Documentos de Académico
Documentos de Profesional
Documentos de Cultura
x 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01
Solución:
a)
X 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01
P(x) 0.41 0.78 0.94 0.99 1.0
b)
@ 1 defecto
Interpretación:
El número de defectos esperado puede variar en ± 1 defecto, es decir que el
número de defectos esperado por cada 10 metros de tela puede variar de 0 a 2.
x P (X = x)
5 0.037833
10 0.12511
15 0.034718
Usted también puede visualizar una distribución discreta en una gráfica de
distribución para ver las probabilidades entre los rangos.
Ejemplo:
Si tiramos una moneda 10 veces, esperamos que salga 5 veces "cara" y 5 veces
"cruz". Esperamos obtener este valor porque la probabilidad de que salga "cara" es
0,5, y si lanzamos la moneda 10 veces, obtenemos 5. Por lo tanto, 5 es la media.
2. Varianza
Se conoce como varianza a la raíz cuadrada que se desprende de una desviación
estándar, la cual permite que las industrias de manufactura puedan trabajar con
precisión en su producción y reduzcan su índice de errores.
La varianza toma los datos dispersos de la media y, luego de medirlos, le da valor
a las variaciones y desviaciones. Además, permite contabilizar y prevenir posibles
errores.
Ejemplo de varianza
Para entender mejor este concepto, proponemos el ejemplo de una empresa que
quiere calcular la varianza de las toneladas de alimento que ha vendido en los
últimos 6 meses:
El primer paso para calcular la varianza consiste en calcular la media aritmética
(el promedio). Esta se obtiene teniendo en cuenta que la cantidad de valores a
analizar son 6 (los últimos 6 meses):
Enero 18
Febrero 20
Marzo 20
Abril 22
Mayo 20
Junio 20
(18 + 20 + 20 + 22 + 20 + 20) / 6 = 20
Una vez obtenida la media aritmética, en este caso 20, procedemos a calcular la
varianza, utilizando la fórmula antes mencionada:
Para que una variable aleatoria se considere que sigue una distribución binomial,
tiene que cumplir las siguientes propiedades:
En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).
La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra
p. La probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es
constante dado que la moneda no cambia en cada experimento y las probabilidades
de sacar cara son constantes.
La probabilidad de fracaso ha de ser también constate. Esta se representa mediante
la letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o
sabiendo q, podemos obtener la que nos falte.
El resultado obtenido en cada experimento es independiente del anterior. Por lo
tanto, lo que ocurra en cada experimento no afecta a los siguientes.
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al
mismo tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar
una moneda salga cara y cruz al mismo tiempo.
Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara
ha de salir cruz.
La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n, p), donde n representa el número de ensayos o experimentos y p la
probabilidad de éxito.
Formula de la distribución binomial
Donde:
n = Número de ensayos/experimentos
x = Número de éxitos
p = Probabilidad de éxito
Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por
100 tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos haya
visto el partido de la final del mundial.
3.4. Distribución de probabilidad de Poisson
El número de vehículos que pasan por una caseta de cobro en las horas de mayor
tráfico sirve como ejemplo para mostrar las características de una distribución de
probabilidad de Poisson.
El promedio (media) de los arribos de vehículos por hora de gran tráfico puede
estimarse a partir de los datos anteriores del tráfico.
Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos
descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una
distribución de probabilidad de Poisson para describirlos.
P(x) = l x * e-l / x!
l x = Lambda
(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.
x! = x factorial.
Ejemplo:
P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511
es de 0.0384.
Ejemplo de cálculo de las probabilidades hipergeométricas
Supongamos que hay diez automóviles disponibles para que usted los pruebe (N =
10) y cinco de ellos tienen motores turbo (x = 5). Si prueba tres de los vehículos (n
= 3), ¿cuál es la probabilidad de que dos de los tres que probará tengan motores
turbo?
Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria
con un conjunto de valores posibles (conocido como el rango) que es infinito y no
se puede contar.
Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden
tener una probabilidad diferente de cero. La probabilidad de que una variable
aleatoria continua equivalga a algún valor siempre es cero.
Ejemplo:
donde b > 0
m=b y s2 = b2
Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer
evento de Poisson. La probabilidad de que el período hasta que ocurre el primer
evento de Poisson exceda x es la misma que la probabilidad de que no ocurra
un evento de Poisson en x. Esto último por supuesto está dado por . Como
resultado,
P(X ³ x) =
P(0£ X £ x) = 1 -
f(x) =
Ejemplos:
1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de
falla en años está dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla . S í 5 de estos
componentes se instalan en diferentes sistemas, ¿cuál es la probabilidad de
que al menos 2 continúen funcionando después de 8 años?
Solución:
La probabilidad de que un determinado componente esté funcionando aún
después de 8 años es:
2. El tiempo que transcurre antes de que una persona sea atendida en una
cafetería es una variable aleatoria que tiene una distribución exponencial con
una media de 4 minutos. ¿Cuál es la probabilidad de que una persona sea
atendida antes de que transcurran 3 minutos en al menos 4 de los 6 días
siguientes?
Solución: