Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1007 PDF
1007 PDF
DISTRIBUCIÓN DE PROBABILIDADES
Competencia:
Objetivos.
-Resolver correctamente todo tipo de problema que tengan que ver con la incertidumbre , mediante
la utilización de los modelos probabilísticos
Referencia electrónica:
http://www.itchihuahua.edu.mx/academic/industrial/sabaticiruta/private/01UNIDAD%20IV.uhtm
2
INTRODUCCIÓN
DISTRIBUCIONES DISCRETAS
t
Son aquellas distribuciones cuya variable aleatoria es discreta
E = éxito ; F = fracaso ⇒
DEFINICIÓN
Se dice que una v. d. X∼Bernoulli sii sv Rx= [0,1]; donde la V.A.D. x:” N° de éxitos
obtenidos en un ensayo dicotómico”; cuya
Donde
p = probabilidad del éxito
q = probabilidad del fracaso
de tal manera que p+q=1
ó p = 1-q
ó q = 1-p
cuya distribución de probabilidad y representación con gráfico es:
x P(x)
3
0 q
1 p
P(x)
p
q
x
0 1
F(x) = p (X ≤ x) = 0 si x<0
9 si 0 ≤ x<1
1 si x≥1
CARACTERISTICAS
1) LA MEDIA
x 0 1
E ( x) = μ = ∑ xP( x) = p
P( x) 9 p
E ( x) = μ = 0(q) + 1( p ) = p
xP( x) 0 p p
d r M x (t )
μ'r = por lo tanto debemos antes determinar
dt r t =0
[ ] ∑
la fgm = M x (t ) = E etx = etx p x q1− x desarrollando la ∑
0 1−0 1 1−1
fgm = M x (t ) = e t ( 0)
p q +e t (1)
pq = q+etp
d ' (q + e p)
t
sabemos que E ( x) = μ = μ '1 = t =0
= 0 + pet t =0 pe 0 = p
dt '
2) LA VARIANZA
V ( x) = σ 2 = E ( x 2 ) − μ 2 = ∑x 2
p x q1− x − p 2
V ( x) = σ 2 = 0 2 p 0 q1−0 + 12 pq 0 − p 2 = p (1 − P ) = p.q
mediante la f.g.m. V ( x) = σ = μ '2 − μ 2 2
donde μ ' 2 =
d ' ' M x (t ) d ' q + et p [ ]
t =0 = t =0 = pe t t =0 = pe 0 = p
dt ' ' dt '
p.
4
⇒ V ( x) = p − p 2 = p(1 − p) =
n
P(X)= P[X=x]=( x )pxqn-x:Rx0,1,2,3...n
Donde
p = probabilidad de éxito
q = probabilidad de fracaso
n = N° de ensayos Bernoulli
0
x
si x < 0
n
F(x)= P(X ≤ x) =B(x;np)= ∑ (k ) p k q n − x si 0 ≤ x < n
k =0
1 si x > n
CARACTERÍSTICAS
n
1) LA MEDIA E ( x) = μ = ∑ xP( x) = ∑ x( x) p x q n − x = np
Rx
n
2) LA VARIANZA V ( x) = σ 2 = E ( x 2 ) − μ 2 = ∑ x 2 ( x) p x q n − x − (np ) 2 = npq
[ ]
3) LA FGM M x (t ) = E e tx = [1 + p (e t − 1)] n
5
Para resolver correctamente problemas inherentes a modelos probabilisticos, se sugiere
en un principio seguir los siguientes pasos:
Ejemplo
La probabilidad de que cierto ordenador de cine marca determinada falla, ante una
descarga eléctrica es del 1%¡cuales son las probabilidades de que entre 10 ordenadores
de dicha marca en un laboratorio.
a) 3 fallen
b) a lo más 2 fallen
c) al menos 3 fallen
d) el promedio y varianza que un ordenador falle
SOLUCIÓN
1) Como todo ordenador tiene sólo 2 posibles resultados falle o no falle (dicotómico)
2) Suponiendo que cada ordenador funciona independientemente
3) Suponiendo que la probabilidad de falla de los ordenadores es casi constante
n
Entonces asumimos que la v.a.d. X∼ b(n. p) ⇒ P(x)=( x )px qn-x Rx =0,1,2....n
Donde la v. a. d. X: “N° de ordenadores que fallan ante una descarga eléctrica de entre 10”
⎛ 10 ⎞
n=10: p=0.01:q=0.99 Rx=0,1,2.......10 ⇒ P( x) = ⎜ x ⎟0.01x 0.9910 − x ; R x = 0,1,2...10
⎝ ⎠
⎛ 10 ⎞
a) 3 fallen ⇒ P( x = 3) = ⎜ 3 ⎟(0.01) 3 (0.99) 7 = 0.00011
⎝ ⎠
2
b) a los más 2 fallen ⇒ P( x ≤ 2) = ∑ P ( x) = P(0) + 1P(1) + P(2) = 0.9999
0
10
c) al menos 3 fallen ⇒ P( x ≥ 3) = ∑ P( x) = P(3) + P(4) + ... + P(10)
3
mediante el complemento ⇒ P( x ≥ 3) = 1 − P( x ≤ 2) = 1 − 0.9999 = 0.00011
d) El promedio E(x)=np=10(0.01)=0.1=10%
La Varianza V(x):npq=10(0.01)(0.99)=0.099
APLICACIÓN DE LA BINOMIAL EN EL MUESTREO
6
Considerando cada elemento de una muestra aleatoria (m.a.) como un ensayo Benoulli
entonces la Distribución Binomial puede aplicarse en el muestreo bajo las siguientes
circunstancias:
1. Cuando el muestreo es con o sin reemplazo de una población infinita o muy grande
2. Cuando el muestreo es con reemplazo de una población pequeña o finita
USO DE TABLAS
P(x=x)=b(x:n.p)= B(x:n;p)-B((x-1);n.p)
Ejemplo
En una importación de computadoras muy grande, se sabe que por experiencia que el
25% de las mismas están infectadas con cierto virus. Se relaciona al azar 20
computadoras del lote de importación, para efectuar un control de calidad.
7
c) Cual la probabilidad que más de 3 estén infectadas
d) Determinar la media, la varianza y la desviación estándar
SOLUCIÓN
4 ⎣⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎦
tablas P[x>3]=1-P[x ≤ 3]=1-B(3;20;0.25)=1-0.2252=0.7748
d) E ( x) = μ = np = 20(0.25) = 5 ;V ( x) = σ 2 = npq = 20(0.25)(0.75) = 3.75σ = 1.94
DISTRIBUCIÓN GEOMÉTRICA
Esta distribución es una de los casos especiales de la Binomial y se utiliza cuando existe
un proceso Bernoulli y se desea obtener el primer éxito.
DEFINICIÓN
q
LA VARIANZA V ( x) = σ 2 = E ( x 2 ) − μ 2 =
p2
q
LA DESVIACIÓN TÍPICA σ = V ( x) =
p2
LA f.g.m M x (t ) = p[q − e t q 2 ] =
−1 p
q − et q 2
PROPIEDADES
1. No tiene memoria
8
2. Es decreciente, es decir P[x]<P(x-1) ∀x = 2,3
Ejemplo
a) En el primer intento
b) En el segundo intento
c) En el cuarto intento
d) Cual su esperanza matemática
SOLUCIÓN
Ejemplo
SOLUCIÓN
9
Es otro caso especial de la Binomial y es una extensión de la Geométrica, que se utiliza
cuando los experimentos aleatorios son también un proceso Bernoulli, hasta que ocurra el
n-ésimo éxito:
DEFINICIÓN
r = Nº de exactos obtenidos
p = probabilidad del éxito
X:” Nº de veces o intentos que se realiza el experimento Beunoulli hasta obtener r éxitos”
tal que r ≤ x; Sii
FUNCION DE PROBABILIDAD
⎛ x − 1⎞ v x−v
P ( x) = P[x = x ] = ⎜⎜ ⎟⎟ p q : Px = v, (v − 1) : (v − 2 )...
⎝ v − 1⎠
⎧ 0 ⎛ k − 1⎞ r k − r : Si x<r
P ( x ≤ x ) = ⎨∑ ⎜⎜ ⎟⎟ p q
⎩ ⎝ r − 1⎠ : Si x≥r
LA MEDIA
⎛ x − 1⎞ v x −v v
E ( x) = μ = ∑ x⎜⎜ ⎟⎟ p q =
⎝ v − 1 ⎠ p
LA VARIANZA
rq
V ( x) = σ 2 = E ( x 2 ) − μ 2 =
p2
Ejemplo 1
Una maquina se utiliza para fabricar ciertos chips en serie se sabe que la probabilidad de
cada chip sea defectuosos es del 10%. Si se controla la calidad del CHIP producido
sabiendo que la maquina se apaga cuando se producen 4 chips defectuosos; cual es la
probabilidad de que la maquina pare en el 10mo chip producido.
p=10
q =90
v=4
10
x=10
⎛ x − 1⎞
x ~. P (v, p ) = P( x ) = ⎜⎜ ⎟⎟(0.1) (0.9 ) : Rx = 4, T ,6...
4 x−4
⎝ 4 − 1⎠
x :" N º de chips producidos hasta controlar 4 defectuosos
A :" la maquina pare ⇒ A = [x = 10]
⎛10 − 1⎞
⇒ P( A) = P[x = 10] = ⎜⎜ ⎟⎟(0.1) (0.9 ) = 84(0....... = 0.0045
4 10− 4
⎝ 4 −1 ⎠
Ejemplo 2
La probabilidad que un CPU de cierta marca expuesto a cierto virus se contagie es del
0.40. cual es la probabilidad de que la 10ma CPU expuesto sea al 3ra en contraerla
SOLUCION
p =0.40
q =0.60
v =3
x =10
⎛ x − 1⎞ v x −v
x ~. P(v, p) = P( x ) = ⎜⎜ ⎟⎟ p q : x : v, v + 1, v + 2,...
⎝ v − 1⎠
x :" N º de CPUs exp uestos al virus hasta 10 a sea la 3 a en contraerla
⎛9⎞
P[x = 10] = ⎜⎜ ⎟⎟(0.40 ) (0.60 ) = 0.0645
3 7
⎝ ⎠
2
DISTRIBUCIÓN MULTINOMIAL
DEFINICIÓN
11
Se dice que las vs.as.ds. xi ~. Multinomial (n, pi ) : i = 1,2,3...k
Rxi=[0,1,2...n];i=1,2,3...k Sii
n!
FUNCIÓN DE PROBABILIDAD P(x1,x2.... xk)= x x x
p1 1 p 2 2 ... p k k
x1! x2 !...xk !
MEDIA E(xi)=npi
Ejemplo
Las probabilidades de que una lamparilla de cierto tipo de proyector de diapositivas dura
SOLUCION
3
Como E i Ι Ej = φ y U = Ω ademas ∑ P ( E1 ) = 1
i =1
⇒ xi ~. Multinomial (ni pi )
x :" N º devecesqueocurreeleventoEi (i = 1,2,3)entre 8 lamparillas
x1 = 2
8!
x 2 = 5 ⇒ P (2,5,1) = (0.30) 2 (0.50) 5 (0.20)1 = 0.0945
2!5!1!
x3 = 1
Ejemplo
12
La probabilidades que una declaración de impuestos sea llenado correctamente es del
60%
SOLUCION
Como E i Ι Ej = φ ademas P ( E1 ) = 1
10!
P(5,3,11) = (0.60) 5 (0.20) 3 (0.10)1 (0.10)1 = 0.0314
5!3!1!1!
DISTRIBUCIÓN HIPERGEOMÈTRICA
DEFINICIÓN
13
N =tamaño de la población
X:”Nº exactos en un m.a. de tamaño n sin reposición
n =tamaño de la m.a. ó Nº de extracciones Rx=[0,1,2..Min (n, M) Sii
M =Nº de elementos exitosos
FUNCION DE PROBABILIDAD
⎛ M ⎞⎛ N − M ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
⎝ x ⎠⎝ n − x ⎠
p ( x) = P[x = x ] : R c = 0,1,2...Min(n.M )
⎛N⎞
⎜⎜ ⎟⎟
⎝n⎠
FUNCION DE DISTRIBUCIÓN
⎧ 0 Sii x<0
⎪ ⎛ M ⎞⎛ N − M ⎞
⎪ x ⎜⎜ ⎟⎟⎜⎜ ⎟⎟
⎪ ⎝ k ⎠⎝ n − k ⎠
F ( x) = P[x ≤ x ] = ⎨∑ 0 ≤ x < Min(n, M )
⎪ k =0 ⎛N⎞
⎜⎜ ⎟⎟
⎪ ⎝n⎠ x ≥ Min ( n , M 9
⎪⎩ 1 Si
MEDIA
⎡M ⎤
E ( x) = μ = ∑ xP( x) = n⎢⎣ N ⎥⎦
VARIANZA
⎡ M ⎤⎡ M ⎤⎡ N − n ⎤
V ( x) = σ 2 = n ⎢ ⎥ ⎢1 − ⎥ ⎢ factor de corrección
⎣ N ⎦⎣ N ⎦ ⎣ N − 1 ⎥⎦
Ejemplo
Como parte de un estudio sobre la contaminación del aire un Ing. Geológico decide
examinar la emisión de gases tóxicos de 6 de los 24 camiones de una CIA si 4 de esos
camiones, emiten cantidades de gases tóxicos. Cual es la probabilidad de que:
a) Ninguno de ellos
b) Mas de 3 emitan gases
SOLUCION
14
N = 24
n=6
M =4 éxitos
N-M = 20 fracasos
⎛ 4 ⎞⎛ 20 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
⎝ x ⎠⎝ 6 − x ⎠
P ( x) = x = 0,1,2,3,4
⎛ 24 ⎞
⎜⎜ ⎟⎟
⎝6⎠
⎛ 4 ⎞⎛ 20 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟
⎝ 0 ⎠⎝ 6 − 0 ⎟⎠ 38.760
a) P( x = 0) = = = 0.2880
⎛ 24 ⎞ 134.596
⎜⎜ ⎟⎟
⎝6⎠
⎛ 4 ⎞⎛ 20 ⎞ ⎛ 24 ⎞
b) P[x > 3] = ∑ P( x ≥ 4) = P(4) = ⎜⎜ ⎟⎟⎜⎜
190
⎟⎟ ⎜⎜ ⎟⎟ = = 0.0014
⎝ 4 ⎠⎝ 6 − 4 ⎠ ⎝ 6 ⎠ 134596
Ejemplo
SOLUCION
N = 20
n=6
M =4
N-M = 14
X~H(N,nM)
Rx=0,1,2,3,4
15
⎛ 6 ⎞⎛14 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
⎝ 0 ⎠⎝ 4 ⎠
a ) P(x ≥ 1) = 1 − P ( x ≤ 0) = 1 − = 0.7934
⎛ 20 ⎞
⎜⎜ ⎟⎟
⎝4⎠
⎡M ⎤ ⎡6⎤
b) E ( x) = n ⎢ ⎥ = 4⎢ ⎥ = 1.2
⎣N⎦ ⎣ 20 ⎦
⎡ M ⎤⎡ M ⎤⎡ N − n ⎤ ⎡ 6 ⎤⎡ 6 ⎤ ⎡ 20 − 4 ⎤
V ( x) = n ⎢ ⎥ ⎢1 ⎥ ⎢ ⎥ = 4 ⎢ ⎥ ⎢1 − ⎥ ⎢ ⎥
⎣ N ⎦⎣ N ⎦⎣ N − 1 ⎦ ⎣ 20 ⎦ ⎣ 20 ⎦ ⎣ 20 − 1 ⎦
⎛ 24 ⎞⎛ 14 ⎞⎛ 16 ⎞ 5.376
V ( x) = ⎜ ⎟⎜ ⎟⎜ ⎟ = = 0.7074
⎝ 20 ⎠⎝ 20 ⎠⎝ 19 ⎠ 7.600
⎡M ⎤
E x = μ = np ≈ n ⎢ ⎥
⎣N⎦
LA VARIANZA
⎡ M ⎤⎡ M ⎤
V ( x) = σ 2 = npq ≈ n ⎢ ⎥ ⎢1 − ⎥
⎣ N ⎦⎣ N ⎦
Ejemplo
Una importación de 100 computadoras, de las cuales 25 se sabe que tienen desperfecto.
Se realiza un control de calidad para ello se toman 10 computadoras, cual es la
probabilidad:
16
SOLUCION
R x = 0,1,2....10
⎛ 25 ⎞⎛ 75 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
⎝ 2 ⎠⎝ 8 ⎠
a) P(x = 2) = = 0.292
⎛100 ⎞
⎜⎜ ⎟⎟
⎝ 10 ⎠
⎡ 25 ⎤
b) E (x ) = 10 ⎢ ⎥ = 2 .5
⎣100 ⎦
M 25
p= = = 0.25
N 100
M
q = 1− = 075
N
⎛10 ⎞
a) p( x − 2) = ⎜⎜ ⎟⎟(0.25) (0.75) = 0.2515
2 8
⎝2⎠
DISTRIBUCIÓN MULTIVARIADA
17
DEFINICIÓN
FUNCION DE POBABILIDAD
⎛ M 1 ⎞⎛ M 2 ⎞ ⎛ M k ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟...⎜⎜ ⎟⎟
⎝ x1 ⎠⎝ x 2 ⎠ ⎝ x k ⎠
P(xi,x2... xk: N,n)=
⎛N⎞
⎜ n⎟
⎝ ⎠
Ejemplo
En un depósito hay 20 TV de los cuales 10 son de 20’’: 6 de 18’’ ;4 de 15’’, se elige al azar
10TV. Cual es la probabilidad de que haya 5 de 20’’, 3 de 18’’ y 2 de 15’’.
SOLUCION
Por su aplicación es una de las mas importantes tanto como Proceso Poisson o como
aproximación a la Binomial
DEFINICIÓN
18
donde λ =Nº promedio de ocurrencias de eventos en una unidad de medida: que
pueden ser intervalo de tiempo, región especificad, dichas ocurrencias son
independientes Sii
FUNCIÓN DE PROBABILIDAD
P ( x) = P ( X = x) = λt x e − λt : x = 0,1,2,3... e = 2.71828..
α x − e −α
P ( x) = P ( x = x) = : x = 0,1,2,3
x!
FUNCIÓN DE DISTRIBUCIÓN
⎧
⎪ 0 Si x < 0
⎪⎪ x α k e −α
F ( x) = P[x ≤ x ] = ⎨ ∑ x≥0
⎪α = 0 k!
⎪
⎪⎩
LA MEDIA E ( x) = μ = λt = α
LA VARIANZA V ( x) = σ 2 = λt = α
USO DE TABLAS
F ( x) = P[x ≤ x ] = F ( x : λ )
Ejemplo
Supongan Que llegan en forma aleatoria una serie de llamadas a una central
telefónica con promedio de 3 llamadas por minuto. Calcular la probabilidad de que
ocurran:
19
SOLUCION
⎡ 3 0 e −3 31 e −3 3 2 e −3 3 3 e −3 ⎤
a) =1− ⎢ + + + ⎥
⎣ 0! 1! 2! 3! ⎦
−3 ⎡ 3 3 9 27 ⎤
0
= 1 − e ⎢ + + + ⎥ = 0.3520
⎣1 1 2 6⎦
b) λt = 3 * 2 = 6 ⇒ P ( x ≥ 4 ) = 1 − P( x ≤ 3) = 1 − F (3) = 1 − 0.151 = 0.849
c) λt = 3( 13 ) = 1 ⇒ P( x ≥ 4) = 1 − P( x ≤ 3)1 − F (3) = 1 − 0.9801 = 0.019
Donde E ( x) = np = λ ⇒ cte
λt x e − λt ⎛ λ ⎞ λ e
x −λ
P ( x) = ≈ b⎜ x i npˆ ⎟ = x = 0,1,2
x! ⎝ ⎠ x!
λ x e −λ
FUNCION DE PROBABILIDAD P( x) = x = 0,1,2,3... λ = np = cte
x!
FUNCION DE DISTRIBUCIÓN
⎧ 0x : Sik x−<λ0
⎪ λ e
F ( x) = P[x ≤ x ] = ⎨∑ : x≥0
⎪ k = 0 k !
⎩
LA MEDIA E ( x) = μ = np = λ
LA VARIANZA V ( x) = σ 2 = λ = np
20
Ejemplo
SOLUCION
n =100
p = 0.05
q = 0.95
⎛ 100 ⎞
a) x ~. b(100;0.05) ⇒ p( x) = ⎜ x ⎟(0.05) (0.95) ; x = 1,2,3...100
x 10 − x
⎝ ⎠
x =" N º CPUs mal ensambladas entre 500"
⎛ 100 ⎞
P ( x = 2) = ⎜ 2 ⎟(0.05) (0.95)
10 − 2
= 0.0812
2
⎝ ⎠
b)mediante una aproximación a la POISSON
5 x e −5
λ = np = 100(0.05) = 5 ⇒ P( x) = : x = 0,1,2
x!
5 2 e −5 25(e −5 )
P ( x = 2) = = = 0.0842
2! 2
PROPIEDAD REPRODUCTIVA
n
Si Xi ~ misma distribución Si ∑ x i = Y ~. misma distribución i= 1,2...n
i =1
Si X i ~. P(α i )∀ i = 1,2,...n
n
⇒Y = ∑x
i =1
i ⇒ Y ~. P (α = ∑α i
21
Ejemplo
Determinar:
SOLUCION
DISTRIBUCIONES CONTINUAS
Los espacios muéstrales continuos y las v.a.c. surgen cuando se trabaja con cantidades
que se miden en una escala continua (velocidad de una CPU; la cantidad de alcohol en la
sangre, la cantidad de nicotina en un cigarrillo, etc.)
22
LA DISTRIBUCIÓN UNIFORME X~U [a,b]
DEFINICIÓN
Se dice que una v.a.c. X tiene distribución uniforme o rectangular en el intervalo [a, b] tal
que a< b Sii
⎧
⎪
⎪ 1
f ( x) = ⎨ ;a ≤ x ≤ b 1
⎪b − a b−a
⎪⎩ 0 ; eoc
a c d b
Para cualquier sub. intervalo [c, d] donde
a ≤ c ≤ d ≤ b ⇒ P[c ≤ x ≤ d ] = ∫c
d 1
b−a
dx =
1
b−a
[x]
d
c
=
1
b−a
[d − c] = d − c
b−a
además P(x=x) =0
Se dice distribución uniforme porque la P[c ≤ x ≤ d ] es la misma para todos los sub intervalos
que tienen la misma longitud.
x−a
F ( x) = P[x ≤ x] =
x x 1
∫ ∫
1 F(x)
dx = dx =
∝b−a ab−a b−a
⎧ 0 Si x < a
⎪x − a
F ( x ) = P[x ≤ x] = ⎨ Si a ≤ x < b
⎪⎩ b −1 a Si x ≥ ba
a b x’
LA MEDIA
a a+b
∫
1
μ = E ( x) = x dx =
b b−a 2
LA VARIANZA
b ⎛ a+b⎞ (b − a )2 ó = (a − b )2
2
∫
1
V ( x) = σ 2 = x2 dx − ⎜ ⎟ =
a b−a ⎝ x ⎠ 12 12
23
Ejemplo 1
a) En la posición 3
b) El punto este entre 3/2 y 3
SOLUCION
X ~ U[a, b]donde a =1 ; b =4
X: “posición del punto en el intervalo [1,4]”
⎧ ⎧0
⎪ ⎪ Si x < 1
⎪1 ⎪ x −1
⇒ f ( x) = ⎨ ; 1 ≤ x ≤ 4; F ( x)⎨ Si 1 ≤ x < 4
⎪3 ⎪ 4 − 1 Si x ≥ 4
⎪0 ; eoc
⎪⎩1
⎩
dx = [x ]3 = (0) = 0
3 1 1 3 1
a ) P( x = 3) = ∫
3 3 3 3
⎡3 ⎤ 31 1 3 1⎡ 3⎤ 1 ⎡3⎤ 1
b) P ⎢ < x < 3⎥ = ∫3 dx = [x ] 3 = ⎢3 − ⎥ = ⎢ ⎥ =
⎣2 ⎦ 23 3 2
3⎣ 2⎦ 3 ⎣2⎦ 2
⎡3 ⎤ ⎡ 3⎤ ⎛3⎞
P ⎢ < x < 3⎥ = P[x < 3] − P ⎢ x ≤ = F (3) − F ⎜ ⎟
⎣ 2 ⎦ ⎣ 2 ⎥⎦ ⎝2⎠
2
3
− 1 2
1
3 1
= − 2 = − 2 = =
3 3 3 3 6 2
Ejemplo 2
Suponga que cierta línea de transporte publico pasa por un determinado paradero de
control o de espera, a un horario estricto con intervalos de 30 minutos durante el día. Si
un pasajero llega a ese paradero en un instante aleatorio durante el día. Calcular la
probabilidad de que tenga que esperar:
a) más de 15 minutos
b) Exactamente 7 minutos
24
SOLUCION
X ~ U[0.30]donde a = 0 ; b =30
X = “tiempo de espera en minutos del pasajero”
⎧ ⎧0
⎪ ⎪ Si x ≤ 0
⎪ 1 ⎪ x−0 x
f ( x) = ⎨ ; 0 ≤ x ≤ 30; F ( x)⎨ = Si 0 ≤ x < 30
⎪ 30 ⎪ 30 − 0 30 Si x ≥ 30
⎪⎩ 0 ; eoc ⎪⎩1
[x]15 = = minuto
30
∫
1 1 30 15 1
a) P ( x > 15) = dx =
15 30 30 30 2
b) P[x = 7] = 0
Ejemplo 3
6
P[ x − μ > 2] : sabemos que μ=
= 3 reemplazando
2
P[ x − 3 > 2] = 1 − P[ x − 3 ≤ 2] = 1 − P[−2 ≤ x − 3 ≤ 2]
= 1 − P[1 ≤ x ≤ 5] = 1 − P[ P ( x ≤ 5) − P ( x < 1)] = 1 − F (5) + F (1)
5 1 1
=1− + =
6 6 3
DISTRIBUCIÓN EXPONENCIAL
DEFINICIÓN X ~ EXP (λ )
F(x)
⎧⎪λ e − λx
;x ≥ 0
f ( x) = ⎨ λ
= 0.368λ
⎪⎩0 ; eoc e
25
FUNCION DE DISTRIBUCIÓN
F(x)
1
⎧0 Si x<0
F ( x) = P[ X ≤ x] = ⎨ − λx
⎩1 − e Si x≥0
1
λ
x
MEDIA
∝
∫
1
μ = E ( x) = xλe − λx dx =
0 λ
VARIANZA
x 2 1 1
V ( x) = σ 2 = ∫ x 2 λe −λx dx − μ 2 = − =
0 λ 2
λ 2
λ2
Ejemplo 1
Si el Nº de automovilistas que corren a cierta velocidad, que un radar detecta por hora en
cierta localidad es una v.a. POISSON con λ =8.4 hrs. Cual es la probabilidad de tomar un
tiempo de espera menos a 10 minutos entre automovilistas sucesivos?
SOLUCION
1hora 1
Como X =10 minutos x = horas
60min 6
⎡ 1⎤
1 1
⎣ 6⎦ 0 0
[ = − ⎡e] − e − 8.4( 0) ⎤
1
− 8.4 ( 1 )
= − e −8.4 x 6 6
⎢⎣0 ⎥⎦
= −[0.2466 − 1] = 0.7534
26
Ejemplo 2
El tiempo durante el cual una marca de computadora que opera en forma efectiva antes de
su primera reparación, se distribuye exponencialmente con un promedio de fallas de 360
días
SOLUCION
⎧⎪ 1 − 360
⎧⎪0 x<0
x
e ;x≥0 Si
f ( x) = ⎨ 360 ; F ( x) = ⎨
⎪⎩0 ; eoc
− x
⎪⎩1 − e 360 Si x≥0
[x ≥ ] = p [x ≥
1
600 Ι x ≥ 400 e 360
dx
P [x ≥ 200 + 200 x ≥ 400 ] = [x ≥ 600 x ≥ 400 ] = P
600 360 − 5
= e 9
P [x ≥ 400 ] p [x ≥ ] α −
∫
x
400 1
e 360
dx
400 360
Ó mediante la acumulada
1 − ⎡⎢1 − e 360 ⎤⎥
− 600
p[x ≥ 600] 1 − P[x < 600] 1 − F (600)
− 600 −5
⎣ ⎦ e 360 − 360 + 360
600 400
− 36
20
=e 9
= = = = 400 = e =e = e −0.5556
P[x ≥ 400] 1 − P[x < 400] 1 − F (400) ⎡ − 360
400
⎤ − 360
1 − ⎢1 − e ⎥⎦
e
⎣
27
DEFINICIÓN
[ ]
⇒ R (t ) = P[T > t ] = 1P[T ≤ t ] = 1 − 1 − e − λt = e − λt
Ejemplo
SOLUCION
DISTRIBUCIÓN NORMAL
Es la distribución mas importante de la teoría estadística, porque casi todos los fenómenos
físicos, científicos sociales psicológicos, tienen un comportamiento normal, además casi
todas las distribuciones bajo ciertos requisitos se pueden aproximar mediante la normal.
DEFINICIÓN
FUNCION DE PROBABILIDAD
1 F(x)
σ 2Π
− [( x − μ ) / σ ]2
1
f ( x) = e 2
;−∞ < x < ∞
σ 2Π
Π = 3.1416...
donde
e = 2.71828
μ = Me = Mo
28
CARACTERÍSTICAS
x
∫
F ( x) = P[ x ≤ x] = x f ( x)dx
∞
½
LA MEDIA
∞
E ( x) = ∫ x f ( x)dx = μ
−∞
LA VARIANZA
∞
V ( x) = ∫ x 2 f ( x)dx − μ 2 = σ 2
−∞
F(x)
1
DISTRIBUCIÓN NORMAL ESTANDAR σ 2Π
F(z)
μ =0 z μ z x
USO DE TABLAS
29
SOLUCION
x−μ
a)P[4<x<7]estandarizando mediante z =
σ
donde μ = 5; σ 2 = 4; σ = 2
⎡ 4 − 5 x − μ 7 − 5⎤
P⎢ < < = p[− 0.5 < z < 1] = p[z < 1] − P[z ≤ −0.5] = F (1) − F (−0.5) = 0.8413 − 0.3085 = 0.5328
⎣ 1 σ 2 ⎥⎦
⎡ x − μ 10 − 5 ⎤
b) P[x > 10] = P ⎢ > = P[z > 2.5] = 1 − p[z ≤ 2.5] = 1 − F (2.5) = 0.0062
⎣ σ 2 ⎥⎦
Ejemplo
El tiempo T requerido para contagiarse un computadora por cierto virus es una v.a. normal
con media 31 segundos y desviación estándar 5 segundos.
SOLUCION
T ~ N(31,5)
T: “tiempo requerido para contagiarse una CPU con el virus en segundos”
⎡ T − μ 35 − 31⎤ ⎡ 4⎤
a) P[T < 35] = P ⎢ < ⎥ = P ⎢ z < ⎥ = F (0.8) = 0.7881
⎣ σ 5 ⎦ ⎣ 5⎦
PROPIEDAD REPRODUCTIVA
( )
n n n
∑x = Y ~ N μ y ;σ y donde μ y = ∑ μ i ; σ y2 = ∑ σ i2
2
i
i =1 i =1 i =1
⎛ n n ⎞
⇒ Y ~. N ⎜
⎜ ∑
⎝ i =1
μ i ; σ y2 = ∑
i =1
σ i2 ⎟
⎟
⎠
30
Ejemplo
μ1 = 20 ; μ 2 = 25 μ 3 = 25
σ 12 = 5 ; σ 22 = 11; σ 32 = 5
SOLUCION
( ) (
Como Xi...N μ i ; σ i 2 =Y...N μ y ;σ y 2 )
donde
⎡ x1 + x 2 ⎤1
μ y = E ( y) = E ⎢ − x3 ⎥ [E ( x1 ) + E ( x 2 )] − Ex3
⎣ 2 ⎦2
μy =
1
[20 + 16] − 25 = −7
2
⎛x +x ⎞ 1
σ y2 = v( y ) = v⎜ 1 2 − x3 ⎟ = [v(x1 ) + v(x 2 )] + v(x3 )
⎝ 2 ⎠ 4
σ y2 = [5 + 11] + 5 = 9 ⇒ σ y = 3
1
4
⇒ Y ~. N (−7;9)
⎡ Y − μ y 0 − ( −7 ) ⎤ ⎡ 7⎤
P[Y > 0] = P ⎢ > ⎥ = P ⎢ z > ⎥ = 1 − F (2.33) = 1 − 0.9901 = 0.0099
⎣⎢ σ y 3 ⎦⎥ ⎣ 3⎦
DEFINICIÓN
⇒ Si sumamos los n.v.a.i.: X1+X2+...+ Xn=Yn, con la condición que los Xi contribuyan con
una cantidad mínima despreciable a la variación de la suma
31
n n
∑ ∑μ
i =1
xi −
i =1
i
∑μ
Yn − i
⇒ La v.a.e. de la variación: 1) Z n = = ; Z n ~. N (0.1)
∑σ
n
2
i
∑σ 2
i
i =1
CASO ESPECIAL
2) Z n = ∑ x − ∑ μ = ∑ x − nμ = ∑ x
i i i − nμ
∑σ nσ 2 σ 2 n
∑μ
∑ xi
− (x n − μ )
Zn = n n
= n ; Z n ~. N (0.1)
σ n σ
n
Ejemplo1
SOLUCION
Como X i ~. EXP⎛⎜ ⎞⎟ donde X: “Duración del i=esima componente” en horas” I=1,2,......36
1
⎝λ⎠
1
Donde E ( x) = = 100 ⇒ λ
λ
1
V ( x) = = 100 ; σ = 100;
2
Yn: “tiempo total de duración de los n componentes”
λ2
n=36
n.u = 36(100) ⇒ Z n = ∑x i − nμ
=
Y 36 − 3600
=
Y 36 − 3600
σ n 100 36 600
a)
32
⎡ 5028 − 3600 ⎤
P[Y36 < 5028] = estandarizando ⇒ P ⎢ Z 36 < ⎥
⎣ 600 ⎦
P[Z 36 < 2.38] = F (2.38) = 0.9913
b)
P[Yn ≥ 4.536] = 0.9901 ⇒ 1 − P[Yn ≤ 4.536] = 0.9901
P[Yn ≤ 4.536] = 1 − 0.9901 = 0.0099 estandarizado
⎡ 4.536 − 100n ⎤
P ⎢Z n ≤ ⎥ = 0.0099 donde el valor crítico
⎣ 100 n ⎦
4.536 − 100n
= −2.33 resolviendo la ecuación haciendo X = n
100 n
X = 8.018 ⇒ n = x 2 = 8.018 2 ⇒ n = 64.3 ≈ 64
Ejemplo 2
La longitud que se puede estirar sin ruptura un filamento de nylon es una v.a. exponencial
con media de 5000 pies. Cual es la probabilidad aproximadamente que la longitud media
de 100 filamentos este comprendido entre 4750 y 5550 pies.
SOLUCION
⎡ 1 ⎤
X : ~. EXP ⎢ ⎥
⎣ 5000 ⎦
X: “longitud de estiramiento sn ruptura del i-esimo filamento” i=1,2....100
1 ( xn − μ ) n
E ( x) = = 5000 por Zn = estandarizando
λ σ
⎛1⎞
2
⎡ (4570 − 5000 ) 5550 − 5000 100 ⎤
V ( x ) = ⎜ ⎟ = (5000) 2 P[4750 ≤ x100 ≤ 5550] = ρ ⎢ 100 ≤ z ≤ ⎥
⎝λ⎠ ⎣ 5000 5000 ⎦
σ = 100
P[− 0.5 ≤ z100 ≤ 1.1] = F (1) − F (−0.5) = 0.8643 − 0.3085 = 0.5558
33
RESUMEN DE LAS APROXIMACIONES MEDIANTE
Z=
∑ X − ∑μ
i i
⇒ Z ~. N (0.1)
∑σ 2
i
Ejemplo 1
a) De manera exacta
b) Aproximada
SOLUCION
⎛n⎞
Sabemos que P( x) = ⎜⎜ x ⎟⎟ p x q n − x ; x = 0.1.2...n
⎝ ⎠
Donde n=20
p=0.5
q=0.5
⎛ 20 ⎞
P ( x = 7) = ⎜⎜ 7 ⎟⎟(0.5)7 (0.5)13 = 0.0739
⎝ ⎠
34
P[6.5 ≤ x ≤ 7.5]
npq 10(0.5)(0.5) = 2.24 ⇒ P[6.5 ≤ x ≤ 7.5] estandarizando
[
PZ≤ 7.5 −10
2.24
]− P[Z ≤ 6.5 −10
2.24
]
= P[Z ≤ −1.12] − P[Z ≤ −1.57]
= F (− 1.12 ) − F (− 1.57 ) = 0.0732
Ejemplo 2
Suponga que la probabilidad de que cierta marca de CPU, esta en servicio después de 1
año es 0.80. Si la “U” adquiere 35 de tales CPUs. Cual la probabilidad de que
a) 7
b) al menos 5 de las CPUs adquiridos NO esta en servicio después de 1 año?
SOLUCION
X∼b(n,p) ⇒ X∼b(35;0.20)
n = 35; p =0,20; q =0,80
a)
x ± 0.5 − np
P[x = 7] = P[6.5 ≤ x ≤ 7.5] donde Z =
npq
⎡ 6.5 − 7 7.5 − 7 ⎤
⇒ P⎢ ≤Z≤ = P[− 0.2113 ≤ Z ≤ 0.2113] = P[Z ≤ 0.21] − P[Z ≤ −0.21]
⎣ 2.3664 2.3664 ⎥⎦
= F (0.21) − F (−0.21) = 0.1664
b)
P[x ≥ 5] = P[x ≥ 5 − 0.5] = P[x ≥ 4.5] = 1 − P[x < 5]
⎡ 4 .5 − 7 ⎤
= 1 − P ⎢Z ≤ = 1 − P[Z < −1.056] = 1 − F ( −1.06) = 0.8554
⎣ 2.3664 ⎥⎦
Ejemplo 3
El tiempo que un cajero de un banco emplea para atender a un cliente es una v.a. con
media 3.1 minutos y una desviación estándar de 1.7 minutos. Si se observan los tiempos
y corresponden a 64 clientes ¿Cuál la probabilidad de que el tiempo promedio de los
mismos sea por menos 3.4 minutos?
35
SOLUCIÓN
Como X ~. P(x)
36