Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Franklin Ucho.
CAPITULO 4
ESPERANZA MATEMATICA
Media de una variable aleatoria.
El valor esperado de una variable aleatoria X describe el lugar donde se centra la
distribución de probabilidad, en donde X tiende a ser una variable aleatoria con
distribución de probabilidad f (x).
Si es Si es
Los siguientes teoremas se cumplen si X es una variable aleatoria con distribución de
probabilidad f (x) y el valor esperado de la variable aleatoria g( x ) es:
discreta continua
Si es Si es
Si X y Y como variables aleatorias con distribución de probabilidad conjunta
discreta
f ( x , y ) . El valor esperado de la variable aleatoria g ( X , Y ) es:
continua
Si es Si es
discreta 1 continua
Un inspector de calidad muestrea un lote que contiene 7 componentes; el lote contiene
4 componentes buenos y 3 defectuosos. El inspector toma una muestra de 3
componentes. Encuentre el valor esperado del número de componentes buenos en esta
muestra.
Datos :
x=0 , 1 ,2 , 3.(# Componentes buenos de la muestra). N=10.(# Total de la
población) k =3(# Éxitos de la Población). n=x. (# De la muestra0).
Obtenemos la distribución hipergeométrica:
3 10−3
f ( x )=
( x )( 5−x )
(73 )
1 12 18 4 12
μ= E ( X )=( O ) ( ) + ( 1 ) ( ) + ( 2 ) ( )+ (3 ) ( )= =1.7
35 35 35 35 7
Y
Encuentre ( X ) para la función de densidad:
x ( 1+ 3 y 2)
{
f ( x , y )= 4
, 0< x< 2 ,0< y< 1,
0 , en cualquier otro caso .
}
1 2
Y y ( 1+3 y 2 )
E ( )
X
=∫ ∫
0 0 4
dxdy
1
Y y+ 3 y 3
E ( )
X
=∫
0 2
dy
Y 5
E ( )=
X 8
Varianza y covarianza de variables aleatorias.
Se caracteriza la variabilidad en la distribución., como ejemplo se tiene el histograma
de dos distribuciones de probabilidad discretas con la misma media pero varían en sus
observaciones alrededor de la media.
La varianza de la variable aleatoria se lo representa como Var(X).
Se llama desviación de una observación respecto a su media, a la cantidad x – μ, las
cuales se elevan al cuadrado.
La varianza de una variable aleatoria X es:
2
Sea X la variable aleatoria, el número de partes defectuosas de una
máquina, cuando se muestran y se prueban tres de una línea de
producción.
Distribución de probabilidad de X:
x 0 1 2 3
F( 0.5 0.3 0.1 0.0
x) 1 8 0 1
μ= (O )( 0.51 ) + ( 1 ) ( 0.38 ) + ( 2 )( 0.10 )+ ( 3 )( 0.01 )=0.61
12
E ( X 2) =( O )( 0.51 )+ ( 1 ) ( 0.38 ) + ( 4 ) ( 0.10 ) + ( 9 ) ( 0.01 )= =0.87
7
σ 2=0.87−( 0.61 )2
σ 2=0.4979
Se puede usar la fórmula alternativa para hallar σ 2. (Simplifica las
ecuaciones)
La varianza de una variable aleatoria X es:
σ 2=E ( X 2 ) −μ 2
El concepto de varianza de una variable aleatoria X se incluye también variables
aleatorias con X. La variable aleatoria g(x), la varianza se denotara con los teoremas:
Si es Si es
discreta
Ejemplo: continua
Calcule la varianza de g ( x )=2 x +3, donde X es una variable aleatoria con distribución
de probabilidad:
x 0 1 2 3
f(x 1/4 1/8 1/2 1/8
)
Primero se encuentra la media variable aleatoria de 2X+3.
μ2 X +3=E(2 X+ 3)
3
μ2 X +3= ∑ (2 X +3)f ( x)
X =0
μ2 X +3=6
3
Después el Teorema:
2
{
μ2 X +3=E [ ( 2 X +3 )−μ 2 X +3 ] }
2
μ2 X +3=E { [ ( 2 X + 3−6 ) ] }
μ2 X +3=E ( 4( X )2 −12 X+ 9 )
3
μ2 X +3= ∑ ( 4 x 2−12 x +9) f ( x)
X =0
μ2 X +3=4
La covarianza entre dos variables aleatorias es una asociación entre ambas, en donde las
variables grandes de X a menudo se dan valores igual de grandes de Y, al igual para valores
pequeños de x como de y.
Si X =μX positiva, tendrá como resultado Y =μY positiva, al igual si negativa a menudo será
negativa.
El signo de covarianza indica si la relación entre dos variables aleatorias dependientes es
positiva o negativa.
Si X y Y son estadísticamente independientes, se puede mostrar que la covarianza es 0, el cual
si sucede quizá tenga una relación no lineal, en donde no necesariamente son independientes.
σ XY =E ( XY ) −μ x μ y
E [ g(X ) ±h (X ) ] =E [ g(X ) ] ± E [ h( X) ]
Sean X y Y dos variables aleatorias independientes, entonces:
E ( XY ) E (X ) E (Y )
4
Sean X y Y dos variables aleatorias independientes. Entonces: σ XY −0 .
2
Si a y b son constantes, entonces: σ aX + b =a2 σ 2 x =a2 σ 2
2
Al hacer a=1, se da que: σ X +b =σ 2 x =σ 2
2
Al hacer b=1, se da que σ aX =a2 σ 2x =a 2 σ 2
Teorema de Chebyshev
Es la probabilidad de cualquier variable aleatoria X tome un valor dentro de k desviaciones
1
estándar de la media es 1− , es decir:
k2
1
p ( μ−kσ < X < μ+ kσ ) ≥1−
k2
Ejemplo:
Una variable aleatoria X tiene una media μ=8, una varianza σ 2=9, y distribución de
probabilidad desconocida. Encuentre:
a) P(−4< X <20).
15
P (−4 < X <20 )=P[8− ( 4 )( 3 ) < X < 8+( 4)(3)]≥
16 .
b) P(| X−8|≥ 6).
P (|X −8|≥ 6 ) =1−P (|x−8|<6 ) =1−P(−6< X−8<6).
1
P (|X −8|≥ 6 ) =1−P[8− ( 2 )( 3 ) < X <8+( 2)(3)]≤ .
4
Hay que recordar que el teorema proporciona un valor como límite inferior, es decir la
probabilidad de una variable aleatoria que cae dentro de dos desviaciones estándar de la media
3
no puede ser menor que , el teorema tiene un uso que se restringe a situaciones donde e
4
desconoce la forma de la distribución.
CAPITULO 5
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Introducción.
Las variables aleatorias discretas se representan usando una sola formula, ya que se
pueden describir esencialmente con la misma distribución de probabilidad.
Una cantidad de distribuciones describe varios fenómenos aleatorios de la vida real.
Ejemplo:
En un estudio respecto a la eficacia de un nuevo fármaco, el número de pacientes
curados entre todos los pacientes que usaron tal medicamento, se torna en una
distribución binomial.
5
Cuando se prueba una muestra de artículos seleccionados de un lote de producción, el
número de artículos defectuosos en una muestra, se puede modelarse como una variable
aleatoria hipergeometrica.
El número de glóbulos blancos de una cantidad fija de una muestra de sangre de un
individuo es comúnmente aleatorio y se podría describir como una distribución de
Poisson.
Distribución uniforme discreta.
La distribución discreta es aquella donde la variable aleatoria toma cada uno de sus
valores con su probabilidad idéntica. Si la variable aleatoria X toma los valores
x 1 , x 2 , … , xk . Con idénticas probabilidades.
La distribución uniforme discreta está dada por:
En donde la notación f (x , k ) en vez de , f (x) y la distribución uniforme dependen del
parámetro k.
1
f ( x ; k )= , x=x 1 , x 2 , . .. , x k
k
Ejemplo:
Cuando se lanza un dado legal, cada elemento del espacio muestral S = {1, 2, 3, 4, 5,
6} ocurre con probabilidad de 1/6. Cuál es la distribución uniforme:
En donde la representación gráfica de la distribución uniforme mediante un
histograma:
:
Media y varianza.
k
1
• μ= ∑ x i,
k i+1
k
2 1 2
• σ = ∑ ( x i−μ )
k i=1
6
Un experimento a menudo consiste a pruebas repetidas, cada una con dos resultados
posibles, los cuales se pueden marcar como éxito y fracaso.
Proceso de Bernoulli, es una aplicación más evidente a medida que salen de una línea
de ensamble, donde cada prueba o experimento puede indicar si un artículo esta
defectuoso o no.
El proceso de Bernoulli debe tener las siguientes propiedades:
Ejemplo:
Considere el conjunto de experimentos de Bernoulli donde, de un proceso de ensamble, se
( 34 )( 14 )( 34 )= 649
P ( NDN )=P ( N ) P ( D ) P ( N ) =
7
1. Se considera la probabilidad de x exitos y n-x fracasos
en un orden especifico.
Ejemplo:
La probabilidad en la que cierta clase de componente a una prueba de choque es 3/4.
Encuentre la probabilidad de que sobrevivan exactamente 2 de los siguientes 4
componentes que se prueben:
2 2
3 4 3 1
( ) ( )( ) ( )
b 2; 4 ,
4
=
2 4 4
2
3 4! 3
2 ! 2 ! )( 4 )
b ( 2; 4 , )=( 2
4
3 27
b ( 2; 4 , )=
4 128
La distribución binomial se de acuerdo a los b+1 términos en la expansión binomial de
( q+ p )2 que corresponden a los diferentes valores de b(x; n, p) para x=0, 1, 2 , . . . ,n. Es
decir
n n
( q+ p )2= n q n + n pqn−1 + n p2 qn−2 +. . .+
() () () p ()
0 1 2 n
( q+ p )2=b ( 0 ; n , p ) +b ( 1; n , p ) +b ( 2 ; n , p )+ .. .+b (n ; n , p)
8
Como p+q=1 se observa que:
n
∑ b ( x ; n , p )=1
x=0
b ( 3 ; 10 , 0.3 )=0.6496−0.3828=0.2668
a) ¿Cuál es la probabilidad de que más de 3 pozos tengan impurezas?
P ( X >3 ) =1−0.6496
9
P ( X >3 ) =0.3504
Experimentos Mutinomiales cuando cada prueba tiene más de dos resultados posibles,
la conversión del experimento binomial.
Ejemplo:
Extraer una carta de una baraja con reemplazo también es un experimento multinomial
si los 4 palos son los resultados de interés.
x 1+ x2 +. . .+ x k =n
En donde, p1 + p2 + . . . + pk = 1,en donde el resultado de cada ensayo debe ser uno
de los k resultados posibles.
∑ x i=n
i=1
∑ pi =1
i=1
Distribución hipergeometrica
La forma en la que se realiza el muestreo nos facilita la diferencia entre la distribución
binomial de la sección y la distribución hipergeometrica.
La distribución binomial requiere la independencia de las pruebas de distribución
binomial y hipergeometrica.
- En la distribución binomial se requiere la independencia entre las pruebas.
- La distribución hipergeometrica o requiere de independencia, además se basa en
el muestreo que se realiza sin remplazo.
10
Experimento hipergeometrico, donde se ingresan x exitos de los k
articuloscosiderados como exito y n-x como fracaso, de los N-k
articulos que se consideran fracasos, cuandos e meustra la aleatroia de
tamaño nse selecciona los N articulosÑ
( 405)
h ( 1 ; 40 , 5 ,3 )=0.3011
11
La media y la varianza de distribución hipergeometrica h(x; N, n, k) son:
-
nk
μ=
N
-
N −n k k
σ 2=
N −1
.n.
N
1−
N( )
Ejemplo:
¿Cuál es la probabilidad de que una mesera se rehúsa servir bebidas alcohólicas a sólo dos
menores si ella verifica al azar las identificaciones de 5 estudiantes de entre 9 estudiantes, de los
cuales 4 no tienen la edad legal para beber?
4 5
h ( 2 ; 9 ,5 , 4 )=
( 2 )( 3 )
( 95 )
10
h ( 2 ; 9 ,5 , 4 )=
21
De un lote de 10 proyectiles, se seleccionan 4 al azar y se lanzan. Si el lote contiene tres
proyectiles defectuosos que no explotarán, ¿Cuál es la probabilidad de que, a) los 4 exploten, b)
a lo más 2 fallen?
a) los 4 exploten:
7 4
h ( 4 ; 10 , 4 , 7 )=
( 4 )( 5 ) 1
=
(4) 6
10
a) a lo más 2 fallen:
2
∑ h ( x ; 10 , 4 , 3 ) = 29
30
x=0
12
Si k=1, se da una distribución de probabilidad para el número de pruebas que se requieren para
un solo éxito.
Al probar independientes repetidas nos tiende a dar un éxito con probabilidad p.
También se obtiene el fracaso con probabilidad q=1-p.
g ( x ; p )= pq x−1 , x=1 , 2 ,3 , . ..
La media varianza de una variable aleatoria que sigue una distribución geométrica es:
1 2 1− p
μ= ,σ = 2
p p
Distribución de Poisson
Ejemplo:
El número promedio de camiones-tanque que llega cada día a cierta ciudad portuaria es 10.
Las instalaciones en el puerto pueden manejar a lo más 15 camiones-tanque por día. ¿Cuál es la
probabilidad de que en un día dado los camiones se tengan que regresar?
15
P ( X >15 ) =1−P ( X ≤15 ) =1− ∑ p ( x ; 10 )=1−0.9513=0.0487
X =0
Conforme la medida se hace más grande las distribuciones se vuelven cada vez más simétrica.
13
Hay que tomar en cuenta la independencia de pruebas de Bernoulli en el caso binomial se
adapta a la propiedad 2 del proceso de Poisson.
Si n es grande y p es cercana a 0, se puede usar la distribución de Poisson, con μ=np en donde
nos sirve para aproximar probabilidades binomiales.
Si p es cercana a 1, también se puede usar la distribución de Poisson para aproximar
probabilidades binomiales, por medio el intercambio de lo que se definido como fracaso y éxito,
para así cambiar p a un valor cercano a 0.
Ejemplo:
En ciertas instalaciones industriales los accidentes ocurren con muy poca frecuencia. Se sabe
que la probabilidad de un accidente en cualquier día dado es 0.005 y los accidentes son
independientes entre sí.
a) ¿Cuál es la probabilidad de que en cualquier periodo dado de 400 días habrá un accidente
en un día?
b) ¿Cuál es la probabilidad de que haya a lo más tres días con un accidente?
Si X una variable aleatoria binomial con n=400 y p=0.005. Así np=2. Con la aproximación de
Poisson.
a)
∑ e−2 2π
p ( X ≤3 )= X =0 =0.857
x!
CAPITULO 6
Distribución de probabilidad continúa
Tiene una función de densidad que es plana, por lo que su probabilidad tiene a ser uniforme
dentro de un intervalo cerrado [A, B].
14
1
f ( x ; A , B)=
{ B− A
, A≤ X ≤B,
0 , en cualquier otro caso }
La distribución de la densidad forma un cuadrado de base B – A y altura constante. El
resultado será una distribución rectangular:
1
f ( x )=
{ 4
,0≤ x≤4,
0 , en cualquier otro caso . }
b) ¿Cuál es la probabilidad de que cualquier conferencia dad dure al menos 3 horas?
4
P [ X ≥ 3 ]=∫
3
( 14 ) dx
1
P [ X ≥ 3 ]=
4
La media y la varianza de la distribución uniforme está dada como:
2
A+ B ( B− A )
μ= , y σ2=
2 12
Distribución normal
Variable aleatoria normal: Es una variable aleatoria continua X con una distribución con
forma de campana, en donde la ecuación matemática de la variable normal depende de los dos
parámetros μ (Su media) y σ (Su desviación estándar).
15
mientras más variable sea el conjunto de observaciones, pues más baja y más ancha será la
curva.
Distribución normal
El área bajo la curva con respecto a las dos ordenadas
también depende de valores μ y σ .
16
El área más sombreada bajo la curva representa la variable aleatoria que representa la
distribución A, donde P(x1 <X <x2).
X esta dada por la región sombreada en donde representa a la variable aleatoria que describe la
distribución de B, por lo que P(x1 < X < x2)
Sus probabilidades que los asocian cada distribución será diferente para los valores dados en
X.
Se puede introducir una variable ahora sobre Z para así poder transformar todas las
observaciones de cualquier variable aleatoria normal X a un conjunto nuevo de observaciones
de una variable aleatoria normal Z con media 0 y varianza 1 mediante la siguiente formula:
X−μ
Z=
σ
Distribución normal estándar.
Se lo llama así a la distribución de una variable aleatoria normal con media 0 y varianza 1.
Dada una distribución normal estándar, encuentre el área bajo la curva que yace:
a) a la derecha de Z=1.84 y
b) entre z=-1.97 y z=0.86.
a) a la derecha de Z=1.84
El área a la derecha de z=1.84 es igual a 1 menos el área en la tabla A.3 a la izquierda de
z=1.84; a saber, 1-0.9671=0.0329.
P(Z>k)=0.3015
17
c) entre z=-1.97 y z=0.86.
El área a la derecha de z=-1.97 de la tabla A.3 encontramos que el área que se desea es
0.8051-0.0244=0.07807.
P(k<z<-0.18 =0.4197.
μ=∝ β , y σ 2=∝ β 2
18
La media y la varianza de la distribución exponencial son:
μ= β , y σ 2=β 2
En el momento de las aplicaciones de las distribuciones exponencial y gamma se tiene en
cuenta que parámetro β es el tiempo medio entre eventos, también se le denomina como tiempo
medio entre fallas.
Distribución de Erlang
Relación con la distribución exponencial:
Una v.a. exponencial mide (tiempo, longitud, etc) hasta que se da el primer conteo de un
proceso de Poisson.
Una v.a. de Erlang mide la distancia hasta que ocurran r conteos en un proceso de Poisson.
La v.a. X se define como la longitud del intervalo hasta que suceden r ocuccrencias en un
proceso Poisson con media γ >0 tiene una distribución de Erlang, la distribución de
probabilidad es:
γ r x y−1 e γx
f x=
( ) , Para x >0 y r +1,2 …
( r −1 ) !
Ejemplo:
Las fallas de un sistema en un procesamiento CPU de los sistemas de laptops grandes se
modelan con frecuencia como un proceso de Poisson. Las fallas se deben al desgaste y otros
factores, el número promedio de fallas por hora es de 0.0001. Sea que X tienda ala tiempo de 4
fallas en un sistema. Determinar la probabilidad de que X exceda 40000 horas.
X=40000 horas
fallas
γ =0.0001
hora
r=4fallas.
∞
γ r x y−1 e γx
P ( X > 40000 )= ∫ =0.433
40000 ( r −1 ) !
Media y varianza
La media y varianza se da si X es una v.a. de Erlang con parámetros γ y r, entonces la
media y la varianza de x son:
r
μ= E ( X )=
γ
r
σ 2=V ( X )=
γ2
En el momento de las aplicaciones de las distribuciones exponencial y gamma se tiene en
cuenta que parámetro β es el tiempo medio entre eventos, también se le denomina como tiempo
medio entre fallas.
19
Distribución chi cuadrada
Este modelo implica de gran uso en estadística inferencial, la cual e obtiene de la distribución
Gamma con ∝=v /2, β=2
En algunos de los valores de la distribución ji-cuadrado se encuentran tabulados para ciertos
valores de V y para valores típicos de ∝ con la definición:
2
Definición: X ∝
20
Distribución de Weibull
Este teorema se utiliza en problemas relacionados con fallas de materiales y estudios de
confiabilidad.
Media ( 1β )
μ= E ( X )=∝−1 / β T 1+
Varianza [(
σ 2=V ( X )=∝−2 / β T 1+
2
β ) ( ( )) ]
− T 1+
1
β
21