Está en la página 1de 25

Probabilidad y Estadística (CI029)

Comisión 1, Docente: Guillermo Filia

Clases 5 y 6: 16/05/2020
UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Aviso Importante: Bajo ningún concepto este documento pretende ser un


reemplazo de la lectura de los capítulos recomendados de la bibliografía de la
materia. Los temas tratados en este documento son solo una síntesis de
conceptos importantes. Para comprender acabadamente cada tema, la lectura
del libro y la asistencia a la clase teórica siguen siendo la primera
recomendación.

El objetivo principal de este apunte es acompañar a la clase teórica, de forma


de que la misma no dependa tan fuertemente del uso de pizarrón, dada la
modalidad en la que se desarrollará la clase (videoconferencia).

Sábado 16 de mayo de 2020 2 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Contenido de la clase

Introducción a la clase ............................................................................................................................ 4


Preparación de la clase ........................................................................................................................... 4
Contenido de la clase .............................................................................................................................. 5
Variable Aleatoria ............................................................................................................................... 5
Variable aleatoria Discreta.................................................................................................................. 6
VA Discreta, definición .................................................................................................................... 6
Distribución discreta de probabilidad ............................................................................................. 7
Función de probabilidad ................................................................................................................. 8
Función de distribución acumulada .............................................................................................. 10
Cálculo de probabilidades a partir de F(x) .................................................................................... 12
Valor esperado o Valor medio de X .............................................................................................. 12
Valor esperado o valor medio de una función de una VA ............................................................ 13
Caso particular E[aX+b] ................................................................................................................. 13
Varianza de X................................................................................................................................. 14
Caso particular V[aX+b]................................................................................................................. 14
Distribuciones discretas particulares ................................................................................................ 15
Experimento de Tipo Bernoulli ..................................................................................................... 15
Proceso Bernoulli .......................................................................................................................... 15
Distribución Binomial .................................................................................................................... 16
Distribución Geométrica ............................................................................................................... 20
Distribución Hipergeométrica ....................................................................................................... 21
Distribución de Poisson................................................................................................................. 22
Proceso de Poisson ....................................................................................................................... 24
Anexo: Bibliografía de la materia .......................................................................................................... 25

Sábado 16 de mayo de 2020 3 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Introducción a la clase

El resumen completo de temas que veremos en esta clase es el siguiente:

• Variables aleatorias
• Distribución de probabilidad discreta
o Función de probabilidad
o Función de distribución acumulada
• Valor esperado y Varianza
• Algunas distribuciones de probabilidad particulares
o Proceso Bernoulli
o Distribución de probabilidad binomial
o Distribución de probabilidad geométrica
o Distribución de probabilidad hipergeométrica
o Distribución de probabilidad de Poisson

Preparación de la clase

Para preparar esta clase es aconsejable repasar ANTES los siguientes puntos:

• Un repaso del capítulo 3 (completo) del libro de Devore


• Idealmente, tener terminadas las guías 1, 2 y 3, ya que está clase abre un capítulo temático
importante en la materia.

Los temas de la clase serán una síntesis del capítulo 3 de libro de Devore. Es muy aconsejado
acompañar este apunte con la lectura del libro.

Sábado 16 de mayo de 2020 4 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Contenido de la clase

Variable Aleatoria

Supongamos el siguiente experimento aleatorio: Se lanzan dos monedas al aire.

Se define una variable que


identifica el número de caras que
se obtuvieron al realizar el
experimento:

𝑋: 𝐸 → ℝ

X: Cantidad de caras obtenidas.

La imagen de X está dada por:

𝐼𝑀𝑥 : {0, 1,2} ≠ ℝ => X no es sobreyectiva.

A la imagen de X se la denomina como Rango o Recorrido de X

Variable Aleatoria (VA), definición

Para el espacio muestral E, de algún experimento aleatorio, una variable aleatoria (VA) es cualquier
regla que asocia un número con cada resultado en E. En lenguaje matemático, una variable aleatoria
es una función cuyo dominio es el espacio muestral y cuyo rango es el conjunto de números reales.

Eventos equivalentes

Analicemos dos eventos:

𝐴 ⊂ 𝐸 𝐵 ⊂ 𝑅𝑋 (E: espacio muestral, X: variable aleatoria, 𝑹𝑿 : rango o recorrido de X)


Supongamos:

𝐴 = {+ +} ⊂ 𝐸 ↔ 𝐵 = {𝑋=0 } ⊂ 𝑅𝑋
En este caso A y B son equivalentes, ya que A es el único evento del espacio muestral E que llega al
elemento B del recorrido de X.

Sábado 16 de mayo de 2020 5 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

𝐶 = {𝐶 + } ⊂ 𝐸 → 𝐷 = {𝑋=1 } ⊂ 𝑅𝑋
En este caso C y D no son equivalentes, ya que C NO es el único evento del espacio muestral E que
llega al punto D del recorrido de X. No vale la relación en dos sentidos, solo se puede relacionar
desde C a D, pero no de D a C.

Veamos qué sucede ahora:

𝐹 = { (𝐶 +) 𝑈 (+𝐶) } ⊂ 𝐸 ↔ 𝐷 = {𝑋=1 } ⊂ 𝑅𝑋
En este caso F y D son equivalentes

𝐴 ⊂ 𝐸 y 𝐵 ⊂ 𝑅𝑋 son equivalentes si 𝑃𝑅𝑋 (𝐵) = 𝑃𝐸 (𝐴)

O bien, A y B son equivalentes si:

{A} = {e ε E / X(e) = B} = {X=B}

Variable aleatoria Discreta

VA Discreta, definición

Se dice que la variable aleatoria X es discreta si su recorrido o rango es un conjunto finito o infinito
numerable.

Sábado 16 de mayo de 2020 6 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Distribución discreta de probabilidad

Una distribución de probabilidad es discreta si se asigna una probabilidad distinta de cero a una
cantidad finita o infinita numerable de valores de la variable aleatoria X, y se asigna probabilidad
igual a cero al resto de los valores de la variable aleatoria X.

Ejemplo:

Definimos la VA X: Cantidad de tiros sucesivos de una moneda hasta obtener a primera cara

𝐼𝑀𝑥 = ℕ

Notar que, en este caso particular, los valores de X siguen una serie geométrica

Recordemos la convergencia de la serie geométrica:

En el ejemplo de la moneda, tenemos una serie geométrica con los siguientes parámetros

a=½
r=½

Por lo tanto, la suma de las probabilidades de todos los puntos del recorrido de X, converge a: 1.

𝑎 1/2
𝑆= = =1
1 − 𝑟 1 − 1/2

Sábado 16 de mayo de 2020 7 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Función de probabilidad

Definición

La función de probabilidad (fdp) (o función masa de probabilidad) de una variable discreta se define
para cada valor de x, como p(x) = P(X = x) = P(eventos de E equivalentes a x)

Notar que usamos letra minúscula para referirnos a los valores que toma la variable aleatoria, y
utilizamos letras mayúsculas para referirnos a las variables aleatorias p(x) = P(X=x)

Función de probabilidad (fdp), notación matemática

∀𝑥: 𝑥 → 𝑝(𝑥) = 𝑃[𝑋 = 𝑥]

Se satisfacen los siguientes axiomas de probabilidad:

1) p(x) ≥ 0
2) ∑∀𝑥 𝑝(𝑥) = 1

Ejercicio:

Se sabe que un cliente que compre una computadora en una casa de computación, en una
determinada semana, comprará una notebook o una PC de escritorio.

Sea la VA X:

1 𝑠𝑖 𝑒𝑙 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑐𝑜𝑚𝑝𝑟𝑎 𝑢𝑛𝑎 𝑛𝑜𝑡𝑒𝑏𝑜𝑜𝑘


𝑋={
0 𝑠𝑖 𝑒𝑙 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑐𝑜𝑚𝑝𝑟𝑎 𝑢𝑛𝑎 𝑃𝐶 𝑑𝑒 𝑒𝑠𝑐𝑟𝑖𝑡𝑜𝑟𝑖𝑜

Si 20% de todas las compras durante esa semana corresponden a una notebook.

a) Especificar la función de probabilidad (fdp)


b) Graficar la función de probabilidad

Sábado 16 de mayo de 2020 8 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Resolución

p(0) = P(X = 0) = P(“el cliente compra un modelo de escritorio”) = 0.8

p(1) = P(X = 1) = P(“el siguiente cliente compra un modelo portátil”) = 0.2

p(x) = P(X = x) = 0 con x ≠ 0 o 1

O bien, podemos definir p(x) de la siguiente forma:

0.8 𝑠𝑖 𝑥 = 0
𝑝(𝑥) = { 0.2 𝑠𝑖 𝑥 = 1
0 ∀ 𝑜𝑡𝑟𝑜 𝑥

Gráfica de p(x)

Sábado 16 de mayo de 2020 9 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Función de distribución acumulada

Definición

La función de distribución acumulada (Fda) F(x) de una variable aleatoria discreta X con función de
probabilidad p(x) se define para cada número x como:

∀𝑥: 𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥] = ∑ 𝑝(𝑥𝑖 )


−∞

Para cualquier número x, F(x) es la probabilidad de que el valor observado de X será menor o igual a
x.

Posibles nombres para esta función, según la bibliografía consultada:

• Función de distribución
• Función de distribución acumulativa
• Función de distribución acumulada
• Función de distribución izquierda

Ejemplo

Se conoce la función de probabilidad de una variable aleatoria Y, la cual se muestra a continuación:

Se pide, obtener la función de distribución de F(Y) y graficarla.

Sábado 16 de mayo de 2020 10 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Resolución

F(1) = P(Y ≤ 1) = P(Y = 1) = p(1) = 0.4


F(2) = P(Y ≤ 2) = P(Y = 1 o 2) = p(1) + p(2) = 0.7
F(3) = P(Y ≤ 3) = P(Y = 1 o 2 o 3) = p(1) + p(2) + p(3) = 0.9
F(4) = P(Y ≤ 4) = P(Y = 1 o 2 o 3 o 4) = 1

Para cualquier otro valor de y, F(y) será igual al valor de F con el valor más próximo posible de Y a la
izquierda de y. Por ejemplo, F(2.7) = P(Y ≤ 2.7) = P(Y ≤ 2) = 0.7 y F(3.999) = F(3) = 0.9.

Y la gráfica resultante queda de la siguiente manera:

Propiedades de F(x)

Generales

1. ∀𝑥, 𝐹(𝑥) ≥ 0

2. ∀𝑥, 𝐹(𝑥) 𝑛𝑜 𝑑𝑒𝑐𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒

3. lim 𝐹(𝑥) = 1 = 𝐹(+∞)


𝑥→∞
lim 𝐹(𝑥) = 0 = 𝐹(−∞)
𝑥→−∞

Sábado 16 de mayo de 2020 11 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Propiedades de Distribuciones discretas

1. Es escalonada, no es continua
2. Es continua solo por derecha
3. Tiene una cantidad finita o infinita numerable de saltos
4. Cada salto es una probabilidad puntual de cada valor de la VA X
Salto: p(x) = P[X=x] (probabilidad puntual)

Cálculo de probabilidades a partir de F(x)

• P[X ≤ a] = F(a)
• P[X < a] = F(a-) (Donde “a-“ representa el mayor valor de X que es mejor que a)
• P[X = a] = F(a) – F(a-)
• P[X > a] = 1 – F(a)
• P[X ≥ a] = 1 – F(a-)
• P[a < X ≤ b] = F(b) – F(a)
• P[a ≤ X ≤ b] = F(b) – F(a-)
• P[a ≤ X < b] = F(b-) – F(a-)
• P[a < X < b] = F(b-) – F(a)
• P[X ≤ a v X > b] = P[X ≤ a] + P[X > b] = F(a) + 1 – F(b) = 1 – P[a < x ≤ b] = 1 – F(b) + F(a)

Valor esperado o Valor medio de X

Sea X una variable aleatoria discreta con un conjunto de valores posibles D y una función de
probabilidad p(x). El valor esperado o valor medio de X, denotado por E(x) o µx es:

𝐸(𝑋) = ∑ 𝑥 ∙ 𝑝(𝑥)
∀𝑥∈𝐷

Nombres posibles para el valor esperado, según la bibliografía consultada:

• Valor esperado
• Valor medio
• Media
• Esperanza
• Promedio ponderado

Sábado 16 de mayo de 2020 12 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Ejemplo:

Después de nacer, cada niño recién nacido es evaluado en una escala llamada escala de Apgar. Las
evaluaciones posibles son 0, 1, . . . , 10, done 10 refleja la mejor evaluación posible. Sea X la
evaluación Apgar de un niño seleccionado al azar que nacerá en cierto hospital durante el siguiente
año y supóngase que la función de probabilidad de X es:

Calcular el valor esperado de evaluación de Apgar que se obtendrá en el siguiente año:

Resolución:

E(x) = µx =

0.0,002 + 1x0,001 + 2x0,002 + 3x0,005 + 4x0,02 + 5x0,04 + 6x0,18 +

+ 7x0,37 + 8x0,25 9x0,12 + 10x0,01

E(x) = µx = 7,15

Valor esperado o valor medio de una función de una VA

Supongamos Y=G(X), donde X es una VA discreta, G() es una función. Y es una nueva variable
aleatoria, que resulta a partir de G(X).

Se puede demostrar que se cumple la siguiente igualdad:

𝑬[𝒀] = 𝑬[𝑮(𝑿)] = ∑ 𝒚 ∙ 𝒑(𝒚) = ∑ 𝑮(𝒙). 𝒑(𝒙)


∀𝒚 ∀𝒙

Caso particular E[aX+b]

En base a lo anterior, supongamos ahora que:

Y = aX + b con X una V.A discreta, a y b dos valores reales

Se cumple que:

𝑬[𝒀] = 𝑬[𝑮(𝑿)] = 𝑬[𝒂 ∙ 𝑿 + 𝒃] = 𝒂. 𝑬[𝑿] + 𝒃

Sábado 16 de mayo de 2020 13 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Demostración:
𝒙=+∞ 𝒙=+∞

𝑬[𝒀] = 𝑬[𝒂. 𝑿 + 𝒃] = ∑ 𝑮(𝒙). 𝒑(𝒙) = ∑ (𝒂 ∙ 𝒙 + 𝒃). 𝒑(𝒙)


𝒙=−∞ 𝒙=−∞

𝒙=+∞ 𝒙=+∞ 𝒙=+∞

= ∑ 𝒂 ∙ 𝒙. 𝒑(𝒙) + 𝒃 ∙ 𝒑(𝒙) = ∑ 𝒂 ∙ 𝒙. 𝒑(𝒙) + ∑ 𝒃. 𝒑(𝒙)


𝒙=−∞ 𝒙=−∞ 𝒙=−∞

𝒙=+∞ 𝒙=+∞

= 𝒂 ∙ ∑ 𝒙. 𝒑(𝒙) + 𝒃 ∙ ∑ 𝒑(𝒙) = 𝒂 ∙ 𝑬[𝑿] + 𝒃 ∙ 𝟏 = 𝒂 ∙ 𝑬[𝑿] + 𝒃


𝒙=−∞ 𝒙=−∞

Varianza de X

Sea p(x) la función de probabilidad de X y µ su valor esperado. En ese caso la varianza de X, denotada
por V(X) o 𝝈𝟐
𝒙 o simplemente 𝝈 , es:
𝟐

𝜎 2 (𝑋) = 𝑉(𝑋) = 𝐸[(𝑋 − 𝜇)2 ] = ∑(𝑥 − 𝜇)2 . 𝑝(𝑥)


∀𝑥

Y la desviación estándar (DE) de X es

𝜎(𝑋) = √𝜎 2 (𝑋)

Operando con la expresión de la varianza se tiene:

𝜎 2 (𝑋) = 𝐸[(𝑋 − 𝜇)2 ] = ∑ 𝑥 2 . 𝑝(𝑥) − 2 ∙ 𝜇 ∙ ∑ 𝑥 . 𝑝(𝑥) + 𝜇2 ∑ 𝑝(𝑥)


∀𝑥 ∀𝑥 ∀𝑥

𝜎 2 (𝑋) = 𝐸[𝑋 2 ] − 𝜇2

Caso particular V[aX+b]

De forma similar al caso de la esperanza E[X] se puede demostrar que, para la varianza V[X]
se cumple:

V[𝒀] = V[𝑮(𝑿)] = V[𝒂 ∙ 𝑿 + 𝒃] = 𝒂2 . V[𝑿]

Sábado 16 de mayo de 2020 14 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Distribuciones discretas particulares

Experimento de Tipo Bernoulli

Experimento con solo dos resultados posibles:


“Fracaso” o “Éxito”. Experimento dicotómico.

Variable aleatoria Bernoulli

Cualquier variable aleatoria cuyos únicos valores posibles son 0 y 1 se llama variable aleatoria de
Bernoulli.

X: cantidad de éxitos obtenidos en un solo experimento de tipo Bernoulli:

𝑝 𝑠𝑖 𝑥 = 1
𝑝(𝑥) = {
1 − 𝑝 𝑠𝑖 𝑥 = 0
Donde:

• p es la probabilidad de éxito en un solo experimento de tipo Bernoulli


• 1-p = q es la probabilidad de fracaso en un solo experimento de tipo Bernoulli

Media y Varianza

E[BER] = 0.(1-p) + 1.p = p

𝝈𝟐 [𝐁𝐄𝐑] = 02 (1 − 𝑝) + 12 . 𝑝 − (𝑝)2 = 𝑝 − 𝑝2 = 𝑝. (1 − 𝑝) = 𝒑. 𝒒

Proceso Bernoulli

Supongamos que se repite un experimento de tipo Bernoulli, n veces, bajo ciertas consideraciones:

• Cada realización del experimento es independiente del resultado de la realización anterior.


• El valor de p a lo largo de los experimentos permanece constante.

Sábado 16 de mayo de 2020 15 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

El proceso Bernoulli puede derivar en distintas distribuciones de probabilidad discreta, de acuerdo a


qué aspecto se desea estudiar del resultado de los n experimentos Bernoulli:

Importante, para conocer las funciones de distribución acumulada de las variables que siguen,
referirse a la bibliografía de la materia.

Distribución Binomial

En un proceso Bernoulli: Se define R a la cantidad de éxitos obtenidos en “n” ensayos de tipo


Bernoulli.

Por definición, un experimento binomial cumple con las siguientes condiciones:

1. El experimento consta de una secuencia de n experimentos más pequeños llamados


ensayos, donde n se fija antes del experimento.
2. Cada ensayo puede dar por resultado uno de los mismos dos resultados posibles (ensayos
dicotómicos), los cuales se denotan como éxito (E) y fracaso (F).
3. Los ensayos son independientes, de modo que el resultado en cualquier ensayo particular
no influye en el resultado de cualquier otro ensayo.
4. La probabilidad de éxito es constante de un ensayo a otro; esta probabilidad se denota por
p.

Un experimento para el que se satisfacen las condiciones 1–4 se llama experimento binomial.

Observemos, partimos de las condiciones 1 y 3:realizamos n ensayos Bernoulli, que podemos


considerarlos como eventos independientes. Llamemos a los ensayos: X1, X2,……,Xn

Como son independientes, podemos calcular la probabilidad de una determina secuencia de


resultados éxito – fracaso en los n ensayos, de la siguiente forma:

𝑃(𝑋1 ∩ 𝑋2 ∩ 𝑋3 ∩. . . . . . . 𝑋𝑛 ) = 𝑃(𝑋1 ) ∙ 𝑃(𝑋2 ) ∙ 𝑃(𝑋3 ) ∙. . . . . .∙ 𝑃(𝑋𝑛 )

A su vez, es importante destacar que se cumple la condición 2, respecto a los valores de probabilidad
de cada ensayo Bernoulli:

• p = cte.
• q = (1-p) = cte.

Sábado 16 de mayo de 2020 16 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Veamos un ejemplo:

Sacamos tornillos de una bolsa de tornillos. Cuando la bolsa está llena, la probabilidad de obtener un
tornillo defectuoso es del 10%, mientras que un tornillo normal se obtiene con 90% de probabilidad.
Queremos estudiar el proceso de obtener tornillos normales de esa bolsa en n extracciones.

Entonces,:

• p = 0,9 (probabilidad de “éxito”, lo definimos como “obtener tornillo normal”)


• q = 0,1

Observemos qué sucede en cinco extracciones de la bolsa

IMPORTATE:

• Notar que si el experimento se realiza sin reposición, esto es, los tornillos extraídos no
vuelven a la bolsa, con cada extracción de tornillos estaremos modificando p y q, con lo cual
el experimento realizado no cumple con las condiciones de experimento binomial.
• Si el experimento se realiza con reposición, o sea, cada tornillo se extrae y vuelve a la bolsa,
esto permite que los valores de p y q se mantengan constantes, entonces se satisfacen las
condiciones de experimento binomial.
• Si la cantidad de tornillos en la bolsa es lo suficientemente grande, se puede considerar que
los valores p y q no cambian, aún si hacemos extracciones sin reposición.

Como regla general de lo anterior, consideremos lo siguiente:

Considérese muestreo sin reemplazo de una población dicotómica de tamaño N. Si el tamaño de la


muestra (número de ensayos) n es cuando mucho 5% del tamaño de la población, el experimento
puede ser analizado como si fuera exactamente un experimento binomial.

Ejercicio:

Vamos a deducir la forma general de la función de probabilidad de una V.A binomial. Para eso
planteamos el siguiente experimento:

• Definimos la VA “R” como la cantidad de ases obtenidos en 7 tiros de dado.

Y se desea:

• Obtener de probabilidad correspondiente a sacar 3 ases en este experimento.

Sábado 16 de mayo de 2020 17 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Resolución:

Como primer paso, verifiquemos si se cumplen las condiciones necesarias para que “R” corresponda
a un experimento Binomial

Condición de experimento Binomial Nuestro experimento


El experimento consta de una secuencia de n Cumple. Nuestro valor es n=7
experimentos más pequeños llamados ensayos,
donde n se fija antes del experimento
Cada ensayo puede dar por resultado uno de los Cumple. Nuestros resultados dicotómicos son:
mismos dos resultados posibles (ensayos Éxito: Sacar as
dicotómicos), los cuales se denotan como éxito (E) y Fracaso: Sacar otro número
fracaso (F)
Los ensayos son independientes, de modo que el Cumple. El ensayo de tirar el dado no está influido
resultado en cualquier ensayo particular no influye en absoluto por el resultado del tiro anterior
en el resultado de cualquier otro ensayo.

La probabilidad de éxito es constante de un ensayo Cumple. La probabilidad de “sacar un as” no cambia


a otro; esta probabilidad se denota por p. si siempre utilizamos el mismo dado.
Tenemos estos valores de probabilidad:
p = probabilidad de “éxito: sacar un as
q = probabilidad de “fracaso”: sacar otro número

p = 1/6
q = 5/6

Ahora, sabiendo que se cumplen todas las condiciones anteriores, analicemos nuestro caso: ¿cuál es
la probabilidad de sacar exactamente 3 ases en 7 tiros?

Analicemos algunas secuencias de resultados que satisfacen obtener exactamente 3 ases:

Tiro 1 Tiro 2 Tiro 3 Tiro 4 Tiro 5 Tiro 6 Tiro 7


as as as no as no as no as no as
no as no as no as no as as as as
as no as as no as as no as no as
as as no as no as no as no as as

Podemos observar que los 3 ases pueden aparecer en cualquiera de los 7 tiros de dados.

Obtengamos la probabilidad de cada una se las secuencias que planteamos, considerando que cada
tiro es independiente de los otros:

P (“as” y “as” y “as” y “no as” y “no as” y “no as” y “no as”) = P(“as”). P(“as”). P(“as”).P(“no as”). P(“no as”). P(“no as”). P(“no as”) =

= 1/6.1/6. 1/6. 5/6. 5/6. 5/6. 5/6

De igual forma, podemos observar posibilidad de la siguiente secuencia:

P (“no as” y “no as” y “no as” y “no as” y “as” y “as” y “as”) = P(“no as”). P(“no as”). P(“no as”). P(“no as”). P(“as”). P(“as”). P(“as”) =

= 5/6. 5/6. 5/6. 5/6.1/6.1/6. 1/6

Sábado 16 de mayo de 2020 18 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Como podemos observar, cada variante de secuencia de tiros que contienen exactamente 3 ases (o
3 “éxitos”) tiene la misma probabilidad de ocurrencia

1 3 5 4
P(“as,as,as,no,no,no,no”) = P(“no,no,no,no,as,as,as”) = ( ) ∙ ( )
6 6

Para obtener la probabilidad de sacar 3 ases en 7 tiros, considerando TODAS las variantes de sacar
esos 3 ases, deberíamos contar cuantas maneras posibles tenemos para ubicar esos 3 ases en los 7
ensayos.

Si observamos la tabla la tabla resumida de secuencias de tiros, podemos determinar que la cantidad
de secuencias posibles es

7
Secuencias posibles = (3)

Finalmente, la probabilidad de obtener 3 ases en 7 tiros, considerando todas las secuencias de


aparición de esos 3 ases, podemos expresarla como:

7 1 3 5 4
P(“3 ases en 7 tiros”) = (3) ∙ ( ) ∙ (6)
6

O bien:

7 1 3 5 7−3
P(“3 ases en 7 tiros”) = (3) ∙ ( ) ∙ (6)
6

Reemplazando, en la fórmula anterior, nuestros valores de p y q del ensayo del dado, tenemos:

p = 1/6, q=5/6

7
P(“3 ases en 7 tiros”) = (3) ∙ (𝑝)3 ∙ (1 − 𝑝)7−3

De forma similar a como lo hicimos en este caso particular, se puede demostrar que, si se cumplen
las condiciones del proceso Bernoulli, la función de probabilidad de una VA Binomial, R, es la
siguiente:

𝑛
∙ 𝑝𝑟 ∙ (1 − 𝑝)(𝑛−𝑟) 𝑠𝑖 𝑟 = 0,1,2, . . . . . . , 𝑛
𝑝(𝑟) = { 𝑟 )
(
0 ∀ 𝑜𝑡𝑟𝑜 𝑟
Donde “r”, representa la cantidad de éxitos obtenidos en “n” experimentos.

Sábado 16 de mayo de 2020 19 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Teorema:

La suma de n variables aleatorias Bernoulli general una VA binomial, entonces:


𝒏

𝑩𝒊𝒏(𝒏, 𝒑) = ∑ 𝑩𝑬𝑹(𝒑)
𝒊=𝟏

𝒏 𝒏 𝒏

𝑬[𝑩𝒊] = 𝑬[∑ 𝑩𝑬𝑹𝒊 (𝒑)] = ∑ 𝑬[𝑩𝑬𝑹]𝒊 = ∑ 𝒑 = 𝒏 ∙ 𝒑


𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏

𝝈𝟐 [𝑩𝒊] = 𝝈𝟐 [∑ 𝑩𝑬𝑹𝒊 (𝒑)] = ∑ 𝝈𝟐 [𝑩𝑬𝑹]𝒊 = ∑ 𝒑. 𝒒 = 𝒏 ∙ 𝒑 ∙ 𝒒


𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

Distribución Geométrica

Por definición, un experimento geométrico cumple con las mismas condiciones que un proceso
Binomial.

A su vez, se define N a la cantidad de experimentos necesarios hasta obtener el primer éxito


(inclusive) dentro de un proceso Bernoulli.

Siguiendo un razonamiento similar al que realizamos para Bernoulli, se puede demostrar que la
función de probabilidad para la VA geométrica es la siguiente:

(Ejercicio para casa, analizar un proceso Binomial, teniendo en cuenta que se detiene el proceso al
obtener el primer éxito)

(𝑛−1)
𝑝(𝑛) = {𝑝 ∙ (1 − 𝑝) 𝑠𝑖 𝑟 = 0,1,2, . . . . . . , 𝑛
0 ∀ 𝑜𝑡𝑟𝑜 𝑟

Y la esperanza y varianza de la distribución geométrica son las siguientes:

𝟏
𝑬[𝑮𝒆𝒐] =
𝒑
𝒒
𝝈𝟐 [𝑮𝒆𝒐] =
𝒑𝟐

Sábado 16 de mayo de 2020 20 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Distribución Hipergeométrica

Las condiciones para obtener una distribución hipergeométrica son las siguientes:

• La población o conjunto que se va a muestrear se compone de N individuos, objetos o


elementos (una población finita).
• Cada individuo puede ser caracterizado como éxito (E) o falla (F) y hay M éxitos en la
población.
• Se selecciona una muestra de “n” individuos sin reemplazo de tal modo que cada
subconjunto de tamaño n es igualmente probable de ser seleccionado.

La variable aleatoria de interés es X el número de éxitos en la muestra. La distribución de


probabilidad de X depende de los parámetros n, M y N, así que se desea obtener

P(X = x) = h(x; n, M, N).

Ejercicio para casa: obtener la probabilidad de obtener “x” éxitos en una muestra de tamaño “n”,
que fue tomada de una población total de “N” individuos, donde “M” individuos cumplen con “éxito”.

Pistas:

• Tenemos que obtener “x” cantidad de “éxito” desde una población total de “M”
• Tenemos que obtener “n-x” cantidad de “fracaso” desde una población total de “N”
• Tenemos “M” individuos clasificados como “éxito” y “N-M” individuos clasificados como
fracaso.
• Casos favorables: Obtener “x de M éxitos” y “(n-x) de N-M fracasos”
• Casos totales: Voy a obtener una muestra “n individuos de una de población de tamaño N”

En base a lo anterior, y planteando los conocimientos de cálculo de probabilidad que ya poseemos,


podemos calcular la función de probabilidad para una VA hipergeométrica, en su forma general:

(𝑀
𝑥
)(𝑁−𝑀
𝑛−𝑥
)
𝑝(𝑥, 𝑛, 𝑀, 𝑁) =
(𝑁
𝑛
)
Con x entero, satisfaciendo: max(0, n - N + M) ≤ x ≤ min(n, M).

𝑀
𝐸[𝐻𝑖𝑝𝑒𝑟] = 𝑛 ∙
𝑁
𝑁−𝑛 𝑀 𝑀
𝜎 2 [𝐻𝑖𝑝𝑒𝑟] = ( ) ∙ 𝑛 ∙ ∙ (1 − )
𝑁−1 𝑁 𝑁

Sábado 16 de mayo de 2020 21 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Distribución de Poisson

Se dice que una variable aleatoria X tiene una distribución de Poisson con parámetro λ (λ > 0) si la
función de probabilidad de X es:

𝑒 −𝜆 ∙ 𝜆𝑥
𝑝(𝑥, 𝜆) = 𝑥 = 0,1,2, . . . . . ..
𝑥!

Normalmente, x representa la cantidad de “éxitos” (detecciones) que ocurren en un lapso continuo


“t”. λ suele representar un valor por unidad de tiempo o área o volumen.

Ejemplo:

• Cantidad de fallas en 100 metros de tela


• Cantidad de bacterias en 10m3 de agua
• Cantidad de errores de imprenta por impresión de páginas de un libro
• Cantidad de llamadas telefónicas en 10 minutos

𝐸[𝑃𝑜𝑖] = 𝜆

𝜎 2 [𝑃𝑜𝑖] = 𝜆

Ejercicio: Verificar que la distribución de Poisson cumple con los axiomas de probabilidad (Ejercicio
12.a de la Guía 4)

1) p(x) ≥ 0
2) ∑∀𝑥 𝑝(𝑥) = 1

Resolución:

Para probar 1), debemos tomar en cuenta que λ > 0 y 𝒙 ∈ ℕ, entonces:

𝑒 −𝜆 ∙ 𝜆𝑥
𝑝(𝑥, 𝜆) = 𝑥 = 0,1,2, . . . . . ..
𝑥!
𝑒 −𝜆 > 0

𝑥! > 0

𝜆𝑥 > 0
Entonces se cumple 1)

Sábado 16 de mayo de 2020 22 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Para validar 2), analicemos la sumatoria:


∞ ∞
𝑒 −𝜆 ∙ 𝜆𝑥 −𝜆
𝜆𝑥
∑ 𝑝(𝑥) = ∑ =𝑒 ∙∑
𝑥! 𝑥!
∀𝑥 𝑥=0 𝑥=0

𝜆𝑥
Para analizar la sumatoria ∑∞
𝑥=0 obtengamos la serie de Taylor de 𝑒 𝜆 en el entorno de λ=0
𝑥!

Recordemos Taylor:

𝑇𝑎𝑦𝑙𝑜𝑟[𝑓(𝑥), 𝑥0 ]
(𝑥 − 𝑥0 )2
= 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 ). (𝑥 − 𝑥0 ) + 𝑓 ′′ (𝑥0 ).
2!
(𝑥 )3 (𝑥 𝑛
− 𝑥 0 − 𝑥 0)
+ 𝑓 ′′′ (𝑥0 ). +. . . +𝑓 𝑛 (𝑥0 ).
3! 𝑛!

Si F(x) = 𝑒 𝑥 y 𝑥0 = 0

Tenemos:

𝑓(𝑥0 ) = 𝑒 0 = 1

𝑓 ′′ (𝑥0 ) = 𝑓 ′′′ (𝑥0 ) =. . . = 𝑓 𝑛 (𝑥0 ) = 𝑒 0 = 1

Entonces, la serie de Taylor de 𝑒 𝜆 en el entorno de λ=0 tiene esta forma:

2 3 𝑛
(𝜆) (𝜆) (𝜆)
𝑇𝑎𝑦𝑙𝑜𝑟[𝑒𝜆 , 𝑥0 = 0] = 1 + 𝜆 + + +. . . +
2! 3! 𝑛!
∞ 𝑘
𝜆 𝜆
𝑇𝑎𝑦𝑙𝑜𝑟[𝑒 , 𝑥0 = 0] = ∑
𝑘=0
𝑘!

Retomando el cálculo de la suma de probabilidades de la V.A Poisson, tenemos:



−𝜆
𝜆𝑥
∑ 𝑝(𝑥) = 𝑒 ∙ ∑ = 𝑒 −𝜆 ∙ 𝑒 𝜆 = 1
𝑥!
∀𝑥 𝑥=0

Continuación del ejercicio: Demostrar la expresión del valor esperado de una VA Poisson:

Desde aquí, podemos plantear la expresión general para el cálculo de E[X]:


∞ ∞ ∞ ∞
𝑒 −𝜆 𝜆𝑥 𝑒 −𝜆 𝜆𝑥 𝑒 −𝜆 𝜆𝑥 𝑒 −𝜆 𝜆(𝑥−1)
𝐸[𝑋] = ∑ 𝑥 ∙ = ∑𝑥∙ =∑ =𝜆∙∑
𝑥! 𝑥! (𝑥 − 1)! (𝑥 − 1)!
𝑥=0 𝑥=1 𝑥=1 𝑥=1

Sábado 16 de mayo de 2020 23 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Notar:

• El caso de x=0 se anula, ya que x multiplicando anula toda la expresión.


• X / x! es igual a 1 / (x-1)!

Proponemos el siguiente cambio de variable:

• Y = x-1
• Si x=1 -> Y = 1-1=0

La expresión queda de la siguiente forma:



𝑒 −𝜆 𝜆𝑦
𝐸[𝑋] = 𝜆 ∙ ∑ = 𝜆 ∙ ∑ 𝑝(𝑦) = 𝜆 ∙ 1 = 𝜆
𝑦!
𝑦=0 ∀𝑦

Ejercicio para casa: demostrar la expresión de la varianza de la VA Poisson.

Proceso de Poisson

(Para profundizar en el proceso Poisson se recomienda leer la distribución de Poisson como límite en
una distribución binomial, del libro de Devore)

El proceso Poisson se puede pensar de forma análoga al proceso Bernoulli, pero para el transcurso
de un lapso de tiempo continuo “t”.

Recordando, para un proceso Bernoulli teníamos las siguientes condiciones:

1. Se desean analizar la cantidad de éxitos que ocurren en “n” experimentos Bernoulli


2. Los experimentos son independientes
3. La probabilidad de éxito de cada experimento es p=cte.

Para el proceso Poisson tenemos las siguientes condiciones:

1. Se desean analizar la cantidad de éxitos que ocurren en un continuo t


2. Los experimentos son independientes y puntuales por cada diferencia de tiempo Δt
3. La probabilidad de éxito en un tiempo Δt, es αΔt (α es un parámetro > 0)

En base a las condiciones anterior, se puede llegar a lo siguiente:

El número de “éxitos” en un intervalo de tiempo de duración t es una variable de Poisson con


parámetro λ=αt. El número esperado de eventos durante cualquier intervalo de tiempo es
entonces αt, así que el número esperado durante un intervalo de tiempo unitario es α.

𝑒 −𝛼𝑡 ∙ (𝛼𝑡)𝑘
𝑝(𝑘, 𝑡) =
𝑘!

Sábado 16 de mayo de 2020 24 de 25


UNAJ - Probabilidad y estadística (CI029), Comisión 1 Clases 5 y 6

Anexo: Bibliografía de la materia

La bibliografía con la que podemos acompañar la dictada de nuestra materia es la siguiente, la cual
también se detalla en programa de la materia.

• Montgomery D, Runger G. Probabilidades y estadística aplicadas a la ingeniería, 2da edición.


Editorial LIMUSA. 2011
• Walpole R, Myers R, Myers S. Probabilidades y Estadística para ingenieros, 6ta
edición. Editorial PRENTICE- HALL HISPANOAMERICANA, SA. 1999.
• Milton S, Arnold J. Probabilidades y estadística con aplicaciones para ingeniería y ciencias
computacionales, 4ta edición. Editorial MacGraw-Hill Interamericana. 2003.
• Devore J, Probabilidades y estadística para ingeniería y ciencias, 7ma edición. Editorial
CENGAGE LEARNING / THOMSON INTERNACIONAL. 2009.
• Miller I, Freud J. Probabilidades y Estadística para ingenieros, 8va edición. Editorial PEARSON
EDUCACIÓN. 2011.

Sábado 16 de mayo de 2020 25 de 25

También podría gustarte