una urna con 50 papelitos numerados de los cuales se escoge uno
para que tenga un premio. El espacio muestral es { 1, 2, 3, . . . , 50 }. La asignacin
22
PROBABILIDAD DE SUCESOS
PROBABILIDAD DE SUCESOS
AXIOMAS DE LA PROBABILIDAD
Teniendo en cuenta las operaciones para hacer conjuntos nuevos, hay algunos
hechos fundamentales respecto a la probabilidad que se cumplen siempre:
1. P(A) mayor o igual a 0
2. P(S) = 1
3. P(A B) = P(A) + P(B) si A y B son excluyentes.
De estas tres propiedades, los matemticos deducen un montn de reglas tiles
para calcular probabilidades en situaciones ms complicadas. A este tipo de
proposiciones de las que se deducen otras, se les llama axiomas y los tres de arriba
son los axiomas de la probabilidad. Algunas de las frmulas ms tiles, deducidas
de los axiomas, son las siguientes.
P( vaco ) = 0
P(A') = 1- P(A)
P(A - B) = P(A) - P(A y B)
Si A est contenido en B entonces P(A) menor o igual a P(B)
P(A) menor o igual a 1
P(A B) = P(A) + P(B) - P(A y B).
La deduccin de estas leyes a partir de los tres axiomas es un ejercicio de ingenio
matemtico al que valdra la pena asomarse, pero en el que no tenemos intencin
de meternos de lleno. Ya que desde el punto de vista de este curso, lo interesante es
aplicarlas.
Respecto a la tercera de la reglas, note bien que la resta de conjuntos se define as:
``A - B'' es la coleccin de elementos de A que no estn en B. De tal suerte que
28
Problemas Propuestos
Problemas propuestos:
Resuelva estos ejercicios.
1. Se van a tirar 5 monedas y el resultado va a ser el nmero de guilas
menos el nmero de soles. Escriban el espacio muestral equiprobable para
este experimento. (Debe tener 32 resultados).
2. Siguiendo con el ejercicio anterior, me van a dar una cantidad de pesos
igual a la resta: [nmero de guilas] MENOS [nmero de soles]. Si sale
negativo quiere decir que yo pago! Cul es la probabilidad de que gane
ms de dos pesos?
3. Si un dado se construye de modo que un 1 o un 2 ocurran dos veces ms
frecuentemente que un 5, mismo que se presenta tres veces ms seguido
que un 3 o un 4 o un 6. Cul es la probabilidad de que el nmero que se
obtiene sea par? Cul la de que sea un cuadrado perfecto? Cul la de
que sea mayor que 4?
31
PROBABILIDAD CONDICIONAL
Consideremos la siguiente situacin. Se tienen tres urnas similares; por fuera son
idnticas. Se sabe que
en la urna 1 hay 3 bolas blancas y 19 azules,
en la urna 2 hay 20 bolas blancas y 2 azules,
en la urna 3 hay 11 bolas blancas y 11 azules.
Se va a sacar una bola de una de las urnas. Puede ser azul o blanca. Cul es la
probabilidad de que sea blanca?
Hay cuatro posibles soluciones:
1. La probabilidad de una blanca es 3 / 22. Esto es porque si se escoge la
urna 1, hay 3 de 22 bolas que son blancas. Esta respuesta nos deja
pensando en que es muy arbitrario decir que la urna escogida es la 1. Si la
urna escogida fuese la 1 esta sera la respuesta correcta.
2. De manera similar, podemos pensar que la urna escogida es la 2 y
entonces la probabilidad de una bola blanca es 20 / 22.
3. Claro que, tambin, la urna escogida puede ser la 3 y entonces la
probabilidad de blanca es 11 / 22.
4. Como no se sabe cual es la urna escogida y las tres urnas tienen el mismo
nmero de bolas, la probabilidad se calcula como si fuese una gran urna
con 66 bolas de las cuales 3 + 20 + 11 son blancas y, as, la probabilidad
es 34 / 66
32
el nmero de la urna escogida a que nos digan que la bola fue blanca y
nos pregunten cul es la urna.
Esta frmula no tiene sentido matemtico si P(B) = 0. En tal caso decimos
que la probabilidad condicional no est definida. Claro que eso est bien
porque no puede haber sucedido algo que es imposible.
Fjese que esta frmula se usar cuando haya una manera fcil de calcular las
probabilidades no condicionales y la condicional sea difcil. Eso no fue el caso con
el color de la bola y las urnas.
Para ejemplificar el tipo de situacin en que nos sirve la frmula descrita,
considere este problema.
Probabilidades conjuntas
Con:
la definicin que hicimos de probabilidad condicional y
36
TEOREMA DE BAYES
P( C | d)
o sea
P(C|d) = [0.0004]/[0.00286] = 0.1399
casi 14%.
O sea que si tomamos una pieza al azar, la probabilidad de que haya sido soldada
por el robot C es alta, 40%. Pero, como ese robot produce slo 1 de cada mil
soldaduras defectuosas, al saber que la pieza seleccionada es defectuosa, la
probabilidad de que provenga del robot C disminuye a solamente 14%. Esto quiere
decir que, en este caso el saber que la soldadura es defectuosa, nos provee con una
gran cantidad de informacin.
43
Lo que est mal es que lo que averiguamos, al saber que la moneda extrada es de
oro, es algo ms que el rechazo de la segunda bolsa. Si slo nos dijeran que la
bolsa escogida al azar no fue la segunda, sin informarnos del metal de la moneda
sacada, todava tendramos incertidumbre respecto a la primer moneda; todava
podramos apostar a si sta es de oro o de plata. Al decirnos que la moneda fue de
oro, estamos aprendiendo algo ms, y eso echa por tierra el argumento de ``igual
probabilidad para las dos bolsas restantes''.
Lo interesante del problema es que, si nos hubieran dicho que la moneda sacada
fue de plata, aplicando la frmula de Bayes, llegamos a la conclusin de que la
probabilidad de que la otra moneda sea tambin de plata es 2/3 [Haga Ud. las
cuentas!].
Es decir, si vamos a apostar al metal de la otra moneda, nos conviene apostar por el
metal de la primera.
Este ejemplo nos lleva a reflexionar sobre el uso adecuado de la informacin
contenida en ``lo dado'' en el clculo de la probabilidad condicional.
Problemas Propuestos :
VARIABLE ALEATORIA
esta pregunta tenga en cuenta que el azar debe jugar algn papel en la medicin de
la variable y que su valor no debe ser predecible.
Una variable aleatoria presenta dos caractersticas importantes:
1. Una coleccin (conjunto) de valores posibles al que llamamos imagen de
la variable aleatoria (antes lo llambamos espacio muestral).
2. Una probabilidad asociada a los posibles resultados la cual queda
expresada mediante una funcin de probabilidad.
Las variables aleatorias que tienen un conjunto de posibles valores discreto, se
llaman discretas. Estas variables son el resultado de contar . Cules de las
variables aleatorias mencionadas arriba son discretas? Ciertamente el peso de las
personas en el elevador no es discreto, pero entre las otras cules son discretas?
Por otra parte, las variables aleatorias cuyos valores posibles se encuentran en
cualquier parte de un intervalo, se llaman continuas. Estas variables son el
resultado de medir.
El hecho de que una variable aleatoria nos interesa cuando an no tiene un valor
especfico, nos obliga a utilizar una notacin extraa al referirnos a ella.
Denotamos con letras maysculas a las variables aleatorias y con minsculas a los
valores que contemplamos para ellas.
Si tomamos como variable aleatoria el resultado (suma) de lanzar dos dados, desde
el punto de vista de la probabilidad, el nmero resultante nos interesa antes de que
realicemos el experimento. Conocido el resultado, ya no es interesante (al menos,
no para la probabilidad). La imagen de esta variable aleatoria es S = { 2, 3, 4, 5, 6,
7, 8, 9, 10, 11, 12 }. Llamando X al resultado del experimento, podemos
contemplar el evento de que X sea igual a x, donde x es cualquier elemento de S.
Claro que nos resultar muy interesante saber cosas como P(X = x) para los
diferentes valores de x en S; por ejemplo, P(X = 6) = 5/36 [esto se lee: ``la
49
probabilidad de que X sea igual a seis es un sexto'']. Puede Ud. mostrar que P(X =
8) = 5/36 ?
Siguiendo con el ejemplo de los dos dados, el lanzar dados para ver que nmero
cae no es muy apasionante que digamos, acompaemos los dados con un tablero de
oca o de serpientes y escaleras o de turista o de back gamn o algn otro juego
interesante. Ya puestos a jugar turista o monopolio, es natural que nos interesen
otro tipo de eventos. Podramos estar interesados en saber
si el resultado es menor que 8: P(X < 8) = 21/36 Puede Ud. ver por qu?;
que el resultado sea desde 4 hasta menos que 9: P(3 < X < 9) = 23/36 Por
qu?;
tambin podemos estar interesados en que X sea distinta de 7: P(X
distinto de 7) = 1 - P(X = 7) = 1 - 1/6 = 5/6.
Naturalmente esta notacin se extiende de manera natural a todo tipo de intervalos
y desigualdades.
Regresando a donde estbamos,
A la funcin: f(x) = P(X = x) se le llama funcin de probabilidad
de X.
Esta funcin es una funcin ordinaria de las que estudiamos en los cursos de
matemticas; no tiene nada de aleatorio. Dicho de otra forma, una vez
determinados los valores de las probabilidades, la funcin de probabilidad es una
funcin comn y corriente, tiene su dominio, su codominio, su grfica, puede ser
inyectiva, etc.
Hay algunos hechos importantes respecto a esta funcin:
1. Para una variable aleatoria discreta los valores posibles son los nicos
para los cuales esta probabilidad es diferente de cero. Dicho de otra
forma, no nos hace dao ampliar el dominio de la funcin de probabilidad
50
Funcin de Distribucin.
Cuando la imagen de una variable aleatoria es un intervalo real decimos, segn
habamos quedado, que la variable es continua. La matemtica que utilizamos para
las variables continuas es diferente a la de las discretas Por eso empezamos nuestro
estudio con las discretas. An no acabamos con las variables discretas, todava nos
faltan por discutir temas muy importantes. Pero antes, hablaremos de una nocin
que es comn a las discretas y a las continuas.
Una funcin muy til en el clculo de probabilidades de una v. a. es la funcin de
distribucin. Esta funcin se define de igual forma para continuas y discretas:
F (x) = P(X <= x)
Vea bien la definicin anterior y aprndasela de memoria. Coja una hoja de papel
en blanco y escrbala.
Para no confundirnos con la notacin, suele escribirse tambin as:
F (t) = P(X <= t)
La funcin de distribucin tiene las siguientes propiedades:
1. F(en menos infinito) = 0 ; F(en ms infinito) = 1
2. F es una funcin no decreciente.
3. F sirve para calcular probabilidades as
P( a < X <= b ) = F(b) - F(a)
Para que esta ltima propiedad nos sea de utilidad deberamos tener la distribucin
ya calculada. Para muchas variables aleatorias de uso comn, las distribuciones ya
estn calculadas y tabuladas (una hoja de clculo, como Excel ya incluye
prcticamente todas las distribuciones que veremos en este curso).
Para las variables aleatorias discretas hay que tener cuidado con el hecho de que la
primera desigualdad es estricta y la segunda no.
52
Por ejemplo si la imagen de X son todos los enteros, P(2 < X <= 5) se puede
calcular haciendo la resta F(5)-F(2). Pero la probabilidad P(2 < X < 5) se obtiene
restando F(5)- F(1) (Por qu?). Cmo calcula Ud. P(2 <= X < 5)?
Las 4 propiedades que se sealaron arriba definen a una funcin de distribucin, de
modo que para saber si una funcin es una distribucin o no, basta ver que las
cumpla.
Considere el siguiente ejemplo.
F (x) = 1 - exp. (- 0.7 x ) para x > 0
Se trata de una variable aleatoria continua, cuya imagen son los nmeros
positivos(Por qu?). Lo que Ud. tiene que hacer es:
Mostrar que es una distribucin y
usarla para calcular P( X >= 1.0), P( 0.7 < X < 1.0), P(X < 0.7), P( X >
1.0 X <= 0.4 ).
En el pizarrn hacemos ejemplos de cmo es la forma matemtica de una funcin
de distribucin y de su grfica.
a es una constante necesaria para que la integral de f(x) definida de 3 a 7, sea igual
a uno. Muestre que a = 1/20 = 0.05, adems muestre que P( 3 < X <= 5 ) = 0.40
Otro ejemplo ms es el siguiente. La densidad es:
f(x)=
o 0.025x para x en (3,7)
o k x2 si x est en [7,10)
55
Valores Esperados.
Hay un par de cantidades importantes asociadas con cada variable aleatoria:
el valor esperado, esperanza matemtica o simplemente esperanza o
media.
la varianza y su raz cuadrada, la desviacin estndar.
Ambas cantidades se definen en base a un operador que llamamos el operador
esperanza. Matemticamente la esperanza se define as, para una v.a. discreta
E( g(X) ) = suma { g(i) f(i) }
Y si g es g(t)= t/ 28
E( X/ 28) = suma{i/ 28 f(i)} = 1/28 suma{i f(i)} =
= (1/ 28) E(X) = E(X)/ 28
Ejemplo.
Ejemplos: si X es una v.a. continua cuya funcin de probabilidad es
X 1 2 3 4 5 6
f(x) 1/21 2/21 3/21 4/21 5/21 6/21
E(X) = 13 / 3 (detalles en el pizarrn) y var(X) = 20 / 9 as la desv.est.(X) =
1.4907.
Propiedades Aritmticas.
Las definiciones matemticas de valor esperado y varianza, nos dicen cmo
calcular estas cantidades. Como operaciones matemticas, tienen algunas
propiedades que vale la pena resaltar, porque a veces simplifican algunas cuentas
E(c) = c la esperanza de una constante es la misma constante
E(c g(X)) = c E(g(X)) una constante multiplicando se puede sacar de la
esperanza.
E(g(X) + h(X)) = E(g(X)) + E(h(X)) la esperanza de una suma es la
suma de las esperanzas.
Las anteriores propiedades son muy parecidas a las de la integral.
Ahora tenemos algunas propiedades de la varianza.
58
DESIGUALDAD DE TCHEBYSHEV
1
P[ IX- I k ] 1 -
k2
Indica que la probabilidad de que X tome valores dentro del intervalo < k ,
1
+ k >es por lo menos 1 -
k2
Ejemplo de Aplicacin:
Sea X una variable aleatoria con media 33 y varianza 16 . Hallar una cota inferior
para :
P [ 23 < X < 43 ]
Solucin:
P [ 23 < X < 43 ] = P [ 23 - 33 < X - 33 < 43 - 33 ]
= P [ - 10 < X 33 < 10 ] = P [ IX- I < 10 ]
Observe que: 10 = k y = 4 , entonces k = 5/2 .
1
Luego: P [ 23 < X < 43 ] = P [ IX- I < (5/2) (4) ] 1 -
(5 / 2) 2
21
Por lo tanto: P [ 23 < X < 43 ]
25
Problemas propuestos:
1. Sea X una variable aleatoria con media =2 y varianza 2 = 1. use la
desigualdad de tchebyshev para hallar una cota inferior para :
a) P [ IX- 2 I < 4 ] b) P [ - 3 < X < 7 ]
61
b) P [ IX- 10 I < 3 ]
c) P [ 5 < X < 15 ]
3. Con los datos del problema anterior determine el valor de c tal que:
P [ IX- 10 I c ] 0.04
DISTRIBUCIONES DISCRETAS
Modelos Especiales.
Hay algunas variables aleatorias discretas que se usan muy frecuentemente en una
gran cantidad de aplicaciones. Estos modelos reciben nombres especiales, que se
utilizan en todo el mundo. Los modelos principales que estudiamos son: el
binomial, el hipergeomtrico y el de Poisson. Estudiaremos cada una por turno
DISTRIBUCIN BINOMIAL
Se tiene un nmero fijo de pruebas n. Con las siguientes caractersticas:
Cada prueba tiene slo dos posibles resultados: genricamente los
llamamos xito y fracaso. Los denotamos con 1 (xito) y 0 (fracaso).
El resultado de cada prueba es independiente del resultado de las dems
pruebas.
La probabilidad de xito no cambia de una prueba a otra.
Nos interesa slo el nmero total de xitos X y no el orden en que hayan
ocurrido.
62
Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede
tener dos soluciones: acierto o fracaso:
Verificndose que:
p+q=1
p + q = 0,5 + 0,5 = 1
p + q = 0,25 + 0,75 = 1
p + q = 0,00001 + 0,99999 = 1
65
Distribucin Hipergeomtrica
Se tiene un grupo de N objetos de los cuales k son xitos y el resto,(N-k), son
fracasos. Se seleccionan n de los N, SIN REEMPLAZO. La v.a. X que nos interesa
es el nmero total de xitos entre los n seleccionados y no el orden en que salieron.
En estas condiciones la v.a. X tiene la distribucin hipergeomtrica. Su imagen es
{0,1,...,n}. La funcin de probabilidad est dada por:
P(X=x) = [ kC x (N-k)C(n-x) ] / [ NCn ]; para x en { 0,1,...,n }
La media es: E(X) = nk/N y la varianza: var(X) = [N-n]/[N-1] n (1-k/N) k/N
Dnde se aplica?
1. En situaciones de muestreo sin reemplazo en que la muestra es un
porcentaje considerable de la poblacin. Como ejemplo, de un lote de 40
artculos se seleccionan al azar 4 para probarlos y si fallan la prueba ms
de 2 se rechaza el lote completo. Cul es la probabilidad de rechazar un
lote que tenga 8 defectuosos? Dado que el muestreo se hace sin reemplazo
y la fraccin de muestreo es grande (10%) tenemos una v.a.
hipergeomtrica. Los parmetros son: N=40, k=8, n=4, X es el nmero de
defectuosos en la muestra y queremos la probabilidad
P(X > 2) = P(X=3) + P(X=4) = 1792/91390 + 70/91390 = 0.0204
sta es la probabilidad de rechazar un lote con 25% de defectuosos y es
muy baja. Para mejorar el proceso de seleccin, los ingenieros deciden
rechazar el lote cuando haya 2 o ms defectuosos. Cul es la
probabilidad de rechazar un lote que tenga 8 defectuosos? Los parmetros
permanecen iguales lo que cambia es la probabilidad, ahora es
P(X >= 2) = P(X=2) + P(X>2) = 0.1520 + 0.0204 = 0.1724
66
Con esta nueva poltica de rechazar el lote cuando sean 2 o ms, cul es
la probabilidad de rechazar un lote con 6 defectuosos? Los parmetros
son, ahora, N=40, k=6, n=4 y queremos la probabilidad:
P(X > 10) = 1 - [P(X=0) + P(X=1)]
= 1 - [46376/ 91390 + 35904/ 91390]
= 0.0997
2. En el saln de tercer ao de una escuela hay 35 alumnos, de los cuales 10
son nias y 25 nios. Se nombra un comit de 7 alumnos que represente al
saln. La seleccin se hace al azar. Qu probabilidad hay de que en el
comit haya mayora de nias? En esta situacin se cumplen las hiptesis
de una hipergeomtrica. Los parmetros son: N=35, k=10, n=7, X es el
nmero de nias en el comit. La probabilidad pedida es:
P(X > 3) = P(X=4) + P(X=5) + P(X=6) + P(X=7)
= 0.0839
Problemas Propuestos:
1. La probabilidad que en cierto establecimiento industrial el consumo
de energa elctrica sea normal en 24 horas es igual a . Determinar
la distribucin de probabilidad del nmero de das de consumo
normal de energa elctrica en un lapso de 6 das; represente en un
diagrama esta distribucin . determine adems cul es la probabilidad
que haya 4 das de consumo normal?
2. Se lanza un dado 4 veces cul es la probabilidad que la suma 9
aparezca exactamente 2 veces.
67
DISTRIBUCIN DE POISSON
Este modelo se llama as para honrar la memoria de otro gran probabilista y
matemtico. La v.a. de Poisson se refiere a sucesos en un intervalo de tiempo o en
una rea especfica. El intervalo de tiempo puede ser de cualquier duracin, un
minuto, una hora, un da, un ao. Algunos ejemplos de situaciones modeladas con
el modelo de Poisson son: el nmero de fallas de una mquina en una semana, el
nmero juegos de algn deporte pospuestos por lluvia en una temporada.
Cuando se trata de superficies, los ejemplos son: el nmero de ratas en un terreno,
el nmero de errores de mecanografa por pgina, el nmero de defectos por
centmetro cuadrado.
Para que una v.a. sea de Poisson, se requiere que se satisfagan 3 hiptesis (que
suelen llamarse tambin postulados del proceso de Poisson).
69
Fjese que ahora no tenemos fijo el nmero de pruebas, sino que vamos a realizar
las pruebas hasta obtener el primer xito. La variable aleatoria que vamos a
observar es el nmero total de pruebas realizadas.
Por ejemplo, si tiramos volados hasta que salga la primera guila, el nmero total
de volados necesarios ser la variable aleatoria.
Esta v. a. tiene como posibles valores {1, 2, 3, . . . }.
La funcin de probabilidad es:
P(X = k) = q(k-1)p; para k en {1,2,3, . . . }
La media y la varianza son: E(X) = 1 / p y var(X) = (1-p) / p2.
Dnde se aplica el modelo geomtrico?
1. En un canal de comunicacin, un modem puede equivocar un carcter
enviado con una probabilidad p=0.001. Qu probabilidad hay de que
transmita 300 caracteres sin error?
Se aplica el modelo geomtrico. La probabilidad que buscamos es P(X >
300). Para calcular esta probabilidad hay que encontrar el valor de la serie
suma desde 301 a infinito {q(k-1)p} . Esta serie da q300 = (0.99)300 = 0.049.
En el mismo problema Cul es el promedio de caracteres sin error?
La repuesta es E(X) = 1 / 0.001 = 1,000
2. En un proceso de manufactura se sabe que, en promedio, una de cada cien
piezas es defectuosa. Cul es la probabilidad de que la quinta pieza
seleccionada al azar sea la primera defectuosa?
Aqu aplicamos el modelo geomtrico con p=0.01. La probabilidad que
requerimos es P(X = 5). De acuerdo a la frmula sta es:
(0.99)4(0.01)=0.0096
72
DISTRIBUCIONES CONTINUAS
Por ejemplo, si quiero un nmero que valga 1 2 3 con igual probabilidad, tomo
un uniforme en el intervalo (0, 1);
Si me toca U menor que 1/ 3, entonces toca el 1
Si U sale entre 1/ 3 y 2/ 3, entonces toca el 2
Si U es mayor que 2/ 3, entonces toca el 3.
Es claro que con este mecanismo los tres valores: 1, 2 y 3 tienen la misma
probabilidad. [Cmo hacemos un nmero que valga 1, 2, 3, . . . , 34 con la misma
probabilidad a partir de un uniforme en el (0, 1)?]
Las tcnicas de simulacin por computadora utilizan mucho los nmeros uniformes
en el intervalo (0, 1) como elementos bsicos para construir modelos de colas en
los bancos, procesos industriales, funcionamiento de redes de computadoras,
procesos de espera, trfico en andenes de ferrocarril, movimiento de mercancas en
aduanas, etc.
LA DISTRIBUCION NORMAL.
La Normal Estndar
f(z) = (2)-1/2exp(-z2 / 2)
Esta funcin no tiene una integral elemental de modo que se requiere una tabla
especial para conocer los valores de la probabilidad de una variable normal. La
tabla da probabilidades para
F(t) = P(Z < t)
75
45 X 75
a) P[ 4 < X < 7 ] = P [ < < ]
2 2
P[ -1/2 < Z < 1 ] = (1) (1 / 2)
= 0.8413 0.3085
= 0.5328
b) P[ X > 10 ] = 1 - P[ X 10 ]
X 10 5
=1-P[ < ]
2
= 1 - P[ Z < 5/2 ] =
= 1 - (2.5)
= 1 0.9938 = 0.0062
Problemas Propuestos.
1. Sea X una variable aleatoria con N( , 25 )
Calcular: P[ X > 3 ]
2. Si X es una variable aleatoria con N( 650, 625 ). Hallar la constante c > 0
tal que:
P[ X 650 < c ] = 0.9544
3. En una distribucin normal se tienen los siguientes datos:
P[ X < 45 ] = 0.31 P[ X > 64 ] = 0.08
Hallar la media y la desviacin estndar de la distribucin.
4. Una pequea ciudad es abastecida de agua cada 2 das ; El consumo en
volumen de agua para esa pequea ciudad tiene una distribucin normal con
media 20000 litros y una desviacin de 1000 litros ( se entiende el consumo
cada 2 das ) . Se trata de hallar la capacidad de su tanque de agua para que
78
En este applet, vemos nuevamente tiradas de dados. Sea X el numero que muestra
un dado al ser tirado. El valor medio de los valores posibles de X es 3.5, y la
varianza es 35/12 . Si Sn es el la suma de n dados tirados, entonces si n es
``grande'', la variable aleatoria
Puede ser aproximada por una normal, luego Sn puede considerarse una normal de
media 3.5*n y varianza 35n/12. La curva roja es el grafico de la funcin de
densidad de una normal con esos parmetros.
Problemas propuestos:
1. Un examen de tipo test contiene 100 preguntas, cada una con dos posibles
respuestas (verdadera-falsa), de las que slo una es cierta. Hacer uso de la
aproximacin normal para:
Sea
81
PRUEBAS DE HIPTESIS
Introduccin y Suposiciones
Una hiptesis es una aseveracin sobre algn atributo poblacional. Segn Mndez
(1973), una hiptesis es "Una suposicin terica que se acepta provisionalmente
para explicar ciertos hechos". Aseveraciones sobre parmetros poblacionales
conducen a pruebas paramtricas. Estas pruebas se basan en el anlisis de muestras
con el fin de evaluar algn valor hipottico. Las tcnicas paramtricas se basan
generalmente en una o varias suposiciones sobre los elementos de la poblacin. Por
otra parte, existen hiptesis que se plantean con respecto a un intervalo de valores,
es decir, en este caso el inters no es determinar un valor en particular sino
construir un intervalo de confianza, es decir, con base a una muestra determinar el
valor de P (a< Q < b), la probabilidad de que el parmetro Q se encuentre entre
(a,b) y el grado de confiabilidad en esta aseveracin.
Las suposiciones mas importantes en la mayora de las pruebas de hiptesis son:
grande). Por otra parte, los datos pueden transformarse para cumplir con
esta suposicin.
Distribuciones de Referencia
La mayora de las pruebas estadsticas hacen uso de una distribucin de referencia.
Una distribucin de referencia es un modelo probabilstico de la estadstica de
prueba que ocurre cuando Ho es cierta, es decir, cuyo(s) parmetro(s)
corresponden a los establecidos en la hiptesis nula. Con esta distribucin de
referencia podemos calcular las probabilidades de obtener el valor observado de
dicha estadstica. Por ejemplo, suponga que examinamos una muestra de la cual
obtuvimos una media muestral =8. Podemos suponer que este valor provino de una
distribucin N(5,2), es decir, de una distribucin de medias distribuidas
normalmente, Media ~ N(5, 2). En este caso, estamos suponiendo que la media
poblacional <= 5, i.e., Ho: <= 5, contra Ha: > 5. Adems, tambin
suponemos que la varianza de las medias es 2. La Figura 1 ilustra la distribucin
probabilstica N(5,2).
88
Dos poblaciones
1. Se realiza el siguiente experimento. Se pretende probar si cierto tipo de
trampa captura adultos de "salivazos" igualmente del lado norte y del lado
sur. Aqui la hiptesis es mu1 = mu2, contra Ha: mu1 <> mu2. mu1 es la
media poblacional (nmero de insectos capturados) en el lado sur, y mu2
es la media poblacional en el lado norte.
2. Se postula que existe una relacin lineal entre el numero de chinches del
sorgo y el rendimiento del sorgo. El modelo estadstico mas simple es que
el rendimiento (Y) es una funcin lineal del nmero de chinches (X): Yi =
B0 + B1X + ei. Si este modelo es cierto, entonces B1 <> 0, de otra
manera no existe relacin entre X y Y y el modelo se colapsa a: Yi = B0 +
ei.
B0 representa la media general y B1 la pendiente de una recta. La
hiptesis que se desea probar es: Ho: B1 = 0 vs B1 <> 0.
PROBLEMAS PROPUESTOS:
Muestra 1 Muestra 2
n1 = 40 n2 = 50
= 25.2 = 22.8
S1 = 5.2 S2 = 6.0
b) Cul es el valor p?
93
Muestra 1 Muestra 2
n1 = 80 n2 = 70
= 104 = 106
S1 = 8.4 S2 = 7.6
b. Cul es el valor p?
Muestra 1 Muestra 2
n1 = 8 n2 = 7
94
= 1.4 = 1.0
S1 = 0.4 S2 = 0.6
n1 = 36 n2 = 49
95
= 40 aos = 35 aos
S1 = 9 aos S2 = 10 aos
= 547 = 525
S1 = 83 S2 = 78
Esos datos, respaldan la conclusin que, dada una poblacin de alumnos mujeres
y una de alumnos hombres con aptitudes matemticas altas, los alumnos mujeres
tienen una aptitud bastante mayor de expresin oral? Haga la prueba con nivel de
significancia de = 0.02. Cul es su conclusin?
RESPUESTA: z = 4.99; rechazar Ho
96