Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sea entonces Ω = {no funciona, funciona}, que es el conjunto de resultados al analizar cada
motor. Se desea asociar estos resultados con números reales: Teniendo en cuenta que a la
empresa pone atención a los motores que no funcionan (denominando éxito a este
evento), expresando nuevamente a Ω = {éxito, fracaso}, y sea el conjunto de número
enteros asociados {1,0). Se entenderá que la función que asocia los elementos de Ω con
los números reales es precisamente lo que se denomina VARIABLE ALEATORIA,
denotándose con una letra mayúscula del alfabeto, ejemplo X y se denotará al valor
particular asociado por x.
Propiedades:
2- ∑ P( X=x ) = 1
x∈ Ωx
Ejemplo 1.
Solución:
P(m ≤ X < n ) = FX(n) – P(x = n) - FX(m -1). Obsérvese aquí que se exige considerar la
probabilidad para el evento x= m, si simplente se resta F(m) se estará cometiendo el
error de haberla eliminado y por esto se resta FX(m -1). Etc.
Ejemplo 2.
Momentos al origen: Denotaremos aquí al r-ésimo momento al origen por mr0 y definido
❑
como ∑ r
x P( x )
x∈Ωx
❑
Primer momento al origen: Para el valor de r = 1, se tiene: m 0 =
1
∑ x P(x). A esta
x∈Ωx
E[X] = µX
MODELO BERNOULLI
Cuando los resultados del experimento aleatorio son solamente dos, por ejemplo,
{aprobado, no aprobado}, {si, no}, {blanco, negro}, {éxito, fracaso}, etc., se dice que la
variable aleatoria presenta dicotomía, esta es la propiedad de la llamada variable
Bernoulli. Al experimento aleatorio con esta propiedad se expresa como: ensayo,
experimento, prueba o evento Bernoulli.
Sea Ω = {éxito, fracaso}, sea ΩX = {1, 0}, esto es, cuando en la prueba Bernoulli ocurre
éxito, el valor asociado a la variable aleatoria es 1, esto es, x= 1, etc.
Cuando se especifican los valores que toma la variable aleatoria y sus valores
correspondientes de probabilidad (que pueden ser dados a través de una fórmula,
gráfico, o en una tabla), se dice que se conoce la función de probabilidad.
Evento X P(x)
Éxito 1 p
Fracaso 0 1-p
❑
2 2
Varianza = σ X = E[(X- µ) ] = ∑ ( x−µ)2 P(x) = (1 - p)2 (p) + (0 – p)2 (1-p) = p (1-p) = pq
x∈ Ωx
MODELO GEOMÉTRICO
El experimento consiste en realizar pruebas Bernoulli independientes, tantas como sean
necesarias hasta obtener éxito.
Ejemplo 1. Un piloto aviador desea realizar su examen para obtener su licencia. Mostrar
un caso en que se pueda presentar un resultado cualquiera:
Sea A el evento: (f,f,f,f,f,f,e), en el que f significa que presentó examen y fue rechazado, e
significa que presentó examen y fue aprobado. Haciendo intervenir a la variable Bernoulli
el evento A se mostrará como (0,0,0,0,0,0,1), donde al resultado de la prueba Bernoulli
“rechazado” o sea f está asociado al valor cero de la variable aleatoria X, o sea x = 0, etc.
Para este modelo deberá asumirse que el resultado de cada examen es independiente
del anterior.
Espacio Muestral: En general para una variable aleatoria discreta (v.a.d) es el conjunto
de todos los posibles resultados del experimento. Para el modelo Geométrico, en lo
general, resulta ser:
Función de Probabilidad
Desarrollemos la fórmula: Para el ejemplo visto arriba, el evento denotado por A de que
el piloto realice 7 exámenes para conseguir su licencia, (f,f,f,f,f,f,e), y se ha dicho que en
forma genérica la probabilidad de obtener “éxito” es simbolizado por p y la de fracaso
por q; asumiendo independencia:
Esperanza matemática
∞ ∞ ∞ ∞
E[X] = µX = ∑ x P( X =x) = ∑ x q x−1 p = = p∑ x q = p ∑ x q
x−1 x−1
∞
La última expresión es el resultado de la derivada con respecto a q de ∑ q , esta suma
x
x=0
converge cuando 0 < q < 1 y su resultado es 1 / (1- q); por lo que a esta última la
derivamos:
d 1
( ) = ( 1-q )-2 = p-2 ; por tanto E[X] = p / p2 = 1/ p
dq 1−q
Varianza
∞ 2 x−1
2
Var(X) = σ2X=mµ = E[(X- µ)2] = ∑ (x− 1p ) q p = q/p2
x=1
Ejemplo 4.
Una empresa minera ha localizado una zona donde se presume que encontrará minas de
oro, con probabilidad de 0.015 en una sola excavación.
Solución: Sea Y la v.a. “número de excavaciones a realizar hasta encontrar una mina de
oro”.
ΩY = [1, 2, 3, 4, ……………)
Sea B el evento “En la cuarta excavación se encuentra la mina de oro”, referido al valor de
la variable Y: y = 4. Los parámetros de la distribución son p =0.015, q = 0.985, con
probabilidad: PY(y = 4) = (0.985)3 (0.015) = 1.43%
Ejemplo 5.
Se lanza al aire 10 veces una moneda cargada, de tal manera que la probabilidad de que
aparezca águila es de 1/3, mientras que la probabilidad de que aparezca sol es de 2/3
()
9
2
∗1
( x−1) 3 512
P ( x=10 )=(1− p) ∗p= = =0.008670
3 59049
(x−1)
P ( x=6 ) =(1− p) ∗p=
2 5
3 ()
∗1
=
32
=0.04389
3 729
2 q 0.67
Varianza σ = 2
= 2
=6.1524
p 0.33
Ejemplo 6.
Solución:
Sea X la v.a. que denote el número de ensayos Bernoulli hasta lograr que se obtenga un
sonido excesivo.
ΩX = [1, 2, 3, 4, ……………)
Parámetros: p = 0.01, q = 0.99
Función de probabilidad: P( X = x) = qx-1 p
( )
19
99
∗1
( x−1 ) 100 −3
P ( x=20 )=(1− p) ∗p= =8.26 x 10
100
b). Sea el evento A definido como: el décimo quinto de estos dispositivos de medición
sometidos a prueba sea el primero en no mostrar un sonido excesivo.
Obsérvese que el éxito se define ahora como el no mostrar un sonido excesivo, por tanto:
denotamos;
x = el número de repeticiones del dispositivo necesarias para que ocurra un éxito por
primera y única vez = 15
p = probabilidad de que no aparezca sonido excesivo = p(éxito) = 0.99
q = probabilidad de que aparezca sonido excesivo= p(fracaso) = 0.01
( )
14
1
∗99
(x−1) 100 −29
P ( A )=P ( x=15 )=(1− p) ∗ p= =9.99 x 10
100
Inciso c)
Sea el evento B: definido como: el quinto de estos dispositivos de medición sometidos a
prueba sea el primero en mostrar un sonido excesivo?
x = el número de repeticiones del dispositivo necesarias para que ocurra un éxito por
primera y única vez = 5
p = probabilidad de que aparezca sonido excesivo = p(éxito) = 0.01
q = probabilidad de que no aparezca sonido excesivo = p(fracaso) = 0.99
( )
4
99
∗1
(x−1) 100 −3
P ( B )=P ( X=5 )=(1−p) ∗p= =9.26 x 10
100
MODELO BINOMIAL
El experimento consiste en realizar un determinado número de pruebas Bernoulli
independientes, digamos que sea n este número. Es de esperarse que ocurran “fracasos”
y “éxitos”. Expongamos el caso en el que n = 7 y ocurran k=3 éxitos, enseguida se ilustran
algunos eventos posibles:
A: ( f,e,e,f,f,e,f)
B: (e,e,e f,f,f,f)
C: (e,f,f,f,e,e,f)
D: (e,e,f,f,f,f,e)
Definitivamente que no se han citado en forma exhaustiva todos los eventos posibles,
pero ¿cuántos son? Obsérvese que en estos cuatro eventos ilustrados todos poseen la
característica de admitir 3 éxitos y no importa el orden de aparición, así entonces el
número de casos con igual propiedad se obtiene a través del número de combinaciones,
o también llamado coeficiente binomial:
n = C k ,n =
()
k
n!
k ! k !(n−k) !
P(D) = P((e,e,f,f,f,f,e)) = P(e) P(e) P(f) P(f) P(f) P(f) P(e) = p p q q q q p = p 3q4
Resultando que cada uno de los términos en la suma participan en el desarrollo del
Binomio de Newton, y puesto que p+q = 1, se concreta la demostración.
Esperanza Matemática
Por definición, el primer momento alrededor del origen (del cero) corresponde al valor
esperado (media) de la variable aleatoria.
n n
n! n!
E[X] = ∑ k p (1−p) = ∑ k
k n−k k
p (1−p)
n−k
Nótese que la suma se ha escrito desde uno hasta n, dado que cuando k=0 el primer
término es cero y se cancela la k del numerador con la k en k!. Factorizando n y p, se
tiene:
n
(n−1)!
E[X] = np ∑ ❑ pk−1 (1− p)n−k
k =1 (k −1)! (n−k )!
y=0 ( m− y ) ! y !
m!
Observamos que p y (1− p)n− y es la función de probabilidad de una v.a.
( m− y ) ! y !
binomial Y con parámetros m = n-1 y p, de esta manera la suma bajo el rango de valores
de Y es la unidad, y la media de una v.a. binomial es:
E[X] = µX = n p
Varianza
Como bien se sabe, la varianza de una v.a. se determina aplicando el segundo momento
central:
E[(X - µ )2], desarrollando este binomio se obtiene E[X2]- µ2 , pudiéndose decir que la
varianza es el valor del segundo momento al origen menos el cuadrado de la media.
Ejemplo 7.
Si el 90% de todos los solicitantes para cierto tipo de hipoteca no llenan correctamente
el formato de solicitud en la primera remisión. ¿Cuál es la probabilidad de que entre 15
de estos solicitantes seleccionados al azar
complemento:
11
k=0 k
( )
P(A) = 1−∑ 15 0.9 0.10
k 15−k
= 1 - 0.056 = 94.44%
Evento B: 10 ≤ X ≤ 13
Nota: en este inciso nos cambiaron la jugada, ahora se trata de llenar correctamente los
formatos, por tanto, la probabilidad de éxito p = 0.10.
Ejemplo 8.
Supóngase que en un examen se incluyen diez preguntas de opción múltiple, con cinco
respuestas para cada pregunta, de las cuales una es correcta. Si una estudiante responde
las preguntas simplemente adivinando, especifique los elementos actuantes en la
función de probabilidad, para dar respuesta a probabilidades de eventos específicos.
Solución:
87.91%
Ejemplo 9.
Solución:
Ejemplo 10.
María y Paola se plantean el siguiente juego: se lanza al aire un dado equilibrado con seis
caras numeradas del uno al seis. Se considera que el jugador gana cuando el resultado del
dado es 2 o 3 y se recibe 20 pesos. En otro caso, no recibe nada. Cada apuesta (un
lanzamiento) es de 15 pesos.
Solución:
Espacio muestral: Ω=¿{1, 2, 3, 4, 5, 6} ; que corresponde a números marcados en las
caras del dado.
a)
Sea X el número de aciertos de María. Luego:
Ωx=¿ {0,1, 2, 3, 4, 5}
X B ¿) Nota: esta es una forma de describir que la v.a. presenta distribución Binomial
con parámetros n, p
P ( x=0 o x=1 )= 5( )( ) ( ) ( )( ) ( )
1 0 2 5 5 1 1 2 4
0 3 3
+
1 3 3
=0.1316+ 0.3288=46.04 %
Ejemplo 11.
La probabilidad de que cierto antibiótico presente una reacción negativa al administrarse
a un ratón en recuperación es de 0.10. Si se les ha administrado dicho antibiótico a 15
ratones, calcúlense las probabilidades de que haya reacción negativa:
a. En 3 ratones
b. En ningún ratón
c. En menos de 5 ratones
Solución:
-Se están realizando ensayos Bernoulli al considerar que en la administración del
antibiótico a un ratón pueda darse reacción negativa o positiva
- Se realizan 15 ensayos Bernoulli independientes.
- Sea el evento “éxito” cuando la obtenga reacción negativa, con probabilidad p = 0.10.
- Sea entonces X la que denote a la variable aleatoria “número de ensayos Bernoulli
independiente que resultan en éxito al administrar el antibiótico a 15 ratones.
- Ωx=¿ {0,1, 2, 3, 4, 5, . . . . . . , 15}
- Modelo de probabilidad:
P ( X=x )= ( nx) p ( 1− p )
x 1− x
a. n= 15
p = 0.10
x=3
b. n= 15
p=0.10
X=0
c. n= 15
p=0.10
X<5
1−2 p 1−2(0.10)
= =0.6885
( npq )1 /2 √ 1.35
Curtosis relativa
1−6 pq 1− ( 6 ) ( 0.1 ) (0.9)
3+ =3+ =3.3407
npq 1.35
Sean p, q las probabilidades de éxito, fracaso, de las pruebas Bernoulli, cuyos valores
permanecerán inalterables durante el proceso.
Podemos decir en general que para toda variable aleatoria Binomial Negativa X, su valor
r
está dado por ∑ X k donde cada X k tiene distribución geométrica .
k =1
E[X] = r / p
k =1 k =1 p
Función de Probabilidad:
considerando la ocurrencia del último éxito, la probabilidad de que ocurra el evento que
le precede se obtiene aplicando la distribución binomial
Ejemplo 12.
0.9515-2
Ejemplo 13.
Un científico inocula varios ratones, uno a la vez, con un germen de una enfermedad
hasta que obtiene 4 que la han contraído. Si la probabilidad de contraer la enfermedad
es de 1/6:
ΩX = (r = 4, 5, 6, 7, 8, 9,………….)
p = 1/6
Evento de interés: x = 8
P( x = 8) = ( 8−1
4−1)
4
(1/6) (5/6) 8-4
= 1.30%
Ejemplo 14.
Sea X v.a. “Número de latas de conserva que se producen hasta que se detenga la
máquina”
ΩX = (r = 3, 4, 5, 6, 7, 8, 9,………….)
Parámetros: r = 3, p = 0.05
Solucion:
a) E[] = r /p = 3/0.05 = 60
b) P( x = 9) = (9−1
3−1 )
3 6
(0.05) (0.95) = 0.26%
P( x = 3) = (
3−1)
3−1 3 0
c) (0.05) (0.95) = 0.0125%
Ejemplo 15.
Se requiere que Carla venda caramelos para recaudar dinero para su campamento de
verano. Hay 30 casas en la colonia y se supone que Carla no regresará al campamento
hasta que se hayan vendido cinco caramelos. Entonces ella va de puerta en puerta
vendiéndolos. En cada casa hay una probabilidad de 0.6 de vender un caramelo y una
probabilidad de 0.4 de no vender.
Solución:
Parámetros: r = 5, p = 0.6
Función de probabilidad:
P ( x) = ( x−1
r −1 )
r
p (1− p)
x−r
a):
Evento de interés: x = 10
P ( x=10 )= (10−1
5−1 )
(.6) (.4)
5 10−5
p ( 6 )=(
5−1)
->( ) (.6) (.4) = 0.15552
6−1 5 6−5 5 5 1
( .6) (.4 )
4
p ( 7 )=(7−1)(.6) (.4)
5 7 −5
->( ) (.6) (.4) = 0.186624
6 5 2
5−1 4
p ( 8 )=(
5−1)
->( ) (.6) (.4) = 0.174182
8−1 5 8−5 7 5 3
(.6) (.4 )
4
En resumen, la probabilidad para este caso es la suma de las probabilidades = 0.59408
c)
Evento de interés: x= 30
P ( x=30 )= (30−1
5−1 )
(.6) (.4)
5 30−5
P ( 30 )= (294)(.6) (.4)
5 25
= 2.07x10-7
Medidas:
r 5
μ= = =8.3
p 0.6
2 r (1− p) 5(0.4)
σ = 2
= 2
=5.55
p 0.6
2− p 2−0.6
Asimetría: 1
= 1
=0.98
( r ( 1− p )) 2
( 5 ( 0.4 )) 2
2 2
p −6 p+6 0.6 −6 (0.6)+ 6
Curtosis :3+ =3+ = 4.38
[r (1− p ) ] [5 ( 0.4 )]
Ejemplo 16
a)
b) ¿Cuál es la probabilidad de que superen el control de calidad 15 electrométricos?
c) ¿Cuál es la probabilidad de que no superen el control de calidad 8 electrométricos?
d) El número de electrométricos que se espera que superen el control de calidad
e) Cuál es la variación con respecto a la media.
Solución: Modelo binomial:
Ejemplo 17
En una maquinaria dedicada a fabricar piezas de alta precisión, las piezas que se producen
van de una en una. Sin embargo, existe la probabilidad en un 3.5% de que sea producida
una pieza defectuosa. Obtener
a) Probabilidad de que la primera pieza defectuosa durante ese día sea la 25ava
producida.
b) Sabiendo que en la fabricación de cada pieza es de 20 segundos en promedio, ¿cuál
será el tiempo medio que hay que esperar hasta que sea producida la primera pieza
defectuosa?
c) Probabilidad de que las ocho primeras piezas fabricadas sean todas buenas.
Solución:
Asumiendo independencia de eventos, se modela con la Distribución Geométrica con
parámetro p = 0.035
a) X= Número de piezas producidas hasta que se obtenga la primera defectuosa.
Evento de interés: X = 25
P [X = 25] = (0.965) ^39 · 0.035 = 1.49%
1 1
b) Sabiendo que el valor esperado para esta variable aleatoria es: E[X] = = =
p 0.035
28.57
Por tanto, el tiempo de espera promedio hasta obtener la primer pieza defectuosa =
TIEMPO PROMEDIO DE FABRICACIÓN POR PIEZA * NUMERO PROMEDIO DE PIEZAS
PRODUCIDAS HASTA OBTENER LA PRIMER PIEZA DEFECTUOSA
= 20 seg. * 28.57 = 571 seg = 9.52 min.
c) Nueva variable aleatoria: Sea Y “Número de piezas buenas en una producción
continua” con probabilidad de éxito 0.965.
Evento: ( b,b,b,b,b,b,b,b) , asumiendo independencia: Probabilidad de este evento:
(0.965)8 = 75.20%
Modelando con la distribución Binomial ( n=8, p = 0.965, Y=8) :
Ejemplo 18
Suponga que en el viaje que usted realiza cada mañana a su trabajo encuentra un
determinado semáforo en color verde el 35% de las veces. Suponga que cada mañana
representa un evento independiente.
a. ¿Cuál es la probabilidad de que la luz esté en verde en exactamente un día en a lo más
tres mañanas?
b. ¿Cuál es la probabilidad de que la luz esté en verde en cuatro días en más de 7
mañanas?
c. ¿Cuál es la probabilidad de que la segunda mañana en que la luz esté en verde sea la
cuarta mañana en que usted se aproxima al semáforo?
d. ¿Cuál es el número esperado de días en que usted espera llegar al semáforo para que
esté en verde por cuarta vez? ¿Cuál es la desviación estándar?
Solución:
E: El semáforo se encuentra con luz verde, con probabilidad p = 0.35.
Ec: El semáforo no se encuentra con luz verde, con probabilidad q = 0.65
X: Número de días en que el semáforo está en verde cuando la persona se desplaza
diariamente a su trabajo.
x=1
( )
P [X ≤ 3] = Fx (3) = ∑ x−1 ( 0.65 ) (0.35) = (0.65)1-1 (0.35)1 + (0.65)2-1 (0.35)1 + (0.65)3-1
1−1
x−1 1
(0.35)1 = 0.7153
La probabilidad de que la luz esté en verde en exactamente un día en a lo más cinco
mañanas es de 71.53%
( ) ( ) ( ) ( )
4−1 (0.65)4 −4 (0.35)4 − 5−1 ( 0.65 )5−4 ( 0.35 ) 4− 6−1 ( 0.65 )6−4 ( 0.35 )4 − 7−1 ( 0.65 )7−4 ( 0.35 ) 4
4−1 4−1 4−1 4−1
= 1 – ( 0. 01500 +0.03901 + 0.063401 + 0.08242 ) = 1 – 0.1998 = 0.8002
La probabilidad de que la luz esté en verde cuatro días en más de 7 mañanas es de
80.02%.
c)
Cuál es la probabilidad de que la segunda mañana en que la luz esté en verde sea la
cuarta mañana en que usted se aproxima al semáforo?
P ( x , r , p )= ( rx−1
−1 )
r
p ( 1− p )
x−r
Solución
Para este inciso, X es el número de mañanas el éxito se consigue cuando se encuentra un
determinado semáforo en verde, donde p=0.35, r=2, x=4.
( rx−1
P ( x , r , p )=
−1 )
r
p ( 1− p )
x−r
2 r ( 1− p ) 4 ( 0.65 )
V (X) = σ x = 2
= =21.22 → σ x =4.61 dias
p ( 0.35 )2